Baixe o app para aproveitar ainda mais
Prévia do material em texto
EAD 350 Pesquisa Operacional Aula 01 Prof. Hiroo Takaoka takaoka@usp.br FEA/USP 2 Hiroo Takaoka • Doutor e Mestre em Administração de Empresas (FEA/USP) • Engenheiro (POLI/USP) • Administrador de Empresas (FEA/USP) • Professor do Departamento de Administração da FEA/USP (área Métodos Quantitativos e Informática - MQI) Graduação Pós-Graduação • Professor visitante na Universidade de Kobe - Japão • Experiência profissional como consultor da área de TI em órgãos públicos e privados • E-mail: takaoka@usp.br Modelagem Quantitativa em Administração • 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 Internet, as modelagens matemáticas e estatísticas têm se expandido cada vez mais a situações e problemas práticos. • Termos atuais para a aplicação de modelos matemáticos e estatísticos baseados em software aos negócios são: “Business Intelligence”, “Data Mining”, “Business Analytics” e “Big Data”. Competing On Analytics (Thomas Davenport, HBR, Jan 2006) Disciplinas da área de Métodos Quantitativos e Informática (EAD/FEA) Básicas o MAT 103 – Complementos de Matemática o MAE 116 – Noções de Estatística o MAC 113 – Introdução à Computação Métodos Quantitativos Aplicados o EAD 350 – Pesquisa Operacional o EAD 659 – Análise da Decisão o EAD 652 – Simulação o EAD 655 – Métodos Estatísticos de Projeção o EAD 351 – Técnicas Estatísticas de Agrupamento o EAD0752 - Técnicas Estatísticas de Discriminação Tecnologia da Informação o EAD 657 – Tecnologia de Informação o EAD 658 – Desenvolvimento de Sistemas de Informação o EAD 753 - Sistemas de Informações Empresariais e Negócios Digitais o EAD 750 – Tópicos Especiais de MQI Disciplinas da área de Métodos Quantitativos e Informática (EAD/FEA) Básicas o MAT 103 – Complementos de Matemática o MAE 116 – Noções de Estatística o MAC 113 – Introdução à Computação Métodos Quantitativos Aplicados o EAD 350 – Pesquisa Operacional o EAD 659 – Análise da Decisão o EAD 652 – Simulação o EAD 655 – Métodos Estatísticos de Projeção o EAD 351 – Técnicas Estatísticas de Agrupamento o EAD0752 - Técnicas Estatísticas de Discriminação Tecnologia da Informação o EAD 657 – Tecnologia de Informação o EAD 658 – Desenvolvimento de Sistemas de Informação o EAD 753 - Sistemas de Informações Empresariais e Negócios Digitais o EAD 750 – Tópicos Especiais de MQI Pesquisa Operacional (Operations Research ou Management Science) • É o uso de métodos científicos para prover as áreas 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 – Logística – Análise de redes e gestão de projetos – “Mix” ideal de investimentos de capital – Entre outras.... Métodos 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 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. Programa – EAD350 • Prof. Hiroo Takaoka – Introdução à Pesquisa Operacional – Programação Linear – Programação Inteira / Binária • Prof. Nicolau Reinhard – Métricas em Redes – Redes Sociais – Cadeias de Markov – Redes de Petri – Mapas Conceituais Avaliação • Parte 1 (Prof. Hiroo) – 50% da nota final • Parte 2 (Prof. Nicolau) – 50% da nota final • Aplicação de provas: Prova P1 (Prof. Hiroo) e Prova Unificada (Prof. Nicolau) Prova P1: matéria referente ao primeiro bimestre Prova Unificada: matéria referente ao segundo bimestre Não haverá prova substitutiva • Parte 1 (Prof. Hiroo) Prova 70%, Exercícios 30% Exercícios: em sala e extra sala • Prova de Reavaliação Matéria referente a todo o semestre Cronograma Previsto de Aulas Bibliografia • Hillier e Liberman, Introdução à Pesquisa Operacional, 8ª Edição, Bookman, 2010 • Taha, A. H, Pesquisa Operacional, Pearson, 8ª Edição, Pearson, 2008 • Lachtermacher, Pesquisa Operacional na Tomada de Decisões 4ª Edição, 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 Tipos 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 Modelos Quantitativos Planilha Modelos 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. (Occam (1285 – 1347): Franciscano inglês) • Modelos Quantitativos relacionam os diversos componentes/elementos do modelo a variáveis e quantidades numéricas. Processo de Modelagem Modelo Situação Resultados Decisões Julgamento Mundo Simbólico Mundo Real Análise Intuição A b s tr a ç ã o In te rp re ta ç ã o Princípio de Occam Formulação Matemática do Modelo de PL Relação Matemática • Função Objetivo Max, Min Z = f(x1, x2, ...xn) • Restrições gi(x1, x2, ...xn) bi Parâmetros (c1, c2, ..., cn) (ai1, ai2, ..., ain) (b1, b2, ..., bn) Variáveis de decisão x1, x2, .... , xn < = > Programação Linear • A Programação Linear é um dos mais utilizados instrumentos no campo da Pesquisa Operacional. • Na Programação Linear, todas as funções matemáticas envolvidas são necessariamente lineares. • Exemplo: Min Z = 120xA1 + 130xA2 + 41xA3 + 62xA4 + 61xB1 + 40xB2 + 100xB3 + 110xB4 + 102,5xC1 + 90xC2 + 122xC3 + 42xC4 Sujeito a xA1 + xA2 + xA3 + xA4 < 500 xB1 + xB2 + xB3 + xB4 < 700 xC1 + xC2 + xC3 + xC4 < 800 xA1 + xB1 + xC1 > 400 xA2 + xB2 + xC2 > 900 xA3 + xB3 + xC3 > 200 xA4 + xB4 +xC4 > 500 xij > 0 PROGRAMAÇÃO NÂO LINEAR 2 2 2 1212121 222010),( xxxxxxxxf 0, 010),( 08),( 07),( 21 21213 2212 1211 xx xxxxg xxxg xxxg Sujeito a Max Programação Linear • 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, políticas de estoque, etc. Estrutura de um Modelo de 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, aij e bi são parâmetros com j=1, ... , n e i=1, ... , m Elaboração 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 Hipóteses do Modelo PL • Proporcionalidade: a contribuição de cada atividade (xj) ao valor da função objetivo Z e para o consumo de recursos bi é proporcional ao seu valor (parâmetros cj e aij). Máx Z = c1 x1+ c2 x2, ..., + cnxn ai1 x1+ ai2 x2, ..., + ainxn < bi • Aditividade: toda função em um modelo PL é a soma das contribuições individuais das diversas atividades. • Divisibilidade: as variáveis de decisão (xj) em um modelo de PL podem assumir quaisquer valores, inclusive valores não inteiros. • Certeza: o valor atribuído a cada parâmetro (cj, aij, bi) são assumidos constantes e certos (é um modelo determinístico). Variáveis de Decisão Informações esperadas como resultado de um determinado modelo. Exemplo: Mix de Produção (quantidade a ser produzida de cada produto) Carteira de investimentos (valor investido em cada uma de diversas opções de investimento) Organização de transportes (quantidade a ser transportada) Designação de recursos (sim ou não) Parâmetros 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 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) Restrições 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... • 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 - Wyndor Glass 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 2 Produto 1 (Hillier e Lieberman, 2010) Exemplo 1 - Wyndor Glass 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 - Wyndor Glass 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 - Wyndor Glass 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 - Wyndor Glass 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 - Wyndor Glass 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 - Wyndor Glass Co. (Hillier e Lieberman, 2010) Fábrica Tempo de Produção por Lote de 20 Unidades (horas) Tempo de Produção Disponível por Semana (horas) Produto 1 Produto 2 1 1 0 4 2 0 2 12 3 3 2 18 Lucro por Lote (US$1.000) 3 5 (Hillier e Lieberman, 2010) Modelo Matemático Função Objetivo Max Z (lucro)= 3X1 + 5X2 Sujeito a (restrições): 1X1 + 0X2 < 04 (Fab. 1) 0X1 + 2X2 < 12 (Fab. 2) 3X1 + 2X2 < 18 (Fab. 3) X1, X2 > 0 Fábrica Tempo de Produção por Lote de 20 Unidades (horas) Tempo de Produção Disponível por Semana Produto 1 Produto 2 1 1 0 4 2 0 2 12 3 3 2 18 Lucro por Lote (US$1.000) 3 5 Variáveis de Decisão X1- Quantidade de Produto 1 X2- Quantidade de Produto 2 Exemplo 1 - Wyndor Glass Co. X2 Exemplo 1 - Wyndor Glass Co. X1 Representação gráfica da inequação X1 < 4 • Construir a reta correspondente à equação: X1 = 4 Como o valor de X1 é sempre 4 para qualquer valor de X2, a reta vai ser paralela ao eixo X2. 41 X (Fabrica 1) • Testar a inequação: X1 < 4 Tomar um ponto qualquer de uma das regiões limitadas pela reta, por exemplo o ponto (X1= 2, X2 = 2) Como 2 < 4, a região das soluções da inequação é aquela que contém o ponto testado. (2; 2) 41 X Exemplo 1 - Wyndor Glass Co. – Solução Gráfica Representação gráfica da inequação 2X2 < 12 X2 X1 122 2 X (Fábrica 2) • Construir a reta correspondente à equação: 2X2 = 12 X2 = 6 Como o valor de X2 é sempre 6 para qualquer valor de X1, a reta vai ser paralela aoeixo X1. • Testar a inequação: 2X2 < 12 Tomar um ponto qualquer de uma das regiões limitadas pela reta, por exemplo o ponto (X1= 2, X2 = 2) Como 2(2) < 12 ou 4 < 12, a região das soluções da inequação é aquela que contém o ponto testado. (2; 2) 122 2 X X2 Exemplo 1 - Wyndor Glass Co. – Solução Gráfica X1 • Construir a reta correspondente à equação: 3X1 + 2X2 = 18 Precisamos de dois pontos: fazendo X1 = 0 teremos: 2X2 = 18 X2 = 9 fazendo X2 = 0 teremos: 3X1 = 18 X1 = 6 Representação gráfica das inequação 3X1 + 2X2 < 18 X1 X2 0 9 6 0 • Testar a inequação: 3X1 + 2X2 < 18 Tomar um ponto qualquer de uma das regiões limitadas pela reta, por exemplo o ponto: (X1= 2, X2 = 2) Como 3(2) + 2(2) < 18 ou 10 < 18, a região das soluções da inequação é aquela que contém o ponto testado. (2; 2) 1823 21 XX 1823 21 XX (Fabrica 3) (6; 0) (0; 9) 41 X X2 Exemplo 1 - Wyndor Glass Co. – Solução Gráfica X1 1823 21 XX A B C D E (Fábrica 1) 122 2 X (Fábrica 2) (Fábrica 3) Conjunto de soluções viáveis: Polígono ABCDE A solução ótima do problema está em um dos pontos extremos do conjunto de soluções viáveis. Conjunto de soluções viáveis • Ponto A (0; 0) • Ponto B (0; 6) • Ponto C (2; 6) Resolução de equações: 2X2 = 12 3X1 + 2X2 = 18 3X1 + 2(12/2) = 18 3X1 = 18 – 12 X1 = 2 • Ponto D (4; 3) Resolução de equações: X1 = 4 3X1 + 2X2 = 18 3(4) + 2X2 + 18 2X2 = 18 – 12 X2 = 3 • Ponto E (4; 0) Determinação dos valores de X1 e X2 dos pontos ABCDE Ponto X1 X2 A 0 0 B 0 6 C 2 6 D 4 3 E 4 0 Exemplo 1 - Wyndor Glass Co. – Solução Gráfica 41 X 122 2 X X2 Exemplo 1 - Wyndor Glass Co. – Solução Gráfica 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 Conjunto de soluções viáveis: Polígono ABCDE Solução Ótima Função Objetivo: Max Z = 3X1 + 5X2 Calcular os valores de Z e pegar o maior valor de Z (lembre-se que estamos maximizando Z) Representação Gráfica da Função Objetiva X2 X1 Z/C2 -C1/C2 1ZZ A equação Z = C1X1 + C2X2 pode ser reescrita como Função de 1° grau: X2 = -C1/C2X1 + Z/C2 A constante Z/C2 é chamada de coeficiente linear e representa, no gráfico a ordenada do ponto de intersecção da reta no eixo X2. A constante –C1/C2 é chamada de coeficiente angular da reta. Função Objetivo: Max Z = C1X1 + C2X2 3ZZ 2ZZ -C1/C2 Note que como o coeficiente angular independe de Z, à medida que atribuímos valores a Z (por exemplo,Z1; Z2; Z3), obtemos retas paralelas. À medida que o valor de Z aumenta, a reta se afasta da origem do sistema de eixos. Conjunto de soluções viáveis: Polígono ABCDE 41 X 122 2 X X2 Exemplo 1 - Wyndor Glass Co. – Solução Gráfica X1 1823 21 XX A B C D E (Fábrica 1) (Fábrica 2) (Fábrica 3) Identificação gráfica do ponto ótimo. A determinação da solução ótima requer identificar a direção na qual a função objetivo Z = 3X1 + 5X2 aumenta (lembre-se que estamos maximizando Z). Vimos que o valor de Z aumenta à medida que a reta se afasta da origem de eixos. Assim, vamos designar um valor arbitrário a Z para traçar uma das retas paralelas e identificar a reta paralela que é mais afastada da origem de eixos que ainda contem o ponto do conjunto de soluções. Função Objetivo: Max Z = 3X1 + 5X2 Conjunto de soluções viáveis: Polígono ABCDE 41 X 122 2 X X2 Exemplo 1 - Wyndor Glass Co. – Solução Gráfica X1 1823 21 XX A B C D E (Fábrica 1) (Fábrica 2) (Fábrica 3) Identificação gráfica do ponto ótimo. Função Objetivo: Max Z = 3X1 + 5X2 Vamos atribuir um valor a Z (Por exemplo, valor 15 que é MMC de seus coeficientes (3; 5)) e traçar a reta. 15Z 21 5315 XX (5; 0) (0; 3) X1 X2 0 3 5 0 15 = 3X1 + 5X2 Conjunto de soluções viáveis: Polígono ABCDE 41 X 122 2 X X2 Exemplo 1 - Wyndor Glass Co. – Solução Gráfica X1 1823 21 XX A B C D E (Fábrica 1) (Fábrica 2) (Fábrica 3) 15Z 21 5315 XX Identificação gráfica do ponto ótimo. Função Objetivo: Max Z = 3X1 + 5X2 Note que a solução ótima ocorre em C, que é o ponto no conjunto de soluções além do qual qualquer aumento adicional levará Z para fora de contornos de ABCDE. Z fora do Contorno ABCDE Vamos traçar visualmente as retas paralelas cujo valor de Z é crescente. (0; 3) (5; 0) Conjunto de soluções viáveis: Polígono ABCDE 41 X 122 2 X X2 Exemplo 1 - Wyndor Glass Co. – Solução Gráfica X1 1823 21 XX A B C D E (Fábrica 1) (Fábrica 2) (Fábrica 3) 36Z 21 5336 XX Identificação gráfica do ponto ótimo. Os valores de X1 e X2 relacionados com o ponto ótimo C podem ser obtidos a partir da solução do par de equações das retas limites das restrições de Fábrica 2 e Fábrica 3. 2X2 = 12 3X1 + 2X2 = 18 Z = 3(2) + 5(6) = 36 C(2; 6) Função Objetivo: Max 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 Sala – Cia de Seguros Primo (Hillier e Lieberman, 2010) Departamento Horas Trabalhadas por Unidade Horas de Trabalho Disponíveis por Mês Seguro Risco Especial Seguro Hipoteca Subscrição 3 2 2400 Administração 0 1 800 Pedido de Indenização 2 0 1200 Exercício em Sala – Cia Seguros Primo X2 X1 200 400 600 800 1000 1200 200 400 600 800 1000 1200 2X1 < 1200 (Pedido Indenização) X2 < 800 (Administração) 3X1 + 2X2 < 2400 (Subscrição) Conjunto de soluções viáveis: Polígono ABCDE A B 0 C D E Ponto X1 X2 Z A 0 0 0 B 0 800 1600 C 266 800 2930 D 600 300 3600 E 600 0 3000 Max Z (Lucro) = 5X1 + 2X2 Sujeito a 2X1 < 1200 X2 < 800 3X1 + 2X2 < 2400 X1, X2 > 0 Solução Ótima Exercício em Sala – Cia Seguros Primo X2 X1 200 400 600 800 1000 1200 200 400 600 800 1000 1200 2X1 < 1200 (Pedido Indenização) X2 < 800 (Administração) 3X1 + 2X2 < 2400 (Subscrição) Conjunto desoluções viáveis: Polígono ABCDE A B 0 C D E Max Z (Lucro) = 5X1 + 2X2 Sujeito a 2X1 < 1200 X2 < 800 3X1 + 2X2 < 2400 X1, X2 > 0 Identificação gráfica do ponto ótimo. Os valores de X1 e X2 relacionados com o ponto ótimo D podem ser obtidos a partir da solução do par de equações das retas limites das restrições de Subscrição e Pedido de Indenização. 2X1 = 1200 3X1 + 2X2 = 2400 Z = 5(600) + 2(300) = 3600 D(600; 300)
Compartilhar