Univ
Univ
ersidade do Sul
ersidade do Sul
de Santa
de Santa
Catarina
Catarina
Palhoça
Palhoça
Introdução à
Introdução à
P
P
esquisa O
esquisa O
peraciona
peraciona
l
l
Disciplina na modalidade a distância
Disciplina na modalidade a distância
3ª edição revista e
Créditos
Créditos
Unisul
Unisul– Universidade do Sul de – Universidade do Sul de Santa CatarinaSanta Catarina
UnisulVirtual
UnisulVirtual– Educação Superior a Distância– Educação Superior a Distância
Reitor Unisul
Reitor Unisul Ailton Nazareno Soares
Ailton Nazareno Soares
Vice-Reitor
Vice-Reitor
Sebastião Salésio Heerdt
Sebastião Salésio Heerdt
Chefe de Gabinete da Reitoria
Chefe de Gabinete da Reitoria Willian Máximo
Willian Máximo
Pró-Reitora Acadêmica
Pró-Reitora Acadêmica Miriam de Fátima Bora Rosa
Miriam de Fátima Bora Rosa
Pró-Reitor de Administração
Pró-Reitor de Administração Fabian Martins de Castro
Fabian Martins de Castro
Pró-Reitor de Ensino
Pró-Reitor de Ensino Mauri Luiz Heerdt
Mauri Luiz Heerdt
Campus Universitário de Tubarão
Campus Universitário de Tubarão
Diretora
Diretora: Milene Pacheco Kindermann: Milene Pacheco Kindermann
Campus Universitário da
Campus Universitário da
Grande Florianópolis
Grande Florianópolis
Diretor
Diretor : Hércules Nunes de Araújo: Hércules Nunes de Araújo
Campus Universitário UnisulVirtual
Campus Universitário UnisulVirtual
Diretora
Diretora: Jucimara Roesler: Jucimara Roesler
Diretora
DiretoraAdjunta: Patrícia AlbertonAdjunta: Patrícia Alberton
Equipe UnisulVirtual Equipe UnisulVirtual Gerência Acadêmica
Gerência Acadêmica Márcia Luz de Oliveira (Gerente)
Márcia Luz de Oliveira (Gerente)
Fernanda Farias
Fernanda Farias
Gerência Administrativa
Gerência Administrativa Renato André Luz (Gerente)
Renato André Luz (Gerente)
Marcelo Fraiberg Machado
Marcelo Fraiberg Machado
Naiara Jeremias da Rocha
Naiara Jeremias da Rocha
Valmir Venício Inácio
Valmir Venício Inácio
Gerência de Ensino,
Gerência de Ensino,
Pesquisa e Extensão
Pesquisa e Extensão Moacir Heerdt (Gerente)
Moacir Heerdt (Gerente)
Clarissa Carneiro Mussi
Clarissa Carneiro Mussi
Letícia Cristina Barbosa (Auxiliar)
Letícia Cristina Barbosa (Auxiliar)
Gerência Financeira
Gerência Financeira Fabiano Ceretta (Gerente)
Fabiano Ceretta (Gerente)
Alex Fabiano Wehrle
Alex Fabiano Wehrle
Sheyla Fabiana Batista Guerrer
Sheyla Fabiana Batista Guerrer
Gerência de Logística
Gerência de Logística Jeerson Cassiano Almeida
Jeerson Cassiano Almeida
da Costa (Gerente)
da Costa (Gerente)
Abraão do Nascimento Germano
Abraão do Nascimento Germano
Carlos Eduardo Damiani da Silva
Carlos Eduardo Damiani da Silva
Fylippy Margino dos Santos
Fylippy Margino dos Santos
Geanluca Uliana
Geanluca Uliana
Guilherme Lentz
Guilherme Lentz
Pablo Darela da Silveira
Pablo Darela da Silveira
Rubens Amorim
Rubens Amorim
Gerência de Produção e Logística
Gerência de Produção e Logística Arthur Emmanuel
Arthur Emmanuel F. Silveira (Gerente)F. Silveira (Gerente)
Francini Ferreira Dias
Francini Ferreira Dias
Gerência Serviço de Atenção
Gerência Serviço de Atenção
Integral ao Acadêmico
Integral ao Acadêmico
James Marcel Silva Ribeiro (Gerente)
James Marcel Silva Ribeiro (Gerente)
Juliana Cardoso da Silva
Juliana Cardoso da Silva
Maria Isabel Aragon
Maria Isabel Aragon
Maurício dos Santos Augusto
Maurício dos Santos Augusto
Maycon de Sousa Candido
Maycon de Sousa Candido
Micheli Maria Lino de Medeiros
Micheli Maria Lino de Medeiros
Nidia de Jesus Moraes
Nidia de Jesus Moraes
Priscilla Geovana Pagani
Priscilla Geovana Pagani
Rychard de Oliveira Pires
Rychard de Oliveira Pires
Sabrina Mari Kawano Gonçalves
Sabrina Mari Kawano Gonçalves
Taize Muller
Taize Muller
Tatiane Crestani Trentin
Tatiane Crestani Trentin
Vanessa Trindade
Vanessa Trindade
Avaliação Institucional
Avaliação Institucional
Dênia Falcão de Bittencourt (Coord.)
Dênia Falcão de Bittencourt (Coord.)
Raael Bavaresco Bongiolo
Raael Bavaresco Bongiolo
Biblioteca
Biblioteca
Soraya Arruda Waltrick (Coord.)
Soraya Arruda Waltrick (Coord.)
Paula Sanhudo da Silva
Paula Sanhudo da Silva
Renan Cascaes
Renan Cascaes
Rodrigo Martins da Silva
Rodrigo Martins da Silva
Capacitação e Assessoria
Capacitação e Assessoria
ao Docente
ao Docente
Angelita Marçal Flores (Coord.)
Angelita Marçal Flores (Coord.)
Adriana Silveira
Adriana Silveira
Caroline Batista
Caroline Batista
Cláudia Behr Valente
Cláudia Behr Valente
Elaine Surian
Elaine Surian
Patrícia Meneghel
Patrícia Meneghel
Simone Perroni da Silva Zigunovas
Simone Perroni da Silva Zigunovas
Coordenação dos Cursos
Coordenação dos Cursos Adriana Ramme
Adriana Ramme
Adriano Sérgio da Cunha
Adriano Sérgio da Cunha
Aloísio José Rodrigues
Aloísio José Rodrigues
Ana Luisa Mülbert
Ana Luisa Mülbert
Ana Paula Reusing Pacheco
Ana Paula Reusing Pacheco
Bernardino José da Silva
Bernardino José da Silva
Carmen Maria Cipriani Pandini
Carmen Maria Cipriani Pandini
Charles Cesconetto
Charles Cesconetto
Diva Marília Flemming
Diva Marília Flemming
Eduardo Aquino Hübler
Eduardo Aquino Hübler
Eliza Bianchini Dallanhol Locks
Eliza Bianchini Dallanhol Locks
Fabiana Lange Patrício (Auxiliar)
Fabiana Lange Patrício (Auxiliar)
Itamar Pedro Bevilaqua
Itamar Pedro Bevilaqua
Jairo Aonso Henkes
Jairo Aonso Henkes
Janete Elza Felisbino
Janete Elza Felisbino
Jorge Alexandre Nogared Cardoso
Jorge Alexandre Nogared Cardoso
José Carlos Noronha de Oliveira
José Carlos Noronha de Oliveira
Jucimara Roesler
Jucimara Roesler
Karla Leonora Dahse Nunes
Karla Leonora Dahse Nunes
Luiz Guilherme Buchmann Figueiredo
Luiz Guilherme Buchmann Figueiredo
Luiz Otávio Botelho Lento
Luiz Otávio Botelho Lento
Marciel Evangelista Catâneo
Marciel Evangelista Catâneo
Maria Cristina Schweitzer Veit
Maria Cristina Schweitzer Veit
Maria da Graça Poyer
Maria da Graça Poyer
Maria de Fátima Martins (Auxiliar)
Maria de Fátima Martins (Auxiliar)
Mauro Faccioni Filho
Mauro Faccioni Filho
Moacir Fogaça Moacir Fogaça Nazareno Marcineiro Nazareno Marcineiro Nélio Herzmann Nélio Herzmann
Onei Tadeu Dutra
Onei Tadeu Dutra
Raulino Jacó Brüning
Raulino Jacó Brüning
Roberto
Roberto IunskovIunskovskiski
Desenho Educacional
Desenho Educacional
Carolina Hoeller da Silva Boeing (Coord.)
Carolina Hoeller da Silva Boeing (Coord.)
Design Instrucional
Design Instrucional Ana Cláudia Taú
Ana Cláudia Taú
Carmen Maria Cipriani Pandini
Carmen Maria Cipriani Pandini
Cristina Klipp de Oliveira
Cristina Klipp de Oliveira
Daniela Erani Monteiro Will
Daniela Erani Monteiro Will
Flávia Lumi Matuzawa
Flávia Lumi Matuzawa
Lucésia Pereira
Lucésia Pereira
Luiz Henrique Milani Queriquelli
Luiz Henrique Milani Queriquelli
Márcia Loch
Márcia Loch
Marina Cabeda Egger Moellwald
Marina Cabeda Egger Moellwald
Michele Correa
Michele Correa
Nagila Cristina Hinckel
Nagila Cristina Hinckel
Silvana Souza da Cruz
Silvana Souza da Cruz
Viviane Bastos
Viviane Bastos
Acessibilidade
Acessibilidade
Vanessa de Andrade Manoel
Vanessa de Andrade Manoel
Avaliação da Aprendizagem
Avaliação da Aprendizagem Márcia Loch (Coord.)
Márcia Loch (Coord.)
Eloísa Machado Seemann
Eloísa Machado Seemann
Gabriella Araújo Souza Esteves
Gabriella Araújo Souza Esteves
Lis Airê Fogolari
Lis Airê Fogolari
Simone Soares Haas Carminatti
Simone Soares Haas Carminatti
Núcleo Web Aula
Núcleo Web Aula Célio Alves Tibes Júnior
Célio Alves Tibes Júnior
Design Visual
Design Visual
Pedro Paulo Alves Teixeira (Coord.)
Pedro Paulo Alves Teixeira (Coord.)
Adriana Ferreira dos Santos
Adriana Ferreira dos Santos
Alex Sandro Xavier
Alex Sandro Xavier
Alice Demaria Silva
Alice Demaria Silva
Anne Cristyne Pereira
Anne Cristyne Pereira
Diogo Raael da Silva
Diogo Raael da Silva
Edison Rodrigo Valim
Edison Rodrigo Valim
Frederico Trilha
Frederico Trilha
Higor Ghisi Luciano
Higor Ghisi Luciano
Jordana Schulka
Jordana Schulka
Nelson Rosa
Nelson Rosa
Patrícia Fragnani de Moraes
Patrícia Fragnani de Moraes
Vilson Martins Filho
Vilson Martins Filho
Multimídia
Multimídia
Sérgio Giron (Coord.)
Sérgio Giron (Coord.)
Célio Alves Tibes Júnior
Célio Alves Tibes Júnior
Cristiano Neri Gonçalves Ribeiro
Cristiano Neri Gonçalves Ribeiro
Dandara Lemos Reynaldo
Dandara Lemos Reynaldo
Fernando Gustav Soares Lima
Fernando Gustav Soares Lima
Sérgio Freitas Flores
Sérgio Freitas Flores
Portal
Portal Raael Pessi
Raael Pessi
Luiz Felipe Buchmann Figueiredo
Luiz Felipe Buchmann Figueiredo
Disciplinas a Distância
Disciplinas a Distância Enzo de Oliveira Moreira (Coord.)
Enzo de Oliveira Moreira (Coord.)
Franciele Arruda Rampelotti (auxiliar)
Franciele Arruda Rampelotti (auxiliar)
Luiz Fernando Meneghel
Luiz Fernando Meneghel
Ana Paula de Andrade
Ana Paula de Andrade
Aracelli Araldi Hackbarth
Aracelli Araldi Hackbarth
Cristilaine Santana Medeiros
Cristilaine Santana Medeiros
Daiana Cristina Bortolotti
Daiana Cristina Bortolotti
Edesio Medeiros Martins Filho
Edesio Medeiros Martins Filho
Fabiana Pereira
Fabiana Pereira
Fernando Oliveira Santos
Fernando Oliveira Santos
Fernando Steimbach
Fernando Steimbach
Marcelo Jair Ramos
Marcelo Jair Ramos
Formatura e Eventos
Formatura e Eventos Jackson Schuelter Wiggers
Jackson Schuelter Wiggers
Monitoria e Suporte
Monitoria e Suporte Raael da Cunha Lara (Coord.)
Raael da Cunha Lara (Coord.)
Andréia Drewes
Andréia Drewes
Anderson da Silveira
Anderson da Silveira
Angélica Cristina Gollo
Angélica Cristina Gollo
Bruno Augusto Zunino
Bruno Augusto Zunino
Claudia Noemi Nascimento
Claudia Noemi Nascimento
Cristiano Dalazen
Cristiano Dalazen
Débora Cristina Silveira
Débora Cristina Silveira
Ednéia Araujo Alberto
Ednéia Araujo Alberto
Karla Fernanda Wisniewski Desengrini
Karla Fernanda Wisniewski Desengrini
Maria Eugênia Ferreira Celeghin
Maria Eugênia Ferreira Celeghin
Maria Lina Moratelli Prado
Maria Lina Moratelli Prado
Mayara de Oliveira Bastos
Mayara de Oliveira Bastos
Patrícia de Souza Amorim
Patrícia de Souza Amorim
Poliana Morgana Simão
Poliana Morgana Simão
Priscila Machado
Priscila Machado
Produção Industrial
Produção Industrial Francisco Asp (Coord.)
Francisco Asp (Coord.)
Ana Paula Pereira
Ana Paula Pereira
Marcelo Bittencourt
Marcelo Bittencourt
Relacionamento com o Mercado
Relacionamento com o Mercado Walter Félix Cardoso Júnior
Walter Félix Cardoso Júnior
Secretaria de Ensino a Distância
Secretaria de Ensino a Distância Karine Augusta Zanoni (Secretária de
Karine Augusta Zanoni (Secretária de
ensino)
ensino)
Andréa Luci Mandira
Andréa Luci Mandira
Andrei Rodrigues
Andrei Rodrigues
Bruno De Faria Vaz Sampaio
Bruno De Faria Vaz Sampaio
Daiany Elizabete da Silva
Daiany Elizabete da Silva
Djeime Sammer Bortolotti
Djeime Sammer Bortolotti
Douglas Silveira
Douglas Silveira
Giane dos Passos
Giane dos Passos
Luana Borges Da Silva
Luana Borges Da Silva
Luana Tarsila Hellmann
Luana Tarsila Hellmann
Marcelo José Soares
Marcelo José Soares
Miguel Rodrigues Da Silveira Junior
Miguel Rodrigues Da Silveira Junior
Patricia Nunes Martins
Patricia Nunes Martins
Raael Back
Raael Back
Rosângela Mara Siegel
Rosângela Mara Siegel
Silvana Henrique Silva
Silvana Henrique Silva
Vanilda Liordina Heerdt
Vanilda Liordina Heerdt
Vilmar Isaurino Vidal
Vilmar Isaurino Vidal
Secretária Executiva
Secretária Executiva Viviane Schalata Martins
Viviane Schalata Martins
Tenille Nunes Catarina (Recepção)
Tenille Nunes Catarina (Recepção)
Tecnologia
Tecnologia
Osmar de Oliveira Braz Júnior (Coord.)
Osmar de Oliveira Braz Júnior (Coord.)
Campus UnisulVirtual
Campus UnisulVirtual
Avenida dos Lagos, 41 | Cidade Universitária Pedra Branca | Palhoça – SC | 88137-100
Avenida dos Lagos, 41 | Cidade Universitária Pedra Branca | Palhoça – SC | 88137-100
Fone/fax
Fone/fax : (48) 3279-1242 e 3279-1271 |: (48) 3279-1242 e 3279-1271 |E-mail E-mail : cursovirtual@unisul.br: cursovirtual@unisul.br
Site
Ana Lúcia Miranda Lopes
Ana Lúcia Miranda Lopes
Ana Lúcia Meira da Veiga Galvão
Ana Lúcia Meira da Veiga Galvão
Palhoça
Palhoça
UnisulVirtual
UnisulVirtual
2010
2010
Design
Design
Instruciona
Instruciona
l
l
Ligia Maria Souen Tumolo
Ligia Maria Souen Tumolo
Introdução à
Introdução à
P
P
esquisa O
esquisa O
peraciona
peraciona
l
l
Livro didático
Livro didático
3ª edição revista e
658.4034
658.4034
L85
L85 Lopes, Lopes, Ana Ana Lúcia Lúcia MiraMirandanda
Introdução à pesquisa operacional : livro didático / Ana Lúcia Miranda
Introdução à pesquisa operacional : livro didático / Ana Lúcia Miranda
Lopes, Ana Lúcia Meira da Veiga Galvão ; design instrucional Lígia Maria
Lopes, Ana Lúcia Meira da Veiga Galvão ; design instrucional Lígia Maria
Soufen Tumolo ; [assistente acadêmico Nágila Cristina Hinckel, Roberta de
Soufen Tumolo ; [assistente acadêmico Nágila Cristina Hinckel, Roberta de
Fátima Martins]. – 3. ed. rev. e atual. – Palhoça : UnisulVirtual, 2010.
Fátima Martins]. – 3. ed. rev. e atual. – Palhoça : UnisulVirtual, 2010.
230 p. : il. ; 28 cm.
230 p. : il. ; 28 cm.
Inclui bibliografa.
Inclui bibliografa.
1. Pesquisa operacional. I. Galvão, Ana Lúcia Meira da Veiga. II. Tumolo,
1. Pesquisa operacional. I. Galvão, Ana Lúcia Meira da Veiga. II. Tumolo,
Lígia Maria Soufen. III. Hinckel, Nágila Cristina. IV. Martins, Roberta de
Lígia Maria Soufen. III. Hinckel, Nágila Cristina. IV. Martins, Roberta de
Fátima. V. Título.
Fátima. V. Título.
Edição – Livro Didático
Edição – Livro Didático
Proessoras Conteudistas
Proessoras Conteudistas
Ana Lúcia Miranda Lopes
Ana Lúcia Miranda Lopes
Ana Lúcia Meira da Veiga Galvão
Ana Lúcia Meira da Veiga Galvão
Design Instrucional
Design Instrucional
Ligia Maria Souen Tumolo
Ligia Maria Souen Tumolo
Assistente Acadêmico
Assistente Acadêmico
Nágila Cristina Hinckel
Nágila Cristina Hinckel
Roberta de Fátima Martins
Roberta de Fátima Martins
(3 ed. revista e
(3 ed. revista e atualizada)atualizada)
Projeto Gráfco e Capa
Projeto Gráfco e Capa
Equipe UnisulVirtual
Equipe UnisulVirtual
Diagramação
Diagramação
Adriana Ferreira dos Santos
Adriana Ferreira dos Santos
Revisão Ortográfca Revisão Ortográfca B2B B2B Copyright © UnisulVirtual 2010 Copyright © UnisulVirtual 2010
Nenhuma parte desta publicação pode ser reproduzida por qualquer meio sem a prévia autorização desta instituição. Nenhuma parte desta publicação pode ser reproduzida por qualquer meio sem a prévia autorização desta instituição.
P
Paallaavvrraas s ddaas s pprrooeessssoorraas s ccoonntteeuuddiissttaas s ... 1111
P
Pllaanno o dde e eessttuuddo o . .. . . .. . . .. .. .. . . .. .. .. . . .. . . .. .. .. . . .. .. .. . . .. .. .. . . .. . . .. .. .. . . .. .. .. . . .. . . .. .. .. . . .. . . .. .. .. . . .. .. .. . . .. . 1133
UNIDADE 1
UNIDADE 1 – – PesPesquisa quisa operaoperacionacional: l: o o que que é, é, históhistória ria e e aplicaplicações ações ... 1515 Ana Lúcia Miranda Lopes
Ana Lúcia Miranda Lopes
UNIDADE 2
UNIDADE 2 – S– Siimmuullaaççãão o dde e MMoonntte e CCaarrllo o ... 2277 Ana Lúcia Miranda Lopes
Ana Lúcia Miranda Lopes
UNIDADE 3
UNIDADE 3 – P– Prrooggrraammaaççãão o lliinneeaarr, , oorrmmuullaaççãão .o ... 6633 Ana Lúcia Miranda Lopes
Ana Lúcia Miranda Lopes
UNIDADE 4
UNIDADE 4 – – Programação linear – Programação linear – Problemas de trProblemas de transporte eansporte e
d
deessiiggnnaaççãão o . .. . . .. . . .. .. .. . . . .. . . . .. . . .. .. .. . . .. . . .. .. . .. . . . .. .. .. . . .. . . .. .. . .. . . . .. . . .. . . .. .. .. . 9999 Ana Lúcia Miranda Lopes
Ana Lúcia Miranda Lopes
UNIDADE 5
UNIDADE 5 – – PrProgograramamaçãção lio linenearar, sol, soluçãução gro grááca e alca e algégébrbricica a ... 121255 Ana Lúcia Miranda Lopes e Ana Lucia Meira da Veiga Galvão
Ana Lúcia Miranda Lopes e Ana Lucia Meira da Veiga Galvão
UNIDADE 6
UNIDADE 6 – – Programação de PProgramação de Projetos através de erojetos através de estudos de rede PERT/studos de rede PERT/
C CPPM M . . .. . .. . . .. . . .. . . .. . .. . . .. . . .. . . .. . .. . .. . . .. . . .. . .. . .. . . .. . .. . . .. . . .. . . .. . . 114477 P Paarra a ccoonncclluuiir r o o eessttuuddo . .o . ... .. ... .. . ... .. ... 116655 S Soobbrre e aas s pprrooeessssoorraas s ccoonntteeuuddiissttaas s ... 116677 R Reeeerrêênncciiaas s . . .. . . . .. . . .. . . .. .. .. . . .. .. . .. . . . .. .. .. . . .. . . .. .. . .. . . . .. .. .. . . .. .. .. . . .. . . . .. . . . .. . . .. .. .. . . .. . . .. .. . .. . . . .. . . .. . ..116699
Respostas e comentários das atividades de autoavaliação . . .
Respostas e comentários das atividades de autoavaliação . . . 171. . 171
A
ANNEEXXOOS . . . .S . . . .. . . .. . .. . .. . . .. . . .. . .. . .. . . .. . .. . . .. . . .. . . .. . .. . .. . . .. . . .. . .. . .. . . .. . .. . . .. . . .. . . 221111
Sumário
Apresentação
Apresentação
Este livro d
Este livro d
idático correspo
idático correspo
nde à disciplina
nde à disciplina
Introdução à
Introdução à
Pesquisa Operacional
Pesquisa Operacional
.
.
O material oi elaborado, visando a uma aprendizagem
O material oi elaborado, visando a uma aprendizagem
autônoma. Aborda conteúdos especialmente selecionados e adota
autônoma. Aborda conteúdos especialmente selecionados e adota
linguagem que acilite seu estudo a distância.
linguagem que acilite seu estudo a distância.
Por alar em distância, isso não signica que você estará
Por alar em distância, isso não signica que você estará
sozinho/
sozinho/
a. Não se esqueça de
a. Não se esqueça de
que sua caminhada
que sua caminhada
nesta disciplina
nesta disciplina
também será acompanhada constantemente pelo Sistema
também será acompanhada constantemente pelo Sistema
utorial da UnisulVirtual. Entre em contato, sempre que sentir
utorial da UnisulVirtual. Entre em contato, sempre que sentir
necessidad
necessidad
e, seja por correio postal,
e, seja por correio postal,
ax,
ax,
teleo
teleo
ne, e-mail ou
ne, e-mail ou
Espaço U
Espaço U
nisulVirtua
nisulVirtua
l de
l de
Apren
Apren
dizagem.
dizagem.
Nossa equipe
Nossa equipe
terá o
terá o
maior prazer em atendê-lo/a, pois sua aprendizagem é nosso
maior prazer em atendê-lo/a, pois sua aprendizagem é nosso
principal
principal
objetivo
objetivo
.
.
Bom estudo e sucesso!
Bom estudo e sucesso!
Equipe UnisulVirtual.
Palavras das proessoras
Prezado(a) aluno(a), nesta disciplina você entrará em contato
com o melhor dos mundos da matemática, o mundo da
aplicação.
Aqui você aprenderá e entenderá o porquê de estudarmos tanta
matemática quando azemos o primeiro e segundo graus.
Muitas vezes você se perguntava para que servia aquele monte
de equações, onde você iria utilizar na sua vida?
Pois é, nesta disciplina você, estudante, estará aplicando
os conteúdos adquiridos até hoje com o objetivo de
resolver problemas empresariais. Muitas vezes você, como
administrador, terá que tomar decisões bastante complexas
que envolvem alocação de recursos escassos, identicação
da quantidade de produto a manter em estoque, quanto de
produto encaminhar de cada origem para cada destino, quanto
investir em cada ativo, entre outros.
É, meu caro estudante, é aqui que você verá o quanto a
matemática ajuda a resolver problemas. Com certeza a
disciplina que você estudará a partir deste momento lhe
dará as erramentas necessárias para resolver uma série de
problemas na área de administração.
Neste livro você estudará as técnicas de pesquisa operacional
mais aplicadas no mundo todo. Nenhuma delas é ácil, pois
envolve conhecimentos e habilidades em métodos quantitativos
assim como na utilização de uma planilha eletrônica.
A partir de agora você, caro aluno, entrará neste mundo que,
por vezes, não lhe parecerá ácil, mas é muito desaante. Você
gosta de desaos?
Plano de estudo
O plano de estudos visa orientá-lo/la no desenvolvimento da
Disciplina. Nele, você encontrará elementos que esclarecerão
o contexto da Disciplina e sugerirão ormas de organizar o seu
tempo de estudos.
O processo de ensino e aprendizagem na UnisulVirtual leva
em conta instrumentos que se articulam e se complementam.
Assim, a construção de competências se dá sobre a articulação
de metodologias e por meio das diversas ormas de ação/
mediação.
São elementos desse processo:
o livro didático;
o Espaço UnisulVirtual de Aprendizagem - EVA;
as atividades de avaliação (complementares, a distância
e presenciais).
Ementa
Programação linear: ormulação, solução gráca, solução
algébrica. Método SIMPLEX. eoria dos jogos. Métodos de
transporte e atribuição. Programação de projetos: Conceitos
undamentais, montagem de redes, análise do caminho crítico,
durações probabilísticas. Modelos de estoque. eoria dos
Universidade do Sul de Santa Catarina
Carga Horária
60 horas – 4 créditos
Objetivos
Geral
Propiciar ao estudante um aproundamento quantitativo com
ênase na modelagem de problemas decisórios.
Específcos
1 - Desenvolver habilidades de:
estruturação;
análise;
síntese;
resolução de problemas decisórios.
2 - Compreender os conceitos básicos de simulação.
3 - Estruturar redes de projetos e com o objetivo de estruturá-lo e
encontrar o caminho crítico.
Conteúdo programático/objetivos
Os objetivos de cada unidade denem o conjunto de
conhecimentos que você deverá deter para o desenvolvimento
de habilidades e competências necessárias à sua ormação. Neste
sentido, veja a seguir as unidades que compõem o livro didático
Introdução à Pesquisa Operacional
Unidade 1: Pesquisa operacional: o que é, história e
aplicações
Esta unidade az uma breve introdução do assunto estudado no
livro. Comenta como surgiu a pesquisa operacional e relaciona
suas principais técnicas e aplicações.
Unidade 2: Simulação de Monte Carlo
Nesta unidade estudaremos uma técnica de pesquisa operacional
chamada de simulação. A simulação aqui abordada será a de
Monte Carlo, e compreenderemos como se constrói um modelo
de simulação e qual a sua utilização no processo de decisão
dentro de uma empresa.
Unidade 3: Programação linear, ormulação
Nesta unidade estudaremos a técnica de programação linear.
Aqui aprenderemos a construir modelos matemáticos que
representam um problema decisório, assim como a
resolvê-los. O processo de resolução se dará de duas ormas: gráca e
por meio de planilha eletrônica. Os principais modelos aqui
estudados serão: seleção de portolios de investimento, transporte
e atribuição, planejamento da produção.
Unidade 4: Programação linear – Problemas de transporte e
designação
Nesta unidade estaremos aprendendo uma das principais
aplicações de programação linear: modelos de rede e de
transportes.
Universidade do Sul de Santa Catarina
Unidade 6: Programação de Projetos através de estudos de
redes PERT?CPM
Programação de projetos é também uma técnica de pesquisa
operacional. Aqui se estudará como estruturar redes que
representam projetos e como utilizar esta rede para o
acompanhamento e controle dos mesmos.
Agenda de atividades/ Cronograma
Verique com atenção o EVA, organize-se para acessar
periodicamente a sala da disciplina. O sucesso nos seus
estudos depende da priorização do tempo para a leitura,
da realização de análises e sínteses do conteúdo e da
interação com os seus colegas e tutor.
Não perca os prazos das atividades. Registre no espaço
a seguir as datas com base no cronograma da disciplina
disponibilizado no EVA.
Use o quadro para agendar e programar as atividades
relativas ao desenvolvimento da disciplina.
Atividades de Avaliação
1
UNIDADE 1
Pesquisa operacional: o que é,
história e aplicações
Ana Lúcia Miranda Lopes
Objetivos de aprendizagem
Ao nal desta unidade você estará apto a:
Caracterizar a pesquisa operacional como ciência.
Conhecer a história da pesquisa operacional.
Caracterizar as diversas divisões da pesquisa
operacional.
Seções de estudo
Seção 1
Como surgiu a pesquisa operacional?Universidade do Sul de Santa Catarina
Para início de estudo
De todas as técnicas gerenciais à disposição hoje em dia, a
pesquisa operacional (PO) é uma das mais poderosas. Usuários
tradicionais como as indústrias petrolíeras, de aviação e
instituições nanceiras vêm utilizando PO de maneira crescente
no Brasil e no mundo. A aplicação das erramentas de PO tem
levado as empresas a grandes economias, seja em termos de
redução de custo, seja em termos de aumento de lucro através da
otimização de seus recursos.
Nesta unidade você irá descobrir quem construiu as técnicas que
vamos ver ao longo da disciplina. Verá também quais são as ases
que devem ser seguidas para a modelagem de um problema.
Ao nal desta unidade você aprenderá um pouquinho de cada
uma das principais técnicas de pesquisa operacional.
SEÇÃO 1 - Como surgiu a pesquisa operacional?
A pesquisa operacional (
Operations Research
ou
Management
Science
) teve seu surgimento durante a Segunda Guerra Mundial.
Guerras, na maior parte das vezes, trazem junto consigo a
necessidade de conviver-se com toda sorte de carência de
recursos.
Foi por esta razão que os militares ingleses (
British Air Force
)
ormaram o primeiro grupo para o estudo das melhores
condições de aproveitamento dos recursos disponíveis. Este grupo
estudou a aplicação de métodos quantitativos com o objetivo de
melhorar a eciência das orças de guerra da armada inglesa.
Foi então denominado de grupo deOperations
Research(pesquisa operacional) e vem daí, o nome da ciência tão amplamente utilizada hoje em dia.
Introdução à Pesquisa Operacional
Naquele momento o grupo de PO começou a trabalhar com
problemas relacionados ao abastecimento das tropas, táticas de
deesa e ataque aéreo e marítimo. A principal aplicação daquela
época que se tem notícia oi na área de detecção de aviões
inimigos através de radar. Dizem, hoje, que esta oi a grande
arma dos britânicos que os levou a vencer a batalha aérea na
Grã-Bretanha.
Logo após a criação do grupo de PO inglês, e como não poderia
deixar de ser, os americanos ormaram um grupo semelhante.
Depois da Segunda Guerra Mundial os cientistas e
administradores de empresas vislumbraram a possibilidade de
aplicação das técnicas de PO utilizadas na guerra para a resolução
de problemas dentro das empresas. Modelos oram pesquisados
e desenvolvidos para a resolução de problemas nas áreas de
planejamento da produção, planejamento agrícola, transporte de
mercadorias,
scheduling
de renarias de petróleo, entre outros.
Agora vamos às denições.
SEÇÃO 2 - O que é pesquisa operacional?
A pesquisa operacional é uma ciência aplicada voltada para a resolução de problemas reais e complexos. Tendo como oco a tomada de decisões, aplica conceitos e métodos de outras áreas cientícas para concepção, planejamento ou operação de sistemas para atingir seus objetivos.
Através de desenvolvimentos de base quantitativa, a pesquisa
operacional visa também introduzir elementos de objetividade e
racionalidade nos processos de tomada de decisão, sem descuidar,
no entanto, dos elementos subjetivos e de enquadramento
organizacional que caracterizam os problemas (<http://www.
sobrapo.org.br>).
Universidade do Sul de Santa Catarina
É, portanto, uma ciência aplicada ormada por um conjunto de
técnicas quantitativas que tem como objetivo a determinação
da melhor maneira de aproveitamento de recursos, por vezes,
escassos. É particularmente pertinente em problemas complexos
cujo alcance dos objetivos enrenta restrições tais como: técnica,
econômica, temporal, de mão-de-obra, de demanda etc.
Aliado ao uso dos métodos quantitativos, tem-se o uso de
softwares
ecientes para a resolução dos problemas decisórios.
Softwares
tais como LINDO,
What´s Best
,
Solver
do Excel, entre
outros, poderão ser utilizados na busca da solução dos problemas.
Com a disseminação dos computadores observada nas últimas
décadas tornou-se possível trabalhar com grandes volumes de
dados sobre as atividades das empresas, tornando a representação
do problema decisório cada vez mais próxima da realidade e
azendo com que se observe o uso da PO em um grande número
de empresas.
Com a globalização, a utilização eciente dos recursos disponíveis é vital para as empresas.
Utilizar-se tudo o que se tem disponível, através da ciência, experiência, etc., para a melhoria da eciência da empresa é de extrema relevância para a sobrevivência das mesmas em um mercado cada vez mais competitivo e pode signicar ou não a manutenção desta no mercado.
A utilização de métodos quantitativos para resolução de
problemas decisórios envolve, normalmente, muitas pessoas
dentro da organização. odos os aspectos relevantes do problema
precisam ser identicados e mapeados.
O processo da aplicação das técnicas de pesquisa operacional
envolve uma seqüência de passos, que pode ser ilustrada na gura
que segue:
Introdução à Pesquisa Operacional
Figura 1.1 – Sequência de desenvolvimento de um modelo de PO Fonte: Mathur, K.; Solow, D, 2004
A Figura 1.1 mostra que o desenvolvimento de um modelo de
pesquisa operacional parte da identifcação correta e precisa
do problema. O responsável pela modelagem deve extrair do
decisor o problema que o mesmo deseja resolver para que possa
estabelecer os objetivos do modelo.
Universidade do Sul de Santa Catarina
Após a declaração dos objetivos, o modelador deve realizar
um levantamento dos dados para posteriormente passar ao
desenvolvimento do modelo. Os dados podem ser determinísticos
(conhecidos com certeza) ou probabilísticos (se conhece a
distribuição de probabilidade dos mesmos).
Após a modelagem resolve-se o problema, que deve ser validado
tanto pelo responsável pela modelagem quanto pelo decisor.
A ase da validação passa por uma observação dos resultados
apresentados pelo modelo para vericar se os mesmos são
actíveis de implementação. Muitas vezes modelos construídos de
orma errada ou utilizando dados errados conduzem a resultados
absurdos.
Neste momento o responsável pela modelagem deverá retornar a
qualquer uma das ases anteriores para vericar onde está o erro.
Se os resultados estão corretos passa-se para a penúltima ase,
análise dos resultados e análise de sensibilidade
. Nesta ase
realiza-se uma análise de sensibilidade com o objetivo de vericar
até que ponto pequenas alterações nos dados do problema
modicam o resultado. Modelos muito sensíveis tornam muito
arriscada sua implementação.
A última ase é a de implementação do resultado. Neste ponto é
importante lembrar que o decisor tomará sua decisão utilizando
os resultados do modelo, além de outras inormações e variáveis,
muitas vezes subjetivas.
Atenção!
O responsável pela modelagem não deve esperar que o decisor aceite e implemente cegamente o que indica o modelo, mas sim que ele utilize seus resultados para auxiliá-lo no processo de tomada de decisão.
Introdução à Pesquisa Operacional
ormulação de ração a custo mínimo, redes de transporte,
alocação de pessoas, problemas de redes de comunicação,
alocação de investimentos e programação de tareas são também
exemplos de aplicações de PO.
Organizações como IBM, HP, Microsot, Gessy Lever, Nestlé etc. São exemplos de multinacionais que vêm utilizando técnicas de PO em seus gerenciamentos.
Em nível nacional tem-se inormação da aplicação de técnicas de
pesquisa operacional em empresas tais como:
Petrobrás, Sadia, AçoMinas, Unibanco, Bradesco, Brahma, Cosipa, Eletrobrás, entre outras.
A pesquisa operacional compreende um conjunto relativamente
grande de técnicas que podem ser utilizadas para resolução de
problemas decisórios. As principais são:
algoritmos genéticos;
análise multicritério de apoio à decisão;
cadeias de Markov;
Data Envelopment Analysis
– DEA;
graos;
modelos de estoques;
modelos de previsão;
programação dinâmica;
programação linear;
programação não-linear;
redes neurais;
Universidade do Sul de Santa Catarina
simulação;
teoria da decisão;
teoria das las;
teoria dos jogos.
Na área de negócios os casos de utilização da pesquisa
operacional têm se concentrado nas técnicas de programação
linear e simulação. Pelo menos 70% das aplicações envolvem estas
duas áreas.
Você nalizou esta unidade. Ao estudá-la caracterizou a pesquisa
operacional como ciência. Conheceu a história da pesquisa
operacional. Como também estudou as diversas divisões da
pesquisa operacional.
Síntese
Nesta unidade você aprendeu que pesquisa operacional é uma
ciência aplicada voltada para a solução de problemas decisórios.
Viu também que ela envolve a matemática no processo de
modelagem e a utilização de
softwares
para a solução dos
modelos.
Acompanhou o surgimento da pesquisa operacional na Segunda
Guerra Mundial, bem como as ases de construção dos modelos.
A unidade oi nalizada com uma relação extensa das técnicas
mais utilizadas.
Introdução à Pesquisa Operacional
Atividades de autoavaliação
Para praticar os conhecimentos apropriados nesta unidade, realize as atividades propostas a seguir.
1. O que é pesquisa operacional? Pesquise na internet e busque outras denições além da que oi apresentada a você.
2. Pesquise na internet o que é cada uma das técnicas de pesquisa operacional.
Introdução à Pesquisa Operacional
Saiba mais
Para aproundar as questões abordadas nesta unidade você poderá
pesquisar as seguintes obras:
ANDRADE, E. L. Introdução à Pesquisa
Operacional: métodos e modelos para análise de
decisões. 3. ed. Rio de Janeiro: LC, 2004.
CORRAR, Luiz J.; FUNDAÇÃO INSIUO DE
PESQUISAS CONÁBEIS, Atuariais e Financeiras
(Coord.). Pesquisa operacional para decisão em
contabilidade e administração:
contabilometria. São
Paulo: Atlas, 2004.
MOREIRA, Daniel. Pesquisa Operacional: curso
introdutório
. São Paulo: Tomson Learning, 2007
Consulte também os
sites
:
2
UNIDADE 2
Simulação de Monte Carlo
Ana Lúcia Miranda Lopes
Objetivos de aprendizagem
Ao nal desta unidade você estará apto a:
conhecer como unciona a simulação;
compreender como a simulação pode auxiliar o
administrador a tomar decisões;
identicar quais são as variáveis importantes para o
problema assim como a distribuição de probabilidades das variáveis probabilísticas;
identicar o objetivo do problema;
elaborar e resolver modelos simples de simulação.
Seções de estudo
Seção 1
Introdução à simulaçãoSeção 2
Fases e uncionamento da simulaçãoUniversidade do Sul de Santa Catarina
Para início de estudo
Os bons administradores estão sempre em busca de erramentas
e técnicas que possam ajudá-los no processo complexo de tomada
de decisão. Estas técnicas incluem estatística, programação linear,
análise de decisão, teoria das las, previsão e simulação.
Nesta unidade estudaremos um pouco da simulação. Na Seção
1, veremos que erramenta de pesquisa operacional é essa e onde
é utilizada. Na Seção 2, identicaremos as principais ases da
construção de uma simulação, e na Seção 3, você aprenderá a
construir modelos simples.
SEÇÃO 1 - Introdução à simulação
Simulação é o processo de construção de um modelo matemático ou lógico de um sistema ou problema decisório e de experimentação deste modelo (usualmente utilizando-se um computador) com o objetivo de observá-lo/analisá-lo e solucioná-lo.
A simulação procura construir sistemas, modelos de uma situação
real, para que, com base nos resultados das modicações neste
modelo, o administrador possa tomar decisões.
A simulação é bastante utilizada para observar o impacto de
mudanças desejadas pelos decisores. É também, particularmente
adequada quando os problemas exibem alguma incerteza, a qual
é que dicultama utilizaçao de modelos analíticos.
A principal vantagem da simulação é sua habilidade de modelar hipóteses sobre um problema ou sistema, azendo com que seja a erramenta mais fexível de pesquisa operacional (EVANS, OLSON, 2002).
Introdução à Pesquisa Operacional
A simulação tem estado presente na nossa vida de várias
maneiras. Quem não vê em telejornais aquele mapa de previsão
de tempo, onde é simulada a passagem das nuvens sobre os
vários estados? Quem nunca ouviu alar dos simuladores de vôo?
por meio dos quais os uturos pilotos e astronautas utilizam
asimulação para aprender a voar podendo observar como o avião
ou nave reagiria sob determinadas condições ou ações deste piloto
(ver Apollo 13)? Até dentro de nossa casa temos programas de
computador que procuram imitar cenas da vida real, tais como:
SIMS, jogos de videogames, etc.
A simulação é encontrada nas grandes empresas, e com ela
pode-se construir modelos que imitem os processos atuais, de maneira
a observar o impacto de mudança nestes processos.
Você pode construir um modelo que simula, por exemplo:
o uncionamento diário de um banco ou hospital, para
entender o impacto de adicionar um ou mais bancários
ou enermeiras;
a operação de um porto ou aeroporto, para entender o
uxo de tráco e os congestionamentos associados;
o processo de produção em uma ábrica, para identicar
gargalos na linha de produção;
o uxo de tráco em uma
freeway
ou em um sistema de
comunicação complicado, para determinar se a expansão
é necessária.
Mas, onde mais a simulação pode ser utilizada?
Sistemas de produção:
manuatura e montagem;
movimentação de peças e matéria-prima;
alocação de mão-de-obra;
áreas de armazenagem;
Universidade do Sul de Santa Catarina
Sistemas de transporte e estocagem:
redes de distribuição;
armazéns e entrepostos;
rotas, etc.
Sistemas administrativos:
seguradoras;
operadores de crédito;
nanceiras, etc.
Sistemas de prestação de serviços direto ao público:
hospitais;
bancos;
restaurantes industriais e tipo
fast food
;
serviços de emergência (polícia, bombeiros, socorro
médico);
serviços de assistência jurídica, etc.
Sistemas computacionais:
redes de computadores;
redes de comunicação;
servidores de rede;
arquitetura de computadores;
sistemas operacionais;
Introdução à Pesquisa Operacional
Breve histórico
A história da simulação remonta aos jogos de guerra chineses, há 5000 anos. Os povos prússios utilizaram esses jogos no nal do século XVIII como auxílio ao treinamento
militar de suas tropas.
A partir de então, as principais orças militares do mundo vêm usando jogos de guerra para testar estratégias militares rente a cenários simulados de combate. Durante a Segunda Guerra Mundial, o matemático
húngaro-americano John Von Neumann, em seu trabalho no Projeto Manhattan (bomba atômica), criou um novo conceito, denominado Simulação de Monte Carlo. O trabalho consistia na simulação direta de problemas probabilísticos relacionados com a diusão aleatória das partículas de nêutrons quando submetidas a um processo de ssão nuclear. O nome Monte Carlo oi cunhado pelo cientista Metropolis, inspirado no interesse por pôquer de seu colega Ulam. Baseou-se na similaridade que a simulação estatística desenvolvida por eles tinha com os jogos de azar, simbolizados nas roletas do cassino de Monte
Carlo, na capital do principado de Mônaco.
Atualmente, graças ao desenvolvimento dos recursos computacionais, esse método é usado rotineiramente em diversas áreas, desde a simulação de enômenos ísicos complexos, como o transporte de radiação na atmosera terrestre, até em causas menos nobres, como na simulação do resultado de loterias.
No Brasil, empresas tais como a Belge Simulação e a Paragon
realizam consultoria nesta área e estão preparadas para trabalhar
com problemas bastante complexos. Verique como.
A Belge, por exemplo, já construiu:
modelo para a Michelin com o objetivo de buscar o
Universidade do Sul de Santa Catarina
modelo para a Petrobrás que apontou o correto
dimensionamento da rota de sondas de manutenção de
poços. Com este modelo a Petrobrás teve uma economia
de mais de US$ 1.000.000;
modelo para a Brahma que a levou a uma economia de
US$ 350.000 através da melhora nos procedimentos
logísticos, da reorganização dos estoques e da
racionalização de empilhadeiras;
modelo para a Volkswagen de São Bernardo do Campo/
SP que trabalhou com dimensionamento de uma nova
linha de teste de motores, bem como na ampliação nas
linhas de pintura e na obtenção de melhorias na logística
operacional;
modelo para o Banco Itaú que utilizou um simulador
para o desenvolvimento de um sistema para redução de
las nas suas quase 2000 agências espalhadas pelo Brasil.
A Belge utiliza o
software
Pro-Model, líder mundial em sistemas
para modelagem, simulação e otimização de processos, e é a
representante no Brasil do mesmo.
A Paragon utiliza o ARENA. Esta empresa realizou grandes
trabalhos para Petrobrás, CAIO, Ford, Scania, entre outras.
Os principais
softwares
existentes na área de simulação são:
ARENA;
PROMODEL;
Crystal Ball;
@Risk;
DecisionPro;
Xcell;
SLAM;
Introdução à Pesquisa Operacional
A planilha eletrônica Excel também contém recursos para que
simulações não muito complexas possam ser realizadas.
Os principais tipos de simulação existentes são: simulação de
Monte Carlo e simulação de sistemas. Enquanto a simulação de
Monte Carlo é um experimento de amostragem cujo principal
propósito é estimar a distribuição de um resultado que depende
de algumas variáveis probabilísticas, a simulação de sistemas
modela sequências de eventos que acontecem ao longo do tempo,
como estoques, las e produção.
SEÇÃO 2 - Fases e uncionamento da simulação
2.1 Fases da simulação
Para que um modelo de simulação seja construído, é importante
que as ases descritas pela Figura 2.1 sejam seguidas.
Universidade do Sul de Santa Catarina
Observe que um modelo de simulação deve iniciar com a correta
identicação do problema que precisa ser resolvido.
Estabelecem-se os objetivos e inicia-Estabelecem-se a aEstabelecem-se de coleta e preparação dos dados.
Nesta ase, normalmente coletam-se muitos dados estatísticos
a respeito das variáveis do sistema que se deseja simular. O
modelo é, então, ormulado e posteriormente validado através da
observação do seu comportamento com dados reais.
Se o modelo não está adequado, segue-se uma ase de
modicação do mesmo. Se é considerado adequado, isto é, se
ele reete pereitamente a situação real que se pretende analisar,
realizam-se as análises, experimentação e interpretação dos
resultados para posterior implementação.
2.2 Exemplo de simulação
Um bom exemplo de simulação no mundo dos negócios oi
publicado por Evans e Olson (2002) e está traduzido, adaptado e
reproduzido a seguir:
Introdução à Pesquisa Operacional
Doce Sabor é uma empresa amiliar, de pequeno porte, que vende sorvetes de vários sabores. Porém, em datas comemorativas vende também chocolate caseiro. Para o dia dos namorados a empresa sempre adquire de seu ornecedor um chocolate especial em orma de coração para revender.
O pedido deste tipo de chocolate deve ser eito com várias semanas de antecedência. Este produto é comprado do ornecedor por R$ 7,50 a caixa e revendido por R$ 12. Todas as caixas que não são vendidas até o dia 13 de junho são oerecidas com desconto de 50% e, desta maneira, podem ser vendidas acilmente.
Historicamente a Doce Sabor tem vendido entre 40 e 90 caixas nesta época sem tendência de crescimento ou decréscimo das vendas. O problema do gerente da loja é decidir quantas caixas de chocolate comprar para o dia dos namorados, pois se a demanda exceder a quantidade comprada a empresa perde oportunidade de lucro.
De outro lado, se muitas caixas são compradas, isto é, se a
quantidade comprada excede a quantidade demandada até o dia 13 de junho, a loja estará perdendo dinheiro, pois estará vendendo as caixas que sobrarem a um preço abaixo do seu custo de compra. Se a demanda é conhecida, poder-se-ia computar o lucro de comprar 40, 50, 60, 70, 80 ou 90 caixas acilmente.
Porém a demanda é probabilística e, para eeitos de simplicação, deve-se assumir que será de 40, 50, 60, 70, 80 ou 90 caixas com igual probabilidade (1/6).
Ajude o gerente a decidir quantas caixas comprar. Obviamente seu objetivo é o de maximizar o lucro da empresa.
Solução
Para que o modelo de simulação seja construído se az necessário, primeiramente, desenvolver uma expressão matemática que represente o lucro (L) da Doce Sabor.
Este lucro deverá ser calculado utilizando-se a equação (1) se a demanda (D) exceder ou or igual à quantidade comprada (Q), e a equação (2) se a demanda (D) car abaixo da quantidade (Q). Lucro1 = 12Q – 7,5Q = 4,5Q se D> = Q (1) Lucro2 = 12D + 6(Q-D) – 7,5Q = 6D – 1,5Q se D< Q (2) (Traduzido e adaptado de OSLON, D.L.; EVANS, J.R., 2002)
Universidade do Sul de Santa Catarina
Observe que por meio da equação 1 obtém-se o lucro da empresa
quando a demanda excede a quantidade comprada (lembre que
lucro = receita – custo). Nesta, a receita é obtida
multiplicando-se o preço de venda ($12) pela quantidade demandada (D),
enquanto o custo é obtido multiplicando-se o custo de cada
caixa para o empresário ($7,5) pela quantidade comprada do
ornecedor.
A equação 2 é um pouco dierente pois, neste caso, a Doce
Sabor tem sobra de caixas de chocolate. Esta sobra é calculada
azendo-se Q – D e a receita obtida com esta sobra será obtida
pela multiplicação do preço com desconto ($6) pela mesma. A
receita nesta equação será a soma da receita obtida com tudo que
or vendido até o dia dos namorados (12 vezes D) com a receita
obtida pela venda do que sobrou após este dia ($6 multiplicado
por Q-D). O custo nesta equação será o mesmo da anterior ($7,5
vezes Q ).
Com base nas equações apresentadas acima, pode-se realizar a
simulação do movimento do dia dos namorados para auxiliar o
administrador da loja a decidir quantas caixas comprar. Os dados
utilizados na simulação são os descritos abaixo:
1. a quantidade do pedido, Q (aquilo que se quer decidir); 2. as várias receitas e custo (constantes e conhecidas); 3. a demanda, D (incontrolável e probabilística).
O resultado procurado pelo modelo é o lucro líquido, pois a
empresa irá decidir pela quantidade a ser comprada (40, 50, 60,
70, 80 ou 90) que maximizará este lucro.
Se sabemos a demanda, acilmente calculamos o lucro utilizando
a equação 1 ou 2. Porém, se a demanda tem uma distribuição
probabilística nós precisaremos simular esta demanda. Foi
assumido que a demanda pode ser 40, 50,60,70,80 ou 90 com
igual probabilidade (1/6). Sendo as probabilidades iguais e de 1/6,
pode-se gerar amostras utilizando um dado. Pode-se estabelecer
a demanda conorme a tabela que segue:
Introdução à Pesquisa Operacional
Tabela 2.1 - Simulação de demanda da Doce Sabor Valor no dado Demanda
1 40 2 50 3 60 4 70 5 80 6 90
A tabela acima estabelece que: se rolarmos um dado e o valor
alcançado or 1, então a demanda é tida como sendo de 40 caixas
e pode-se calcular o lucro obtido.
Para realizar a simulação deste exemplo vamos estabelecer que o
administrador da loja tenha encomendado 60 caixas de chocolates
especiais para o dia dos namorados. Os passos abaixo devem ser
observados para a simulação de Monte Carlo:
1. rolar o dado;
2. determinar a demanda D, utilizando a abela 2.1;
3. usando Q = 60, calcular o lucro com as equações 1 ou 2;
4. anotar o lucro obtido.
Por exemplo, suponha que rolamos o dado e o número obtido oi 4. Este corresponde a uma demanda de 70 caixas de chocolates. Como, neste caso, D>Q, usaremos a equação 1 para computar o lucro obtido (simulado).
Lucro = 12*60 –7,5*60= R$ 270,00
Entretanto, uma única simulação não nos ornece uma boa
estimativa do que poderia acontecer se o administrador
encomendasse 60 caixas. Repetindo a simulação 10 vezes, como
exemplo, nós podemos chegar aos resultados descritos na tabela
Universidade do Sul de Santa Catarina
Tabela 2.2 - Simulação de demanda e lucro obtido por chocolates usando um Q = 60 Tentativa Número no dado Demanda Lucro (R$)
1 5 80 270 2 3 60 270 3 2 50 210 4 4 70 270 5 1 40 150 6 3 60 270 7 5 80 270 8 6 90 270 9 2 50 210 10 3 60 270 Média 246
Conorme a tabela acima, pode-se observar que o lucro médio
obtido pela empresa com a encomenda de 60 caixas seria de
R$ 246. Com base nestes dados construiu-se a tabela abaixo,
que mostra a distribuição de probabilidade do lucro. Ela nos
diz que, se o administrador da Doce Sabor encomendasse 60
caixas de chocolates para o próximo dia dos namorados, ele teria
70% de probabilidade de obter um lucro de R$ 270, 20% de
probabilidade de obter um lucro de R$ 210 e somente 10% de
chance de obter um lucro de R$ 150.
Tabela 2.3 – Distribuição de reqüência dos lucros
Lucro (R$) Freqüência observada * Probabilidade **
150 1 0,10
210 2 0,20
270 7 0,70
Introdução à Pesquisa Operacional
Os resultados desta simulação nos mostram que a Doce Sabor
tem 30% de chance de obter um lucro menor ou igual a R$ 210.
Se a loja tem despesas xas maiores do que este valor, talvez
osse melhor seu administrador escolher uma outra quantidade
de encomenda (Q ) na tentativa de obter um lucro maior. Faça o
teste construindo tabelas de simulação para Q = 40,50,70,80 e 90
unidades.
Atenção!
Deve-se salientar que o acima exposto oi somente um exemplo de aplicação da simulação. Para que a simulação orneça bons resultados ela deve ser realizada muitas vezes (cem no mínimo). Para que se possa realizar uma simulação de cem tentativas, por exemplo, uma planilha eletrônica será de grande valia. Uma simulação com dez tentativas nos produz resultados muito limitados e oi aqui realizada para que você entenda mais acilmente o processo de simulação.
Na próxima seção, você continuará este exemplo trabalhando
com a simulação de Monte Carlo. Este tipo de simulação oi
escolhido por ser considerado mais adequado a simulações
realizadas no mundo dos negócios.
SEÇÃO 3 - Simulação de Monte Carlo
A simulação de Monte Carlo é basicamente um
experimento de amostragem cujo principal propósito é estimar a distribuição de um resultado que depende de algumas variáveis probabilísticas.
Ela é um tipo de simulação que gera números aleatórios dentro
de certas características e utiliza estes valores para as variáveis
incertas de um modelo. O modelo é simulado repetidas vezes,
Universidade do Sul de Santa Catarina
Lembre-se:
Método de Monte Carlo: tipo de simulação que utiliza distribuições de probabilidades para determinar a ocorrência de eventos aleatórios.
A simulação de Monte Carlo é requentemente utilizada para
avaliar o impacto esperado de mudanças de políticas e o risco
envolvido na tomada de decisão.
De acordo com Corrar e Teólo (2003), a técnica de simulação
de Monte Carlo compreende as seguintes etapas:
a) identicação das distribuições de probabilidades das
variáveis aleatórias relevantes para o estudo;
b) construção das distribuições de probabilidades
acumuladas para cada uma das variáveis denidas no
item anterior (a), quando cabível;
c) denição dos intervalos de números randômicos
(números aleatórios) para cada variável;
d) geração de números aleatórios;
e) simulação dos experimentos.
Para exemplicar as etapas acima, vamos denir primeiramente
as variáveis aleatórias do exemplo 2.1.
Variável é o objeto de estudo do problema que estamos
resolvendo e aleatório é aquilo que não sabemos com exatidão,
que simulamos o resultado.
Portanto, no exemplo da Doce Sabor temos três variáveis, a
demanda
(D), a
quantidade do pedido
(Q ) e o
lucro
(L).
A quantidade comprada Q , após determinada, será sempre a
mesma, sendo assim ela é não aleatória.
Introdução à Pesquisa Operacional
O lucro L depende de Q e D, como percebemos nas equações
presentes no exemplo da ‘Doce Sabor’. Sendo assim, também é
aleatória.
Para a construção das distribuições de probabilidades e se realize
a simulação de Monte Carlo, deve-se primeiramente entender o
que é um número aleatório ou randômico.
A simulação de Monte Carlo trabalha basicamente com número aleatório ou randômico, que é assim denido:
Número aleatório ou randômico é aquele
número que é uniormemente distribuído entre 0 ou 1.
O que queremos dizer com uniormemente distribuído para um
número aleatório? Queremos dizer que todos os valores situados
entre 0 e 1 têm a mesma probabilidade de ocorrer.
Para que possamos utilizar os números aleatórios na simulação
de Monte Carlo precisamos primeiro construir as distribuições
de reqüência relativa (probabilidade) e acumulada (probabilidade
acumulada) do problema que estamos analisando.
Voltando ao exemplo anterior!
Lembre que no exemplo da Doce Sabor tínhamos que as demandas de 40, 50, 60, 70, 80 e 90 caixas de chocolate apresentavam a mesma probabilidade (1/6). Agora, suponha que as demandas têm as probabilidades dadas pela tabela que segue:
Universidade do Sul de Santa Catarina
Tabela 2.4 – Distribuição de probabilidade da demanda da Doce Sabor
Demanda Probabilidade Probabilidade acumulada
40 0,05 0,05* 50 0,10 0,15** 60 0,15 0,30 70 0,40 0,70 80 0,20 0,90 90 0,10 1,00 Total 1,00
* A probabilidade acumulada da 1ª linha será sempre igual à probabilidade da mesma linha.
** A probabilidade acumulada da 2ª e demais linhas será sempre igual à probabilidade da linha de cima somada à probabilidade da própria linha. Exemplo: na 2ª linha temos 0,05 (linha de cima) somado a 0,10 (valor à esquerda).
Com base nos dados acima podemos associar a cada intervalo de
números aleatórios uma demanda, de acordo com a tabela que
segue.
Tabela 2.5 – Distribuição dos números aleatórios
Linha* Demanda Probabilidade Probabilidade Acumulada Intervalo de números aleatórios** 1 40 0,05 0,05 [0-0,05] 2 50 0,10 0,15 (0,05-0,15] 3 60 0,15 0,30 (0,15- 0,30] 4 70 0,40 0,70 (0,30-0,70] 5 80 0,20 0,90 (0,70-0,90] 6 90 0,10 1,00 (0,90-1,0] 7 Total 1,00
*esta coluna oi aqui incluída somente para auxiliar o entendimento do exemplo;
**o parêntese signica que aquele número não esta incluindo no intervalo enquanto que o colchete signica que o número az parte daquele intervalo.
A simulação de Monte Carlo trabalha com números aleatórios
sorteados entre zero e um. Existem tabelas prontas com estes
números sorteados (Anexo 1), mas eles podem também ser
Introdução à Pesquisa Operacional
A abela 2.5 nos diz que, se sortearmos um número e este or
menor do que 0,05, a demanda pode ser considerada como
sendo de 40 caixas e o lucro obtido com esta venda pode ser
quanticado, ou seja, R$ 150. Se o número 0,56 or sorteado,
por exemplo, a demanda pode ser considerada como sendo de 70
caixas.
Mas como este intervalo é denido?
O intervalo dos números aleatórios deve ser denido reetindo
a probabilidade de cada variável. Estes intervalos são assim
denidos:
limite inerior do intervalo; limite superior do intervalo.
Observe as setas da tabela 2.5 que você compreenderá como os
intervalos são construídos. Por exemplo: na linha 1 teremos o
limite inerior do intervalo igual a zero. Não estranhe, o primeiro
intervalo sempre começa com zero. Já o limite superior será igual
à probabilidade daquela linha (linha 1). Na linha 2, o limite
inerior será igual ao limite superior da linha 1, enquanto que o
limite superior será igual à probabilidade desta linha (linha 2).
Você entendeu?
A tabela que segue mostra uma simulação de vinte linhas dos
chocolates especiais da Doce Sabor, para uma compra de 80
unidades (Q = 80).
Universidade do Sul de Santa Catarina
Tabela 2.6 - Resultados da simulação para uma quantidade comprada de 80 unidades Evento Noaleatório* Demanda (D) Quantidade
Comprada (Q) Fórmula utilizada Lucro (R$) 1 0,796616 80 80 L = 4,5Q L = 4,5x80 = 360,00 2 0,09071 50 ** 80 L = 6D – 1,5Q L = 6x50 – 1,5x80 = 300 –120 = 180,00 3 0,0866 50 80 L = 6D – 1,5Q 180,00 4 0,3795 70 80 L = 6D – 1,5Q 300,00 5 0,5467 70 80 L = 6D – 1,5Q 300,00 6 0,5771 70 80 L = 6D – 1,5Q 300,00 7 0,4673 70 80 L = 6D – 1,5Q 300,00 8 0,9292 90 80 L = 4,5Q 360,00 9 0,7404 80 80 L = 4,5Q 360,00 10 0,5539 70 80 L = 6D – 1,5Q 300,00 11 0,210096 60 80 L = 6D – 1,5Q 240,00 12 0,56622 70 80 L = 6D – 1,5Q 300,00 13 0,0711 50 80 L = 6D – 1,5Q 180,00 14 0,5213 70 80 L = 6D – 1,5Q 300,00 15 0,9204 90 80 L = 4,5Q 360,00 16 0,6073 70 80 L = 6D – 1,5Q 300,00 17 0,3871 70 80 L = 6D – 1,5Q 300,00 18 0,5316 70 80 L = 6D – 1,5Q 300,00 19 0,6437 70 80 L = 6D – 1,5Q 300,00 20 0,1376 50 80 L = 6D – 1,5Q 180,00 Média 285,00
* Foram utilizadas as linhas 1 e 2 da tabela de números aleatórios que se encontra no Anexo 1 deste livro.
**O valor D = 50 da segunda linha oi gerado através do número aleatório 0,09071, que pertence ao intervalo (0,05 – 0,15] na segunda linha da tabela 2.5.
Segundo Downing (2003), uma relação de números como os dados na coluna Lucro, é um conjunto de dados brutos. Seria interessante calcular amédiade todos esses números. Para tanto, basta somarmos todos os números e dividirmos a soma pela quantidade de números:
Portanto, em média, ao adquirir 80 unidades a Doce Sabor terá um lucro de R$285,00.
Podemos denir uma órmula geral para a média. Sejamnnúmeros x1, x2, x3,... xn. Utilizaremos o símbolo de
Introdução à Pesquisa Operacional
A tabela 2.6 apresenta o resultado de 20 linhas de simulação
do lucro da Doce Sabor caso a empresa encomende 80 caixas
de chocolate. Para que a empresa possa decidir se irá comprar
40, 50, 60, 70, 80 ou 90 caixas uma tabela muito parecida com
esta deve ser construída variando-se o valor de Q e reazendo os
cálculos do valor do lucro, conorme abaixo.
Tabela 2. 7 – Resultados da simulação para encomendas de 40 e 50 unidades Q = 40 unidades Q = 50 unidades
Evento NoAleatório* Demanda Lucro Evento NoAleatório** Demanda Lucro 1 0,860438 80 180,00 1 0,889193 80 225,00 2 0,57595 70 180,00 2 0,97623 90 225,00 3 0,5743 70 180,00 3 0,7441 80 225,00 4 0,8976 80 180,00 4 0,6789 70 225,00 5 0,581 70 180,00 5 0,166 60 225,00 6 0,6202 70 180,00 6 0,0345 40 165,00 7 0,6819 70 180,00 7 0,0066 40 165,00 8 0,3114 70 180,00 8 0,5449 70 225,00 9 0,0143 40 180,00 9 0,085 50 225,00 10 0,1064 50 180,00 10 0,6382 70 225,00 11 0,620942 70 180,00 11 0,633823 70 225,00 12 0,47836 70 180,00 12 0,98545 90 225,00 13 0,1793 60 180,00 13 0,284 60 225,00 14 0,2349 60 180,00 14 0,9382 90 225,00 15 0,0441 40 180,00 15 0,7199 80 225,00 16 0,2918 60 180,00 16 0,3808 70 225,00 17 0,5552 70 180,00 17 0,0439 40 165,00 18 0,4174 70 180,00 18 0,4093 70 225,00 19 0,4314 70 180,00 19 0,2048 60 225,00 20 0,9456 90 180,00 20 0,1385 50 225,00 Média 180,00 Média 216,00
* Foram utilizadas as linhas 3 e 4 da tabela de números aleatórios que se encontra no Anexo 1 deste livro.