Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩
Cadastre-se ou realize login
Ao continuar, você aceita os Termos de Uso e Política de Privacidade
Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩
Cadastre-se ou realize login
Ao continuar, você aceita os Termos de Uso e Política de Privacidade
Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩
Cadastre-se ou realize login
Ao continuar, você aceita os Termos de Uso e Política de Privacidade
Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩
Cadastre-se ou realize login
Ao continuar, você aceita os Termos de Uso e Política de Privacidade
Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩
Cadastre-se ou realize login
Ao continuar, você aceita os Termos de Uso e Política de Privacidade
Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩
Cadastre-se ou realize login
Ao continuar, você aceita os Termos de Uso e Política de Privacidade
Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩
Cadastre-se ou realize login
Ao continuar, você aceita os Termos de Uso e Política de Privacidade
Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩
Cadastre-se ou realize login
Ao continuar, você aceita os Termos de Uso e Política de Privacidade
Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩
Cadastre-se ou realize login
Ao continuar, você aceita os Termos de Uso e Política de Privacidade
Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩
Cadastre-se ou realize login
Ao continuar, você aceita os Termos de Uso e Política de Privacidade
Prévia do material em texto
Pesquisa operacional como ferramenta para tomada de decisão Em um mundo cada vez mais complexo e competitivo, a pesquisa operacional (PO) surge como um recurso essencial para auxiliar na tomada de decisões estratégicas. Prof. Mauro Rezende Filho 1. Itens iniciais Propósito Através da construção de modelos matemáticos e da análise meticulosa de dados históricos de vendas, rotas e demanda, a PO oferece um leque de benefícios que impulsionam o sucesso organizacional. Trata-se de um importante conteúdo para os profissionais com formação em matemática e engenharia. Objetivos Reconhecer a pesquisa operacional como uma ferramenta de apoio à decisão. Reconhecer a modelagem matemática. Reconhecer a aplicação de modelagem matemática. Introdução Neste vídeo, vamos explorar a pesquisa operacional como uma ferramenta essencial para apoiar decisões e modelar problemas matematicamente, além de examinar suas diversas aplicações práticas. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. • • • 1. Introdução à pesquisa operacional Conceito e definição de pesquisa operacional Entenda, neste vídeo, o conceito de pesquisa operacional (PO), uma disciplina importante que auxilia na tomada de decisões complexas. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. A pesquisa operacional (PO) é uma disciplina que se dedica a otimizar a tomada de decisões em diversos setores da sociedade. Através de técnicas matemáticas e computacionais, ela auxilia na análise de problemas complexos, fornecendo soluções eficientes e embasadas em dados. Observe atentamente o seguinte esquema: Conteúdo interativo Acesse a versão digital para ver mais detalhes da imagem abaixo. Esquema intuitivo de tomada de decisão em um contexto gerencial. No mundo real, temos a intuição gerencial que realiza simulações e altera as variáveis do problema para encontrar decisões mais assertivas, por meio da criação de modelos para análise de seus resultados. Origens e evolução A PO surgiu durante a Segunda Guerra Mundial, quando militares buscavam otimizar estratégias e recursos. Após o conflito, sua aplicação se expandiu para áreas como: Indústria Logística Saúde Finanças Setor público • • • • • Definição e metodologia de pesquisa operacional Segundo Ackoff e Sasieni (1968), a pesquisa operacional pode ser definida como a aplicação do método científico por equipes multidisciplinares a problemas que envolvem a otimização de sistemas organizados, visando encontrar soluções que melhor atendam aos objetivos da organização. Além disso, segundo Kittel (1947), a PO é o uso do método científico com o objetivo de prover departamentos executivos de elementos quantitativos para a tomada de decisões. Acompanhe as seis etapas que a metodologia da pesquisa operacional (PO) segue! Definição do problema Consiste em identificar e definir claramente o problema a ser solucionado. Construção do modelo matemático Desenvolvimento do modelo que representa o problema, utilizando técnicas como programação linear, teoria das filas, simulação e outras. Solução do modelo Resolução do modelo matemático utilizando softwares específicos, como GAMS, LINGO e CPLEX. Análise da solução Análise e interpretação da solução obtida, verificando sua viabilidade e adequação ao problema original. Implementação da solução Aplicação da solução na organização, com acompanhamento e monitoramento dos resultados. Validação da solução Verificação da solução para confirmar se os resultados esperados foram atingidos. Técnicas e aplicações da pesquisa operacional A PO utiliza diversas técnicas para solucionar problemas. Vamos conhecê-las! Programação linear Otimiza o uso de recursos em problemas com variáveis reais e relações lineares. Teoria das filas Analisa e otimiza sistemas de espera, como filas em bancos, supermercados e call centers. Simulação Reproduz o comportamento de um sistema através de um modelo computacional, permitindo a análise de diferentes cenários e decisões. Redes de Petri Modelam e analisam sistemas dinâmicos com eventos discretos, incluindo sistemas de produção e transporte. A pesquisa operacional possui um vasto campo de aplicações em diversas áreas. São elas: Indústria Otimiza a produção, planeja a cadeia de suprimentos e gerencia estoques. Logística É utilizada para roteirizar veículos, planejar entregas e localizar armazéns. Setor de saúde Auxilia no agendamento de consultas, no gerenciamento de leitos hospitalares e na otimização da distribuição de medicamentos. Finanças Contribui para a gestão de investimentos, análise de risco e otimização de carteiras de ativos. Setor público Apoia o planejamento urbano, a gestão de recursos públicos e a otimização de serviços. Benefícios da pesquisa operacional A pesquisa operacional proporciona melhorias na tomada de decisões, oferecendo soluções mais eficientes e baseadas em dados; reduz os custos, otimizando o uso de recursos e minimizando desperdícios; aumenta a produtividade, aprimorando a eficiência dos processos e operações; eleva a qualidade dos serviços, assegurando um atendimento mais eficaz e de melhor qualidade; fortalece a competitividade, tornando as empresas mais competitivas no mercado. Vejamos alguns exemplos de aplicações da pesquisa operacional. American Airlines Utiliza a PO para otimizar o roteamento de seus voos, reduzindo custos e tempo de viagem. Amazon Utiliza a PO para otimizar sua logística, garantindo entregas rápidas e eficientes. Hospital Albert Einstein Utiliza a PO para otimizar a gestão de seus leitos hospitalares, reduzindo o tempo de espera dos pacientes. Banco Central do Brasil Utiliza a PO para analisar o risco de investimentos e otimizar a gestão de suas reservas internacionais. A pesquisa operacional é uma disciplina valiosa que pode contribuir significativamente para o sucesso de empresas e organizações. Através da aplicação de técnicas matemáticas e computacionais, a PO pode ajudar a tomar melhores decisões, reduzir custos, aumentar a produtividade e melhorar a qualidade dos serviços. Atenção A PO não é uma solução mágica para todos os problemas. Sua aplicação deve ser feita de forma adequada, com o suporte de profissionais qualificados e um planejamento cuidadoso. Com o crescente volume de dados disponíveis e o avanço da tecnologia, a PO torna-se cada vez mais importante para a tomada de decisões em diversas áreas. História da pesquisa operacional Neste vídeo, vamos conhecer a evolução dos conceitos da pesquisa operacional ao longo do tempo. Acompanhe! Conteúdo interativo Acesse a versão digital para assistir ao vídeo. A PO não é apenas uma ferramenta moderna, mas sim um conceito que se desenvolve ao longo da história. Desde os primórdios da civilização, quando os ancestrais buscavam soluções eficientes para construir pirâmides e transportar alimentos, até a era espacial, com seus complexos desafios de logística e otimização, a PO tem sido uma aliada essencial no caminho do progresso. Vejamos agora como foram utilizados os conceitos da PO ao longo do tempo. Aurora da civilização Egito Antigo: os faraós utilizavam técnicas rudimentares de PO para gerenciar a construção de suas imponentes pirâmides, otimizando o trabalho de milhares de trabalhadores e transportando pesados blocos de pedra com eficiência. Império Romano: a logística militar romana, considerada uma das mais avançadas da época, incorporava princípios da PO para organizar o transporte de tropas, alimentos e equipamentos, garantindo a rapidez e o sucesso das conquistas. Renascença e Iluminismo Século XVII: o matemático francês Pierre de Fermat, considerado o pai da otimização linear, lançou as bases matemáticas para a PO moderna, abrindo caminho para o desenvolvimento de técnicas mais sofisticadas. Século XVIII: a Revolução Industrial impulsionou a busca por soluções para otimizar a produção nas fábricas, estimulando o desenvolvimento de métodos matemáticos e ferramentas parade bonecas Barbie a serem produzidas. x2: quantidade de bonecas Ken a serem produzidas. x3: quantidade de bonecas Baby Alive a serem produzidas. x4: quantidade de bonecas Action Man a serem produzidas. x5: quantidade de bonecas Polly Pocket a serem produzidas. Modelo de programação linear: Maximizar: lucro total • • • • • • • • • • • • • • • Sujeito a: Restrições de matéria-prima: (matéria-prima 1) (matéria-prima 2) (matéria-prima 3) Restrições de capacidade de produção: (Processo 1) (Processo 2) Restrições de demanda: (Barbie) (Ken) (Baby Alive) (Action Man) (Polly Pocket) Não negatividade: Confira a solução do exemplo de modelagem matemática em uma fábrica de brinquedos. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. • • • • • • • • • • • • • • • Verificando o aprendizado Questão 1 Uma empresa de investimentos está buscando formas de avaliar o risco de seus portfólios e tomar decisões financeiras mais inteligentes. Assim, utiliza técnicas como análise de sensibilidade, Value at Risk (VaR) e simulação de Monte Carlo, análise de séries temporais, modelos de precificação de ativos e a técnica de otimização de média-variância de Markowitz. Considerando o texto, analise as alternativas e assinale a que justifica o uso da modelagem matemática. A Criar modelos preditivos para analisar o comportamento de consumidores e melhorar estratégias de marketing. B Analisar o risco de diferentes investimentos, estimar o retorno esperado e otimizar a alocação de recursos financeiros. C Utilizar algoritmos de machine learning para prever tendências de mercado e ajustar o portfólio de investimentos. D Desenvolver simulações financeiras para avaliar diferentes cenários econômicos e seus impactos nos investimentos. E Implementar técnicas de big data para coletar e analisar grandes volumes de dados financeiros em tempo real. A alternativa B está correta. A modelagem matemática é uma abordagem eficaz para tomar decisões financeiras mais inteligentes. Ela permite a análise detalhada do risco de diferentes investimentos, a estimativa do retorno esperado e a otimização da alocação de recursos. Técnicas específicas, como análise de sensibilidade, Value at Risk (VaR), simulação de Monte Carlo, análise de séries temporais e modelos de precificação de ativos, são usadas para esses fins. Portanto, a opção correta é a alternativa B. Questão 2 Uma empresa de tecnologia busca desenvolver novos produtos e serviços inovadores que atendam e superem as expectativas dos clientes, proporcionando uma vantagem distinta no mercado. Utilizando a modelagem matemática, a empresa pode analisar dados detalhados dos clientes para identificar suas demandas específicas e preferências. Essa análise permite criar modelos matemáticos complexos que segmentam os clientes em grupos com características semelhantes, facilitando a criação de produtos altamente adaptados às demandas de mercado. Para poder maximizar suas vendas e seu lucro, a empresa deve A criar slogans mais memoráveis para campanhas publicitárias. B escolher o nome mais adequado para um novo produto. C identificar as necessidades dos clientes, desenvolver produtos e serviços inovadores. D desenvolver slogans mais memoráveis para campanhas publicitárias. E escrever scripts mais envolventes para vídeos corporativos. A alternativa C está correta. A modelagem matemática é essencial para o desenvolvimento de novos produtos e serviços inovadores. Ela permite uma análise profunda das necessidades dos clientes através da análise de dados, facilitando a criação de produtos personalizados e eficazes que atendem às demandas do mercado de forma inovadora. Portanto, a opção correta é a alternativa C. 4. Conclusão Considerações finais A pesquisa operacional (PO) é a ciência que utiliza métodos matemáticos e analíticos para resolver problemas complexos e otimizar a tomada de decisões em diversos setores. Ao transformar esses problemas em modelos matemáticos precisos, a PO permite analisar dados concretos e identificar a melhor solução possível. Com a PO, é possível melhorar significativamente a eficiência operacional, reduzir custos, otimizar o uso de recursos e aumentar a produtividade em áreas como logística, finanças, saúde e muitos outros campos. Além disso, a PO ajuda a reduzir riscos ao permitir a avaliação de diferentes cenários antes da tomada de decisão, garantindo escolhas mais seguras e informadas. Outro benefício é a capacidade de ganhar vantagem competitiva, pois a PO facilita a descoberta de soluções inovadoras que podem superar as estratégias dos concorrentes. Seja qual for o desafio enfrentado, a pesquisa operacional oferece ferramentas poderosas para tomar decisões mais inteligentes e alcançar resultados excepcionais, impulsionando o sucesso e o crescimento sustentável das organizações. Explore + Para expandir seus conhecimentos sobre pesquisa operacional, pesquise as seguintes bibliografias: Pesquisa operacional para os cursos de administração, economia e ciências sociais, de José Roberto Rodrigues (2012), Editora Elsevier. Modelos e algoritmos de pesquisa operacional, de Eduardo L. G. de Moraes (2008), Editora Atlas. Pesquisa operacional com Excel, de Wayne L. Winston (2014), Editora Elsevier. Fundamentos de pesquisa operacional, de Hamdy A. Taha (2010), Editora Elsevier. Tópicos em pesquisa operacional: modelagem e solução de problemas, de Eduardo L. G. de Moraes (2017), Editora Atlas. Referências ACKOFF, R. L.; SASIENI, M. W. FUNDAMENTALS OF OPERATIONS RESEARCH. Sasieni John Wiley & Sons, 1968. KITTEL, C. The nature and development of operations research. Science, v. 105, n. 2719, p. 150-153, 1947. OLIVEIRA, A. C. A Importância da Pesquisa Operacional na Gestão Empresarial. Blog da FIA, São Paulo, 2022. SANTOS, M. Pesquisa Operacional na Tomada de Decisões. A Voz da Indústria, São Paulo, v. 25, n. 3, p. 10-15, maio-jun. 2023. SILVA, J. P. Otimização de Processos com Pesquisa Operacional. Soluti, Belo Horizonte, 2021. • • • • • Pesquisa operacional como ferramenta para tomada de decisão 1. Itens iniciais Propósito Objetivos Introdução Conteúdo interativo 1. Introdução à pesquisa operacional Conceito e definição de pesquisa operacional Conteúdo interativo Conteúdo interativo Origens e evolução Definição e metodologia de pesquisa operacional Definição do problema Construção do modelo matemático Solução do modelo Análise da solução Implementação da solução Validação da solução Técnicas e aplicações da pesquisa operacional Programação linear Teoria das filas Simulação Redes de Petri Indústria Logística Setor de saúde Finanças Setor público Benefícios da pesquisa operacional American Airlines Amazon Hospital Albert Einstein Banco Central do Brasil Atenção História da pesquisa operacional Conteúdo interativo Aurora da civilização Renascença e Iluminismo Era da guerra e da ciência A PO conquista o mundo A PO no mundo contemporâneo A PO no Brasil Áreas de aplicação da pesquisa operacional Conteúdo interativo Indústria Logística Saúde Finanças Setor público Abordagem científica da tomada de decisão Conteúdo interativo Abordagem científica: alicerces Definição clara do problema Coleta e análise de dados Desenvolvimento de modelos Identificação de alternativas Escolha da melhor solução Abordagem científica: benefícios Maior racionalidade Redução de riscos Melhoria na eficiência Melhoria na qualidade das decisões Maior transparência Abordagem científica: aplicações Gestão de empresas Política pública Saúde Finanças Engenharia Abordagem científica: desafios Disponibilidade de dados Habilidades e conhecimento Tempo e recursos Incertezas e complexidade Resistência à mudança Superando os desafios Verificando o aprendizado 2. Modelagem matemática Elementos de matemática para modelagem Conteúdo interativo Fundamentosmatemáticos essenciais Álgebra linear Cálculo diferencial e integral Programação linear Probabilidade e estatística Ferramentas matemáticas complementares Teoria dos grafos Simulação Análise de sensibilidade Construindo modelos matemáticos Definição do problema Formulação matemática Solução do modelo Validação e análise Interpretação dos resultados Desafios da modelagem Escolher o modelo adequado Obter dados confiáveis Interpretar os resultados Superando os desafios Investir em educação Desenvolver ferramentas computacionais Promover a colaboração interdisciplinar Exemplos de modelagem matemática Otimização da produção Roteamento de veículos Gestão de estoques Análise de risco em investimentos Considerações relevantes Formulação de modelos lineares Conteúdo interativo Modelos lineares Economia Física Engenharia Método de Gauss Programação linear Softwares matemáticos Modelos inteiros Logística Finanças Indústria Algoritmo do Branch-and-Bound Softwares de otimização Modelos probabilísticos Modelos de regressão Modelos de cadeias de Markov Processos estocásticos Máxima verossimilhança Simulação de Monte Carlo Softwares estatísticos Conteúdo interativo Exemplos práticos Considerações relevantes Validação de modelos Conteúdo interativo Construindo modelos matemáticos Delimitação do problema Formulação matemática Resolução do modelo Validação e análise do modelo Interpretação dos resultados Exemplos de modelagem matemática Algumas considerações Verificando o aprendizado 3. Programação linear Conceitos básicos da programação linear (PL) Conteúdo interativo Maximizar Minimizar Função objetivo (FO) Variáveis de decisão Restrições Região viável Solução ótima Igualdade Desigualdade Não negatividade Exemplo 1 Modelagem matemática em uma fábrica Conteúdo interativo Exemplo 2 Variáveis de decisão Função objetivo (FO): Maximizar a proteína total (PT) Restrições 10 é o valor calórico por grama de frango e 4 é o valor calórico por grama de arroz Exemplo 3 Teor de proteína Teor de gordura Teor de fibra Totalização Não negatividade Formulação de problemas de PL Exemplo 1 Variáveis de decisão Função objetivo Restrições Dicas para formulação efetiva Exemplo 2 Mão de obra Matéria-prima (plástico) Matéria-prima (metal) Não negatividade Estoque mínimo de bicicletas Exemplo 3 Muçarela (M) Calabresa (C) Frango com catupiry (FC) Queijo Tomate Calabresa Frango Catupiry Não negatividade Métodos de resolução de problemas de PL Método gráfico Método simplex Dns Branch-and-bound Programação linear inteira mista (MILP) Softwares de otimização Interpretação de resultados Solução ótima Valor da função objetivo Sensibilidade Interpretação de sombras Relatórios e outputs Exemplos de interpretação Mão na massa Conteúdo interativo Conteúdo interativo Conteúdo interativo Conteúdo interativo Conteúdo interativo Teoria na prática Conteúdo interativo Verificando o aprendizado 4. Conclusão Considerações finais Explore + Referênciasa gestão eficiente de recursos. Era da guerra e da ciência Segunda Guerra Mundial: a necessidade de otimizar recursos e estratégias militares levou ao nascimento formal da PO no Reino Unido e nos Estados Unidos, com o objetivo de garantir a vitória em um conflito de proporções épicas. Pioneiros da PO: George Dantzig, Tjalling Koopmans e outros visionários desenvolveram métodos e ferramentas que revolucionaram a área, abrindo caminho para aplicações em diversos setores da sociedade. A PO conquista o mundo Década de 1950: a PO se expandiu rapidamente para diversos setores, como indústria, transporte, saúde e finanças, otimizando processos, reduzindo custos e aumentando a produtividade em áreas fundamentais para o desenvolvimento global. Década de 1970: a ascensão da computação impulsionou a PO a novos patamares, possibilitando a aplicação de técnicas complexas a problemas cada vez mais desafiadores e de grande escala. A PO no mundo contemporâneo Atualidade: a PO é uma ferramenta essencial para a tomada de decisões em um mundo cada vez mais interligado e dinâmico, ajudando empresas e governos a enfrentarem as incertezas e encontrar soluções inovadoras para os desafios do presente e do futuro. A PO no Brasil Década de 1960: a Sociedade Brasileira de Pesquisa Operacional (Sobrapo) foi fundada em 1960, consolidando a presença da PO no país e impulsionando o desenvolvimento da área em solo brasileiro. Atualidade: a PO é utilizada em diversos setores da economia brasileira, contribuindo para o aumento da competitividade das empresas e para o desenvolvimento de políticas públicas mais eficientes. A história da PO demonstra o poder da inteligência humana para solucionar problemas complexos e construir um futuro melhor. Através da análise meticulosa de dados, da construção de modelos matemáticos e da aplicação de algoritmos sofisticados, a PO se coloca como uma ferramenta essencial para o progresso da sociedade em todas as suas nuances. Áreas de aplicação da pesquisa operacional Neste vídeo, vamos conhecer os benefícios e algumas áreas de aplicação da pesquisa operacional. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. A PO se destaca na otimização de decisões em diferentes áreas. Através de técnicas matemáticas e computacionais, auxilia na análise de problemas complexos, fornecendo soluções eficientes e embasadas em dados. A pesquisa operacional possui um campo de aplicação extenso, impactando diversos setores da sociedade. Confira! Indústria O planejamento da produção define a quantidade e o momento ideal de produção de cada item, considerando recursos disponíveis, demanda e custos, enquanto a programação da produção sequencia as operações no tempo, otimizando o uso de máquinas e mão de obra. O gerenciamento de estoques determina o nível ideal de estoques de matéria-prima, produtos em processo e produtos acabados, minimizando custos e rupturas. Na gestão da cadeia de suprimentos, a logística otimiza o transporte de produtos desde a origem até o consumidor final, escolhendo rotas, meios de transporte e armazéns de forma eficiente, e as compras negociam com fornecedores para obter melhores preços e prazos de entrega, garantindo a qualidade dos produtos. Além disso, a gestão de estoques coordena os níveis de estoque em toda a cadeia de suprimentos, reduzindo custos e garantindo a disponibilidade de produtos. Logística O roteamento de veículos é fundamental, pois define as rotas mais eficientes para entregas, considerando fatores como tempo, distância, tráfego e capacidade dos veículos. Além disso, o planejamento de entregas se ocupa da sequência de entregas e da alocação de veículos, otimizando tempo e custos. A localização de armazéns identifica os locais ideais para a instalação de armazéns, considerando aspectos como custo, demanda e proximidade dos clientes, visando à máxima eficiência na distribuição. Saúde A PO é essencial para o agendamento de consultas, otimizando o calendário de consultas e exames para reduzir o tempo de espera dos pacientes. A gestão de leitos hospitalares é uma aplicação imprescindível, pois administra a ocupação dos leitos, garantindo a disponibilidade para pacientes que necessitem. A otimização da distribuição de medicamentos é igualmente importante, pois define a rota mais eficiente para que os medicamentos cheguem aos pacientes em tempo hábil. Finanças A gestão de investimentos utiliza a PO para definir a melhor alocação de recursos em diferentes investimentos, considerando risco, retorno e objetivos do investidor. A análise de risco avalia o risco de investimentos e operações financeiras, auxiliando na tomada de decisões mais seguras. Além disso, a otimização de carteiras de ativos constrói portfólios de investimentos diversificados e eficientes, maximizando o retorno e minimizando o risco. Setor público A PO contribui significativamente para o planejamento urbano, determinando os melhores locais para a instalação de infraestrutura pública, como escolas, hospitais e parques. A gestão de recursos públicos é otimizada, assegurando a alocação eficiente de recursos em áreas como saúde, educação e segurança. Além disso, a otimização de serviços públicos melhora a eficiência de serviços essenciais, como coleta de lixo, transporte público e segurança pública. A pesquisa operacional é uma ferramenta valiosa para a otimização de decisões em diversos setores da sociedade. Sua aplicação permite alcançar resultados mais eficientes, reduzir custos, aumentar a produtividade e melhorar a qualidade dos serviços. A constante evolução da pesquisa operacional, com o desenvolvimento de novas técnicas e ferramentas, assegura sua relevância na tomada de decisões em um ambiente cada vez mais desafiador e em rápida transformação. Abordagem científica da tomada de decisão Neste vídeo, vamos conhecer os pilares da abordagem científica para a tomada de decisão. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. A abordagem científica auxilia indivíduos e organizações na busca por soluções racionais, eficientes e eficazes. Através da aplicação de métodos científicos rigorosos, é possível analisar dados, identificar alternativas e escolher o curso de ação mais adequado para alcançar os objetivos desejados. Abordagem científica: alicerces A base da abordagem científica da tomada de decisão reside em cinco pilares fundamentais. São elas: Definição clara do problema O primeiro passo consiste em delimitar com precisão o problema a ser solucionado. Isso envolve a identificação dos principais fatores envolvidos, das variáveis relevantes e das possíveis soluções. Coleta e análise de dados A coleta de dados confiáveis e relevantes é importante para embasar a decisão. A análise crítica desses dados, utilizando técnicas estatísticas e outras ferramentas, permite identificar padrões, tendências e relações que auxiliam na compreensão do problema. Desenvolvimento de modelos Modelos matemáticos e simulações podem ser utilizados para representar o problema de forma quantitativa. Isso permite testar diferentes cenários e avaliar o impacto de cada variável na decisão final. Identificação de alternativas A partir da análise dos dados e dos modelos, é possível identificar e avaliar as diferentes alternativas de solução. Isso inclui a consideração de todos os fatores relevantes, como custos, benefícios, riscos e incertezas. Escolha da melhor solução A seleção da melhor alternativa é realizada com base em critérios objetivos e predefinidos. Essa escolha deve considerar os resultados da análise de dados, os modelos desenvolvidos e as avaliações das diferentes alternativas. Abordagem científica: benefícios A aplicação da abordagem científica à tomada de decisão oferece as seguintes vantagens: 1 Maior racionalidade A análise sistemática de dados e a utilização de métodos científicos garantem uma maior racionalidade no processo decisório. 2 Redução de riscos A avaliação rigorosa de alternativas e a consideração de incertezas contribuempara reduzir os riscos associados à decisão. 3 Melhoria na eficiência A escolha da melhor solução com base em critérios objetivos leva a uma maior eficiência na utilização de recursos. 4 Melhoria na qualidade das decisões A abordagem científica aumenta a probabilidade de tomar decisões acertadas e que contribuam para o alcance dos objetivos. 5 Maior transparência O processo decisório torna-se mais transparente e documentado, facilitando a comunicação e o acompanhamento dos resultados. Abordagem científica: aplicações A abordagem científica da tomada de decisão pode ser aplicada em diversas áreas, como: Gestão de empresas A tomada de decisões estratégicas e operacionais em empresas pode ser beneficiada pela análise de dados, desenvolvimento de modelos e avaliação rigorosa de alternativas. Política pública A formulação e implementação de políticas públicas eficazes requerem a análise de dados e a consideração de diferentes perspectivas para garantir o bem-estar da sociedade. Saúde A escolha de tratamentos médicos e a gestão de recursos em saúde podem ser otimizadas através da aplicação de métodos científicos e da análise de dados. Finanças A tomada de decisões de investimento e a gestão de riscos financeiros podem ser aprimoradas com a utilização de modelos matemáticos e ferramentas de análise de dados. Engenharia O desenvolvimento de projetos de engenharia e a otimização de processos podem ser realizados de forma mais eficiente com a aplicação da abordagem científica. Abordagem científica: desafios Apesar dos benefícios, a aplicação da abordagem científica da tomada de decisão também apresenta alguns obstáculos, veja! Disponibilidade de dados A coleta e a análise de dados confiáveis e relevantes nem sempre são tarefas fáceis. Habilidades e conhecimento A aplicação da abordagem científica requer habilidades e conhecimentos específicos em áreas como matemática, estatística e modelagem. Tempo e recursos A implementação da abordagem científica pode ser demandante em termos de tempo e recursos. Incertezas e complexidade Nem todos os problemas podem ser facilmente modelados e nem todas as variáveis podem ser previstas com total certeza. Isso pode dificultar a escolha da melhor solução e aumentar os riscos da decisão. Resistência à mudança A implementação da abordagem científica pode encontrar resistência por parte de indivíduos e grupos que preferem métodos tradicionais de tomada de decisão. Superando os desafios Para superar os obstáculos da abordagem científica da tomada de decisão, é importante: Investir na coleta e análise de dados: a construção de uma cultura de dados é essencial para fornecer o suporte necessário à tomada de decisões baseadas em evidências. Desenvolver habilidades e conhecimento: a formação de profissionais qualificados em áreas como matemática, estatística e modelagem é fundamental para a aplicação eficaz da abordagem científica. Gerenciar o tempo e os recursos: o planejamento e a gestão adequada dos recursos disponíveis são essenciais para garantir a viabilidade da implementação da abordagem científica. Considerar incertezas e complexidade: a análise de sensibilidade e a avaliação de diferentes cenários podem ajudar a lidar com incertezas e a tomar decisões mais robustas. Gerenciar a resistência à mudança: a comunicação clara dos benefícios da abordagem científica e o envolvimento dos stakeholders são essenciais para superar a resistência à mudança. A abordagem científica da tomada de decisão pode auxiliar indivíduos e organizações na busca por soluções racionais, eficientes e eficazes. Apesar dos desafios, os benefícios da abordagem científica são consideráveis e podem contribuir para o sucesso em diversas áreas. Com o investimento em dados, conhecimento e habilidades, além da gestão eficaz dos desafios, a abordagem científica pode se tornar uma ferramenta importante para a tomada de decisões em um ambiente cada vez mais desafiador. Verificando o aprendizado Questão 1 A empresa Tecidos & Estilo, fabricante de roupas femininas, enfrenta um dilema: como otimizar a produção para atender à crescente demanda sem comprometer a qualidade dos produtos e a rentabilidade do negócio? Diante disso, a alta administração da empresa apresentou uma solução e a devida justificativa: Solução: contratar mais funcionários para aumentar a capacidade de produção. Justificativa: ampliar a capacidade de produção é o modelo mais efetivo apresentado pela teoria da pesquisa operacional. Diante da solução apresentada, no modelo asserção-razão, analise as opções a seguir, e marque a correta. • • • • • A A solução é verdadeira e a justificativa é falsa. B A solução é falsa, apesar de a justificativa ser uma informação verdadeira. C A solução é verdadeira e a justificativa está correta. D A solução é verdadeira, a justificativa é verdadeira, mas a justificativa não explica corretamente a solução. E A solução é falsa e a justificativa também é falsa. A alternativa E está correta. Pesquisa Operacional (PO) é uma ferramenta poderosa que utiliza modelos matemáticos e algoritmos para otimizar processos complexos, como a produção industrial. No caso da Tecidos &; Estilo, a PO pode ser utilizada para: Otimizar o layout da fábrica: a PO pode identificar a melhor disposição das máquinas e equipamentos para reduzir o tempo de produção e aumentar a eficiência. Gerenciar o estoque de materiais: a PO pode ajudar a determinar a quantidade ideal de materiais a serem armazenados, evitando rupturas e custos excessivos. Agendar a produção: a PO pode otimizar a sequência de produção das peças, minimizando o tempo de inatividade e maximizando a utilização dos recursos. Reduzir custos: a PO pode ajudar a identificar e eliminar desperdícios, otimizando o uso de materiais e mão de obra. Questão 2 A empresa Delícias da Fazenda, fabricante de doces artesanais, busca aumentar suas vendas em 20% no próximo ano. A equipe de marketing está dividida entre duas estratégias: a) Investir em anúncios em redes sociais, focando um público amplo. b) Realizar campanhas direcionadas para nichos específicos de consumidores, com base em dados de comportamento e interesse. Qual estratégia a Delícias da Fazenda deve escolher para alcançar seu objetivo de forma mais eficaz, utilizando a abordagem científica da tomada de decisão? A Investir na estratégia A, pois o alcance amplo nas redes sociais garante maior visibilidade e potencial de vendas. B Implementar a estratégia B, direcionando as campanhas para nichos específicos com base em dados de comportamento e interesse. C Combinar as estratégias A e B, dividindo o orçamento igualmente entre ambas. D Realizar um estudo de mercado para identificar a estratégia mais adequada, antes de tomar qualquer decisão. E Consultar um especialista em marketing para obter uma opinião profissional sobre qual estratégia escolher. A alternativa B está correta. A abordagem científica da tomada de decisão (TDBE) baseia-se na análise rigorosa de dados e informações para embasar decisões. No caso da Delícias da Fazenda, a TDBE indica a estratégia B como a mais eficaz para alcançar o objetivo de aumentar as vendas em 20%. Por que a estratégia B é a melhor escolha? Análise de dados: a TDBE utiliza dados de comportamento e interesse dos consumidores para identificar nichos específicos com maior potencial de compra. Direcionamento preciso: a estratégia B direciona as campanhas de marketing para esses nichos, aumentando a relevância das mensagens e o retorno sobre investimento (ROI). Eficiência: a TDBE permite otimizar o orçamento de marketing, focando ações com maior probabilidade de sucesso. 2. Modelagem matemática Elementos de matemática para modelagem Neste vídeo, veremos os elementos de matemática para modelagem, bem como seus fundamentos, suas ferramentas e a construção de modelos matemáticos. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. Fundamentos matemáticos essenciais Álgebra,geometria, trigonometria e cálculo são fundamentos matemáticos que servem como base para o conhecimento científico. Dominá-los é imprescindível para compreender e aplicar conceitos em física, química, biologia, engenharia e outras áreas. Vamos entendê-los melhor! Álgebra linear A base da modelagem, permitindo a representação de relações entre variáveis e a manipulação de sistemas de equações. Vetores e matrizes: ferramentas para organizar e manipular dados de forma eficiente. Sistemas de equações lineares: modelam relações entre variáveis e permitem a análise de cenários complexos. Cálculo diferencial e integral Fornece ferramentas para analisar funções, calcular taxas de mudança e otimizar soluções. Funções: representam relações matemáticas entre variáveis. Derivadas: medem a taxa de mudança de uma função em um ponto específico. Integrais: calculam áreas sob curvas e volumes de sólidos. Programação linear Técnica poderosa para otimizar a alocação de recursos em problemas com variáveis reais e relações lineares. Função objetivo: define o que se deseja otimizar (maximizar ou minimizar). Restrições: definem os limites do problema e as condições que devem ser satisfeitas. Solução: conjunto de valores que otimiza a função objetivo dentro das restrições. Probabilidade e estatística Permitem analisar a incerteza e o risco, estimar parâmetros e fazer previsões. Distribuições de probabilidade: modelam a aleatoriedade de eventos. Inferência estatística: permite tirar conclusões sobre uma população a partir de uma amostra. Ferramentas matemáticas complementares Para além dos fundamentos, ferramentas matemáticas como cálculo avançado, estatística, probabilidade e lógica matemática expandem os horizontes da ciência e da tecnologia. Vejamos algumas! Teoria dos grafos Modela redes e sistemas interligados, permitindo analisar fluxos, conectividade e otimização. Simulação Método para simular o comportamento de um sistema usando um modelo computacional, possibilitando a avaliação de diversos cenários e decisões. Análise de sensibilidade Avalia como a solução de um modelo muda em resposta a alterações nos seus parâmetros. Construindo modelos matemáticos A matemática, linguagem universal da ciência, transcende a mera abstração e se torna ferramenta poderosa para desvendar os segredos do mundo real. Através da construção de modelos matemáticos, traduzimos a complexa realidade em equações, funções e outras ferramentas matemáticas, abrindo portas para uma compreensão mais profunda e precisa de diversos sistemas e fenômenos. Entenda melhor! Definição do problema Delimitar o problema a ser solucionado, identificar as variáveis relevantes e os objetivos a serem atingidos. Formulação matemática Traduzir o problema em linguagem matemática, utilizando equações, funções e outras ferramentas matemáticas. Solução do modelo Resolver o modelo matemático utilizando técnicas matemáticas adequadas, como software de otimização ou métodos numéricos. Validação e análise Verificar se a solução do modelo é válida, ajusta-se à realidade e se é consistente com os objetivos do problema. Interpretação dos resultados Interpretar os resultados do modelo e comunicar suas implicações para a tomada de decisão. Desafios da modelagem A modelagem matemática, ponte entre a teoria abstrata e a realidade concreta, desvenda os segredos do universo em equações e modelos. Mas como em toda jornada, obstáculos se apresentam no caminho da compreensão. Escolher o modelo adequado Selecionar o modelo matemático que melhor represente o problema real, considerando sua complexidade e precisão. Obter dados confiáveis Coletar dados precisos e relevantes para a validação do modelo. Interpretar os resultados Compreender o significado dos resultados matemáticos e aplicá-los à resolução do problema real. Superando os desafios A modelagem matemática nos permite desvendar os segredos do universo que nos cerca. Através da construção de modelos matemáticos, traduzimos a complexa realidade em equações, funções e outras ferramentas matemáticas, abrindo portas para uma compreensão mais profunda e precisa de diversos sistemas e fenômenos. Portanto, é importante: Investir em educação Capacitar profissionais em matemática, modelagem e áreas correlatas para enfrentar os desafios da modelagem. Desenvolver ferramentas computacionais Utilizar softwares e outras ferramentas para automatizar tarefas e facilitar o processo de modelagem. Promover a colaboração interdisciplinar Incentivar a colaboração entre matemáticos, cientistas, engenheiros e outros profissionais para abordar problemas complexos de forma holística. Exemplos de modelagem matemática Imagine desvendar os segredos do universo utilizando fórmulas e equações! A modelagem matemática atua como uma poderosa lente que amplia nossa compreensão do mundo real. Através dela, transformamos fenômenos complexos em modelos matemáticos, permitindo previsões do tempo, projetos de estruturas seguras e até o combate a doenças. Vejamos alguns exemplos! Otimização da produção Minimizar custos de produção de uma empresa, definindo a quantidade ideal de cada item a ser produzido. Roteamento de veículos Encontrar a rota mais eficiente para uma frota de veículos, minimizando tempo e distância percorrida. Gestão de estoques Determinar o nível ideal de estoque de produtos, minimizando custos e rupturas. Análise de risco em investimentos Avaliar o risco de um investimento e estimar sua rentabilidade esperada. Considerações relevantes A escolha da ferramenta matemática adequada depende da natureza do problema a ser modelado, sendo essencial selecionar o método que melhor se adapte às características específicas da situação. Já a modelagem matemática é um processo iterativo, que permite ajustes e aprimoramentos contínuos à medida que novas informações e dados se tornam disponíveis. Além disso, a comunicação clara e eficaz dos resultados da modelagem é fundamental para garantir que os tomadores de decisão compreendam as implicações e possam agir de acordo com as análises realizadas. Dessa forma, a combinação de uma ferramenta apropriada, um processo dinâmico de modelagem e uma comunicação eficiente resulta em decisões mais informadas e precisas. Os elementos da matemática para modelagem fornecem uma base sólida para a construção de modelos robustos e confiáveis que auxiliam na solução de problemas complexos em diversas áreas. Através da aplicação da modelagem matemática, é possível tomar decisões mais eficientes. Formulação de modelos lineares Neste vídeo, vamos conferir a formulação de modelos lineares, inteiros e probabilísticos. Acompanhe! Conteúdo interativo Acesse a versão digital para assistir ao vídeo. A modelagem matemática é um processo significativo para a compreensão e resolução de problemas em diversas áreas do conhecimento. Dentro dessa área, a formulação de modelos lineares, inteiros e probabilísticos é relevante para abordar diferentes tipos de problemas e otimizar soluções. Modelos lineares A base da modelagem linear reside em sistemas de equações lineares da forma: Em que: é uma matriz de coeficientes. é um vetor de variáveis. é um vetor de termos constantes. Esses modelos são utilizados para representar relações de proporcionalidade entre variáveis, como: Economia Modelar a relação entre oferta e demanda. Física Modelar o movimento de objetos. Engenharia Modelar o comportamento de circuitos elétricos. A resolução de modelos lineares pode ser realizada através de diversos métodos, por exemplo: • • • Método de Gauss Método clássico para resolver sistemas de equações lineares. Programação linear Técnica para otimizar soluções em modelos lineares com restrições. Softwares matemáticos Lingo, Solver, Maple, Mathematica e Matlab são exemplos de softwares que podem ser utilizados para resolver sistemas de equações lineares e realizar análises mais complexas. Modelos inteiros Em muitos casos, as variáveis de um modelo precisamser números inteiros. Isso leva à formulação de modelos lineares inteiros (MILP), que podem ser expressos da seguinte forma: Em que representa a variável i-ésima. Esses modelos são utilizados para representar problemas de otimização com variáveis discretas, como: Logística Otimizar rotas de entrega. Finanças Otimizar carteiras de investimento. Indústria Otimizar a produção de produtos. A resolução de modelos inteiros pode ser realizada através de métodos específicos, vejamos! Algoritmo do Branch-and-Bound Um método clássico para resolver MILPs. Softwares de otimização Softwares como o Lingo, Solver, CPLEX e o Gurobi podem ser utilizados para resolver MILPs de forma mais eficiente. Modelos probabilísticos Quando a incerteza está presente no problema, modelos probabilísticos são utilizados para representá-la. A teoria da probabilidade fornece ferramentas para quantificar a incerteza e o risco, permitindo a tomada de decisões mais informadas. Vejamos alguns tipos de modelos probabilísticos frequentemente utilizados. Modelos de regressão Relacionam uma variável dependente a uma ou mais variáveis independentes, considerando a aleatoriedade dos dados. Modelos de cadeias de Markov Descrevem a evolução de um sistema ao longo do tempo, considerando a probabilidade de cada estado. Processos estocásticos Representam a evolução de variáveis aleatórias ao longo do tempo. A resolução de modelos probabilísticos pode ser realizada através de métodos estatísticos e probabilísticos, como: Máxima verossimilhança Método para estimar os parâmetros de um modelo probabilístico. Simulação de Monte Carlo Técnica para gerar dados aleatórios a partir de um modelo probabilístico. Softwares estatísticos R e SAS são softwares que podem ser utilizados para ajustar e analisar modelos probabilísticos. A seguir, confira o gráfico comparativo entre os seguintes tipos de graus. Conteúdo interativo Acesse a versão digital para ver mais detalhes da imagem abaixo. Grau de variabilidade dos dados X Grau de complexidade do problema. Exemplos práticos A otimização da produção de uma fábrica ilustra bem a aplicação da pesquisa operacional. Utilizando um modelo linear inteiro, é possível determinar a quantidade ideal de cada produto a ser fabricado, visando maximizar o lucro da fábrica. Esse modelo considera restrições como a capacidade de produção, a disponibilidade de recursos e a demanda do mercado. Outro exemplo é a previsão do risco de crédito, em que um modelo probabilístico é empregado para prever a probabilidade de um cliente inadimplir um empréstimo. Isso auxilia as instituições financeiras na tomada de decisões de crédito, minimizando o risco de perdas. A simulação da trajetória de um furacão também demonstra o uso de modelos probabilísticos. Esses modelos ajudam a prever a possível trajetória de um furacão, permitindo que as autoridades tomem medidas de precaução para proteger as comunidades em risco. Considerações relevantes Ao formular um modelo matemático, é muito importante identificar as variáveis relevantes e compreender suas relações. A escolha do tipo de modelo mais adequado ao problema em questão é igualmente importante, pois diferentes problemas requerem abordagens diferentes. A validação do modelo com dados reais é uma etapa essencial para assegurar que as previsões e análises sejam precisas e confiáveis. Além disso, interpretar os resultados do modelo de forma crítica é fundamental para evitar conclusões errôneas e garantir que as decisões baseadas nesses resultados sejam bem fundamentadas. Esses cuidados são essenciais para o sucesso da aplicação de modelos matemáticos na resolução de problemas complexos. A modelagem matemática é um campo em constante evolução, com novas técnicas e ferramentas sendo desenvolvidas continuamente. É importante manter-se atualizado com as últimas novidades na área para garantir que seus modelos sejam eficazes e relevantes. Ao utilizar a modelagem matemática de forma criativa e crítica, você abrirá portas para novas descobertas e soluções inovadoras. Validação de modelos A modelagem matemática é uma ferramenta eficaz para traduzir problemas do mundo real em linguagem matemática, permitindo soluções precisas e eficientes. Para dominar essa arte, é preciso compreender os elementos matemáticos que formam a base para a construção de modelos robustos e confiáveis. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. Construindo modelos matemáticos A construção de modelos matemáticos envolve uma série de etapas essenciais para garantir sua eficácia na resolução de problemas complexos. Vamos conferi-las! Delimitação do problema É importante definir claramente o problema a ser solucionado, delimitando suas variáveis relevantes e estabelecendo os objetivos a serem alcançados. Formulação matemática Envolve formular o problema em linguagem matemática através de equações, funções e outras ferramentas adequadas, transformando o cenário real em um modelo que possa ser analisado quantitativamente. Resolução do modelo Consiste na resolução do modelo matemático, utilizando técnicas como software de otimização ou métodos numéricos para encontrar uma solução viável. Validação e análise do modelo Validar e analisar o modelo para garantir sua consistência com a realidade e verificar se atende aos objetivos propostos. Essa etapa inclui testar o modelo com dados reais e ajustar parâmetros conforme necessário. Interpretação dos resultados É essencial para extrair insights significativos e comunicar suas implicações de forma clara para os tomadores de decisão, auxiliando na escolha de estratégias eficazes e informadas. Essas etapas sequenciais garantem que o modelo matemático não apenas resolve o problema inicial, mas oferece uma base sólida para decisões estratégicas fundamentadas. Exemplos de modelagem matemática A otimização da produção visa minimizar os custos de uma empresa ao determinar a quantidade ideal de cada item a ser produzido. O roteamento de veículos busca encontrar a rota mais eficiente para uma frota, reduzindo tanto o tempo quanto a distância percorrida. A gestão de estoques é focada em determinar o nível ideal de produtos armazenados, visando minimizar custos operacionais e evitar rupturas na cadeia de suprimentos. Já a análise de risco em investimentos envolve a avaliação detalhada do risco associado a uma decisão de investimento, além de estimar a rentabilidade esperada, proporcionando uma base sólida para decisões financeiras estratégicas. Algumas considerações A seleção da ferramenta matemática apropriada é essencial e depende da complexidade e dos requisitos específicos do problema em questão. A modelagem matemática não é apenas um processo estático, mas sim iterativo, permitindo ajustes contínuos e melhorias conforme novos dados e insights são obtidos. Além disso, a comunicação clara e eficaz dos resultados gerados pelo modelo é muito importante para que os decisores compreendam as implicações das análises realizadas e possam tomar decisões informadas e estratégicas. Os elementos da matemática para modelagem fornecem uma base sólida para a construção de modelos robustos e confiáveis que auxiliam na solução de problemas complexos em diversas áreas. Através da aplicação da modelagem matemática, é possível tomar decisões mais eficientes, reduzir custos, aumentar a produtividade e melhorar a qualidade dos serviços. Verificando o aprendizado Questão 1 Uma empresa de logística enfrenta desafios para otimizar suas operações. Utilizando técnicas de pesquisa operacional, a empresa implementa um sistema de roteamento de veículos para sua frota, visando encontrar rotas mais eficientes que minimizem tanto o tempo quanto a distância percorrida. Além disso, a gestão de estoques é aprimorada para determinar níveis ideais de produtos, reduzindo custos operacionais e evitando quebra na cadeia de suprimentos. A análise de risco em investimentos também é incorporada, permitindo avaliar detalhadamente os riscosassociados às decisões financeiras, enquanto estimam a rentabilidade esperada para guiar estratégias de investimento. Considere o texto e analise as cinco afirmativas a seguir. I. A modelagem matemática é um processo estático que não permite ajustes ao longo do tempo. II. A gestão de estoques foca apenas a prevenção de rupturas na cadeia de suprimentos. III. A análise de risco em investimentos envolve apenas a avaliação da rentabilidade esperada. IV. A comunicação clara e eficaz dos resultados da modelagem é fundamental para a tomada de decisão. V. O objetivo da otimização da produção é maximizar os custos de uma empresa. Assinale a opção que apresenta somente a afirmativa correta. A IV B III C V D II E I A alternativa A está correta. A modelagem matemática é um processo iterativo, permitindo ajustes contínuos ao longo do tempo para melhorias e adaptações conforme novos dados e insights são obtidos. II. Incorreta. A gestão de estoques visa determinar o nível ideal de produtos para minimizar custos operacionais e evitar rupturas na cadeia de suprimentos. III. Incorreta. A análise de risco em investimentos não se limita apenas à avaliação da rentabilidade esperada; ela também envolve a avaliação detalhada dos riscos associados a uma decisão de investimento. IV. Correta. A comunicação clara e eficaz dos resultados da modelagem é fundamental para que os decisores compreendam as implicações das análises realizadas e possam tomar decisões informadas e estratégicas. V. Incorreta. O objetivo da otimização da produção não é maximizar os custos, mas sim minimizá-los ao determinar a quantidade ideal de cada item a ser produzido. Questão 2 A Fazenda Verde, ao buscar um modelo de produção mais sustentável, deseja otimizar a alocação de recursos em suas plantações. Para isso, a equipe da fazenda está considerando a formulação de um modelo matemático que leve em conta: Área disponível para cada tipo de plantação: a área total da fazenda é dividida em diferentes seções com características distintas, como solo e clima. Custo de produção de cada cultura: cada tipo de plantação exige diferentes insumos, como sementes, fertilizantes e mão de obra, com custos variáveis. Lucro líquido por hectare de cada cultura: o lucro depende do preço de venda do produto, da produtividade da cultura e dos custos de produção. Demanda por cada tipo de produto: a fazenda precisa considerar a demanda do mercado para os diferentes produtos que cultiva. • • • • Qual tipo de modelo matemático a Fazenda Verde deve utilizar para otimizar a alocação de recursos e maximizar o lucro líquido da produção? A Modelo linear: formulado com equações lineares para representar as relações entre as variáveis, como área, custo e lucro. B Modelo inteiro: considera variáveis discretas, como a quantidade de hectares plantados de cada cultura, que devem ser números inteiros. C Modelo probabilístico: inclui a incerteza da demanda por cada produto, utilizando ferramentas da teoria da probabilidade. D Modelo híbrido: combina características de diferentes modelos, como linear, inteiro e probabilístico, para representar a complexa realidade da produção agrícola. E Modelo de simulação: simula o comportamento da produção da fazenda sob diferentes cenários e decisões. A alternativa E está correta. A otimização da produção da Fazenda Verde envolve características de diferentes tipos de modelos: Linearidade: as relações entre área, custo e lucro podem ser representadas por equações lineares. Integridade: a quantidade de hectares plantados é discreta e deve ser um número inteiro. Probabilidade: a demanda por produtos agrícolas é incerta e pode ser modelada com ferramentas probabilísticas. Um modelo híbrido que combine essas características é a melhor opção para representar a complexa realidade da produção agrícola e garantir a otimização da alocação de recursos. Exemplos de modelos híbridos: Programação linear mista com elementos probabilísticos: combina programação linear mista com ferramentas da teoria da probabilidade. Redes bayesianas com elementos de simulação: representam a incerteza da demanda e outros fatores através de redes bayesianas e simula o comportamento da produção sob diferentes cenários. • • • • • 3. Programação linear Conceitos básicos da programação linear (PL) Neste vídeo, serão apresentados os conceitos básicos da programação linear (PL), a formulação de problemas de PL, os métodos de resolução de problemas de PL e a interpretação de resultados. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. A programação linear é uma técnica matemática eficaz para resolver problemas de otimização em diversas áreas. Ela pode trazer benefícios significativos para as empresas, como a redução de custos, o aumento da produtividade e a melhoria da tomada de decisões. A PL é amplamente utilizada para otimizar processos em que se busca: Maximizar Lucro, produção, quantidade de recursos. Minimizar Custos, tempo, desperdícios. A programação linear funciona como uma receita para resolver problemas de otimização. Cada componente é um ingrediente essencial para formular e solucionar o problema. Vejamos os detalhes de cada um a seguir. 1 Função objetivo (FO) Define qual valor você quer maximizar (lucro, produção) ou minimizar (custo, tempo). Pense nele como a meta final que quer alcançar. 2 Variáveis de decisão São as incógnitas da sua receita. Representam os elementos que você pode controlar para chegar à meta (quantidade de produtos a fabricar, horas trabalhadas etc.). Imagine que você necessite ajustar as quantidades de ingredientes em uma receita para atingir o sabor ideal. 3 Restrições Representam as regras que as variáveis de decisão precisam seguir (disponibilidade de recursos, tempo, regras de produção etc.). Imagine que você só tenha certa quantidade de matéria-prima e não pode excedê-la. 4Região viável É o conjunto de valores possíveis para as variáveis de decisão que respeitam todas as restrições. É como se você definisse quais combinações de ingredientes respeitam a quantidade disponível. 5 Solução ótima É o conjunto de valores para as variáveis de decisão que atinge a meta da função objetivo (maximizar lucro ou minimizar custo) dentro da região viável. É a combinação perfeita de ingredientes que te dá o melhor resultado possível. Confira os tipos de restrições! Igualdade Representam equilibrios (ex.: , em que e são ingredientes que precisam somar 2 unidades). Desigualdade Definem limites (ex.: , em que a soma de e não pode ultrapassar 2 unidades). Não negatividade Algumas variáveis não podem ser negativas (ex.: , você não pode ter uma quantidade negativa de ingredientes). Exemplo 1 Uma empresa fabrica dois produtos, A e B. O lucro por unidade de A é R$ 2,00 e o lucro por unidade de B é R$ 3,00. A empresa tem 10 horas de mão de obra disponíveis por dia e 12 horas de máquina disponíveis por dia. O produto A exige 1 hora de mão de obra e 2 horas de máquina por unidade, enquanto o produto B exige 2 horas de mão de obra e 1 hora de máquina por unidade. A empresa deseja determinar a quantidade de cada produto a ser fabricada para maximizar o lucro total. Modelagem matemática em uma fábrica Confira, neste vídeo, a solução do exemplo 1. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. Exemplo 2 Uma atleta precisa definir sua dieta diária para otimizar a ingestão de proteína e carboidrato, respeitando suas necessidades nutricionais e seus limites calóricos. Vejamos! Variáveis de decisão = gramas de frango (fonte de proteína). = gramas de arroz (fonte de carboidrato). Função objetivo (FO): Maximizar a proteína total (PT) PT (em que 2 é a proteína por grama de frango e 0.5 é a proteína por grama de arroz). Restrições Necessidade mínima de proteína: a atleta precisa de pelo menos 100 gramas de proteína por dia. Necessidade mínima de carboidrato: a atleta precisa de pelo menos 200 gramas de carboidratopor dia. Limite calórico: a ingestão diária não pode ultrapassar 2000 calorias. 10 é o valor calórico por grama de frango e 4 é o valor calórico por grama de arroz Não negatividade: a atleta não pode comer quantidades negativas de frango ou arroz. Esse problema pode ser resolvido graficamente (para 2 variáveis) ou pelo método simplex (para mais variáveis) ou pelo Solver. A solução ótima determina a quantidade ideal de frango e arroz que a atleta deve consumir para maximizar a proteína total, respeitando todas as restrições alimentares. Exemplo 3 Um fazendeiro precisa criar uma mistura de ração para alimentar seu gado, utilizando três tipos de grãos: milho, soja e aveia. Cada tipo de grão possui diferentes teores de proteína, gordura e fibra, além de diferentes custos. O fazendeiro deseja formular a mistura de ração que atenda às necessidades nutricionais do gado, minimizando o custo total da mistura. • • • • • Variáveis de decisão: porcentagem de milho na mistura. porcentagem de soja na mistura. porcentagem de aveia na mistura. Função objetivo (FO): minimizar o custo total (CT). Observe! Em que 0,5 é o custo por kg de milho, 0,8 é o custo por kg de soja e 0,4 é o custo por kg de aveia. Agora confira as restrições! 1 Teor de proteína A mistura precisa ter no mínimo 20% de proteína. 2 Teor de gordura A mistura precisa ter no máximo 10% de gordura. 3 Teor de fibra A mistura precisa ter entre 15% e 25% de fibra. 4 Totalização A soma das porcentagens deve ser igual a 100%. • • • 5 Não negatividade As porcentagens não podem ser negativas. Esse desafio pode ser abordado utilizando métodos como o simplex ou o Solver. A solução ideal encontrará a proporção ótima de cada grão (milho, soja e aveia) na mistura de ração, visando minimizar o custo total, ao mesmo tempo em que atende aos requisitos nutricionais essenciais para o gado. Formulação de problemas de PL É a etapa inicial e imprescindível para utilizar a programação linear como ferramenta de otimização. Nessa fase, um problema complexo do mundo real é transformado em um modelo matemático que a PL pode resolver. A seguir, apresentaremos alguns exemplos de formulação de modelos matemáticos. Exemplo 1 Uma padaria produz dois tipos de pães: francês e integral. O lucro por unidade de pão francês é R$ 1,50 e o lucro por pão integral é R$ 2,00. A padaria tem 6 horas de forno disponíveis por dia e 4 horas de mão de obra disponíveis por dia. O pão francês leva 0,5 horas de forno e 0,3 horas de mão de obra por unidade, enquanto o pão integral leva 1 hora de forno e 0,4 horas de mão de obra por unidade. A padaria deseja determinar a quantidade de cada tipo de pão a ser produzida para maximizar o lucro total. Entenda! Variáveis de decisão = quantidade de pães franceses a serem produzidos. = quantidade de pães integrais a serem produzidos. Função objetivo Maximizar Restrições (horas de forno). (horas de mão de obra). 0 (não negatividade). • • • • • • Dicas para formulação efetiva Identifique claramente o objetivo e as limitações do problema. Defina variáveis de decisão que representem quantidades controláveis. Traduza as restrições em inequações ou equações matemáticas. Certifique-se de que todas as variáveis são não negativas. Verifique se o modelo é consistente e bem definido. Exemplo 2 Uma fábrica produz três tipos de brinquedos: carrinhos, bonecas e bicicletas. Cada brinquedo necessita de diferentes quantidades de matéria-prima e horas de mão de obra para ser produzido. A fábrica possui limitações diárias de ambas as quantidades, e deseja determinar a produção ideal de cada brinquedo para maximizar o lucro total, respeitando essas restrições. As variáveis de decisão são as seguintes: número de carrinhos a serem produzidos. número de bonecas a serem produzidas. número de bonecas a serem produzidas. Função objetivo: maximizar o lucro total (LT), veja! Em que 5 é o lucro por carrinho, 3 é o lucro por boneca e 8 é o lucro por bicicleta. Acompanhe as restrições! 1 Mão de obra A produção diária não pode ultrapassar 100 horas de mão de obra. 2 Matéria-prima (plástico) A produção diária não pode exceder 80 kg de plástico. • • • • • • • • 3 Matéria-prima (metal) A produção diária não pode exceder 50 kg de metal. 4 Não negatividade A produção de cada brinquedo não pode ser negativa. 5 Estoque mínimo de bicicletas A fábrica precisa produzir pelo menos 10 bicicletas por dia. Vamos agora para a explicação das restrições. A primeira restrição limita a produção total de brinquedos de acordo com a disponibilidade de mão de obra. A segunda e terceira restrições limitam a produção de acordo com a disponibilidade de plástico e metal, respectivamente. A quarta restrição garante que a produção de brinquedos seja representada por valores reais e não negativos. A quinta restrição estabelece uma demanda mínima de bicicletas que deve ser atendida. Esse problema pode ser resolvido utilizando o método simplex ou outros métodos de otimização. A solução ótima indicará a quantidade ideal de cada brinquedo (carrinhos, bonecas e bicicletas) a ser produzida para maximizar o lucro total da fábrica, respeitando as limitações de mão de obra, material e a demanda mínima de bicicletas. Algumas considerações adicionais: esse exemplo demonstra como incorporar restrições de diferentes naturezas (quantidade, mínimo) na formulação do problema, a escolha dos coeficientes na função objetivo e restrições reflete os custos de produção e valores de lucro de cada brinquedo. A formulação precisa de problemas de PL com três variáveis e cinco restrições permite modelar situações complexas de produção e otimizar a tomada de decisões. Através dessa técnica, empresas podem maximizar lucros ao alocar recursos de forma eficiente, respeitando restrições e demandas. Exemplo 3 • • • • Uma pizzaria oferece três tipos de pizza: muçarela (M), calabresa (C) e frango com catupiry (FC). Cada pizza necessita de diferentes quantidades de ingredientes, e a pizzaria possui um estoque limitado desses ingredientes para o dia. O objetivo é determinar a quantidade ideal de cada tipo de pizza a ser produzida para maximizar o lucro total, respeitando as restrições de ingredientes. Estoque disponível de ingredientes: queijo: 10 kg; tomate: 8 kg; calabresa: 5 kg; frango: 7 kg; catupiry: 3 kg. Lucro por pizza: M = R$ 10, C = R$ 12, FC = R$ 15. Confira os ingredientes por pizza! Muçarela (M) Queijo (kg): 0,2 Tomate (kg): 0,1 Calabresa (kg): 0 Frango (kg): 0 Catupiry (kg): 0 Calabresa (C) Queijo (kg): 0,15 Tomate (kg): 0,1 Calabresa (kg): 0,2 Frango (kg): 0 Catupiry (kg): 0 Frango com catupiry (FC) Queijo (kg): 0,18 Tomate (kg): 0,12 Calabresa (kg): 0 Frango (kg): 3 Catupiry (kg): 0,1 As variáveis de decisão são as seguintes: número de pizzas de muçarela a serem produzidas. número de pizzas de calabresa a serem produzidas. número de pizzas de frango com catupiry a serem produzidas. Função objetivo: maximizar o lucro total (LT), veja! • • • • • • • • • • • • • • • • • • Vejamos a restrições! 1 Queijo A quantidade total de queijo utilizada não pode exceder o estoque disponível. 2 Tomate A quantidade total de tomate utilizada não pode exceder o estoque disponível. 3 Calabresa A quantidade total de calabresa utilizada não pode exceder o estoque disponível. 4 Frango A quantidade total de frango utilizada não pode exceder o estoque disponível. 5 Catupiry A quantidade total de catupiry utilizada não pode exceder o estoque disponível. 6 Não negatividade A produção de cada tipo de pizza não pode ser negativa. Para resolver esse problema, podem ser aplicados métodos como o simplex e outras técnicas de otimização. A solução ideal determinará a quantidade ideal de cada tipo de pizza (muçarela, calabresa e frango com catupiry) a ser produzida paramaximizar o lucro total da pizzaria, considerando as restrições de ingredientes disponíveis. Através da resolução do problema de PL, a pizzaria pode descobrir que a produção ideal é de: pizzas de muçarela pizzas de calabresa pizzas de frango com catupiry Com essa produção, a pizzaria maximiza o lucro total e utiliza todo o estoque disponível de ingredientes de forma eficiente. Métodos de resolução de problemas de PL A programação linear (PL) é uma técnica matemática que otimiza decisões em diversas áreas. Ela permite modelar problemas de otimização com variáveis lineares, restrições e uma função objetivo a ser maximizada ou minimizada. Diversos métodos eficientes foram desenvolvidos para resolver problemas de PL, cada um com suas vantagens e desvantagens. Confira quais são eles! Método gráfico É recomendado para problemas simples com duas variáveis, permitindo uma visualização direta da solução através de gráficos. É útil para entender os conceitos básicos da programação linear (PL) e resolver problemas elementares. No entanto, sua aplicação é limitada a problemas com apenas duas variáveis, sendo desafiador encontrar a solução ótima em problemas mais complexos que envolvem mais variáveis ou restrições. Método simplex É um algoritmo iterativo amplamente utilizado para resolver problemas de PL de forma eficiente. Ele busca a solução ótima passo a passo, explorando iterativamente os vértices do espaço de solução. Apesar de sua eficácia, pode ser lento para problemas com muitas variáveis ou restrições complexas. É amplamente adotado em softwares de otimização devido à sua robustez e eficiência. Dns Branch-and-bound É um método utilizado para resolver problemas de PL com variáveis inteiras, dividindo o problema em subproblemas menores e explorando as soluções candidatas de forma sistemática e eficiente. Embora seja eficaz, pode ser demorado para problemas que envolvam muitas variáveis inteiras ou complexas. • • • Programação linear inteira mista (MILP) É um método que combina elementos da PL tradicional e da programação linear inteira, abrangendo inúmeros problemas de otimização. A MILP é adequada para problemas que envolvem variáveis tanto contínuas quanto inteiras, mas pode ser mais desafiadora de resolver do que problemas de PL pura. Softwares como o Solver do Microsoft Excel são frequentemente utilizados para resolver esse tipo de problema. Softwares de otimização São métodos dedicados à resolução de problemas de otimização, como GAMS, LINGO, CPLEX, Solver, AMPL, além de linguagens de programação como Python com bibliotecas como PuLP e Pyomo. Essas ferramentas facilitam significativamente a implementação e resolução de problemas complexos de PL e MILP, oferecendo uma variedade de métodos e algoritmos para escolha conforme as necessidades específicas do problema. A escolha do método de otimização depende de vários fatores, incluindo: Tamanho do problema (número de variáveis e restrições). Natureza das variáveis (contínuas, inteiras ou mistas). Complexidade do problema. Disponibilidade de softwares especializados. Recursos disponíveis, como tempo e capacidade computacional. Ao selecionar o método de otimização mais adequado, é fundamental levar em conta as características únicas de cada problema. Ter um conhecimento dos diferentes métodos disponíveis é essencial para tomar decisões informadas e eficazes na resolução de problemas de programação linear. Os softwares de otimização são fundamentais para simplificar e automatizar o processo de resolução, aumentando a eficiência e a precisão das análises realizadas. A escolha do método de resolução de problemas de PL é imprescindível para alcançar a solução ótima de forma eficiente. O conhecimento dos diferentes métodos, suas vantagens e desvantagens, além da utilização de softwares de otimização, permite que você maximize os resultados da sua análise e otimize seus processos de tomada de decisão. Interpretação de resultados A programação linear (PL) é uma técnica que otimiza decisões em diversas áreas. Ao resolver um problema de PL, você obtém resultados que fornecem informações valiosas sobre a solução ideal e o cenário otimizado. Entenda melhor! • • • • • Solução ótima A solução de um problema de PL fornece os valores das variáveis de decisão que otimizam a função objetivo, seja maximizando o lucro ou minimizando o custo. Essa solução indica a quantidade ideal de cada recurso a ser alocada para alcançar o objetivo desejado. Valor da função objetivo O valor da função objetivo na solução ótima indica o lucro máximo ou o custo mínimo que pode ser atingido sob as restrições do problema. Esse valor é uma medida da performance da solução e permite comparar diferentes cenários e decisões. Sensibilidade A análise de sensibilidade avalia como a solução ótima muda em resposta a alterações nos parâmetros do problema, como coeficientes da função objetivo, valores de demanda e restrições. Essa análise fornece informações valiosas sobre a robustez da solução e ajuda a identificar os parâmetros mais críticos para o problema. Interpretação de sombras As sombras, também conhecidas como preços duais, indicam o valor marginal de cada restrição na solução ótima. Elas revelam o impacto de relaxar cada restrição em uma unidade e podem ser utilizadas para identificar gargalos e oportunidades de otimização. Relatórios e outputs Os softwares de PL geralmente fornecem relatórios detalhados com a solução, valores da função objetivo, sensibilidade, sombras e coeficientes. É importante analisar esses outputs cuidadosamente para interpretar os resultados e extrair insights relevantes. Exemplos de interpretação A solução pode indicar a quantidade ideal de cada produto a ser produzida para maximizar o lucro. A análise de sensibilidade pode mostrar como o lucro muda em resposta a alterações no preço de venda de cada produto. As sombras podem indicar quais produtos são mais lucrativos e quais restrições limitam a produção. A interpretação de resultados em PL é fundamental para extrair insights da solução e tomar decisões estratégicas mais informadas. Através da análise cuidadosa da solução, sensibilidade das sombras, você pode compreender o impacto de diferentes variáveis e identificar oportunidades de otimização em seus problemas. Mão na massa Questão 1 Uma empresa de produtos alimentícios precisa determinar a quantidade ideal de biscoitos de chocolate e biscoitos de aveia a serem produzidos para maximizar o lucro. Lucro por biscoito: Chocolate: R$ 0,50 Aveia: R$ 0,60 Tempo de produção por biscoito: Chocolate: 2 minutos Aveia: 3 minutos Tempo total disponível de produção: 600 minutos Matéria-prima disponível: Farinha: 120 kg Açúcar: 80 kg Qual função lucro que maximiza esse problema? A B C D E A alternativa A está correta. • • • • • • • Primeiramente, vamos definir as variáveis de decisão: : Quantidade de biscoitos de chocolate a serem produzidos. : Quantidade de biscoitos de aveia a serem produzidos. Agora, sabemos que para biscoitos de chocolate (x), o lucro por biscoito é de R$ 0,50, e para biscoitos de aveia, o lucro é de R$ 0,60, logo a função de maximização do lucro se dá por: Função objetivo (maximizar lucro): Com as seguintes restrições: Tempo de produção: Matéria-prima farinha: Matéria-prima açúcar: Não negatividade: Confira a solução da modelagem matemática em uma empresa de produtos alimentícios. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. Questão 2 Uma empresa de produção de móveis precisa determinar a quantidade ideal de mesas e cadeiras a serem produzidas para maximizar o lucro. A empresa possui agora 4 tipos de móveis: mesas de madeira (X1), mesas de vidro (X2), cadeiras de madeira (X3) e cadeiras de plástico (X4). Lucro por móvel: • • • • • • • Mesa de madeira: R$ 100 Mesa de vidro: R$ 120 Cadeira de madeira: R$ 80 Cadeira de plástico: R$ 70 Tempo deprodução por móvel: Mesa de madeira: 2 horas Mesa de vidro: 3 horas Cadeira de madeira: 1 hora Cadeira de plástico: 0,5 horas Tempo total disponível de produção: 80 horas Matéria-prima disponível: Madeira: 120 m2 Vidro: 80 m2 Plástico: 50 m2 Qual a equação de restrição da matéria-prima: madeira? A B C D E • • • • • • • • • • • • A alternativa E está correta. As variáveis à decisão, como indicam no enunciado, são: x1: Quantidade de mesas de madeira a serem produzidas. X2: Quantidade de mesas de vidro a serem produzidas. x3: Quantidade de cadeiras de madeira a serem produzidas. x4: Quantidade de cadeiras de plástico a serem produzidas. O modelo matemático da função objetivo (Maximizar lucro) é dado por: Variáveis de decisão: O modelo matemático da função objetivo (Maximizar lucro) é dado por: As restrições são dadas por: Tempo de produção: Matéria-prima: madeira: (resposta) Vidro: Plástico: Não negatividade: • • • • • • • • • • • Confira a solução de modelagem matemática em uma empresa de produção de móveis. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. Questão 3 Uma farmácia precisa determinar a quantidade ideal de medicamentos a serem comprados para maximizar o lucro, considerando as restrições de orçamento e o espaço de armazenamento. Dados: Lucro por medicamento: Medicamento A: R$ 10 Medicamento B: R$ 15 Medicamento C: R$ 20 Custo por medicamento: Medicamento A: R$ 5 Medicamento B: R$ 7 Medicamento C: R$ 10 Orçamento disponível: R$ 1000 Espaço de armazenamento disponível: 100 m2 Espaço ocupado por medicamento: Medicamento A: 0,5 m2 Medicamento B: 1 m2 Medicamento C: 2 m2 Assinale a opção que apresenta de forma correta e respectivamente a função para orçamento e a função para espaço de armazenamento. • • • • • • • • • • A e B e C e D e E e A alternativa C está correta. As variáveis à decisão são: x1: Quantidade de medicamentos A a serem comprados. x2: Quantidade de medicamentos B a serem comprados. x3: Quantidade de medicamentos C a serem comprados. O modelo matemático para a função objetivo (Maximizar lucro) é: E os modelos matemáticos das restrições são: Orçamento: Espaço de armazenamento: Confira a solução de modelagem matemática em uma farmácia. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. • • • • • Questão 4 Uma empresa precisa determinar a quantidade ideal de cada ingrediente a ser utilizado na produção de um novo tipo de biscoito, de modo a minimizar o custo total da mistura e atender às restrições nutricionais e de sabor. Ingredientes: Farinha de trigo Açúcar Cacau em pó Manteiga Custo por kg de ingrediente: Farinha de trigo: R$ 2,00 Açúcar: R$ 3,00 Cacau em pó: R$ 5,00 Manteiga: R$ 8,00 Restrições nutricionais: I. Teor de gordura máximo: 20% II. Teor de açúcar máximo: 30% III. Teor de cacau em pó mínimo: 10% Restrição de sabor: A proporção de farinha de trigo e açúcar deve ser entre 2:1 e 3:1. Assinale a opção que apresenta corretamente a função de restrição da proporção entre farinha de trigo e açúcar. A B • • • • • • • • • C D E A alternativa D está correta. A definição das variáveis de decisão são: x1: Quantidade de farinha de trigo a ser utilizada (kg). x2: Quantidade de açúcar a ser utilizada (kg). x3: Quantidade de cacau em pó a ser utilizada (kg). x4: Quantidade de manteiga a ser utilizada (kg). O modelo matemático para a função objetivo (Maximizar lucro) é: E o modelo matemático das funções de restrições são: Teor de gordura: Teor de açúcar: Teor de cacau em pó: Proporção farinha/açúcar: Não negatividade: • • • • • • • • • Confira a solução de modelagem matemática na produção de biscoitos. Conteúdo interativo Acesse a versão digital para assistir ao vídeo. Questão 5 Uma empresa precisa determinar a alocação ideal do seu orçamento de marketing entre diferentes canais (como TV, rádio, internet e mídia impressa) para maximizar o retorno sobre o investimento (ROI). Dados: Orçamento total de marketing: R$ 100.000 Custo por clique (CPC) em cada canal: TV: R$ 10 Rádio: R$ 5 Internet: R$ 2 Mídia impressa: R$ 3 Taxa de conversão (CR) em cada canal: TV: 2% Rádio: 1% Internet: 5% Mídia impressa: 3% Valor médio de uma venda: R$ 100 Assinale a opção que representa corretamente a função objetivo que faz maximizar o ROI. A B • • ◦ ◦ ◦ ◦ • ◦ ◦ ◦ ◦ • C D E A alternativa D está correta. Variáveis de decisão: x1: Quantidade de cliques a serem comprados na TV. X2: Quantidade de cliques a serem comprados no rádio. X3: Quantidade de cliques a serem comprados na internet. x4: Quantidade de cliques a serem comprados na mídia impressa. Modelo matemático: Função Objetivo (Maximizar ROI): Orçamento: Não negatividade: Confira a solução de modelagem matemática em um orçamento de marketing. • • • • Conteúdo interativo Acesse a versão digital para assistir ao vídeo. Questão 6 Uma sorveteria está tentando otimizar a alocação do seu orçamento de marketing de R$ 300.000 entre quatro canais: TV, rádio, internet e mídia impressa. Cada canal tem um custo por clique diferente: R$ 30 para TV, R$ 15 para rádio, R$ 6 para internet e R$ 9 para mídia impressa. As taxas de conversão também variam: 6% para TV, 3% para rádio, 15% para internet e 9% para mídia impressa. O valor médio de uma venda é de R$ 300. A sorveteria precisa determinar a melhor alocação de recursos para maximizar o retorno sobre o investimento (ROI). Assinale a opção que representa corretamente a função de maximização de lucro do ROI. A B C D E A alternativa B está correta. A função objetivo que maximiza o retorno sobre o investimento (ROI) é determinada pela razão entre o valor gerado pelas conversões (receita) e o custo total dos cliques. O valor gerado pelas conversões é , que representa o valor médio de uma venda multiplicado pela taxa de conversão de cada canal. O custo total dos cliques é ( ). Portanto, a função objetivo correta é a opção B. Teoria na prática Uma fábrica de brinquedos produz cinco tipos de bonecas: Barbie, Ken, Baby Alive, Action Man e Polly Pocket. A fábrica possui recursos limitados de matéria-prima, tempo de produção em cada processo e capacidade de produção em cada máquina. A fábrica deseja maximizar o lucro total da produção e venda das bonecas, considerando as seguintes informações: Lucro por boneca: Barbie: R$ 10,00 Ken: R$ 8,00 Baby Alive: R$ 12,00 Action Man: R$ 15,00 Polly Pocket: R$ 9,00 Disponibilidade de matéria-prima: Matéria-prima 1: 100 unidades Matéria-prima 2: 80 unidades Matéria-prima 3: 120 unidades Quantidade de matéria-prima por boneca: Boneca Matéria-prima 1 Matéria-prima 2 Matéria-prima 3 Barbie 1 1 2 Ken 1 2 1 Baby Alive 2 1 3 Action Man 3 2 2 Polly Pocket 1 1 1 Mauro Rezende Filho. Capacidade de produção: Processo 1: 80 horas Processo 2: 100 horas Tempo de produção por boneca no processo 1: Barbie: 1 hora Ken: 0,5 hora Baby Alive: 1,5 horas Action Man: 2 horas Polly Pocket: 0,75 hora • • • • • • • • • • • • • • • Tempo de produção por boneca no processo 2: Barbie: 0,5 hora Ken: 1 hora Baby Alive: 1 hora Action Man: 1,5 horas Polly Pocket: 0,5 hora Demanda: Barbie: 50 unidades Ken: 40 unidades Baby Alive: 60 unidades Action Man: 30 unidades Polly Pocket: 50 unidades Como podemos escrever as funções de maximização de lucro e de restrições? Chave de resposta Para escrever as funções, vamos pensar no objetivo da questão: maximizar o lucro total da produção e venda das bonecas, considerando as restrições de recursos, tempo de produção e demanda. Variáveis de decisão: x1: quantidade
Mais conteúdos dessa disciplina
Simplex- Programação Linear Aplicada
- Ciencias Prova 3 copias
- Geografia 3 copias
- Simulado 05 - Raciocínio Lógico e Matemática (Canguçu_RS)
- Fluxo de Producao - Prova - Especialização em Engenharia da Qualidade - UNICV
- ATIVIDADE 1 - PESQUISA OPERACIONAL - 54_2026
- OBSERVE O PERFIL EXIBIDO PARA UMA DAS ESTACAS E CALCULE AS ÁREAS DE CORTE E ATERRERO CORRESPONDENTE
- Dada a tabela, a seguir, qual o valor estimado de f(2), interpolando um polinômio de grau 3. (x) 0 1,75 2,85 3,25 1,320 2,874 3,802 0,751 4,75 0,54...
- Em um problema de Programação Linear, o preço sombra associado a uma restrição indica: A A taxa de variação da função objetivo quando qualquer coef...
- Uma transportadora localizada em Florianópolis precisa entregar uma carga para seu cliente em Fortaleza. O grafo a seguir apresenta a distância ent...
- Para ___________, os dados de diferentes sessões de coleta são combinados para calcular as coordenadas finais. Assinale a alternativa que completa...
- Considere o polinomio (x, + X2 + x3)5 e as seguintes afirmações: 1.0 coeficiente de x12x22x3 é 30. II. O coeficiente de X1'x2'x3' é (1,5). III. O coef
- Questão 2 | INTELIGENCIA ARTIFICIAL APLICADA Código da questão: 308963 No contexto de ambientes dinâmicos e complexos, a escolha da estratégia corr...
- Na Pesquisa Operacional, o processo de construção de modelos é composto por seis etapas cíclicas: definição do problema, modelagem, solução, valida...
- Questão 1: (UEMS/Adaptada) Uma mulher tem R$ 10.000,00 para investir e seu corretor sugere investir em dois títulos, A e B. O título A é bastante ...
- As equações diferencias são utilizadas para modelagem matematica de problemas em diversas areas. Na engenharia , especificamente na area de sistema...
- Com relação à osmose, marque a alternativa correta. Questão 15Escolha uma opção: a. Diz-se que uma solução é hipertônica quando ela tem menor con...
- Ao buscar a resolução de um problema de maximização foi montado o seguinte quadro simplex. BASE x1 x2 x3 x4 b x3 2 3 1 0 200 x4 1 5 0 1 400 L -10 -5 0
- Identifique qual das alternativas melhor descreve o delineamento adotado no gráfico: 3 Questão 3Resposta a. Delineamento de Reversão e Linha de Bases
- GESTAO EMPRESARIAL
- Gestão De Pessoas