0 - sandro.eng.br
Transcrição
0 - sandro.eng.br
Curso: Administração | Prof. Sandro da Silva Pinto Disciplina: Simulação Empresarial | Slides Lins, SP, fevereiro de 2015 1 Simulação Empresarial Objetivo da Disciplina -Desenvolver a habilidade de simular processos cotidianos na tomada de decisão; Metodologia 1. Aula expositiva; 2. Exercícios em aula (individual ou em grupo); 3. Exercícios/trabalhos dirigidos (individual ou em grupo); 4. Leitura/Resenha de Obras Essenciais (individual); 5. Provas Individuais. Avaliação - 20% (Prova Global Unilins) - 30% (Exercícios em aula + Exercícios/Trabalhos Dirigidos) - ATIVIDADES - 50% Prova Individual – PROVA -Bibliografia Básica (Biblioteca Unilins): KRAJEWSKI, L; RITZMAN, L; MALHOTRA, M; Administração da Produção e Operaçòes. 8a. Edição. Pearson-Prentice Hall. São Paulo, 2008. SILVA, E. M et all. PESQUISA OPERACIONAL: PROGRAMACAO LINEAR: SIMULACAO Editora.: ATLAS . SAO PAULO, 1998. 2 Simulação Empresarial Programação das Aulas Conteúdo Programático do Curso 1. Introdução 2. Formulação de Problemas e Análise Gráfica 3. Programação Linear 4. Método de Transporte - MODI 5. Método da Designação 6. Modelos Gerais – Teoria da Decisão 7. Teoria dos Jogos 8. Teoria das Filas 9. Simulação, Softwares e Aplicação 3 Planejamento das Aulas M A I O / 2015 Simulação Empresarial F E V E R E I R O / 2015 dom seg ter qua qui sex sáb 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 dom ter qua sáb 1 2 5 6 7 8 9 21ª. Aula | 22ª. Aula 10 11 12 13 14 15 16 23ª. Aula | 24ª. Aula 17 18 19 20 21 22 23 25ª. Aula | 26ª. Aula 1ª. Aula | 2ª. Aula 25 26 27 28 29 30 27ª. Aula | 28ª. Aula 29ª. Aula | 30ª. Aula J U N H O / 2015 dom seg ter qua qui sex sáb 1 2 3 4 5 6 31ª. Aula | 32ª. Aula Prova Global Unilins 7 7ª. Aula | 8ª. Aula 8 9 10 11 12 13 33ª. Aula | 34ª. Aula 9ª. Aula | 10ª. Aula 14 15 16 17 18 19 20 35ª. Aula | 36ª. Aula 22 23 24 25 26 27 37ª. Aula | 38ª. Aula 39ª. Aula | 40ª. Aula seg ter qua qui sex sáb 1 2 3 4 5 6 7 3ª. Aula | 4ª. Aula 8 9 10 11 12 13 14 5ª. Aula | 6ª. Aula 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 A B R I L / 2015 ter sex 4 M A R Ç O / 2015 seg qui 3 dom dom seg qua qui sex sáb 1 2 3 4 11ª. Aula | 12ª. Aula 5 6 7 8 9 10 11 13ª. Aula | 14ª. Aula 12 13 14 15 16 17 18 15ª. Aula | 16ª. Aula 19 20 21 22 23 24 25 17ª. Aula | 18ª. Aula 26 27 28 29 30 19ª. Aula | 20ª. Aula 4 Capítulo 1: Introdução 1a. Aula Objetivo: apresentar os conceitos sobre „decisão‟ e processos decisórios. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 5 Capítulo 1: Introdução – 1a. Aula Histórico sobre Decisão 6 Capítulo 1: Introdução – 1a. Aula Histórico sobre Decisão 7 Capítulo 1: Introdução – 1a. Aula Histórico sobre Decisão 8 Capítulo 1: Introdução – 1a. Aula Histórico sobre Decisão 9 Capítulo 1: Introdução – 1a. Aula Histórico sobre Decisão 10 Capítulo 1: Introdução – 1a. Aula Histórico sobre Decisão 11 Capítulo 1: Introdução – 1a. Aula Considerações sobre Processo Decisório “Percebemos que, particularmente, as decisões do administrador não podem ser avaliadas por meios científicos” Herbert Simon 12 Capítulo 1: Introdução – 1a. Aula Considerações sobre Processo Decisório “No processo decisório, sua própria mente pode ser seu pior inimigo” John Hammond, Ralph Keeney e Howard Raiffa 13 Capítulo 1: Introdução – 1a. Aula Considerações sobre Processo Decisório “Organizações perseguem inteligência. Nessa perseguição, elas processam informação, formulam planos e aspirações, interpretam ambientes, geram estratégias e decisões, monitoram experiências e recebem aprendizado dessas experiências e imitam as outras organizações, na medida em que elas fazem o mesmo” James March 14 Capítulo 1: Introdução – 1a. Aula Considerações sobre Processo Decisório Tomar decisões: • é um processo racional, mas também emocional; • é um processo social e relativo; • é um processo de aprendizagem; • não é um processo prescritivo, mas contingencial. 15 Capítulo 1: Introdução – 1a. Aula Considerações sobre Processo Decisório “Uma decisão complexa é como um grande rio que traz de seus afluentes as premissas incontáveis que constituem ou formam um processo de decisão (...) muitos indivíduos e unidades organizacionais contribuem em qualquer decisão importante e a questão da centralização ou descentralização é um problema de arranjar este sistema complexo em um esquema eficiente” Herbert Simon 16 Capítulo 1: Introdução – 1a. Aula Modelos de Tomada de Decisões Alguns autores, porém, propõem modelos de tomada de decisões, transformando esse processo em algo prescritivo, ou seja, uma “receita de bolo”, que pode ser aplicada em toda e qualquer situação, e em qualquer organização. 17 Capítulo 1: Introdução – 1a. Aula Modelo do Homem Economista (Herbert Simon) 1. O homem economista trabalha com o mundo real com toda sua confusão e complexidade. 2. Ele considera todas as alternativas possíveis, sendo a grande maioria delas supérfluas ou de pequena importância. 3. O homem economista adota um padrão ótimo da realidade, selecionando a melhor alternativa existente. 18 Capítulo 1: Introdução – 1a. Aula Modelo do Administrador (Herbert Simon) 1. O Administrador trabalha com um modelo drasticamente simplificado da realidade 2. Ele percebe que a maior parte dos fatos desse mundo real não tem grande relevância à situação particular que ele enfrenta e que o elo de ligação entre a causa e o efeito deve ser simples. 19 Capítulo 1: Introdução – 1a. Aula Modelo do Administrador (Herbert Simon) 3. O Administrador adota um padrão satisfatório do mundo formado por determinado número de alternativas de escolha que atendem satisfatoriamente a seu problema e contenta-se em achar soluções satisfatórias ou adequadas. 20 Decisão nas Organizações Capítulo 1: Introdução – 1a. Aula Herbert Simon modelo de decisão homem administrador Existência de uma racionalidade limitada - modelo simplificado da realidade; O modelo simplificado da realidade pode ser o modelo de empresa moderna (empresa de grande porte, manipulando múltiplos produtos e operando sob incerteza, em um mercado imperfeito). Tomada de Decisão quatro conceitos •quase resolução do conflito; •minimizar a incerteza; •busca de solução em torno de um objetivo principal; d) aprendizagem. 21 Capítulo 1: Introdução – 1a. Aula Fatores influentes na tomada de decisão: 1. Responsabilidade - perante leis e penalidades; 2. Especialização - baseada em conhecimentos teóricos e práticos de especialistas; 3. Coordenação - para transmitir as ordens que devem ser cumpridas e coordenar o processo de decisão; 4. Cacife - para cobrir eventuais fracassos em algumas frentes; e, 5.Tempo - pois o tempo curto pode minimizar a incerteza, mas pode aumentar o risco de uma decisão apressada, enquanto o tempo longo pode trazer novas perspectivas de decisão, mas aumenta o nível de incerteza. Em geral, a empresa ou decisor gostaria de fazer a seguinte pergunta (denominada pergunta do tipo WHAT-IF?): "o que aconteceria se a condição fosse...?" 22 Capítulo 1: Introdução – 1a. Aula Processo de Tomada de Decisão Tipos de Pessoas que tomam decisões: 1. As que têm preferência pelo risco; 2. As que são neutras ao risco; 3. As que têm aversão ou evitam o risco. Essa variação do comportamento resulta na tomada de decisão conservadora, moderada ou dinâmica, associada à perseguição de ganhos baixos, médios ou elevados. 23 Capítulo 1: Introdução – 1a. Aula Processo de Tomada de Decisão Conceitos a serem adotados: 1. Raciocínio limitado 2. Quase resolução do problema 3. Minimização da incerteza 24 Capítulo 1: Introdução – 1a. Aula Processo de Tomada de Decisão Fatores que podem contribuir: 1. 2. 3. 4. 5. Responsabilidade e transparência; Conhecimento especializado; Coordenação entre as partes; Habilidade política; Administração do tempo. 25 Capítulo 1: Introdução – 1a. Aula Modelo Genérico 1. 2. 3. 4. 5. Defina o problema; Identifique os critérios; Pondere os critérios; Gere alternativas; Classifique cada alternativa segundo cada critério; 6. Identifique a solução ótima. 26 Capítulo 1: Introdução – 1a. Aula Modelo das Decisões Inteligentes (Hammond, Keeney e Raiffa) 1. 2. 3. 4. 5. 6. 7. 8. Trabalhar com o problema certo; Definir os objetivos; Criar alternativas com imaginação; Compreender as conseqüências; Confrontar itens de negociação; Esclarecer as incertezas; Analisar a tolerância a riscos; Examinar as decisões interligadas. 27 Capítulo 1: Introdução – 1a. Aula Restrições da Racionalidade • O modelo racional é baseado num conjunto de premissas que determinam como uam decisão deve ser tomada, em vez de descrever como uma decisão é tomada. • Herbert Simon sugeriu que o julgamento individual fica restringido pela sua racionalidade. 28 Capítulo 1: Introdução – 1a. Aula Restrições da Racionalidade • Os indivíduos tentam tomar decisões racionais, mas falta aos tomadores de decisões informações importantes referentes à solução do problema, aos critérios relevantes e assim por diante. 29 Capítulo 1: Introdução – 1a. Aula Restrições da Racionalidade Problema 1 As seguintes 10 corporações foram classificadas pela revista Fortune entre as 500 maiores empresas sediadas nos EUA segundo as receitas de vendas de 1999: • Grupo A: Avis Rent a Car, TWA, Hershey Foods, Barnes and Noble, Hasbro. • Grupo B: SBC Communications, McKesson, Ingram Micro, United Technologies, Utilicorp United. 30 Capítulo 1: Introdução – 1a. Aula Restrições da Racionalidade Problema 2 O melhor aluno de uma classe de MBA escreve poesia e é bastante tímido e de baixa estatura. Qual foi a matéria principal do seu curso de graduação? • A) estudos chineses • B) psicologia 31 Capítulo 1: Introdução – 1a. Aula Restrições da Racionalidade Problema 3 Uma nova pontocom fez recentemente sua oferta pública inicial passando a ter ações negociadas em bolsa. Na abertura, as ações foram vendidas a $20 cada uma. A concorrente mais próxima dessa empresa tornou-se uma S/A há um ano, também ao preço de $20/ação. Agora o estoque de ações dessa concorrente está cotado em $100/ação. Quanto a nova empresa valerá daqui a um ano? 32 Capítulo 1: Introdução – 1a. Aula Exercício 1 – 1o. Bimestre 1. Defina “Processo Decisório”. Utilize exemplos. 2. Quais são os modelos mais utilizados na tomada de decisão? Explique-os. 33 Capítulo 1: Introdução 2a. Aula Objetivo: apresentar os conceitos sobre „heurísticas‟ e vieses cognitivos. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 34 Capítulo 1: Introdução – 2a. Aula Heurísticas e Vieses Cognitivos • Heurísticas são regras práticas desenvolvidas pelos indivíduos para reduzir as exigências de processamento de informações da tomada de decisões. • Viés Cognitivo é aplicação da heurística de maneira inadequada ao tomar uma decisão. 35 Capítulo 1: Introdução – 2a. Aula Heurísticas e Vieses Cognitivos • O problema 1 ilustra a heurística da disponibilidade. O grupo A consiste em empresas de consumo, enquanto o grupo B é formado de empresas menos conhecidas pelos consumidores. • O problema 2 ilustra a heurística da representatividade. Tendemos a associar as características do indivíduo às disciplinas e não a considerar a provável razão entre o número de alunos que escolheram a estudos chineses e os que escolheram psicologia na graduação. 36 Capítulo 1: Introdução – 2a. Aula Heurísticas e Vieses Cognitivos • O problema 3 ilustra a heurística da ancoragem. A resposta da maioria das pessoas é afetada pela informação irrelevante da valorização da outra empresa. Como seria sua resposta se o valor da concorrente fosse $10/ação? 37 Capítulo 1: Introdução – 2a. Aula A Heurística da Disponibilidade • Pessoas avaliam a freqüência, a probabilidade ou as causas prováveis de um evento pelo grau com que exemplos ou ocorrências desse evento estiverem imediatamente “disponíveis” na memória. • Essa estratégia pode ser útil, uma vez que eventos de maior freqüência geralmente se revelam mais rapidamente na mente. 38 Capítulo 1: Introdução – 2a. Aula Heurística da Disponibilidade • Entretanto, ela é falível, porque a disponibilidade de informações também é afetada por fatores que não estão relacionados com a freqüência objetiva do evento julgado. • Esses fatores irrelevantes podem influenciar a proeminência perceptual imediata de um evento, a vividez com que é revelado ou a facilidade com que é imaginado. 39 Capítulo 1: Introdução – 2a. Aula Heurística da Representatividade • Ao fazer um julgamento sobre um indivíduo (ou objeto ou evento), as pessoas tendem a procurar peculiaridades que ele possa ter que correspondam a estereótipos formados anteriormente. • Em alguns casos, o uso da heurística é uma boa primeira aproximação. 40 Capítulo 1: Introdução – 2a. Aula Heurística da Representatividade • Em outros casos, ela leva a comportamentos irracionais e moralmente repreensíveis – como a discriminação. • Os indivíduos tendem a confiar em tal estratégia mesmo quando a informação é insuficiente e quando existem melhores informações com as quais se pode fazer um julgamento preciso. 41 Capítulo 1: Introdução – 2a. Aula Heurística da Ancoragem • Pessoas fazem avaliações partindo de um valor inicial e ajustando-o até produzir uma decisão final. • O valor inicial ou “âncora”, pode ser sugerido a partir de antecedentes históricos, pela maneira como um problema é apresentado ou por informações aleatórias. 42 Capítulo 1: Introdução – 2a. Aula Heurística da Ancoragem • Independente da base do valor inicial, os ajustes feitos a partir desse valor tendem a ser insuficientes. • Valores iniciais diferentes podem produzir decisões diferentes para o mesmo problema. • Problema da Acoragem: Dez Quantidades Incertas. 43 Capítulo 1: Introdução – 2a. Aula Exercício 2 – 1o. Bimestre 1. O que é Heurística? Explique as heurísticas da disponibilidade, representatividade e ancoragem. 44 Capítulo 2: Formulação de Problemas e Análise Gráfica 3a. Aula Objetivo: Iniciar os estudos sobre formulação de problemas. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 45 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Programação Matemática e Problemas de Gestão “Para entender um problema, temos que tentar ao menos algumas soluções mais óbvias, e descobrir que elas falham: então, redescobrimos que existe uma dificuldade - um problema (Karl R. Popper).” IMPEDE PROBLEMA DIFICULDADE REALIZAÇÃO DE UM DESEJO CRIAR SOLUÇÃO CAPACIDADE MODELOS REPRESENTATIVOS PROBLEMA 46 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Tipos de Problemas * Decidíveis * Não Decidíveis Tipos de Problemas Decidíveis: ** Decisão ** Localização ** Otimização Conceito de Modelo Os modelos são representações simplificadas da realidade que preservam, para determinadas situações e enfoques, uma equivalência adequada. O Modelo Sistêmico Sistemas são unidades conceituais ou físicas, compostas de partes interrelacionadas, interatuantes e interdependentes. 47 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Classificação Modelos Físicos Concretos Geométrico s M atemáticos Abstratos Lógicos Esquemáticos Outras classificações existentes: Icônicos Descritivos Físicos Simbólicos Procedimentais Analógicos 48 48 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula A Dimensão da Complexidade 49 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Modelagem Definição do Problema Formulação e Construção do Modelo Inicial Simulação do Modelo Validação do Modelo Reformulação do Modelo Aplicação do Modelo 50 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Teorias de Decisão Teoria de Utilidade Teoria de Probabilidade Pesquisa Operacional Elementos na Tomada de Decisão Decisor Objetivo Escala de Valor Soluções ou Estratégias Estados da Natureza ou Ambiente Resultados ou Conseqüências Situações na Tomada de Decisão Risco Certeza Conflito 51 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Fluxo da Análise Quantitativa Formulação do problema Construção do Modelo Formulação do Execução problemadas Análises Implementação e Utilização Hiatos de Tradução 52 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Modelo de Otimização Minimizar f ( x) Sujeito a : hi ( x) 0, i 1,..., mh g j ( x) 0 j 1,..., mg x n f:n g:n h:n 53 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Programação Matemática Programação Linear Programação Não-Linear Programação Inteira Vantagens: Melhorias Mensuráveis Automatização de Processos Análises Operacionais Identificação de Gargalos Determinação de Valores Projetos e Reengenharia * Os modelos quantitativos não tomam as decisões, mas as tornam muito mais claras e fáceis. 54 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Pesquisa Operacional Origens Antes da Segunda Guerra: - FREDERICK TAYLOR: formato e tamanho ótimo de uma pá para minas de carvão (1885). - A. K. ERLANG: modelos matemáticos para determinação de tempo de espera (1917). - THOMAS EDISON: rotas para serem seguidas pelos navios para enganar submarinos (Primeira Guerra) inimigos. - FREDERICK LANCHESTER: modelos matemáticos para estratégias militares (1916). - HORACE LEVINSON: modelos para estudo de mercado (déc. de 30). Durante a Segunda Guerra Mundial: - Problemas de detecção de navios e submarinos pelo radar; - Relação entre o peso de bombas e os sinistros; - Ações aéreas anti-submarinas; - Dimensionamento ótimo dos comboios; - Lançamento aéreo de minas; - Manobras de navios para evitar kamikazes; - Precisão dos bombardeios; Após a Segunda Guerra: - Programação da produção; - Controle de estoques; - Programação de vendas; - Problemas de Transportes; - Manutenção e substituição de equipamentos; - Estudos de mercado; - Planejamento de atividades quaisquer; - Investimentos; 55 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Técnicas de Pesquisa Operacional - Programação Linear propriamente dita. - Problemas de Distribuição. - Problemas de Transporte. - Programação Inteira. - Programação Dinâmica. - Programação Quadrática, Geométrica. - Problemas de Estoques. - Teoria da Filas. - Teoria dos Jogos. - Teoria dos Grafos. - Teoria da Decisão. - Simulação. - Processos Estocásticos. - Confiabilidade. - Seqüenciamento. 56 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Exemplo de Aplicação: Utilização Racional de Materiais Suponhamos que se tenha, no intuito de obter 360 unidades da peça A e 1800 unidades da peça B, proposto as variantes de corte I a V (figura abaixo) do laminado disponível 4x12. 57 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula É fácil constatar que, para cada uma destas variantes de corte de uma placa de laminado, o número de peças e o volume de refugo (em unidades de área) se darão pelo quadro: VARIANTES DE CORTE PEÇA I II III IV V "A" 4 3 1 0 2 "B" 0 4 9 12 7 REFUGO 12 5 3 0 2 Se x1, x2, x3, x4 e x5 (que correspondem ao número de variantes de corte) denotarem o número de placas de laminado cortadas de acordo com as variantes I, II, III, IV e V, respectivamente, as condições do problema fornecerão as restrições: 4x1 + 3x2 + x3 + 2x5 = 360 4x2 + 9x3 + 12x4 + 7x5 = 1800 [1] [2] 58 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula É lógico que xi será o número de chapas cortadas para cada alternativa, que obedece a uma matriz de corte. O melhor plano de corte é o que minimiza o refugo total que, de acordo com o quadro das alternativas de corte, podemos montar a função objetivo: Zmín = 12x1 + 5x2 + 3x3 + 2x5 [3] Com as restrições [1], [2] e a função objetivo [3], podemos resolver o problema usando o chamado método SIMPLEX. Usando o método Simplex, a solução deste problema de programação linear é: x1 = 0 x2 = 0 x3 = 0 x4 = 45 x5 = 180 Zmín = 360 (solução) 59 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Sites que oferecem serviço de cálculo do sistema simples: 1. Finite Mathematics Utility: http://www.zweigmedia.com/RealWorld/simplex.html 2. MathsTools: http://www.mathstools.com/section/main/Simplex_On_Line#.VOor7vnF-T8 3. PHPSimplex: http://www.phpsimplex.com/simplex/simplex.htm?l=pt 60 Capítulo 2: Formulação de Problemas e Análise Gráfica – 3a. Aula Exercício 3 – 1o. Bimestre 1. 2. 3. 4. Quais são os elementos de uma tomada de decisão? Defina o que é um “problema”. O que é Pesquisa Operacional? Quais técnicas são utilizadas? 61 Capítulo 2: Formulação de Problemas e Análise Gráfica 4a. Aula Objetivo: Iniciar os estudos sobre a análise gráfica na resolução de problemas. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 62 Capítulo 2: Formulação de Problemas e Análise Gráfica – 4a. Aula Formulação de Problemas Certa empresa fabrica 2 produtos P1 e P2. O lucro por unidade de P1 é de 100 u.m. e o lucro unitário de P2 é de 150 u.m. A empresa necessita de 2 horas para fabricar uma unidade de P 1 e 3 horas para fabricar uma unidade de P2. O tempo mensal disponível para essas atividades é de 120 horas. As demandas esperadas para os dois produtos levaram a empresa a decidir que os montantes produzidos de P1 e P2 não devem ultrapassar 40 unidades de P1 e 30 unidades de P2 por mês. - Construa e Resolva o modelo do sistema de produção mensal com o objetivo de maximizar o lucro da empresa. 63 Capítulo 2: Formulação de Problemas e Análise Gráfica – 4a. Aula Formulação de Problemas Resolução: Precisamos, primeiramente, determinar as variáveis de decisão: x1: Quantidade a produzir de P1; x2: Quantidade a produzir de P2; Vamos agora montar uma tabela que facilite a visualização do problema em questão, separando-o em dimensões, nas colunas, e itens a serem produzidos nas linhas. A última linha corresponderá ao que chamaremos, por enquanto, de LIMITE. Tabela 1: Dimensionamento da questão Restrições Função Objetivo Empresa Demanda/mês Horas/unid. Lucro/Unidade P1 (x1) 40 2 100 P2 (x2) 30 3 150 Limite * 120 64 Capítulo 2: Formulação de Problemas e Análise Gráfica – 4a. Aula Formulação de Problemas A tabela 1 separa dimensionalmente os valores informados até então no exercício. Percebam que foram identificadas três dimensões: a demanda por mês esperada de cada produto (P1 e P2); a quantidade de horas para se fazer cada produto; e o lucro unitário auferido por unidade produzida. A última linha da tabela simboliza um certo LIMITE por dimensão utilizada. Nem sempre uma dimensão terá limites, mas quando tiver, deverá ser informado o valor respectivo. Precisamos montar um sistema de equações em que necessariamente apareçam uma função objetivo (maximizar ou minimizar algo) e as restriçoes do problema em questão. De acordo com a tabela 1, vamos equacionar o problema observando então a função objetivo e as restrições impostas ao problema. A função objetivo, no caso maximizar o lucro por unidade produzida, e a restrição colocada em relação à quantidade de horas/unidade produzida, são imediatas,ou seja: 65 Capítulo 2: Formulação de Problemas e Análise Gráfica – 4a. Aula Formulação de Problemas Função Objetivo - Lucro: 100x1 + 150x2 Restrição1: 2x1 + 3x2 120 (restrição da dimensão horas/unidade) Este símbolo simboliza que a função objetivo é de máximo. Contudo, a outra restrição colocada (dimensão demada/mês) não possui limites impostos na última linha. Deveremos neste caso considerar que se as demandas esperadas são as mencionadas, portanto as restrições serão: x1 40 e x2 30. Restrição2: Restrição3: x1 40 (restrição da dimensão demada/mês). x2 30 (restrição da dimensão demanda/mês). E finalmente não podemos esquecer que não existem quantidades negativas a serem produzidas. Desta forma, basta apenas condicionarmos que x1 0 e x2 0. 66 Capítulo 2: Formulação de Problemas e Análise Gráfica – 4a. Aula Formulação de Problemas Modelo Final: Função Objetivo - Lucro: 100x1 + 150x2 Restrição1: Restrição2: Restrição3: Restrição4: Restrição5: 2x1 + 3x2 120 (restrição da dimensão horas/unidade). x1 40 (restrição da dimensão demada/mês). x2 30 (restrição da dimensão demanda/mês). x1 0 (restrição de que não pode existir produção negativa). x2 0 (restrição de que não pode existir produção negativa). 67 Capítulo 2: Formulação de Problemas e Análise Gráfica – 4a. Aula Exercício 4 – 1o. Bimestre Certa empresa fabrica 2 produtos P1 e P2. O lucro por unidade de P1 é de 106 u.m. e o lucro unitário de P2 é de 158 u.m. A empresa necessita de 4 horas para fabricar uma unidade de P 1 e 6 horas para fabricar uma unidade de P2. O tempo mensal disponível para essas atividades é de 240 horas. As demandas esperadas para os dois produtos levaram a empresa a decidir que os montantes produzidos de P1 e P2 devem ultrapassar 40 unidades de P1 e 30 unidades de P2 por mês. - Construa o modelo do sistema de produção mensal. 68 Capítulo 3: Programação Linear 5a. Aula Objetivo: apresentar a estrutura e conceitos sobre a programação linear na resolução de problemas. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 69 Capítulo 3: Programação Linear – 5a. Aula Programação Linear • Programação linear: uma técnica que é útil para alocar recursos escassos entre demandas concorrentes. • Função objetivo: uma expressão em modelos de programação linear que determina matematicamente o que está sendo maximizado (por exemplo, lucro ou valor presente) ou minimizado (por exemplo, custo ou refugo). • Variáveis de decisão: variáveis que representam escolhas que o tomador de decisão pode controlar. • Restrições: limitações que restringem as escolhas admissíveis para as variáveis de decisão. • Região viável: uma região que representa todas as combinações admissíveis de variáveis de decisão em um modelo de programação linear. 70 Capítulo 3: Programação Linear – 5a. Aula Programação Linear • Parâmetro: um valor que o tomador de decisão não pode controlar e que não se altera quando a solução é implementada. • Certeza: palavra que é usada para descrever que um fato é conhecido sem dúvidas. • Linearidade: uma característica de modelos de programação linear que implica proporcionalidade e aditividade – não pode haver nenhum produto ou potência de variáveis de decisão. • Não-negatividade: suposição de que as variáveis de decisão devem ser positivas ou zero. 71 Capítulo 3: Programação Linear – 5a. Aula Programação Linear Formulando um problema • Passo 1. Defina as variáveis de decisão. • Passo 2. Escreva por extenso a função objetivo. • Passo 3. Escreva por extenso as restrições. • Problema do mix de produtos: um problema de planejamento do tipo de um período, cuja solução gera quantidades de produto ótimos (ou mix de produtos) de um grupo de serviços ou produtos sujeito a restrições de capacidade de recursos e de demanda de mercado. 72 Programação Linear Capítulo 3: Programação Linear – 5a. Aula Formulando um problema – Exemplo E.1 • A Companhia Stratton fabrica dois tipos básicos de tubo de plástico. Três recursos são cruciais para a fabricação de tubo: horas de extrusão, horas de embalagem e um aditivo especial à matéria-prima de plástico. • Os dados seguintes representam a situação da próxima semana. 73 Capítulo 3: Programação Linear – 5a. Aula Programação Linear Formulando um problema com desigualdades • Normalmente as restrições de recursos têm limites superiores ou inferiores. • por exemplo, para a Companhia Stratton, o tempo de extrusão total não deve superar as 48 horas de capacidade disponível, por isso usamos o sinal ≤. • Valores negativos para as restrições x1 e x2 não fazem sentido, por isso acrescentamos restrições de não-negatividade ao modelo: x1 ≥ 0 e x2 ≥ 0 (restrições de não-negatividade) • Outro problema poderia ter restrições de recursos requerendo restrições >, >, = ou <. 74 Capítulo 3: Programação Linear – 5a. Aula Programação Linear Análise gráfica • A maioria dos problemas de programação linear é resolvida com um computador. • Entretanto, podem-se obter percepções sobre o significado da saída de computador, e de conceitos de programação linear em geral, analisando-se um problema de duas variáveis simples graficamente. • Método gráfico de programação linear: um tipo de análise gráfica que envolve os cinco passos seguintes: • representar graficamente as restrições • identificar a região viável • encontrar a solução visual • representar uma linha de função objetivo • encontrar a solução algébrica 75 Análise gráfica – Exemplo E.2 Capítulo 3: Programação Linear – 5a. Aula Programação Linear 76 Programação Linear Capítulo 3: Programação Linear – 5a. Aula Análise gráfica – Exemplo E.3 • • A região viável é a área no gráfico que contém as soluções que satisfazem todas as restrições simultaneamente. Para encontrar a região viável, primeiro localize os pontos factíveis para cada restrição e, em seguida, a área que satisfaz todas as restrições. • Geralmente, as três regras seguintes identificam os pontos factíveis para uma dada restrição: 77 Análise gráfica: identificar a região viável Capítulo 3: Programação Linear – 5a. Aula Programação Linear 78 Análise gráfica – Exemplo E.4 Capítulo 3: Programação Linear – 5a. Aula Programação Linear 79 Capítulo 3: Programação Linear – 5a. Aula Programação Linear Análise gráfica: representando graficamente a reta da função objetivo • Agora queremos encontrar uma solução que otimize a função objetivo. • Ainda que todos os pontos na região viável representem soluções possíveis, podemos limitar nossa busca aos pontos de quina. • Ponto de quina: um ponto que se encontra na interseção de duas (ou possivelmente mais) linhas de restrição nos limites da região viável. • Pontos interiores à região viável não precisam ser considerados porque pelo menos um ponto de quina é melhor que qualquer ponto interior. • A melhor abordagem é representar graficamente a função objetivo no gráfico da região viável para alguns valores arbitrários de Z. 80 Programação linear : representar graficamente a reta da função objetivo Capítulo 3: Programação Linear – 5a. Aula Programação Linear 81 81 Programação Linear Capítulo 3: Programação Linear – 5a. Aula Encontrar a solução algébrica • Passo 1: Desenvolva uma equação com apenas uma incógnita. • Comece multiplicando ambos os lados de uma equação por uma constante de forma que o coeficiente para uma das duas variáveis de decisão seja idêntico em ambas as equações. • Depois, subtraia uma equação da outra e resolva a equação resultante para sua única incógnita. • Passo 2: Insira esse valor da variável de decisão em qualquer uma das duas restrições originais e resolva a outra variável de decisão. 82 Programação Linear Capítulo 3: Programação Linear – 5a. Aula Variáveis de folga e excesso • • • Restrição associada: uma restrição que ajuda a formar o ponto de quina ótimo; limita a capacidade de aperfeiçoar a função objetiva. Folga: a quantidade pela qual o lado direito é menor que o lado esquerdo. •Para encontrar algebricamente a folga para uma restrição ≤, somamos uma variável de folga à restrição e a transformamos em uma igualdade. Excesso: a quantidade pela qual o lado esquerdo supera o lado direito. •Para encontrar algebricamente a folga para uma restrição ≤, somamos uma variável de folga à restrição e a transformamos em uma igualdade. 83 Capítulo 3: Programação Linear – 5a. Aula Programação Linear Análise de sensibilidade • • • • Sensibilidade do coeficiente: medida de quanto o coeficiente da função objetivo de uma variável de decisão deve melhorar (aumentar para maximização ou diminuir para minimização) antes que a solução ótima se altere e a variável de decisão se torne algum número positivo. Limite de faixa de viabilidade: o intervalo ao longo do qual o parâmetro do lado direito pode variar enquanto seu preço sombra permanece válido. Faixa de otimalidade: os limites inferiores e superiores ao longo dos quais os valores ótimos de variáveis de decisão se tornam inalterados. Preço sombra: a melhoria marginal em Z (aumento para maximização e redução para minimização) causada pelo relaxamento da restrição em uma unidade. 84 Programação Linear Capítulo 3: Programação Linear – 5a. Aula Solução de computador • • Programas de computador reduzem dramaticamente a quantidade de tempo requerida para resolver problemas de programação linear. • Programas de uso específico podem ser desenvolvidos para aplicações que devem ser repetidas freqüentemente. • Esses programas simplificam a entrada de dados e geram a função objetivo e as restrições para o problema. Além disso, podem preparar relatórios administrativos personalizados. Método simplex: um procedimento algébrico iterativo para resolver problemas de programação linear. • A maioria dos problemas reais de programação linear é resolvida em computadores. O procedimento de solução em códigos de computador é alguma forma do método simplex. 85 Capítulo 3: Programação Linear – 5a. Aula Programação Linear 86 Programação Linear Capítulo 3: Programação Linear – 5a. Aula Solução de computador – Resultado do OM Explorer para a Companha Stratton 87 Capítulo 3: Programação Linear – 5a. Aula Programação Linear Aplicações da programação linear • • • • • • Mix de produtos: encontra o melhor mix de produtos para fabricação, dadas restrições de capacidade e demanda. Carregamento: encontra as designações de remessa ótimas. Controle de estoque: determina a linha de produtos ótima a se manter em estoque em um armazém. Seleção de fornecedores: encontra a combinação ótima de fornecedores para minimizar a quantidade indesejada de estoques. Plantas ou armazéns: determina a localização ótima de uma planta ou armazém. Redução de estoques: encontra o padrão de redução que minimiza a quantidade de material de refugo. 88 Capítulo 3: Programação Linear – 5a. Aula Programação Linear Aplicações da programação linear • • • • • • Produção: encontra o programa de produção de custo mínimo. Provimento de pessoal: encontra os níveis de provimento de pessoal ótimos. Combinações: encontra as proporções ótimas de vários ingredientes usados para fabricar produtos. Turnos: determina a designação de custo mínimo de trabalhadores para turnos. Veículos: designa veículos para produtos ou clientes. Itinerário: encontra o itinerário ótimo de um serviço ou produto por meio de vários processos consecutivos. 89 Programação Linear Capítulo 3: Programação Linear – 5a. Aula Problema resolvido 1 • • • • • • As linhas aéreas O‟Connel estão considerando serviços aéreos a partir de seu centro de operações em Cicely, Alasca, para Rome, Wisconsin e Seattle. Elas têm um terminal de embarque no Aeroporto de Cicely, que opera 12 horas por dia. Cada vôo requer 1 hora de tempo do terminal de embarque. Cada vôo para Rome consome 15 horas do tempo da tripulação e espera-se que gere um lucro de $ 2.500. Atender a Seattle usa 10 horas do tempo de tripulação por vôo e tem como resultado um lucro de $ 2.000 por vôo. O trabalho da tripulação é limitado a 150 horas por dia. O mercado de atendimento a Rome é limitado a nove vôos por dia. • • Use o método gráfico de programação linear para maximizar os lucros. Identifique restrições de folga e excesso, se houver. 90 Capítulo 3: Programação Linear – 5a. Aula Programação Linear Problema resolvido 1 91 Problema resolvido 1 Capítulo 3: Programação Linear – 5a. Aula Programação Linear 92 Capítulo 3: Programação Linear – 5a. Aula Exercício 5 – 1o. Bimestre Um vendedor de frutas pode transportar 800 caixas de frutas para a sua região de vendas. Ele necessita transportar 200 caixas de laranjas a 20 u. m. de lucro por caixa, pelo menos 100 caixas de pêssegos a 10 u. m. de lucro por caixa e no máximo 200 caixas de tangerinas a 30 u.m. de lucro por caixa. De que forma deverá ele carregar o caminhão para obter o lucro máximo? Construa o modelo do problema e resolva-o utilizando o método gráfico. 93 Capítulo 3: Programação Linear 6a. Aula Objetivo: exercício de fixação sobre a programação linear na resolução de problemas. Aplicação da Ferramenta Solver (Excel). Laboratório de Informática. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 94 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Diversas ferramentas para solução de problemas de otimização, comerciais ou acadêmicos, sejam eles lineares ou não, foram desenvolvidas. Dentre as ferramentas acessíveis existe o ‘Solver’, que acompanha o Microsoft Excel. Definindo e Resolvendo um Problema Inicialmente, devemos definir o problema na planilha do Excel. Vamos resolver o seguinte problema : 95 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Para definir o problema na planilha, devemos definir células para representar as variáveis de decisão e uma célula para representar o valor da função objetivo. Além disso, as restrições também devem ser definidas. Abra um novo arquivo no Microsoft Excel e siga os seguintes passos: As células A2 e B2 guardarão os valores das variáveis de decisão x1 e x2, respectivamente. Vamos agora definir a função objetivo. As equações do Excel são sempre precedidas do sinal de igualdade (=), que indica que nesta célula será efetuada uma conta. Preencha as células da planilha conforme indicado a seguir: Na célula B4 será calculado automaticamente o valor da função objetivo, a partir da função fornecida. Qualquer alteração nos valores das células B1 ou B2 fará com que o valor da função objetivo seja recalculado. 96 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Serão definidas agora as restrições do problema: As células de restrição devem ser preenchidas da seguinte forma: 97 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Após preenchidas as células, a planilha deve estar igual à apresentada abaixo. 98 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Para otimizar a função objetivo, vamos utilizar a ferramenta Solver. * Na guia Dados, no grupo Análises, clique em Solver. * Na caixa "Definir célula de destino", selecione a célula da função objetivo (B4) clicando sobre ela, ou simplesmente digiteB4. * Logo abaixo, é requerido que se escolha entre três opções: Máx, para maximizar a função objetivo, Mín, para minimizar a função objetivo, e Valor, que faz com que a função objetivo tenha determinado valor. No nosso exemplo, como queremos maximizar a função objetivo, escolheremos a opção Máx. * Na caixa "Células variáveis", devem ser inseridas as células ajustáveis, que contêm os valores das variáveis de decisão. Deve-se inserir um nome ou uma referência para cada célula ajustável, separando as células não-adjacentes por ponto-e-vírgula. As células ajustáveis devem estar relacionadas direta ou indiretamente à célula que contém o valor da função objetivo. Podem ser especificadas até 200 células ajustáveis. Para que o Solver proponha automaticamente as células ajustáveis com base na célula de destino, clique em Estimar. 99 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) 100 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Para resolver o problema, clique no botão "Resolver". Se tudo estiver correto, a janela abaixo será apresentada. Nesta janela, podemos escolher entre manter a solução encontrada pelo Solver ou restaurar os valores originais. Também podemos selecionar relatórios, que contém informações sobre o processo de solução do problema. O processo de solução pode ser interrompido pressionando-se ESC. O Microsoft Excel recalculará a planilha com os últimos valores encontrados para as células ajustáveis. 101 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Após preenchidas as células, a planilha deve estar igual à apresentada abaixo. 102 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Exercícios em Aula - Exemplo 1. Certa empresa fabrica 2 produtos P1 e P2. O lucro por unidade de P1 é de 100 u.m. e o lucro unitário de P2 é de 150 u.m. A empresa necessita de 2 horas para fabricar uma unidade de P 1 e 3 horas para fabricar uma unidade de P2. O tempo mensal disponível para essas atividades é de 120 horas. As demandas esperadas para os dois produtos levaram a empresa a decidir que os montantes produzidos de P1 e P2 não devem ultrapassar 40 unidades de P1 e 30 unidades de P2 por mês. Construa o modelo do sistema de produção mensal com o objetivo de maximizar o lucro da empresa e resolva-o utilizando o Solver do Excel.. 103 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Resolução: Precisamos, primeiramente, determinar as variáveis de decisão: x1: Quantidade a produzir de P1; x2: Quantidade a produzir de P2; Vamos agora montar uma tabela que facilite a visualização do problema em questão, separando-o em dimensões, nas colunas, e itens a serem produzidos nas linhas. A última linha corresponderá ao que chamaremos, por enquanto, de LIMITE. Tabela 2: Dimensionamento da questão Restrições Empresa Função Objetivo Demanda/mês Horas/unid. Lucro/Unidade P1 (x1) 40 2 100 P2 (x2) 30 3 150 Limite * 120 104 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Modelo Final: Função Objetivo - Lucro: 100x1 + 150x2 Restrição1: 2x1 + 3x2 120 (restrição da dimensão horas/unidade) Restrição2: x1 40 (restrição da dimensão demada/mês). Restrição3: x2 30 (restrição da dimensão demanda/mês). Restrição4: x1 0 (restrição de que não pode existir produção negativa). Restrição5: x2 0 (restrição de que não pode existir produção negativa). 105 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) 106 106 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Exercícios em Aula - Exemplo 2. Um empresa fabrica 2 modelos de cintos de couro. O modelo M1, de melhor qualidade, requer o dobro do tempo de fabricação em relação ao modelo M2. Se todos os cintos fossem do modelo M2, a empresa poderia produzir 1.000 unidades por dia. A disponibilidade de couro permite fabricar 800 cintos de ambos os modelos por dia. Os cintos empregam fivelas diferentes, cuja disponibilidade diária é de 400 para M1 e 700 para M2. Os lucros unitários são de $ 4,00 para M1 e $ 3,00 para M2. Qual o programa ótimo de produção que maximiza o lucro total diário da empresa? Construa o modelo do sistema descrito e resolva-o utilizando o Solver do Excel. 107 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) Modelo Final: Função Objetivo - Lucro: 4x1 + 3x2 Restrição1:x1 + x2 800 (restrição da dimensão disponibilidade de couro) Restrição2:x1 400 (restrição da dimensão disponibilidade de fivelas) Restrição3: x2 700 (restrição da dimensão disponibilidade de fivelas) Restrição4:2x1 + 1x2 1000 (restrição da dimensão tempo de fabricação). Restrição5:x1 0 (restrição de que não pode existir produção negativa). Restrição6: x2 0 (restrição de que não pode existir produção negativa). 108 Capítulo 3: Programação Linear – 6a. Aula Ferramenta Solver (Excel) 109 Capítulo 3: Programação Linear – 6a. Aula Exercício 6 – 1o. Bimestre Uma rede de televisão local tem o seguinte problema: foi descoberto que o programa “A” com 20 minutos de música e 1 minuto de propaganda chama a atenção de 30.000 telespectadores, enquanto o programa “B”, com 10 minutos de música e 1 minuto de propaganda chama a atenção de 10.000 telespectadores. No decorrer de uma semana, o patrocinador insiste no uso de no mínimo, 5 minutos para sua propaganda e que não há verba para mais de 80 minutos de música. Quantas vezes por semana cada programa deve ser levado ao ar para obter o número máximo de te/espectadores? Construa o modelo do sistema e resolva-o algebricamente, graficamente e utilizando o Solver (Excel). 110 Capítulo 4: Método de Transporte M.O.D.I. 7a. Aula Objetivo: aplicação da programação linear na resolução de problemas utilizando um método conhecido por MODI (método de transporte). Metodologia 1. Aula expositiva; 2. Exercícios em aula. 111 Capítulo 4: Método de Transporte M.O.D.I. – 7a. Aula Método MODI – Otimização de rotas Existem problemas de otimização modelados através da pesquisa operacional em que o “programação linear” pode ser simplificada. Tal simplificação necessita da estabilidade de alguns parâmetros, como origens e destinos “casados”. Uma rede de depósitos de material de construção tem 4 lojas que devem ser abastecidas com 50 m3 (loja 1), 80 m3 (loja 2), 40 m3 (loja 3) e 100 m3 (loja 4) de areia grossa. Essa areia pode ser carregada em 3 portos P1, P2 e P3, cujas distâncias às lojas estão no quadro a seguir (em km): L1 P1 30 P2 12 P3 8 L2 20 36 15 L3 24 30 25 L4 18 24 20 O caminhão pode transportar 10m 3 por viagem. Os portos têm areia para suprir qualquer exatamente a demanda solicitada. Estabelecer um plano de transporte que minimize a distância total percorrida entre os portos e as lojas e supra as necessidades das lojas. Construa o modelo linear do problema. 112 Capítulo 4: Método de Transporte M.O.D.I. – 7a. Aula Exemplo de aplicação: Precisamos, primeiramente, determinar as variáveis de decisão: x11: Número de viagens do Porto 1 (P1) à Loja 1 (L1); x12: Número de viagens do Porto 1 (P1) à Loja 2 (L2); x13: Número de viagens do Porto 1 (P1) à Loja 3 (L3); x14: Número de viagens do Porto 1 (P1) à Loja 4 (L4); x21: Número de viagens do Porto 2 (P2) à Loja 1 (L1); x22: Número de viagens do Porto 2 (P2) à Loja 2 (L2); x23: Número de viagens do Porto 2 (P2) à Loja 3 (L3); x24: Número de viagens do Porto 2 (P2) à Loja 4 (L4); x31: Número de viagens do Porto 3 (P3) à Loja 1 (L1); x32: Número de viagens do Porto 3 (P3) à Loja 2 (L2); x33: Número de viagens do Porto 3 (P3) à Loja 3 (L3); x34: Número de viagens do Porto 3 (P3) à Loja 4 (L4); Iremos trabalhar com doze variáveis de decisão (x11, x12, x13, x14, x21, x22, x23, x24, x31, x32, x33 e x34). Loja 1 50 Porto 1 Loja 2 80 Porto 2 Porto 3 Loja 3 40 Loja 4 100 113 Capítulo 4: Método de Transporte M.O.D.I. – 7a. Aula Exemplo de aplicação: Cada distância acima, por exemplo, do Porto 1 à Loja 1 (P1-L1), que será representado aqui por x11, tem um valor. Além disso, cada Loja possui uma capacidade máxima para recebimento de areia, conforme mostrado no esquema acima, ou seja, Loja 1 (50 m3), Loja 2 (80 m3), Loja 3 (40 m3) e loja 4 (100 m3). Conforme mostra o esquema, deveremos impor condições que não extrapolem a capacidade de recebimento de cada Loja. Desta maneira, podemos visualizar que se impusermos a condição de que o número de viagens do porto 1 à Loja 1 (x11) + o número de viagens do Porto 2 à loja 1 (x21) + o número de viagens do Porto 3 à loja 1 (x31) deverá ser igual à capacidade de recebimento da Loja 1 (50 m3), ou seja: Restrição1: x11 + x21 + x31 = 50 Analogamente, para as distâncias entre o Porto 1, 2 e 3 até a Loja 2 teríamos: Restrição2: x12 + x22 + x32 = 80 Analogamente, para as distâncias entre o Porto 1, 2 e 3 até a Loja 3 teríamos: Restrição3: x13 + x23 + x33 = 40 Analogamente, para as distâncias entre o Porto 1, 2 e 3 até a Loja 4 teríamos: Restrição4: x14 + x24 + x34 = 100 114 Capítulo 4: Método de Transporte M.O.D.I. – 7a. Aula Exemplo de aplicação: Por outro lado deveremos considerar as distâncias envolvidas entre cada porto e loja. Assim, conforme já definido anteriormente pelas varáveis de decisão (x11, x12, x13, x14, x21, x22, x23, x24, x31, x32, x33 e x34), podemos associar cada trajeto com sua distância e supor que cada trajeto multiplicado pela distância respectiva à loja, somados no total, minimize a distância total percorrida. Da tabela abaixo (retirada do próprio exercício) temos os valores das distâncias a serem percorridas. P1 P2 P3 L1 30 12 8 L2 20 36 15 L3 24 30 25 L4 18 24 20 Portanto, para a função objetivo teremos: Distância: 30x11 + 20x12 + 24x13 + 18x14 + 12x21 + 36x22 + 30x23 + 24x24 + 8x31 + 15x32 + 25x33 + 20x34 Não podemos deixar de considerar que cada caminhão poderá transportar no máximo até 10 m3 por viagem. Desta maneira, cada variável de decisão deverá ser restrita no máximo até 10. 115 Capítulo 4: Método de Transporte M.O.D.I. – 7a. Aula Exemplo de aplicação: Restrição5: x11 Restrição6: x12 Restrição7: x13 Restrição8: x14 Restrição9: x21 Restrição10: x22 Restrição11: x23 Restrição12: x24 Restrição13: x31 Restrição14: x32 Restrição15: x33 Restrição16: x34 10 10 10 10 10 10 10 10 10 10 10 10 E finalmente não podemos esquecer que não existem quantidades negativas a serem encontradas. Desta forma teremos: Restrição17: x11 0 Restrição18: x12 0 Restrição19: x13 0 Restrição20: x14 0 Restrição21: x21 0 Restrição22: x22 0 Restrição23: x23 0 Restrição24: x24 0 Restrição25: x31 0 Restrição26: x32 0 Restrição27: x33 0 Restrição28: x34 0 116 Capítulo 4: Método de Transporte M.O.D.I. – 7a. Aula Método Novas restrições – adaptação para a resolução Loja 1 50 100 Porto 1 Loja 2 80 90 80 Porto 2 Loja 3 40 Porto 3 Loja 4 100 Loja 1 Loja 2 Loja 3 Loja 4 Disponibilidades Porto 1 100 Porto 2 Porto 3 Capacidades 50 30 20 24 18 12 36 30 24 8 15 25 20 80 40 90 80 100 117 Capítulo 4: Método de Transporte M.O.D.I. – 7a. Aula Resolução Loja 1 Loja 2 Porto 1 Loja 3 Loja 4 Disponibilidades 100 0 x 30 x 20 x 24 100 18 Porto 2 x 12 50 36 40 30 x 24 Porto 3 50 8 25 x 20 Capacidades 50 0 30 15 15 80 50 0 x 40 0 100 90 50 0 80 30 0 0 Solução Final: Porto 1 – Loja 4 = 100 Porto 2 – Loja 2 = 50 Porto 2 – Loja 3 = 40 Porto 3 – Loja 1 = 50 Porto 3 – Loja 2 = 30 Custo Total = (100 x 18) + (50 x 36) + (40 x 30) (50 x 8) + (30 x 15) = 5650 118 Capítulo 4: Método de Transporte M.O.D.I. – 7a. Aula Exercício 7 – 1o. Bimestre Uma rede de supermercados possui 4 lojas que devem ser abastecidas com 50 (loja 1), 80 (loja 2), 40 (loja 3) e 100 (loja 4) botijões de gás, que são fornecidos por 3 distribuidoras D1, D2 e D3, cujas distâncias às lojas estão no quadro a seguir (em km): D1 D2 D3 L1 30 12 8 L2 20 36 15 L3 24 30 25 L4 18 24 20 O caminhão pode transportar até 10 botijões por viagem. As distribuidoras têm as seguintes quantidades de oferta: D1 = 80 botijões, D2 = 90 botijões e D3 = 100 botijões. Estabelecer um plano de transporte que minimize a distância total percorrida entre os supermercados e as distribuidoras e supra as necessidades das lojas. Quantas viagens de caminhões serão necessárias? 119 Capítulo 5: Método da Designação 8a. Aula Objetivo: aplicação da programação linear na resolução de problemas utilizando o método conhecido por designação. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 120 Capítulo 5: Método da Designação – 8a. Aula O Problema de designação • Suponha ‘n’ trabalhadores a distribuir por ‘n’ tarefas de forma a que cada trabalhador execute apenas uma tarefa, e que cada tarefa seja executada apenas por um trabalhador. • Conhecendo os custos da realização de cada tarefa por cada trabalhador, o problema central consiste em designar os trabalhadores às tarefas de forma a minimizar os custos! • O problema de designação é um problema de dimensão (n x n). 121 Capítulo 5: Método da Designação – 8a. Aula Número de Possíveis Soluções • O Problema de designação envolve a determinação de n! possíveis soluções. • Exemplo: para um problema com 5 trabalhadores e 5 tarefas o número de soluções possíveis é igual a 5 ! = 120. para um problema com 10 trabalhadores e 10 tarefas o número de soluções é igual a 10 ! = 3 628 800. •Obter a solução ótima por tentativa é DIFÍCIL ! 122 Capítulo 5: Método da Designação – 8a. Aula Problema de designação Formulação Destino 1 Origem 1 2 c11 x11 Procura c12 x12 c22 c21 x21 . . . n 2 x22 . . . … … … n x1n xn2 1 1 … xnn … 1 1 1 . . . . . . cm2 n2 xn1 c2n x2n . . . cm1 n1 c1n Oferta cmn nn 1 123 Capítulo 5: Método da Designação – 8a. Aula Problema de designação Formulação C Minimizar n c x i , j 1 ij ij sujeito a: n x ij 1 , i 1,2,..., n x ij 1 , j 1,2,..., n j 1 n i 1 xij 0,1 , i 1,2,..., n , j 1,2,..., n 124 Capítulo 5: Método da Designação – 8a. Aula Resolução do Problema de Designação Método Húngaro • Este método consiste em adicionar ou subtrair valores de forma adequada às linhas e às colunas da matriz de custos de dimensão ‘nn’ para obter um problema equivalente com ‘n’ zeros enquadrados na matriz de custos; • Uma vez transformada a matriz de custos numa matriz com ‘n’ zeros enquadrados, esses zeros correspondem à designação ótima, tomando: xij = 1, para os zeros enquadrados da matriz de custos transformada; xij = 0, para os restantes valores; 125 Capítulo 5: Método da Designação – 8a. Aula Resolução do problema de designação Método Húngaro - Exemplo • Considere que existem 5 trabalhadores que devem ser designados a 5 tarefas. A matriz dos custos associados à realização de cada tarefa por cada trabalhador é a seguinte: 1 2 3 1 17.5 15 9 2 16 16.5 3 12 15.5 4 4.5 5 13 4 5 5.5 12 10.5 5 10.5 14.5 11 5.5 8 14 17.5 13 9.5 8.5 12 17.5 126 126 Capítulo 5: Método da Designação – 8a. Aula Resolução do problema de Designação Método Húngaro • Início: Redução da Matriz de Custos. • 1º. Subtrair aos elementos de cada coluna da matriz de custos o mínimo dessa coluna. • 2º. Na matriz resultante, subtrair a cada linha o respectivo mínimo. • Iteração: • 1º. Desenhar o número mínimo de traços que cobrem todos os • zeros da matriz; • 2º. Critério de parada: o número mínimo de traços é igual a n?. • Sim – enquadrar n zeros, um por linha e um por coluna, a solução é ótima. FIM. • Não – passar a 3. • 3º. Redução da matriz de custos. • Determinar o menor valor não riscado . • Subtrair a todos os elementos não riscados e somar a todos os elementos duplamente riscados. • Considerar de novo todos os zeros livres e voltar a 1 (Iteração) 127 127 Capítulo 5: Método da Designação – 8a. Aula Método Húngaro. Exemplo. Início: Redução da Matriz de Custos. 1º: Subtrair o menor elemento de cada coluna de todos os elementos dessa coluna menor elemento da coluna 1 1 2 3 4 5 1 17.5 15 9 5.5 12 2 16 16.5 10.5 5 10.5 3 12 15.5 14.5 11 5.5 4 4.5 8 14 17.5 13 5 13 9.5 8.5 12 17.5 3 4 5 17.5 - 4.5 = 13 16 - 4.5 = 11.5 12 - 4.5 = 7.5 4.5 - 4.5 = 0 13 - 4.5 = 8.5 1 2 1 2 13 7 0.5 0.5 6.5 11.5 8.5 2 0 5 3 7.5 7.5 6 6 0 4 0 0 5.5 12.5 7.5 5 8.5 1.5 0 7 12 128 Capítulo 5: Método da Designação – 8a. Aula Método Húngaro. Exemplo. Início: Redução da Matriz de Custos. 2º: Subtrair o menor elemento de cada linha de todos os elementos dessa linha Existe empate na escolha do menor elemento da linha 1 (igual a 0.5). Nas linhas restantes o mínimo é zero, sendo que as linhas restantes não vão ser alteradas 13 - 0.5 = 12.5 7 - 0.5 = 6.5 0.5 - 0.5 = 0 6.5 - 0.5 = 6 1 2 3 4 5 1 13 7 0.5 0.5 6.5 2 11.5 8.5 2 0 5 3 7.5 7.5 6 6 0 4 0 0 5.5 12.5 7.5 5 8.5 1.5 0 7 12 1 2 3 4 5 1 12.5 6.5 0 0 6 2 11.5 8.5 2 0 5 3 7.5 7.5 6 6 0 4 0 0 5.5 12.5 7.5 5 8.5 1.5 0 7 12 129 129 Capítulo 5: Método da Designação – 8a. Aula Método Húngaro. Exemplo. Iteração: Critério de parada. 1º. Desenhar o número mínimo de traços que cobrem todos os zeros da matriz. 1 2 3 4 5 1 12.5 6.5 0 0 6 2 11.5 8.5 2 0 5 3 7.5 7.5 6 6 0 4 0 0 5.5 12.5 7.5 5 8.5 1.5 0 7 12 2º. Critério de parada: o número mínimo de traços é igual a 5 (matriz ‘n x n’)? Se positivo o problema está resolvido. No caso acima temos 4 traços e portanto um refinamento é necessário. 130 Capítulo 5: Método da Designação – 8a. Aula Método Húngaro. Exemplo. Iteração: Redução da Matriz de Custos. 1º. min {elementos da submatriz dos elementos não riscados } = 1.5 2º. Subtrair 1.5 a todos os elementos não riscados. 3º. Somar 1.5 aos elementos na intersecção dos traços. 4º. Os restantes elementos não são alterados. 1 2 3 4 5 1 12.5 6.5 0 0 6 2 11.5 8.5 2 0 5 3 7.5 7.5 6 6 0 4 0 0 5.5 12.5 7.5 5 8.5 1.5 0 7 12 1 2 3 4 5 1 11 5 0 0 4.5 2 10 7 2 0 3.5 3 7.5 7.5 7.5 7.5 0 4 0 0 7 14 7.5 5 7 0 0 7 10.5 131 Capítulo 5: Método da Designação – 8a. Aula Método Húngaro. Exemplo. Iteração: Critério de parada. 1º. Desenhar o número mínimo de traços que cobrem todos os zeros da matriz. 1 2 3 4 5 1 11 5 0 0 4.5 2 10 7 2 0 3.5 3 7.5 7.5 7.5 7.5 0 4 0 0 7 14 7.5 5 7 0 0 7 10.5 2º. Critério de parada: o número mínimo de traços é igual a 5?. Sim – enquadrar 5 zeros, um por linha e um por coluna, a solução é ótima. FIM 132 Capítulo 5: Método da Designação – 8a. Aula Método Húngaro. Exemplo Solução Ótima. Matriz inicial de custos 1 2 3 1 17.5 15 9 2 16 16.5 3 12 15.5 4 4.5 5 13 4 5 5.5 12 10.5 5 10.5 14.5 11 5.5 8 14 17.5 13 9.5 8.5 12 17.5 solução ótima é : x13 = 9 , x24 = 5, x35 = 5,5, x41 = 4,5 , x52 = 9,5 com um custo total : 9 + 5 + 5.5 + 4.5 + 9.5 = 33.5 133 Capítulo 5: Método da Designação – 8a. Aula Exercício 8 – 1o. Bimestre Quatro locais L1, L2, L3 e L4 necessitam de um equipamento, cada um. Existem quatro equipamentos disponíveis (idênticos), D1, D2, D3 e D4. A quilometragem entre os locais necessitados e os depósitos encontram-se abaixo: Determine a melhor alocação que envolva uma expedição de quilometragem mínima. Locais Depósitos L1 L2 L3 L4 D1 1B0 155 153 150 D2 152 15C 155 154 D3 155 154 15B 151 D4 151 156 152 15A Orientação: aonde aparecer as letras A, B e C substitua respectivamente pelo último, penúltimo e antepenúltimo algarismo do número de sua matrícula. 134 9a. Aula e 10a. Aula Exercícios Objetivo: Exercícios em Aula. - Programação Linear, MODI e Designação. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 135 Semana de Prova – 11a. Aula e 12a. Aula Revisão para Prova 136 Semana de Prova – 13a. Aula e 14a. Aula Prova 1 137 Semana de Prova – 15a. Aula e 16a. Aula Correção da Prova Entrega de Notas 138 Capítulo 6: Modelos Gerais – Teoria da Decisão 17a. Aula Objetivo: Apresentar os conceitos e estrutura de vários modelos de tomada de decisão. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 139 Capítulo 6: Modelos Gerais – Teoria da Decisão – 17a. Aula Análise do ponto de equilíbrio • A análise do ponto de equilíbrio é usada para comparar processos, encontrando o volume no qual dois processos diferentes têm custos totais iguais. • O ponto de equilíbrio é o volume no qual a receita total é igual ao custo total. • Custos variáveis (c) são custos que variam diretamente com o volume do produto. • Custos fixos (F) são aqueles custos que permanecem constantes com as mudanças no nível de produto. 140 Capítulo 6: Modelos Gerais – Teoria da Decisão – 17a. Aula Análise do ponto de equilíbrio • “Q” é o volume de clientes ou unidades, “c” é o custo variável unitário, F são os custos fixos e p é a renda por unidade • cQ é o custo variável total. • Custo total = F + cQ • Receita total = pQ • O equilíbrio ocorre onde pQ = F + cQ • (Receita total = Custo total) 141 Capítulo 6: Modelos Gerais – Teoria da Decisão – 17a. Aula Análise do ponto de equilíbrio A análise do ponto de equilíbrio pode mostrar… • Se o volume de vendas previsto é suficiente para chegar a um equilíbrio (não auferir lucro nem sofrer prejuízo) • Quão baixo deve ser o custo por unidade para atingir o equilíbrio dados os preços atuais e as vendas previstas. • Quão baixo deve ser o custo fixo para atingir o equilíbrio. • Como os níveis de preços afetam o volume do ponto de equilíbrio? 142 Capítulo 6: Modelos Gerais – Teoria da Decisão – 17a. Aula Análise do ponto de equilíbrio Exemplo do hospital – Exemplo A.1 Um hospital está avaliando a possibilidade de oferecer um novo procedimento ao custo de 200 dólares por paciente. O custo fixo por ano seria de $100.000, com o total de custos variáveis de $100 por paciente. 143 Capítulo 6: Modelos Gerais – Teoria da Decisão – 17a. Aula Dois processos e decisão: fazer ou comprar? • A análise do ponto de equilíbrio pode ser usada para escolher entre dois processos ou entre um processo interno e a compra desses serviços ou matérias-primas. • A solução é o ponto no qual os custos totais para duas alternativas são iguais. • O volume previsto é então aplicado para se verificar qual alternativa tem o menor custo para aquele volume. 144 144 Capítulo 6: Modelos Gerais – Teoria da Decisão – 17a. Aula Dois processos e decisão: fazer ou comprar? 145 Capítulo 6: Modelos Gerais – Teoria da Decisão – 17a. Aula Matriz de preferências •A matriz de preferências é uma tabela que permite ao gerente classificar uma alternativa de acordo com vários critérios de desempenho; •Os critérios podem receber pontos em qualquer escala contanto que a mesma escala seja aplicada a todas as alternativas que estão sendo comparadas. •Cada pontuação é pesada de acordo com sua importância percebida e o total desses pesos normalmente é igual a 100. •A pontuação total é a soma das pontuações ponderadas (peso x pontos) para todos os critérios. O gerente pode comparar os graus das alternativas entre si ou com um limite predeterminado. 146 Capítulo 6: Modelos Gerais – Teoria da Decisão – 17a. Aula Matriz de preferências 147 Capítulo 6: Modelos Gerais – Teoria da Decisão – 17a. Aula Matriz de preferências 148 Capítulo 6: Modelos Gerais – Teoria da Decisão – 17a. Aula Exercício 1 – 2o. Bimestre 1. Para o cálculo do ponto de equilíbrio entre dois processos de atendimento num hospital obteve-se o gráfico abaixo: a. b. c. d. e. Qual é o ponto de equilíbrio? Até que quantidade o processo 1 é mais vantajoso? Por quê? A partir de qual quantidade o processo 2 é melhor? Por quê? Na situação acima (demanda esperada de 25000) você manteria os dois processos? Justifique. Se o custo fixo do processo 1 fosse 10% maior, o que aconteceria com o ponto de equilíbrio ? 149 Capítulo 6: Modelos Gerais – Teoria da Decisão 18a. Aula Objetivo: Apresentar os conceitos e estrutura de vários modelos de tomada de decisão. Apresentar a Teoria da Utilidade Metodologia 1. Aula expositiva; 2. Exercícios em aula. 150 Capítulo 6: Modelos Gerais – Teoria da Decisão – 18a. Aula Teoria da Utilidade • A Teoria da Utilidade permite através de preceitos simples quantificar o quanto é desejável (ou indesejável) uma determinada situação que envolva valores que não são medidos por um único atributo; • A teoria da utilidade ajuda a modelar as preferências de um tomador de decisão, com base na sua propensão ou atitude em relação ao risco. • A função utilidade descreve a sua atitude para o risco. •A função utilidade trata da propensão do tomador de decisão e não de sua sistemática, seus métodos e suas práticas finais que podem ser por ele dirigidas com base no autoconhecimento. 151 Capítulo 6: Modelos Gerais – Teoria da Decisão – 18a. Aula Teoria da Utilidade DESEJOS ILIMITADOS E RECURSOS ESCASSOS Recursos são todas as coisas existentes, desejos são todas as coisas desejadas e bens são as coisas desejadas existentes. Devemos atentar para que nem todos os nossos desejos podem ser atendidos. Os desejos são ilimitados e os recursos que possuímos são limitados ou escassos. Esta escassez nos obriga a tomar decisão selecionando alternativas a partir de oportunidades possíveis 152 Capítulo 6: Modelos Gerais – Teoria da Decisão – 18a. Aula Teoria da Utilidade ALTERNATIVAS Diferentes bens e serviços proporcionam uma utilidade ou satisfação aos indivíduos ou consumidores e que são capazes de escolher o mais benéfico em seu ponto de vista. Dois critérios são estabelecidos para o processo decisório: 1) Acaso - (hábito e intuição), que existe, normalmente, quando o consumidor escolhe coisas de pouca importância. O erro não traz grandes conseqüências para si ou para a família; 2) Racional - é quando o comportamento segue um conjunto sistemático e consistente de preferência. É preciso garantir que o consumidor conheça todas as alternativas disponíveis e seja capaz de avaliar perfeitamente as conseqüências da escolha. 153 Capítulo 6: Modelos Gerais – Teoria da Decisão – 18a. Aula Teoria da Utilidade TEORIA DA UTILIDADE COMO FORMA RACIONAL DE EXPLICAR AS DECISÕES INDIVIDUAIS A – Utilidade cardinal - consiste em estabelecer um sentido mensurável ao consumo, ou seja, seria possível medir quantitativamente a utilidade de um bem em relação há um outro; B – Utilidade marginal decrescente – verifica a utilidade da última unidade consumida de um bem, contribuindo para a utilidade total. A utilidade marginal decresce ao aumentar a quantidade consumida; C – Utilidade marginal ponderada – As pessoas vão utilizar a última unidade monetária num bem ou serviço que aumente a sua utilidade; D – Utilidade ordinal – Exige que o consumidor seja capaz de ordenar as combinações de bens segundo uma ordem de preferências, isto é, que possua uma hierarquização consistente, incluindo a possibilidade de declarar-se indiferente diante de uma alternativa. São as chamadas cesta de consumo. 154 Capítulo 6: Modelos Gerais – Teoria da Decisão – 18a. Aula Teoria da Utilidade Quando um problema de decisão leva em consideração mais de um objetivo, é preciso transformar os valores de cada um desses objetivos numa mesma unidade de medida. Tal unidade de medida será chamada de valor utilidade, com níveis de 0 a 1. Por exemplo, para a escolha de um imóvel, conforme tabela abaixo, ocorrem três alternativas de compra baseadas em três objetivos distintos. Critérios A1 A2 A3 Ganho Líquido R$ 470 mil R$ 500 mil R$ 420 mil Distância ao centro comercial 150 m 250 m 500m Área disponível 600 m2 400 m2 1500 m2 155 Capítulo 6: Modelos Gerais – Teoria da Decisão – 18a. Aula Teoria da Utilidade Para resolver este tipo de problema precisamos criar utilidades que variam entre „0 e 1‟ para cada critério. Para o critério Ganho Líquido temos que: Critérios - Ganho Líquido A1 A2 A3 Valores R$ 470 mil R$ 500 mil R$ 420 mil Utilidade ------ 1 0 A „utilidade 0‟ é para o valor que menos interessa de ganho líquido e a „utilidade 1‟ é para o maior ganho. Precisamos calcular qual seria a utilidade para o valor intermediário (entre o maior e menor ganho): 1 1 X Triângulo menor x 0 400 420 440 460 480 420 500 500 0 470 0 420 Regra de 3 simples: X (470-420) ---- = -------------1 (500-420) x = 0,63 156 Capítulo 6: Modelos Gerais – Teoria da Decisão – 18a. Aula Teoria da Utilidade Para o critério Distância ao Centro Comercial temos que: Critérios – Distância Centro comercial A1 A2 A3 Valores 150 m 250 m 500m Utilidade 1 ------ 0 A „utilidade 0‟ é para o valor que menos interessa de distância (maior distância) e a „utilidade 1‟ é para a menor. Precisamos calcular qual seria a utilidade para o valor intermediário : 1 X 1 0 Triângulo menor 250 500 0 150 500 0 150 250 350 450 550 Regra de 3 simples: X (500-250) ---- = -------------1 (500-150) x = 0,71 157 Capítulo 6: Modelos Gerais – Teoria da Decisão – 18a. Aula Teoria da Utilidade Para o critério Área Disponível temos que: Critérios – Área Disponível A1 A2 A3 Valores 600 m2 400 m2 1500 m2 Utilidade ------ 0 1 A „utilidade 0‟ é para o valor que menos interessa de área disponível e a „utilidade 1‟ é para a maior área. Precisamos calcular qual seria a utilidade para o valor intermediário (entre a maior e menor área): 1 1 X Triângulo menor x 0 300 300 600 900 1200 600 0 0 300 1500 Regra de 3 simples: X (600-300) ---- = -------------1 (1500-300) 1500 x = 0,25 158 Capítulo 6: Modelos Gerais – Teoria da Decisão – 18a. Aula Teoria da Utilidade Enfim podemos montar a matriz de decisão final, com os valores utilidades no lugar dos antigos valores dos critérios relacionados. Critérios Peso Peso Relativo A1 A2 A3 Ganho Líquido 3 0,50 0,63 1 0 Distância ao centro comercial 2 0,33 1 0,71 0 Área disponível 1 0,17 0,25 0 1 Total 6 1,0 0,69 0,73 0,17 Nesta matriz final acrescenta-se um „Peso‟ que pondera a importância de cada critério (conforme escolha de decisão pela pessoa). Calcula-se na sequência um peso relativo, que é a porcentagem de cada peso pelo total deles. O valor final calculado é uma soma ponderada de cada peso relativo com a nota utilidade auferida a cada critério. O maior valor será a resposta. No caso acima (0,73). Exemplo: A1: (0,50x0,63) + (0,33x1) + (0,17x0,25) = 0,69 159 Capítulo 6: Modelos Gerais – Teoria da Decisão – 18a. Aula Exercício 2 – 2o. Bimestre 1. Haroldo está analisando três ofertas de emprego. Como cada emprego possui vantagens e desvantagens, Haroldo gostaria de efetuar a escolha do melhor emprego utilizando um método de decisão. As condições consideradas são. Determine a melhor decisão. Condições/ Emprego Salário Mensal Localização Contrato Decisão I Decisão II Decisão III Decisão IV R$ 2.000,00 R$ 1.800,00 R$ 2.500,00 R$ 2.200,00 50 km 10 km 30 km 40 km 10 anos 5 anos 3 anos 4 anos 160 Capítulo 6: Modelos Gerais – Teoria da Decisão 19a. Aula Objetivo: Apresentar os conceitos e estrutura de vários modelos de tomada de decisão. Teoria do Valor Esperado. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 161 Capítulo 6: Modelos Gerais – Teoria da Decisão – 19a. Aula Teoria do Valor Esperado Em alguns problemas de decisão as alternativas ou estados que compõem um cenário ocorrem com certo nível de possibilidade ou probabilidade, sendo assim denominado „risco‟. Por exemplo, numa decisão sobre investimentos em poupança, dólar ou fundos em que há a possibilidade de se ter 3 cenários (recessão, estabilidade ou expansão), a melhor decisão será por expectativa média do chamado Valor Esperado: E (x) = Retorno Médio Retornos Associados à decisão Cenários Possíveis Probabilidades A1 – Inv. Poup A2 – Inv. Dólar A3 – Inv. Fundos Ganho Líquido 40% R$ 300 R$ 400 R$ -100 Distância ao centro comercial 40% R$ 300 R$ 300 R$ 200 Área disponível 20% R$ 300 R$ 200 R$ 700 162 Capítulo 6: Modelos Gerais – Teoria da Decisão – 19a. Aula Teoria do Valor Esperado O cálculo é bastante simples. Basta ponderar as probabilidades de ocorrência de cada cenário por cada estratégia prevista (A1, A2, A3). A melhor escolha Exemplo: calculada E (x) = Retorno Médio A1: (0,4x300)+(0,4x300)+(0,2x300) = 300 A2: (0,4x400)+(0,4x300)+(0,2x200) = 320 A3: (0,4x -100)+(0,4x200)+(0,2x700) = 180 Retornos Associados à decisão Cenários Possíveis Probabilidades A1 – Inv. Poup A2 – Inv. Dólar A3 – Inv. Fundos Ganho Líquido 40% R$ 300 R$ 400 R$ -100 Distância ao centro comercial 40% R$ 300 R$ 300 R$ 200 Área disponível 20% R$ 300 R$ 200 R$ 700 300 320 180 163 Capítulo 6: Modelos Gerais – Teoria da Decisão – 19a. Aula Exercício 3 – 2o. Bimestre 1. Uma empresa deseja criar um método de escolha para investimentos em função dos cenários econômicos existentes (recessão, estabilidade e expansão). Para tanto resolveu analisar, baseando-se num especialista de mercado, os retornos associados às seguintes estratégias: A1: investir em Poupança; A2: investir em Dólar; A3: investir em Fundos de Investimento. A matriz abaixo apresenta o resumo da análise do especialista. Determine a melhor decisão. Estados Possíveis da Economia Recessão Estabilidade Expansão Estratégia A1 Estratégia A2 Estratégia A3 Possibilidades a priori Investir em poupança Investir em dólar 0,30 0,20 0,50 R$ 300,00 R$ 300,00 R$ 300,00 R$ 800,00 R$ 500,00 R$ 350,00 Investir em fundos de investimento - R$ 100,00 R$ 500,00 R$ 900,00 Estratégia A4 Investir em títulos da União R$ 450,00 R$ 550,00 R$ 650,00 164 Capítulo 6: Modelos Gerais – Teoria da Decisão 20a. Aula Objetivo: Exercícios em Aula. Teoria da Utilidade e Valor Esperado. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 165 Capítulo 7: Teoria dos Jogos 21a. Aula Objetivo: Apresentar os conceitos da Teoria dos Jogos. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 166 Capítulo 7: Teoria dos Jogos – 21a. Aula Teoria dos Jogos • A teoria da decisão é uma abordagem geral da tomada de decisões quando os resultados vinculados às alternativas muitas vezes são duvidosos. • Um gerente toma decisões usando o processo seguinte: 1. Faz uma relação das alternativas viáveis. 2. Faz uma relação dos eventos (estados da natureza). 3. Calcula o payoff para cada alternativa em cada evento. 4. Faz uma estimativa da probabilidade de cada evento (as probabilidades totais devem perfazer 1). 5. Seleciona a regra de decisão para avaliar as alternativas. 167 Capítulo 7: Teoria dos Jogos – 21a. Aula Teoria dos Jogos Regras de decisão • Tomada de decisão com incerteza ocorre quando se é incapaz de estimar as probabilidades dos eventos. • Maximin: a melhor entre as piores. Uma abordagem pessimista. • Maximax: a melhor entre as melhores. Uma abordagem otimista. • Arrependimento minimax: minimizar o arrependimento (também pessimista). • Laplace: a alternativa com o melhor payoff ponderado usando probabilidades supostas, • Tomada de decisão com risco ocorre quando se é capaz de estimar as probabilidades dos eventos. • Valor esperado: a alternativa com o maior payoff ponderado usando probabilidades previstas. 168 Capítulo 7: Teoria dos Jogos – 21a. Aula Teoria dos Jogos Um jogo representa uma situação de competição ou conflito entre dois ou mais oponentes. Estes oponentes são usualmente chamados de jogadores (um jogador pode ser um time composto de mais de uma pessoa, como num jogo de cartas de duplas buraco por exemplo - onde apesar de haver quatro pessoas, há apenas dois jogadores). Alguns exemplos de jogos são: • jogos de salão, como cara-e-coroa, jogo da velha, damas ou xadrez; • competição econômica; • conflitos militares ou guerras. 169 Capítulo 7: Teoria dos Jogos – 21a. Aula Teoria dos Jogos Cada jogador tem um certo número de escolhas, finito ou infinito, chamadas de estratégias. Um jogador supostamente escolhe sua estratégia sem qualquer conhecimento prévio da estratégia escolhida pelos outros jogadores. A partir das escolhas dos jogadores, o jogo fornece o resultado, ou saída, definindo quanto cada jogador ganhou ou perdeu. Cada jogador faz sua escolha de modo a otimizar o resultado. Os jogos são categorizados da seguinte maneira: 1. Tipos de saída a) Determinada - as saídas são precisamente definidas, dadas as estratégias tomadas. b) Probabilística - as probabilidades das diferentes saídas são conhecidas, dadas as estratégias tomadas. c) Indeterminada - as saídas possíveis são conhecidas dadas as estratégias tomadas, mas não suas probabilidades. 170 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula 2. Número de jogadores a) Um jogador - estes jogos são chamados de jogos contra a natureza. Se a estratégia da natureza é determinada, o jogo é trivial; se a estratégia da natureza é probabilística, estes jogos são chamados de problemas de decisão; se é indeterminada, pode-se tratar o jogo como sendo de duas pessoas se for atribuída alguma perversidade à natureza. b) Dois jogadores. c) n jogadores (n maior que 2). 3. Natureza dos pagamentos a) Soma zero - a soma de todos os pagamentos é zero. b) Soma constante - a soma de todos os pagamentos é constante e diferente de zero. c) Soma variável - não há nenhuma relação entre os pagamentos dos jogadores. 4. Natureza da informação a) Informação perfeita - conhecimento total de todos os movimentos anteriores. b) Informação imperfeita. 171 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula Jogos de Dois Jogadores e Soma Zero • Dois jogadores e soma zero é o tipo de jogo mais estudado pela teoria dos jogos. • De modo simplificado, neste tipo de jogo cada um dos dois jogadores escolhe uma entre suas estratégias possíveis. • Uma vez que ambos os jogadores tenham tomado suas decisões, elas são anunciadas e uma tabela de pagamentos (conhecida anteriormente pelos dois jogadores) é utilizada para determinar o pagamento de um jogador ao outro. • A matriz abaixo representa o jogo. Nesta notação, a matriz representa o pagamento do jogador Y para o jogador X. Se o valor for negativo, o pagamento se dará do jogador X para o jogador Y. 172 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula Jogos de Dois Jogadores e Soma Zero O jogador X pode escolher entre as estratégias A, B e C. O jogador Y pode escolher entre D, E, F e G. O valor da matriz representa o valor a ser pago ao jogador X. Como é um jogo de duas pessoas e soma zero, um ganho do jogador X implica uma igual perda do jogador Y. Isto significa que se o jogador X escolher a estratégia A e o jogador Y escolher a estratégia G, o jogador X ganhará 9, ao passo que o jogador Y perderá os mesmos 9. Se o pagamento for negativo (por exemplo –4), o jogador X ganhará -4, ou seja, perderá 4, ao passo que o jogador Y ganhará 4. 173 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula Jogos de Dois Jogadores e Soma Zero Quando o jogador X escolhe a estratégia A, ele pode ganhar 8, 2, 9 ou 5, dependendo da estratégia escolhida pelo jogador Y. Ele pode garantir, entretanto, um ganho de pelo menos min{8, 2, 9, 5} = 2, independente da escolha do jogador Y. Da mesma maneira, se ele escolher a estratégia B, ele garante um ganho de min{6, 5, 7, 8} = 5 e se escolher a estratégia C, a pior hipótese é min{7, 3, -4, 7} = -4. Estes valores estão indicados à direita da matriz, chamados de mínimos. Se o jogador X selecionar a estratégia B, ele está maximizando seu menor ganho, dado por max{2, 5, -4} = 5. Esta seleção é denominada maximin, já que maximiza o mínimo ganho de cada opção. O valor resultante desta estratégia é chamado valor maximin. 174 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula Jogos de Dois Jogadores e Soma Zero O jogador Y, do outro lado, deseja minimizar suas perdas. Ele percebe que, se usar a estratégia D, não pode perder mais do que max{8, 6, 7} = 8. Para as demais estratégias, as máximas perdas estão apresentadas na matriz, como sendo o valor máximo de cada coluna. O jogador Y irá então escolher a alternativa que minimize sua máxima perda, que é a estratégia E, uma vez que min{8, 5, 9, 8} = 5. Esta seleção é denominada minimax, já que minimiza a máxima perda de cada opção. O valor resultante desta estratégia é chamado valor minimax. 175 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula Jogos de Dois Jogadores e Soma Zero Percebe-se que, para qualquer jogo de duas pessoas e soma zero, o valor minimax é sempre maior ou igual ao valor maximin. No caso de igualdade, as estratégias são chamadas estratégias ótimas e o jogo tem um ponto de sela. Este ponto é o ponto ótimo do jogo, e é igual ao valor maximin e ao valor minimax. O ponto é otimo, já que nenhum jogador mudará sua estratégia, uma vez que o resultado será pior caso o outro jogador mantenha a estratégia. Em geral, o valor do jogo deve satisfazer a inequação 176 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula Estratégias Mistas Na seção anterior, fo i apresentado um jogo que continha um ponto de sela. Há casos, entretanto, nos quais este ponto de sela não existe. Como exemplo, é apresentada a matriz abaixo. Este jogo não possui um ponto de sela, e a estratégia minimax-maximin não é a estratégia ótima, uma vez que os jogadores podem melhorar seus resultados selecionando uma estratégia diferente. Neste caso, o jogo é instável. 177 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula Estratégias Mistas Olhando para este jogo, percebe-se que algum tipo de troca de estratégias se faz necessária. Se X escolher entre as alternativas A e B de maneira sistemática (por exemplo, alternando entre A e B), esta troca sistemática será detectada pelo jogador Y. Então Y escolherá F quando X escolher A e C quando X escolher B. Um argumento similar serve para Y. Portanto, a variação da escolha entre as alternativas deve ter alguma aleatoriedade associada a ela. Suponhamos que o jogador X jogue uma moeda para saber se escolhe a alternativa A ou B. Chamaremos de pA a probabilidade de escolher A e de pB a probabilidade de escolher B. Os pagamentos esperados para uma estratégia aleatória são os seguintes: 178 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula Estratégias Mistas Ao jogar uma moeda, as probabilidades pA e pB são iguais, e valem 0,5. Neste caso, os pagamentos esperados são: 179 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula Estratégias Mistas Entretanto, pode-se escolher uma estratégia que defina as probabilidades de modo a otimizar o resultado. Suponhamos que o jogador X deseje maximizar o menor pagamento vindo de Y. Designando este pagamento por u, o problema pode ser modelado como: 180 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula Estratégias Mistas É conveniente rearrumar o modelo de modo a ter todas as variáveis do lado esquerdo das equações e inequações, ou seja: 181 Teoria dos Jogos Capítulo 7: Teoria dos Jogos – 21a. Aula Estratégias Mistas Em contrapartida, o jogador Y deseja variar entre suas alternativas de modo a minimizar o maior pagamento ao jogador X. As probabilidades da escolha das alternativas C, D, E e F são, respectivamente, qC, qD, qE e qF. Designando o pagamento ao jogador X por v, o problema pode ser modelado como: O modelo pode ser rearrumado da mesma forma que o modelo referente ao jogador X. Desta forma, ao serem definidas as probabilidades de cada alternativa, o jogador deve selecioná-las seguindo esta probabilidade, de modo aleatório, para que sua estratégia não seja detectada pelo outro jogador. 182 1. A matriz abaixo representa um jogo de dois competidores (X e Y). Nesta notação, a matriz representa o pagamento do jogador Y para o jogador X. Se o valor for negativo, o pagamento se dará do jogador X para o jogador Y. O jogador X pode escolher entre as estratégias A, B e C. O jogador Y pode escolher entre D, E, F e G. Utilizando a teoria dos jogos, identifique se existe o chamado ponto de cela (John Forbes Nash), existente quando ocorre a igualdade: “Max(Min) = Min(Max)”. y Jogador x Jogador Capítulo 7: Teoria dos Jogos – 21a. Aula Exercício 4 – 2o. Bimestre D E F G A 8 2 9 5 B 6 5 7 8 C 7 3 -4 7 183 22a. Aula Capítulo 7: Teoria dos Jogos Objetivo: Exercícios sobre Teoria dos Jogos. Metodologia 1. Aula expositiva; 2. Exercícios em aula. 184 23a. Aula Capítulo 8: Teoria das Filas Objetivo: Apresentar os conceitos e estrutura da Teoria das Filas. Metodologia 1. Aula expositiva; 2. Exercícios em aula (individual). 185 Capítulo 8: Teoria das Filas – 23a. Aula Filas de espera • Fila de espera: mais “clientes” esperando por atendimento. • População de clientes: uma entrada que gera clientes potenciais. • Instalação de serviço: uma pessoa (ou equipe), uma máquina (ou grupo de máquinas) ou ambos, necessários para executar o serviço para o cliente. • Regra de prioridade: uma regra que seleciona o próximo cliente a ser atendido pela instalação de serviço. • Sistema de serviço: o número de filas e a disposição das instalações. 186 Capítulo 8: Teoria das Filas – 23a. Aula Modelos de filas de espera: elementos básicos 187 Capítulo 8: Teoria das Filas – 23a. Aula Arranjos de instalações de serviços Canal: uma ou mais instalações requeridas para fornecer um serviço dado. Fase: um passo único ao fornecer o serviço. Regra de prioridade: a diretriz que determina qual o próximo cliente a ser atendido. 188 Capítulo 8: Teoria das Filas – 23a. Aula Arranjos de instalações de serviço 189 Capítulo 8: Teoria das Filas – 23a. Aula Regra de prioridade • A regra de prioridade determina qual o próximo cliente a ser atendido. • A maioria dos sistemas de serviços usa a regra do primeiro a chegar, primeiro a ser atendido (PCPA). Outras regras de prioridade incluem: • Data de vencimento mais antiga (DVA) • Cliente com o menor tempo de processamento esperado (TPE) • Norma de preferência: Uma regra que permite que um cliente de prioridade mais alta interrompa o serviço de outro cliente. 190 Capítulo 8: Teoria das Filas – 23a. Aula Distribuição de probabilidade e tempo de atendimento A distribuição exponencial descreve a probabilidade de que o tempo de atendimento ao cliente em uma instalação específica não seja maior do que períodos de tempo T. 191 Capítulo 8: Teoria das Filas – 23a. Aula Características operacionais • Comprimento da fila: o número de clientes na fila. • Número de clientes no sistema: inclui clientes na fila de espera e sendo atendidos. • Tempo de espera na fila: espera pelo início do atendimento. • Tempo total no sistema: tempo total decorrido entre a entrada no sistema e a saída do sistema. • Utilização da instalação de serviço: reflete o percentual de tempo em que os servidores estão ocupados. 192 Capítulo 8: Teoria das Filas – 23a. Aula Modelo de servidor único • O modelo mais simples de fila de espera envolve um servidor único e uma fila única de clientes. • Suposições: • A população de clientes é infinita e paciente. • Os clientes chegam de acordo com uma distribuição de Poisson, com uma média de taxa de chegada de . • A distribuição do atendimento é exponencial, com uma média de taxa de atendimento de µ. • A média de taxa de atendimento ultrapassa a média da taxa de chegada. • Os clientes são atendidos de acordo com o princípio de primeiro a chegar, primeiro a ser atendido. • O comprimento da fila de espera é indefinido. 193 Capítulo 8: Teoria das Filas – 23a. Aula Modelo de servidor único 194 Capítulo 8: Teoria das Filas – 23a. Aula Sistema de canal único, fase única – Exemplo 195 Capítulo 8: Teoria das Filas – 23a. Aula Analisando taxas de serviço com o modelo de servidor único A gerente da mercearia de Sunnyville no Exemplo C.3 deseja responder às seguintes perguntas: a. Que taxa de serviço seria necessária para que os clientes gastassem em média apenas oito minutos no sistema? b. Para essa taxa de atendimento, qual é a probabilidade de haver mais de quatro clientes no sistema? c. Qual a taxa de atendimento necessária para que se tenha apenas uma chance de 10 por cento de haver mais de quatro clientes no sistema? 196 Capítulo 8: Teoria das Filas – 23a. Aula Analisando taxas de serviço com o modelo de servidor único SOLUÇÃO O solucionador de filas de espera do OM Explorer pode ser usado repetidamente para responder às perguntas. Aqui mostramos apenas como resolver o problema manualmente. a. Usamos a equação para o tempo médio no sistema e encontramos µ. W = 1/ µ - 8 minutos = 0,133 hora = 1/ µ - 30 0,133 µ - 0,133(30) = 1 µ = 37,52 clientes/hora 197 Capítulo 8: Teoria das Filas – 23a. Aula Analisando taxas de serviço com o modelo de servidor único b. A probabilidade de haver mais de quatro clientes no sistema é igual a 1 menos a probabilidade de quatro ou menos clientes no sistema. e Assim,P = 1 – 0,2(1+0,8 + 0,82 + 0,83 + 0,84)= 1 – 0,672 = 0,328 Portanto, há quase 33 por cento de chances de que mais do que quatro clientes estejam no sistema. 198 Capítulo 8: Teoria das Filas – 23a. Aula Analisando taxas de serviço com o modelo de servidor único c. Usamos a mesma lógica que na parte (b), à exceção de que µ é agora uma variável de decisão. O modo mais fácil de proceder é, primeiro, encontrar a utilização média correta e, em seguida, achar a taxa de atendimento.P = 1 – 1 – 1+ +2+ 3+4) Ou 199 Capítulo 8: Teoria das Filas – 23a. Aula Analisando taxas de serviço com o modelo de servidor Portanto, para uma taxa de utilização de 63 por cento, a probabilidade de haver mais de quatro clientes no sistema é de 10 por cento. Para = 30, a média da taxa de serviço deve ser 30/µ = 0,63 µ = 47,62 clientes/hora 200 Capítulo 8: Teoria das Filas – 23a. Aula Modelos de filas de espera: elementos básicos Com o modelo de servidor múltiplo, os clientes formam uma fila única e escolhem um dos s servidores quando um está disponível. O sistema de serviço tem apenas uma fase. Há s servidores idênticos. A distribuição de atendimento para cada um é exponencial. A média do tempo de atendimento é 1/µ. A taxa de atendimento (sµ) excede a taxa de chegada (). 201 Capítulo 8: Teoria das Filas – 23a. Aula Sistemas de servidor múltiplo – Exemplo O Serviço Americano de Remessas está preocupado com a quantidade de tempo que os caminhões permanecem ociosos, esperando para ser descarregados. O terminal opera com quatro zonas de descarga. Cada zona requer uma equipe de dois funcionários e cada equipe custa $30/h. O custo estimado de um caminhão ocioso é de $50/h. Os caminhões chegam a uma taxa média de três por hora, de acordo com uma distribuição de Poisson. Em média, uma equipe pode descarregar um veículo de carga em uma hora, com tempos de serviço exponenciais. 4 zonas de descarga 2 funcionários/equipe Taxa de chegada = 3/hora Custos da equipe $ 30/hora Custos de caminhões ociosos $ 50/hora Tempo de atendimento = 1 hora 202 203 Capítulo 8: Teoria das Filas – 23a. Aula Capítulo 8: Teoria das Filas – 23a. Aula Modelo de servidor múltiplo 204 Capítulo 8: Teoria das Filas – 23a. Aula Modelo de servidor múltiplo 205 Capítulo 8: Teoria das Filas – 23a. Aula Exercício 5 – 2o. Bimestre 1. Defina o que é Teoria das Filas e explique os modelos existentes. 2. Aonde poderia ser aplicada a teoria das filas? Cite 4 exemplos. 206 24a. Aula Capítulo 8: Teoria das Filas Objetivo: Apresentar os conceitos e estrutura da Teoria das Filas. Lei de Little. Metodologia 1. Aula expositiva; 2. Exercícios em aula (individual). 207 Capítulo 8: Teoria das Filas – 24a. Aula Lei de Little • A Lei de Little relaciona o número de clientes em um sistema de fila de espera com o tempo de espera dos clientes. • L = W • L é o número médio de clientes no sistema. • é a taxa de chegada do cliente. • W é o tempo médio gasto no sistema, incluindo o atendimento. 208 Capítulo 8: Teoria das Filas – 24a. Aula Modelo da fonte finita • No modelo da fonte finita, as suposições do modelo de servidor único são alteradas de modo que a população de clientes seja finita, havendo apenas N clientes potenciais. • Se N for maior que 30 clientes, então o modelo de servidor único com uma população de clientes infinita é adequado. 209 Capítulo 8: Teoria das Filas – 24a. Aula Modelo da fonte finita 210 Capítulo 8: Teoria das Filas – 24a. Aula Analisando custos de manutenção com o modelo da fonte finita – Exemplo C.6 211 Capítulo 8: Teoria das Filas – 24a. Aula Áreas de decisão para gerência 1. Taxas de chegada 2. Números de instalações de serviço 3. Número de fases 4. Números de servidores por instalação 5. Eficiência do servidor 6. Regra de prioridade 7. Disposição da fila 212 Capítulo 8: Teoria das Filas – 24a. Aula Áreas de decisão para gerência 213 Capítulo 8: Teoria das Filas – 24a. Aula Exercício 6 – 2o. Bimestre Exercícios sobre Teoria das Filas. Laboratório de Informática. 214 Capítulo 9: Simulação, Softwares e Aplicação 25a. Aula Objetivo: Simulação aplicação. através de softwares e Metodologia 1. Aula expositiva; 2. Exercícios em aula (individual). 215 SIMULAÇÃO Capítulo 9: Simulação, Softwares e Aplicação – 25a. Aula “APRENDER ATRAVÉS DA SIMULAÇÃO” Características de um sistema de administração da produção atual: •Alto volume de informações; •Necessidade de diferenciar e diversificar a produção de um bem/serviço para acompanhar as mudanças de mercado; •As empresas procuram acompanhar essa revolução e, com isso, têm implementado modificações importantes em seus sistemas. Mas os sistemas de manufatura/serviços possuem ambientes possuidores de um grande número de variáveis que afetam seu desempenho; Histórico: •Estudos de Von Neumann e Ulan ; •Tais estudos tornaram-se conhecidos como análise ou técnica de Monte Carlo. Essa técnica matemática é conhecida desde o século passado, na época em que os cientistas trabalhavam secretamente no projeto denominado "Manhattan" em Los Alamos, para o desenvolvimento da bomba atômica dos aliados. Posteriormente porém, a simulação, como técnica para solução de problemas, encontrou como campo mais fértil de aplicação, o tratamento dos problemas eminentemente probabilísticos, cuja solução analítica é, geralmente, muito mais árdua e difícil, senão impossível. 216 Capítulo 9: Simulação, Softwares e Aplicação – 25a. Aula APLICAÇÕES DA SIMULAÇÃO •a Draw Tite Inc. pretendia transformar suas células de manufatura em uma linha de produção contínua, mas ao simular as modificações pretendidas, percebeu que elas não trariam resultados positivos, e evitou o gasto de U$ 80.000,00 na aquisição de novas máquinas. Boblitz ( 1991); •a empresa de consultoria denominada Northern Research and Engineering Corp. simulou uma nova linha de produção da Torrington Co. e verificou que 4 das 77 máquinas que seriam compradas não eram necessárias, poupando-se U$ 750.000,00. Wild & Port (1987); •a Exxon simulou a manufatura com a mistura, a estocagem e as operações de expedição da gasolina, e poupou U$ 1,4 milhões na sua primeira aplicação. Graff (1986); o setor da Decaparia da Companhia Siderúrgica Belgo Mineira, em Contagem - MG. Possuia movimentação de cargas através de cinco pontes rolantes que eram o gargalo do sistema. Após várias simulações, percebeu-se que a solução mais viável era a mudança de layout (Decaparia em linha) e projeto de um mecanismo de retorno de ganchos (sem a necessidade do uso de ponte rolante) . Com isso, aumentaria a produção e uma ponte rolante poderia ser desativada (ou utilizada como reserva) (Gazzinelli, 1996). 217 Capítulo 9: Simulação, Softwares e Aplicação – 25a. Aula DEFINIÇÃO DE SIMULAÇÃO Naylor (1971): "simulação é uma técnica numérica para realizar experiências em um computador digital, as quais certos tipos de modelos lógicos que descrevem o comportamento de um sistema econômico ou de negócios ( ou um aspecto parcial de um deles) sobre extensos intervalos de tempo". Martinelli (1987): "a simulação é um meio de se experimentar idéias e conceitos sob condições que estariam além das possibilidades de se testar na prática, devido ao custo, demora ou risco envolvidos". Schriber (1974): "simulação implica na modelagem de um processo ou sistema de tal forma que o modelo imite as respostas do sistema real numa sucessão de eventos que ocorrem ao longo do tempo". Pegden (1990): "a simulação pode ser definida como um processo de modelagem de um sistema real e a condução de experimentos com este modelo, com o propósito de entender o comportamento do sistema". Banks e Carson (1994): referenciam a palavra simular como uma maneira de fingir a essência de algo sem a realidade; é a construção de um modelo abstrato representando algum sistema real. 218 Capítulo 9: Simulação, Softwares e Aplicação – 25a. Aula LINGUAGENS DE SIMULAÇÃO Inicialmente linguagens de programação de propósito geral: FORTRAN, BASIC, PASCAL, etc. Posteriormente linguagens de programação dedicadas à simulação: GPSS, SIMAN, SLAM, SIMSCRIPT, etc. (bibliotecas formadas por conjuntos de macro comandos das linguagens de propósito geral). Alguns dos simuladores da geração seguinte, foram desenvolvidos sobre a plataforma dessas linguagens. Como exemplo disso temos o caso do ARENA, construído sobre a linguagem SIMAN. 219 Capítulo 9: Simulação, Softwares e Aplicação – 25a. Aula VANTAGENS DA SIMULAÇÃO •permite replicação precisa dos experimentos, podendo-se assim, testar alternativas diferentes para o sistema; •fornece um controle melhor sobre as condições experimentais do que seria possível no sistema real; •permite simular longos períodos em um tempo reduzido; •é, em geral, mais econômico que testar o sistema real, e evita gastos inúteis na compra de equipamentos desnecessários; •uma vez criado, um modelo pode ser utilizado várias vezes a fim de avaliar projetos e propostas; •a simulação é, geralmente, mais fácil de aplicar do que métodos analíticos; •enquanto os modelos analíticos exigem um grande número de simplificações para que possam ser tratados matematicamente, os modelos de simulação não apresentam tais restrições; •o tempo pode ser controlado (expandido ou comprimido). Reprodução dos fenômenos de maneira lenta ou acelerada •pode-se compreender melhor quais variáveis são as mais importantes em relação a performance e como as mesmas interagem entre si e com os outros elementos do sistema; a identificação de gargalos pode ser obtida de forma facilitada, principalmente com ajuda visual; 220 Capítulo 9: Simulação, Softwares e Aplicação – 25a. Aula DESVANTAGENS DA SIMULAÇÃO •devido a sua natureza estocástica, os modelos de simulação devem ser rodados várias vezes para poder se prever a performance do sistema; •a simulação é muito dependente da validade do modelo desenvolvido; •a técnica não é por si só otimizante, pois ela testa somente as alternativas fornecidas pelo usuário; •exige-se treinamento especial para construção de modelos; •os resultados da simulação são, algumas vezes, de difícil interpretação e requer do usuário, conhecimento profundo do sistema que ele programou; a modelagem e a experimentação associadas à modelos de simulação, consomem muitos recursos, principalmente tempo. Simplificar a modelagem ou os experimentos na tentativa de economia, costuma gerar resultados insatisfatórios. ETAPAS DE UM PROJETO DE SIMULAÇÃO Definição do Problema e Objetivos Definição do Modelo Conceitual Procura-se nesta etapa, responder a três perguntas: •o que modelar ? •como modelar ? •como coletar os dados do sistema ? Coleta de Dados Codificação, Verificação e Validação do Modelo. Projeto Experimental / Experimentação Análise e Interpretação dos Resultados 221 Capítulo 9: Simulação, Softwares e Aplicação – 25a. Aula Softwares para simulação Produto Empresa Site Repres. www.sm.com Sim AutoMod Systems Modeling Corporation Autosimulations www.autosim.com Sim Extend Imagine That www.imaginethatinc.com Não GPSS H Micro Saint ProModel SIMPLE ++ Wolverine Software Micro Analysis & Design ProModel Corporation AESOP (Alemanha) ND* www.aesop.de Sim Sim Sim ND* www.caciasl.com ND* www.taylorii.com ND* www.vissim.com Sim ARENA Simscript II.5 e CACI Products Company MODSIM III F&H Simulations TAYLOR IIb (Holanda) VisSim Visual Solutions www.madboulder.com www.promodel.com *ND - Não disponível 222 Capítulo 9: Simulação, Softwares e Aplicação – 25a. Aula Exercício 7 – 2o. Bimestre 1. Defina Simulação. 2. Quais vantagens e desvantagens podem ser descritas para uma simulação de fila num pronto atendimento de um hospital? Jutifique. 223 Capítulo 9: Simulação, Softwares e Aplicação 26a. Aula Objetivo: Simulação através de aplicação. Simulação Monte Carlo. softwares e Metodologia 1. Aula expositiva; 2. Exercícios em aula (individual). 224 Capítulo 9: Simulação, Softwares e Aplicação – 26a. Aula Simulação Monte Carlo • Simulação: o ato de reproduzir o comportamento de um sistema usando um modelo que descreve os processos do sistema. • Compressão de tempo: a característica das simulações que permite que obtenham estimativas de características operacionais em muito menos tempo do que é requerido para coletar os mesmos dados operacionais de um sistema real. • Simulação de Monte Carlo: processo de simulação que usa números aleatórios para gerar eventos de simulação. 225 Capítulo 9: Simulação, Softwares e Aplicação – 26a. Aula Specialty Steel Products Co. • A Specialty Steel Products Company produz artigos como máquinas operatrizes, equipamentos, peças de automóveis e outros artigos de especialidade, em quantidades pequenas e sob encomenda do cliente. • A demanda é medida em horas-máquina. • As encomendas por produtos são convertidas em horas-máquina requeridas • A administração está interessada na capacidade do departamento de tornearia mecânica. • Reúna os dados necessários para analisar o acréscimo de mais um torno mecânico e de um torneiro. 226 Capítulo 9: Simulação, Softwares e Aplicação – 26a. Aula Specialty Steel Products Co. Registros históricos indicam que a demanda do departamento de tornearia mecânica varia de semana a semana, como se segue: 227 Capítulo 9: Simulação, Softwares e Aplicação – 26a. Aula Specialty Steel Products Co. A produção semanal média é determinada multiplicando cada requisito de produção por sua freqüência de ocorrência. 228 Capítulo 9: Simulação, Softwares e Aplicação – 26a. Aula Specialty Steel Products Co. – Atribuição de números aleatórios • Números aleatórios agora devem ser atribuídos para representar a probabilidade de cada evento de demanda. • Número aleatório: Um número que tem a mesma probabilidade de ser selecionado que qualquer outro número. • Uma vez que as probabilidades para todos os eventos de demanda perfazem 100 por cento, usamos números aleatórios entre (e inclusive) 00 e 99. • Dentro desta escala, um número aleatório na escala de 0 a 4 tem uma chance de 5% de ser selecionado. • Podemos usá-la para representar nossa primeira demanda semanal de 200 que tem uma probabilidade de 5%. 229 Capítulo 9: Simulação, Softwares e Aplicação – 26a. Aula Specialty Steel Products Co. – Atribuição de números aleatórios 230 Capítulo 9: Simulação, Softwares e Aplicação – 26a. Aula Specialty Steel Products Co. – Formulação de modelo • Formular um modelo de simulação requer que se especifiquem as relações entre as variáveis. • Modelos de simulação consistem em variáveis de decisão, variáveis incontroláveis e variáveis dependentes. • Variáveis de decisão: variáveis que são controladas pelo tomador de decisão e mudam de um período a outro quando eventos diferentes são simulados. • Variáveis incontroláveis são eventos aleatórios que o tomador de decisão não pode controlar. 231 Capítulo 9: Simulação, Softwares e Aplicação – 26a. Aula Specialty Steel Products Co. 232 233 Capítulo 9: Simulação, Softwares e Aplicação – 26a. Aula Capítulo 9: Simulação, Softwares e Aplicação – 26a. Aula Um estado estacionário ocorre quando a simulação é repetida por vezes suficientes para que os resultados médios para medidas de desempenho permaneçam constantes. 234 Capítulo 9: Simulação, Softwares e Aplicação – 26a. Aula Exercício 8 – 2o. Bimestre 235 Capítulo 9: Simulação, Softwares e Aplicação 27a. Aula e 28a. Aula Objetivo: Simulação Monte Carlo. Exercícios. Metodologia 1. Aula expositiva; 2. Exercícios em aula (individual). 236 Capítulo 9: Simulação, Softwares e Aplicação 29a. Aula – 40a. Aula Objetivo: Simulação em Computador. Projeto de Simulação. Metodologia 1. Aula expositiva; 2. Exercícios em aula (individual). 237 Capítulo 9: Simulação, Softwares e Aplicação – 29a Aula - 40a. Aula Simulação em computador • A simulação para a Specialty Steel Products demonstrou o básico da simulação. • Entretanto, ela envolveu apenas um passo do processo, com duas variáveis incontroláveis (requisitos de produção semanal e três horas-máquina realmente disponíveis) e os períodos multiplicados por 20. • Modelos de simulação simples, com uma ou duas variáveis incontroláveis podem ser desenvolvidos usando o gerador de números aleatórios do Excel. • Simulações mais sofisticadas podem se tornar demoradas e requerer um computador. 238 239 Capítulo 9: Simulação, Softwares e Aplicação – 29a Aula - 40a. Aula Capítulo 9: Simulação, Softwares e Aplicação – 29a Aula - 40a. Aula Modelo de simulação para a revendedora de carros BestCar • Abaixo está uma distribuição de probabilidade para o número de carros vendido semanalmente na BestCAr • O preço de venda por carro é $20.000. Projete um modelo de simulação que determine a distribuição de probabilidade e a média das vendas semanais. 240 241 Capítulo 9: Simulação, Softwares e Aplicação – 29a Aula - 40a. Aula Capítulo 9: Simulação, Softwares e Aplicação – 29a Aula - 40a. Aula Simulação com SinQuick • Simquick é um pacote fácil de usar que é simplesmente uma planilha do Excel com algumas macros. • Aqui consideramos o processo de segurança de passageiros em um terminal de um aeroporto de médio porte entre as 8 e as 10 horas da manhã. • Os passageiros chegam à área de segurança em uma fila única e passam por um dos dois postos de inspeção consistindo de um detector de metal e um scanner de bagagem de mão. • Depois disso, 10% são selecionados aleatoriamente para uma inspeção adicional por uma das duas estações. • A gerência está interessada em examinar o efeito do aumento do número de inspeções aleatórias para 15% e 20%. • Eles também querem pensar sobre uma terceira estação para a segunda inspeção. 242 243 Capítulo 9: Simulação, Softwares e Aplicação – 29a Aula - 40a. Aula Capítulo 9: Simulação, Softwares e Aplicação – 29a Aula - 40a. Aula Resultados da simulação do processo de segurança de passageiros 244 Capítulo 9: Simulação, Softwares e Aplicação – 29a Aula - 40a. Aula Prova 2 Entrega do Projeto de Simulação 245 Capítulo 9: Simulação, Softwares e Aplicação – 29a Aula - 40a. Aula Entrega de Médias Finais Autoavaliação do Semestre 246