Baixe o app para aproveitar ainda mais
Prévia do material em texto
EAD 350EAD 350 Pesquisa OperacionalPesquisa Operacional Aula 01Aula 01 Prof. Hiroo Takaoka takaoka@usp.br FEA/USP Modelagem Quantitativa em Modelagem Quantitativa em AdministraçãoAdministração Modelagem Quantitativa em Modelagem Quantitativa em AdministraçãoAdministração • Na administração, a matemática e a estatística contribuem para a criação de modelos para auxílio na tomada de decisão. • Na atualidade, com a evolução da capacidade de processamento e armazenamento de dados e da consequente disponibilidade de novos e mais sofisticados softwares e recursos acessíveis pela Web, as modelagens matemáticas e estatísticas têm se expandido cada vez mais a situações e problemas práticos. • Termos contemporâneos para a aplicação de modelos matemáticos e estatísticos baseados em software aos negócios são: “Business Intelligence”, “Data Mining”, “Business Analytics” e “Big Data”. CompetingCompeting OnOn AnalyticsAnalytics (Thomas Davenport, HBR, Jan 2006)(Thomas Davenport, HBR, Jan 2006) CompetingCompeting OnOn AnalyticsAnalytics (Thomas Davenport, HBR, Jan 2006)(Thomas Davenport, HBR, Jan 2006) Pesquisa OperacionalPesquisa Operacional ((OperationsOperations Research ou Management Research ou Management ScienceScience)) Pesquisa OperacionalPesquisa Operacional ((OperationsOperations Research ou Management Research ou Management ScienceScience)) • É o uso de métodos científicos para prover os departamentos executivos de elementos quantitativos que dêem subsídios à tomada de decisões a respeito de operações sob seu controle • Exemplos de Aplicação – “Mix” ideal de produtos – Alocação de recursos entre centros produtivos e sequenciamento de produção – Planejamento agregado da produção – Sequenciamento de entregas (logística) – Análise de redes e gestão de projetos – “Mix” ideal de investimentos de capital – Entre outras.... Métodos da Pesquisa OperacionalMétodos da Pesquisa OperacionalMétodos da Pesquisa OperacionalMétodos da Pesquisa Operacional • Principais Métodos – Programação Linear – Programação Linear Inteira – Programação Linear Binária – Programação Não Linear – Programação Dinâmica – Redes – Cadeias de Markov – Análise de Decisão – Simulação – Teoria de Jogos – etc. Métodos da Pesquisa OperacionalMétodos da Pesquisa OperacionalMétodos da Pesquisa OperacionalMétodos da Pesquisa Operacional • Principais Métodos – Programação Linear (EAD350) – Programação Linear Inteira (EAD350) – Programação Linear Binária (EAD350) – Programação Não Linear – Programação Dinâmica – Redes (EAD350) – Cadeias de Markov (EAD350) – Análise da Decisão (EAD659) – Simulação (EAD652) – Teoria de Jogos – etc. Disciplinas da área de Métodos Disciplinas da área de Métodos Quantitativos e Informática (EAD/FEA)Quantitativos e Informática (EAD/FEA) Disciplinas da área de Métodos Disciplinas da área de Métodos Quantitativos e Informática (EAD/FEA)Quantitativos e Informática (EAD/FEA) • Básicas – MAT 103 – Complementos de Matemática – MAE 116 – Noções de Estatística – MAC 113 – Introdução à Computação • Métodos Quantitativos Aplicados – EAD 350 – Pesquisa Operacional – EAD 659 – Análise da Decisão – EAD 652 – Simulação – EAD 655 – Métodos Estatísticos de Projeção – EAD 351 – Técnicas Estatísticas de Agrupamento – EAD0752 - Técnicas Estatísticas de Discriminação • Tecnologia da Informação – EAD 657 – Tecnologia de Informação – EAD 658 – Desenvolvimento de Sistemas de Informação – EAD 753 - Sistemas de Informações Empresariais e Negócios Digitais – EAD 750 – Tópicos Especiais de MQI Disciplinas da área de Métodos Disciplinas da área de Métodos Quantitativos e Informática (EAD/FEA)Quantitativos e Informática (EAD/FEA) Disciplinas da área de Métodos Disciplinas da área de Métodos Quantitativos e Informática (EAD/FEA)Quantitativos e Informática (EAD/FEA) • Básicas – MAT 103 – Complementos de Matemática – MAE 116 – Noções de Estatística – MAC 113 – Introdução à Computação • Métodos Quantitativos Aplicados – EAD 350 – Pesquisa Operacional – EAD 659 – Análise de Decisão – EAD 652 – Simulação – EAD 655 – Métodos Estatísticos de Projeção – EAD 351 – Técnicas Estatísticas de Agrupamento – EAD0752 - Técnicas Estatísticas de Discriminação • Tecnologia da Informação – EAD 657 – Tecnologia de Informação – EAD 658 – Desenvolvimento de Sistemas de Informação – EAD 753 - Sistemas de Informações Empresariais e Negócios Digitais – EAD 750 – Tópicos Especiais de MQI Programa Programa –– EAD350EAD350Programa Programa –– EAD350EAD350 • Prof. Hiroo Takaoka – Introdução à Pesquisa Operacional – Programação Linear – Programação Inteira / Binária • Prof. Nicolau Reinhard – Programação em Redes – Redes Sociais – Cadeias de Markov – Redes de Petri AvaliaçãoAvaliaçãoAvaliaçãoAvaliação • Aplicação de provas: – Provas P1 (Prof. Hiroo) e Prova Unificada (Prof. Nicolau) • Atividades em Sala e Exercícios • Parte 1 (Prof. Hiroo) – 50% da nota final • Parte 2 (Prof. Nicolau) – 50% da nota final • Parte 1 (Prof. Hiroo) – Prova 70%, Exercícios 30% • Prova Unificada: matéria referente ao segundo bimestre • Prova Reaval: matéria referente a todo o semestre • Não haverá prova substitutiva BibliografiaBibliografiaBibliografiaBibliografia • Hillier e Liberman, Introdução à Pesquisa Operacional 8ª. Ed, Bookman, 2010 • Taha, A. H, Pesquisa Operacional, Pearson, 8ª ed, Pearson, 2008 • Lachtermacher, Pesquisa Operacional na Tomada de Decisões 4ª. Ed. Campus, 2009 • Vidal, Apostila de Modelos de Redes • Hannemann, Social Networks (site) • Waner, Finite Mathematics (site) • Slides de aula e artigos disponibilizados no Erudito • Moore, Jeffrey H. & Weatherford, Larry R., Tomada de Decisão em Administração com Planilhas Eletrônicas, Bookman, 2005 12 HirooHiroo TakaokaTakaokaHirooHiroo TakaokaTakaoka • Doutor e Mestre em Administração de Empresas (FEA/USP) • Engenheiro (POLI/USP) • Administrador de Empresas (FEA/USP) • Professor da FEA/USP (área Métodos Quantitativos e Informática) – Graduação – Pós-Graduação • Professor visitante na Universidade de Kobe - Japão • Experiência profissional como consultor da área de TI em órgãos públicos e empresas • E-mail: takaoka@usp.br Modelos em AdministraçãoModelos em AdministraçãoModelos em AdministraçãoModelos em Administração • Um modelo é uma representação simplificada da realidade, com a finalidade de estudá-la, melhor compreendê-la e auxiliar a tomada de decisão. • Princípio de Occam: um modelo deve ser o mais simples possível dentro de seus objetivos e parâmetros de aceitabilidade, mas, não mais simples do que isso. • Modelos Quantitativos relacionam os diversos componentes/elementos do modelo a variáveis e quantidades numéricas. Tipos de ModelosTipos de ModelosTipos de ModelosTipos de Modelos Modelo Características Exemplos Modelo Físico Modelo Analógico Modelo Simbólico Tangível Compreensão: Fácil Duplicação: Difícil Modificação e Manipulação: Difícil Abrangência de Uso: Pequena Intangível Compreensão: Difícil Duplicação: Fácil Modificação e Manipulação: Fácil Abrangência de Uso: Grande Intangível Compreensão: Muito difícil Duplicação: Muito fácil Modificação e Manipulação: Muito fácil Abrangência de Uso: Muito grande Automóvel Avião Casa Mapa Gráfico de torta Velocímetro Modelo de Simulação Modelo Algébrico ou Matemático Planilha Processo de ModelagemProcesso de ModelagemProcesso de ModelagemProcesso de Modelagem Modelo Situação Resultados Decisões Julgamento Mundo Simbólico Mundo Real Análise Intuição Ab st ra çã o In te rp re ta çã o PROGRAMAÇÃO LINEARPROGRAMAÇÃO LINEARPROGRAMAÇÃO LINEARPROGRAMAÇÃO LINEAR • A Programação Linear é um dos mais utilizados instrumentosno campo da Pesquisa Operacional. • São passíveis de solução com o emprego de PL os problemas que envolvem a alocação ótima de recursos finitos entre atividades que competem entre si, com base em um critério pré-determinado • Na programação linear, todas as funções matemáticas envolvidas são necessariamente lineares. • Diversos tipos de problemas em Administração, Economia, Contabilidade, Finanças e Logística podem ser modelados para resolução com aplicação de Programação Linear, tais como: mix de produção, decisões de investimento, fluxos de caixa, orçamentos de capital, organização de transportes e políticas de estoque. • https://www.youtube.com/watch?v=0n-o8B1hoN4 Elaboração de Modelos de PLElaboração de Modelos de PLElaboração de Modelos de PLElaboração de Modelos de PL • Definição do Problema e Objetivos da Solução de PL • Formulação Matemática do Modelo – Variáveis de Decisão (x1, x2, .... , xn) – Parâmetros (c1, c2, ..., cn) ; (ai1, ai2, ..., ain); (b1, b2, ..., bn) – Função Objetivo Z = f(x1, x2, ...xn) => máx, min • Por exemplo: máx Z = c1 x1+ c2 x2, ..., + cnxn – Restrições gi(x1, x2, ...xn) <= ou = ou >= bi • Por exemplo: ai1 x1+ ai2 x2, ..., + ainxn <= bi • Desenvolvimento do Procedimento Computacional (programa/planilha) • Teste do Modelo / Análise de Sensibilidade • Uso do modelo para a tomada de decisão Estrutura Típica de um Modelo de Estrutura Típica de um Modelo de Programação Linear (PL)Programação Linear (PL) Estrutura Típica de um Modelo de Estrutura Típica de um Modelo de Programação Linear (PL)Programação Linear (PL) Z = c1x1+...+cjxj+...+cnxn bi xj 0 Max ou Min Função Objetivo Restrições = ai1x1+ ai2x2+...+ainxn onde xj são variáveis de decisão cj e aij são parametros com j=1, ... , n e i=1, ... , m VARIÁVEIS DE DECISÃOVARIÁVEIS DE DECISÃOVARIÁVEIS DE DECISÃOVARIÁVEIS DE DECISÃO – Informações esperadas como resultado de um determinado modelo. – Exemplo: • Mix de Produção (quantidade a ser produzida de cada produto) • Valor investido em cada uma de diversas opções de investimento (carteira de investimentos) • Sequência de tarefas das máquinas (em que ordem serão produzidos determinados produtos) • Sequência de atividades a serem realizadas em um projeto PARÂMETROS DOS MODELOSPARÂMETROS DOS MODELOSPARÂMETROS DOS MODELOSPARÂMETROS DOS MODELOS – Todos os dados conhecidos do processo, utilizados como valores de entrada do modelo. – Exemplo: • Custo de produção por unidade fabricada • Lucro ou Receita por unidade vendida • Custo estimado de cada estratégia de marketing • Taxa de Retorno e Taxa de Risco de cada investimento • Tempo médio de processamento de cada tarefa em cada máquina FUNÇÃO OBJETIVOFUNÇÃO OBJETIVOFUNÇÃO OBJETIVOFUNÇÃO OBJETIVO – Uma medida de desempenho global do problema que traduza os diversos objetivos propostos em uma só expressão matemática. – Exemplo: • Tempo total de Produção (minimizar); • Receita Total (maximizar); • Impacto nas Vendas (maximizar); custo total (minimizar); lucro total (maximizar) RESTRIÇÕESRESTRIÇÕESRESTRIÇÕESRESTRIÇÕES – Estabelecem condicionantes entre as variáveis de decisão e a dinâmica do sistema, indicando as limitações físicas e operacionais do processo analisado. – Exemplo: • Capacidade de produção das máquinas • Estoque e mão-de-obra disponíveis • Demanda prevista ou demanda máxima • Limite de crédito dos clientes • Taxa de retorno exigida • Taxa de risco aceitável Problema...Problema...Problema...Problema... • Vocês foram contratados pela Wyndor Glass Company para auxiliá-los em um problema de tomada de decisão. • A empresa produz diversos produtos que utilizam armações de metal e madeira e vidro. • A empresa pretende lançar dois novos produtos e assim ocupar sua capacidade de produção ociosa. (Hillier e Lieberman, 2010) Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co. Co. Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co. Co. • A Wyndor Glass Co. fabrica portas e janelas de vidro. • A empresa irá produzir dois novos produtos: – Produto 1: Porta de Vidro com esquadrias de alumínio – Produto 2: Janela de Vidro com esquadrias de madeira Produto 2Produto 1 (Hillier e Lieberman, 2010) Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co.Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co. • A empresa quer decidir sobre o mix de produção dos novos produtos: – Quantidade a ser fabricada do Produto 1: Porta de Vidro com esquadrias de alumínio – Quantidade a ser Fabricada do Produto 2: Janela de Vidro com esquadrias de madeira (Hillier e Lieberman, 2010) Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co. Co. Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co. Co. • O objetivo a ser adotado é identificar o mix que traga o maior lucro possível considerando as restrições impostas. (Hillier e Lieberman, 2010) Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co. Co. Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co. Co. • A Wyndor Glass Co. possui três fábricas. A gerência de produção informou que as esquadrias de alumínio são feitas na fábrica 1, as esquadrias de madeira na fábrica 2 e na fábrica 3 é fabricado o vidro e feita a montagem. (Hillier e Lieberman, 2010) Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co.Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co. • A empresa ainda levantou as seguintes informações, necessárias para compor o modelo. Quantidade de horas consumida por lote de produto em cada fábrica (lotes de 20 unidades) Horas de produção disponíveis em cada fábrica para esses novos produtos Lucro por lote produzido de cada produto. (Hillier e Lieberman, 2010) Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co.Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co. • A divisão de marketing concluiu que a empresa poderia vender tanto quanto fosse possível produzir desses produtos. (Hillier e Lieberman, 2010) • A equipe de Pesquisa Operacional organizou as informações levantadas na seguinte tabela: Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co.Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co. (Hillier e Lieberman, 2010) FábricaFábrica Tempo de Produção por LoteTempo de Produção por Lote (horas)(horas) Tempo de Tempo de Produção Produção Disponível por Disponível por SemanaSemanaProduto 1Produto 1 Produto 2Produto 2 11 11 00 44 22 00 22 1212 33 33 22 1818 Lucro por Lucro por LoteLote (US$1.000)(US$1.000) 33 55 Estrutura de um Modelo de PLEstrutura de um Modelo de PLEstrutura de um Modelo de PLEstrutura de um Modelo de PL Relação matemática Fatores Incontroláveis Parâmetros Restrições Variáveis de decisão Variáveis de resultado Estrutura Típica de um Modelo de Estrutura Típica de um Modelo de Programação Linear (PL)Programação Linear (PL) Estrutura Típica de um Modelo de Estrutura Típica de um Modelo de Programação Linear (PL)Programação Linear (PL) Z = c1x1+...+cjxj+...+cnxn bi xj 0 onde xj são variáveis de decisão cj e aij são parâmetros com j=1, ... , n e i=1, ... , m Max ou Min Função Objetivo Restrições = ai1x1+ ai2x2+...+ainxn Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co.Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co. Quanto produzir? x1 (produto 1) x2 (produto 2) Variáveis de decisão Lucro = 3x1+5x2 Variáveis de resultado Max Lucro Funçãoobjetiva Sujeito a 1x1 + 0x2 < 4 0x1 +2x2 < 12 3x1 + 2x2 < 18 x1 , x2 > 0 Restrição Relação matemática 3 e 5 (lucros) 4 (limitação de tempo fábrica 1) 12 (limitação de tempo fábrica 2) 18 (limitação de tempo fábrica 3) Fatores incontroláveis1 (tempo produção de produto 1 na fábrica 1) 3 (tempo produção de produto 1 na fábrica 3) 2 (tempo produção de produto 2 na fábrica 2) 2 (tempo produção de produto 2 na fábrica 3) Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co.Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co. (Hillier e Lieberman, 2010) Modelo Matemático Função Objetivo Max Z (lucro)= 3X1 + 5X2 Sujeito a (restrições): 1X1 + 0X2 <= 4 0X1 + 2X2 <= 12 3X1 + 2X2 <=18 X1, X2 >= 0 FábricaFábrica Tempo de Produção por LoteTempo de Produção por Lote (horas)(horas) Tempo de Tempo de Produção Produção Disponível por Disponível por SemanaSemanaProduto 1Produto 1 Produto 2Produto 2 11 11 00 44 22 00 22 1212 33 33 22 1818 Lucro por Lucro por LoteLote (US$1.000)(US$1.000) 33 55 Variáveis Decisórias X1- Quantidade de Produto 1 X2- Quantidade de Produto 2 41 X 122 2 X X2 Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co.Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co. X1 1823 21 XX A B C D E (Fábrica 1) (Fábrica 2) (Fábrica 3) Ponto X1 X2 Z A 0 0 0 B 0 6 30 C 2 6 36 D 4 3 27 E 4 0 12 X1 X2 0 9 6 0 Conjunto de soluções viáveis: Polígono ABCDE A solução ótima ao problema está em um dos pontos extremos do conjunto de soluções viáveis. Z = 3X1 + 5X2 41 X 122 2 X X2 Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co.Exemplo 1 Exemplo 1 -- WyndorWyndor GlassGlass Co.Co. X1 1823 21 XX A B C D E (Fábrica 1) (Fábrica 2) (Fábrica 3) 15Z 21 5315 XX Ponto X1 X2 Z A 0 0 0 B 0 6 30 C 2 6 36 D 4 3 27 E 4 0 12 36Z 21 5336 XX Identificar graficamente o ponto ótimo. Z = 3X1 + 5X2 A Cia de Seguros Primo está introduzindo duas novas linhas de produtos: seguros de risco especial e hipotecas. O lucro esperado é de US$ 5,0 por unidade em seguro de risco especial e US$ 2 por unidade nas hipotecas. A direção quer estabelecer as cotas de vendas para as novas linhas de produtos de modo a maximizar o lucro total esperado. As exigências, em termos de trabalho são as seguintes: A) Formule o modelo matemático de PL para esse problema B) Resolva o problema pelo método gráfico. Exercício em SalaExercício em SalaExercício em SalaExercício em Sala (Hillier e Lieberman, 2010) DepartamentoDepartamento Horas TrabalhadasHoras Trabalhadas por Unidadepor Unidade Horas de Trabalho Horas de Trabalho Disponíveis por MêsDisponíveis por MêsSeguroSeguro Risco Risco EspecialEspecial SeguroSeguro HipotecaHipoteca SubscriçãoSubscrição 33 22 24002400 AdministraçãoAdministração 00 11 800800 Pedido de Pedido de IndenizaçãoIndenização 22 00 12001200 Exercício em SalaExercício em SalaExercício em SalaExercício em Sala (A) Max Z = 2x1 + x2 sujeito a -1x1 + 1x2 < 1 1x1 < 3 1x2 < 2 x1 , x2 > 0 Resolver graficamente, os seguintes problemas (B) Max Z = 2x1 + 1x2 sujeito a -2x1 + 1x2 < 2 2x1 + 1x2 < 4 x1 , x2 > 0 (C) Max Z = 1x2 sujeito a -1x1 + 1x2 < 1 1x2 > 2 x1 , x2 > 0 (D) Min Z = 2x1 + 1x2 sujeito a 1x1 < 1 1x2 < 2 1x1 - 1x2 > 2 x1 , x2 > 0 (E) Max Z = 2x1 + 1x2 sujeito a 1x1 < 3 1x2 < 2 1x1 - 1x2 > 1 x1 , x2 > 0 (F) Min Z = 1x1 sujeito a -1x1 + 1x2 < 2 1x2 < 5 x1 , x2 > 0 (G) Max Z = 1x1 + 2x2 sujeito a 1x1 - 1x2 < 0 3x1 + 3x2 < 6 x1 , x2 > 0 Atividade 1 Atividade 1 -- Exercício B para 02/03/15Exercício B para 02/03/15 Entregar Entregar em papelem papel, no início da aula, apresentando , no início da aula, apresentando os cálculos realizados (os cálculos realizados (exercício exercício individual) individual) Atividade 1 Atividade 1 -- Exercício B para 02/03/15Exercício B para 02/03/15 Entregar Entregar em papelem papel, no início da aula, apresentando , no início da aula, apresentando os cálculos realizados (os cálculos realizados (exercício exercício individual) individual) Um fabricante deseja maximizar a receita bruta de vendas de ligas de metal. A tabela abaixo ilustra o consumo de matéria prima por unidade de liga, seus preços de venda e as disponibilidades de matéria-prima. Itens/ Atividades Liga tipo A Liga tipo B Matéria prima disponível Cobre 2 1 16 Zinco 1 2 11 Chumbo 1 3 15 Preço unitário de venda R$30 R$50 A) Formule o modelo matemático de PL para esse problema B) Resolva o problema pelo método gráfico. Atividade 1 Atividade 1 -- Exercício B para 02/03/15Exercício B para 02/03/15 Entregar Entregar em papelem papel, no início da aula, apresentando , no início da aula, apresentando os cálculos realizados (os cálculos realizados (exercício exercício individual) individual) Atividade 1 Atividade 1 -- Exercício B para 02/03/15Exercício B para 02/03/15 Entregar Entregar em papelem papel, no início da aula, apresentando , no início da aula, apresentando os cálculos realizados (os cálculos realizados (exercício exercício individual) individual) • A Reddy Mikks produz tintas para interiores e exteriores, com base em duas matérias primas (M1 e M2), de acordo com a tabela abaixo • Uma pesquisa de mercado indica que a oferta máxima diária de tinta para interiores não pode ultrapassar a de tinta para exteriores em mais de uma tonelada (1t) • A demanda máxima de tinta para interiores é 2 toneladas (2 t) A) Formule o modelo matemático de PL para esse problema B) Resolva o problema pelo método gráfico. (TAHA, 2008) Matéria PrimaMatéria Prima Consumo de Matéria PrimaConsumo de Matéria Prima por Tonelada de Tinta por Tonelada de Tinta Disponibilidade Disponibilidade Diária de Matéria Diária de Matéria Prima por DiaPrima por Dia (Tonelada)(Tonelada) Tinta paraTinta para ExterioresExteriores Tinta paraTinta para InterioresInteriores M1M1 66 44 2424 M2M2 11 22 66 Lucro por Lucro por ToneladaTonelada 55 44 Edmundo adora bifes e batatas. Assim, decidiu entrar em dieta regular usando somente esses alimentos. Ele percebe que essa não é a dieta mais saudável e, portanto, quer certificar-se de que se alimenta das quantidades certas desses dois tipos de alimentos, a fim de atender a determinados requisitos nutricionais. Ele obteve as seguintes informações nutricionais e de custos, e quer determinar o número de porções diárias de cada alimento (podem ser fracionários) que atenderá a essas exigências a um custo mínimo. A) Formule o modelo matemático de PL para esse problema B) Resolva o problema pelo método gráfico. (Hillier e Lieberman, 2010) Atividade 1 Atividade 1 –– Exercício C para 02/03/15Exercício C para 02/03/15 Entregar Entregar em papelem papel, no início da aula, apresentando os , no início da aula, apresentando os cálculos realizados (exercício individual) cálculos realizados (exercício individual) Atividade 1 Atividade 1 –– Exercício C para 02/03/15Exercício C para 02/03/15 Entregar Entregar em papelem papel, no início da aula, apresentando os , no início da aula, apresentando os cálculos realizados (exercício individual) cálculos realizados (exercício individual) IngredienteIngrediente Ingredientes por Grama em Ingredientes por Grama em cada Porçãocada Porção Exigências DiáriasExigências Diárias (Gramas)(Gramas) Bife Bife BatataBatata CarboidratosCarboidratos 55 1515 >> 5050 ProteínasProteínas 2020 55 >> 4040 GorduraGordura 1515 22 << 6060 Custo por Custo por PorçãoPorção US$4US$4 US$2US$2 • A Ozark Farm usa no mínimo 800 quilos de ração especial por dia. Essa ração é uma mistura de dois componentes, milho esoja, com as composições nutricionais apresentadas na tabela abaixo • Os requisitos nutricionais da ração exigem que sua composição possua no mínimo 30% de proteína e no máximo 5% de fibra. A) Formule o modelo matemático de PL para esse problema B) Resolva o problema pelo método gráfico. (TAHA, 2008) Atividade 1 Atividade 1 -- Exercício D para 02/03/15Exercício D para 02/03/15 Entregar Entregar em papelem papel, no início da aula, apresentando os , no início da aula, apresentando os cálculos realizados (exercício individual) cálculos realizados (exercício individual) Atividade 1 Atividade 1 -- Exercício D para 02/03/15Exercício D para 02/03/15 Entregar Entregar em papelem papel, no início da aula, apresentando os , no início da aula, apresentando os cálculos realizados (exercício individual) cálculos realizados (exercício individual) ComponenteComponente Composição por QuiloComposição por Quilo de Componentede Componente Custo por QuiloCusto por Quilo ($)($) ProteínaProteína FibraFibra MilhoMilho 9%9% 2%2% 0,30,3 SojaSoja 60%60% 6%6% 0,90,9
Compartilhar