Baixe o app para aproveitar ainda mais
Prévia do material em texto
Centro de Pós Graduação Faculdade Machado Sobrinho sdfghjklzxcvbnmqwertyuiopasdfghjklzxc vbnmqwertyuiopasdfghjklzxcvbnmqwer tyuiopasdfghjklzxcvbnmqwertyuiopasdf ghjklzxcvbnmqwertyuiopasdfghjklzxcvb nmqwertyuiopasdfghjklzxcvbnmqwerty uiopasdfghjklzxcvbnmqwertyuiopasdfgh jklzxcvbnmqwertyuiopasdfghjklzxcvbnm qwertyuiopasdfghjk lzxcvbnmqwertyuiopasdfghjklzxcvbnmq wertyuiopasdfghjklzxcvbnmqwertyuiop asdfghjklzxcvbnmrtyuiopasdfghjklzxcvb nmqwertyuiopasdfghjklzxcvbnmqwerty uiopasdfghjklzxcvbnmqwertyuiopasdfgh jklzxcvbnmqwertyuiopasdfghjklzxcvbnm Especialização em Engenharia de Produção Pesquisa Operacional Prof . Paulo Lobo 2 Sumário 1.1-Breve História .............................................................................................................. 3 2-Modelagem com programação linear ............................................ 8 2.1- Introdução ................................................................................................................... 8 2.2-A Modelagem ............................................................................................................... 9 2.3-Exemplos ..................................................................................................................... 11 2.4-Exercícios ..................................................................................................................... 22 Adendo .................................................................................................................................. 31 Método Simplex ................................................................................................................. 31 3-Programação Inteira e Programação Binária ....................................... 39 3.1-Introdução ................................................................................................................... 39 3.2-Métodos de resolução ............................................................................................. 42 3.3-Exercícios. ................................................................................................................... 45 4-Introdução a Teoria das Filas ........................................................... 51 4.1-Introdução ................................................................................................................... 51 4.2- MODELO DE FILA FIFO M/ M /1/ ∞ ................................................................ 53 4.3-Exercícios ..................................................................................................................... 55 5-Revisão de Probabilidade ................................................................. 57 5.1-Introdução ................................................................................................................... 57 5.2-Probabilidade condicional ...................................................................................... 59 5.3-Variáveis aleatórias ................................................................................................. 60 5.4-Exercícios ..................................................................................................................... 63 6-Análise de decisão .......................................................................... 66 6.1-Introdução ................................................................................................................... 66 6.2-Exemplo Protótipo .................................................................................................... 67 6.3- Exercícios ................................................................................................................... 76 Anexo .............................................................................................. 78 Referências ....................................................................................... 85 3 1-Introdução 1.1-Breve História Desde o advento da Revolução Industrial, o mundo presencia um crescimento extraordinário no tamanho e na complexidade das organizações. As pequenas oficinas de artesãos de outrora evoluíram para as corporações bilionárias de hoje. Um fator crucial dessa mudança revolucionária foi o extraordinário aumento na divisão do trabalho e a segmentação das responsabilidades gerenciais nessas organizações. Os resultados foram espetaculares. Entretanto, juntamente com seus pontos positivos, essa crescente especialização criou problemas novos, problemas estes que ainda ocorrem em muitas organizações. Um deles é a tendência de as diversas unidades de uma organização crescerem em ilhas relativamente autônomas com seus próprios objetivos e sistemas de valor, perdendo, consequentemente, a visão de como suas atividades e objetivos se entremeiam com aquelas da organização como um todo. O que pode ser melhor para uma das unidades frequentemente é prejudicial a outra, de forma que as unidades podem acabar trabalhando em direção a objetivos conflitantes. Um problema relativo a isso é aquele no qual, à medida que aumentam a complexidade e a especialização em uma organização, toma-se cada vez mais difícil alocar os recursos disponíveis para as diversas atividades da maneira mais eficiente para a organização como um todo. Esses tipos de problema e a necessidade de encontrar o melhor caminho para solucioná-los criaram condições necessárias para o surgimento da pesquisa operacional ( comumente referida como PO). As origens da PO podem ser remontadas muitas décadas atrás quando foram feitas tentativas iniciais no emprego de uma 4 abordagem científica na gestão das organizações. Porém, o início da atividade, assim denominada pesquisa operacional, geralmente é atribuído às atividades militares nos primórdios da Segunda Guerra Mundial. Em razão do empreendimento da guerra, havia uma necessidade premente de se alocar de forma eficiente os escassos recursos para as diversas operações militares e atividades internas a cada operação. Consequentemente, os comandos militares britânico e norte- americano convocaram grande número de cientistas para aplicar uma abordagem científica para lidar com este e outros problemas táticos e estratégicos. Na prática lhes foi solicitado a realização de pesquisas sobre operações (militares). Essas equipes de cientistas foram as primeiras de PO. Por meio do desenvolvimento de métodos eficientes de emprego da nova ferramenta radar, essas equipes se tomaram instrumentos na vitória da Batalha Aérea em céus da Grã-Bretanha. Por intermédio dessas pesquisas sobre como melhor administrar operações de comboio e antisubmarinos, esses cientistas desempenharam papel fundamental na vitória da Batalha do Atlântico Norte. Esforços semelhantes ajudaram na Campanha Britânica no Pacífico. Quando a guerra acabou, o sucesso da PO no empreendimento bélico despertou interesse na sua aplicação fora do ambiente militar. À medida que se ia desenrolando o boom industrial pós-guerra, os problemas causados pela crescente complexidade e especialização nas organizações foram novamente ganhando o primeiro plano. Tomava-se aparente para um número cada vez maior de pessoas, entre as quais consultores de negócios que trabalharam nas equipes de PO ou em conjunto com elas durante a guerra, que estes foram basicamente os problemas enfrentados pelos militares, porém, agora, em um contexto diferente. No início dos anos 1950, esses indivíduos haviam 5 introduzido o emprego da PO em uma diversidade de organizações nos setores comercial,industrial e governamental. A rápida disseminação da PQ veio a seguir. Podem-se identificar pelo menos dois fatores que desempenharam papel fundamental no rápido crescimento da PO durante esse período. O primeiro foi o progresso substancial feito no início em termos de melhoria das técnicas da PO. Após a guerra, muitos dos cientistas que haviam participado das equipes de PO ou que ouviram falar a esse respeito motivaram-se para desenvolver pesquisas relevantes nesse campo resultando em avanços importantes no estado da arte. Um exemplo essencial é o método simplex para solução de problemas com programação linear, desenvolvido por George Dantzig em 1947. Várias ferramentas- padrão da PO, como programação linear, programação dinâmica, teoria das filas e teoria do inventário, atingiram um estado relativamente bem desenvolvido antes do final dos anos 1950. Um segundo fator que deu grande ímpeto ao crescimento desse campo foi a "avalanche" da revolução computacional. Requer-se grande volume de processamento de cálculos para o tratamento eficiente dos problemas complexos tipicamente considerados pela PO. Normalmente, fazer isso à mão seria uma hipótese fora de cogitação. Portanto, o desenvolvimento de computadores eletrônicos digitais, com a capacidade de realizarem cálculos matemáticos milhares ou até mesmo milhões de vezes mais rápido que o ser humano, deu um impulso enorme à PO. Outro estímulo veio nos anos 1980 com o desenvolvimento de computadores pessoais cada vez mais poderosos munidos de excelentes pacotes de software para emprego da PO. Isso permitiu que o emprego da PO ficasse ao alcance de um número muito maior de pessoas. Hoje em dia, praticamente milhões de pessoas têm pronto acesso a software de PO. Por conseguinte, enorme gama de computadores, de mainframes a laptops, é, hoje, rotineiramente utilizada para solucionar problemas relativos à PO. 6 1.2 - Fundamentos Como o próprio nome indica, a pesquisa operacional envolve "pesquisa sobre operações". Portanto, a pesquisa operacional é aplicada a problemas envolvendo como conduzir e coordenar as operações (isto é, as atividades) em uma organização. A natureza das organizações é essencialmente secundária e, de fato, a PO tem sido largamente aplicada em áreas tão distintas como manufatura, transportes, construção, telecomunicações, planejamento financeiro, assistência médica, militar e serviços públicos, somente para citar algumas. Portanto, a gama de aplicações é excepcionalmente grande. Uma forma de se sintetizar as fases usuais (que se sobrepõem) de um estudo de PO é a seguinte: 1. Definir o problema de interesse e coletar dados. 2. Formular um modelo matemático para representar o problema. 3. Desenvolver um procedimento computacional a fim de derivar soluções para o problema a partir do modelo. 4. Testar o modelo e aprimorá-lo conforme necessário. 5. Preparar-se para a aplicação contínua do modelo conforme prescrito pela gerência. 6. Implementar. A primeira coisa a ser reconhecida é que uma equipe de PO normalmente trabalha na qualidade de consultores. Aos membros da equipe não somente é apresentado um problema e solicitado a resolvê-lo conforme julguem apropriado. Em vez disso, eles aconselham a gerência (geralmente um tomador de decisões importante). A equipe realiza uma análise técnica detalhada do problema e a seguir apresenta recomendações à gerência. 7 Frequentemente, o relatório à gerência identificará uma série de alternativas particularmente atrativas de acordo com diversas suposições ou segundo um intervalo de valores diferente de algum parâmetro da política adotada que pode ser avaliado somente pela gerência (por exemplo, o conflito entre custo e benefícios). A gerência avalia o estudo e suas recomendações, leva em consideração uma série de fatores intangíveis e toma a decisão final baseada em seu melhor julgamento. Consequentemente, é vital para a equipe de PO sintonizar-se com a gerência, inclusive identificando o problema "correto" segundo o ponto de vista da gerência e obter o seu apoio ao longo do projeto. Determinar os objetivos apropriados é um aspecto muito importante na definição de um problema. Para tanto, é necessário, primeiramente, identificar o membro (ou membros) da gerência que efetivamente decidirá( ão) no que se refere ao sistema em estudo e, depois, sondar o pensamento desse(s) indivíduo(s) no que tange aos objetivos pertinentes (envolver o tomador de decisões desde o princípio é essencial para obter seu apoio à implementação do estudo). 8 2-Modelagem com programação linear 2.1- Introdução Um aspecto importante de problemas envolvendo decisões é o de otimização; quando se procura estabelecer quais as maneiras mais eficientes de utilizar os recursos disponíveis para atingir certos objetivos. Em geral trata-se de recursos limitados e a sua utilização criteriosa possibilita melhorar o rendimento ou produtividade do processo em estudo. A própria continuidade do processo pode mesmo depender de tal utilização criteriosa. Na prática tais recursos são usualmente de natureza econômica, tais como capital, matéria-prima, mão de obra, equipamentos, tempo e outros, mas em geral podem tomar os aspectos mais variados. A Programação Linear (PL) visa fundamentalmente encontrar a melhor solução para problemas que tenham seus modelos representados por expressões lineares. A sua grande aplicabilidade e simplicidade devem-se a linearidade do modelo. A tarefa da PL consiste na maximização ou minimização de uma função linear, denominada Função objetivo, respeitando-se um sistema linear de igualdades ou desigualdades, que recebem o nome de Restrições do Modelo. As restrições determinam uma região a qual se dá o nome de Conjunto Viável, a melhor das soluções viáveis (soluções que pertencem ao Conjunto Viá vel), ou seja, aquela que maximiza ou minimiza a função objetivo, denomina-se Solução Ótima. O objetivo da Programação Linear é determinar a solução ótima. Para a resolução de um Problema de Programação Linear (PPL) dois passos são necessários. O primeiro é a Modelagem do problema, 9 seguindo-se o método de solução do modelo. No caso de um PPL o método mais utilizado é o Método Simplex, que será examinado adiante. Não existem técnicas precisas capazes de permitir o estabelecimento do modelo de um problema, pois a modelagem envolve aspectos de arte, ou seja, pode ser melhorada com a prática e observação. Para modelar uma situação geral é importante se ter experiência e capacidade de análise e síntese. 2.2-A Modelagem Para identificar as variáveis de decisão, recomenda-se as seguintes regras: a) Pergunte “O decisor tem autoridade para escolher o valor numérico (quantidade) do item?” Se a resposta for “sim” esta é uma variável de decisão; b) Seja bem preciso com respeito às unidades (moeda e quantidade, por exemplo) de cada variável de decisão (incluindo o fator tempo, como horário, diário, semanal, mensal); c) Cuidado para não confundir as variáveis de decisão com os parâmetros do problema, como número de máquinas na fábrica, quantidade de cada recurso usado na fabricação de um produto, capacidade de produção da fábrica, custos de produção, custos de transporte, demandas pelos produtos e assim por diante. Com respeito à função objetivo, a PO busca encontrar o melhor que pode ser feito com o que se tem, isto é, procura maximizar algo (como lucro ou eficiência) ou minimizar alguma coisa (como custo outempo). Talvez a busca pelo máximo valor do lucro total (= retornos – custos) seja a função objetivo mais comum nos modelos matemáticos. Na PL, os modelos têm apenas um objetivo, mas é 10 possível, em outras áreas da PO, tratar modelos com múltiplos objetivos. Exemplos de restrições típicas incluem a existência de limites sobre as quan tidades de recursos disponíveis (colaboradores, máquinas, orçamento, matérias-primas, por exemplo) e requisitos contratuais para a produção e atendimento de demandas. As restrições também podem ser de caráter natural, como ocorre nos casos de estoques, onde é razoável considerar que o estoque ao final de um mês é igual ao estoque no início daquele mês mais o que foi produzido e menos o que foi vendido no mesmo mês, desde que o produto não se deteriore ou se perca no período. Outro exemplo se refere ao fato de determinadas variáveis de decisão (por exemplo, quantidades produzidas) não poderem ter valores negativos, ou ainda só poderem assumir valores inteiros nulos ou positivos. Essas últimas restrições são conhecidas como restrições de não negatividade e restrições de integridade, respectivamente. Um procedimento que ajuda na elaboração de restrições é o seguinte: a) Crie uma restrição com palavras inicialmente, da seguinte forma, (A quantidade requerida de um recurso) <Tem alguma relação com> (A disponibilidade do recurso), sendo que essas relações podem ser expressas por meio de igualdades (=) ou desigualdades (≥ ou ≤); b) Assegure-se que a unidade do termo do lado esquerdo da restrição usa a mesma unidade do termo do lado direito; c) Traduza a restrição em palavras para a notação matemática utilizando valores conhecidos ou estimados para os parâmetros e os símbolos matemáticos adotados para as variáveis de decisão; d) Reescreva a restrição, se necessário, de modo que os termos envolvendo as variáveis de decisão fiquem no lado esquerdo da 11 expressão matemática, enquanto só o valor associado a uma constante fique no lado direito . 2.3-Exemplos 1) “Mix de Produção” – Adaptado de Ravindran, Phillips e Solberg (1987) Uma Empresa deseja programar a produção de um utensílio de cozinha que requer o uso de dois tipos de recursos: mão de obra e material. Ela está considerando a fabricação de três modelos e o seu Departamento de Engenharia forneceu os dados a seguir (Tabela 1). O suprimento de material é de 200 quilos por dia. A disponibilidade diária de mão de obra é 150 horas. Formule um modelo de programação linear para determinar a produção diária de cada um dos modelos de modo a maximizar o lucro total da Empresa. 12 2)Problema da dieta. O problema consiste em obter uma dieta de mínimo custo que satisfaça as necessidades básicas do indivíduo médio, com respeito a Calorias (no mínimo 3,0), Cálcio (no mínimo 0,8) e Vitamina B12 (no mínimo 2,7). A Tabela a seguir relaciona três substâncias exigidas pelo organismo, a quantidade existente de cada uma delas de uma relação de seis alimentos, juntamente com os respectivos custos unitários desses alimentos. 13 3)Problema de transporte. Um dado produto é produzido em diferentes fábricas no país com capacidades de produção limitadas e deve ser levado a centros de distribuição (depósitos) onde há demandas a serem satisfeitas. O custo de transporte de cada fábrica a cada depósito é proporcional à quantidade transportada e devem-se achar estas quantidades que minimizem o custo total de transporte (CT) do produto em questão. A Tabela a seguir fornece os custos unitários de transporte de cada 14 fábrica para cada depósito, bem como as demandas em cada um dos depósitos e as produções de cada fábrica. 4) “Seleção de mídia para propaganda” – Adaptado de Ravindran, Phillips e Solberg (1987) Uma companhia de propaganda deseja planejar uma campanha em 03 diferentes meios: tv, rádio e revistas. Pretende-se alcançar o 15 maior número de clientes possível. Um estudo de mercado resultou nos dados da Tabela 4, sendo os valores válidos para cada veiculação da propaganda.A companhia não quer gastar mais de $ 800.000 e adicionalmente deseja: a) No mínimo 2 milhões de mulheres sejam atingidas; b) Gastar no máximo $ 500.000 com TV; c) No mínimo 03 veiculações ocorram no horário normal na TV; d) No mínimo 02 veiculações ocorram no horário nobre na TV; e) Número de veiculações no rádio, e nas revistas, devem ficar entre 05 e 10, para cada meio de divulgação. Formular um modelo de PL que trate este problema, determinando o número de veiculações a serem feitas em cada meio de comunicação 16 de modo a atingir o máximo possível de clientes. 5) “Um problema de treinamento” – Adaptado de Ravindran, Phillips e Solberg (1987) Uma empresa de máquinas ferramentas tem um programa de treinamento para operadores de máquinas. Alguns operadores já treinados podem trabalhar como instrutores neste programa ficando responsáveis por 10 traineescada. A empresa pretende aproveitar apenas 07 traineesde cada turma de 10. Estes operadores treinados também são necessários na linha de fabricação, e sabe-se que serão necessários para os próximos meses: 100 operadores em janeiro, 150 em fevereiro, 200 em março, e 250 17 em abril. Atualmente há 130 operadores treinados disponíveis na empresa. Os custos associados a cada situação são: a) Trainee $ 400; b) Operador treinado trabalhando $ 700; c) Operador treinado ocioso $ 500. Um acordo firmado com o sindicato proíbe demissões de operadores treinados no período. Encontrar um modelo de PL que forneça um programa de treinamento de custo mínimo e satisfaça os requisitos da empresa em termos de número de operadores treinados disponíveis a cada mês. Modelagem: Observe-se que, a cada mês, um operador treinado está operando máquina, trabalhando como instrutor, ou está ocioso. Além disto, o número de operadores treinados, trabalhando nas máquinas é fixo e conhecido: 100 em janeiro, 150 em fevereiro, 200 em março e 250 em abril. Variáveis de decisão: x1= operadores trabalhando como instrutores em janeiro x2= operadores ociosos em janeiro x3= operadores trabalhando como instrutores em fevereiro x4= operadores ociosos em fevereiro x5= operadores trabalhando como instrutores em março x6= operadores ociosos em março Função objetivo: Custo Total = custo trainees+ custo instrutores + custo ociosos + custo operadores trabalhando em máquinas 18 6) “Problema de dimensionamento de equipes de inspeção” – Adaptado de Ravindran, Phillips e Solberg (1987). Uma companhia deseja determinar quantos inspetores alocar a uma dada tarefa do controle da qualidade. As informações disponíveis são: – Há 08 inspetores do nível 1 que podem checar as peças a uma taxa de 25 peças por hora, com uma acuracidade de 98%, sendo o custo de cada inspetor deste nível $4 por hora; – Há 10 inspetores do nível 2 que podem checar as peças a uma taxa de 15 peças por hora, com uma acuracidade de 95%, sendo o custo de cada inspetor deste nível $3 por hora; – A companhia deseja que, no mínimo, 1800 peças sejam inspecionadas por dia (= 08 horas); 19 – Sabe-se, ainda, que cada erro cometido por inspetores no controle da qualidade das peças acarreta um prejuízo à companhia de $2 por peça mal inspecionada. Formular um modelo de PL para possibilitar a designação ótima do número de inspetores de cada nível de modo a otimizar o custo da inspeção diáriada companhia. 7) “Um problema de mistura” Deseja-se determinar as misturas de quatro derivados do petróleo, que serão os constituintes de três tipos de gasolina (extra, super e comum). Na Tabela a seguir estão as informações acerca dos custos e disponibilidade dos constituintes. 20 Dados sobre preços e especificações de gasolinas. A fim de manter a qualidade de cada tipo de gasolina, é preciso manter as porcentagens dos diversos constituintes dentro dos limites especificados. Os preços de venda de cada tipo de gasolina por barril também estão indicados na Tabela acima. O objetivo é maximizar o lucro. Modelagem: Variáveis de decisão: xij= quantidade do constituinte i (1,2, 3, 4) na gasolina j (A, B, C). 21 ∑x1j≤3.000 ∑x2j≤2.000 ∑x3j≤4.000 ∑x4j≤1.000 Deve-se, a seguir, substituir as variáveis auxiliares pelas variáveis de decisão e o modelo estará completo. 22 2.4-Exercícios 1) Planejamento de Sessões de Radioterapia MARY acaba de receber um diagnóstico de câncer em um estágio relativamente avançado. Mais especificamente, ela tem um tumor maligno na área da bexiga (uma "lesão integral da bexiga"). Mary está por receber o tratamento médico mais avançado disponível oferecendo-lhe todas as chances disponíveis de sobrevivência. Esse tratamento incluirá radioterapia. A radioterapia envolve o uso de uma máquina de tratamento externo por fluxo de raios para passar radiação ionizante através do corpo do paciente, danificando tanto tecidos cancerígenos quanto saudáveis. Normalmente, vários fluxos são administrados precisamente de diferentes ângulos em um plano bidimensional. Em virtude da atenuação, cada fluxo libera mais radiação para o tecido mais próximo do ponto de entrada do que o tecido mais próximo do ponto de saída. A dispersão faz que uma parcela de radiação também atinja tecidos fora da trajetória direta do fluxo. Pelo fato de as células tumorais se posicionarem tipicamente, de forma microscópica, entre células saudáveis, a dosagem de radiação pela região do tumor tem de ser grande o bastante para matar as células malignas, que são ligeiramente um pouco mais sensíveis à radiação e, ao mesmo tempo, suficientemente pequena para poupar as células saudáveis. Ao mesmo tempo, a dose agregada a tecidos críticos não deve exceder os níveis de tolerância admitidos, de modo a impedir complicações que podem vir a ser mais sérias que a doença em si. Pela mesma razão, a dose total para toda a anatomia saudável deve ser minimizada. Em virtude da necessidade de se balancear cuidadosamente todos esses fatores, as sessões de radioterapia são processos muito delicados. O objetivo do planejamento das sessões é selecionar a 23 combinação de fluxo a serem usados e a intensidade de cada um deles, para gerar a melhor distribuição de dosagem possível. A potência da dose em qualquer ponto do corpo é medida em unidades chamadas kilorads. Uma vez que o planejamento do tratamento tenha sido desenvolvido, ele é administrado em várias sessões, distribuídas ao longo de várias semanas. No caso de Mary, o tamanho e a localização do tumor tomam o planejamento de seu tratamento um processo ainda mais complicado que o usual. A Figura a seguir mostra um diagrama de um corte transversal do tumor visto de cima, bem como tecidos críticos vizinhos a serem evitados. Entre esses tecidos temos órgãos críticos (por exemplo, o reto) assim como estruturas ósseas (por exemplo, o fêmur e a pélvis) que vão atenuar a radiação. Também são indicados o ponto de entrada e a direção para os dois únicos fluxos que podem ser usados com um mínimo de segurança nesse caso. Na verdade, estamos simplificando o exemplo nesse ponto, pois normalmente dezenas de possíveis fluxos têm de ser considerados. Para qualquer fluxo proposto de uma dada intensidade, a análise de qual seria a absorção de radiação resultante por várias partes do corpo requer um processo complicado. Em suma, com base em cuidadosa análise anatômica, a distribuição de energia dentro da secção transversal bidimensional do tecido pode ser plotada em um mapa de isodosagem, no qual as linhas de contorno representam a potência da dose na forma de uma porcentagem da potência da dose no ponto de entrada. Uma fina grade é então colocada sobre o mapa de isodosagem. Somando-se a radiação absorvida nas quadrículas contendo cada tipo de tecido, a dose média que é absorvida pelo tumor, anatomia saudável e tecidos críticos pode ser calculada. Com mais de um fluxo (administrado sequencialmente), a absorção da radiação é aditiva. 24 Após ampla análise desse tipo, a equipe médica estimou cuidadosamente os dados necessários para planejar o tratamento de Mary, conforme sintetizado na Tabela a seguir, A primeira coluna enumera as áreas do corpo que precisam ser consideradas e as duas colunas seguintes dão a fração da dose de radiação no ponto de entrada para cada fluxo que é absorvido pelas respectivas áreas em média. Por exemplo, se o nível da dose no ponto de entrada para o fluxo 1 for 1 kilorad, então uma média de 0,4 kilorad será absorvida por toda a anatomia sã no plano bidimensional; 0,3 kilorad, pelos tecidos críticos próximos; 0,5 kilorad, pelas várias partes do tumor; e 0,6 kilorad, pelo núcleo do tumor. A última coluna apresenta as restrições na dosagem total de ambos os fluxos que são absorvidos na média pelas respectivas áreas do corpo. Em particular, a absorção de dosagem média para a anatomia saudável deve ser a menor possível; para os tecidos críticos, não pode exceder a 2,7 kilorads; a média por todo o tumor tem de ser igual a 6 kilorads; e para o núcleo do tumor deve ser de pelo menos 6 kilorads. 25 Formule o problema e resolva pelo método gráfico. 2) Planejamento regional A confederação meridional de Kibutzim é um grupo de três kibutzim (comunidades agrícolas coletivas) em Israel. O planejamento geral para esses grupos é feito em seu Centro Técnico de Coordenação. Esse escritório está planejando atualmente a produção agrícola para o próximo ano. A produção agrícola de cada kibutz é limitada tanto pela quantidade de área irrigável disponível como pela quantidade de água alocada para a irrigação pelo Comissariado de Recursos Hídricos (um órgão governamental). Esses dados são fornecidos na Tabela a seguir. 26 Entre as plantações adequadas para essa região encontram-se beterraba, algodão e sorgo e são estas que estão sendo consideradas para o próximo período. Essas plantações diferem basicamente nos respectivos retornos líquidos esperados e consumo de água. Além disso, o Ministério de Agricultura tem uma cota máxima para a área total que pode ser dedicada a cada uma dessas plantações pela Confederação Meridional de Kibutzim, conforme ilustrado na Tabela a seguir. Em razão da limitada disponibilidade de água para irrigação, a Confederação Meridional de Kibutzim não será capaz de usar toda sua área irrigável para plantação de culturas na próxima temporada. Para garantir equilíbrio entre os três kibutzim, foi acordado que cada um deles vai plantar a mesma proporção de sua área irrigável. Por exemplo, se o kibutz 1 plantar 200 de seus 400 acres disponíveis, 27 então o kibutz 2 terá de plantar 300 de seus 600 acres, ao passo que o kibutz 3 plantaria 150 de seus 300 acres. Entretanto, qualquer combinação das plantações pode ser cultivada no kibutzim. A tarefa que o Centro Técnico de Coordenação deve enfrentaré planejar quantos acres devem ser dedicados a cada plantação no respectivo kibutzim satisfazendo as dadas restrições. O objetivo é maximizar o retomo líquido total para a Confederação Meridional do Kibutzim como um todo. Formule o problema e resolva usando o solver. 3) Controlando a Poluição do Ar A NORI & LEETS CO., um dos maiores produtores de aço em sua região, localiza-se na cidade de Steeltown e é o único grande empregador nessa localidade. Steeltown cresceu e prosperou juntamente com a companhia que agora emprega cerca de 50.000 residentes. Portanto, o pensamento dos habitantes da cidade sempre foi: "Se é bom para a Nori & Leets, então é bom para a cidade". Entretanto, esse tipo de pensamento está mudando: a poluição descontrolada gerada pelos fomos da empresa está destruindo a aparência da cidade e colocando em risco a saúde da população. Uma revolta recente dos acionistas resultou na eleição de uma nova diretoria mais esclarecida para a empresa. Esses novos diretores estão dispostos a seguir políticas socialmente corretas e vêm discutindo com governantes de Steeltown e representantes da sociedade o que fazer em relação ao problema da poluição do ar. Juntos, eles chegaram a rigorosos padrões de qualidade do ar para a camada atmosférica de Steeltown. Os três tipos principais de poluentes nessa camada atmosférica são material particulado, óxido de enxofre e hidrocarbonetos. Os novos 28 padrões requerem que a empresa reduza a emissão anual desses poluentes para os volumes especificados na Tabela a seguir. Padrões de ar puro para a Nori & Leets Co. A diretoria instruiu a gerência para que fizesse que o pessoal da engenharia determinasse como atingir essas reduções do modo mais econômico possível. As siderúrgicas possuem duas fontes primárias de poluição, a saber: os alto-fomos para fabricar lingotes de gusa e os fomos Siemens- Martin para transformar esses lingotes em aço. Em ambos os casos os engenheiros decidiram que os tipos mais eficientes de métodos para redução de poluição seriam: (1) aumentar a altura das chaminés, (2) usar dispositivos filtrantes (inclusive retentores de gases) nas chaminés e (3) incluir materiais limpadores de alta qualidade entre os combustíveis usados nos fornos. Cada um desses métodos possui sua limitação tecnológica na intensidade em que pode ser utilizado (por exemplo, um aumento máximo permitido na altura das chaminés), mas ainda há uma flexibilidade considerável para emprego do método em uma fração de seu limite tecnológico. 29 A Tabela a seguir ilustra a quantidade de emissão (em milhões de libras por ano) que pode ser eliminada de cada tipo de forno usando- se completamente o limite tecnológico para quaisquer dos métodos de redução de poluição. Para fins de análise, parte-se do pressuposto de que cada método pode ser utilizado em níveis inferiores ao máximo para atingir qualquer fração das reduções de taxas de emissão apresentadas nessa tabela. Além disso, as frações podem ser diferentes para os alto fornos e para os fornos Siemens-Martin. Para cada tipo de forno, a redução de emissão alcançada por método não é afetada substancialmente por quaisquer que sejam os outros métodos também usados. Redução na taxa de emissão de poluentes (em milhões de libras por ano) a partir do máximo uso permitido de um método de redução para a Nori & leets Co. Após esses dados terem sido analisados, tornou-se evidente que nenhum método por si só seria capaz de alcançar todas as reduções exigidas. No entanto, combinar todos os três métodos a plena carga em ambos os tipos de fornos (o que teria um custo proibitivo caso os produtos da empresa tivessem de permanecer com preços competitivos) é muito mais adequado. Portanto, os engenheiros chegaram à conclusão que teriam de usar alguma combinação de 30 métodos, talvez com capacidades parciais, baseados em custos relativos. Além disso, em virtudes das diferenças entre os alto fornos e os fornos Siemens-Martin, os dois tipos provavelmente não usariam a mesma combinação. Foi realizado um estudo para estimar o custo anual total que seria acarretado em cada um dos métodos de redução de poluição. O custo anual de um método inclui despesas operacionais e de manutenção crescentes, bem como receitas menores decorrentes de qualquer perda de eficiência do processo de produção provocado pelo uso do método. Outro custo importante é o custo inicial (o desembolso inicial de capital) exigido para instalar o método. Para tomar esse custo que ocorre uma única vez comensurável em relação aos custos anuais permanentes, o valor temporal do dinheiro foi usado para calcular o gasto anual (em relação à vida útil do método) que seria equivalente em valor a esse custo inicial. Essa análise levou a estimativas do custo anual total (em milhões de dólares) dados na Tabela a seguir para emprego dos métodos a plena capacidade. Métodos de Redução de poluição Também foi determinado que o custo de um método sendo usado em um nível mais baixo é aproximadamente proporcional à fração da capacidade de redução de poluição dada na Tabela anterior que é alcançada. Portanto, para qualquer fração atingida, o custo anual 31 total seria grosseiramente essa fração da quantidade correspondente da Tabela de custos. Formule o problema e resolva usando o solver. Adendo Método Simplex O Método Simplex é uma técnica utilizada para se determinar, numericamente, a solução ótima de um modelo de Programação Linear. Será desenvolvido inicialmente para Problemas de Programação Linear, na forma padrão, mas com as seguintes características para o sistema linear de equações: i) Todas as variáveis são não negativas; ii) Todos os bi são não negativos; iii) Todas as equações iniciais do sistema são do tipo “ ≤ “. Assim, na forma padrão, só encontra-se variáveis de folga. 32 33 Os passos abordados a seguir referem-se a um P.P.L. de minimização. Para iniciarmos o Método Simplex necessita-se de uma solução básica viável inicial, a qual é, um dos pontos extremos. Este método verifica se apresente solução é ótima. Se esta não for é porque um dos demais pontos extremos adjacentes (vértice) fornecem valor menor para a função objetivo quea atual, quando o problema considerado é de minimização. Ele então faz uma mudança de vértice na direção que mais diminua a função objetivo e verifica se este novo vértice é ótimo. O processo termina quando estando num ponto extremo, todos os outros pontos extremos adjacentes fornecem valores maiores para a função objetivo. Portanto, a troca de vértice, faz uma variável não básica crescer(assumir valor positivo) ao mesmo tempo em que zera 34 uma variável básica(para possibilitar a troca) conservando a factibilidade do Problema de Programação Linear. Para isso, escolhemos uma variável, cujo custo relativo é mais negativo (não é regra geral), para entrar na base, e as trocas de vértices são feitas até que não exista mais nenhum custo relativo negativo. A variável que sairá da base é aquela que ao se anular garante que as demais continuem maiores ou iguais a zero, quando aumentamos o valor da variável que entra na base (respeitando a factibilidade). O Método Simplex compreenderá, portanto, os seguintes passos: i) Achar uma soluçãofactível básica inicial; ii) Verificar se a solução atual é ótima. Se for, pare. Caso contrário, siga para o passo iii). iii) Determinar a variável não básica que deve entrar na base; iv) Determinar a variável básica que deve sair da base; v) Atualizar o sistema à fim de determinar a nova solução factível básica, e voltar ao passo ii. Exemplo: 35 36 37 38 39 3-Programação Inteira e Programação Binária 3.1-Introdução Os problemas de Programação Linear Inteira podem ser entendidos como casos específicos da Programação Linear (conjunto solução contínuo), onde todas, ou parte, das variáveis de decisão devem ser inteiras. Quando se usa esta classe de modelos é importante se ter mente o grau de dificuldade associado à sua solução. No entanto, isto não quer dizer que problemas que exijam computadores com alta capacidade computacional não possam ser resolvidos em um tempo aceitável. Mesmo que a solução ótima não seja encontrada, é possível obter boas soluções viáveis e mostrar quão próximo da solução ótima podem estar. Um problema de programação linear inteira pode apresentar as seguintes situações: Todas as varáveis de decisões são inteiras: são problemas denominados Problemas de Programação Linear Inteira Pura – PLIP; Parte das varáveis de decisões são inteiras: são problemas denominados Problemas de Programação Linear Inteira Mista – PLIM; Todas as varáveis de decisões são binárias: são problemas denominados Problemas de Programação Linear Inteira Binária – PLIB; Parte das varáveis de decisões são binárias: são problemas denominados Problemas de Programação Linear Inteira Binária Mista – PLIBM. O modelo formal pode ser expresso por: 40 FORMAS PARA RESOLVER PROBLEMAS PLI Inicialmente, pode-se propor a solução de problemas de programação linear inteira por arredondamento ao final da aplicação de um método de programação linear, como por exemplo, pelo Simplex. Para tanto, deve-se ignorar, temporariamente, a restrição que impõe que as variáveis de decisão devam ser inteiras. Caso a resposta não seja um número inteiro, deve-se arredondá-la. Uns dos maiores problemas desta forma de resolver problemas de PLI é que o arredondamento pode não redundar em uma solução ótima (ver figura adiante). Outra abordagem é o método de enumeração que, pela avaliação das soluções viáveis, escolhe-se a melhor, ou seja, para problemas de maximização, a maior; para os de minimização, a menor. Um dos maiores entraves para a aplicação deste método é de ser impraticável para problemas reais que geralmente envolvem várias variáveis de decisão (observe o item 2 a seguir). Deve-se considerar algumas observações: 1) O número de soluções em um problema de PLI é finito, mas isto não implica que seja fácil de resolver; 41 2) Num problema de PLIB com n variáveis há 2^n soluções, por isso, para alguns problemas, fica impossível enumerar todas as soluções; 3) Os melhores algoritmos não podem garantir a solução de todos os problemas, mesmo relativamente pequenos (< 100 variáveis); 4) Para os valores que são suficientemente grandes para que o arredondamento não introduza erros significativos, pode-se até pensar neste artifício matemático; Para exemplificar, o gráfico a seguir expõe uma situação onde as soluções arredondadas não são viáveis. Em destaque a Região das Soluções Viáveis (RSV) de um problema de PL. 42 3.2-Métodos de resolução Como qualquer problema puro de PLI tem quantidade finita de soluções possíveis, deve-se considerar a utilização de um método de enumeração para encontrar um valor ótimo. Para esses casos, infelizmente a quantidade de possíveis soluções é, geralmente, muito grande, sendo então fundamental que o método utilizado seja suficientemente estruturado para que apenas uma pequena parte das soluções possíveis sejam realmente examinadas. O método Branch and Bound (em português, particionar e limitar “as partições”) é um algoritmo que apresenta essa qualidade. Como os problemas de PLI são “relativamente grandes”, para resolvê- los diretamente deve-se dividi-lo em sub-problemas cada vez menores , até que estes possam ser solucionados. Sendo assim, 43 a ideia é desenvolver uma enumeração inteligente dos pontos candidatos (nós) em busca da solução ótima inteira do problema, por meio da partição do espaço e avaliação progressiva das soluções. A forma de divisão em problemas menores parte do princípio da separação de uma das variáveis de decisão inteiras, em um problema relaxado, utilizando-a em restrições contraditórias, criando uma espécie de ramificação (a partir de um nó), como em uma árvore. Uma das formas de relaxação consiste em, temporariamente, ignorar as restrições de integralidade do problema de PLI, tornando- o um problema de PL, ficando, portanto, mais simples de resolver. A partir deste, pode-se usar para resolvê-lo o método Simplex. Deve- se considerar que o conjunto de soluções viáveis do problema original (PLI) esteja contido no conjunto de soluções viáveis do problema relaxado (PL), como exemplificada na figura adiante, implicando em: a) Se o problema relaxado não tem solução viável, então o problema de PLI também não tem; b) O valor mínimo do problema de PLI não é menor que o valor máximo do problema relaxado; c) Se uma solução ótima do problema relaxado é viável no problema de PLI, então ela é uma solução ótima do problema de PLI. 44 A escolha do ponto (nó) para ramificação da árvore pode-se ser efetuada, dentre as várias técnicas, nas seguintes: a) Jumptracking: implementa uma busca em largura (figura a seguir), onde um nó com o mínimo limite inferior é selecionado para exame. Nesta estratégia o processo de ramificação salta de um ramo para outro na arvore de busca. b) Backtracking: implementa a busca em profundidade (figura a seguir), onde os nós descendentes de um nó pai são examinados em uma ordem arbitrária ou em ordem de limites inferiores não decrescentes. Nesta estratégia, primeiramente prossegue-se até o nível mais baixo por algum caminho para encontrar uma solução tentativa e então refazer aquele caminho para cima até o primeiro nível com nós ativos e assim por diante. É fácil notar que a estratégia jumptracking tende a construir uma grande lista de nós ativos, enquanto backtracking mantém relativamente uns poucos nós na lista a qualquer momento. U ma vantagem do jumptracking é a qualidade de suas soluções 45 tentativas, que são geralmente muito mais próximas do ótimo do que soluções geradas por backtracking, especialmente nos estágios iniciais da busca. d) O problema candidato relaxado (PL) não tem solução viável. Devido ao item a anterior, o problema candidato (PLI) também não tem solução viável; e) A solução ótima do problema candidato relaxado é pior do que a melhor solução atualmente conhecida. Observar que a solução ótima do problema candidato relaxado é sempre melhor ou igual à solução do problema candidato e deseus descendentes. e.1) Num problema de maximização, o máximo do problema relaxado constitui o limite superior para o máximo do problema original ; e.2) Num problema de minimização, o mínimo do problema relaxado constitui limite inferior para o mínimo do problema original . f) Uma solução ótima do problema relaxado é viável, também é no problema candidato. Devido ao item c anterior, ela também é ótima no problema candidato. Como uma solução viável de qualquer dos subproblemas é também uma solução viável do problema, então a solução é também factível. Caso a solução seja melhor que a atual, a solução deste problema ocupará a posição de melhor solução atual, descartando a anterior. 3.3-Exercícios. 1)Problema do carregamento de aviões. 46 De acordo com a figura acima formule um problema de programação linear que maximize o lucro do transporte , considerando: Capacidade volumétrica do compartimento 1: 40m³ Capacidade volumétrica do compartimento 2: 40m³ Capacidade volumétrica do compartimento 3: 30m³ Capacidade volumétrica do compartimento 4: 30m³ Cargas a serem transportadas(cargas unitizadas e indivisíveis): Carga tipo 1: 4m³, 300 Kg e R$ 500,00 de margem de contribuição. Carga tipo 2: 3m³, 250 Kg e R$ 480,00 de margem de contribuição. Carga tipo 3: 6m³, 300 Kg e R$ 500,00 de margem de contribuição. Capacidade máxima de carga: 40 toneladas. R: 47 2)Problema da compra de aviões Uma empresa aérea deseja comprar aviões a jato grandes, médios e pequenos. O preço de compra é de US$ 33,5 milhões para cada avião grande, US$ 25,0 milhões para cada avião médio e US$ 17,5 milhões para cada avião pequeno. O conselho diretor autorizou um comprometimento máximo de US$ 750 milhões para esta compra. Qualquer que seja a compra realizada, espera-se que haja mercado para assegurar a utilização dos aviões em sua capacidade máxima. Se estima que os lucros anuais líquidos (descontando o custo de recuperação do capital aplicado), é de US$ 2,1 milhões para um avião grande, US$ 1,5 milhões para um avião médio e US$ 1,15 milhões para um avião pequeno. Supõe-se que a empresa poderá dispor de pilotos treinados para operar até 30 aviões novos. Se forem comprados apenas aviões pequenos, as instalações de manutenção poderiam comportar até 40 aviões, porém cada avião médio equivale a 1,333 aviões pequenos e cada avião grande equivale a 1,6666 aviões pequenos, em termos de utilização das mesmas instalações de manutenção. Formule um modelo de programação inteira para este problema e resolva com o solver. 3)Problema do menor caminho( distâncias em KM) 11 19 9 15 25 15 10 17 21 16 21 18 1 2 3 4 5 6 7 8 9 48 Modele o problema do menor caminho entre 1 e 9, segundo a figura acima e resolva no solver. 4) ) Uma certa indústria decidiu se expandir, construindo uma nova fábrica em Los Angeles ou em San Francisco. Também está sendo considerada a construção de um novo depósito na cidade que for selecionada para a nova fábrica. O valor presente líquido (lucraticviadade total considerando o valor do dinheiro no tempo) de cada uma destas alternativas está apresentado na tabela abaixo. A última coluna dá o capital requerido para os respectivos investimentos, onde o capital total disponível é de US$ 25.000.000,00* . O objetivo é encontrar a combinação viável de alternativas que maximize o valor presente líquido total. 5) Um jovem casal, Eva e Estêvão, quer dividir suas principais tarefas domésticas (compras,cozinhar, lavar pratos e lavar roupas) entre si, de modo que cada um tenha duas tarefas, mas que o tempo total gasto em tarefas domésticas seja mínimo. Suas eficiências nessas tarefas diferem, sendo que o tempo que cada um gastaria para desempenhar uma tarefa dado pela seguinte tabela: 49 6) Problema da evacuação. Numa certa região existe uma usina nuclear para geração de energia elétrica. Face à possibilidade da ocorrência de vazamento de material radioativo, é necessária a preparação de um plano de evacuação de emergência para a região circumvizinha. O plano deverá prever a retirada segura depessoas, animais e patrimônio essencial antes que os mesmos possam sofrer os efeitos nocivos da exposição radioativa. O modelo proposto para a evacuação idealiza a concentração das pessoas, animais e patrimônio em um centro de triagem e evacuação. A determinação do número de centros de triagem transcende a dimensão econômica. Se por um lado, um número excessivo de centros dificulta a coordenação da evacuação e aumenta o risco da exposição dos seres humanos, por outro, um número pequeno ocasionará certamente insuficiência no atendimento. As unidades de discretização possuem as seguintes demandas: pi =número de pessoas na área i vi =número de animais na área i oi =número de unidades de patrimônio na área i Cada centro de evacuação pode atender g pessoas, k animais e l unidades de patrimônio. 50 Considerando os limites g = 30, k = 15 e l = 20: Formule o problema de minimizar o número de centros de triagem do sistema de evacuação e resolva no solver. R: 7) Um hospital trabalha com um atendimento variável em demanda durante as 24 horas do dia. As necessidades distribuem- se segundo a tabela abaixo: O horário de trabalho de um enfermeiro é de oito horas quando ele entra nos turnos 1, 2, 3, 4, e 6. O enfermeiro que entra no turno 4 recebe uma gratificação de 50% sobre o salário e o enfermeiro que entra no turno 5 trabalha apenas quatro horas. Elabore o modelo de programação linear inteira que minimiza o gasto com a mão de obra. 51 4-Introdução a Teoria das Filas 4.1-Introdução As filas (filas de espera) fazem parte do dia-a-dia de nossa vida. Todos nós esperamos em uma fila para: comprar o ingresso para uma sessão de cinema, fazer um depósito bancário, pagar as compras em um supermercado, remeter um pacote no correio, comprar um sanduíche em uma lanchonete, brincar em um parque de diversões etc. Acabamos nos acostumando a um volume considerável de espera, mas ainda assim nos irritamos se tivermos de aguardar muito em uma fila. Entretanto, ter de esperar não se limita apenas a esses transtornos pessoais de relativa insignificância. O tempo que a população de um país perde em filas é um importante fator tanto na qualidade de vida nesse país quanto na eficiência da economia dessa nação. Por exemplo, antes de sua dissolução, a União Soviética era notória por filas enormes que seus cidadãos frequentemente tinham de suportar para comprar suas necessidades básicas. Mesmo nos Estados Unidos, estima-se que os norte-americanos gastem 37.000.000.000 horas por ano esperando em filas. Se, no entanto, esse tempo fosse gasto produtivamente, resultaria em aproximadamente 20 milhões de pessoas-ano de trabalho útil por ano! Mesmo esse número absurdo não é capaz de representar todo o impacto de se causar uma espera excessiva. Grandes ineficiências também ocorrem por causa de outrostipos de espera, além daquelas de pessoas esperando em uma fila. Por exemplo, deixar máquinas esperando para serem reparadas pode resultar em perdas na produção. Veículos (inclusive navios e caminhões) que precisam aguardar para ser descarregados podem atrasar embarques seguintes. Aviões aguardando para decolar ou pousar podem afetar horários de vôos 52 posteriores. Atrasos em transmissões de telecomunicações devido a linhas saturadas podem provocar problemas técnicos com os dados. Fazer que ordens de produção fiquem esperando para ser realizadas pode afetar a produção de lotes seguintes. Realizar serviços após a data combinada pode resultar na perda de futuros negócios. A teoria das filas é o estudo da espera em todas essas formas diversas. Ela usa modelos de filas para representar os diversos tipos de sistemas de filas (sistemas que envolvem filas do mesmo tipo) que surgem na prática. As fórmulas para cada modelo indicam como o sistema de filas correspondente deve funcionar, inclusive o tempo de espera médio que ocorrerá, em uma série de circunstâncias. Portanto, esses modelos de filas são muito úteis para determinar como operar um sistema de filas da forma mais eficiente. Fornecer capacidade de atendimento em excesso para operar o sistema envolve custos demasiados. Porém, não fornecer capacidade de atendimento suficiente resulta em espera excessiva e todas suas lamentáveis consequências. Os modelos permitem encontrar um equilíbrio apropriado entre custo de serviço e o tempo de espera. Nesse Capítulo é usado o modelo de filas com um canal, uma fila e população infinita ( FIFO M /M / /1/ ∞ ), uma vez que os pacientes são atendidos por um clínico geral. Aqui são utilizadas as seguintes notações para os indicadores de desempenho: a) tempo médio de permanência no sistema (TS); b) número médio de entidades no sistema (NS); c) Taxa média de chegada (λ); d) intervalo médio entre chegadas (IC); Sendo que por definição : IC=1/λ; e) tempo médio de permanência na fila (TF); 53 f) número médio de pacientes na fila (NF); g) tempo médio de atendimento ou de serviço em cada atendente (TA); h) capacidade de atendimento ou quantidade de atendentes (c); i) número médio de entidades que estão sendo atendidos (NA) e j) Taxa média de atendimento : µ=1/ TA . 4.2- MODELO DE FILA FIFO M/ M /1/ ∞ No modelo FIFO M/ M /1/∞ , o período entre as chegadas sucessivas e o tempo de atendimento são markovianos, ou seja, as chegadas são processadas segundo uma distribuição de Poisson com média λ chegadas/tempo. Já o atendimento segue uma distribuição exponencial negativa com média 1/ µ. A variável aleatória de Poisson de parâmetro λ apresenta uma função de probabilidade representada por: Destaca-se que P(X=k) representa a probabilidade (ou frequência relativa) em que ocorrem k chegadas à unidade de tempo (dias) e λ é o ritmo médio de chegadas à unidade de tempo especificada. Essa distribuição é classificada como discreta e tende para a Distribuição Normal à medida que aumenta o valor de λ . Já a distribuição Exponencial Negativa é a correspondente da distribuição de Poisson quando se analisa o intervalo entre chegadas, quando um fenômeno segue Poisson, ele automaticamente tende a Distribuição Exponencial, cuja função de densidade é expressa da seguinte maneira: 54 Considerando-se que 0 > n , isto é, existem n entidades na fila de espera, pode-se determinar a probabilidade de que o sistema esteja ocupado, como: Também pode-se determinar as seguintes relações: Número médio de entidades no sistema: L= � ��� Tamanho médio da fila: Lq= �² ��� Tempo médio no sistema: W= � ��� Tempo médio na fila: Wq= �² ��� Probabilidade de haver n entidades no sistema: Pn=��(1 − �) 55 4.3-Exercícios Suponha que os sistemas dos exercícios sejam M/M/1 1) Suponha que todos os proprietários de carros completem seus tanques quando o nível atinge exatamente a metade. Normalmente, uma média de 7,5 clientes por hora se dirigia a um posto de gasolina com uma única bomba. O tempo médio de atendimento é de 4 minutos. Com a greve dos caminhoneiros, ocorrida a pouco tempo, um certo pânico se instalou. Para modelar este fenômeno suponha que os proprietários passaram a completar o tanque quando o nível está em 3/4 do tanque. Como cada proprietário está colocando menos gasolina no tanque, durante uma visita ao posto, assuma que o tempo médio de serviço tenha caído para 3 1/2 minutos. Como o pânico afeta L e W? 2) A ocupação média de uma lanchonete de "fast-food" é de 50 pessoas. Sabe-se que chegam a lanchonete 100 pessoas/hora e que em média uma pessoa demora 20' para fazer sua refeição. a. Quanto tempo demora um cliente dentro da lanchonete? b. Qual a percentagem deste tempo é gasta na fila? 3) Considere um sistema com um único atendente tendo uma distribuição de chegadas Poisson com média = 10 c/h. Atualmente o atendente trabalha de acordo com uma distribuição exponencial com um tempo médio de serviço de 5 min. A gerência tem a sua disposição um curso de treinamento que terá como resultado uma melhora (decréscimo) na variância do tempo de serviço, porém com um leve aumento da média. Após a execução do curso estima-se que o tempo médio de serviço aumentará para 5,5 min, porém o desvio padrão decrescerá de 5 para 4 min. Deve a gerência mandar o atendente fazer este curso? 56 4) Uma fábrica possui um depósito de ferramentas onde os operários vão receber as ferramentas especiais para a realização de uma determinada tarefa. Verificou-se que o ritmo de chegada (λ) é de uma chegada por minuto e o ritmo de atendimento (μ) é de 1,2 atendimentos por minuto (seguem o modelo marcoviano M/M/1). A fábrica paga $9,00 por hora ao atendente e $18,00 por hora ao operário. Determine: a) O custo horário do sistema. (Resposta: $99,00 por hora) b) A fração do dia em que o atendente não trabalha. (Resposta: 16%) 5) Uma cooperativa agrícola prevê um crescimento na chegada de caminhões a seu terminal de descarga. O pátio de estacionamento, onde os caminhões permanecem, comporta seis caminhões. A cooperativa acha aceitável que um caminhão aguarde na fila sua vez de descarregar no máximo 0,75h. Como a equipe de descarga tem condições de descarregar quatro caminhões por hora em média, deseja-se saber: a) Qual a taxa média de chegada que faz com que o tempo médio de espera seja igual ao máximo admissível? (Resposta: 3 caminhões por hora) b) Para essa taxa de chegadas, qual a probabilidade de que o pátio não seja suficiente? (Resposta:0,10) 6) Em um sistema de uma fila e um canal, foram medidos a taxa de ocupação (0,8) e o tempo médio gasto na fila (15 min). Determine as seguintes probabilidades: a) De ocorrer 10 chegadas por hora; (0,0898) b) De que ocorram 12 atendimentos por hora e (0,066) c) De formar uma fila com 10 clientes. (0,0215) 57 5-Revisão de Probabilidade 5.1-Introdução Proponentes da definição da probabilidade por meio da frequência relativa usualmente respondem a essa objeção dizendo que a convergência de n(E)/n para um valor limite constante é uma suposição, ou um axioma, do sistema. Entretanto, supor que n(E)/n necessariamente convergirá para algum valorconstante parece ser uma suposição extraordinariamente complicada. Pois, embora realmente esperemos que tal frequência limite exista, não parece, a priori, de forma alguma evidente que este seja necessariamente o caso. De fato, não seria mais razoável supor um conjunto de axiomas simples e autoevidentes para a probabilidade e então provar que tal frequência limite constante existe de alguma maneira? Esta é a abordagem axiomática moderna da teoria da probabilidade que adotamos neste texto. Em particular, vamos assumir que, para cada evento E no espaço amostral S, existe um valor P(E) chamado de probabilidade de E. Vamos então supor que todas as probabilidades satisfazem certo conjunto de axiomas, os quais, esperamos que o leitor concorde, estão de acordo com nossa noção intuitiva de probabilidade. Considere um experimento cujo espaço amostral é S. Para cada evento E do espaço amostral S, assumimos que um número P(E) seja definido e satisfaça os três axiomas a seguir: 58 Referimo-nos a P(E) como a probabilidade do evento E. Assim, o Axioma 1 diz que a probabilidade de o resultado do experimento ser o resultado de E é igual a algum número entre O e 1. O Axioma 2 diz, com probabilidade 1, que o resultado será um ponto contido no espaço amostral S. O Axioma 3 diz que, para qualquer sequência de eventos mutuamente exclusivos, a probabilidade de pelo menos um desses eventos ocorrer é justamente a soma de suas respectivas probabilidades. A próxima proposição fornece a relação entre a probabilidade da união de dois eventos, expressa em termos das probabilidades individuais e da probabilidade de interseção dos eventos. P(E U F) = P(E) + P(F) - P(EF) Para deduzir uma fórmula para P(E U F), primeiro notamos que E U F pode ser escrito como a união dos dois eventos disjuntos E e E'F ou, de outra forma: P(E U F) = P(E) + P(F) - P(II) de acordo com o diagrama a seguir. 59 Diagrama de Venn 5.2-Probabilidade condicional Se E e F representarem, respectivamente, o evento em que a soma dos dados é igual a 8 e o evento em que o primeiro dado é um 3, então a probabilidade que acabamos de obter é chamada de probabilidade condicional de que E ocorra dado que F ocorreu e é representada por Uma fórmula geral para P(E/F) que seja válida para todos os eventos E e F, é deduzida da mesma maneira: se o evento F ocorrer, então, para que E ocorra, é necessário que a ocorrência real seja um ponto tanto em E quanto em F; isto é, ela deve estar em EF. Agora, como sabemos que F ocorreu, tem-se que F se torna nosso novo, ou reduzido, espaço amostral; com isso, a probabilidade de que o evento EF ocorra será igual à probabilidade de EF relativa à probabilidade de F. Isto é, temos a seguinte definição. 60 5.3-Variáveis aleatórias Frequentemente, quando realizamos um experimento, estamos interessados principalmente em alguma função do resultado e não no resultado em si. Por exemplo, ao jogarmos dados, estamos muitas vezes interessados na soma dos dois dados, e não em seus valores individuais. Isto é, podemos estar interessados em saber se a soma dos dados é igual 7, mas podemos não estar preocupados em saber se o resultado real foi (1,6), (2,5), (3,4), (4,3), (5,2) ou (6,l). Também, ao jogarmos uma moeda, podemos estar interessados no número de caras que vão aparecer, e não na sequência de caras e coroas que teremos como resultado. Essas grandezas de interesse, ou, mais formalmente, essas funções reais definidas no espaço amostral, são conhecidas como variáveis aleatórias. Como o valor da variável aleatória é determinado pelo resultado do experimento, podemos atribuir probabilidades aos possíveis valores da variável aleatória. Exemplo: Suponha que nosso experimento consista em jogar 3 moedas honestas, com H simbolizando cara e T simbolizando coroa. Se Y representar o número de caras que aparecerem, então Y é uma variável aleatória que pode ter um dos valores 0,1,2 e 3 com respectivas probabilidades. 61 Valor Esperado. Um dos conceitos mais importantes na teoria da probabilidade é aquele do valor esperado de uma variável aleatória. Se X é uma variável aleatória com função de probabilidade p(x), então a esperança, ou o valor esperado, de X, representada por E[X], é definida por: Colocando em palavras, o valor esperado de X é uma média ponderada dos possíveis valores que X pode receber, com cada valor sendo ponderado pela probabilidade de que X seja igual a esse valor. Exemplo: Determine E[q], onde X é o resultado que obtemos quando rolamos um dado honesto. Variância Dada uma variável aleatória Xe sua função distribuição F, seria extremamente útil se pudéssemos resumir as propriedades essenciais de F em certas medidas convenientemente definidas. Uma dessas medidas seria E[X], o valor esperado de X. Entretanto, embora E[A forneça a média ponderada dos valores possíveis de X, ela não nos diz nada sobre a variação, ou dispersão, desses valores. Por exemplo, embora as variáveis aleatórias W, Y e Z com funções discretas de probabilidade determinadas por: 62 tenham todas a mesma esperança -que é igual a O - existe uma dispersão muito maior nos valores possíveis de Y do que naqueles de W (que é uma constante) e nos valores possíveis de Z do que naqueles de Y. Como esperamos que X assuma valores em torno de sua média E[q], parece razoável que uma maneira de medir a possível variação de X seja ver, em média, quão distante X estaria de sua média. Uma possível maneira de se medir essa variação seria considerar a grandeza E[IX- pl], onde p = E[X]. Entretanto, a manipulação dessa grandeza seria matematicamente inconveniente. Por esse motivo, uma grandeza mais tratável é usualmente considerada, esta é a esperança do quadrado da diferença entre X e sua média. Temos assim a definição a seguir. Covariância A covariância ou variância conjunta é um momento conjunto de primeira ordem das variáveis aleatórias X e Y,centrados nas respectivas médias. É a média do grau de interdependência ou interrelação numérica entre elas. Se X e Y são independentes, então a sua covariância é zero. Isto acontece porque sob independência: 63 Se X e Y são variáveis aleatórias de valor real e a, b, c e d constantes ("constante", neste contexto significa não aleatória), então os seguintes fatos são uma consequência da definição da covariância: Variância da soma Var(ax + by) = a²Var(x)+b²Var(y)+2abcov(x,y) 5.4-Exercícios 1) O número de chamadas telefônicas recebidas por uma central e suas respectivas probabilidades para um intervalo de um minuto são: Qual é o número esperado de chamadas em um minuto? 64 2) Uma variável aleatória discreta pode assumir cinco valores, conforme a distribuição de probabilidade: a) Encontre o valor de P(3). b) Calcule a média da distribuição. c) Calcule a variância e o desvio padrão de X. 3) considere um jogo no qual se lançam três moedas não viciadas e se recebe R$ 2,00 caso apareça 1 cara, R$ 4,00 se aparecerem 2 caras e R$ 8,00 caso apareçam 3 caras. Se nenhuma cara ocorrem, nada se recebe. Quanto se esperaria ganhar caso fizesse esse jogo uma vez? 4) em uma caixa há 5 peças boas e 3 defeituosas. Duas peças são retiradas ao acaso e sem reposição. Definindo a variável aleatória X como sendo o número de peças boas retiradas, obtenha a distribuição de probabilidades, o valor esperado, a variânciae o desvio padrão. 5) Uma companhia de seguros acredita que pessoas possam ser divididas em duas classes: aquelas que são propensas a acidentes e aquelas que não são. A estatística da companhia mostra que uma pessoa propensa a acidentes tem probabilidade de 0,4 de sofrer um acidente dentro de um período fixo de l ano, enquanto essa probabilidade cai para 0,2 no caso de uma pessoa não propensa a acidentes. Se supomos que 30% da população é propensa a acidentes, qual é a probabilidade de que um novo segurado sofra um acidente no período de um ano posterior a compra de sua apólice? 65 6)De acordo com o enunciado do exercício 5, suponha que um novo segurado sofra um acidente em menos de um ano após a compra da apólice. Qual é a probabilidade de que ele seja propenso a acidentes? 7) Considere o seguinte jogo de cartas jogado com um baralho comum de 52 cartas: as cartas são embaralhadas e então viradas uma de cada vez. Em qualquer momento, o jogador pode dizer que a próxima carta a ser virada será o ás de espadas; se ela o for, então o jogador vence. Além disso, o jogador é considera- do vencedor se o ás de espadas não tiver aparecido e restar apenas uma carta, desde que nenhuma tentativa de adivinhá-lo tenha sido feita. Qual seria uma boa estratégia? Qual seria uma estratégia ruim? 66 6-Análise de decisão 6.1-Introdução Os capítulos anteriores se concentraram principalmente na tomada de decisão quando as consequências de decisões alternativas eram conhecidas com um razoável grau de certeza. Esse ambiente de tomada de decisão permitiu a formulação de modelos matemáticos úteis (programação linear, programação inteira, programação não linear etc.) com funções objetivo que especificam as consequências estimadas de qualquer combinação de decisões. Embora essas consequências normalmente não possam ser previstas com absoluta certeza, elas poderiam ao menos ser estimadas com precisão suficiente para justificar o emprego de tais modelos juntamente com a análise de sensibilidade etc.). Entretanto, as decisões muitas vezes têm de ser tomadas em ambientes que estão muito mais propensos a estar cheios de incertezas. Eis alguns exemplos. 1. Um fabricante lançando um novo produto no mercado. Qual será a reação de prováveis clientes? Quanto deve ser produzido? O produto deve ser comercializado de forma experimental em uma pequena região antes de decidir pela distribuição plena? Qual é o nível de propaganda necessário para que o lançamento do produto seja bem- sucedido? 2. Uma financeira investindo em títulos. Quais são os segmentos de mercado e títulos individuais com melhores perspectivas? Para quais caminhos a economia está se dirigindo? E as taxas de juros? Como esses fatores afetam as decisões de investimentos? 3. Uma empreiteira participando de uma concorrência pública. Quais serão os custos efetivos do projeto? Quais seriam as demaisempresas participantes da concorrência? Quais seriam suas prováveis ofertas? 67 4. Uma empresa do setor agrícola selecionando o mix de plantações e de animais de cria para a próxima temporada. Quais serão as condições climáticas? Quais serão os preços? Quais serão os custos? 5. Uma empresa petrolífera decidindo se deve ou não perfurar um poço em determinado local. Qual a probabilidade de existir petróleo aí? Em que volumes? Qual é a profundidade necessária para perfuração? Os geólogos devem investigar mais o local antes de perfurar? Esses são tipos de tomada de decisão que enfrentam um grande grau de incerteza para os quais a análise de decisão foi desenvolvida. A análise de decisão fornece uma estrutura e metodologia para tomada de decisão racional quando os resultados são incertos. 6.2-Exemplo Protótipo A GOFERBROKE COMPANY é proprietária de uma área de terra que pode conter petróleo. Um geólogo consultor relatou à direção que ele acredita que haja 1 chance em 4 de encontrar petróleo. Em virtude dessa possibilidade, outra companhia petrolífera ofereceu US$ 90.000 para compra do terreno. Entretanto, a Goferbroke está considerando a possibilidade de permanecer com o terreno de modo a ela própria perfurá-lo em busca de petróleo. O custo de perfuração é de US$ 100.000. Se for encontrado petróleo, a receita esperada resultante será de US$ 800.000. Tabela Prêmio 68 Qual a decisão que a companhia GoferBroke deve tomar: 1) vender a terra e ganhar $90.000,00 sem riscos ou 2) perfurar o poço a um custo de $100.000,00 e obter um retorno de $800.000,00, resultando em lucro de $700.000,00 com um risco estimado em 75% (3 em 4) ? TOMADA DE DECISÃO SEM EXPERIMENTAÇÃO Como se percebe no exemplo protótipo, existe uma informação referente à chance que existe em achar petróleo ou não. Esta informação pode ser convertida em uma medida de probabilidade. Com isso, pode-se dizer que existe uma probabilidade de 0.25 de encontrar petróleo e consequentemente, uma probabilidade de 0.75 de não encontrar petróleo. A estas probabilidades dá-se o nome de Probabilidades a Priori. Na terminologia de Análise de Decisão, os valores $700.000,00, $-100.000,00, $90.000,00 e $90.000,00 da tabela 1 são denominados Payoffs e os nomes “Poço com Petróleo” e “Poço Seco” são denominados Estados da Natureza. Por Tomada de Decisão Sem Experimentação, entende-se que é de conhecimento apenas as Probabilidades a Priori e os Estados da Natureza. Neste tipo de tomada de decisão pode-se utilizar, entre outros, três critérios: 1. Critério de Maximin Payoff, 2. Critério de Máxima Verossimilhança, e 3. Critério da Regra de Bayes. Critério de Maximin Payoff Neste critério, o problema de tomar uma decisão é vista como um Jogo (Teoria dos Jogos) entre o Tomador de Decisão (jogador A) e a Natureza (jogador B). 69 Como a matriz de Payoff é geralmente formada para o Tomador de Decisão (os valores da matriz são os payoff para o jogador A), a decisão pode ser tomada baseada no Critério de Maximin Payoff. Critério de Maximin Payoff: para cada ação (estratégia), encontrar o mínimo payoff entre todos os Estados da Natureza e então encontrar o máximo destes payoff mínimos. Escolher a ação cujo mínimo payoff resultou neste máximo. No exemplo protótipo o Maximin é: Tabela Prêmio Com isso, a decisão a ser tomada é vender a terra. Critério de Máxima Verossimilhança Este critério assume como decisão a ser tomada a que for mais provável. Critério de Máxima Verossimilhança: identificar o Estado da Natureza mais provável (o com maior probabilidade). Para este Estado da Natureza, encontrar a ação com máximo payoff. Escolher esta ação. Aplicando este critério para o exemplo protótipo, indica que o Estado Poço Seco possui a maior probabilidade. Na coluna "Poço Seco", a alternativa "Vender a terra" possui o maior payoff. 70 Com isso, a ação a ser tomada, segundo este critério é vender a terra. O maior problema deste critério é que este ignora completamente muita informação relevante. Nenhum outro Estado da Natureza é considerado, a não ser o mais provável. Regra de Decisão de Bayes: Usando a melhor estimativa das probabilidades dos respectivos Estados da Natureza (as Probabilidades à Priori), calcular o valor esperado de payoff para cada alternativa possível. Escolher a alternativa com máximo payoff esperado. Para o exemplo protótipo, os payoff esperados E são calculados diretamente a partir da primeira tabela
Compartilhar