Apostila Pesquisa Operacional Parte 1 2

Aulas de P.O. por Prof.
Edilson Machado de Assis
TEORIA DAS FILAS

1
Aulas de P.O. por Prof. Edilson Machado de Assis
Teoria das Filas

Introduo Teoria das filas o estudo matemtico das linhas de espera. espera O primeiro trabalho importante feito neste campo foi realizado pelo l engenheiro h i A K. A. K Erlang. El El Erlang modelou a flutuao na demanda dos servios de telefonia e a capacidade da companhia telefnica lidar com esta demanda.
2
Teoria das Filas

Introduo Linhas de espera so um fenmeno comum Elas ocorrem toda vez que a comum. demanda instantnea por um servio excede d a capacidade id d de d atendimento. t di t Em E negcios, freqentemente tem que se tomar decises sobre o nvel de servio a oferecer. Oferecer um servio de nvel excepcionalmente alto muito custoso.
3
Teoria das Filas

Introduo Por outro lado, no oferecer servios suficientemente eficazes, eficazes provoca longas filas de espera e perdas financeiras. Assim a meta t d do administrador d i i t d d deve ser encontrar o equilbrio entre a demanda e a oferta de um servio.
Teoria das Filas

Exemplos de aplicao A Teoria das Filas uma das mais antigas tcnicas da cincia de administrao Sua aplicao data do administrao. incio do sculo XX. A seguir, alguns casos de d aplicao: li Servio de embarque de passageiros em aeroportos (1979) Alocao de leitos em albergues pblicos (1981) ( )
5
Teoria das Filas

Exemplos de aplicao Anlise de falta de combustveis (1974) Projeto de um sistema de denncias por telefone do Centro de Abusos Contra a Ci Criana d Estado do E t d de d Nova N I Iorque (1979) Desenvolvimento de unidades de servio de emergncia (1975) Anlise do tempo de viagem de rdiopatrulhas da cidade de Nova Iorque (1987)
6
Teoria das Filas

Considerao sobre estado estvel importante manter em mente que em todos os casos aqui tratados, assumese que o sistema opera em estado estvel. estvel De fato, D f t a grande d maioria i i dos d sistemas i t d de espera opera em estado estvel ou prximo destas condies. Esta simplificao muito til pois a anlise de transientes muito difcil e nos casos mais complexos p pode p ser matematicamente intratvel. 7
Teoria das Filas

O Sistema de Fila A figura abaixo detalha um sistema de fila. Entrada Fila (clientes) Unidade de Atendimento Sada
Teoria das Filas

Definies: Cliente - unidade de chegada que requer atendimento. Ex.: pessoas, peas, mquinas etc. mquinas, etc Fila (linha de espera) - nmero de clientes esperando atendimento. No inclui o cliente li t que est t sendo d atendido. t did Canal C l de d Atendimento At di t - processo ou sistema que realiza o atendimento do cliente. Pode ser canal nico ou mltiplo. 9
Teoria das Filas

Exemplos de Sistemas de Filas Situao Processo de Entrada Processo de Sada
Banco Usurios chegando ao banco Usurio atendido pelo caixa Atendimento em pizzaria Pedido para entrega t d pizza de i Pizzaria Pi i envia i pizzas i para o cliente
10
Teoria das Filas

Exemplos de Sistemas de Filas Banco de Sangue Chegada de bolsa com sangue Bolsa usada por paciente Estaleiro de Navios Navio necessitando reparo enviado para o estaleiro t l i Navio N i reparado d volta lt o para o mar
11
Teoria das Filas

Parmetros de operao das filas Taxa mdia de chegada - taxa (clientes / unidade de tempo) segundo a qual os clientes chegam para ser atendidos. Taxa mdia de atendimento - taxa (clientes / unidade de tempo) segundo a qual l um canal l de d atendimento t di t pode d efetuar o atendimento de um cliente. F t de Fator d utilizao tili para uma unidade id d de atendimento proporo do tempo em que os atendentes esto ocupados. 12
Teoria das Filas

n Nmero de clientes no sistema c Nmero mximo de clientes permitidos em um sistema de fila com comprimento finito s Nmero de atendentes ou servidores.
13
Teoria das Filas

Po Probabilidade de q que nenhum cliente esteja no sistema. Pn Probabilidade de que exatamente n clientes estejam no sistema L Nmero mdio de clientes no sistema - nmero de clientes aguardando na fila mais os que esto sendo atendidos Lq Nmero mdio de clientes na fila nmero d de clientes li t que aguardam d atendimento.
14
Teoria das Filas

W Tempo mdio do cliente no sistema tempo mdio gasto pelo cliente na fila esperando d para ser atendido t did mais i o tempo t de atendimento. Wq Tempo mdio de um cliente na Fila tempo mdio do cliente na fila esperando para ser atendido. p
15
Teoria das Filas

Ln Nmero mdio de clientes em fila no vazia - nmero mdio de clientes esperando d em filas fil excluindo-se l i d os tempos em que a fila est vazia. Wn Tempo mdio de espera para fila no vazia tempo que um cliente aguarda em fila se ele tiver de esperar. p
16
Caractersticas
Tamanho da populao (finita ou infinita) Infinita Se a probabilidade de um cliente chegar no significativamente alterada quando um ou mais membros da p populao p esto sendo atendidos a populao dita infinita. A maioria dos sistemas de filas tem populao infinita. Exemplo: pessoas que visitam Disneylndia.
17
Caractersticas
Finita Uma populao considerada finita Se a probabilidade b bilid d de d um cliente li chegar h alterada quando um ou mais membros da populao esto sendo atendidos. Exemplo: p pessoas de bom g p gosto q que compram CDs de Tiririca.
18
Caractersticas
Padro de chegada da populao ( com h i pr-determinado horrio d t i d ou aleatrio). l t i ) Pd Pr-determinado i d No h necessidade de se criar um modelo analtico. Se o p padro aleatrio ento necessrio especificar o tipo de distribuio de p probabilidade dos tempos p entre chegadas g ao sistema consecutivas.
19
Caractersticas
Padro de chegada da populao ( com h i pr-determinado horrio d t i d ou aleatrio). l t i ) Aleatrio Al i necessrio especificar o tipo de distribuio de probabilidade dos tempos entre chegadas ao sistema consecutivas. O tipo mais comum de padro de chegada a distribuio de Poisson. Neste caso, , as chegadas ao sistema ocorrem aleatoriamente mas com uma certa mdia . aleatoriamente,
20
Caractersticas
T Tamanho h da d fila fil (finito (fi it ou infinito) i fi it ) A fila fil caracterizada i d pelo l mximo i nmero d de clientes que pode conter. Este nmero pode ser considerado finito ou infinito e isto vai depender p das limitaes fsicas do sistema (espao disponvel). mais fcil trabalhar analiticamente filas de comprimento p infinito.
21
Caractersticas
A disciplina da fila A disciplina da fila a ordem pela qual os clientes li que chegam h ao sistema i so selecionados para serem atendidos. Tipos p : FCFS, LCFS, SIRO
22
Caractersticas
FCFS - first fi t come, first fi t served d (o ( primeiro i i a chegar o primeiro a ser atendido). o tipo i mais i comum LCFS - last come, first served (o ltimo a chegar g o p primeiro a ser atendido). ) Ex: uma pilha de pratos esperando para serem lavados. O ltimo p prato a ser colocado o primeiro a ser lavado.
23
Caractersticas
SIRO - service i i in random d (atendimento em ordem aleatria). order d
Exemplo: Um ptio de uma concessionria na qual os carros esperam para serem comprados. p A ordem de compra p aleatria.
24
Caractersticas
Nmero de canais de ( i (singular l ou mltiplo lti l n) ) atendimento
O atendimento di pode d ser processado d por meio de um nico atendente ou por meio de dois ou mais canais de atendimento. No p primeiro caso diz-se q que o atendimento feito por um canal e no segundo diz-se canal mltiplo. p
25
Caractersticas
Teorema Para qualquer sistema de filas no qual exista i uma distribuio di ib i em regime i constante, so vlidas as seguintes relaes: L = .W Lq q = .Wq q Ln = .Wn
26
Notao de filas
Cada Sistema de Filas descrito por 6 caractersticas: t ti (1 / 2 / 3) : (4 / 5 / 6) (1) Tipo Ti d tempos de de d chegada h d (2) Tipo de tempos de antendimento (3) Nmero de canais de atendimento (4) ( ) Nmero mximo de usurios no sistema. (5) ( ) Tamanho da p populao p que usa o q sistema. (6) Disciplina da fila: FCFS, LCFS, SIRO
27
Notao de filas
(1) Tipo de tempos de chegada (intervalos d tempo de t d chegada de h d so indepedentes i d d t e...) M aleatrios com distribuio exponencial D - determinsticos E - aleatrios tendo distribuio de Erlang G com distribuio genrica (p g (pode englobar as anteriores)
28
Notao de filas
(2) Tipo de tempos de atendimento (i t (intervalos l d tempo de t d chegada de h d so indepedentes e...) M aleatrios com distribuio exponencial D - determinsticos E - aleatrios tendo distribuio de Erlang G com distribuio genrica (p g (pode englobar as anteriores)
29
Notao de filas
(3) Nmero de canais de atendimento n (4) Nmero mximo de usurios no sistema. i c (5) Tamanho da populao que usa o sistema. (6) ( ) Disciplina p da fila FCFS, LCFS, SIRO ou G (genrica)
30
Sistema ( (M / M / 1) ) : ( / / FCFS) ) Sistema de um canal com comprimento i fi it de infinito d fila. fil Este o modelo bsico para servidor simples. i l o mais i comum de d todos. d Intervalo entre chegadas exponencial = M Tempo p de atendimento exponencial p =M Canais de atendimento = 1 Capacidade p do sistema = Tamanho da populao = Disciplina da fila = FCFS
31
Sistema ( (M / M / 1) ) : ( / / FCFS) ) Frmulas
32
Sistema ( (M / M / 1) ) : ( / / FCFS) ) Exemplo: Pacientes chegam a um posto mdico para receber b a inoculao i l de d uma vacina i numa taxa de 100 pessoas por hora seguindo a distribuio de Poisson. Cada p pessoa consome 15 segundos g de uma nica enfermeira que aplica a vacina. Os tempos p de servios realizados seguem a distribuio exponencial. Responda:
33
Sistema ( (M / M / 1) ) : ( / / FCFS) ) Exemplo (continuao): a) ) Qual Q l a chance h d que um paciente de i t que acaba de chegar, no tenha que esperar? ? b) Qual a chance de haver exatamente trs pacientes no sistema? c) ) Qual o nmero mdio de p pacientes no sistema? d) ) Q Qual o nmero mdio de p pacientes esperando na fila? (no inclua o paciente recebendo a vacina).
34
Sistema ( (M / M / 1) ) : ( / / FCFS) ) Exemplo (continuao): e) Em mdia, quanto tempo um paciente gasta para chegar, h receber b a inoculao i l e sair? f) ) Qual o tempo p mdio de espera p antes que o paciente possa estar com a enfermeira?
35
Sistema ( (M / M / 1) ) : ( / / FCFS) ) Soluo: a) Qual a chance de que um paciente que acaba b d de chegar, h no tenha h que esperar? = 0,417 , = 0,583
36
Sistema ( (M / M / 1) ) : ( / / FCFS) ) Soluo: b) Qual a chance de haver exatamente trs pacientes i no sistema? i ? P3 = 0,042
37
Sistema ( (M / M / 1) ) : ( / / FCFS) ) Soluo: c) Qual o nmero mdio de pacientes no sistema? i ? L = 0,714 clientes
38
Sistema ( (M / M / 1) ) : ( / / FCFS) ) Soluo: d) Qual o nmero mdio de pacientes esperando d na fila? fil ? (no ( i l inclua o paciente recebendo a vacina). Lq q = 0,298 , clientes
39
Sistema ( (M / M / 1) ) : ( / / FCFS) ) Soluo e) Em mdia, quanto tempo um paciente gasta para chegar, h receber b a inoculao i l e sair? W = 0,007143 h ou W = 25,7 segundos
40
Sistema ( (M / M / 1) ) : ( / / FCFS) ) Soluo f) Qual o tempo mdio de espera antes que o paciente i possa estar com a enfermeira? 002976 h ou Wq = 0 0,002976 Wq q = 10,7 segundos g
41
Sistema ( (M / M / 1) ):( (c / / FCFS) ) Sistema de um canal com comprimento finito de fila. O comprimento da fila agora limitado. Este tipo de restrio no usual mas possvel considerar os limites fsicos de um sistema de filas. filas Intervalo entre chegadas exponencial = M T Tempo de d atendimento t di t exponencial i l=M Canais de atendimento = 1 C Capacidade id d do d sistema i t =c Tamanho da populao = Disciplina da fila = FCFS 42
Sistema ( (M / M / 1) ):( (c / / FCFS) )
Observao Quando c clientes esto no sistema, se chegar algum outro cliente, este vai embora e no volta mais.
43
Sistema ( (M / M / 1) (c / / FCFS) ):( ) Frmulas
44
Sistema ( (M / M / 1) ):( (c / / FCFS) ) Exemplo: O pacientes Os i t chegam h numa taxa t d 100 de pessoas por hora seguindo a distribuio d Poisson. de P i C d pessoa consome 15 Cada segundos de uma nica enfermeira que aplica a vacina. Os tempos de servios realizados seguem g a distribuio exponencial. Devido ao pequeno tamanho da sala de espera, p , a capacidade p das instalaes igual a trs pessoas.
45
Sistema ( (M / M / 1) ):( (c / / FCFS) ) Exemplo (continuao): Qual o efeito desta restrio quando comparamos este novo sistema i com o anterior? As perguntas so as mesmas. Responda:
46
Sistema ( (M / M / 1) ):( (c / / FCFS) ) Exemplo (continuao): a) ) Qual Q l a chance h d que um paciente de i t que acaba de chegar, no tenha que esperar? ? b) Qual a chance de haver exatamente trs pacientes no sistema? c) ) Qual o nmero mdio de p pacientes no sistema? d) ) Q Qual o nmero mdio de p pacientes esperando na fila? (no inclua o paciente recebendo a vacina).
47
Sistema ( (M / M / 1) ):( (c / / FCFS) ) Exemplo (continuao): e) Em mdia, quanto tempo um paciente gasta para chegar, h receber b a inoculao i l e sair? f) ) Qual o tempo p mdio de espera p antes que o paciente possa estar com a enfermeira?
48
Sistema ( (M / M / 1) ):( (c / / FCFS) ) Soluo: a) Qual a chance de que um paciente que acaba b d de chegar, h no tenha h que esperar? = 0,417 (no mudou) ( ) Era Po= 0,583 Po= 0,601
49
Sistema ( (M / M / 1) ):( (c / / FCFS) ) Soluo: b) Qual a chance de haver exatamente trs pacientes i no sistema? i ? Era P3 = 0,042 P3 = 0,104
50
Sistema ( (M / M / 1) ):( (c / / FCFS) ) Soluo: c) Qual o nmero mdio de pacientes no sistema? i ? Era L = 0,714 L = 0,59 clientes
51
Sistema ( (M / M / 1) ):( (c / / FCFS) ) Soluo: d) Qual o nmero mdio de pacientes esperando d na fila? fil ? (no ( i l inclua o paciente recebendo a vacina). Era Lq = 0,298 L =0 Lq 0,191 191
52
Sistema ( (M / M / 1) ):( (c / / FCFS) ) Soluo e) Em mdia, quanto tempo um paciente gasta para chegar, h receber b a inoculao i l e sair? Era W = 25,7 segundos W = 0,00616 h ou W = 22,2 segundos
53
Sistema ( (M / M / 1) ):( (c / / FCFS) ) Soluo f) Qual o tempo mdio de espera antes que o paciente i possa estar com a enfermeira? Era Wq = 10,7 segundos Wq=0,002 h ou Wq = 7,19 segundos
54
Exerccios p propostos p 1- Num sistema de atendimento composto d um nico de i servidor id e uma nica i fil fila oriunda de populao infinita, os clientes li chegam h numa taxa de d 3 pessoas/min. Sabendo que so atendidas 5 pessoas/min. e que sistema segue g distribuio de Poisson, calcule: a) ) O nmero mdio de clientes no sistema b) O nmero mdio de clientes na fila c) A probabilidade do sistema estar ocioso
55
Exerccios p propostos p d) A probabilidade do sistema estar ocupado e) ) O tempo p mdio de espera p no sistema f) O tempo mdio de espera na fila
56
Exerccios p propostos p 2 - Resolva o exerccio anterior considerando id d que o sistema i t agora tem t capacidade limitada a c=4.
57
58
Pesquisa Operacional II Prof. Edilson Machado de Assis
Teoria da Deciso
Disciplina: Pesquisa Operacional em Sistemas II Professor: Edilson Machado de Assis
Introduo A Teoria da Deciso um conjunto de tcnicas quantitativas que tem por objetivo ajudar sistematizao e a soluo do problema de deciso. preciso que o tomador de deciso tenha, diante de si, mais de uma alternativa. Se uma situao conduzir somente a um caminho, a uma alternativa de soluo, a rigor no existe um problema por mais desagradvel que seja o desfecho. No h soluo de um problema sem um critrio: logo, a Teoria da Deciso baseia-se em critrios preestabelecidos, havendo sempre espao para novos critrios e novas contribuies
2
Estruturas de um problema de deciso a) Estratgias alternativas So as possveis solues para o problema. Se no conseguirmos listar as alternativas, nem mesmo teremos um problema de deciso. Exemplo: Imagine que uma empresa deseje lanar um produto novo. A companhia poder usar duas estratgias alternativas: ou aproveita as instalaes existentes, com reformas e ampliaes, ou constri uma nova unidade operacional, especialmente dedicada a esse novo produto.
3
Estruturas de um problema de deciso Uma nova unidade operacional custos maiores flexibilidade atende demandas maiores. Reformas e adaptaes demandas pequenas mdias. custos menores
A demanda futura pelo produto influenciar na escolha de uma ou outra alternativa. As demandas futuras, nesse caso, so os estados da natureza.
Estruturas de um problema de deciso b) Estados da natureza So todos os acontecimentos futuros que podero influir sobre as alternativas de deciso. Exemplo: No caso do lanamento do produto, os estados da natureza so as demandas futuras possveis. (grande, media e pequena). Temos duas alternativas de deciso e trs estados da natureza. Cada alternativa de deciso, sob cada estado da natureza, conduzir a um resultado.
Estruturas de um problema de deciso c) Resultados a conseqncia de se escolher uma alternativa de deciso, quando ocorre certo estado da natureza. Para cada combinao de alternativa de deciso e estado da natureza, tem-se um resultado possvel. Exemplo: Com duas alternativas e trs estados da natureza, temos, ento, 2 3 = 6 resultados possveis.
Matriz de Deciso uma ferramenta, que permite visualizar as estratgias alternativas, os estados da natureza e os resultados associados. Usualmente, os estados da natureza so listados nas colunas, as alternativas so listadas nas linhas e os resultados so apresentados nas clulas. Os resultados, sempre que possvel, so expressos numericamente, em termos de lucros ou receitas, custos ou despesas, tempo despendido por exemplo.
Matriz de deciso
Estados da natureza EN1 EN2 Alternativas A1 A2 ... ... Ap R11 R21 ... ... Rp1 R12 R22 ... ... Rp2 R13 R23 ... ... ... R14 R24 ... ... ... R1k R2k ... ... Rpk ... ... ENk
Classificao de problemas de deciso Deciso Tomada Sob Certeza DTSC Sabemos exatamente qual estado da natureza vai ocorrer ou, conhecemos com certeza todos os dados do nosso problema. Podemos admitir como constantes ou muito pouco variveis todos os dados numricos do problema (conforme feito em PL) Deciso Tomada Sob Risco DTSR No sabemos exatamente qual estado da natureza ir ocorrer, mas podemos associar a cada um deles uma probabilidade de ocorrncia. (de forma objetiva ou subjetiva).
9
Classificao de problemas de deciso Deciso Tomada Sob Incerteza DTSI No sabemos exatamente qual estado da natureza ira ocorrer e, nem mesmo conseguimos associar quaisquer probabilidades de ocorrncia aos estados da natureza. Em todos os casos, sabemos os estados da natureza. Cuidaremos apenas dos problemas de DTSR e DTSI, uma vez que, para os problemas de DTSC, existem critrios de comparao entre as alternativas.
10
Deciso Tomada Sob Risco DTSR Conhecemos as probabilidades dos futuros estados da natureza. A soluo de um problema de DTSR depende do conceito de Valor Esperado da Alternativa VEA. Consideremos uma matriz de deciso genrica com p alternativas, sujeitas a k estados da natureza. Conhecemos a probabilidade de ocorrncia de cada um dos estados da natureza. Define-se Valor Esperado da Alternativa para qualquer uma das alternativas como a soma dos produtos dos resultados da alternativa pelas probabilidades de ocorrncia de tais estados da natureza.
11
Exemplo A Estrela do Norte S.A. e uma companhia manufatureira de brinquedos que esta diante da deciso de comprar de terceiros ou manufaturar um componente comum a vrios de seus brinquedos. Se a demanda pelos brinquedos nos prximos meses for alta, ento a deciso de manufaturar o componente internamente ter sido bastante acertada. Se, entretanto, a demanda for muito pequena, a Estrela do Norte ficara com instalaes custosas e com baixa utilizao de capacidade. As conseqncias so imediatas: lucro ou prejuzo. A matriz de deciso a seguir, que ilustra a situao
12
Soluo
Matriz de deciso: compra ou manufatura de um produto (lucro em milhares de reais)
Estados da natureza Demanda baixa p=0,4 10 -30 Demanda mdia p=0,35 40 20 Demanda alta p=0,25 100 150
Alternativas Comprar o componente Manufaturar o componente
Valores esperados para as alternativas (regra de Bayes): Comprar: 10 (0,4) + 40 (0,35) + 100 (0,25) = 43(mil R$) Manufaturar: (-30) (0,4) + 20 (0,35) + 150 (0,25) = 32,5 (mil reais) Logo, a alternativa comprar conduz a um lucro maior.
13
Importante Deve-se escolher o melhor Valor Esperado da Alternativa. Se a matriz apresentada em termos de lucros ou receitas, o melhor valor corresponde ao maior valor. Caso a matriz seja dada em termos de custo ou despesa, o melhor valor corresponde ao menor valor, neste caso deve-se escolher a alternativa que leve ao menor VEA.
14
Valor Esperado da Informao Perfeita VEIP

Seria interessante saber de antemo o que vai acontecer no futuro. Todos provavelmente concordariam com isso, mas muitos diriam que e impossvel prever o futuro. Entretanto, podemos gastar algum dinheiro a mais e procurar por informaes melhores que, se no permitem prever o futuro, pelo menos permitem estim-lo com maior preciso. Surge a questo inevitvel: at quanto estaremos dispostos a gastar? Se ha vrios estados da natureza, e impossvel evit-los ou alterar a sua probabilidade, o mximo que podemos fazer e dizer qual ser o prximo estado da natureza, permitindo a escolha da opo melhor, considerando aquele estado.
15
Valor Esperado da Informao Perfeita VEIP

Estados da natureza Demanda baixa p=0,4 Alternativas Comprar o componente 10 Manufaturar o componente -30 Demanda mdia p=0,35 40 20 Demanda alta p=0,25 100 150
Tendo o conhecimento prvio do estado da natureza que vai ocorrer o resultado mdio obtido : 10 (0,4) + 40 (0,35) + 150 (0,25) = 55,5 Esse resultado o melhor possvel, com a melhor informao possvel. No corresponde a uma alternativa, mas a uma combinao de alternativas, sempre com a melhor informao.
16
Valor Esperado da Informao Perfeita VEIP Sem a informao da alternativa perfeita, o lucro 43. A melhor informao possvel traz um acrscimo de lucro de (55,5 - 43) = 12,5 (milhares de reais). Valor Esperado da Informao Perfeita representa o valor mximo que poderamos pagar pela melhor das informaes VEIP o excedente obtido (sobre o melhor VEA) quando temos de antemo a informao perfeita, ou seja, qual o estado da natureza que vai ocorrer em seguida.
17
Resultados x arrependimentos Dado certo estado da natureza chama-se arrependimento aquilo que se perde, quando no se escolhe a melhor alternativa para aquele estado da natureza. Uma soluo alternativa para o problema de deciso aplicar a Regra de Deciso de Bayes aos arrependimentos ao invs de aplic-la matriz original, e escolher a alternativa que conduz ao mnimo arrependimento mdio. Para cada estado da natureza, o resultado associado melhor alternativa menos os resultados das demais alternativas.
18
Resultados x arrependimentos Matriz de lucros ou receitas arrependimento naturalmente positivo. Matriz de despesas ou prejuzos arrependimentos devem ser todos tornados com sinal positivo. Usemos agora a matriz de arrependimentos para o calculo da melhor alternativa, empregando ainda a Regra de Deciso de Bayes. Deveremos escolher a alternativa que leva ao mnimo arrependimento.
19
Resultados x arrependimentos
Matriz de deciso - lucros Estados da natureza Demanda baixa p=0,4 Alternativas Comprar o componente 10 Manufaturar o componente -30 Demanda mdia p=0,35 40 20 Demanda alta p=0,25 100 150
Matriz de deciso arrependimentos Estados da natureza Demanda Demanda baixa mdia p=0,4 p=0,35 Alternativas Comprar o componente 0 0 Manufaturar o componente 40 20 Comprar: 0 (0,4) + 0 (0,35) + 50 (0,25) =12,5 Manufaturar: 40 (0,4) + 20 (0,35) + 0 (0,25) = 23
Demanda alta p=0,25 50 0
20
Mnimo arrependimento O mnimo arrependimento fica com a alternativa comprar o componente, a mesma que j havamos escolhido usando a Regra de Deciso de Bayes sobre a matriz original. Repare que o mnimo arrependimento mdio e exatamente igual ao Valor Esperado da Informao Perfeita (12,5). Esses resultados sempre se mantm, ou seja, a soluo a mesma, quer se aplique a Regra de Deciso de Bayes matriz original ou matriz de arrependimentos, e o mnimo arrependimento mdio e sempre igual ao Valor Esperado da Informao Perfeita.
21
Anlise de sensibilidade
A soluo para um problema de Deciso Tomada Sob Risco depende basicamente de dois conjuntos de valores: os resultados associados a cada alternativa e estado da natureza e as probabilidades associadas aos estados da natureza. Quaisquer variaes destes valores correspondem a variaes nos clculos, podendo conduzir a mudanas de deciso. Chama-se analise de sensibilidade o estudo do efeito sobre a deciso caso variem os nmeros do problema original. Para exemplificar, vamos usar um caso em que existam trs alternativas e apenas dois estados da natureza e trabalhar somente com mudanas nas probabilidades de ocorrncia desses estados.
22
Anlise com mudana em p estudo de caso A Companhia Epsilon esta considerando trs possibilidades para a distribuio de seus produtos em uma regio. A primeira dessas possibilidades a que esta sendo adotada atualmente e consiste em entregar os produtos diretamente aos revendedores locais; a segunda alternativa consiste em abrir um armazm prprio de distribuio e, finalmente, a ltima possibilidade seria a de colocar os produtos em um grande distribuidor local. Dependendo de como se comporte a demanda futura para a regio, as alternativas traro receitas diferenciadas para a companhia, segundo a matriz de deciso mostrada.
23
Anlise com mudana em p estudo de caso

Demanda grande p=0,4 Usar revendedores locais Construir armazm prprio Usar grande distribuidor local 140 200 160 Demanda pequena p=0,6 40 -30 10
VEA Usar revendedores locais: 140 (0,4) + 40 (0,6) =80 Construir armazm prprio: 200 (0,4) + (-30) (0,6) = 62 Usar grande distribuidor local: 160 (0,4) + 10 (0,6) = 70 A melhor soluo seria a alternativa Usar revendedores locais (VEA = 80).
24
Anlise com mudana em p estudo de caso

Chamemos de p a probabilidade de que a demanda futura seja grande (a analise a mesma se tomarmos a probabilidade de que a demanda seja pequena). A probabilidade de a demanda ser pequena (1-p). Calculemos, em funo de p. Alternativa Usar revendedores locais VEA =140p + 40(1-p) =140p + 40 -40p = l00p + 40 (I) Alternativa Construir armazm prprio VEA = 200p + (-30)(1 -p) = 200p -30 + 30p = 230p -30 (II) Alternativa Usar grande distribuidor local VEA = 160p + 10(1-p) = 160p + 10 -10p = 150p + 10 (III)
25
Representao grfica
Verifique que, ate o ponto A (p=0,538) mostrado no grfico, a melhor alternativa sempre Usar revendedores locais, dali em diante, a melhor alternativa e Construir armazm prprio. Em nenhum momento a alternativa Usar grande distribuidor local se torna interessante.
26
Anlise de sensibilidade
Portanto, para p<0,538, a melhor soluo dada pela alternativa Usar revendedores locais; para p = 0,538, indiferente adotar a alternativa Usar revendedores locais ou a alternativa Construir armazm prprio. Para 0,538<p<1 a melhor soluo a alternativa Construir armazm prprio. Trabalhamos sobre um caso em que s havia dois estados da natureza. Se houver mais de dois estados (N > 2), evidentemente, a anlise s pode levar em conta a combinao de dois estados quaisquer de cada vez, considerando constantes todos os demais (N -2) estados. De forma geral, o numero total de anlises que devem
N N! ser feitas = . 2 2 !(N - 2 )!
27
Exerccio em sala 1 A Costura Fina Ltda. uma fabrica de confeces que est atualmente produzindo sua coleo de inverno, a ser lanada em alguns meses. H dvidas, na alta direo da Costura Fina, sobre o montante de investimento que deve ser destinado a essa coleo. Nos ltimos anos, o clima, que tanto influencia no sucesso da coleo, tem se revelado errtico, sendo que outono e inverno podem ser muito parecidos, e s vezes o inverno pontilhado por perodos de muito sol e calor, chamados comumente de veranicos. sabido que, se o prximo inverno apresentar muitos veranicos, a coleo de inverno fracassar, por outro lado, se o inverno for rigoroso, a coleo trar lucros substanciais Costura Fina, havendo tambm um estgio intermedirio, de menor sucesso. Os diretores da Costura Fina prepararam a matriz de deciso a seguir, com lucro em milhares de reais considerando uma estimativa para a probabilidade de cada estado da natureza. Assim, h uma
28
probabilidade de 0,6 de que o inverno seja rigoroso, de 0,2 de que o inverno tenha alguns veranicos e de 0,2 de que 0 inverno tenha muitos veranicos. Pede-se: a) Qual a soluo baseada no Valor Esperado da Alternativa? b) Qual o Valor Esperado da Informao Perfeita? c) Realize as anlises de sensibilidade
p=0,6 Inverno rigoroso Investimento substancial na coleo Investimento mdio na coleo Pequeno investimento na coleo 5000 1500 200 p=0,2 p=0,2 Inverno Inverno com alguns com muitos veranicos veranicos 2000 -2000 1000 -500 800 0
29
Arvores de deciso Os problemas de Deciso Tomada Sob Risco tambm podem ser estruturados e resolvidos com o auxlio de uma representao grfica do processo de deciso, chamada de rvore de deciso. Para apresentar a arvore de deciso, retornemos ao problema de distribuio da Companhia Epsilon. A rvore de deciso correspondente
2
Revendedores locais
Demanda Grande (0,4) 140 Demanda Pequena (0,6) 40
Demanda Grande (0,4) 200
1
Grande distribuidor local
Construir armazm prprio Demanda Grande (0,4) 160
Demanda Pequena (0,6) -30
Demanda Pequena (0,6) 10
30
Arvores de deciso
As linhas de uma arvore de deciso so chamadas de ramos, e os pontos em que os ramos se encontram (representados por crculos ou quadrados) so chamados de ns. Um quadrado representa um momento de deciso, enquanto um circulo representa um momento em que ocorre um dos estados da natureza previstos. Os quadrados so tambm chamados de ns de deciso e os crculos, de ns de estados da natureza. Quando vista da esquerda para a direita, a rvore de deciso segue a prpria rotina temporal da deciso. Os nmeros ao final de cada um dos seis ltimos ramos representam os resultados individuais associados com cada alternativa e estado da natureza. Os ramos que partem de um n de deciso so chamados de ramos de deciso. Os que partem de um n de estado da natureza so chamados de ramos de estado da natureza.
31
Arvores de deciso - VEA
A soluo da rvore simples: em cada n de estado da natureza, fazse a soma dos produtos dos resultados pelas probabilidades dos estados da natureza obtendo o Valor Esperado da Alternativa: VEA (n 2) = 140 (0,4) + 40 (0,6) =80 (Usar revendedores locais)*melhor VEA (n 3) = 200 (0,4) + (-30) (0,6) = 62 (Construir armazm prprio) VEA (n 4) =160 (0,4) + 10 (0,6) = 70 (Usar grande distribuidor local)
32
Deciso Tomada Sob Incerteza DTSI Nos problemas DTSI conhecemos todos os possveis estados da natureza, mas no temos nenhuma estimativa de suas probabilidades. O tomador de deciso pode optar por algum critrio de seu interesse. A deciso no ser obrigatoriamente a mesma, mas depender do critrio adotado. A literatura traz alguns critrios considerados costumeiros, que sero objeto de analise. Entre eles, temos: a) Critrio maximax b) Critrio maximin c) Critrio de Laplace d) Critrio do realismo (Hurwicz)
e) Critrio do mnimo arrependimento
33
Critrio maximax O critrio maximax (mximo entre os mximos) carrega consigo uma viso de mundo extremamente otimista. Dada uma matriz de deciso, devemos escolher a alternativa que leva ao melhor possvel dos resultados, ou seja, devemos escolher o melhor resultado de cada alternativa e, em seguida, dentre eles, "o melhor dos melhores". Matriz de deciso Epsilon lucro (R$1.000)
Demanda grande Usar revendedores locais Construir armazm prprio Usar grande distribuidor local 140 200 160 Demanda pequena 40 -30 10
34
Soluo: Construir armazm prprio
Critrio maximin De cada alternativa, escolhemos o pior resultado; depois, dentre os piores, escolhemos o melhor deles, " O menos ruim dentre os piores". O critrio maximin implica um primeiro movimento pessimista, seguido por um movimento otimista. Matriz de deciso Epsilon lucro (R$1.000)
Soluo: Usar revendedores locais

35
Critrio de Laplace O critrio de Laplace tambm conhecido como "critrio da razo insuficiente", exatamente porque, por no termos razo suficiente para admitir o contrario, assumimos que so idnticas as probabilidades dos diversos estados da natureza e calculamos os valores esperados de cada alternativa, escolhemos ento, o melhor deles. Matriz de deciso Epsilon lucro (R$1.000)
Demanda grande Usar revendedores locais Construir armazm prprio Usar grande distribuidor local 140 200 160 Demanda pequena 40 -30 10 Resultados mdios 90 85 85
Soluo: Usar revendedores locais

36
Critrio do realismo (Hurwicz) O critrio de Hurwicz ou critrio da media ponderada consiste em adotar um compromisso entre uma viso pessimista e uma viso otimista da realidade. O tomador de deciso seleciona um coeficiente de realismo variando entre 0 e 1. Quanto maior for , mais otimismo, quanto menor for, mais pessimismo. Aps a adoo de , escolhe-se, para cada alternativa, o melhor e o pior resultado, computando a mdia ponderada: Media ponderada da alternativa = (melhor resultado) + (1-) (pior resultado) Computadas as medias ponderadas alternativas, escolhemos a de melhor media.
de
todas
as
37
Critrio do realismo (Hurwicz) Adotemos = 0,7 Matriz de deciso Epsilon lucro (R$1.000)
Demanda grande Usar revendedores locais Construir armazm prprio Usar grande distribuidor local 140 200 160 Demanda pequena 40 -30 10 Mdia ponderada 110 131 115
Revendedores locais: 140 (0,7) + 40 (1 -0,7) = 110 Construir armazm prprio: 200 (0,7) + (-30) (1 -0,7) =131 Grande distribuidor local: 160 (0,7) + 10 (1 -0,7) = 115 Soluo: Construir armazm prprio
38
Critrio do mnimo arrependimento Arrependimento aquilo que se perde, quando no se escolhe a melhor alternativa para aquele estado da natureza (melhor alternativa menos o resultado). Montamos inicialmente a matriz de arrependimentos e, em seguida, para cada alternativa, escolhemos o pior dos arrependimentos. Decidimos pela alternativa com o menos ruim dos arrependimentos. Em outras palavras, aplica-se a matriz de arrependimentos o critrio maximin.
39
Critrio do mnimo arrependimento
Matriz de deciso Epsilon lucro (R$1.000)

Matriz de deciso Epsilon arrependimentos (R$1.000)

Demanda grande Usar revendedores locais 60 Construir armazm prprio 0 Usar grande distribuidor local 40 Demanda pequena 0 70 30 Pior arrependimento 60 70 40
Dos piores arrependimentos, o menos ruim 40 (Usar grande distribuidor local). Curiosamente, o nico critrio que forneceu tal soluo.
40
Exerccio em sala 2 A Costura Fina Ltda. uma fabrica de confeces que est atualmente produzindo sua coleo de inverno, a ser lanada em alguns meses. H dvidas, na alta direo da Costura Fina, sobre o montante de investimento que deve ser destinado a essa coleo. Nos ltimos anos, o clima, que tanto influencia no sucesso da coleo, tem se revelado errtico, sendo que outono e inverno podem ser muito parecidos, e s vezes o inverno pontilhado por perodos de muito sol e calor, chamados comumente de veranicos. sabido que, se o prximo inverno apresentar muitos veranicos, a coleo de inverno fracassar, por outro lado, se o inverno for rigoroso, a coleo trar lucros substanciais Costura Fina, havendo tambm um estgio intermedirio, de menor sucesso. Os diretores da Costura Fina prepararam a matriz de deciso a seguir, com lucro em milhares de reais.
41
Exerccio em sala 2 (continuao)

Inverno rigoroso Investimento substancial na coleo Investimento mdio na coleo Pequeno investimento na coleo 5000 1500 200 Inverno Inverno com alguns com muitos veranicos veranicos 2000 -2000 1000 -500 800 0
Suponha que a instabilidade dos ltimos anos torne muito difcil atribuir probabilidades aos estados da natureza. Determine a soluo por meio dos seguintes critrios: a) maximax; b) maximin; c) Laplace; d) Hurwicz ( = 0,6); e) mnimo arrependimento.
42
Soluo de Exerccio em sala 1

a) Investimento substancial na coleo: 5.000 (0,6) + 2.000 (0,2)+(-2.000) (0,2) = 3.000 Investimento mdio na coleo: 1.500 (0,6) + 1.000 (0,2) +(-500) (0,2) = 1.000 Pequeno investimento na coleo: 800 (0,6) + 200 (0,2) + (0) (0,2) = 520 b) O melhor resultado mdio com o conhecimento do estado da natureza: 5.000 (0,6) + 2.000 (0,2) + 0 (0,2) = 3.400 VEIP =3.400 - 3.000 = 400 (R$ 400.000)
43
Soluo de Exerccio em sala 2 a) critrio maximax Dos trs melhores resultados, o melhor possvel 5.000 (na verdade, R$ 5 milhes), correspondente a alternativa Investimento substancial na coleo b) critrio maximin Alternativa Pequeno investimento na coleo (0). c) critrio de Laplace Valores mdios de cada alternativa:1667; 667; 333 Investimento substancial na coleo.
44
Soluo de Exerccio em sala 2 - continuao d) critrio de Hurwicz (a =0,6) Investimento substancial na coleo: 5.000 (0,6) + (-2.000) (0,4) =2.200 Investimento mdio na coleo: 1.500 (0,6) + (-500) (0,4) = 700 Pequeno investimento na coleo: 800 (0,6) + (0) (0,4) = 48O Alternativa Investimento substancial na coleo. d) critrio do mnimo arrependimento Para cada alternativa o pior arrependimento: Investimento substancial na coleo ..................2.000
45
Soluo de Exerccio em sala 2 - continuao Investimento mdio na coleo .......................... 3.500 Pequeno investimento na coleo ..................... .4.200 O menor arrependimento a soluo com a alternativa Investimento substancial na coleo. Todos os critrios, exceto o maximin, levaram a alternativa Investimento substancial na coleo. Isso ocorre porque h, de incio, um desequilbrio em favor dessa alternativa que, nas duas condies favorveis, leva a grandes lucros comparativos. Por sua vez, o critrio maximin muito conservador e tendeu para uma soluo em que nitidamente se ganha pouco nas melhores condies, mas nada se perde com o pior dos estados da natureza.
46
Teoria dos Jogos

Introduo
A Teoria dos logos um conjunto de procedimentos lgicos e matemticos projetados para auxiliar na determinao de estratgias timas a serem seguidas nas situaes competitivas de tomada de deciso. Muitas situaes, tanto na rotina normal de cada um como no mundo dos negcios, envolvem a estruturao de um jogo, com dois ou mais tomadores de deciso, sendo que cada um quer ganhar a disputa. Nessas situaes, o resultado final depende prioritariamente da combinao de estratgias selecionadas pelos adversrios. Empresas operam quase sempre imersas em ambientes de forte competio e no podem tomar decises sem considerar o que outras empresas, pessoas ou governos esto fazendo.
2
Introduo - continuao
Como o objetivo principal da Teoria dos logos o desenvolvimento de critrios racionais para selecionar uma estratgia, so feitas duas hipteses bsicas: todos os competidores so racionais e todos os competidores escolhem suas estratgias somente para promover seu prprio bemestar. Desconsideraremos aqui os chamados jogos cooperativos, em que os competidores podem formar alianas para o bem comum. Um jogo uma situao de disputa envolvendo dois ou mais contendores (tomadores de deciso), em que cada um deseja ganhar. Chamamos o que se ganha de recompensa. A Teoria dos jogos o estudo de como estratgias timas so formuladas no conflito.
3
A Teoria dos logos diferente da Teoria da Deciso, porque nesta ltima o tomador de deciso num jogo com um oponente passivo, a natureza, que escolhe suas estratgias de forma aleatria. O estudo sistemtico da Teoria dos Jogos comeou em 1944, quando John von Neumann e Oscar Morgenstern publicaram seu livro, Teoria dos Jogos e comportamento econmico (Theory of Games and economic behavior. Princeton: Princeton University Press, 1944). Apesar do trabalho pioneiro, as aplicaes prticas da Teoria dos Jogos tm sido limitadas, crescendo nos ltimos anos, quando tm sido usadas por negociadores de sindicatos e empresas nas negociaes coletivas e por empresas de todos os tipos para determinar as melhores estratgias, para um ambiente de negcios competitivo.
4
Em 1994, John Harsanui, John Nash e Reinhard Selten ganharam ao mesmo tempo o Premio Nobel de Economia. Eles desenvolveram a noo de Teoria dos jogos nocooperativos. Aps o trabalho de Von Neumann, Nash desenvolveu os conceitos de equilbrio de Nash e de problema de barganha de Nash, que so as bases da moderna Teoria dos Jogos.
Classificao dos Jogos Quanto ao nmero de jogadores:
Jogos de duas pessoas e jogos de n pessoas. a Teoria dos Jogos envolvendo trs ou mais pessoas difcil, tanto teoricamente como computacionalmente, e no tem sido muito usada na pratica. Quanto ao resultado total do jogo: Jogos de soma zero (a soma dos ganhos e perdas e zero) e jogos de soma no-zero. Jogos de soma no-zero apresentam dificuldades tericas e computacionais.
Classificao dos Jogos - continuao Quanto s estratgias empregadas:
Jogos de estratgia pura so aqueles em que os competidores seguem sempre as mesmas estratgias, independentemente da estratgia seguida pelos outros. Na Teoria dos Jogos, as estratgias puras existem apenas quando a soluo atingiu um estgio de equilbrio, chamado de ponto de sela. Quando no h ponto de sela, os jogadores empregaro cada estratgia em uma porcentagem de tempo. Esse tipo de resultado chamado de estratgia mista.
Classificao dos Jogos - continuao Quanto ao grau de cooperao:
Em um extremo ficam os jogos no-cooperativos, em que no h comunicao prvia entre os competidores. No outro extremo esto os jogos cooperativos, nos quais a comunicao prvia e os acordos so permitidos. Regulamentos comerciais entre pases e negociaes coletivas de trabalho podem ser formulados como jogos cooperativos. Onde ha mais de dois competidores, jogos cooperativos permitem coalizes entre alguns ou todos os competidores.
Representao do Jogos
Vamos nos restringir ao caso em que h apenas dois competidores, que jogam de forma simultnea, ou seja, cada jogador toma suas decises de forma independente das decises do outro. Isso no quer dizer que os competidores ignorem as possibilidades, vamos supor que os dois conheam todas as alternativas de deciso do oponente. Apenas um no sabe qual a deciso do outro, enquanto toma a sua prpria deciso. Uma alternativa que no estamos considerando a existncia de uma forma seqencial de tomada de deciso, ou seja, uma ordem estabelecida na qual os jogadores se movem.
Matriz de recompensas
A tabela mostra dois jogadores, K e L. O competidor L tem duas alternativas de jogo, que so L1 e L2, enquanto as alternativas de jogo do competidor K so trs: K1, K2 e K3. Note que os dois competidores no necessariamente possuem o mesmo nmero de alternativas de deciso. Em cada clula que esta no cruzamento de duas alternativas quaisquer, so apresentados dois nmeros entre parnteses. O primeiro nmero representa a recompensa do jogador L, enquanto o segundo representa a recompensa do jogador K. A recompensa uma medida do que cada jogador vai ganhar em cada combinao de estratgias.
10
Matriz de recompensas - continuao

Estratgias de L K1 Estratgias de K L1 L2 (4,2) (3,-1) K2 (7,-3) (-1,5)
K3 (5,1) (9,4)
O jogo esta enviesado contra o competidor K. Veja que na quase totalidade das combinaes de estratgias, o resultado decepcionante para o competidor K ou, pelo menos, inferior recompensa obtida pelo competidor L. Assim, por exemplo, se o competidor K escolhe a estratgia K2 e o competidor L escolhe a estratgia L1, teremos: Recompensa para o competidor L = 7 Recompensa para o competidor K =-3
11
Matriz de recompensas - continuao

Estratgias de L K1 K2
K3
Estratgias de K L1 (4,2) (7,-3) (5,1) L2 (3,-1) (-1,5) (9,4) O jogo representado no um jogo de soma zero e nem mesmo um jogo de soma constante. Quando um jogo de soma zero, aquilo que um ganha, o outro necessariamente perde. Estratgias de L K1 K2 K3 Estratgias de K 4 7 5 L1 3 -1 9 L2 A matriz de recompensas mostra apenas as recompensas do jogador L
12
Jogos de duas pessoas, soma zero, estratgias puras
Dizemos que um jogo de dois oponentes, soma zero, conduzido para uma estratgia pura quando conduzido para uma situao de equilbrio, em que os oponentes terminaro sempre por escolher a mesma combinao de estratgias (desde que assumamos que o jogo seja jogado inmeras vezes).
13
Jogos de duas pessoas, soma zero, estratgias puras Matriz de recompensas para 2 jogadores, soma zero
Estratgias de L K1 Estratgias de K L1 L2 4 3 K2 7 -1
O jogo representado possui uma soluo de equilbrio. Essa soluo implica que, sendo repetido o jogo inmeras vezes, os competidores K e L escolhero sempre uma mesma alternativa. Observemos inicialmente no jogador L. a melhor estratgia L1 pois qualquer uma das recompensas a que conduz melhor do que as recompensas da estratgia L2 Recompensas 4 ou 7 com a estratgia L1 Recompensas 3 e -1 com a estratgia L2
14
Jogos de duas pessoas, soma zero, estratgias puras
O jogador K conhece a configurao do jogo, isto e, todas as alternativas e respectivas recompensas. Ele sabe, portanto, que o jogador L fatalmente vai escolher a alternativa L1. O jogo enviesado contra o jogador K que, infelizmente, nada pode fazer e inevitavelmente vai escolher a alternativa K1, que lhe trar o menos ruim dos resultados (nesse caso, -4 contra -7). A configurao do jogo, portanto, conduz a uma soluo estvel, com o resultado 4 para o jogador L e -4 para o jogador K. Cada jogador tem uma estratgia pura a seguir: L1 para o jogador L K1 para o jogador K.
15
Ponto de sela Matriz de recompensas

Estratgias de L K1 Estratgias de K L1 L2 4 3
K2 7 -1
Dizemos que 4 o ponto de sela do jogo, ou seja, o cruzamento das estratgias puras que os jogadores so levados a seguir. O valor 4 tambm chamado de valor do jogo. O jogo ter uma soluo estvel, ou seja, os competidores sero levados a adotar estratgias puras, sempre que houver um ponto de sela.
16
Matriz de recompensas - determinao de ponto de sela

Seja a seguinte matriz de recompensas Estratgias de Y Y1 Estratgias de X X1 X2 X3 X4 -3 7 8 5 Y2 2 -2 10 8 Y3 4 -1 7 6
Em nosso exemplo, o ponto de sela foi determinado pela analise da tabela de recompensas. Entretanto, h uma maneira simples e automtica de fazer isso.
17

Determinamos os mnimos das linhas e mximos de colunas Estratgias de Y Y1 Estratgias de X X1 X2 X3 X4 Mximo das colunas -3 7 8 5 8 Y2 2 -2 10 8 10 Y3 4 -1 7 6 7
Mnimos das linhas -3 -2 7 5
Se houver um mnimo de linha que seja, ao mesmo tempo, o mximo em sua coluna, este ser o ponto de sela e, consequentemente, a soluo estvel do jogo. Para o jogador X, a estratgia X3 a melhor, sendo assim a Y3 a menos pior para o jogador Y.
18

Podemos eliminar da nossa tabela as estratgias Xl e X2 Estratgias de Y Y1 Estratgias de X X3 X4 Mximo das colunas 8 5 8 Y2 10 8 10 Y3 7 6 7
Mnimos das linhas 7 5
Ao jogador X restam, portanto, duas alternativas. Se X escolher X3 o jogador Y sem dvida vai escolher a estratgia Y3, perdendo apenas 7 (ou ganhar -7, tanto faz). Se X escolher X4, o jogador Y optar pela estratgia Y1 , que o conduz a mnima recompensa de -5 (perda de 5). Se a estratgia X3, que leva a uma recompensa de 7 e a estratgia X4 leva a uma recompensa de 5, claro que X escolhe a estratgia X3. O ponto de sela 7 (X3;Y3).
19
Exerccio em sala 1
Dada a matriz de recompensas (expressas para o jogador X) responda o que se pede: a) Existe um ponto de sela? b) Qual o valor do jogo?
Estratgias de Y Y1 Estratgias de X X1 X2 X3 22 22 20 Y2 18 24 16 Y3 10 14 12 Y4 22 16 16
20
Jogos de duas pessoas, soma zero, estratgias mistas Matriz de recompensas para 2 jogadores, soma zero
Estratgias de Y Y1 Y2 Mnimos das linhas
Estratgias de X X1 3 6 3 X2 5 2 2 Mximo das colunas 5 6 Como no h um mnimo de linha que seja, ao mesmo tempo, um mximo de coluna, no existe o ponto de sela. No h uma soluo nica de equilbrio. Por exemplo, se o competidor X escolher a estratgia X1 o competidor Y poder optar pela estratgia Y1, que o far perder 3, ou pela estratgia Y2 que o far perder 6. Na verdade, o jogador Y sempre perde, j que o jogo enviesado contra ele. As jogadas so simultneas. A tendncia do jogador Y e alternar entre as decises Y1 e Y2 mesmo porque o jogador X tem tambm duas estratgias a seu dispor.
21
Jogos de 2 pessoas, soma 0, estratgias mistas cont.
Nessas tentativas de ambos ganharem o mximo possvel (no caso o jogador X tenta ganhar o mximo possvel, e o jogador Y tenta perder o mnimo possvel), os jogadores acabaro por chegar a um equilbrio. Seja a matriz de recompensas abaixo: Estratgias de Y Y1 Y2 Y3 Mnimos das linhas -3 -2 5 5
Estratgias de X X1 -3 2 4 X2 7 -2 -1 X3 8 10 5 X4 5 8 6 Mximo das colunas 8 10 6 Se a matriz de recompensas no apresenta um ponto de sela, a tendncia de que ambos os jogadores alternem as alternativas de deciso escolhidas, de forma a se chegar a um equilbrio, em termos de recompensa media final atribuda a cada um.
22
Jogos de 2 pessoas, soma 0, estratgias mistas cont.
Dito de outra forma, cada jogador escolher cada estratgia disponvel com uma freqncia constante, de modo a, em mdia, chegar mesma recompensa, independentemente da estratgia escolhida pelo outro jogador. Isso vale para ambos os jogadores. Solues: a) soluo pelo mtodo do ganho e perda esperados; b) soluo pelo mtodo grfico; c) soluo por modelo de programao linear.
23
Soluo pelo mtodo do ganho e perda esperados

Seja a matriz de recompensas abaixo Estratgias de Y Y1 Y2
Estratgias de X X1 3 6 3 X2 5 2 2 Mximo das colunas 5 6 O jogador X utilizar as duas estratgias Xl e X2, cada qual por uma frao de tempo. Esta frao p para a estratgia X1 e, portanto, (1-p) para a estratgia X2, J que a soma das fraes de tempo deve ser a unidade, e s existem duas estratgias. O ganho mdio do jogador X ser: Caso Y adote Y1: 3p + 5(1-p) Caso Y adote Y2: 6p + 2(1 -p)
Mnimos das linhas
24
Sabemos tambm que p e (1-p) so tais que o jogador X, independentemente da estratgia adotada pelo jogador Y, vai obter o mesmo ganho (ou prejuzo) mdio. Logo, podemos escrever: 3p + 5(1-p) = 6p + 2(1 -p) 5(1-p) -2(1-p) = 6p -3p 3(1-p) = 3p 3-3p = 3p 3 = 6p p = 0,5 e (1 -p) = 0,5
O jogador X vai seguir cada estratgia metade do tempo. O seu ganho mdio ser: Caso Y adote Y1: 3p + 5(1-p)= 3(0,5) + 5 (0,5) =1,5 + 2,5 = 4 = Caso Y adote Y2: 6p + 2(1 -p)= 6 (0,5) + 2 (0,5) =3 + 1 =4
25

Com a mesma matriz de recompensas Estratgias de Y Y1 Y2
Estratgias de X X1 3 6 3 X2 5 2 2 Mximo das colunas 5 6 O jogador Y utilizar as duas estratgias Yl e Y2, cada qual por uma frao do tempo, Chamemos de q e (1-q) a essas fraes. O ganho (no caso, perda real) de Y deve ser o mesmo, independentemente da estratgia seguida por X. Logo, Caso X escolha X1: 3q + 6 (1-q) Caso X escolha X2: 5q + 2 (1-q) Igualando temos: 3q + 6 (1-q)= 5q + 2 (1-q) 6(1-q) - 2(1-q) = 5q -3q 4(1 -q) = 2q 4 -4q = 2q 4 = 6q q =2/3 e (1-q) =1/3
26
Mnimos das linhas
A perda media do jogador Y ser: (Podemos nos abstrair do sinal) Caso X escolha X1: 3q + 6(1-q) = 3(2/3) + 6(1/3) = 4 Caso X escolha X2: 5q + 2(1-q) = 5(2/3) + 2(1/3) = 4 claro que deveramos obter 4, pois se o jogador X ganha, em mdia, esse valor, fatalmente o jogador Y perde, em mdia, esse mesmo valor.
27
Estratgia mista em Jogos no enviesados

Matriz de recompensas Estratgias de Y Y1 Estratgias de X X1 X2 Mximo das colunas 3 -3 3 Y2 -3 3 3
Mnimos das linhas -3 -3
Existe um equilbrio entre ganhos e perdas. Cada competidor ganha ou perde 3, dependendo da estratgia que escolher e da estratgia escolhida pelo oponente. O jogo no enviesado. Seja p a poro do tempo em que o jogador X utiliza a estratgia X1 e (1-p) a frao do tempo em que ele utiliza a estratgia X2. Temos: Caso Y adote Y1: 3p -3(1-p) Caso Y adote Y2: -3p + 3(1 -p)
28
Estratgia mista em Jogos no enviesados cont.

Sabemos que 3p -3(1-p) = -3p + 3(1-p) logo, 6p = 6(1 -p) 6p = 6 -6p 12p = 6 p = 0,5 e (1-p) = 0,5
O ganho mdio do jogador X : Caso Y adote Y1: 3p -3(1-p) = 3 (0,5) - 3(1 -0,5) = 1,5 -1,5 = 0 Caso Y adote Y2: -3p +3(1-p)= -3(0,5) + 3(1-0,5) = -1,5 +1,5 = 0
Se o jogo no enviesado, os competidores ganham e perdem igualmente, e o ganho (ou perda) liquido nulo. Alm disso, cada estratgia utilizada em 50% do tempo. Teste para o jogador Y.
29
Soluo pelo mtodo grfico

Seja a mesma matriz de recompensas abaixo Estratgias de Y Y1 Estratgias de X X1 3 X2 5 Mximo das colunas 5 As recompensas mdias do jogador X sero: Y2 6 2 6
Mnimos das linhas 3 2
Recompensa de X Caso Y adote Y1: 3p + 5(1-p) = -2p+5 Recompensa de X Caso Y adote Y2: 6p + 2(1-p) = 4p+2 Ternos, portanto, duas equaes de retas, que podemos desenhar em funo de p, com 0 p 1.
30
Soluo pelo mtodo grfico
K (0,5; 4) o ponto em que as duas retas se cruzam, ou seja, o ponto em que o resultado da combinao de estratgias Xl e X2 o mesmo, independentemente da estratgia seguida pelo jogador Y.
31
Soluo por modelo de programao linear
possvel solucionar um jogo de dois (ou mais) oponentes, soma zero, por meio de um modelo de programao linear desde que o resultado do jogo seja positivo. Estratgias de Y Y1 Y2 Y3 Estratgias de X X1 -3 2 4 X2 7 -2 -1 X3 8 10 5 X4 5 8 6 O jogador X escolhe suas estratgias de forma a maximizar sua recompensa, ou seja, o valor do jogo, que designamos por S. Ha quatro estratgias para o jogador X: X1, X2, X3 e X4, que so escolhidas durante uma frao de tempo (ou probabilidade). Chamemos tais fraes de p1, p2, p3 e p4 respectivamente. Qualquer que seja a estratgia seguida pelo jogador Y, 0 jogador X tentara maximizar sua recompensa S.
32
Soluo por modelo de programao linear cont.

Para a mesma matriz de recompensas. Estratgias de Y Y1 Estratgias de X X1 X2 X3 X4 Se Y escolhe Y1: -3 7 8 5 Y2 2 -2 10 8 Y3 4 -1 5 6
(-3)p1 + 7p2 + 8p3 + 5p4 S (-3)p1 + 7p2 + 8p3 + 5p4 S 0 (I) Se Y escolhe Y2: 2p1 + (-2)p2 + lOp3 + 8p4 S 2p1 + (-2)p2 + lOp3 + 8p4 S 0 (II) Se Y escolhe Y3: 4p1 + (-1)p2 + 5p3 + 6p4 S 4p1 + (-1)p2 + 5p3 + 6p4 S 0 (III)
33

Devemos tambm lembrar que: p1 0, p2 0, p3 0 e p4 0 p1 + p2 + p3 + p4 = 1 (IV) (V)
A funo objetivo simplesmente Maximizar S, sujeito s restries mencionadas anteriormente. O Modelo : Maximizar S Sujeito a: (-3)p1 + 7p2 + 8p3 + 5p4 S 0 2p1 + (-2)p2 + lOp3 + 8p4 S 0 4p1 + (-1)p2 + 5p3 + 6p4 S 0 p1 + p2 + p3 + p4 = 1 p1 0, p2 0, p3 0 e p4 0
34

Resolvendo o sistema, temos:
p1 = p2 = 0
p3 = 0,25
p4 =0,75
S = 5,75
O fato de p1 = p2 = 0 significa que o jogador X jamais escolher as estratgias Xl e X2. Em 25% do tempo, ele escolhera a estratgia X3 e, em 75% do tempo, a estratgia X4.
35
Soluo para o jogador Y

Agora aplicaremos o mesmo modelo ao jogador Y, que tem sua disposio as estratgias Y1, Y2 e Y3 que sero escolhidas por fraes de tempo iguais a q1, q2 e q3 respectivamente. Qualquer que seja a estratgia seguida pelo jogador X, o jogador Y tentara minimizar sua perda W (sabemos que W = S, pois a soma zero).: Estratgias de Y Y1 Estratgias de X X1 X2 X3 X4 Y2 Y3 4 -1 5 6
-3 2 7 -2 8 10 5 8 Se X escolhe Xl: (-3)ql + 2q2 + 4q3 W Se X escolhe X2: 7ql + (-2)q2 + (-1)q3 W Se X escolhe X3: 8ql + lOq2 + 5q3 W Se X escolhe X4: 5ql + 8q2 + 6q3 W
36
Soluo para o jogador Y

Lembrando ainda que: q1 0, q2 0 e q2 0 q1 + q2 + q3 =1 A funo objetivo Minimizar W. A formulao completa : Minimizar W (-3)ql + 2q2 + 4q3 W Sujeito a:
7ql + (-2)q2 + (-1)q3 W 8ql + lOq2 + 5q3 W 5ql + 8q2 + 6q3 W
q1 0, q2 0 e q2 0 q1 + q2 + q3 =1 A soluo para este problema : ql = 0,25 q2 = 0 q3 = 0,75 e W = 5,75 As estratgias X1, X2 e Y2 nunca so escolhidas pelos respectivos jogadores. o conceito de dominncia explica a razo
37
Dominncia
Diz-se que uma estratgia E1 dominada por outra estratgia E2 quando, sob quaisquer circunstncias, o jogador escolhe E2, porque sempre conduz a melhores recompensas que El. Na anlise de um jogo, seja de estratgia pura ou de estratgias mistas, as estratgias dominadas podem ser eliminadas previamente da soluo.
Estratgias de Y Y1 Estratgias de X X1 X2 X3 X4 -3 7 8 5 Y2 2 -2 10 8 Y3 4 -1 5 6
A estratgia X4 sempre dar recompensas mais vantajosas que a estratgia Xl. Veja tambm que a estratgia X2 totalmente dominada pela estratgia X3 o que leva a descart-la.
38
Dominncia - continuao
Matriz de recompensas modificada
Estratgias de Y Y1 Estratgias de X X3 X4 8 5 Y2 10 8
Y3 5 6
A estratgia Y2 e dominada tanto pela estratgia Y1 como pela estratgia Y3 (nmeros maiores so piores) Matriz de recompensas final
Estratgias de Y Y1 Estratgias de X X3 X4 8 5 Y3 5 6
No h estratgias dominantes ou dominadas, e o problema no apresenta ponto de sela.

39
Dominncia - continuao
Resolvido a soluo ser a mesma: Estratgia X3: escolhida 25% do tempo Estratgia X4: escolhida 75% do tempo Estratgia Y1: escolhida 25% do tempo Estratgia Y3: escolhida 75% do tempo O valor do jogo igual a 5,75.
40
Exerccio em sala 2
Dada a matriz de recompensas a seguir, pede-se: a) verificar se existe alguma estratgia dominada e, em caso positivo, retir-la da matriz de recompensas; b) determinar a melhor estratgia mista para o jogador L; c) determinar a melhor estratgia mista para o jogador K; d) determinar o valor do jogo.
Estratgias de K K1 Estratgias de L L1 L2 L3 -4 0 -10 K2 8 -6 2 K3 10 12 -12
41
Respostas do exerccios em sala
Resposta 1: a) Ponto de sela X2,Y2 b) valor do jogo=14 Resposta 2: a) L3 e K3 so dominadas b)p=1/3 c)q=7/9 d)Valor do jogo=-4/3
42
Teoria da Simulao
Introduo Existem varias tcnicas quantitativas aplicadas na soluo de problemas gerenciais. Apesar da enorme contribuio destas tcnicas, em algumas situaes elas tem seu potencial limitado. Isso ocorre quando h incerteza quanto aos valores assumidos por uma ou mais variveis do problema: a) uma empresa deseja determinar qual a probabilidade de que um produto seja lucrativo; b) uma empresa quer saber quantas unidades de um produto devem mantidas em estoque, para que a demanda no atendida no ultrapasse 5%;
2
Introduo - continuao c) uma empresa deseja conhecer o numero mnimo de telefonistas requeridas para que apenas 3% das solicitaes de informaes no sejam atendidas de imediato; d) uma fbrica quer programar sua produo, definir nveis de estoques e nmero de funcionrios e planejar suas necessidades de investimento.
Histrico
A histria da simulao remonta aos jogos de guerra chineses, h 5000 anos. Os povos prssios utilizaram esses jogos no final do sculo XVIII como auxlio ao treinamento militar de suas tropas. Durante a Segunda Guerra Mundial, o matemtico hungaroamericano John Von Neumann, em seu trabalho no Projeto Manhattan (bomba atmica), criou um novo conceito, denominado Simulao de Monte Carlo. O trabalho consistia na simulao direta de problemas probabilsticos relacionados com a difuso aleatria das partculas de nutrons quando submetidas a um processo de fisso nuclear. O nome Monte Carlo foi cunhado pelo cientista Metropolis, inspirado no interesse por pquer de seu colega Ulam. Buscou-se na similaridade que a simulao estatstica desenvolvida por eles tinha com os jogos de azar, simbolizados nas roletas do cassino de Monte Carlo, na capital do principado de Mnaco.
4
Histrico
Atualmente, graas ao desenvolvimento dos recursos computacionais, este mtodo usado rotineiramente em diversas reas, desde a simulao de fenmenos fsicos complexos, como o transporte da radiao na atmosfera terrestre, at em causas menos nobres, como na simulao do resultado de loterias. Pacotes conhecidos de softwares de simulao, como o Crystal Ball, @Risk, DecisionPro, Xcell, SLAM, Witness e MAP/1, servem ao campo dos negcios, ajudando os gestores a decidir sobre investimentos, melhoria de fluxos operacionais, polticas de estoque, manuteno etc.
Modelo
Modelo uma representao simplificada da realidade, cujo propsito permitir a compreenso do sistema e prever seu comportamento sob determinadas condies. Os modelos podem ser fsicos ou matemticos. A construo para testes do modelo de um carro um exemplo de modelo fsico. Os modelos matemticos representam, em termos lgicos e quantitativos, os relacionamentos entre as variveis. Os modelos matemticos podem uma soluo analtica ou por meio de simulao.
Simulao
O objetivo da simulao descrever a distribuio e as caractersticas dos possveis valores da varivel dependente Y, depois de determinados os possveis valores e os comportamentos das variveis independentes Xl, X2, ..., Xn. Se qualquer varivel independente em um modelo varivel aleatria, a varivel dependente Y tambm representa uma varivel aleatria. Diferentemente da programao linear, que uma tcnica de otimizao, a simulao no determina a soluo tima. Ela torna possvel, pelo exame dos experimentos, a realizao de inferncias sobre o comportamento do sistema, uma vez que as observaes realizadas representam apenas uma amostra do conjunto total das observaes.
Gerao de eventos aleatrios
uma tcnica bastante empregada na simulao. Como exemplo, suponhamos que uma empresa de varejo, do ramo farmacutico, deseja simular sua demanda diria de vitamina C no estoque. preciso, inicialmente, que se identifiquem as freqncias relativas das demandas dirias.
Demanda Freqncia Freqncia diria (dias) relativa (frascos) 10 30 0,3 11 30 0,3 12 40 0,4 Total 100 1
Gerao de eventos aleatrios
Passos para simular a ocorrncia da demanda de vitamina C, conhecendo as freqncias relativas apresentadas. Uma forma seria colocar 100 bolinhas em uma urna e numerlas com as demandas dirias, respeitando as freqncias relativas. Trinta bolinhas seriam marcadas com o nmero 10, outras 30 com o numero 11 e as 40 restantes com o numero 12. Cada vez que retirssemos uma bola da urna, ao acaso, estaramos simulando a demanda de vitamina C. A gerao de nmeros aleatrios bastante facilitada com o uso de planilhas eletrnicas, que trazem uma funo j programada para a tarefa.
Gerao de eventos aleatrios - freqncias conhecidas
Inicialmente, com base nas freqncias relativas, deve ser elaborada uma tabela com freqncias acumuladas. A freqncia acumulada de cada observao a soma de sua freqncia relativa com a freqncia acumulada da observao imediatamente anterior. Acrescentamos uma coluna denominada "Nmeros do sorteio", a partir das freqncias acumuladas.
Demanda Freqncia Freqncia Nmeros diria (dias) relativa do sorteio (frascos) 10 30 0,3 01 a 30 11 30 0,3 31 a 60 12 40 0,4 61 a 100 Total 100 1
Escolhido um nmero aleatrio entre 1 e 100 (distribuio uniforme), teremos a demanda correspondente na tabela seguindo as freqncias relativas estabelecidas.
10
Gerao de eventos aleatrios - freqncias conhecidas
C7: =PROCV(ALEATRIOENTRE(1;100);A$2:C$4;3)
11
PROCV
A funo PROCV procura um nmero na primeira coluna de uma tabela e retorna o nmero contido na mesma linha, pertencente outra coluna especificada . valor_procurado: em nosso caso, queremos "procurar" um numero aleatrio entre 1 e 100. matriz_tabela: corresponde tabela com base na qual os valores sero procurados. Em nosso exemplo A$4:C$6. importante que as clulas dessa matriz sejam fixadas com $ num ndice coluna: refere-se ao numero da coluna da matriztabela que contem os valores a serem retornados. Em nosso caso, desejamos que seja retornado um dos valores das demandas dirias contidos na coluna 3. Os nmeros da primeira coluna so considerados os limites inferiores (fechados) de cada intervalo.
12
Gerao de eventos aleatrios - distribuies conhecidas
Consideremos que o controller da Faa Rpido Empreendimentos Ltda. est realizando uma simulao para investigar o possvel comportamento do lucro da empresa nos prximos 12 meses. Para tanto, precisa gerar nmeros aleatrios para a varivel vendas, sabendo que esta tem o comportamento de uma distribuio normal com media $ 10.000,00 e desvio padro $ 800,00. Ative as Ferramentas de Anlise: Clique no cone do Office 2007 > Opes do Excel > Suplementos do Excel > Escolha Gerenciar: Suplementos do Excel > Ir > Marque: Ferramentas de Anlise. O cone Anlise de Dados aparece na aba Dados em Anlise.
13

nmero de variveis : o nmero de colunas de valores que se deseja na tabela de sada. nmero de nmeros aleatrios: o numero de dados que se deseja visualizar. 20 (vinte)
distribuio : o tipo de distribuio da varivel aleatria. Pode ser uniforme, normal, Bernoulli, binomial, Poisson, padronizada ou discreta. normal N~($10.000 ; $800)
14

semente aleatria: permite que seja inserido um valor opcional com base no qual os nmeros randmicos sero gerados. Esse recurso e til quando desejamos produzir os mesmos nmeros randmicos posteriormente. (pseudoaleatrios) opes de sada: onde os nmeros sero gerados.
Indicamos a clula A2
15
Uso da simulao para tomada de deciso
A simulao utilizada em problemas decisrios de varias naturezas, e especialmente til em situaes que envolvem analise de riscos. Analise de risco o processo de predizer o resultado de uma deciso face incerteza. Existem vrios modelos de simulao, mas trataremos especificamente do Mtodo de Monte Carlo, tcnica que utiliza a gerao de nmeros aleatrios para atribuir valores s variveis do sistema que se deseja investigar.
16
Exemplo
A indstria de confeces VP quer determinar qual o lucro provvel de seu produto principal para o prximo ano. O produto a cala jeans. Aps pesquisas de mercado e anlises financeiras preliminares, foram estabelecidos preo de venda e os custos e despesas fixos. Preo de venda = $ 25 por unidade Custos e despesas fixos = $ 100.000 O custo da matria-prima, o custo da mo-de-obra e a demanda no so conhecidos com certeza. As melhores estimativas que a empresa tem destes valores so:
17
Exemplo - continuao
a) $10 por unidade para o custo da matria-prima, que pode variar de $8 a $12 (uniforme); b) $5 por unidade para o custo de mo-de-obra, podendo variar de $3 a $7 (conhecidas as freqncias);
Fornecedor C.M.O. Freqncia relativa A B C D E Total 3 4 5 6 7 0,1 0,2 0,4 0,2 0,1 1,0
c) mdia de $13.000 unidades para a demanda com desvio padro de $3.800 e distribuio normal.
18
Exemplo - continuao
Lucro = [(PV - CMP - CMO) x Demanda] -CDF onde: PV = Preo de venda; CMP = Custo da matria-prima; CMO = Custo da mo-de-obra; CDF = Custos e despesas fixos.
19
Soluo em Excel
Preencha a planilha conforme as figuras
20
Soluo em Excel continuao
Temos as informaes dispostas assim
21
Soluo em Excel continuao As frmulas so:
B16: =B$3 C16: =B$11+(B$12-B$11)*ALEATRIO() D16: =PROCV(ALEATRIO();H$4:J$8;3) E16: =INV.NORM(ALEATRIO();B$7;B$8) F16: =B$4 G16: =(B16-C16-D16)*E16-F16
22
Soluo em Excel continuao D16: E16:
Selecione de A16:G16 e arraste at a linha 215
Temos 200 simulaes

23
Anlise de estatstica descritiva
24
Anlise de estatstica descritiva
25
Vantagens da simulao
a) viabiliza o estudo do comportamento de um sistema por meio de modelos e, assim, no interfere no sistema real; b) permite "comprimir o tempo", fazendo com que dados relativos a meses e anos futuros possam ser obtidos em um pequeno perodo de tempo; c) geralmente, os sistemas com variveis aleatrias s podem ser investigados com o emprego de simulao, pois, por serem complexos, torna-se invivel a soluo analtica das equaes matemticas que os descrevem; d) as alternativas de operao de um sistema podem ser comparadas; e) permite avaliar as interaes existentes entre as diversas variveis de um sistema.
26

Apostila Pesquisa Operacional Parte 1 2

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Apostila Pesquisa Operacional Parte 1 2

Hochgeladen von

Copyright:

Verfügbare Formate

Aulas de P.O. por Prof.

Edilson Machado de Assis

TEORIA DAS FILAS

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Teoria das Filas

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Sistema ( (M / M / 1) ) : ( / / FCFS) ) Frmulas

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Aulas de P.O. por Prof. Edilson Machado de Assis

Sistema ( (M / M / 1) ):( (c / / FCFS) )

Aulas de P.O. por Prof. Edilson Machado de Assis

Sistema ( (M / M / 1) (c / / FCFS) ):( ) Frmulas