Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Prof. Dr. Vilmar Rodrigues Moreira vilmar.moreira@pucpr.br Tomada de decisão e processo de modelagem Origens e fundamentos da PO Programação linear Escola de Negócios PUCPR Pesquisa Operacional 2 Tomada de decisão * • É o processo de identificar um problema específico e/ou uma oportunidade e selecionar uma linha de ação ØUma das principais funções do administrador * material baseado em Lachtermacher (2009) 3 Tomada de decisão • Um Problema ocorre quando o estado atual de uma situação é diferente do estado desejado • Uma Oportunidade ocorre quando as circunstâncias oferecem a chance do indivíduo/organização ultrapassar seus objetivos e/ou metas 4 Tomada de decisão Fatores relevantes • Tempo disponível para tomada de decisão • A importância da decisão • O ambiente • Certeza/incerteza e risco • Agentes decisores • Conflito de interesses 5 Tomada de decisão Nível hierárquico Estratégico Gerencial Operacional 6 Tomada de decisão Tipo de informação Estruturada Semi-Estruturada Não Estruturada 7 Tomada de decisão Decisores • Autoritária • Participativa 8 Tomada de decisão Em grupo • Maior complexidade • Comunicação • Conflito - convencimento ABC Novo Manter 9 Tomada de decisão Modelo racional • Decisor – Consistente – Racional – Maximizador de utilidade • Método de Resolução do Problema – Identificar o problema – Gerar alternativas – Escolher a melhor alternativa Identificação do Problema Criação de Alternativas Seleção de Alternativa Implementação e Monitoração 10 Modelos de decisão • Ferramentas consistentes para avaliação e divulgação de diferentes políticas empresariais • As decisões são tomadas para que um objetivo seja atingido – Adicionalmente às variáveis de decisão, uma variável que representa uma medida de desempenho dos objetivos deve ser incluída no modelo 11 Processo de modelagem • Realismo – Um modelo só tem valor se o seu uso provoca melhores decisões • Intuição – Modelos quantitativos e intuição gerencial não se encontram em lados opostos – Intuição é crucial durante a interpretação e implementação 12 Processo de modelagem Modelo Resultado Situação Gerencial Decisões A bs tr aç ão In te rp re ta çã o Mundo Simbólico Mundo Real Análise Intuição Julgamento Gerencial Caminho - e/ou 13 Processo de modelagem • Força os decisores a tornarem explícitos seus objetivos • Identificação e armazenamento das diferentes decisões que influenciam os objetivos • Identificação e armazenamento dos relacionamento entre as decisões • Identificação das variáveis a serem incluídas e em que termos elas serão quantificáveis • Reconhecimento de limitações • Permitem a comunicação de suas ideias e seu entendimento para facilitar o trabalho de grupo 14 Modelos Características • O modelo sempre será uma simplificação da realidade – Um modelo é uma representação da realidade percebida – modelo mental • Detalhes devem ser incorporados de forma cuidadosa e suficientes para que... – Os resultados atinjam suas necessidades – O modelo seja consistente com os dados – O modelo possa ser analisado no período de tempo disponível a sua concepção 15 Modelos de tomada de decisão • Modelos simbólicos nos quais algumas variáveis representam decisões que devem ser tomadas { {î í ì Parametros Decisão } } iasConsequênc ePerformanc þ ý ü Variáveis Exógenas Variáveis Explicativas Variáveis Endógenas Variáveis Dependentes Modelo 16 Processo de modelagem Situação Gerencial Modelo Resultados Decisões Intuição Mundo Simbólico Mundo RealMundo Real Intuição do tomador de decisão: •seleção das informações relevantes •possíveis cenários a serem estudados •avaliação do modelo e •análise dos seus resultados 17 Modelos de tomada de decisão • Modelos Determinísticos – São modelos nos quais todas as variáveis relevantes são assumidas como certas e disponíveis • Modelos Probabilísticos ou Estocásticos – São modelos nos quais uma ou mais variáveis não são conhecidas com certeza – variáveis Randômicas ou Aleatórias – Modelo de risco – Incerteza – informações relevantes desconhecidas • Contexto de percepção subjetiva (probabilidade subjetiva) 18 Modelos de tomada de decisão MODELAGEM DEDUTIVA MODELAGEM INFERENCIAL Modelos Determinísticos Modelos Probabilísticos • Modelagem Decisória • Projeções Se Então • Árvore de Decisão • Teoria de Filas • Modelagem Decisória • Projeções Se Então • Otimização • Análise de Dados • Previsão de dados • Simulação • Análise Estatística • Estimação de Parâmetro • Análise de Dados • Estimação de Parâmetro • Pesquisa em Banco de Dados Modelagem 19 Modelos matemáticos • Informação estruturada ou semi-estruturada – alguns modelos matemáticos utilizados... – Programação Linear e Inteira – Modelos de Previsão – Simulação – Sistemas Especialistas – PERT/CPM - Gráficos de Gantt – Árvore de Decisão – Métodos de Apoio Multi-Critério 20 Modelo computacional • Conjunto de relações matemáticas e hipóteses lógicas implementadas em computador como uma representação de um problema real de tomada de decisão • Durante as últimas décadas foi observado que uma das maneiras mais efetivas de se resolver problemas de negócios consiste na utilização de modelos de computador baseados em planilhas eletrônicas 21 Pesquisa operacional (PO) • Conjunto de técnicas de modelagem e análise matemáticas • Enfoque científico que busca a melhor configuração e operação de um sistema, normalmente sob condições de alocação de recursos escassos • Auxílio nos processos de tomada de decisão por meio da construção de modelos matemáticos representativos da realidade – Representação conveniente 22 Histórico • Origem durante a segunda guerra mundial • Resolução de problemas logísticos e operacionais • Rápida expansão nas áreas de engenharia e de negócios – Graças uso de recursos computacionais 23 Aplicações da PO • Complexidade crescente da tomada de decisões empresariais – Fatores tecnológicos, competitivos, ambientais e incertezas econômicas • As aplicações da PO são voltadas para... – Construir descrições ou modelos matemáticos, econômicos e estatísticos de problemas de decisão e controle para tratar situações de complexidade e incerteza – Analisar as relações que determinam as conseqüências das decisões 24 Exemplo • A programação de produção de uma empresa deve considerar:... – a demanda dos clientes (afetada pelo mercado e competidores) – as necessidades de matérias-primas e estoques intermediários – as capacidades dos equipamentos instalados – as possibilidades de falhas dos equipamentos – as restrições do processo de fabricação – os requisitos do sistema de distribuição – entre outros fatores 25 PO – Áreas • Programação matemática – Otimização de recursos – Programação Linear e Inteira, DEA; – Programação Não-Linear. • Teoria da decisão • Simulação – Empresarial – jogos de empresas, análise de cenários – Discreta – eventos – Contínua – probabilística incorporando incertezas – Dinâmica – relação com o tempo N os so fo co d e es tu do 26 Nosso objetivo • Estudar técnicas que auxiliarão no desenvolvimento de modelos matemáticos e computacionais que poderão ser utilizados em sistemas de apoio à decisão • Modelos – conjunto de relações matemáticas e hipóteses lógicas – Implementados ou não em computador – Representação de um problema real de tomada de decisão 27 Processo de modelagem em PO • Estrutura básica de um modelo – Variáveis de decisão – Função-objetivo – medida de desempenho – Restrições Modelo Variáveis de decisão Parâmetros Desempenho Consequências Entrada - parâmetros Saída - objetivos 28 Exemplo – problema de otimização • Uma pequena malharia produz dois tipos e camisas: manga curta e manga comprida • Toda produção é vendida para um distribuidor • A confecção de cada camisa passa por três seções de trabalho: corte, costura e acabamento – A tabela 1 mostra os temposnecessários em cada seção – A tabela 2 mostra a disponibilidade semanal de horas em cada seção de trabalho • O lucro unitário da cada camisa: – Manga curta - R$ 2,00 – Manga comprida – R$ 3,00 • Quanto produzir de cada tipo de camisa? 29 Exemplo Tabela 1 – Tempo de fabricação em cada seção de trabalho Corte Costura Acabamento Manga curta 3 1,5 5 Manga comprida 3 3 3 Tabela 2 – Limites de capacidade de produção Seção Homens/hora por semana Corte 210 Costura 180 Acabamento 330 30 Modelo matemático (i) Variáveis de decisão x1 – quantidade de camisas manga curta a produzir x2 – quantidade de camisas manga comprida a produzir (ii) Função-objetivo (FO) – maximizar o lucro Max Z = 2.x1 + 3.x2 (iii) Restrições Corte: 3.x1 + 3.x2 ≤ 210 Costura: 1,5.x1 + 3.x2 ≤ 180 Acabamento: 5.x1 + 3.x2 ≤ 330 x1 ≥ 0 ; x2 ≥ 0 31 Modelo resolvido em planilha Manga Curta Manga Comprida Decisão 20 50 Objetivo 2 3 Max lucro 190 Restrições LHS RHS Corte 3 3 210 210 Costura 1,5 3 180 180 Acabamento 5 3 250 330 Variáveis de decisão Parâmetros Desempenho Consequências 32 Expressões matemáticas • Para construir modelos matemáticos é necessário desenvolver a habilidade de traduzir situações reais em expressões matemáticas • Exercícios de fixação – 1 a 18 33 Exclusividade e restrições especiais Exemplos • “Pode-se produzir 1800 unidades de x1 ou 2700 de x2, ou qualquer combinação dos dois, mantendo essa proporção no uso do recurso” Ø !! "#$$ + !" %&$$ ≤ 1 • “A proporção de x1 no total (x1 + x2) tem que ser de, pelo menos, 30%” Ø !! !!'!" ≥ 0,3 à 0,7.x1 – 0,3.x2 ≥ 0 • “O recurso B1 se transforma em 30% de produto L, 50% de M, 10% de N e 10% de perdas; o recurso B2 se transforma em 40% de L, 30% de M, 25% de N e 5% de perdas” – O erro mais comum é: B1 = 0,3.L + 0,5.M + 0,1.N + 0,1.perdas ; B1 = 0,3.L + 0,5.M + 0,1.N + 0,1.perdas – A forma correta de transcrever o problema é: L = 0,3.B1 + 0,4.B2 M = 0,5.B1 + 0,3.B2 N = 0,1.B1 + 0,25.B2 34 Exercícios • Exercícios de fixação 19 a 21 35 Problemas de otimização • Em problemas reais de otimização busca-se maximizar ou minimizar uma quantidade específica, chamada objetivo, que depende de um número finito de variáveis de entrada • Aplicações – Determinação de mix de produtos – Scheduling – Roteamento e logística – Planejamento financeiro 36 Programação matemática • Um problema de programação matemática é um problema de otimização no qual o objetivo e as restrições são expressos como funções matemáticas e relações funcionais ï ï î ï ï í ì ³ = £ ï ï þ ï ï ý ü = nnn n n n b b b xxxg xxxg xxxg xxxfz : ),...,,( : ),...,,( ),...,,( :a Sujeito ),...,,( :Otimizar 2 1 21 212 211 21 37 Variáveis de decisão • x1 , x2,...,xn , são as chamadas Variáveis de Decisão • As variáveis de decisão são aqueles valores que representam o cerne do problema, e que podemos escolher (decidir) livremente • As variáveis de decisão representam as opções que um administrador tem para atingir um objetivo – Quanto produzir para maximizar o lucro? – Quanto comprar de uma ação para minimizar o risco da carteira? 38 Programação linear • Um problema de programação matemática é linear se a função objetivo e cada uma das funções que representam as restrições forem lineares e nnn xcxcxcxxxf +++= ...),...,,( 221121 g x x x a x a x a xi n i i in n( , ,..., ) ...1 2 1 1 2 2= + + + 39 Violação da linearidade • Exemplos de expressões que tornam o problema não linear xn para n ≠ 1 ! " para qualquer 𝑎 loga(x) para qualquer base a ax para qualquer valor de a 40 Estrutura de um problema de programação linear (i) Variáveis de decisão (ii) Função objetivo – max ou min Z – normalmente uma função econômica (iii) Restrições – Dos tipos ≤ , ≥ e = 41 Programação linear - exemplos 0, 60020180 2042 s.r. max 21 21 21 21 ³ £+ £+ + xx xx xx xx 0, 60020180 2032 s.r. 2min 21 21 21 21 ³ =+ ³+ + xx xx xx xx 42 Programação linear Áreas de aplicação • Administração da Produção • Análise de Investimentos • Alocação de Recursos Limitados • Planejamento Regional • Logística – Custo de transporte – Localização de rede de distribuição • Alocação de Recursos em Marketing entre diversos meios de comunicação. 43 Programação linear – etapas • Modelagem matemática – parte mais difícil, pois exige habilidades em modelagem e raciocínio analítico e abstrato • Obter a resposta – graficamente ou por meio do auxílio computacional (usaremos o Solver do Excel) • Analisar as respostas – também conhecido com análise de sensibilidade, visa aprimorar a qualidade do processo decisório segundo critérios racionais e de otimização econômica – Envolve uma melhor compreensão da natureza e da estrutura do problema – Análise da solução ótima sendo afetada por modificações no modelo original 44 Programação linear • Solução Viável – É uma solução em que todas as restrições são satisfeitas • A solução ótima é uma solução viável especial – É aquela(s) que produz(em) o valor da função objetivo otimizada • Solução Inviável – É uma solução em que alguma das restrições ou as condições de não- negatividade não são atendidas 45 Exemplos de solução viável e inviável Max Z = x1 + x2 s. r. 2x1 + 4x2 ≤ 20 180x1 + 100x2 ≤ 800 x1, x2 ≥ 0 x1 = 3 ; x2 = 2 com Z = 5 à solução viável: todas as restrições não são violadas x1 = 3 ; x2 = 4 com Z = 7 à solução inviável: as restrições são violadas 46 Solução gráfica • Quando o problema envolve apenas duas variáveis de decisão, a solução ótima de um problema de programação linear pode ser encontrada graficamente – Basta testar as coordenadas dos vértices da região de soluções viáveis na FO Max Z x x= +5 21 2 1 x (b)£42 x x (c)+ £2 91 2 s r x (a)£ 3. . x x (d)³ ³0 01 2, x1 x ³ 0 (d)1 x ³ 0 (d)2 x2 (3,0)(0,0) (0,4) (1,4) (3,3) x £ 3 (a) 1 x £4 (b)2 x1 + 2x2 ≤ 9 (c) 47 Solução gráfica Exemplo • Encontrar a solução ótima do problema de programação linear Max Z = 3x1 + 3x2 s.r. 2x1 + 4x2 ≤ 12 6x1 + 4x2 ≤ 24 x1, x2 ≥ 0 (0,0) 1 2 0 1 2 3 4 5 6 3 x2 02 ³x 01 ³x x1 (0,3) (6,0) 1242 21 £+ xx (4,0) (0,6) 2446 21 £+ xx5 4 6 7 #6𝑥! + 4𝑥" = 242𝑥! + 4𝑥" = 12 à x1 = 3 ; x2 = 1,5 (3;1,5) 48 Solução gráfica – exemplo • A solução ótima (que maximiza Z = 3x1 + 3x2) será um dos vértices da região de soluções viáveis Para (0, 3) à Z = 3(0) + 3(3) = 9 Para (3; 1,5) à Z = 3(3) + 3(1,5) = 13,50 Para (4, 0) à Z = 3(4) + 3(0) = 12 • Logo a solução ótima é x1 = 3 e x2 = 1,5 49 Restrições • Redundante – quando sua exclusão do conjunto de restrições não altera o conjunto de soluções viáveis – Não participa da determinação do conjunto de soluções viáveis 0, 2045 1553 6 5 12 2 .. 106 21 21 21 2 1 21 21 21 ³ ³+ ³+ £ £ ³+ £+- + xx xx xx x x xx xxts xxMin x11086 51 £x 42 62 £x 221 £+- xx 10 14 12 x2 8 6 4 -2 2 -2 1553 21 ³+ xx 2045 21 ³+ xx 02 ³x 01 ³x 12 21 ³+ xx Restrição Redundante 50 Soluções múltiplas • Quando o problema tem mais que uma solução ótima – Na solução no Excel é apresentada uma delas 0, 2045 1553 6 5 2 .. 106 21 21 21 2 1 21 21 ³ ³+ ³+ £ £ £+- + xx xx xx x x xxts xxMin x11086 51 £x 42 62 £x 221 £+- xx 10 14 12 x2 8 6 4 -2 2 -2 1553 21 ³+ xx 2045 21 ³+ xx 02 ³x 01 ³x Soluções Múltiplas 51 Solução ilimitada • Ocorre quando o conjunto de restrições não define uma região limite para a determinação da solução ótima 0, 2045 1553 6 2 .. 106 21 21 21 2 21 21 ³ ³+ ³+ £ £+- + xx xx xx x xxts xxMax x1108642 62 £x 221 £+- xx 10 14 12 x2 8 6 4 -2 2 -2 1553 21 ³+ xx 2045 21 ³+ xx 02 ³x 01 ³x 52 Solução impossível • Ocorre quando o conjunto de soluções viáveis é vazio 0, 20 12 .. 21 21 21 21 ³ ³+ £+ + xx xx xxts xxMax2021 ³+ xx -2 -2 2 4 6 8 10 12 14 2 4 6 8 10 12 21 £+ xx x2 x1 53 Solução computacional Excel • Usaremos o suplemento Solver – aba Análise de Dados • Existe uma grande liberdade para a modelagem em planilha, mas usaremos inicialmente um modelo padrão – Reservar colunas para as variáveis de decisão – Posicionar os coeficientes da FO e das restrições – Usar a função =somarproduto() para modelar as expressões 54 Exemplo • A Esportes Radicais S/A produz pára-quedas e asa deltas. • Para a produção são necessárias horas de duas linhas de montagem. A 1a linha tem 100 horas disponíveis para fabricação dos produtos, enquanto que a 2a tem apenas 42 horas disponíveis. • Cada um dos produtos requer 10 horas de processamento na linha 1 enquanto que na linha 2 o pára-quedas requer 3 horas e a asa-delta requer 7 horas. • Sabendo que o mercado quer comprar toda a produção e que o lucro de cada pára-quedas é de $ 60,00 e de cada asa-delta é de $ 40,00, como programar a produção de tal forma que o lucro seja o máximo possível? 55 Exemplo (i) Variáveis de decisão x1 – quantidade de paraquedas a produzir x2 – quantidade de asa deltas a produzir (ii) Função objetivo – Max lucro max Z = 60.x1 + 40.x2 (iii) Restrições Horas 1ª linha de montagem: 10.x1 + 10.x2 ≤ 100 Horas 2ª linha de montagem: 3.x1 + 7.x2 ≤ 42 (i) Variáveis de decisão x1 – qtde de paraquedas a produzir x2 – qtde de asa deltas a produzir (ii) Função objetivo – Max lucro max Z = 60.x1 + 40.x2 (iii) Restrições Horas 1ª linha de montagem: 10.x1 + 10.x2 ≤ 100 Horas 2ª linha de montagem: 3.x1 + 7.x2 ≤ 42 à A solução ótima será produzir 10 paraquedas e nenhuma asa delta 57 Exercícios • Exercícios de fixação 22 a 31 58 Análise de sensibilidade • No mundo dos negócios dificilmente são conhecidos com certeza todos os custos ou recursos envolvidos em uma situação problema • A análise de sensibilidade auxilia na determinação de faixas de valores que garantem uma dada solução ótima – “grau de manobra” que possuímos com relação a uma solução ótima 59 Análise de sensibilidade • Qual o efeito de uma mudança em um dos coeficientes da função objetivo? – Alteração na contribuição marginal, no custo unitário, na receita unitária, etc. de uma das variáveis de decisão • Qual o efeito de uma mudança em uma constante de uma restrição? – Normalmente a disponibilidade de um determinado recurso • Qual o efeito de uma mudança em um dos coeficientes de uma restrição? – Normalmente o grau de utilização de um recurso por uma unidade da variável de decisão Ø Obs: Sempre considerando uma alteração por vez 60 Exemplo • A empresa Cordilheira Azul Banheiras fabrica e vende dois tipos de banheiras de hidromassagem: Aqua-Spa e Hydro-Lux. • Howie Jones, proprietário e gerente, precisa decidir quanto produzir de cada tipo no próximo ciclo de produção. • A empresa adquire os moldes pré-fabricados de fibra das banheiras de um fornecedor e monta as banheiras adicionando a bomba e a tubulação. O fornecedor pode entregar quantas banheiras forem necessárias. • Howie instala o mesmo tipo de bomba em ambos os modelos de banheiras. Ele dispõe de 200 bombas para o próximo ciclo de produção. • A única diferença entre os modelos é a quantidade de tubos utilizada e as horas requeridas de trabalho na montagem. Cada Aqua-Spa requer 9 horas de trabalho na montagem e 12 pés de tubulação. Cada Hydro-Lux requer 6 horas de trabalho e 16 pés de tubulação. Howie espera ter disponível 1566 horas de montagem e 2880 pés de tubulação disponíveis durante o próximo ciclo de produção. • A empresa lucra R$ 350,00 para cada Aqua-Spa vendido e R$ 300 para cada Hydro-Lux. Howie está confiante que conseguirá vender tudo o que produzir. 61 Exemplo – Modelo (i) Variáveis de decisão x1 – quantidade de Aqua-Spa x2 – quantidade de Hydro-Lux (ii) Objetivo – maximizar o lucro Max z = 350x1 + 300x2 (iii) Restrições Bombas: x1 + x2 ≤ 200 Tubulação: 12x1 + 16x2 ≤ 2880 Horas de montagem: 9x1 + 6x2 ≤ 1566 à Implemente o modelo no Excel e solicite o relatório de sensibilidade após a solução 62 Exemplo – solução Excel • Na solução ótima há folga apenas na utilização da tubulação disponível 63 Exemplo – análise de sensibilidade (i) Alteração nos coeficientes da FO • Suponha que a empresa não possua total controle sobre os custos dos moldes pré-fabricados das banheiras ou, então, que a empresa esteja pensando em trocar de fornecedor e por conta disso o custo unitário de cada molde possa variar. Nesse caso, os lucros unitários de R$ 350,00 e R$ 300,00 poderiam sofrer alterações. • Pergunta relevante: – Qual o espectro possível das alterações sem que a solução ótima (122, 78) seja alterada? • A alteração, dentro do espectro possível, nos coeficientes da FO altera o valor ótimo do problema, mas não a solução ótima 64 Exemplo – análise de sensibilidade (ii) Alteração nas restrições – preço-sombra (shadow-price) • Perguntas relevantes: Qual seria o impacto na FO se... – Adicionarmos uma unidade disponível de bombas? – Dispormos de uma hora a mais de montagem? • Preço-sombra – Contribuição para a FO mediante uma unidade adicional (ou a menos) da restrição – Valor máximo que estaríamos dispostos a pagar pela disponibilidade de uma unidade adicional • Faixa de valores em que o preço-sombra permanece inalterado Ø Quais os limites de recursos adicionais em que é viável investir? – Para as restrições que participam da solução ótima, o preço-sombra permanecerá inalterado enquanto as disponibilidades forem restritivas, ou seja, enquanto NÃO houver sobra de recurso – Para as restrições que não participam da solução ótima, o preço-sombra permanecerá igual a ZERO enquanto houver sobra do recurso Exemplo – solução gráfica Análise de sensibilidade considerando o ponto da solução ótima: (i) Coeficientes FO 𝑥( = )*+ )++ . 𝑥, + --,++ )++ (ii) Restrições % 𝑥, + 𝑥( = 2009𝑥, + 6𝑥( = 1566 66 67 Custo-reduzido • Contribuição marginal na FO mediante a inclusão de uma nova variável – Contribuição unitária menos custo dos recursos Exemplo: • Suponha que a empresa Cordilheira Azul esteja considerando a possibilidade de produção de um novo modelo: Typhoon-Lagoon. • Cada unidade deste modelo requer 1 bomba, 8 horas de montagem e 13 pés de tubulação. • Cada unidade deste novo modelo gera um lucro marginal de R$ 320,00. A produção do novo modelo seria lucrativa para empresa? – Cálculo do custo-reduzido 68 Custo-reduzido Exemplo – análise • A empresa possui limitações em seus recursos e por isso a produção de qualquer quantidade do novo modelo consumirá recursos destinados aos outros modelos Aqua-Spas e Hydro-Luxes – Os preços-sombra mostram que a redução de uma unidade de bombas disponíveis gera uma redução de R$ 200,00 na função-objetivo – A redução de uma hora disponível de montagem diminui R$ 16,67 na função-objetivo – Na tubulação não há redução na função-objetivo, pois há sobra desse recurso 69 Custo-reduzido Exemplo – análise • Considerando a contribuição marginal do novo modelo, a quantidade de recursos utilizados na produção e o decréscimo correspondente no valor da FO (preço- sombra), temos um custo-reduzido igual a: Lucro unitário – consumo de bombas – consumo de horas – consumo de tubulação $ 320,00 – $ 200,00(1) – $ 16,67(8) – $ 0(13) = –$ 13,33 à Redução no valor da F.O., logo não é viável forçar a produção de pelo menos uma unidade do novo modelo de banheira à Em outras palavras, para que esse novo modelo de banheira fosse viável, o seu lucro unitário deveria ser maior que $ 333,33 70 Custo-reduzido • O custo-reduzido é apresentado no relatório de sensibilidade do Excel após resolvido o modelo ajustado: (i) Variáveis de decisão x1 – quantidade de Aqua-Spa x2 – quantidade de Hydro-Lux x3 – quantidade de Typhoon-Lagoon (ii) Objetivo – maximizar o lucro Max z = 350x1 + 300x2 + 320x3 (iii) RestriçõesBombas: x1 + x2 + x3 ≤ 200 Tubulação: 12x1 + 16x2 + 8x3 ≤ 2880 Horas de montagem: 9x1 + 6x2 + 13x3 ≤ 1566 71 72 Custo-reduzido • O custo-reduzido de cada variável é igual à sua contribuição marginal à F.O. menos o valor consumido de cada recurso • Custo-reduzido para Aqua-Spa (x1) 350 – 200(1) – 16,67(9) – 0(12) = 0 • Custo-reduzido para Hydro-Lux (x2) 300 – 200(1) – 16,67(6) – 0(16) = 0 • Custo-reduzido para Typhoon-Lagoon (x3) 320 – 200(1) – 16,67(8) – 0(13) = -13,33 73 Custo-reduzido Alterações nos coeficientes das restrições • Para verificar o impacto das alterações dos coeficientes das restrições, devemos refazer o modelo e executá-lo novamente. – Mas haverá utilidade analisar tais alterações em conjunto com os preços-sombra e os custos-reduzidos. Exemplo • Para a produção do Typhoon-Lagoon, considerando a sua contribuição marginal e os recursos consumidos, não é gerado lucro. Mas se as horas necessárias para a montagem passarem de 8 para 7, o custo-reduzido seria: $ 320 –$ 200(1) –$ 16,67(7) –$ 0(13) = $ 3,31 Ø Passaria a gerar lucro 74 Exercícios • Exercícios de fixação – 32 a 34
Compartilhar