Baixe o app para aproveitar ainda mais
Prévia do material em texto
PESQUISA OPERACIONAL ENGª. MESTRA KARLA ROBERTO SARTIN AULA 1 1 PLANO DE ENSINO Introdução a pesquisa operacional. Modelo matemático em programação linear. Método gráfico. Método Simplex. Dualidade. Problema do transporte e problema da designação. Análise de sensibilidade. Métodos computacionais aplicados à pesquisa operacional. EMENTA 2 PLANO DE ENSINO OBJETIVOS DA DISCIPLINA Habilitar o acadêmico do curso de administração a modelar, programar e otimizar processos produtivos e operações organizacionais através da aplicação de pesquisa operacional. 3 PLANO DE ENSINO CONTEÚDO PROGRAMÁTICO DA DISCIPLINA Unidade 1 - Nivelamento de estatística - Construção e análise de gráficos - Conceito de pesquisa operacional; - Modelagem matemática; - Programação linear; - Casos práticos de aplicação da programação linear em processos produtivos. Unidade 2 - Resolução de modelos de programação linear a partir do método gráfico; - Método simplex; - Análise de dualidade; - Otimização; - Análise econômica a partir do método simplex; - Casos de aplicação do método simplex em processos produtivos. Unidade 3 - Conceituação do problema de transporte; - Programação linear aplica a transportes; - Modelos de solução de problemas de transporte; - Análise de otimalidade dos modelos de transportes; -Análise de sensibilidade das soluções dos modelos de transportes. 4 Métodos adotados no processo ensino aprendizagem: - Aulas expositivas dialogadas; - Sala de aula invertida; - Leitura de uma obra clássicas da pesquisa operacional; - Formação de times e aplicação das metodologias ativas (TBL – aprendizagem baseada em times/ TBL – aprendizado baseado em problemas/ Estudos de casos e solução de problemas/ jogos); - Os alunos deverão desenvolver programação linear de uma empresa, visando a otimização dos processos produtivos - Discussão e análise de casos em grupos. PLANO DE ENSINO 5 PLANO DE ENSINO CHAMADA ÀS 10:50H 6 PLANO DE ENSINO 2,0 PONTOS DE TRABALHOS – TESTES SURPRESAS PREPARATÓRIOS PARA AS PROVAS MÉDIA ARITIMÉTICA OBTIDA NOS DIVERSOS TESTES. 7 NIVELAMENTO PLANEJAMENTO DE ESTUDOS ESTATÍSTICO 8 1. Definir o problema: a definição do problema deve ser o primeiro passo para qualquer pesquisa. Na prática, definir o problema é transformar o tema da pesquisa em uma pergunta que deverá ser respondida ao final de todo o processo que segue. 2. Planejar a coleta de dados: a coleta de dados será determinada pelo tipo de pesquisa — em função do problema de pesquisa, devemos planejar se esta será de caráter experimental ou de levantamento. A pesquisa experimental tem a característica de manipular os elementos para avaliar os efeitos – EX: TRAÇO CONCRETO QUANDO HÁ ADIÇÃO DE ADITIVOS. A pesquisa de levantamento é aquela que gera dados a partir da observação . Observação – em variáveis do tipo qualitativas é necessário a elaboração de questionários. Organização, apresentação e análise dos dados: deve-se obedecer critérios de classificação; dados são apresentados em tabelas, gráficos ou histogramas, a fim de ficarem mais evidentes para análise; medidas descritivas – ex: média, moda...; Medidas de dispersão NIVELAMENTO 9 Os resultados: após conhecer todas as características dos dados, a partir da análise, faz-se as conclusões sobre a população, ou seja, o todo considerado na pesquisa. Por meio da estatística inferencial, é possível fazer deduções e previsões relevantes, com o intuito de responder o problema inicial da pesquisa NIVELAMENTO 10 NIVELAMENTO 1)Leia as alternativas abaixo e assinale a que aponta CORRETAMENTE o tipo de profissional que a Estatística pode auxiliar: Matemáticos. Todo profissional, independente de sua área de atuação. Donos de loja, para cálculo dos produtos a comprar. Atletas, para uso em seus treinamentos. As grandes empresas. 11 NIVELAMENTO 2)Dentre as afirmativas abaixo, marque a que completa CORRETAMENTE a frase: A Estatística é um ramo da Matemática que estuda... toda a Matemática. toda a Matemática, menos as quatro operações básicas. como obter e organizar dados numéricos. apenas como obter dados numéricos. apenas como organizar dados numéricos. 12 NIVELAMENTO 3)A Estatística tenta transformar “um punhado de números” em informações que: permitam entender a Matemática como um todo. permitam entender apenas as quatro operações matemáticas básicas (soma, subtração, multiplicação e divisão). permitam entender a Teoria de Limites. auxiliem apenas na compreensão de fatos passados. auxiliem na compreensão de fatos passados e na tomada de decisão das mais variadas maneiras. 13 NIVELAMENTO 4)Dentre as afirmativas abaixo, marque a que completa CORRETAMENTE a frase: A Estatística Descritiva engloba... métodos e técnicas para avaliar uma série de dados. a descrição do que é Estatística. a descrição do que a Estatística estuda. a descrição da Matemática. a descrição unicamente das técnicas estatísticas. 14 NIVELAMENTO 5)Dentre as afirmativas abaixo, marque a que completa CORRETAMENTE a frase: A Estatística Inferencial (ou a Matemática) utiliza... métodos e técnicas para avaliar uma série de dados. a Teoria da Probabilidade. a Teoria de Limites. as quatro operações básicas. praticamente tudo o que existe em Matemática. 15 16 https://www.educamaisbrasil.com.br/enem/matematica/tipos-de-graficos O gráfico de colunas, também chamado de gráfico de barra, são usados na comparação dos quantitativos em setores, espaços de tempo ou lugares. Os dados são colocados na posição vertical e as categorias qualitativas na horizontal. 17 https://www.educamaisbrasil.com.br/enem/matematica/tipos-de-graficos A tabela a seguir mostra o número de turistas que vieram ao Brasil em janeiro de 2020: Pais de origem Número de turistas Uruguai 1178 Peru 2377 Argentina 3865 Venezuela 2386 Colômbia 4465 Bolívia 2378 Paraguai 1496 Chile 2569 Construa um gráfico de barras usando Excel 18 Gráfico de Linhas Também conhecido como gráfico de segmento, é utilizado para exemplificar parâmetros de evolução e regressão. Ou seja, sequências numéricas presentes em certos espaços de tempo. 19 Mês/Ano Estadual Nacional 7/2020 62,5481 60,3122 6/2020 61,3540 58,3298 5/2020 56,0398 54,3195 4/2020 51,7902 51,4334 3/2020 49,5096 49,2383 2/2020 48,6878 47,8821 1/2020 46,9230 46,1679 12/2019 45,9425 45,2417 11/2019 45,5056 45,3202 10/2019 45,1589 44,9155 9/2019 43,6585 42,9657 8/2019 43,0866 42,4705 EVOLUÇÃO DO PREÇO DO ARROZ IRRIGADO (U$) – SACA DE 50 KG Construa um gráfico de LINHAS usando Excel 20 Gráfico de setores é adequado para estatísticas e percentuais (porcentagens). As partes, quando somadas, devem resultar no todo (100%). É viável para série de dados, valores positivos e diferentes de zero, menos de sete categorias avaliadas. 21 PATOLOGIAS NA CONSTRUÇÃO CIVIL ÁREA CONSTRUTIVA PERCENTUAL (%) FUNDAÇÃO 12 ESTRUTURA 25 ALVENARIA 17 ELEVADOR 10 REVESTIMENTO 22 IMPERMEABILIZAÇÃO 3 PINTURA 10 Construa um gráfico SETORIAL usando Excel 22 Gráfico de Área Semelhante ao gráfico de linhas com marcadores, destaca as alterações e compara as variáveis em relação ao tempo. Assim como o SETORIAL, representa partes de um todo e as categorias em duas ou mais dimensões. 23 Gráfico de Dispersão Também conhecido como gráfico de Scatter, esse tipo mostra a relação entre diferentes variáveis e seus resultados. O uso desse modelo é aconselhado em trabalhos que destacam as semelhanças entre os valores sem o auxílio do tempo. Quanto mais dados forem incluídos, melhores serão as análises. Podem ser elaborados de tais formas: • Dispersão com linhas suaves • Dispersão com linhas suaves e marcadores • Dispersão com linhas retas • Dispersão com linhas retas e marcadores 24 Gráfico de Rede Fluxograma com sequências interligadas para determinar os dados que ainda não foram concluídos e as suas dependências. Desenhos com nós e flechas são os mais usados. 25 Assim como o gráfico de colunas,utiliza a distribuição e análise de dados estatísticos. A altura dos desenhos é proporcional a frequência dos acontecimentos e as barras são separadas entre si. Histogramas A variável precisa ser quantitativa e o valores de forma contínua. A depender da sua estética, são classificadas em: • Histograma simétrico • Histograma assimétrico • Histograma Despenhadeiro • Histograma com Dois Picos • Histograma Platô • Histograma Retângulos Isolados 26 Infográficos Entre os tipos de gráficos, essa categoria explora é a que mais explora imagens, desenhos e variados elementos visuais, tornando-os altamente atrativos ao público leitor. Por isso, é comum a aparição em matérias jornalísticas, livros didáticos e campanhas publicitárias. 27 PESQUISA: DADOS MERCADOLÓGICOS FAZER UMA ANÁLISE GRÁFICA E APRESENTAR NA PROXIMA AULA 28 PESQUISA OPERACIONAL ENGª. MESTRA KARLA ROBERTO SARTIN AULA 2 - Nivelamento Gráficos - Conceito de pesquisa operacional - Modelagem matemática 29 ORGANIZAÇÃO DE DADOS: TABELAS E GRÁFICOS ENGº KARLA SARTIN 30 31 No vestibular da UFMG foi questionado aos candidatos: Em qual colégio você estudou? Obteve-se os seguintes dados: colégio 1: 15 candidatos, colégio 2: 6 candidatos, colégio 3: 26 candidatos, 2 alunos estudaram em outros colégios e 1 aluno preferiu não responder. Veja, no anexo, como ficariam as tabelas neste caso. Observe que a primeira é bem simples, já a segunda é mais completa. Com base nessas informações, qual (ou quais) pergunta(s) você faria se precisasse descobrir quantas pessoas do sexo masculino com idade entre 30 e 40 anos trabalham em determinada empresa? E como você tabularia o resultado? A resposta será avaliada conforme o seguinte critério: embora existam diversas combinações de perguntas, é preciso chegar a uma resposta que não deixe dúvidas sobre o resultado obtido. Lembre-se de que não basta saber se é do sexo masculino, é preciso saber se os indivíduos têm entre 30 e 40 anos. ENGº KARLA SARTIN 32 PADRÃO DE RESPOSTA ESPERADO A solução mais simples seria fazer uma única pergunta, do tipo: você é uma pessoa do sexo masculino com idade entre 30 e 40 anos? As opções de resposta seriam apenas "sim" e não". A solução mais elaborada seria fazer duas perguntas, do tipo: a) Qual é o seu sexo? As opções de resposta seriam "feminino" ou "masculino". b) Qual é a sua faixa etária? As opções de reposta teriam valores como: menos de 20 anos, 20 a 30 anos, 30 a 40 anos, 40 a 50 anos e mais de 50 anos. Observe que, embora as demais faixas possam variar, é obrigatório ter a opção 30 a 40 anos, pois isso é o que se procura descobrir. 33 34 35 36 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Por que organizamos os dados em estatística? Quando estamos coletando os dados, essa coleta ocorre de forma aleatória e, durante esse processo, não temos a capacidade de organizá-los e também não temos condições de tomar alguma decisão com base na coleta, sem o tratamento desses dados Por esse motivo, precisamos começar a analisar os dados coletados e, de alguma forma, resumi-los para podermos visualizar os resultados de forma organizada, iniciando, assim, a análise descritiva dos dados. Primeiramente, resumimos em tabelas de distribuição de frequências e depois podemos fazer gráficos 37 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Sobre a coleta de dados, é importante estarmos sempre atentos à forma como coletamos os dados. Precisamos, antes de qualquer coleta, estabelecer a metodologia para a escolha das unidades amostrais. Muitas vezes, quando coletamos dados, estamos interessados em poder fazer inferência para o restante da população (extrapolar para toda a população). Somente quando temos uma amostra probabilística – ou seja, os elementos da população são escolhidos por sorteio aleatório – que poderemos realizar inferências. Caso a amostra não seja probabilística, poderemos apenas fazer uma análise descritiva dos dados e o resultado dessa análise dirá respeito somente à amostra pesquisada. 38 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Tipos de tabelas e gráficos Existem tabelas que são para dados qualitativos, que também chamamos de tabelas para dados categóricos - anota a frequência que cada uma das opções de resposta aparece na amostra. 39 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Conforme verificado na Tabela 1, a coluna f (frequência simples absoluta) é resultado da contagem da frequência que cada uma das palavras apareceu na amostra. Ou seja, havia 63 pessoas do sexo masculino e 57 do sexo feminino na amostra Para calcularmos a coluna da frequência relativa - fr, precisamos ver quanto cada uma das frequências tem de proporção no total da amostra. 40 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Podemos representar essa tabela com um gráfico de setores, também conhecido como gráfico de pizza, conforme a Figura 2. 41 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Tabelas para dados de uma variável qualitativa nominal - devemos ordenar do mais frequente para o menos frequente. Já quando temos uma variável qualitativa ordinal, precisamos respeitar a ordem em que a variável é apresentada (Tabela 2) 42 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Para representarmos essa tabela, podemos fazer um gráfico de colunas, conforme a Figura 3. 43 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Tabelas para representar dados quantitativos - Nesse caso, podemos ter tabelas por ponto e tabelas por intervalos (também chamadas de tabelas por classes). Variáveis quantitativas discretas costumam gerar tabelas de distribuição de frequência por ponto (Tabela 3) 44 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Também podemos representar esses dados com um gráfico de colunas, conforme a Figura 4. 45 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos variáveis quantitativas geram tabelas de distribuição de frequências por intervalos (Tabela 4). 46 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Para representarmos essa tabela, precisamos nos dar conta de um fato: entre as faixas, não existe um intervalo numérico, pois chegamos ao limite de um número e na faixa seguinte já iniciamos com ele. Assim, não podemos representar nenhum espaço no eixo do gráfico quando temos um gráfico de colunas. Nesse caso, as colunas estão grudadas umas às outras, e chamamos esse gráfico de histograma (Figura 5). 47 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Quando temos uma variável quantitativa discreta, pode ser que também precisemos fazer intervalos para melhor representar os dados. Caso existam mais de 10 opções de resposta, já podemos montar os intervalos para poder representar melhor esses dados. Podemos ainda acrescentar mais colunas a essas tabelas que representam dados quantitativos para utilizarmos para fins de análise (Tabela 5). As colunas que necessariamente precisam aparecer em uma tabela de distribuição de frequências, além da primeira coluna que representa as opções de resposta dos dados coletados, são: f → frequência simples absoluta (resulta da contagem na amostra). fr → frequência simples (percentual) F → frequência acumulada absoluta (resulta somando a coluna f). Fr → frequência acumulada relativa (resulta somando a coluna fr). x’ → ponto médio do intervalo, no caso da tabela de intervalos. 48 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos 49 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Sobre a nomenclatura para a tabela de distribuição de frequências por intervalos, a barra na vertical (|) indica que o número ao seu lado está contido no intervalo. Quando temos o traço na horizontal, chegamos muito próximo ao número que está ao seu lado, mas não chegamos até ele. Por exemplo: 15|---25 → o número 15 está contido nesse intervalo, mas o número 25 não. 15---|25→ o número 15 não está contido nesse intervalo e o número 25 sim. 15---25 → o número 15 não está contido nesse intervalo e o número 25 também não. 15|---|25 → o número 15 está contido nesse intervalo e o número 25 também. 50 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Agora, qual gráfico escolher? Quando tivermos uma variável qualitativa, tanto nominal quanto ordinal, podemos representar esses dados com um gráfico de setores, de colunas ou barras . Para as variáveis quantitativas para tabelas de distribuição de frequências simples ou por intervalos, podemos ter gráficos de colunas . Para os dados de variáveis quantitativas representadas em tabelas de distribuição de frequências por intervalos, representamos graficamente com um histograma. O gráfico de dispersão é utilizado em análise de correlação e regressão, quando temos duas variáveis e verificamos a relação entre elas. O gráfico de linhas é utilizado quando desejamos representar uma variável quantitativa ao longo do tempo 51 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos Considere os dados referentes a uma pesquisa com 20 famílias de um bairro pequeno, onde foi perguntado quantas vezes o chefe da família procurou o médico no ano anterior. As respostas da coleta são as seguintes: Para representarmos esses dados, o primeiro passo é a montagem da tabela de distribuição de frequências. Precisamos contar quantas vezes cada um dos números apareceu e então fazer os seus percentuais. 52 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos 53 CONTEÚDO DO LIVRO: Organização de Dados: Tabelas e Gráficos A segunda maneira de representarmos esses dados seria por meio de um gráfico Concluímos então que o número mais frequente de visitas é igual a 2, representando 25%. Ou seja, mais da metade dos chefes de família foi, no máximo, até duas vezes a uma consulta com um médico no último ano. 54 PESQUISA OPERACIONAL ENGª. MESTRA KARLA ROBERTO SARTIN AULA 3 - Nivelamento Gráficos - Estatística Inferencial 55 Nivelamento: Análise de Regressão Estatística inferencial É um tipo de análise que usa modelos matemáticos para relacionar o comportamento de uma variável Y com o de outra X. Modelo Simples Y = f (X) Modelo Multivariado Y = f (X1, X2,...Xn) n = intercepto m = coeficiente da reta 56 Análise de Regressão Para que serve saber a relação entre duas variáveis? Para fazer PREVISÕES sobre o comportamento futuro de um fenômeno atual extrapola-se para o futuro o comportamento presente das variáveis: - Ex: Prever a população de uma cidade no futuro. - Ex: Prever a natalidade infantil para o ano 2050. - Ex: Prever a demanda futura por habitação Para SIMULAR os efeitos de uma variável X sobre uma variável Y. avalia-se as relações de causa-efeito entre 2 variáveis - Ex: Simular os efeitos sobre a segurança na cidade (Y) em função do aumento do policiamento ostensivo nas ruas (X) . - Ex: Simular o efeito sobre o trânsito (Y) de uma cidade em função da elevação do preço da gasolina (X). 57 Análise de Regressão O modelo é SIMPLES envolve o relacionamento entre duas variáveis. Esse relacionamento pode ser: Simples Linear (equação da reta) ou, Simples Não linear (equação exponencial, geométrica, ...) O modelo e MULTIVARIADO quando envolve o relacionamento entre mais de duas variáveis: Multivariado Linear (equação do plano) Multivariado Não Linear Análise de Regressão Os Modelos de Regressão são aqueles que simulam o relacionamentos entre 2 ou mais variáveis. 58 A relação entre as variáveis é: direta (ou positiva) quando os valores de Y aumentam em decorrência do aumento dos valores de X . Y X Y X inversa (ou negativa) quando os valores de Y variam inversamente em relação aos de X. Y X Y X Análise de Regressão: Modelos 59 Análise de Regressão: Diagrama de Dispersão É uma “nuvem” de pontos plotados num gráfico cartesiano. Os pontos são definidos pelos valores da variável X e da variável Y. Numa pesquisa toda vez que os valores de X e Y forem apurados um par de informação referente a cada ponto é gerado. Os valores das variáveis x e y serão as coordenadas de cada ponto plotado no gráfico. 60 1.7200000000000004 1.7200000000000004 1.58 1.8 1.6700000000000008 1.6500000000000001 1.7500000000000004 1.6500000000000001 1.7000000000000004 1.7500000000000004 1.6800000000000008 1.6800000000000008 1.54 1.7000000000000004 1.6800000000000008 1.6 1.6500000000000001 1.6500000000000001 1.6400000000000001 1.8 1.55 1.6500000000000001 1.7600000000000005 1.6500000000000001 1.6700000000000008 1.7200000000000004 1.6800000000000008 1.6 1.84 -9.077793304109819 8 -7.0777933041098224 -6.4524415688827048 3.1362914186175335 -3.211596255814416 3.7348825635037439 9.0024884669129364 -2.2651174364962552 3.8686855152083397 12.002488466912936 -3.1848356654734942 -9.1848356654734911 -3.5594839302463868 -4.1313144847916643 -3.1848356654734942 -6.3989203882008709 -1.2651174364962554 -1.2651174364962554 19.333473708389928 -0.29187802683717506 4.1362914186175352 4.4672766600945337 3.7348825635037439 3.0292490572538622 -6.2651174364962472 -5.2115962558144115 6.9222066958901864 0.81516433452650761 -1.3989203882008701 -0.75666622001878703 Variável X Variável Y Análise de Regressão: Diagrama de Dispersão – relação direta Observação X Y 1 30 4300 2 21 3350 3 35 5200 4 42 4900 5 37 4700 6 20 2100 7 8 1950 8 17 2700 9 35 4000 10 25 4800 Idade X Renda mensal CURVA CRESCENTE 61 Idade X renda mensal 30 21 35 42 37 20 8 17 35 25 4300 3350 5200 4900 4700 2100 1950 2700 4000 4800 Análise de Regressão: Diagrama de Dispersão – relação inversa CURVA DECRESCENTE 62 Análise de Regressão: Diagrama de Dispersão – sem relação 63 A Análise de Regressão é o processo matemático para calcular os parâmetros “a” e “b” de uma função f (X). Y = a + b X Estes parâmetros determinam as características da função que relaciona ‘Y’ com ‘X’. No caso do modelo linear esta função é representada por uma reta chamada de reta de regressão. Análise de Regressão: Modelo Linear REGRESSÃO LINEAR 64 Análise de Regressão: Modelo Linear Observação X Y 1 30 4300 2 21 3350 3 35 5200 4 42 4900 5 37 4700 6 20 2100 7 8 1950 8 17 2700 9 35 4000 10 25 4800 Relação entre as variáveis: X = Idade Y = Renda mensal Y = a + b X 65 Análise de Regressão: Modelo Linear 66 Análise de Regressão: Modelo Linear A reta de regressão explica teoricamente ou modela a relação entre X e Y. Isto significa que o valor de Y observado nem sempre é igual ao valor de Y’ estimado (ou previsto) pela reta de regressão. Análise de Regressão: Modelo Linear Análise de Regressão: Modelo Linear 67 Análise de Regressão: Modelo Linear Erro ou Desvio Haverá sempre alguma diferença entre o valor observado Y e o valor estimado Y’. Essa diferença em estatística é chamada de erro ou desvio: e = Y – Y’ O erro indica que: que as variações de Y não são perfeitamente explicadas pelas variações de X ou; que existem outras variáveis das quais Y depende ou; que os valores de X e Y são obtidos de uma amostra particular que não é representativa da realidade . 68 A regressão significa que os pontos plotados no gráfico são regredidos, isto é, são definidos ou modelados por uma reta que corresponde à menor distância entre cada ponto plotado e a reta. Y = α + β X equação da reta a partir dos dados coletados Y’ = a + b X’ equação da reta a partir das estimativas Análise de Regressão: Modelo Linear 69 A regressão significa que os pontos plotados no gráfico são regredidos, isto é, são definidos ou modelados por uma reta que corresponde à menor distância entre cada ponto plotado e a reta. Análise de Regressão: Modelo Linear 70 Análise de Regressão: Modelo Linear Análise de Regressão: Modelo Linear 71 Análise de Regressão: Modelo Linear 72 UTILIDADE DA RETA DE REGRESSÃO Duas medidas são usadas para indicar o quantoconfiável, útil ou aproximada da realidade é a reta: Erro padrão da estimativa Coeficiente de determinação Mas até que ponto a reta de regressão é uma aproximação confiável para avaliar a tendência da realidade? A reta de regressão é apenas uma aproximação da realidade. É um modo útil para indicar a tendência dos dados. Análise de Regressão: Modelo Linear 73 Mede o desvio entre os valores reais de Y e os valores estimados Y’. Ele informa a extensão do erro entre os valores de Y’ obtidos das estimativas e os valores de Y fornecidos pela amostra. Se é medido na unidade de Y. O que se busca é obter o menor valor possível de Se. Pode-se interpretar o Se como um desvio padrão dos resíduos. Erro Padrão da Estimativa - Se Análise de Regressão: Modelo Linear 74 Análise de Regressão: Modelo Linear Y Y’ Y Y’ Y’ Y Y’ Y Y Y’ Y’ Y’ Y’ 75 PESQUISA OPERACIONAL ENGª. MESTRA KARLA ROBERTO SARTIN AULA 4 - Nivelamento Gráficos - Conceito de pesquisa operacional - Modelagem matemática 76 RESOLUÇÃO DE EXERCÍCIOS – ESTATÍSTICA INFERENCIAL “O coeficiente de correlação r, mede a intensidade da relação linear entre os valores quantitativos emparelhados x e y em uma amostra.” (TRIOLA;2009) A partir dos gráficos a seguir diga se há correlação, se ela é negativa ou positiva, e se ela é forte ou fraca. a) b) c) d) B a D positiva. NEGATIVA 77 RESOLUÇÃO DE EXERCÍCIOS – ESTATÍSTICA INFERENCIAL Fórmula do cálculo do coeficiente de correlação PASSO A PASSO PARA DESENVOLVER O CÁLCULO DO COEFICIENTE DE CORRELAÇÃO - r: FAZER UMA TABELA COM 5 COLUNAS, NAS DUAS PRIMEIRAS SÃO DISPOSTOS OS VALORES DE X E Y NA TERCEIRA COLUNA FAZER A MULTIPLICAÇÃO DE X*Y NA QUARTA COLUNA ELEVAR X AO QUADRADO NA QUINTA COLUNA ELEVAR Y AO QUADRADO INCLUIR UMA LINHA COM O SOMATÁRIO DOS VALORES CALCULADOS INSERIR VALORES CALCULADOS NA FÓRMULA 78 RESOLUÇÃO DE EXERCÍCIOS – ESTATÍSTICA INFERENCIAL ENCONTRE COEFICIENTE DE CORRELAÇÃO X Y X*Y X2 Y2 1 2 1 8 3 6 5 4 FAZER UMA TABELA COM 5 COLUNAS, NAS DUAS PRIMEIRAS SÃO DISPOSTOS OS VALORES DE X E Y II. NA TERCEIRA COLUNA FAZER A MULTIPLICAÇÃO DE X*Y X Y X*Y X2 Y2 1 2 2 1 8 8 3 6 18 5 4 20 79 RESOLUÇÃO DE EXERCÍCIOS – ESTATÍSTICA INFERENCIAL ENCONTRE COEFICIENTE DE CORRELAÇÃO III. NA QUARTA COLUNA ELEVAR X AO QUADRADO X Y X*Y X2 Y2 1 2 2 1 1 8 8 1 3 6 18 9 5 4 20 25 IV. NA QUINTA COLUNA ELEVAR Y AO QUADRADO X Y X*Y X2 Y2 1 2 2 1 4 1 8 8 1 64 3 6 18 9 36 5 4 20 25 16 80 RESOLUÇÃO DE EXERCÍCIOS – ESTATÍSTICA INFERENCIAL ENCONTRE COEFICIENTE DE CORRELAÇÃO V. INCLUIR UMA LINHA COM O SOMATÁRIO DOS VALORES CALCULADOS X Y X*Y X2 Y2 1 2 2 1 4 1 8 8 1 64 3 6 18 9 36 5 4 20 25 16 10 20 48 36 120 ∑x ∑y ∑x*y ∑x2 ∑y2 VI. INSERIR VALORES CALCULADOS NA FÓRMULA n Tamanho da Amostra 81 RESOLUÇÃO DE EXERCÍCIOS – ESTATÍSTICA INFERENCIAL ENCONTRE COEFICIENTE DE CORRELAÇÃO HABITO DE FUMAR E NICOTINA – quando a nicotina é absorvida pelo corpo, produz-se cotinina. Uma medida de cotinina no corpo é, portanto, um indicador do quanto a pessoa fuma. Abaixo estão listados os números informados de cigarros fumados por dia e as quantidades medidas de cotinina (em ng/ml). Há uma correlação linear significativa? Explique o resultado. X (cigarros/dia) Y (cotinina) X*Y X2 Y2 60 179 10 28 4 76 15 174 10 209 1 10 20 350 8 2 7 43 10 25 82 RESOLUÇÃO DE EXERCÍCIOS – ESTATÍSTICA INFERENCIAL ENCONTRE COEFICIENTE DE CORRELAÇÃO X (cigarros/dia) Y (cotinina) X*Y X2 Y2 60 179 10740 3600 32041 10 28 280 100 784 4 76 304 16 5776 15 174 2610 225 30276 10 209 2090 100 43681 1 10 10 1 100 20 350 7000 400 122500 8 2 16 64 4 7 43 301 49 1849 10 25 250 100 625 145 1096 23601 4655 237636 r =0,4451 83 RESOLUÇÃO DE EXERCÍCIOS – ESTATÍSTICA INFERENCIAL ENCONTRE COEFICIENTE DE CORRELAÇÃO Ao se fazer um modelo matemático que correlacione numero de cigarros fumados por dia encontramos a equação: Y=65 +3,02X ONDE: X= número de cigarros Y = taxa de nicotina Preencha a tabela de previsão e simulação a seguir: Numero de cigarros Cotinina Numero de cigarros Cotinina Numero de cigarros Cotinina 1 68 9 17 2 71 10 18 3 74,1 11 19 4 12 20 5 13 21 6 14 22 7 15 23 8 16 24 Y1=65+3,02*1 = 68 Y2=65+3,02*2= 71 Y3=65+3,02*3=74,1 84 RESOLUÇÃO DE EXERCÍCIOS – ESTATÍSTICA INFERENCIAL ENCONTRE COEFICIENTE DE CORRELAÇÃO Numero de cigarros Cotinina Numero de cigarros Cotinina Numero de cigarros Cotinina 1 68 9 92,2 17 116 2 71 10 95,2 18 119 3 74,1 11 98,2 19 122 4 77,1 12 101 20 125 5 80,1 13 104 21 128 6 83,1 14 107 22 131 7 86,1 15 110 23 134 8 89,2 16 113 24 137 Se uma pessoa fumar 100 cigarros por dia qual o nível de cotinina no sangue dela: 85 PESQUISA OPERACIONAL ENGª. MESTRA KARLA ROBERTO SARTIN AULA 5 REGRESSÃO LINEAR CORRELAÇÃO E EQUAÇÃO DA RETA 86 Coeficiente de Correlação Simples “ r ” O coeficiente de correlação é igual a raiz quadrada do coeficiente de determinação. No exemplo anterior: Podemos obter o coeficiente de correlação a partir do coeficiente de determinação. : r2 = 0,738 coeficiente de determinação r = 0,85 coeficiente de correlação. O coeficiente de determinação é sempre positivo. O coeficiente de correlação assume valores negativos e positivos. Análise de Regressão: Modelo Linear 87 Análise de Regressão: Modelo Linear Valores de r igual ou próximos de 1 ou –1 indicam que existe uma forte correlação entre as variáveis: Valores próximos de +1 relação : direta Alta correlação entre Valores próximos de -1 as variáveis relação: inversa Valores próximos de 0 não há relação entre as variáveis. (zero) O coeficiente de determinação indica o grau de ajuste (fit) da reta de regressão. O coeficiente de correlação é uma medida que indica a força da relação entre as variáveis - 1 ≤ r ≤ + 1 Coeficiente de Correlação Simples é a porcentagem da variação da variável resposta que é explicada por um modelo linear. 88 Resumindo Os valores de r estão limitados entre -1 ≤ r ≤ +1 O coeficiente de correlação tem um valor único para a população ou amostra. Coeficiente de correlação padroniza dentro dos horizontes acima as variações da covariância Análise de Regressão: Modelo Linear 89 Equação de regressão yx PASSO A PASSO PARA DESENVOLVER O CÁLCULO DO COEFICIENTE DE CORRELAÇÃO - r: FAZER UMA TABELA COM 5 COLUNAS, NAS DUAS PRIMEIRAS SÃO DISPOSTOS OS VALORES DE X E Y NA TERCEIRA COLUNA FAZER A MULTIPLICAÇÃO DE X*Y NA QUARTA COLUNA ELEVAR X AO QUADRADO NA QUINTA COLUNA ELEVAR Y AO QUADRADO INCLUIR UMA LINHA COM O SOMATÁRIO DOS VALORES CALCULADOS INSERIR VALORES CALCULADOS NA FÓRMULA DE r INSERIR VALORES NA FÓRMULA DE a INSERIR VALORE NA FÓRMULA DE b ENCONTRAR EQUAÇÃO DA RETA 90 Equação de regressão - EXEMPLO Ache a melhor predição para o valor do número de Acres queimados. Dado que houve 80 incêndios. Incêndios -X A queim. Cres - Y X*Y X2 Y2 73 6,2 69 4,2 58 1,9 48 2,7 84 5,0 62 1,6 57 3,0 45 1,6 70 1,5 63 2,0 48 3,7 ∑ 91 Equação de regressão Incêndios -X A queim. Cres - Y X*Y X2 Y2 73 6,2 452,6 5329 38,4 69 4,2 289,8 4761 17,6 58 1,9 110,2 3364 3,61 48 2,7 129,6 2304 7,29 84 5 420 7056 25 62 1,6 99,2 3844 2,56 57 3 171 3249 9 45 1,6 72 2025 2,56 70 1,5 105 4900 2,25 63 2 126 3969 4 48 3,7 177,6 2304 13,7 677 33,4 2153 43105 126 0,52 -1,13 0,07 yx yx y*80 y 92 Equação de regressão – Exemplo 2 Sistólica -X Diastólica Y- X*Y X2 Y2 138 82 130 91 135 100 140 100 120 80 125 90 120 80 130 80 130 80 144 98 143 105 Medir pressão sanguínea: Ache a melhor predição da pressão sanguínea diastólica para uma pessoa com uma leitura sistólica de 122. Analise o coeficiente de determinação e o de Correlação. 93 Equação de regressão – Exemplo 2 Medir pressão sanguínea:Ache a melhor predição da pressão sanguínea diastólica para uma pessoa com uma leitura sistólica de 122. Analise o coeficiente de determinação e o de Correlação. Sistólica x diastólica- Y X*Y X2 Y2 138 82 11316 19044 6724 130 91 11830 16900 8281 135 100 13500 18225 10000 140 100 14000 19600 10000 120 80 9600 14400 6400 125 90 11250 15625 8100 120 80 9600 14400 6400 130 80 10400 16900 6400 130 80 10400 16900 6400 144 98 14112 20736 9604 143 105 15015 20449 11025 1455 986 131023 193179 89334 r = 0,7259 r2 = 0,527 a = -20,64 b = 0,83 A pressão sistólica explica aproximadamente 53% da diastólica segundo a amostra analisada. Com relação direta e mediana. 94 Equação de regressão – EXEMPLO 3 COMPARANDO AUDIÊNCIA DE TV: Ache a melhor predição para o valor do número de telespectadores em milhões, dado que o salário em milhões da estrela de TV Jeniffer Aniston é de 16 milhões. Como se compara o valor predito com o número real de telespectadores que foi de 24 milhões? SALARIO TELESPECTADORES 100 7 14 4,4 14 5,9 35,2 1,6 12 10,4 7 9,6 5 8,9 1 4,2 SALARIO TELESPECTADORES X*Y X2 Y2 100 7 700 10000 49 14 4,4 61,6 196 19,36 14 5,9 82,6 196 34,81 35,2 1,6 56,32 1239 2,56 12 10,4 124,8 144 108,16 7 9,6 67,2 49 92,16 5 8,9 44,5 25 79,21 1 4,2 4,2 1 17,64 188,2 52 1141,22 11850 402,9 O salário explica apenas 1,4% o número de telespectadores, e a correlação entres salário e telespectadores é muito fraca. Isso explica o erro grotesco do predito com o real. 95 PESQUISA OPERACIONAL ENGª. MESTRA KARLA ROBERTO SARTIN AULA 6 PROGRAMAÇÃO LINEAR 96 Conceito PO Pesquisa operacional é um método científico de tomada de decisões que consiste na descrição de um sistema organizado com o auxílio de modelo matemático. Através deste modelo pode-se encontrar uma solução ótima para operar este sistema organizado. O objetivo da pesquisa operacional é facilitar a tomada de decisão. 97 Conceito PO Pesquisa operacional: É um método científico de tomada de decisões: Formulação do problema; Construção do modelo do sistema; Cálculo da solução através do modelo; Teste do modelo e da solução; Controle da solução; Implantação e acompanhamento. 98 CONCEITOS BÁSICOS Formulação do problema: definição clara do problema a ser estudado. Construção do modelo do sistema: os modelos em pesquisa operacional são os matemáticos, formados por um conjunto de equações e inequações. Sendo um conjunto destas servem para medir a eficiência e outro conjunto serve para medir as limitações (restrições técnicas do sistema). As variáveis que compõe as equações são de dois tipos, variáveis controladas e variáveis não controláveis. Um exemplo de variável controlada é a quantidade a ser produzida de item, e exemplos de variáveis não controladas têm-se o custo de produção, demanda por um item e preço de mercado. 99 Cálculo de uma solução através do modelo: Feito através de técnicas matemáticas específicas. Na construção de um modelo deve-se considerar a disponibilidade de uma técnica para cálculo da solução. Teste do modelo e da solução: Realizado com dados empíricos do sistema, a exemplo dados históricos, ou dados coletados especificamente para construção do modelo. Nesta situação faz-se a comparação do desempenho obtido no modelo em relação ao desempenho observado no sistema. Estabelecimento de controles da solução: Controle dos parâmetros utilizados na construção do modelo. Implementação e acompanhamento: Nesta fase a solução é apresentada ao gestor para implementação, e esta deve ser acompanhada para se observar o comportamento do sistema com a solução adotada. CONCEITOS BÁSICOS 100 PROGRAMAÇÃO LINEAR “A PL é uma ferramenta utilizada para encontrar o lucro máximo ou o custo mínimo em situações nas quais temos diversas alternativas de escolhas sujeitas a algum tipo de restrição ou regulamentação” (Darci Prado) A programação linear é uma técnica de planejamento 101 Aplicações da PL Alimentação; Rotas de transporte; Manufatura; Siderurgia; Petróleo; Agricultura; Carteira de investimentos; Mineração; Localização industrial; Etc. 102 EX 1) Uma fábrica de rádios possui duas linhas de produção, rádios standart e rádios luxo. Com relação aos rádios satndart temos as seguintes informações, linha comporta no máximo 24 pessoas, cada rádio consome 1 homem/dia para ser produzido e cada rádio gera um lucro de R$ 30,00. Em relação aos rádios luxo diz-se que a linha de produção comporta um máximo de 32 pessoas, cada rádio consome 2 homens/dia hora para ser produzido e cada rádio fornece lucro de R$ 40,00. A fábrica possui 40 empregados a serem alocados em suas linhas de produção. O objetivo é maximizar o LUCRO diário. Desenvolva um programa de produção. Aplicações da PL Alocação de recursos A duas linhas podem receber 56 pessoas, a fábrica possui 40 empregados; Rádios standart exigem menor quantidade de pessoal que rádios luxo; Lucratividade diferente Clássico da PL Possui: Função Objetivo e restrições técnicas. 103 CRIANDO UM MODELO MATEMÁTICO 1 - Definir as variáveis do problemas X1=quantidade ótima para produção de rádios standard X2=quantidade ótima para a produção de rádios luxo 2 - Definir função objetivo É uma função matemática que represente o objetivo declarado no problema, Max lucro= 30X1+40X2 3 - Definir conjunto de restrições Restrições são fatores limitadores para a solução do problema RECURSOS R$ 104 RESTRIÇÕES X1<= 24, visto que somente podemos colocar 24 pessoas na linha Standart e como cada rádio standart gasta 1homem/dia para a sua produção, a produção máxima diária desta linha é de 24 rádios. X2<= 16, visto que somente podemos colocar 32 pessoas na linha Luxo e como cada rádio Luxo gasta 2homem/dia para a sua produção, a produção máxima diária desta linha é de 16 rádios. X1+2X2<= 40, visto que a fábrica possui somente 40 operários a alocação dos recursos deve obedecer este limite. Como Standart gasta 1 homem/dia então será 1X1 e luxo gasta 2homens/dia então será 2X2. X1 e X2>=0, como não existe alocação de recursos negativos, deve-se fazer a restrição de não negatividade dos recursos. 105 Construção de modelos - Modelagem É a representação matemática de um sistema Um modelo deve conter uma função objetivo e conjunto de restrições técnicas Max Lucro = 30X1 + 40X2 Função Objetivo Restrições técnicas Sujeito a: X1<= 24 X2<=16 X1+2x2<=40 X1>=0 e X2>=0 CRIANDO UM MODELO MATEMÁTICO 106 Certa empresa fabrica dois produtos P1 e P2. O lucro unitário do produto P1 é de 1000 unidades monetárias e o lucro unitário de P2 é de 1800 unidade monetárias. A empresa precisa de 20 horas para fabricar uma unidade de P1 e de 30 horas para fabricar uma unidade de P2. O tempo anual de produção disponível para isso é de 1200 horas. A demanda esperada para cada produto é de 40 unidade anuais para P1 e 30 unidades anuais para P2. Qual é o plano de produção para que a empresa maximize seu lucro nesses itens? Construa um modelo de programação linear para esse caso. PROGRAMAÇÃO LINEAR 107 X1= QUANTIDADE ANUAL A PRODUZIR DE P1 X2=QUANTIDADE ANUAL A PRODUZIR DE P2 MAX L=1000X1+1800X2 20X1+30X2<=1200 X1<= 40 X2<=30 X1>=0 X2>=0 Declaração das variáveis Função Objetivo Restrições técnica Sujeito a: PROGRAMAÇÃO LINEAR 108 Um sapateiro faz 6 sapatos por hora, se fizer somente sapatos, e 5 cintos por hora, se fizer somente cintos. Ele gasta 2 unidades de couro para fabricar 1 unidade de sapato e 1 unidade de couro para fabricar uma unidade de cinto. Sabendo-se que o total disponível de couro é de 6 unidades e que o lucro unitário por sapato é de 6 unidades monetárias e o lucro do cinto 5 unidades monetarias, pede-se: o modelo do sistema de produção do sapateiro, se o objetivo é maximizar seu lucro por hora. Tempo necessário para fazer 01 sapato: 1/6 = 0,167 h ou 60/6=10 minutos Tempo necessário para fazer 01 cinto: 1/5= 0,2 h ou 60/5=12 minutos PROGRAMAÇÃO LINEAR 109 Primeiro devemos declarar as variáveis Se o modelo vai dizer qual a quantidade a se produzirde cinto e de sapatos, logo: X1= QTD. DE SAPATOS A SER FABRICADA X2=QTD. DE CINTOS A SER FABRICADA SEGUNDO PASSO: FUNÇÃO OBJETIVO TERCEIRO PASSO: RESTRIÇÕES MAX PROGRAMAÇÃO LINEAR 110 Um vendedor de frutas pode transportar 800 caixas de frutas para a sua região de vendas. Ele necessita transportar 200 caixas de laranjas a 20 u.m. de lucro por caixa, pelo menos 100 caixas de pêssegos 10 a u.m. de lucro por caixa, e no máximo 200 caixas de tangerina a 30 u. m. de lucro por caixa. De que forma ele deverá carregar o caminhão para obter o lucro máximo? Construa o modelo do problema. PROGRAMAÇÃO LINEAR 111 X1= Quantidade de caixas de laranja X2=Quantidade de caixas de pêssego X3=Quantidade de caixas de tangerina MAX L=10X2+30X3+4000 X2+X3=600 X1= 200 X2>=100 X3<=200 X1>=0 X2>=0 X3>=0 Declaração das variáveis Função Objetivo Restrições técnica Sujeito a: PROGRAMAÇÃO LINEAR 112 Uma rede de depósitos de material de construção tem 4 lojas que devem ser abastecidas com 50m3 (loja 1), 80m3 (loja2), 40m3 (loja3) e 100m3 (loja4) de areia grossa. Essa areia pode ser carregada em 3 portos P1, P2 e P3, cujas distâncias às lojas estão no quadro (em Km): O caminhão pode transportar 10m3 por viagem. Os portos têm areia para suprir qualquer demanda. Estabelecer um plano de transporte que minimize a distância total percorrida entre os portos e as lojas e supra as necessidades das lojas. Construa o modelo linear do problema. PROGRAMAÇÃO LINEAR 113 X11= Número de viagens P1L1 X12=Número de viagens P1L2 ... X34=Número de viagens P3L4 MIM D=30X11+20X12+24X13+...+20X34 X11+ X21+X31=5 X12+ X22+X32=8 X13+ X23+X33=4 X14+ X24+X34=10 XIJ >= 0 I=1,2,3; J=1,2,3,4 Declaração das variáveis Função Objetivo Restrições técnica Sujeito a: PROGRAMAÇÃO LINEAR 114 Uma rede de televisão local tem o seguinte problema: foi descoberto que o programa “A” com 20 minutos de música e 1 minuto de propaganda chama a atenção de 30000 telespectadores, enquanto o programa “B”, com 10 minutos de música e 1 minuto de propaganda chama a atenção de 10000 telespectadores. No decorrer de uma semana, o patrocinador insiste no uso de no mínimo, 5 minutos para sua propaganda e que não há verba para mais de 80 minutos de música. Quantas vezes por semana cada programa deve ser levado ao ar para obter o número máximo de telespectadores? Construa o modelo do sistema. PROGRAMAÇÃO LINEAR 115 X1 = frequência semanal do programa A X2 = frequência semanal do programa B MAX T=30000X1+10000X2 PROGRAMA TELESPECTADORES MUSICA PROPAGANDA A 30000 20 1 B 10000 10 1 LIMITE MAX 80 MIN 5 TABELA RESUMO S. A 80 MÚSICA PROPAGANDA PROGRAMAÇÃO LINEAR 116 Uma empresa fabrica 2 modelos de cintos de couro. O modelo M1, de melhor qualidade, requer o dobro de tempo de fabricação em relação ao modelo M2. Se todos os cintos fossem do modelo M2, a empresa poderia produzir 1000 unidade por dia. A disponibilidade de couro permite fabricar 800 cintos de ambos modelos por dia. Os cintos empregam fivelas diferentes, cuja disponibilidade diária é de 400 para M1 e 700 para M2. Os lucros unitários são de $ 4,00 para M1 e $ 3,00 para M2. Qual o programa ótimo de produção que maximiza o lucro total diário da empresa? Construa o modelo do sistema descrito. PROGRAMAÇÃO LINEAR 117 PRODUTO LUCRO CAP. PROD COURO FIVELA M1 FIVELA M2 M1 4 2 1 1 0 M2 3 1 1 0 1 LIMITE MAX 1000 MAX 800 MAX 400 MAX 700 TABELA RESUMO X1=Quantidade a ser produzida de M1 X2=Quantidade a ser produzida de M2 CAP. PRODUTIVA COURO FIVELA M1 FIVELA M2 NÃO NEGATIVIDADE S.A PROGRAMAÇÃO LINEAR 118 Uma empresa após processo de racionalização de produção, ficou com disponibilidade de três recursos produtivos, R1, R2 e R3. Um estudo de uso desses recursos indicou a possibilidade de se fabricar dois produtos P1 e P2. Levantando os custos e consultando o departamento de vendas sobre o preço de colocação no mercado, verificou-se que P1 daria um lucro de $ 120,00 por unidade e P2, $ 150,00 por unidade. O departamento de produção forneceu a seguinte tabela de uso de recursos: Que produção mensal de P1 e P2 traz maior lucro para a empresa? Construa o modelo do sistema. PROGRAMAÇÃO LINEAR 119 PRODUTO LUCRO R1 R2 R3 P1 120 2 3 5 P2 150 4 2 3 LIMITE ≤ 100 ≤90 MATRIZ DE PROGRAMAÇÃO LINEAR X1=Quantidade a ser produzida de P1 X2=Quantidade a ser produzida de P2 S.A R1 R2 R3 NÃO NEGATIVIDADE PROGRAMAÇÃO LINEAR 120 Um fazendeiro está estudando a divisão de sua propriedade nas seguintes atividades produtivas: ✓ A (arrendamento) → Destinar certa quantidade de alqueires para plantação de cana de-açúcar, a uma usina local, que se encarrega da atividade e paga pelo aluguel da terra $ 300,00 por alqueire por ano. ✓ P (pecuária) → Usar parte para criação de gado de corte. A recuperação das pastagens requer adubação (100 kg/ alq.) e irrigação (100.000 litros de água/ alq.) por ano. O lucro estimado nessa atividade é de $ 400,00 por alqueire por ano. ✓ S (plantio de soja) → Usar uma terceira parte para o plantio de soja. Essa cultura requer 200 kg por alqueire de adubos e 200.000 litros de água/ alq. Para irrigação por ano. O lucro estimado nessa atividade é de $ 500,00/ alq. No ano. Disponibilidade de recursos por ano: 12.750.000 litros de água 14.000 kg de adubo 100 alqueires de terra Quantos alqueires deverá destinar a cada atividade para proporcionar o melhor retorno? Construa o modelo de decisão. PROGRAMAÇÃO LINEAR 121 PRODUTO LUCRO ALQUEIRES DE TERRA ADUBO (KG) AGUA (L) ARRENDAMENTO 300 1 0 0 PECUÁRIA 400 1 100 100.000 SOJA 500 1 200 200.000 LIMITE ≤ 100 ≤14.000 MATRIZ DE PROGRAMAÇÃO LINEAR X1=Alqueires para arrendamento X2=Alqueires para pecuária X3=Alqueires para soja Alqueires adubo Agua Não negatividade S.A PROGRAMAÇÃO LINEAR 122 PESQUISA OPERACIONAL ENGª. MESTRA KARLA ROBERTO SARTIN AULA 7 PROGRAMAÇÃO LINEAR 123 O departamento de marketing de uma empresa estuda a forma mais econômica de aumentar em 30% as vendas de dois produtos P1 e P2. As alternativas são: Investir em um programa institucional com outras empresas do mesmo ramo. Esse programa requer um investimento de $ 3.000,00 e deve proporcionar um aumento de 3% nas vendas de cada produto, para cada $ 1.000,00 investidos. Investir diretamente na divulgação dos produtos. Cada $ 1.000,00 investidos em P1 retornam um aumento de 4% nas vendas, enquanto que para P2 o retorno é de 10%. A empresa dispõe de $10.000,00 para esse empreendimento. Quanto deverá ser destinar a cada atividade? Construa o modelo do sistema descrito PROGRAMAÇÃO LINEAR 124 PRODUTO CUSTO INVESTIMENTO INSTITUCIONAL Aumento nas vendas A (%) Aumento nas vendas B (%) Aporte financeiro INSTITUCIONAL 1.000 1000 3 3 1000 DIRETO EM P1 1.000 0 4 0 1000 DIRETO EM P2 1.000 0 0 10 1000 LIMITE 3000 30 30 MATRIZ DE PROGRAMAÇÃO LINEAR X1=Quantidade investida no programa institucional X2=Quantidade investida em P1 X3=Quantidade investida em P2 PROGRAMAÇÃO LINEAR 125 S.A S.A SIMPLIFICANDO POR MIL institucional Alternativa a Alternativa b Aporte R$ Não negatividade 125 Uma liga especial constituída de ferro, carvão, silício e níquel pode ser obtida usando a mistura desses minerais puros além de 2 tipos de materiais recuperados: MR1 – Material recuperado 1 (custo por Kg: $0,20) – composição: Ferro → 60% Carvão → 20% Silício → 20% MR2 – Material recuperado 2 (custo por Kg: $0,25) – composição: Ferro → 70% Carvão → 20% Silício → 5% Níquel → 5% A liga deve ter a seguinte composição final: O custo dos materiais puros são (por kg): ferro: $ 0,30; carvão: $ 0,20; silício: $ 0,28; níquel: $ 0,50; qual deverá ser a composição da mistura em termos dos materiais disponíveis, com menor custo por kg? Construa o modelo de decisão. ENG KARLA SARTIN 126 PROGRAMAÇÃO LINEAR ENG KARLA SARTIN 127 Componente da mistura Custo R$ Mínimo de ferro Mínimo de carvão Mínimo de Si Mínimo de Ni Máximo de ferro Máximo de carvão Máximo de Si Máximo de Ni Comp.liga MR1 0,20 60 20 20 --- 60 20 20 --- 1 MR2 0,25 70 20 5 5 70 20 5 5 1 ferro 0,30 100 --- --- --- 100 --- --- --- 1 carvão 0,20 -- 100 --- --- --- 100 --- --- 1 Silício 0,28 --- --- 100 --- --- --- 100 --- 1 níquel 0,50 --- --- --- 100 --- --- --- 100 1 LIMITE 60 15 15 5 65 20 20 8 = 1 S.A LIMITES DE MÍNIMO LIMITES DE MÁXIMO Ferro Carvão Silício Níquel Ferro Carvão Silício Níquel Uma empresa MR Móveis fabrica móveis para escritório e oferece uma cadeia de lojas três produtos: mesa para computador, estante e cadeira com regulagem de altura e rodas. O vendedor da MR Móveis fecha um pedido de 1.000 mesas, 800 estantes e 1.200 cadeiras, com prazo de entrega de 45 dias. Um estudo do departamento de produção já tem estimado a necessidade de mão de obra, madeira e componentes metálicos para a fabricação dos três itens e a disponibilidade de recursos no período de produção: A MR Móveis pode repassar seus projetos a outro fabricante e contratar uma quantidade conveniente desses produtos com a finalidade de suprir o pedido. Após consulta, chegou-se ao quadro: O problema consiste, agora, em determinar as quantias que a MR Móveis deverá produzir e comprar de cada item, para minimizar o custo total desse pedido. 128 129 Item Custo R$ Pedido mesas Pedido estantes Pedido cadeiras MO Madeira Metálicos Fáb.. mesa 100 1 --- --- 3 3 0,5 Fáb.. estante 130 --- 1 --- 4 5 1 Fáb.. cadeira 90 --- --- 1 2 0,5 2 Comp. mesa 120 1 --- --- --- --- --- Comp. estante 150 --- 1 --- --- --- --- Comp cadeira 115 --- --- 1 --- --- --- LIMITE 1000 7600 7000 4000 X1= Quantidade fábrica de Mesa X2= Quantidade fábrica de estantes X3= Quantidade fábrica de cadeiras X4= Quantidade compras de mesa X5= Quantidade compras estantes X6= Quantidade compras cadeiras Min (C)= 100X1+130X2+90X3+120X4+150X5+115X6 X1+X4=1000 X2+X5=800 X3+X6=1200 3X1+4X2+2X37600 3X1+5X2+0,5X3 7000 0,5X1+X2+2X3 4000 X1 ... X6 SA Uma fábrica de ração para animais possui em estoque três misturas e pretende, a partir delas, compor uma nova ração que apresente quantidades mínimas de dois nutrientes presentes nas misturas. A tabela abaixo apresenta as misturas com a porcentagem dos ingredientes presentes em cada uma e seu custo, além das quantidades mínimas exigidas na nova ração. O problema consiste em determinar a composição do saco de 30 kg da nova ração a partir das três misturas que apresente o menor custo. ENG KARLA SARTIN 130 131 Misturas Custo R$ composição Ingrediente 1 Ingrediente 1 1 0,3 1 0,25 0,20 2 0,25 1 0,20 0,30 3 0,28 1 0,32 0,18 LIMITE 5 6 saco de 30kg Gráf3 30 21 35 45 37 20 8 17 40 25 5 X Y 370 480 195 195 360 420 520 450 210 400 580 Plan1 Análise de Regressão y 30 430 Estatística de regressão 21 335 R múltiplo 0.86 35 520 R-Quadrado 0.74 42 490 R-quadrado ajustado 0.71 37 470 Erro padrão 65.17 20 210 Observações 10.00 8 195 17 270 Parâmetros Coeficientes 35 400 a 117.07 25 480 b 9.74 ANOVA gl SQ MQ F F de significação Regressão 1.00 95969.39 95969.39 22.59 0.00 Resíduo 8.00 33980.61 4247.58 Total 9.00 129950.00 Parâmetros Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores Inferior 95,0% a 117.07 59.03 1.98 0.08 -19.05 253.19 -19.05 b 9.74 2.05 4.75 0.00 5.01 14.46 5.01 RESULTADOS DE RESÍDUOS Observação Y amostra Y previsto Resíduo (Erro) 1.00 430 409.21 20.79 2.00 335 321.57 13.43 3.00 520 457.91 62.09 4.00 490 526.07 -36.07 5.00 470 477.38 -7.38 6.00 210 311.83 -101.83 7.00 195 194.98 0.02 8.00 270 282.62 -12.62 9.00 400 457.91 -57.91 10.00 480 360.52 119.48 Plan1 Y Y previsto X: Área Y: Produtividade Plan2 y 30 430 21 335 35 520 42 490 37 470 20 210 8 195 17 270 35 400 25 480 y 30 370 21 480 35 195 45 195 490 37 360 470 20 420 8 520 17 450 40 210 25 400 5 580 3 640 Plan2 Plan3 X Y 0 100 200 300 400 500 600 700 01020304050 X Y Gráf8 30 21 35 45 37 20 8 17 40 25 5 3 y X Y 145 480 150 80 360 370 520 100 580 400 195 370 Plan1 Análise de Regressão y 30 430 Estatística de regressão 21 335 R múltiplo 0.86 35 520 R-Quadrado 0.74 42 490 R-quadrado ajustado 0.71 37 470 Erro padrão 65.17 20 210 Observações 10.00 8 195 17 270 Parâmetros Coeficientes 35 400 a 117.07 25 480 b 9.74 ANOVA gl SQ MQ F F de significação Regressão 1.00 95969.39 95969.39 22.59 0.00 Resíduo 8.00 33980.61 4247.58 Total 9.00 129950.00 Parâmetros Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores Inferior 95,0% a 117.07 59.03 1.98 0.08 -19.05 253.19 -19.05 b 9.74 2.05 4.75 0.00 5.01 14.46 5.01 RESULTADOS DE RESÍDUOS Observação Y amostra Y previsto Resíduo (Erro) 1.00 430 409.21 20.79 2.00 335 321.57 13.43 3.00 520 457.91 62.09 4.00 490 526.07 -36.07 5.00 470 477.38 -7.38 6.00 210 311.83 -101.83 7.00 195 194.98 0.02 8.00 270 282.62 -12.62 9.00 400 457.91 -57.91 10.00 480 360.52 119.48 Plan1 Y Y previsto X: Área Y: Produtividade Plan2 y 30 430 21 335 35 520 42 490 37 470 20 210 8 195 17 270 35 400 25 480 y 30 370 21 480 35 195 45 195 490 37 360 470 20 420 8 520 17 450 40 210 25 400 5 580 3 640 y 30 145 21 480 35 150 45 80 37 360 20 370 8 520 17 100 40 580 25 400 5 195 3 370 Plan2 30 21 35 42 37 20 8 17 35 25 430 335 520 490 470 210 195 270 400 480 Plan3 X Y y X Y 0 100 200 300 400 500 600 700 05101520253035404550 X Y Gráf10 30 30 21 21 35 35 42 42 37 37 20 20 8 8 17 17 35 35 25 25 Y Y previsto X Y 430 409.2144268775 335 321.5711462451 520 457.9051383399 490 526.0721343874 470 477.3814229249 210 311.8330039526 195 194.9752964427 270 282.6185770751 400 457.9051383399 480 360.523715415 Plan1 Análise de Regressão y 30 430 Estatística de regressão 21 335 R múltiplo 0.86 35 520 R-Quadrado 0.74 42 490 R-quadrado ajustado 0.71 37 470 Erro padrão 65.17 20 210 Observações 10.00 8 195 17 270 Parâmetros Coeficientes 35 400 a 117.07 25 480 b 9.74 ANOVA gl SQ MQ F F de significação Regressão 1.00 95969.39 95969.39 22.59 0.00 Resíduo 8.00 33980.61 4247.58 Total 9.00 129950.00 Parâmetros Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores Inferior 95,0% a 117.07 59.03 1.98 0.08 -19.05 253.19 -19.05 b 9.74 2.05 4.75 0.00 5.01 14.46 5.01 RESULTADOS DE RESÍDUOS Observação Y amostra Y previsto Resíduo (Erro) 1.00 430 409.21 20.79 2.00 335 321.57 13.43 3.00 520 457.91 62.09 4.00 490 526.07 -36.07 5.00 470 477.38 -7.38 6.00 210 311.83 -101.83 7.00 195 194.98 0.02 8.00 270 282.62 -12.62 9.00 400 457.91 -57.91 10.00 480 360.52 119.48 Plan1 Y Y previsto X: Área Y: Produtividade Plan2 Y Y previsto X Y Plan3 y 30 430 21 335 35 520 42 490 37 470 20 210 8 195 17 270 35 400 25 480 y 30 370 21 480 35 195 45 195 490 37 360 470 20 420 8 520 17 450 40 210 25 400 5 580 3 640 y 30 145 21 480 35 150 45 80 37 360 20 370 8 520 17 100 40 580 25 400 5 195 3 370 Plan3 30 21 35 42 37 20 8 17 35 25 430 335 520 490 470 210 195 270 400 480 X Y y X Y 0 100 200 300 400 500 600 01020304050 X Y Y Y previsto Gráf12 30 30 21 21 35 35 42 42 37 37 20 20 8 8 17 17 35 35 25 25 Variação Não Explicada Variação Explicada Y Y previsto X Y 430 409.2144268775 335 321.5711462451 520 457.9051383399 490 526.0721343874 470 477.3814229249 210 311.8330039526 195 194.9752964427 270 282.6185770751 400 457.9051383399 480 360.523715415 Plan1 Análise de Regressão x y 30 430 Estatística de regressão 21 335 R múltiplo 0.86 35 520 R-Quadrado 0.74 42 490 R-quadrado ajustado 0.71 37 470 Erro padrão 65.17 20 210 Observações 10.00 8 195 17 270 Parâmetros Coeficientes 35 400 a 117.07 25 480 b 9.74 ANOVA gl SQ MQ F F de significação Regressão 1.0095969.39 95969.39 22.59 0.00 Resíduo 8.00 33980.61 4247.58 Total 9.00 129950.00 Parâmetros Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores Inferior 95,0% a 117.07 59.03 1.98 0.08 -19.05 253.19 -19.05 b 9.74 2.05 4.75 0.00 5.01 14.46 5.01 RESULTADOS DE RESÍDUOS Observação Y amostra Y previsto Resíduo (Erro) 1.00 430 409.21 20.79 2.00 335 321.57 13.43 3.00 520 457.91 62.09 4.00 490 526.07 -36.07 5.00 470 477.38 -7.38 6.00 210 311.83 -101.83 7.00 195 194.98 0.02 8.00 270 282.62 -12.62 9.00 400 457.91 -57.91 10.00 480 360.52 119.48 Plan1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Y Y previsto X: Área Y: Produtividade 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Plan2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Variação Explicada Variação Não Explicada Y Y previsto X Y 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Plan3 x y 30 430 21 335 35 520 42 490 37 470 20 210 8 195 17 270 35 400 25 480 x y 30 370 21 480 35 195 45 195 490 37 360 470 20 420 8 520 17 450 40 210 25 400 5 580 3 640 x y 30 145 21 480 35 150 45 80 37 360 20 370 8 520 17 100 40 580 25 400 5 195 3 370 Plan3 30 21 35 42 37 20 8 17 35 25 430 335 520 490 470 210 195 270 400 480 0 0 0 0 0 0 0 0 0 0 0 X Y 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 y X Y 0 0 0 0 0 0 0 0 0 0 0 0 1.00 409.21 2.00 321.57 3.00 457.91 4.00 526.07 5.00 477.38 6.00 311.83 7.00 194.98 8.00 282.62 9.00 457.91 10.00 360.52 0 100 200 300 400 500 600 051015202530354045 X Y Y Y previsto Variação Não Explicada Variação Explicada Gráf10 30 30 21 21 35 35 42 42 37 37 20 20 8 8 17 17 35 35 25 25 Y Y previsto X Y 430 409.2144268775 335 321.5711462451 520 457.9051383399 490 526.0721343874 470 477.3814229249 210 311.8330039526 195 194.9752964427 270 282.6185770751 400 457.9051383399 480 360.523715415 Plan1 Análise de Regressão x y 30 430 Estatística de regressão 21 335 R múltiplo 0.86 35 520 R-Quadrado 0.74 42 490 R-quadrado ajustado 0.71 37 470 Erro padrão 65.17 20 210 Observações 10.00 8 195 17 270 Parâmetros Coeficientes 35 400 a 117.07 25 480 b 9.74 ANOVA gl SQ MQ F F de significação Regressão 1.00 95969.39 95969.39 22.59 0.00 Resíduo 8.00 33980.61 4247.58 Total 9.00 129950.00 Parâmetros Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores Inferior 95,0% a 117.07 59.03 1.98 0.08 -19.05 253.19 -19.05 b 9.74 2.05 4.75 0.00 5.01 14.46 5.01 RESULTADOS DE RESÍDUOS Observação Y amostra Y previsto Resíduo (Erro) 1.00 430 409.21 20.79 2.00 335 321.57 13.43 3.00 520 457.91 62.09 4.00 490 526.07 -36.07 5.00 470 477.38 -7.38 6.00 210 311.83 -101.83 7.00 195 194.98 0.02 8.00 270 282.62 -12.62 9.00 400 457.91 -57.91 10.00 480 360.52 119.48 Plan1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Y Y previsto X: Área Y: Produtividade 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Plan2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Y Y previsto X Y 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Plan3 x y 30 430 21 335 35 520 42 490 37 470 20 210 8 195 17 270 35 400 25 480 x y 30 370 21 480 35 195 45 195 490 37 360 470 20 420 8 520 17 450 40 210 25 400 5 580 3 640 x y 30 145 21 480 35 150 45 80 37 360 20 370 8 520 17 100 40 580 25 400 5 195 3 370 Plan3 30 21 35 42 37 20 8 17 35 25 430 335 520 490 470 210 195 270 400 480 0 0 0 0 0 0 0 0 0 0 0 X Y 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 y X Y 0 0 0 0 0 0 0 0 0 0 0 0 0 100 200 300 400 500 600 051015202530354045 X Y Y Y previsto
Compartilhar