Baixe o app para aproveitar ainda mais
Prévia do material em texto
PESQUISA OPERACIONAL Sirnei César Kach Construção e aplicação dos modelos matemáticos Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Desenvolver um modelo matemático. � Avaliar as possibilidades do uso de um modelo matemático. � Ordenar as etapas de uma modelagem. Introdução Basicamente, são três os tipos de modelos matemáticos que a pesquisa operacional disponibiliza para análise e suporte na tomada de decisão sobre problemas: os físicos, entre os quais podemos destacar o de aero- naves e das casas, principais referências para quem estuda esse conceito; os análogos, representados por relações que empregam os mapas rodo- viários, obviamente traçando as rodovias em questão e definindo, com isso, determinadas rotas (p. ex., um marcador do tanque de gasolina ou outro ponto de apoio pode, por intermédio de uma escala circular, mostrar a quantidade de gasolina existente no tanque, o que terá alguma relação direta na demanda do trajeto previsto a ser seguido); e os simbólicos ou matemáticos, como na modelagem para alinhamento de decisões no nível gerencial, em que as grandezas são representadas por variáveis de decisão e as relações entre essas variáveis, por expressões matemáticas. Em todos os casos, a correta estruturação dos modelos obrigatoria- mente exige dados e, sequencialmente, informações de base quantificada (LACHTERMACHER, 2016, p. 4). Nesse sentido, vale ressaltar a importância de considerar que a res- posta da ação sobre o problema tem uma relação direta com a adequação dos dados no desenvolvimento do modelo matemático levando em conta a correta análise dos dados, bem sua gestão e controle e das dife- rentes possibilidades de aplicação dos modelos matemáticos, o que vai desde aquisições, controle de estoques até programação da produção e entregas. Assim, de forma adequada, o resultado aponta que todo alinhamento contribui para a assertividade dos planos de ação, ou seja, quanto mais meticulosas a análise e a organização dos dados, melhor o resultado. E isso complementa o conceito de otimização buscado por toda empresa, já que atuar de forma otimizada é sinônimo de eficiência, considerado uma regra fundamental para a saúde de um negócio. Já a adequação do modelo variará conforme o tipo de demanda e o perfil de processo em estudo, pois se estrutura com base nas informações do cenário em estudo. Neste capítulo, você conhecerá mais sobre o desenvolvimento de modelos matemáticos, suas formas de estruturação e aplicação, bem como os resultados esperados a partir deles, contexto do qual faz parte entender muito bem o cenário e quais as possibilidades de aplicação do modelo, pois deverá ter sua eficácia comprovada pela necessidade de estruturação, para, com isso, garantir seu resultado. Contudo, é importante a percepção das etapas de modelagem, compreendendo como se dá esse encaminhamento, ao observarmos sua estruturação fundamentada em base quantitativa de análise, estruturação e construção de soluções para processos em demanda. Assim, e com base nas características desse encaminhamento, tem-se a clareza da metodologia e da eficiência da modelagem aplicada como análise e solução de problemas. Por fim, desenvolverá a capacidade de fazer a análise inicial do problema, definirá o modelo matemático alinhando a estrutura que condicionará a melhor solução, algo relevante para o resultado sobre o problema em questão, e aplicará a sequência correta de estruturação do modelo matemático, garantindo sua padronização e eficácia. 1 Modelo matemático e sua estruturação Além de seguir uma base de dados que traduz informações, desenvolver um modelo matemático é um processo construtivo de determinada confiabilidade, pois trata de informações quantitativas. É sabido que, na assertividade de ações, a base matemática sempre promove uma condição mais adequada e que garante a eficiência das decisões. E, sem dúvida, um bom planejamento constitui um diferencial no processo a fim de complementar a modelagem escolhida para resolução. Entre as verificações, a quantitativa possibilita assertividade, porém podemos transformar as informações qualitativas, no caso por atributos, em quantitativas, parametrizando essa identificação Construção e aplicação dos modelos matemáticos2 e, com isso, melhorando aquilo que, teoricamente, não é quantificado já na coleta. Criar essa condição melhorada do que o cenário mostra é fundamental para uma efetiva estruturação e aplicação da modelagem para um melhor encaminhamento de ações. Conforme Arenales (2015), fazer ciência aplicada com segurança consiste na capacidade de observar e descrever fenômenos naturais, sociais e econômicos sobre determinados cenários e/ou necessidades de resolução, delineamento sobre o qual matemática terá uma importância fundamental, possibilitando uma garantia maior de assertividade nessa interpretação. A partir da obser- vação de fenômenos, processos ou sistemas (físicos, químicos, biológicos ou econômicos), buscam-se métodos ou formas de geri-los ou coordená-los de maneira adequada, o que pode ocorrer pelo uso e pela definição adequada de ações por relações matemáticas que dão origem aos definidos modelos matemáticos, ou seja, entender o sistema em estudo e, a partir disso, descre- ver a forma mais adequada de modelo matemático como base de auxílio na resolução daquilo que se necessita. Segundo Arenales (2015), a expressão “modelo” é usada como objeto abstrato, que procura imitar as principais características de um objeto real para representá-lo matematicamente, ou seja, além de criar essa represen- tação, utiliza um conceito de alta relevância e efetividade: a matemática. A formulação de um modelo matemático para simplificações razoáveis do sistema ou problemas reais precisa ser considerada em diferentes níveis, cuja validação depende do fato de a solução do modelo matemático ser coerente com o contexto original, representando fielmente o que o cenário apresenta. Assim, o modelo matemático é uma representação simplificada ou abstrata do problema real, porém clara no que tange às informações para modelagem, devendo ser suficientemente detalhado, para identificar os principais elementos do problema e, ao mesmo tempo, simples, para que possa ser resolvido por métodos de resolução e programas de computador de que dispõem as pessoas envolvidas ou a empresa. A estruturação ou formulação de um modelo matemático, ainda conforme Arenales (2015), compreende a condição de transportar uma situação-problema em seus detalhes e comportamentos em um cenário real para uma metodologia com base matemática, na qual se determina, pela definição do perfil, como se organizam os dados e, por conseguinte, as informações, possibilitando verificar com base quantitativa aquilo que está ocorrendo na prática. Com essa opção de método, facilita-se o encaminhamento de uma solução, transferindo a informação do problema com aplicação e uso de simbologias-padrão e adequadas além das orientações básicas, estruturando a função matemática, 3Construção e aplicação dos modelos matemáticos embasada por variáveis de decisão que oferecerão o alinhamento final no processo de tomada de decisão. Na Figura 1, apresentamos a representação da abordagem de um problema e sua proposta de solução. Embora possa haver ajustes e complementações no decorrer do processo, dando condição de uma definição usamos como base a modelagem matemática. Figura 1. Processo simplificado da abordagem e solução de um problema com modelo matemático. Fonte: Adaptada de Arenales (2015). Sistema ou problema real Modelo matemático Conclusões do modelo Conclusões reais ou decisões Avaliação/julgamento Dedução/análise Formulação/modelagem Interpretação/referência Na estruturação do conceito de modelagem a partir de uma situação real, definem-se as variáveis e as relações matemáticas para descrever o comportamento relevante do sistema ou problema real emestudo (Arenales, 2015). A dedução ou análise do cenário possibilita ou exige a aplicação de técnicas matemáticas e tecnologia da informação, promovendo um impor- tante diferencial na verificação de resultados, com formas mais adequadas e fáceis de resolver o modelo matemático e visualizar as conclusões que sugere. A interpretação ou inferência sobre o estudo argumenta que as conclusões retiradas do modelo têm significado suficiente para inferir conclusões ou decisões para o problema real, dando amparo matemático e lógico para o não encaminhamento e controle das ações previstas. A avaliação ou julgamento sobre o cenário e as ações propostas em relação ao que se concluiu ou, ainda, a decisões inferidas mostra que elas não são adequadas e que a definição do problema e sua modelagem matemática precisam de revisão — aqui, o ciclo Construção e aplicação dos modelos matemáticos4 se repete. Nesse momento, entendemos a aplicação de um ciclo de revisão ou simplesmente melhoria contínua daquilo que inicialmente foi visto como um importante agregador para a ação prévia definida. Nesse sentido, podemos citar os modelos matemáticos, modelos de programação direcionados à otimização matemática [p. ex., programação linear (otimização linear), programação linear inteira (otimização discreta), programação em redes (otimização em redes) e programação não linear (otimização não linear)], além dos modelos de teoria de filas, para estudar a congestão em sistemas e determinar medidas de avaliação de desempenho e políticas ótimas de operação. É muito importante sempre procurar realizar a análise de cenário com uma base quantitativa e uma coleta de dados rigorosa, seguindo um método-padrão, fatores fundamentais para a eficiência na decisão a ser tomada. Avaliar o problema, estudar os dados e agir com precisão são fundamentais para uma modelagem adequada e eficiente em termos de soluções aos problemas. Não há espaço para suposições quando se pretende utilizar a modelagem matemática como fator de suporte nas decisões. Novamente considerando as percepções de Arenales (2015), a pesquisa operacional e a programação matemática tratam de problemas de decisão, utilizando modelos matemáticos que procuram representar graficamente o problema real. Variáveis definidas como incógnitas são definidas e relações matemáticas entre essas variáveis estabelecidas de modo a descrever o com- portamento do sistema em verificação. Já o modelo é resolvido quando se determinam valores para as incógnitas, produzindo soluções, as quais, por sua vez, dependem de dados do problema. O passo seguinte consiste na validação do modelo, após verificar se as soluções obtidas pela resolução foram eficazes nas diferentes situações alternativas eventualmente relacionadas a problemas de demandas, custos, etc. A solução do modelo apoia o processo de tomada de decisões, mas, em geral, também devemos considerar diversos outros fatores pouco tangíveis, e não quantificáveis, para a decisão final, como soluções que não levem em conta que o comportamento humano pode falhar, pois os modelos não são tomadores de decisão, e sim apenas norteadores. Assim, cabe ao analista (humano) tomar a decisão, o que demonstra a importância de entender o cenário e a proposta do modelo. 5Construção e aplicação dos modelos matemáticos A abordagem para resolução de um problema envolve várias fases baseadas no diagrama da Figura 1, que podemos determinar como (Figura 2): 1. definição do problema; 2. construção do modelo; 3. solução do modelo; 4. validação do modelo; 5. implementação da solução. Desse modo, a fase (1) define o escopo do problema em estudo, enquanto a fase (2) traduz a fase (3) em relações matemáticas ou lógicas de simulação, ou, ainda, uma combinação delas. A fase (3) utiliza métodos de solução e algoritmos conhecidos para resolver o modelo da fase (2). A fase (4) verifica se o modelo proposto representa de forma adequada o que o problema significa. A eficácia da solução depende da precisão com que esse modelo representa o problema, sua tradução com base em dados corretos. Um modelo mais preciso, mesmo que resolvido de forma aproximada, pode ser bem mais útil do que um modelo menos preciso, resolvido de maneira exata. Além disso, vale ressaltar a qualidade da solução do modelo, levando em conta a qualidade dos dados de entrada do modelo (garbage in, garbage out, ou seja, entra lixo, sai lixo). Por fim, a fase (5) trata especificamente da implementação da solução na prática, traduzindo os resultados do modelo em decisões (ARENALES, 2015). Figura 2. Diagrama de uma modelagem matemática. Fonte: Adaptada de Arenales (2015). 1 2 5 6 87 4 Itens �nais: 1, 2 e 3 Itens intermediários: 4, 5, 6, 7 e 8 3 Construção e aplicação dos modelos matemáticos6 O sistema de planejamento das necessidades de materiais (MRP, do inglês material requirement planning) é empregado pelo setor de planejamento e con- trole de produção (PCP) para determinar quanto e quando produzir ou comprar componentes e matérias-primas para manufatura de itens finais. Na Figura 2 (Arenales, 2015), está representada a árvore dos itens componentes 4, 5, 6, 7 e 8, usados para produzir os itens finais 1, 2 e 3. Essa estrutura do produto apresenta quatro níveis, em que o nível 1 corresponde aos itens finais 1, 2 e 3. Já o nível 2 está associado aos componentes 4 e 5, o nível 3 ao componente 6 e, por fim, o nível 4 aos componentes 7 e 8. A lógica do MRP segue definida como fase I, na qual se suponha que a demanda externa dos itens finais seja conhecida ao longo de um horizonte de planejamento de T períodos, além do fato de que um lote de um item componente esteja disponível no mesmo período em que foi produzido ou encomendado. Calculam-se, então, os tamanhos dos lotes dos itens finais em cada período do horizonte de planejamento que promovem demandas internas dos itens componentes 4 e 5 do nível 2. Na sequência, calculam-se os tamanhos dos lotes dos componentes 6 no nível 3 e os tamanhos dos lotes dos itens componentes 7 e 8 no nível 4 em cada período. O cálculo dos tamanhos dos lotes de todos os itens ignora restrições de capacidade, como horas de trabalho e horas de máquinas disponíveis. Ainda segundo Arenales (2015), como principal referência nessa demanda, na fase II calcula-se a capacidade utilizada para a produção dos lotes de cada item e nos respectivos períodos. Se essa capacidade for maior que a capacidade disponível em um ou mais períodos, retorna-se à fase I e se alteram os planos de produção. Esse procedimento iterativo e interativo entre as duas fases pros- segue até que se encontre uma solução que respeite a capacidade disponível. 2 Análise de cenários com uso de modelos matemáticos para resolução de problemas A análise de cenários constitui o primeiro passo para verificar o que realmente está ocorrendo e como se dará a ação sobre a demanda em questão. Coletar os dados e tratá-los já são partes muito efetivas sobre o que pode estar por vir em termos de ação eficaz, seja na otimização do processo, seja na resolução de um problema com impacto em perdas ou qualidade da operação. O modelo matemático complementa o processo dando suporte com base na análise feita, quando os dados analisados repassam uma ideia do contexto e, com isso, o modelo é adequado conforme as opções que a pesquisa operacional oferece. 7Construção e aplicação dos modelos matemáticos Assim, ao tomarmos a decisão observando características do modelo corre- lacionando com os dados do problema, fazemos uma leitura que oportuniza a melhor ação em favor da otimização da situação em estudo. Nos fundamentos da otimização e em relação à abrangência de suas apli- cações, segundo Arenales (2015), um dos principais métodos de solução muito aplicado atualmente é o método simplex. Os modelos de otimização linear têm sido amplamente utilizados na prática. Muitas situações reais podem ser representadas por modelos lineares, que comumenterepresentam subproblemas de casos mais complexos. Mesmo considerando a proposição desses modelos há mais tempo, em 1947 se iniciou a demarcação da relevância em termos de uso e aplicações de sucesso na área da otimização, quando da publicação do método simplex. Nesse contexto, seguiram-se diversas e intensas pesquisas de novos métodos e implementações eficientes em situações demandantes. Ainda, com suas aplicações em diversas áreas, como agricultura, planejamento da produção industrial, logística, telecomunicações e finanças, deu-se respaldo à adequação de demandas e seus resultados, o que evidencia sucesso e garantia de seu conceito como algo responsável pela solução ou otimização de processos. Outro marco importante relacionado à otimização pela pesquisa operacional, mais precisamente em programação linear, também ocorreu em 1984, com a publicação do método então chamado de método de pontos interiores, que, como todo e qualquer novo sistema de controle e gestão, precisou de muitas evidências de sucesso, com comparativo de resultados e comprometimento de pessoas envolvidas com foco em otimização. Atualmente, os modelos do tipo simplex e do tipo pontos interiores são os principais métodos utilizados em ferramentas computacionais para a resolução de problemas de otimização linear. É preciso se atentar para cenários em que se ocorre alguma variável a ser mensurada e apontada por conta de uma característica definida divergente, como parâmetro de qualidade. O mapeamento e o tratamento adequado dos dados destacam-se como fundamentais e relevantes para entender o problema, inclusive auxiliando na definição do modelo matemático mais adequado. Construção e aplicação dos modelos matemáticos8 Segundo Goldbarg, Luna e Goldbarg (2015), a representação abstrata de elementos específicos do espaço em que está inserido é uma habilidade que o ser humano vem praticando há milhares de anos, buscando soluções com base de decisões confiáveis. Desde os primórdios, as civilizações usam essas habilidades para representar e compreender o mundo. Modelos matemáticos ou formas diversas de comunicar ideias, coordenar ações e antecipar problemas por meio de previsões quantitativas do que poderia surgir do meio ambiente foram essenciais para a preservação da espécie humana e dos demais seres existentes. Ao desenvolver a técnica e aplicá-la para isolar elementos da rea- lidade e representá-los de forma particular e distinta do todo, o homem criou a modelagem, a qual, mesmo precisando de ajustes — como de fato ocorreu —, partiu de uma base fundamentada e com procedência de confiança para analisar diferentes situações e demandas de solução. Nesse sentido, a mode- lagem passou a ser uma tarefa que comporta identificar componentes de uma dada realidade e, com isso, representá-los de forma facilitar um dado raciocínio ou comunicação, ou seja, particionar, detalhar e expor de maneira clara o problema acabam se tornando a primeira condição de adequar a realidade e entender daquilo que o modelo propõe fazer. Assim, ao criarmos uma base relacionada ao modelo matemático, promovemos inúmeras possibilidades de analisar e verificar o cenário. Portanto, modelos são primordialmente elementos de simplificação e de comunicação (GOLDBARG; LUNA; GOLDBARG, 2015), pois suas carac- terísticas também servem a outros objetivos, como aprendizagem, deduções, induções ou mesmo o simples desfrute do artefato construído. Dessa forma, o conceito de modelo passa a ser considerado uma forma de representação substitutiva da realidade e tem um significado sutilmente menor que o expresso no verbo “modelar”, o qual introduz a ideia da descoberta dos elementos fundamentais que possibilitam a simulação da realidade representada por ilustrações com diagramas, números ou outras formas, uma atividade conclu- sivamente bem mais ampla que o resultado final do processo. Um modelo é considerado um veículo para uma visão estruturada da realidade, transferida de uma realidade abstrata para uma representação que pode ser numérica ou ilustrativa, condição mais adequada no que tange à representatividade e ao entendimento do que se deseja mostrar para aplicação na análise geral. Os modelos são ferramentas construídas pelo cérebro para entender o que 9Construção e aplicação dos modelos matemáticos está no mundo, inclusive o próprio cérebro. Lidar com modelos constitui uma atividade tão natural que pode independer, inclusive, da consciência sobre a dificuldade ou mesmo a complexidade do que se está fazendo, embora isso contribua de alguma forma para facilitar a interpretação do cenário ou do problema em questão. Imagens, gráficos, diagramas, fluxos ou equações matemáticas conse- guem representar elementos do mundo real muito mais complexos, todavia transmitindo informações suficientes para possibilitar alcançar conclusões decisivas sobre o comportamento de entidades reais. Obviamente, essa re- presentatividade pode exigir algum conhecimento complementar no sentido da análise e da interpretação correta do que está representado, o momento de aplicar a pesquisa operacional com base no modelo quase definido como ferramenta de interpretação de uma realidade para representações de sua condição (GOLDBARG; LUNA; GOLDBARG, 2015). De acordo com Goldbarg, Luna e Goldbarg (2015), alguns modelos são estruturados em vários níveis de complexidade, inclusive aqueles que for- malizam o funcionamento do próprio modelo, mas sempre com o objetivo de organizar as informações. A geometria euclidiana é um modelo que satisfaz a um conjunto de axiomas, ou se, constitui um modelo de contexto axiomático, que vai desde as transformadas de Laplace e sua Mécanique Céleste até a teoria quântica e o átomo de Bohr. Certamente, existem modelos que não lidam com elementos concretos, mas que, no contexto epistemológico, por exemplo, estão aparelhados para representar tanto objetos concretos quanto imaginários. Em resumo, os modelos são. em geral, estruturas abstratas de construção cognitivas que visam a facilitar o raciocínio, as conclusões e a tomada de decisão inserida no conceito principal da pesquisa operacional. Assim, trazer um dado abstrato de sentido visual para uma representatividade, dando condição de análise, caracteriza uma transferência de cenários para embasamento e suporte para a adequada condição de tomar uma decisão e encaminhar uma solução por meios concretos e relevantes (de análise ou decisão). Construção e aplicação dos modelos matemáticos10 A atuação de quem busca entender a situação em estudo segue uma di- nâmica correlacionada a conceitos de pesquisa científica. Seguir um padrão como necessidade básica de coerência e orientação torna-se fundamental, como mostrado na Figura 3, que apresenta uma sequência lógica de interpretação e definições que dão suporte a esse controle de verificação da evolução da análise de cenário em questão. Figura 3. Modelo circular da atividade científica na análise de cenários. Fonte: Adaptada de Goldbarg, Luna e Goldbarg (2015). Goldbarg, Luna e Goldbarg (2015) aponta ainda que o fluxo do particular para o geral, e do geral para o particular, é peculiar à atividade científica ilus- trada para obter uma melhor percepção sobre a análise. Na condição dedutiva do que se estuda, o principal instrumento conceitual é a lógica, enquanto, na face indutiva, a ferramenta central é a probabilidade. Assim, criamos dois principais meios de decisão na correlação de conceitos: os qualitativos e os quantitativos. No Quadro 1, podemos identificar uma correlação de diferentes percepções sobre modelos matemáticos como opção de fator suporte na tomada de decisão. 11Construção e aplicação dos modelos matemáticos Fonte: Adaptado de Goldbarg; Luna e Goldbarg (2015). Definição Complementação Representação de uma entidade interpretada pelo cérebro humano empregando um sistema físico ou conceitual Definição fundamental de modelo Cada interpretação de um sistema formal criadoaxiomaticamente Aspecto da transformação abstrata como interpretação necessária à configuração de um modelo Modelos são representações simplificadas da realidade que preservam determinadas situações e definem enfoques relevantes Modelar é uma atividade cognitiva de alto nível que busca alguma vantagem pela representação simplificada dos elementos e fenômenos que o cérebro lida. Assim, a atividade de modelagem procura o equilíbrio entre o benefício da simplificação e o ônus da redução do alcance da aplicação da representação realizada Os modelos estão sempre “errados”, porém o cuidado de sua aplicação pode levar a objetivos efetivos sobre o que se espera em termos de suporte nas soluções A representação abstrata visa a alcançar uma dada vantagem sobre a simples observação direta do fenômeno natural. Mesmo uma fotografia filtra certas informações e ressalta outras. A capacidade de substituir a realidade nos aspectos julgados mais importantes constitui a característica do modelo que o torna desejável. A capacidade de simplificação útil reside na chave da construção de modelos operacionalmente factíveis e viáveis, e não sua perfeita aderência à realidade Quadro 1. Definição de modelo matemático sob diferentes percepções São vários os critérios de medida da adequação ou aderência do modelo à realidade representada, a qual pode ser aperfeiçoada de forma interativa (GOLDBARG; LUNA; GOLDBARG, 2015). A verificação da representativi- dade naquilo a que chamamos modelo constitui uma etapa indispensável em qualquer procedimento científico para coleta, análise e tomada de decisão. Como os modelos se afastam, obrigatoriamente, do fenômeno representado, validar um modelo é testar sua eficácia, criando uma capacidade de bem re- Construção e aplicação dos modelos matemáticos12 presentar o que se propõe a representar, ou seja, transferir dados e informações de certa forma abstratas para uma condição visual representativa da situação. Sua eficiência reside na capacidade de dispor de uma construção e operação factível diante de restrições reais de uso de recursos, como tempo, espaço de memória ou número de variáveis envolvidas, complementando o processo de encaminhamentos, visando à otimização como um todo. 3 Sequência para estruturação de uma modelagem No contexto da definição de um método para solução de problemas, já ficou claro que seguir determinada metodologia é fundamental para a assertividade das ações, contexto em que observar cenários e encaminhá-los da melhor maneira é, comprovadamente, base científica de estudo, contemplado pelo tratamento de dados e pela aplicação de um modelo conforme as caracterís- ticas do problema e o esperado para otimizar seus resultados. Uma tomada de decisão acertada leva em conta benefícios sobre custos da ação e resultados melhores que impactam no desempenho e nas percepções externas sobre a otimização dos processos da empresa que emprega o modelo matemático na sustentabilidade da pesquisa operacional aplicada. Segundo Lachtermacher (2016), no momento em que os gestores encontram situações em que uma decisão deve ser tomada entre uma série de alternativas conflitantes e concorrentes, duas opções básicas se apresentam: � usar apenas a intuição gerencial; � realizar um processo de modelagem da situação e considerar diversas simulações dos mais diversos cenários de maneira a estudar mais profun- damente o problema e criar uma condição assertiva para ações efetivas. Até pouco tempo atrás, a primeira opção se constituía na única alternativa viável, visto que não existiam dados, informações sobre os problemas ou poder computacional para resolvê-los, pois os processos, de modo geral, tinham pouca ação gestora no sentido de controlar resultados por meio de dados (LA- CHTERMACHER, 2016). Porém, com o aumento e a disponibilidade maior de acesso à tecnologia de informação, como bancos de dados mais robustos, esta deixou de ser a única opção para os tomadores de decisão. Um número cada vez maior de empresas e tomadores de decisão (senão a maioria) passou a optar pela segunda alternativa, isto é, pela elaboração de modelos para auxiliar 13Construção e aplicação dos modelos matemáticos esse processo utilizando a modelagem como principal referência de suporte à decisão. Nesse cenário, devemos ressaltar outros dois fatos relevantes para o processo de análise: � a quantidade de informações disponíveis cresceu exponencialmente nos últimos anos, sobretudo pela evolução da internet das coisas e da própria internet, o que nos levou a um momento totalmente novo, em que se torna impossível montar modelos pela grande quantidade de dados disponível. Assim, é importante separar as informações relevantes das irrelevantes, modelando a situação para que possamos analisá-la de forma sólida e efetiva em termos de variáveis e aporte para as decisões de forma assertiva; � muitos gerentes deixaram de utilizar sua intuição completamente, o que é bastante prejudicial para o processo de tomada de decisão, pois uma base de conhecimentos pode estar sendo desperdiçada, ou seja, embora tenhamos chegado a um momento que a base de dados é fundamental, a questão intuitiva complementa a matemática, principalmente em situações adversas. A intuição gerencial se constrói com base em experiências vividas, nas quais um gestor, ao analisar determinado cenário, desde o momento em que busca os dados, verifica o comportamento do processo e tenta imaginar soluções, considerando todas as hipóteses. A partir da conclusão da análise quantitativa e qualitativa, ele poderá encaminhar decisões, pois estará levando em conta tanto o modelo quanto as “arestas”, muitas vezes percebidas pela experiência e pelas lições aprendidas anteriormente. Na Figura 4 (GOLDBARG; LUNA; GOLDBARG, 2015), identificamos como se dá o fluxo das trocas de informações e verificações que darão carac- terísticas específicas da estruturação do processo de construção do modelo matemático ideal para o caso em análise. Toda a organização das ideias e principais formas de resolução prossegue no fluxo e faz com que a organização, por si só, possibilite um bom encaminhamento, observando-se metodologi- camente a sequência para uma solução sólida e coerente com base nos dados do processo ou do problema posto. Construção e aplicação dos modelos matemáticos14 Figura 4. Fluxograma ideal para a construção do modelo matemático. Fonte: Adaptada de Goldbarg, Luna e Goldbarg (2015). Para Goldbarg, Luna e Goldbarg (2015), essa forma de representação nos mostra a percepção que o problema precisa propor para a garantia de uma verificação efetiva e confiável: � definição clara do problema com coleta de dados e análise das informações; � construção do modelo inicial (com base nas características e nas infor- mações sobre o caso em estudo); � após essa conclusão, valida-se um modelo a ser utilizado. Aqui, validar refere-se a tomar uma decisão sobre qual modelo aplicar, e não neces- sariamente que será eficaz na primeira aplicação; � realiza-se a simulação do modelo que foi validado; � se o resultado não for eficaz ou pretende-se desgastar mais o propósito de solução para o que o modelo é planejado, reformula-se o modelo; � após uma ou várias reformulações do modelo validado para o caso, ele é aplicado determinado como referência nesse caso em estudo especificamente. 15Construção e aplicação dos modelos matemáticos Claramente, quando falamos de modelos matemáticos voltados à otimiza- ção, utilizar modelos anteriores e de sucesso é algo necessário, inclusive para aplicar o conceito de otimização na própria análise de problemas e, com isso, ganhar produtividade no processo decisório sobre novas demandas. Para complementar o conhecimento sobre conceitos introdutórios da pesquisa ope- racional com as principais definições dos modelos matemáticos, além de sua correta forma de escolha, operação e aplicação, sugerimos que consulte a obra: HILLIER, F.S.; LIEBERMAN, G. J. Introdução à pesquisa operacional. 9. ed. Porto Alegre: AMGH, 2021. Padrões para construção de modelos Apesar de não explorarmos técnicas subjetivas ou estéticas de construção de modelos matemáticos nesse contexto, reconhecemos que o estado da arte ainda não possibilita um algoritmo preciso, específico, autocontido e efi- ciente. Objetivamente, sua finalidade principal consiste em solucionar os passos indispensáveis para o sucesso da modelagem de um sistema genérico e atingir resultados satisfatórios. De acordo com Ackoff e Sasieni (1971 apud GOLDBARG; LUNA; GOLDBARG, 2015, p. 15) poderão ser considerados cinco padrões de construção de modelos: Padrão 1: quando a estrutura do sistema é suficientemente simples e evidente para ser compreendida por inspeção; assim, o modelo pode ser construído com facilidade, o que não significa que não impede que seja muito difícil ou até mesmo impossível avaliar as variáveis não controladas e diversos outros parâmetros, ainda considerando que o número de variáveis controladas pode também impossibilitar a solução prática do problema. Construção e aplicação dos modelos matemáticos16 Padrão 2: quando a estrutura do sistema é relativamente aparente, mas a representação simbólica não é vista dessa maneira. A busca de um sistema análogo à estrutura para esse caso já conhecido constitui uma boa opção. O sistema análogo poderá auxiliar na descoberta das propriedades do sistema em estudo. No modelo em que se aplicam os conceitos de máximos ou mínimos de uma função matemática, são pesquisados por meio de uma analogia que varia conforme cada situação estudada. Padrão 3: quando a estrutura do sistema não é aparente, contudo, uma análise estatística dele pode atender ao desejado e indicar, por meio desses dados, sua real condição. Nesse caso, o sistema é considerado uma caixa-preta por meio da qual conhecemos, com segurança, as respostas para determinados estímulos. Padrão 4: quando a estrutura do sistema não é aparente nem se pode isolar os efeitos das diversas variáveis por meio de uma análise estatística. Nessa hipótese, uma boa política consistirá no projeto de experimentos de modo a determinar variáveis e correlações relevantes e reduzir o caso ao Padrão 3. Padrão 5: quando verificamos as situações do Padrão 4, as experimentações possíveis sobre o modelo são limitadas para o fim desejado. Será o fim da linha? Nesse caso, existem ainda os modelos de Conflitos e Jogos de Operações e, caso isso ainda não seja o suficiente, evocaremos a criatividade. Para Fiani (2015), é relevante conhecer o conjunto de ações de cada in- tegrante do processo, usando como exemplo o modelo dos jogos, no qual o jogador constitui um passo fundamental na análise de um processo de interação estratégica. Com efeito, as possibilidades de interação estratégica dependem de todas as ações relevantes disponíveis para os jogadores. Cada jogador considera não apenas todas as ações relevantes de que dispõe, mas também todas as ações relevantes disponíveis para os demais jogadores. Caso algum não considerasse alguma ação significativa para o desenvolvimento do jogo à sua disposição, ou à disposição dos demais jogadores, seria irracional, pois ele não estaria levando em conta todas as informações disponíveis antes de tomar sua decisão. Isso não significa que ele não possa descartar determinadas ações como inadequadas aos seus objetivos, dadas as possibilidades de resposta dos demais jogadores, visto sua função ser justamente essa. Dentro do jogo, em que as movimentações acontecem com base em informações ou necessida- 17Construção e aplicação dos modelos matemáticos des, avaliar e decidir sobre o que fazer tornam-se relevantes e, sem dúvida, impactantes no cenário depois das ações tomadas e encaminhadas. Contudo, não basta apenas considerar as ações possíveis sobre o cenário, mas também entender o impacto delas sobre o processo, melhorando, assim, a condição de escolha: embasada em informações coerentes e fortes, a decisão certamente será mais assertiva, o mostra sua relação direta com o conceito de jogos, já que os jogadores tomam suas decisões ao mesmo tempo ou sucessivamente. Ainda segundo Fiani (2015), um bom exemplo é o caso dos bancos — a decisão a ser tomada torna-se mais difícil se cada banco precisa escolher o que fazer em relação ao seu empréstimo sem conhecer a decisão do outro, em comparação a se um deles tem a chance de decidir conhecendo a escolha do outro. Conhecendo a respeito da concorrência, sua decisão será mais asser- tiva, pois esta passa de apenas aleatória para condição defensiva, superior à concorrência. Isso se chama ação proativa, que deve se dar sobre as tendências de ocorrência, principalmente quanto às falhas ou aos defeitos de modo geral. Outro caso relevante nessa proposta para construção do modelo ideal ocorre quando uma empresa líder decide depois da concorrente com perfil inovador. Se a líder decide o preço de seu produto depois de saber que a inovadora efe- tivamente lançou seu novo produto, disporá de mais informação no momento de decidir e, eventualmente, pode acabar obtendo uma situação melhor ao final do “jogo” do que se fosse obrigada a decidir ao mesmo tempo que a inovadora decide lançar seu produto (FIANI, 2015). Nesse tipo de situação, a líder precisaria escolher sua ação sem saber qual será a escolha da inovadora, apresentando, dessa forma, menos informação. Em resumo, podemos perceber que diferentes processos de interação sobre aquilo que estamos avaliando demandam diferentes representações, sempre com base nas diversas tomadas de decisão. O pretexto comparativo com jogos torna possível perceber como as peças se movimentam dentro do cenário em análise, já que o foco principal consiste em desenvolver um modelo matemático de forma clara, pelo menos com condição adequada de trazer aquela informação até então abstrata para uma condição de melhor percepção, constitui, sem dúvida, um diferencial relevante para entender melhor o que acontece e, com isso, gerar respaldo na tomada de decisões sobre o problema em questão. Construção e aplicação dos modelos matemáticos18 Considere uma situação em que se deve desenvolver um modelo de otimização do processo de montagem, considerando o atendimento a demanda anual. Em um primeiro momento, pode-se questionar como elaborar um plano de produção que respeite as limitações da empresa e do mercado, promovendo, ainda, o melhor re- sultado financeiro para a empresa e a satisfação do cliente. Para a fabricação do skid, são necessários dois recursos principais: mão de obra e fornecedor do processo de pintura, para os quais a empresa apresenta as limitações descritas no quadro a seguir. Recursos Disponibilidade Mão de obra (minutos) 2,880 minutos/dia Fornecedor do processo de pintura 48 unidades pintadas por semana Para se chegar à quantidade de tempo necessária de mão de obra, consideraram-se 2 turnos de trabalho, com 3 funcionários trabalhando, com uma carga horária diária de 480 minutos cada turno. As quantidades necessárias de tempo em cada um dos processos para montagem do skid estão representadas a seguir. Etapa Quantidade de funcionários Tempo Soldagem 1 60 minutos por conjunto Calibração 2 3 minutos por conjunto Pintura Fornecedor externo 100 minutos por conjunto Para encontrar o lucro do produto, a empresa forneceu três dados importantes. O custo médio para soldar e calibrar um skid (R$ 70,00), o número de funcionários envolvidos diretamente nos processos de soldagem e calibração (3 por turno), além do fato de que todo o transporte no processo de pintura é feito pela própria empresa. Desse modo, com base na demanda anual de 2.000 skid, foi possível calcular o lucro, estimando os salários dos funcionários, o custo da pintura e o gasto com transporte, conforme os seguintes quadros. 19Construção e aplicação dos modelos matemáticos Compo- nente Quan- tidade Valor unitário (r$) Custo mensal(R$) Unidade por mês Custo por uni- dade (R$) Funcio- nário 6 6.000,00 36.000,00 192 187,50 Transporte 10 via- gens/ mês 800,00 8.000,00 192 41,67 Adicional noturno 3 funcio- nários 12,47 823,02 192 4,29 Solda 192 horas/ mês 60,00/h 11.520,00 192 60,00 Calibração 192 unidades/ mês 10,00 1.920,00 192 10,00 Pintura 192 unidades/ mês 1.000,00 192.000,00 192 1.000,00 Energia e água 352 horas/ mês 18,05 6.355,39 192 33,10 Compo- nentes metálicos — — 60.000,00 192 312,50 Impostos — — — — 2.000,00 Total 4.500,00 Preço de venda/unidade Custo de produção Lucro R$ 10.000,00 R$ 4.500,00 R$ 5.500,00 Construção e aplicação dos modelos matemáticos20 Com os dados estimados pelo grupo e os fornecidos pela RD, foi possível construir um modelo matemático, como mostra o quadro a seguir, buscando otimizar o processo de montagem, minimizando o custo. Função Objetivo: Minimizar os custos de Produção. F.O MIM – (60* × 11 + 90* × 12+15* × 22) + (A*PA + B*PB) + (3*800) Restrições A + B = X11 + X12 A + B = X21 + X22 X11 + X12 = X21 + X22 X11 + X12 >= 48 unidades 1* × 11 <= 8 horas 1* × 12 <= 8 horas Com o auxílio de uma planilha eletrônica, moldou-se o problema, para que fosse resolvido por meio da ferramenta Solver, utilizando o algoritmo simplex. Após a resolução obtida pelo Solver e obedecendo a todas as restrições, obtiveram-se os seguintes resultados: Etapas do processo Quantidade requerida em horas/ unidades Tempo de produção disponível Hora/ homem disponível Custo por unidade Soldar unidade manhã 1 8 8 R$ 60,00 Soldar unidade noite 1 8 8 R$ 90,00 Calibrar unidade manhã 0,5 8 16 R$ 10,00 Calibrar unidade noite 0,5 8 16 R$ 15,00 Pintar unidade produção 1 8 — R$ 1.000,00 21Construção e aplicação dos modelos matemáticos Demanda Manhã Noite Demanda semanal de solda 48 0 Demanda semanal de calibragem 48 0 Demanda semanal de calibragem — — 48 Quantidade de A 48 356,5 — Quantidade de B 0 312,5 — Análise dos resultados para esse problema Nesse cenário, a empresa funciona em dois turnos, com jornada diária de 16 horas. A modelagem matemática desenvolvida apontou que o atual esquema de produção aumenta o custo, pois o segundo turno, por conta da legislação trabalhista, tem um valor maior de hora/homem trabalhada, tanto na etapa de solda quanto na de calibração. Após todas as análises necessárias e com o auxílio da modelagem, observamos que a distribuição de tempo que minimiza o custo é ótima quando se utiliza toda a demanda de tempo no período da manhã, refletindo uma produção semanal de 48 unidades. Por fim, avaliou-se o impacto de diminuir o tempo de solda para 30 minutos/unidade com a inclusão de mais um funcionário no turno da manhã. Essa simulação indicou que otimizar essa etapa diminui o custo final da unidade, pois, para cada hora trabalhada, duas unidades do produto ficariam prontos, com o consumo da mesma quantidade de recursos. Os resultados gerais indicaram que a empresa tem espaço para otimização da linha de montagem, possibilitando a diminuição dos seus custos operacionais. Fonte: Adaptado de Basílio et al. (2016, p. 5). ARENALES, M. Pesquisa operacional para cursos de engenharia. 2. ed. Rio de Janeiro: Elsevier, 2015. BASÍLIO, B. Desenvolvimento de modelos matemáticos para otimização do processo de montagem do SKID. In: CONGRESSO BRASILEIRO DE EDUCAÇÃO EM ENGENHARIA, 64., 2016, Natal. Anais [...]. Natal: UFRN, 2016. Disponível em: http://www.abenge.org.br/ cobenge/arquivos/3/anais/anais/161145.pdf. Acesso em 28 ago. 2020. FIANI, R. Teoria dos jogos com aplicações em economia, administração e ciências sociais. 4. ed. Rio de Janeiro: Elsevier, 2015. GOLDBARG, M. C.; LUNA, Henrique P.; GOLDBARG, E. F. Programação linear e fluxos em rede. Rio de Janeiro: Elsevier, 2015. Construção e aplicação dos modelos matemáticos22 Os links para sites da web fornecidos neste capítulo foram todos testados, e seu fun- cionamento foi comprovado no momento da publicação do material. No entanto, a rede é extremamente dinâmica; suas páginas estão constantemente mudando de local e conteúdo. Assim, os editores declaram não ter qualquer responsabilidade sobre qualidade, precisão ou integralidade das informações referidas em tais links. HILLIER, F. S.; LIEBERMAN, G. J. Introdução à pesquisa operacional. 9. ed. Porto Alegre: AMGH, 2012. LACHTERMACHER, G. Pesquisa operacional na tomada de decisão. 5. ed. Rio de Janeiro: LTC, 2016. Leituras recomendadas COX III, J. F.; SCHLEIER, J. G. Handbook da teoria das restrições. 1. ed. Porto Alegre: Book- man, 2013. MACHLINE, C. et al. Manual da administração da produção. 6. ed. Rio de Janeiro: FGV, 1985. RODRIGUES, R. Pesquisa operacional. 1. ed. Porto Alegre: Sagah, 2017. E-book. 23Construção e aplicação dos modelos matemáticos
Compartilhar