Sie sind auf Seite 1von 176

PESQUISA

OPERACIONAL
Denise Ost
Márcia Huppe Fávero
Tatielle Menolli Longhini
Presidente da Divisão de Ensino Prof. Paulo Arns da Cunha
Reitor Prof. José Pio Martins
Pró-Reitor de Graduação Prof. Carlos Longo
Pró-Reitor de Pós-Graduação e Pesquisa Prof. Ronaldo Vinicius Casagrande
Coordenação Geral de EAD Prof. Everton Renaud
Coordenação de Metodologia e Tecnologia Profa. Roberta Galon Silva
Autoria Profa. Denise Ost
Profa. Márcia Huppe Fávero
Profa. Tatielle Menolli Longhini
Parecer Técnico Profa. Denise Ost
Profa. Márcia Huppe Fávero
Supervisão Editorial Aline Scaliante Coelho Baggetti
Layout de Capa Valdir de Oliveira

DTCOM
DIRECT TO COMPANY S/A
Análise de Qualidade, Edição de Texto,
Design Instrucional, Edição de Arte,
Diagramação, Imagem de Capa,
Design Gráfico e Revisão Textual

Dados Internacionais de Catalogação na Publicação (CIP)


Biblioteca da Universidade Positivo – Curitiba – PR

O85 Ost, Denise.


Pesquisa operacional [recurso eletrônico] / Denise Ost,
Márcia Huppe Fávero, Tatielle Menolli Longhini. – Curitiba :
Universidade Positivo, 2018.
176 p. : il.

Sistema requerido: Adobe Acrobat Reader.


Modo de acesso: <http://www.up.edu.br>.
Título da página da Web (acesso em 31 jul 2018).
ISBN 978-85-8486-390-7

1. Pesquisa operacional. I. Fávero, Márcia Huppe.


II. Longhini, Tatielle Menolli. III. Título.
CDU 65.012.122

*Todos os gráficos, tabelas e esquemas são creditados à autoria, salvo quando indicada a referência.
Imagens da capa: © painterr; Ellagrin // Shutterstock.
Informamos que é de inteira responsabilidade da autoria a emissão de conceitos. Nenhuma parte
desta publicação poderá ser reproduzida por qualquer meio ou forma sem autorização. A violação dos
direitos autorais é crime estabelecido pela Lei n.º 9.610/98 e punido pelo artigo 184 do Código Penal.
Copyright Universidade Positivo 2018
Rua Prof. Pedro Viriato Parigot de Souza, 5300 – Campo Comprido
Curitiba-PR – CEP 81280-330
Ícones
Afirmação Curiosidade

Assista
Dica

Biografia

Esclarecimento
Conceito

Contexto Exemplo
Sumário
Apresentação...................................................................................................................11
As autoras.........................................................................................................................12

Capítulo 1
Introdução à Pesquisa Operacional..................................................................................15
1.1 Histórico, conceito e objetivos....................................................................................16
1.1.1 Evolução do estudo de Pesquisa Operacional (PO)................................................................................................. 16
1.1.2 Definição e Objetivos da Pesquisa Operacional (PO)...............................................................................................18
1.2 Modelos de Pesquisa Operacional (PO).....................................................................20
1.2.1 Modelos físicos....................................................................................................................................................... 22
1.2.2 Modelos análogos.................................................................................................................................................. 23
1.2.3 Modelos simbólicos................................................................................................................................................ 23
1.2.4 Modelos matemáticos.............................................................................................................................................24
1.3 Definição das fases de um estudo em Pesquisa Operacional....................................25
1.3.1 Formulação do problema dos modelos matemáticos............................................................................................ 26
1.3.2 Cálculo da solução por meio do modelo matemático........................................................................................... 27
1.3.3 Teste do modelo e da solução................................................................................................................................ 28
1.3.4 Implantação e acompanhamento da solução........................................................................................................ 28
1.4 Problemas típicos.......................................................................................................29
1.4.1 Exemplos de aplicação da pesquisa operacional.................................................................................................... 30
Referências.......................................................................................................................34
Capítulo 2
Programação Linear (PL)..................................................................................................35
2.1 Conceitos básicos........................................................................................................35
2.1.1 Processo de formulação de programação linear .................................................................................................... 36
2.1.2 Proporcionalidade, aditividade, fracionamento e certeza...................................................................................... 39
2.1.3 Forma padrão do modelo de programação linear................................................................................................. 40
2.2 Definição do problema...............................................................................................42
2.2.1 Definição de variáveis de decisão, função objetivo e restrições do problema....................................................... 42
2.3 Formulação do modelo matemático..........................................................................44
2.3.1 Definição matemática de variáveis de decisão, função objetivo e restrições do problema................................... 44
2.4 Derivando soluções do modelo..................................................................................49
2.4.1 Análise da modelagem........................................................................................................................................... 49
2.4.2 Processo de tomada de decisão............................................................................................................................. 50
Referências.......................................................................................................................52

Capítulo 3
Aplicações da Programação Linear..................................................................................53
3.1 Resolução gráfica........................................................................................................53
3.1.1 Procedimento de resolução gráfica......................................................................................................................... 53
3.1.2 Casos especiais da solução gráfica......................................................................................................................... 59
3.2 Formulação e resolução de problemas lineares em solver.........................................60
3.2.1 Conhecendo o Solver...............................................................................................................................................61
3.2.2 Passos para o desenvolvimento do Solver............................................................................................................. 63
3.2.3 Interpretação de resultados do Solver................................................................................................................... 66
3.3 Estudo de caso...........................................................................................................67
3.3.1 Exemplo de programação linear............................................................................................................................ 67
3.3.2 Solução do exemplo por solução gráfica............................................................................................................... 69
3.3.3 Solução do exemplo por solver.............................................................................................................................. 71
3.4 Comparação de resultados da solução gráfica e do solver.........................................73
3.4.1 Vantagens e desvantagens dos métodos............................................................................................................... 73
Referências.......................................................................................................................74

Capítulo 4
Método Simplex...............................................................................................................75
4.1 Método algébrico do simplex......................................................................................75
4.1.1 Introdução ao método algébrico do simplex........................................................................................................... 75
4.1.2 Desenvolvimento de problema de programação linear a partir das variáveis básicas e não básicas.....................76
4.1.3 Procedimento do método algébrico....................................................................................................................... 77
4.2 Método simplex em tabela.........................................................................................79
4.2.1 Introdução ao método simplex em tabela............................................................................................................. 79
4.2.2. Procedimento do método simplex em tabela....................................................................................................... 80
4.2.3 Solução de exemplo pelo simplex em tabela......................................................................................................... 82
4.2.4 Interpretação de preço dual e custos reduzidos..................................................................................................... 89
4.3 Método Big M............................................................................................................90
4.3.1 Obtenção de solução inicial viável.......................................................................................................................... 92
4.3.2 Inclusão de variáveis artificiais............................................................................................................................... 95
4.4 Método 2 fases...........................................................................................................95
4.4.1 Obtenção da solução inicial viável.......................................................................................................................... 95
4.4.2 Inclusão de variáveis artificiais............................................................................................................................... 97
Referências.......................................................................................................................99
Capítulo 5
Modelos e aplicações em redes: fluxo de redes e árvore geradora mínima..................101
5.1 Problema de fluxo em redes.....................................................................................101
5.1.1 Problema de fluxo de custo mínimo (PFCM).........................................................................................................102
5.1.2 Problema do Caminho Mínimo............................................................................................................................ 104
5.1.3 Problema do fluxo máximo.................................................................................................................................. 106
5.2 Problema da Árvore Geradora Mínima....................................................................108
5.2.1 Aplicações............................................................................................................................................................. 109
5.2.2 Método Kruskal.....................................................................................................................................................110
5.2.3 Método Prim.........................................................................................................................................................111
Referências.....................................................................................................................113

Capítulo 6
Modelos e aplicações em redes: problemas de rede e problemas de grafos.................115
6.1 Introdução a modelos e aplicações em redes ..........................................................115
6.1.1 Definição de modelos e aplicações em rede..........................................................................................................115
6.1.2 Aplicação de modelos e aplicações em redes.......................................................................................................116
6.2 Problemas de rede x teoria dos grafos.....................................................................116
6.2.1 O que é um grafo?.................................................................................................................................................118
6.2.2 Problemas com grafo........................................................................................................................................... 120
6.2.3 Noções de problemas em redes........................................................................................................................... 122
6.3 Problema de transporte...........................................................................................122
6.3.1 Definição do problema e formulação do problema matemático......................................................................... 123
6.3.2 Solução por quadro de transporte........................................................................................................................124
6.3.3 Método do canto noroeste....................................................................................................................................124
6.3.4 Solução inicial pelo método do custo mínimo......................................................................................................124
6.4 Problema de designação .........................................................................................124
6.4.1 Definição do problema e formulação do problema matemático......................................................................... 125
6.4.2 Método húngaro...................................................................................................................................................126
Referências.....................................................................................................................127

Capítulo 7
Análise de sensibilidade, dualidade e interpretação econômica....................................129
7.1 Análise de sensibilidade............................................................................................129
7.1.1 Análise gráfica e interpretação econômica........................................................................................................... 130
7.1.2 Análise algébrica e interpretação econômica....................................................................................................... 134
7.1.3 Interpretação Econômica...................................................................................................................................... 140
7.1.4 Fórmulas custo reduzido........................................................................................................................................141
7.2 Teoria da dualidade...................................................................................................143
7.2.1 Introdução à teoria da dualidade...........................................................................................................................143
7.2.2 Propriedades......................................................................................................................................................... 144
7.2.3 Primal e Dual........................................................................................................................................................ 148
7.2.4 Interpretação econômica da dualidade.................................................................................................................149
Referências.....................................................................................................................151

Capítulo 8
Teoria da decisão............................................................................................................153
8.1 Estrutura dos problemas de decisão........................................................................153
8.1.1 Estratégias alternativas......................................................................................................................................... 154
8.1.2 Estados da natureza............................................................................................................................................. 154
8.1.3 Resultado.............................................................................................................................................................. 154
8.2 Decisão tomada sob certeza (DTSC)........................................................................157
8.2.1 Definição............................................................................................................................................................... 157
8.2.2 Exemplo............................................................................................................................................................... 158
8.3 Decisão Tomada Sob Risco (DTSR)...........................................................................160
8.3.1 Definição................................................................................................................................................................161
8.3.2 Montagem das matrizes.......................................................................................................................................161
8.3.3 Valor Esperado da alternativa (VEA) X Valor esperado da informação perfeita (VEIP)....................................... 163
8.4 Decisão Tomada Sob Incerteza (DTSI)......................................................................168
8.4.1 Critério maximin .................................................................................................................................................. 169
8.4.2 Critério de Maximax..............................................................................................................................................170
8.4.3 Critério de LaPlace.................................................................................................................................................171
8.4.4 Critério do mínimo arrependimento.....................................................................................................................172
Referências.....................................................................................................................174
Apresentação

O livro Pesquisa Operacional (PO) inicia estudos acerca da temática e descreve


suas aplicações na Administração. Para isso, abordaremos ao longo da disciplina,
o histórico, seus diversos caminhos em busca de soluções, principalmente no que se
referem às situações que envolvem recursos escassos, assim como aplicar diferentes
métodos para a solução dos problemas e obtenção de resultados otimizados.
Você também conhecerá o conjunto de técnicas quantitativas que auxiliam o
tomador de decisão à solução de problemas, além de conhecer as fases que envolvem
a Pesquisa Operacional, como: definição do problema, construção, solução e validação
do modelo, e por fim, a implementação da solução.
A seleção de materiais para a composição do livro se baseou na experiência da
autora na prática do trabalho envolvendo PO.
Bons estudos!
As autoras
A Professora Denise Ost é especialista em Gestão de Pessoas pela Universidade
Regional do Noroeste do Estado do Rio Grande do Sul – Unijuí (2012-2014), e MBA em
Lean Manufacturing e Programação Planejamento e Controle da Produção e Estoques
pela Universidade FAHOR (2014). Graduada em Direito pela Unijuí (2010).

Currículo Lattes:
<lattes.cnpq.br/4955480902023717>

Dedico esse livro a todos os alunos,


com os quais tenho a honra de partilhar
conhecimento, bem como todos os
profissionais que oportunizaram a
elaboração desse livro. Gratidão!
A Professora Márcia Huppe Fávero é Especialista em Gestão Estratégica de
Negócios pela Faculdade Adventista da Bahia (2012). Graduada em Bacharelado em
Administração pela Faculdade Maria Milza (2010) e graduanda em Licenciatura em
Pedagogia pela Universidade Federal do Espírito Santo (2017 ).

Currículo Lattes:
<lattes.cnpq.br/1247640817034346>

Dedico este livro a todos os alunos que aspiram o


conhecimento e através dele possam alçar voos
em busca de seus objetivos. E também a todos os
profissionais que contribuem para o desenvolvimento do
estudo da pesquisa operacional.
A Professora Tatielle Menolli Longhini é mestre em Administração pela
Universidade Federal de Minas Gerais (UFMG) e graduada em Engenharia de Produção
pela Universidade federal de Viçosa (UFV).

Currículo Lattes:
<lattes.cnpq.br/5187395539638194>

“É preciso provocar sistematicamente confusão. Isso promove


a criatividade. Tudo aquilo que é contraditório gera vida”.
(Salvador Dalí)
E nesse processo de constante contradição ruma-se à
evolução. E só tenho a agradecer as pessoas que tanto amo e
que motivam a seguir nessa caminhada transformadora.
1 Introdução à Pesquisa Operacional
Tatielle Menolli Longhini

Este capítulo irá apresentar o histórico de desenvolvimento da pesquisa opera-


cional, seu conceito, objetivo e aplicação. Para isso, serão apresentados os modelos,
fases de estudos e problemas típicos da Pesquisa Operacional (PO) na Administração.
Assim, aprenderemos que o surgimento de estudos em pesquisa operacional se
deu pela necessidade de aplicação de métodos científicos para obtenção de soluções
melhoradas. Isso se dá, especialmente, em situações com disponibilidade limitada de
recursos e objetivos de otimização − maximização e/ou minimização − distintos a cada
situação analisada.
Ao analisar o problema e as variáveis e limitações que o definem, parte-se para a
construção de um modelo matemático, de modo a corresponder com a realidade em
análise. Assim, você compreenderá como eles auxiliam no entendimento e abstração
da realidade, passo fundamental para que a solução identificada seja condizente com a
realidade que analisamos.
A partir do entendimento quanto à importância e aplicação dos modelos, perce-
bemos que eles compõem uma das etapas das fases de um estudo em pesquisa ope-
racional. Assim, formulamos o problema com a definição das variáveis de decisão,
restrições e função objetivo, sendo construído o modelo matemático. Depois de for-
mulado, parte-se para o cálculo da solução, fase na qual é muito importante conhecer
e aplicar as metodologias da pesquisa operacional.
De posse da solução, faremos um comparativo para ver se a solução encontrada
é coerente com a realidade. Para isso, é fundamental realizar o teste do modelo, como
forma de legitimá-lo. Com a validação, os resultados encontrados são implantados e
periodicamente monitorados.
A aplicabilidade da Pesquisa Operacional, assim como você verá, é ampla e
extensível a vários campos de atuação. Com eles, resolvemos problemas como: desti-
nação de recursos, roteirização, transporte, designação, ou seja, quando você define,
entre várias opções, qual será a melhor, e carteiras de investimento.
Pesquisa Operacional 16

1.1 Histórico, conceito e objetivos


O desenvolvimento da Pesquisa Operacional inicia na Inglaterra, durante a
Segunda Guerra Mundial, quando se buscavam soluções matemáticas para a otimiza-
ção de recursos e não havia uma metodologia científica para isso. Na época, a meta
era resolver problemas de ordem tática e estratégica. Trata-se da aplicação de méto-
dos científicos para resolver problemas de tomada de decisão, em que se faz neces-
sário planejamento para operação de um sistema, destinando recursos escassos com
eficiência. E é isso que veremos neste tópico: a evolução do estudo de pesquisa opera-
cional, suas características e objetivos. A partir deles você compreenderá a importân-
cia do estudo de PO para resolução de problemas práticos que envolvem a otimização
de uso de recursos.

1.1.1 Evolução do estudo de Pesquisa Operacional (PO)


Com a Revolução Industrial, notou-se o crescimento das empresas. Fato este
decorrente do aumento de complexidade de suas atividades, agora mais especiali-
zadas (HILLIER, LIEBERMAN, 2013). No entanto, o crescimento produtivo e a espe-
cialização do trabalho resultam em interesses conflitantes, principalmente para a
destinação adequada de recursos. Sob essas condições, metodologias passaram a ser
desenvolvidas para auxiliar na tomada de decisões, o que aos poucos, se transforma-
ram na Pesquisa Operacional, que passaremos a estudar.
Segundo Marins (2011), a PO iniciou, de fato, no Ocidente, sendo associada a
estudos e serviços militares durante a Segunda Guerra Mundial para destinação oti-
mizada de recursos escassos, já que as equipes buscavam tomar decisões com base
em critérios científicos (TAHA, 2008). Na época de seu desenvolvimento, foi mon-
tada uma equipe multidisciplinar com especialistas de cada área. O objetivo era usar a
metodologia científica para melhoria de eficiência de radares. O sucesso da aplicação
do método induziu o desenvolvimento de maiores estudos, de modo que houvesse a
migração do mundo acadêmico para o empresarial.

O filme O Jogo da Imitação mostra a biografia do matemático e cientista de computação Alan


Turing. Ele liderou um grupo de inteligência para decifrar códigos usados pela Alemanha Nazista
durante a Segunda Guerra Mundial. Turing é considerado o precursor da Ciência da Computação.
Pesquisa Operacional 17

No período pós-Guerra notou-se o crescimento e expansão do estudo da PO


a partir do desenvolvimento de técnicas, como o Método Simplex , e evolução dos
sistemas computacionais (MARINS, 2011). Academicamente, o uso da Pesquisa
Operacional ficou atrelado aos Departamentos de Engenharia Industrial, de Produção
e de Administração.

O método Simplex é uma técnica usada para se determinar, numericamente, a solução ótima
de um modelo de Programação Linear.

No Brasil, a Escola Politécnica da Universidade de São Paulo (EPUSP) desenvol-


veu o primeiro curso de Engenharia de Produção no modelo americano, sendo acom-
panhada, posteriormente, pelo Instituto Tecnológico de Aeronáutica (MARINS,
2011). Passaram a ser conduzidos estudos de Programação Linear, Teoria das Filas,
Simulação, Teoria dos Jogos e Estatística, como você verá no quadro, com tendência à
solução de problemas táticos e estratégicos (MARINS, 2011).

Áreas de estudo de pesquisa operacional


Programação São métodos para resolução de problemas de otimização com restrições e função
linear objetivo.
Seção da probabilidade que analisa a formação de filas por meio de estudos mate-
Teoria de
máticos e propriedades mensuráveis, como forma de compreender, de maneira
Filas
prévia, o comportamento do sistema e buscar possibilidades de melhorias.
Através do uso computacional, se busca simular o comportamento de uma opera-
Simulação
ção ou de um sistema.
Teoria dos Ramo da matemática que analisa condições estratégicas em que os jogadores
Jogos optam por ações distintas para melhoria de retorno.
Área que se presta ao estudo de teorias probabilísticas para avaliação de ocorrên-
Estatística
cia de eventos tanto em observações quanto em experimentos.

Fonte: MARINS, 2011. (Adaptado).

Com sua ampla aplicabilidade e diversificados centros de pesquisa, a área se for-


taleceu e entregou maiores possibilidades de soluções principalmente no que se refere
à destinação de recursos escassos.
Pesquisa Operacional 18

1.1.2 Definição e Objetivos da Pesquisa Operacional (PO)


Neste subtópico veremos a importância da pesquisa operacional para o ges-
tor, especialmente no processo de tomada de decisão. Esse potencial faz com que sua
aplicabilidade seja ampla e cada vez mais requisitada para a otimização de recursos e
situações. Para isso, é imprescindível que você compreenda como desenvolver os obje-
tivos de sua análise, e de que maneira a Pesquisa Operacional o auxiliará.
Para Lachtermacher (2007) e Marins (2011), a Pesquisa Operacional é uma meto-
dologia que basicamente proporciona auxílio a tomada de decisão. Isso porque,
mediante experimentação e modelagem, possibilita-se a otimização de recursos.
Além disso, a PO possui um campo de aplicações vasto, podendo adaptar-se a
diversos estudos específicos. Para isso, baseia-se em critérios e elementos quantitati-
vos para solução de problemas, recorrendo à observação, formulação e construção do
modelo científico.
Com a modelagem, pode-se tomar decisão a partir de sistemas reais, determi-
nísticos ou probabilísticos (MARINS, 2011). Portanto, é comum associar o estudo de
pesquisa operacional à melhoria de eficiência – de organizações, países e federações
– com benefícios a planejamentos e resultados (HILLIER, LIEBERMAN, 2013). Para
isso, são aplicadas metodologias científicas para a coordenação sistêmica de opera-
ções, com o envolvimento de equipes multidisciplinares.

Com a aplicação da otimização de realocação de tripulações em desajustes nos horários de


voo, a Continental Airlines conseguiu uma economia anual de US$ 40 milhões (HILLIER,
LIEBERMAN, 2013).

Taha (2008) afirma que é fundamental que o problema seja bem definido para
que os demais passos sejam elaborados facilmente. Isso também implica na redução
de perda de recursos e minimização de retrabalho.
Para a resolução dos problemas é necessário percorrer cinco etapas consecuti-
vas. Estas devem se adaptar às situações estudadas, uma vez que cada uma delas pos-
sui particularidades. Assim, é necessário identificar o problema de modo que o modelo
seja formulado e testado em diferentes cenários e os resultados sejam plenamente
interpretados, implementados e monitorados. Veja na figura.
Pesquisa Operacional 19

Processo de resolução de um problema


Identificação do
problema

Formação
do modelo

Análise dos
cenários

Interpretação
dos resultados

Implementação

© DTCOM
e monitoração

Fonte: LACHTERMACHER, 2007, p. 6. (Adaptado).

Veja um exemplo de um processo de resolução de um problema, como mostrou a


figura acima: em um restaurante foi identificado o problema de insatisfação dos clientes
no atendimento. Há atraso na entrega dos pratos devido à falta de treinamento dos fun-
cionários e do tempo de preparo dos ingredientes para a formulação dos pratos. Para a
resolução do problema, e consequente formulação do modelo, desenvolve-se a função
objetivo de modo para diminuir o tempo de atendimento e de preparo dos pratos.
A partir disso, devemos desenvolver métricas para diferenciar o treinamento dos
funcionários e o tempo dispendido para a preparação dos pratos. Com isso, é possível
a análise de cenário sob diferentes condições de atendimento. Assim, os resultados
são obtidos e interpretados para que a solução seja implementada e monitorada na
busca pela melhoria da satisfação dos clientes.
Portanto, concluímos que, historicamente, a pesquisa operacional foi desenvol-
vida para a otimização do uso de recursos, tendo atualmente aplicabilidade vasta em
diferentes campos de estudo, como vimos no exemplo. Ela auxilia na tomada de deci-
são por parte dos gestores e, seguindo os cinco passos citados, introduz aos proble-
mas a metodologia científica de resolução. Com esses aprendizados, podemos seguir e
compreender o processo de modelagem e os diferentes modelos utilizados.
Pesquisa Operacional 20

1.2 Modelos de Pesquisa Operacional (PO)


Aqui, entenderemos sobre o processo de modelagem, sendo este um passo
importante na tomada de decisão, pois abstrai do mundo real aquilo que se deseja
estudar (veja na figura). Os modelos forçam a identificação e armazenamento das rela-
ções inerentes às decisões. Por isso, são mais comuns de análise os físicos, análogos,
simbólicos e matemáticos.

Níveis de abstração no desenvolvimento do modelo.

Mundo real

Mundo real
Modelo
considerado

© DTCOM
Fonte: TAHA, 2008, p. 3. (Adaptado).

Astração significa similaridade lógica com os sistemas estudados (MARINS, 2011).

Então, a modelagem permite a avaliação das relações entre variáveis e facilita a


identificação de dados mais relevantes e a experimentação em diferentes situações.
É com os modelos que as limitações são reconhecidas e a comunicação de ideias é
simplificada para o trabalho em equipe. Por isso, eles devem ser usados como mecanis-
mos de análise e perpetuação de políticas organizacionais (LACHTERMACHER, 2007).
Ressalta-se, ainda, que o desenvolvimento de modelos depende da realidade ana-
lisada. Assim, eles são devidamente adaptados, de modo que os resultados obtidos
não sejam comprometidos (LAWRENCE; PASTERNACK, 2002). Portanto, os gestores
devem ser capazes de selecionar as informações mais relevantes para avaliação e teste
do modelo, de modo que o desenvolvimento seja condizente à realidade.
Pesquisa Operacional 21

Processo de Tomada de Decisão.


Mundo Mundo
real simbólico
Situação
gerencial Modelo Resultado Decisões

© DTCOM
Fonte: LACHTERMACHER, 2007, p. 3. (Adaptado).

As técnicas de modelagem servem para o melhor entendimento e maior facili-


dade para criação do modelo computacional, de modo que haja sua validação (CHWIF,
MEDINA, 2006). Basicamente, existem quatro tipos de modelos: os físicos, análogos,
simbólicos e matemáticos, em que seus exemplos são apresentados nas figuras.

Exemplos dos tipos de modelos

© Macrovector // Shutterstock
© Alexzel // Shutterstock

Maximizar: Z = c1x1 + c2x2 + ... + cnxn


Sujeito a:
a11x1 + a12x2 + ... + a1nxn < b1
a21x1 + a22x2 + ... + a2nxn < b2
© hebstreit // Shutterstock

..

..

..

am1x1 + am2x2 + ... + amnxn < bm


x1, x2, ..., xn > 0
© DTCOM
Pesquisa Operacional 22

Então, para que se facilite o processo de entendimento, formulação e análise do


problema, é indispensável o desenvolvimento de modelos. É importante ressaltar que
cada situação requer um modelo diferente para a análise da realidade, ou seja, cabe ao
gestor, mediante sua experiência, selecionar aquele que melhor represente a situação
em estudo.
Conclui-se que os modelos são responsáveis pela simplificação e abstração da
realidade, o que permite correções viáveis e preventivas. Os tipos de modelos aju-
dam o processo de avaliação, e a escolha de cada um deles depende do que e como se
deseja analisar a realidade.

1.2.1 Modelos físicos


Os modelos físicos são comuns para a representação de sistemas reais, só que
em escalas menores. Eles são especialmente importantes quando, na fase de análise,
é necessário observar os detalhes de projeto e desenvolvimento. Nas indústrias, por
exemplo, é comum a fabricação de protótipos de produtos, onde as características
são produzidas. Isso permite melhor observação dos gestores quanto à adequação de
necessidades dos consumidores e dos processos de fabricação.
Segundo Marins (2011), os modelos físicos são mais utilizados na engenharia.
Eles buscam similaridade física com o que se deseja representa. Young et al. (2003) diz
que se trata de se uma versão simplificada de sistemas físicos complexos que auxiliam
o processo de análise. Isso porque, durante o processo de avaliação, é comum que se
busque absorver toda complexidade e riqueza de detalhes daquilo que se propõe para
a realidade. Assim, a simplificação dada pelo modelo físico facilita a avaliação.

São exemplos de modelos físicos protótipos de produtos, modelos de aeronaves e maquetes


de imóveis.

Os modelos físicos referem-se, normalmente, à primeira impressão que se tem


da palavra modelo. Ou seja, refere-se à uma réplica física, em escala reduzida, do sis-
tema. Conclui-se, portanto, que o modelo físico imprime uma melhor análise da rea-
lidade, de modo que medidas corretivas e adequações são inclusas nessa etapa, com a
avaliação de projetos em escalas reduzidas.
Pesquisa Operacional 23

1.2.2 Modelos análogos


Os modelos análogos representam a realidade em esquemas ou gráficos. Ou
seja, concebem e representam o relacionamento entre diferentes meios e variáveis
visualmente. Assim, as interpretações sobre os objetivos de estudo são simplificadas,
tornando o entendimento sobre a interação mais fácil.

São exemplos de modelos análogos o marcador de carga de um celular, os mapas rodoviários


em que as rodovias são representadas por traços, o marcador de tanque de gasolina (que indi-
ca a quantidade de gasolina no tanque), organogramas.

Percebe-se, de acordo com Lachtermacher (2007), que a partir das analogias pos-
sibilita-se a previsão de comportamentos dos fenômenos onde conceitos, processos,
concepções e relações causais são explicitadas. Tornando-se uma ferramenta interes-
sante para o melhor entendimento e abstração da realidade.
Portanto, o uso de modelos análogos visa à antecipação de interpretações. Isso
decorre do controle de comportamentos e processos inerentes à realidade analisada.
Destaca-se assim como uma modelagem aplicável à Pesquisa Operacional para enten-
dimento e abstração do problema que se propõe avaliar.

1.2.3 Modelos simbólicos


Os modelos simbólicos são comuns para a definição de entradas e saídas. Assim,
as variáveis e suas relações são expressas simbolicamente, facilitando o entendimento e
tomada de decisão. Especialmente pela capacidade de simplificar a análise da realidade.
É comum a representação do modelo simbólico como o esquema de caixa preta,
como mostra a figura. Para isso, são demonstradas as variáveis de decisão, os parâme-
tros, as medidas de desempenho e as consequências. Busca-se tornar o sistema e o seu
conjunto de dados mais visual (LACHTERMACHER, 2007). As relações entre as variá-
veis não são explicitadas diretamente.

Representação do modelo de caixa preta


Variáveis
de decisão Performance

Modelo
© DTCOM

Parâmetro Consequências

Fonte: LACHTERMACHER, 2007, p. 4. (Adaptado).


Pesquisa Operacional 24

Trata-se do tipo de modelagem mais utilizado para decisões gerenciais, espe-


cialmente quando há a busca por um objetivo. Assim, o modelo simbólico precisar ter
um nível detalhamento de modo que todos os requisitos sejam atendidos e avaliados
em tempo disponível (TAHA, 2008).
Perceba, então, que a partir da modelagem simbólica os fatores de decisão e os
resultados são apresentados visualmente. O que colabora com o entendimento e iden-
tificação do problema, além de sua simplificação, e conduz a uma melhor tomada de
decisão.

1.2.4 Modelos matemáticos


Os modelos matemáticos são ponderados quanto ao nível de incerteza das variáveis
e suas relações. Tratam-se de simplificações da realidade, dependendo da capacidade de
abstração do problema. Ou seja, as expressões matemáticas definem o problema.

Dado o nível de incerteza do sistema em análise, podemos dizer que os modelos são deter-
minísticos ou probabilísticos. O primeiro assume que todas as informações importantes foram
consideradas. Quanto ao segundo, assume-se que uma ou mais variáveis são desconhecidas.

Neles, os detalhes devem ser inseridos de maneira cautelosa, de modo que os


requisitos sejam atendidos e haja consistência na formulação (LACHTERMACHER,
2007; MARINS, 2011). Assim, segundo Marins (2011), os modelos matemáticos são
suscetíveis à otimização e à simulação. Para isso, é necessário que para n decisões
quantificáveis existam n variáveis de decisão explícitas em conjuntos de inequações e
equações. É imprescindível, portanto, a definição da função objetivo, das variáveis de
decisão e das restrições, devendo ser quantificáveis (TAHA, 2008).
Além disso, Chwif e Medina (2006) dizem que os modelos matemáticos podem
ser classificados em analíticos e simulação. Os modelos analíticos possuem sistemati-
zação simples, a partir da matemática tradicional. Já a simulação é adequada a proble-
mas reais que são complexos, e dificilmente modelados física e analiticamente.
Assim, concluímos que os modelos matemáticos representam aproximações e
suposições para estruturação quantitativa. Com isso, viabiliza-se o desenvolvimento e
funcionamento do sistema e sua abstração.
Conclui-se que, a partir do processo de modelagem, compreende-se o con-
texto de formulação e análise de problemas. Trata-se de um nível de abstração que
visa explicar, adequadamente, a realidade estudada. Dessa forma, já estamos aptos a
aprender sobre as fases de um estudo de pesquisa operacional.
Pesquisa Operacional 25

1.3 Definição das fases de um estudo em Pesquisa Operacional


O estudo de Pesquisa Operacional requer o conhecimento detalhado de modela-
gem. Tal metodologia, quando incorporada à PO, usa critérios científicos para resolu-
ção do problema e interpretação dos resultados (TAHA, 2008). Cada problema possui
sua particularidade, o que também necessita de experiência do gestor.
Em virtude disso, é complexo descrever ações específicas a serem segui-
das. Porém, são recomendadas diretrizes para facilitar o entendimento da Pesquisa
Operacional e sua aplicação prática. As fases são: definição do problema, construção
do modelo, solução do modelo, validação do modelo e implementação da solução.
Veja na figura.

Definição de fases de um estudo aplicando Pesquisa Operacional.

Escolha do
Formulação Obtenção método de Obtenção Implementação
Resultado
do problema do modelo obtenção dos dados da solução
da solução

Teste do modelo e
da sua solução

Experiência
© DTCOM

Fonte: MARINS, 2011, p. 16. (Adaptado).

Por consequência, é importante a descrição de cada uma das fases para que o
analista tenha capacidade de desenvolver um estudo condizente com a realidade ava-
liada. Veremos nos próximos tópicos.
Pesquisa Operacional 26

1.3.1 Formulação do problema dos modelos matemáticos


Formular e investigar um problema requer a definição do escopo. O gestor do sis-
tema deve desenvolver o problema com sua equipe interdisciplinar, de forma clara, coesa
e concisa. É importante que sejam definidas medidas de desempenho para que existam
padrões de comportamento às soluções encontradas e respalde o processo de decisão.
Isso porque, segundo Marins (2011), na realidade, os problemas ocorrem de
maneira vaga e imprecisa. Assim, a qualidade do modelo está diretamente ligada à
capacidade da equipe, de modo que a realidade seja abstraída corretamente.
Para isso, três pontos devem ser identificados: definição das alternativas de deci-
são, descrição do objetivo de estudo e delimitação de restrições do modelo (TAHA,
2008; MARINS, 2011). Feitas tais definições, o problema é definido por relações mate-
máticas, seguindo o padrão da programação linear.
Isso porque, o modelo matemático é o que mais interessa à pesquisa operacional,
sendo definidas:
• variáveis de decisão: em que os valores são procurados, pois formam a solução
do problema;
• função objetivo: meta do problema, o que se deseja otimizar;
• restrições: condições que devem ser satisfeitas pelo problema.
Geralmente, os problemas matemáticos são representados, de acordo com
Lachtermacher (2007), da seguinte forma.
Variáveis de decisão: x 1, x 2 , ..., xn
Otimizar z = f(x1, x2, ..., xn)
Sujeito a:

g1 (x1, x2, ..., xn) b1


g2 (x1, x2, ..., xn) > b2

=
<

gm (x1, x2, ..., xn) bm


Onde:
xj – representa a quantidades das variáveis utilizadas (j = 1,2,..., n)
bi – representa a quantidade disponível de um determinado recurso (i = 1, 2,..., m)
f(x) – função objetivo
Pesquisa Operacional 27

gi(x) – funções usadas nas restrições dos problemas


n = número de variáveis de decisão
m = número de restrições do modelo
Perceba que a formulação do problema é um passo fundamental para o enten-
dimento das relações que ocorrem. A partir da definição de variáveis de decisão, fun-
ções objetivos e restrições, faz-se possível a aplicação de metodologias para encontrar
soluções.

1.3.2 Cálculo da solução por meio do modelo matemático


O cálculo da solução é obtido por meio do modelo matemático. Esta fase é tida
como a fase mais simples do modelo uma vez que, para obtê-la, é importante que os
algoritmos sejam definidos corretamente no momento anterior.
Na fase de solução também é interessante incluir a análise de sensibilidade. A
partir dela, a solução ótima pode ser interpretada em diferentes cenários, com alte-
rações dos parâmetros. Trata-se de uma técnica importante, em que se permite uma
avaliação mais detalhada de alocação de recursos.
A solução do modelo é obtida por meio de técnicas matemáticas.
Especificamente, neste livro, serão tratadas: a Programação Linear, a Programação
em Redes, a Teoria dos Grafos e a Teoria da Decisão, como exposto no quadro.

Técnicas matemáticas usadas pela Pesquisa Operacional


Programação Trata-se da metodologia de resolução de problemas de otimização onde há variá-
Linear veis de decisão, restrições e função objetivo.
Programação
Modelagem feita por grafos, onde estão contidos nós conectados por arcos.
em Redes
Vertente da matemática que estuda relações entre objetos pertencentes a um
Teoria dos
determinado conjunto. Para isso, estruturam-se os grafos, compostos por um con-
Grafos
junto de vértices e arestas.
Teoria da Compõe-se de técnicas quantitativas que objetivam o auxílio à tomada de decisão
Decisão mediante a sistematização do problema.

Portanto, com o cálculo da solução são visualizadas as ações que podem ser
implementadas na realidade, sendo visada a otimização de recursos. Para isso, o
modelo deve ser testado para ser validado. É o que veremos no tópico a seguir.
Pesquisa Operacional 28

1.3.3 Teste do modelo e da solução


Também conhecida como a fase de validação, busca-se verificar se o modelo
desenvolvido faz aquilo que se propõe a fazer. Então, é importante verificar se os resul-
tados obtidos são aceitáveis e fazem sentido, sendo comum, para isso, a utilização de
dados históricos como parâmetros de avaliação. Caso não haja uma base histórica de
dados, é comum o uso de simulação para a verificação de resultados matemáticos.
Durante a fase de testes, deve-se observar se algum parâmetro sofre desvio além
do que é permitido. Isso porque, as distorções levam a soluções que não se ajustam à
realidade. Assim, requisita-se a realização repetida de testes, o que indica se há condi-
ções deficientes do modelo e as necessidades de melhoria.
O teste do modelo e da solução nos permite avaliar se os resultados obtidos são
condizentes à realidade analisada. Portanto, é comum a utilização de dados históricos,
ou a comparação dos resultados obtidos com que se vê na realidade - em que casos em
que não base de dados consolidada - também por simulação.

1.3.4 Implantação e acompanhamento da solução


Com o modelo validado, os gestores podem tomar decisões por meio das solu-
ções obtidas. Para garantir a validade, é preciso a experimentação periódica do
modelo a partir da adoção de parâmetros. Atestada a validade, cabe ao gestor a
observação do comportamento do sistema por meio da solução adotada.
É fundamental que, nesta fase, haja a participação da equipe multidisciplinar para
a formulação do problema. Isso garante o desenvolvimento a implementação ade-
quada das soluções.
Neste momento, devem estar envolvidos fatores técnicos e pessoais, ou seja,
condições objetivas e subjetivas. O que faz com que os resultados obtidos sejam com-
parados tanto com parâmetros, quanto com a realidade do problema (MARINS, 2011;
TAHA, 2008).
A definição das fases de um estudo é indispensável em estudos de pesquisa opera-
cional pois permite que o modelo construído seja condizente com a realidade. Ressalta-se
que saber apenas a metodologia não é suficiente para a resolução de problemas.
É preciso que que a formulação seja coerente com a realidade estudada. Agora que
aprendemos sobre as fases, podemos desenvolver a modelagem matemática e com-
preendermos sobre as metodologias de pesquisa operacional para obtenção de soluções.
Pesquisa Operacional 29

1.4 Problemas típicos


No decorrer dos últimos tópicos, concluímos sobre a importância da pesquisa
operacional como metodologia científica para a busca de soluções. A partir da apli-
cação de modelos e desenvolvimento do estudo por meio das fases, identificamos a
capacidade de abstrair a realidade a partir da utilização de dados significativos.
E isso se dá em todas as possibilidades de estudo e aplicação da PO nas diversas
áreas. Basicamente, busca-se por meio de números e fatos, a identificação e organiza-
ção de dados que fornecem informações que sustentam decisões e a geram conheci-
mento. Veja na figura.

Transformação de dados brutos em conhecimento.

Números e fatos
Processamento
de dados

Dados
Sist. de informação
gerencial

Informações
Sistema de apoio
à decisão

Decisões
Sistemas
especialistas
© DTCOM

Conhecimento

Fonte: LACHTERMACHER, 2007, p. 5. (Adaptado).

Com alta capacidade em gerar conhecimento, a aplicabilidade da Pesquisa


Operacional é ampla. Temos que os problemas típicos de pesquisa operacional, de
acordo com Lachtermacher (2007), são os problemas de otimização de recursos, de
localização, de roteirização, de carteiras de investimento e de alocação de pessoas,
problemas de previsão e planejamento.
Na Pesquisa Operacional é comum o uso de modelos simbólicos e matemáticos
para a abstração da realidade. Mais, costuma-se sistematizar por grafos os problemas
de redes, ou seja, por modelagem simbólica. A representação simbólica é importante
para compreender o problema e a interação entre variáveis. Na figura, há um típico
exemplo de problema de transporte por grafos, onde são definidas as unidades de
suprimento (a1, a2 , ..., am) e as unidades de demanda (b1, b2 , ..., bn), em que são discri-
minados os custos de transporte entre a origem e o destino (cmn).
Pesquisa Operacional 30

Definição de problema de transporte por grafos.


Origens Destinos
c11 : x11
a1 1 1 b1

Unidades de Unidades
suprimento
a2 2 2 b2 de demanda
...

...
am m n bn

© DTCOM
cmn : xmn

Fonte: TAHA, 2008, p. 85. (Adaptado).

Para definição matemática, recorre-se, principalmente, à programação linear. E


os passos serão descritos no próximo subtópico.
Perceba que as soluções proporcionadas pela da pesquisa operacional são apli-
cáveis a diferentes áreas de estudo. Em função dessa diversificação trata-se de uma
metodologia científica de análise que permite a otimização de resultados.

1.4.1 Exemplos de aplicação da pesquisa operacional


Como forma de exemplificação dos problemas típicos de pesquisa operacional,
será apresentada a formulação de problema para otimização de recursos.

Problema de Otimização de Recursos


Uma fábrica de couro produz matéria-prima para sapatos e cintos com base em
dois tipos de material: material sintético (M1) e verniz (M2). Veja a descrição de como as
matérias-primas são alocadas, bem como suas restrições e lucro diários.

Destinação de matérias-primas
Tonelada de matéria-prima
Couro para Couro para Disponibilidade
sapato cinto diária máxima
M1 6 4 24
M2 1 2 6
Lucro por tonelada
5 4
(R$1000)
Pesquisa Operacional 31

Isto é: para o desenvolvimento de couro para sapato, são necessárias 6 toneladas


de M1 e 1 tonelada de M2 . Enquanto para couro para cinto são necessárias 4 toneladas
de M1 e 2 toneladas de M2 . Sabemos que a disponibilidade máxima diária de M1 é de
24 unidades toneladas e de M2 é de 6 toneladas. Sabendo-se que o lucro por tonelada
é de R$5.000,00 e R$4.000,00 por tonelada de couro para sapato e couro para cinto,
respectivamente.
Uma pesquisa de mercado indica que a demanda diária de couro para cinto não
pode ultrapassar a de sapato por mais de 1 tonelada. Além disso, a demanda diária
máxima de couro para cinto é de 2 toneladas. A fábrica quer determinar o mix ótimo
de couro produzido.
De posse de tais informações, vamos formular o problema por modelo mate-
mático, partindo do pressuposto que se deseja otimizar o lucro obtido. Para isso,
é necessário identificar as variáveis de decisão, as restrições e a função objetivo.
Relembrando:
• variáveis de decisão: são os valores procurados, pois formam a solução do
problema;
• função objetivo: meta do problema, o que se deseja otimizar;
• restrições: condições que devem ser satisfeitas pelo problema.
Percebemos que a solução desejada está diretamente relacionada à produção de
couro para sapato e de couro para cinto. Portanto, definimos que são nossas variáveis
de decisão. Assim, iremos declará-las e associá-las a incógnitas:
• Variáveis de decisão:
x s: quantidade produzida de couro para sapato;
xc: quantidade produzida de couro para cinto.
De posse de nossas variáveis de decisão, podemos definir nossa função objetivo.
Note que a questão menciona o lucro por tonelada produzida de couro para sapato e
couro para cinto. Ou seja, trata-se da meta de nosso problema, aquilo que desejamos
otimizar. Assumindo que o lucro por tonelada é de R$5.000,00 e R$4.000,00 por tone-
lada de couro para sapato o e couro para cinto, então:
• Função objetivo:
Máx z = 5000x s + 4000xc.
Agora, nos resta identificar as restrições do problema. A questão nos forneceu
dados sobre a pesquisa de mercado, sobre a demanda diária máxima de couro para
cinto. Além disso, declarou a disponibilidade diária máxima de M1 e M2 . Vamos trans-
formar esses dados em modelo matemático.
Pesquisa Operacional 32

• Restrições:
xc ≤ 2 (Resultado da pesquisa de mercado, que determinou a demanda máxima
por couro de cinto);
xc – x s ≤ 1 (Resultado da pesquisa de mercado que diz que a produção de couro
de cinto não pode ultrapassar a de couro de sapato em mais de um 1 tonelada.
6x s + 4xc ≤ 24 (Disponibilidade máxima de M1);
x s + 2xc ≤ 6 (Disponibilidade máxima de M2);
x s,xc ≥ 0 (Condição de não-nulidade, uma vez que não existe valores negativos
para produtos).
A partir da formulação dos problemas, podemos calcular soluções (valores de x s e
xc) que satisfazem todas as restrições. Elas são as chamadas soluções viáveis. Soluções
que não satisfazem as restrições são chamadas de soluções inviáveis. Já a solução
viável com melhor valor da função objetivo é chamada de solução ótima. No pro-
blema em questão, a solução ótima é obtida com a produção de 2 unidades de couro
para sapato e duas unidades de couro para cinto, sendo gerado um lucro máximo de
R$18.000,00.
Para que haja a validação do modelo, é importante que o gestor compare o resul-
tado calculado com dados históricos da fábrica de couro. Depois de validado o resul-
tado, parte-se para a implementação e monitoramento de resultados, de modo que
se assegure que as condições reais sejam similares ao que foi modelado, assim como
os resultados.
Perceba que no problema em análise, conseguimos formulá-lo, matematica-
mente. Essa é a etapa principal no processo de solução de uma programação linear em
um problema de pesquisa operacional. O desenvolvimento dos cálculos e dos testes
dos modelos dependem diretamente dele para completo êxito.
Vimos, assim, ao decorrer do capítulo, os aspectos introdutórios da Pesquisa
Operacional.
Pesquisa Operacional 33

Assuntos estudados neste capítulo

Definição
Histórico, Modelos em das fases de
conceito e pesquisa estudo em Problemas

© DTCOM
evolução operacional pesquisa típicos
operacional

Visualizamos que o desenvolvimento da pesquisa operacional decorreu da análise


de otimização de uso de recursos, ainda no período da Segunda Guerra Mundial. Para
o delineamento dos problemas, a utilização da modelagem – física, análoga, simbólica
e matemática – é fundamental. De posse da modelagem, é possível conceber as fases
de um estudo em pesquisa operacional, que perpassam pela formulação do problema,
cálculo da solução, teste do modelo e da solução e implantação e acompanhamento.
Pesquisa Operacional 34

Referências
CHWIF, L.; MEDINA, A. C. Modelagem e simulação de eventos discretos: teoria e aplica-
ções. 2. ed. São Paulo: Ed. Dos Autores, 2006. 254p.
HILLIER, F. S.; LIEBERMAN, G. J. Introdução à Pesquisa Operacional. 9. ed. São Paulo:
Editora Bookman, 2013.
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões: modelagem em
Excel. Rio de Janeiro: Elsevier, 2007
LAWRENCE, J. A.; PASTERNACK, B. A. Applied Management Science: Modeling,
Spreadsheet Analysis, and Communication for Decision Making. 2. ed. New York: John
Wiley e Sons, 2002.
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró-Reitoria de Graduação, 2011.
TAHA, H. A. Pesquisa Operacional. 8. ed. São Paulo: Person Prentice Hall, 2008.
YOUNG, H. D.; FREEDMAN, R. A. Física I: mecânica. 10. ed. São Paulo: Addison Wesley,
2003.
2 Programação Linear (PL)
Tatielle Menolli Longhini

A programação linear sistematiza o planejamento para alocação de recursos e


entidades. Em muitas áreas, há limitação de produtos e matérias-primas, o que difi-
culta a eficiência e eficácia de produção, lucro, custo, receita, entre outros. Para o
desenvolvimento do modelo da PL é fundamental a definição das variáveis de decisão,
restrições e função objetivo. Ou seja, os recursos que necessitam ser otimizados, e se
o objetivo é de maximizar lucro ou minimizar custos, por exemplo
O delineamento do modelo matemático é feito linearmente por meio de fun-
ções, equações e inequações para alcançar a otimização (minimização ou maximi-
zação) da função objetivo e seja satisfeito um conjunto de restrições (equações e
inequações de primeiro grau).
Para isso, são definidas as variáveis de decisão, restrições e funções objetivo. O pro-
cedimento de otimização pode ser aplicado, por exemplo, para determinação de mix
ou escalonamento de produção, escalonamento de produção, planejamento logístico e
financeiro, avaliação de projetos e alocação de recursos (LACHTERMACHER, 2009).
Assim, quando se deseja a otimização, desenvolve-se uma programação matemá-
tica dos recursos escassos (nossas variáveis de decisão). As interações entre as variá-
veis são explicitadas pelas restrições do problema mediante equações e inequações. A
representação da programação linear possui um formato padrão de formulação.
Neste capítulo, veremos a formulação da programação linear, bem como as pro-
priedades da modelagem e a obtenção da forma padrão. Para isso, é imprescindível a
definição do problema, condizente com a realidade, para que as soluções do modelo
sejam calculadas e analisadas para a tomada de decisão.

2.1 Conceitos básicos


Há diferentes maneiras para formulação de problemas em Pesquisa Operacional,
o que depende do tipo de funções usadas para definição da função objetivo e das res-
trições. A mais utilizada é a programação linear, em que todas as funções objetivo e
restrições são declaradas como lineares.
Em problemas de pesquisa operacional é comum tomar decisão para melhoria de
uso de recursos e alcance de objetivos. Geralmente, trata-se do uso de recursos limita-
dos onde se busca maior eficiência e eficácia em seu uso (MARINS, 2011).
Pesquisa Operacional 36

Note que há diferença entre os conceitos de eficiência e eficácia. O primeiro é relacionado à


melhoria de processos, e o segundo à melhoria de resultados alcançados.

Assim, o uso de recursos depende de uma análise criteriosa, de ordem econô-


mica, para otimização de capital, matéria-prima, mão-de-obra, equipamento, tempos,
entre outros recursos. A programação linear (PL) propõe-se à obtenção de soluções
otimizadas a partir de modelagem linear (MARINS, 2011).
A função da PL é maximizar ou minimizar a função objetivo, uma função linear,
respeitando as restrições de uso de recursos. A partir das restrições define-se o con-
junto de soluções viáveis – de resultados que respeitam as condicionantes do problema
− além das propriedades de modelagem. É isso que veremos ao longo deste tópico.

2.1.1 Processo de formulação de programação linear


O processo de formulação do problema, como vimos introdutoriamente, requer
a definição das variáveis de decisão (recursos que necessitam ser otimizados), função
objetivo (otimização, a partir da maximização ou minimização de resultados) e restri-
ções (limítrofes de uso de recursos).
Assim, define-se a programação linear,
com a realização de duas etapas: modelagem
e solução do problema. Lembrando, que com
a resolução podem ser obtidas tanto soluções
viáveis, quanto a solução ótima. A solução
viável é aquela que atende todas as restri- © Wittayayut // Shutterstock

ções, mas não apresenta o resultado ótimo da


função objetivo. Já a solução ótima atende as
restrições e aponta o resultado ótimo.
A modelagem que trabalharemos ao longo desta obra segue o procedimento da
programação linear. O método mais usado para solução é o Simplex, que aprendere-
mos posteriormente no capítulo quatro. Não existem procedimentos precisos para o
desenvolvimento do modelo, haja vista que cada situação é peculiar e requer práticas
de análise e síntese. Para isso, é imprescindível a experiência do gestor para abstrair o
que de fato é importante no problema e o que se deseja solucionar (MARINS, 2011).
De acordo com Lachtermacher (2009), os problemas de programação matemá-
tica podem ser representados da seguinte maneira:
Pesquisa Operacional 37

Variáveis de decisão: x 1, x 2 , ..., xn.


Otimizar: Z = f(x 1, x 2 , ..., xn).
Sujeito a:

g1 (x 1, x 2 , ..., x n) b1
g2 (x 1, x 2 , ..., x n) b2

.
.
� = � .

.

. .

gm (x 1, x 2 , ..., x n) bm

Onde:
f(x 1, x 2 , ..., xn) = c1x 1 + c2 x 2 + ... + cnxn.
gi(x 1, x 2 , ..., xn) = ai1x 1 + ai2 x 2 + ... + aijxn para i = 1, 2, ..., m.
n é o número de variáveis.
m é o número de restrições do problema.
j é o índice de determinada variável (j = 1, 2, ..., n).
ci coeficiente (constante) da variável xi da função objetivo.
aij é o coeficiente (constante) da variável xj da j-ésima restrição.
Otimizar é função de maximização ou minimização.
Com isso, parte-se para a solução do problema, com especificação qualquer de valo-
res às variáveis de decisão dentro das possibilidades contidas tanto na função objetivo,
quanto nas restrições delimitadas (LACHTERMACHER, 2009). A solução pode ser viável,
onde todas as restrições são atendidas, ou ótima, onde a função objetivo atinge seu valor
otimizado (minimizado ou maximizado) e pode ou não existir e ser única ou não.
A programação linear possui teoremas para as soluções. Inicialmente, é impor-
tante definir o que é um conjunto convexo, que se trata do conjunto de pontos em que
todos os segmentos de reta formado pelos pontos são internos ao conjunto original de
solução, como representado na figura (LACHTERMACHER, 2009).
Pesquisa Operacional 38

Representação de conjuntos convexos e não-convexo

© DTCOM
Conjunto Conjunto
Convexo Não-convexo

Fonte: LACHTERMACHER, 2007, p. 34. (Adaptado).

A partir de tal entendimento, pode-se definir quatro teoremas fundamentais:


• Teorema 1: todas as soluções viáveis de um modelo de programação linear fa-
zem parte de um conjunto convexo.
• Teorema 2: toda solução óbvia do sistema de equações lineares é um ponto
extremo de conjunto de soluções viáveis.
• Teorema 3: se a função objetivo tem apenas um ponto ótimo finito, então esse
é o ponto extremo do conjunto convexo de soluções.
• Teorema 4: se há valor ótimo em mais de um ponto, a função objetivo assume
o mesmo valor ótimo.
O atendimento aos quatro teoremas pode ser visualizado na figura. Nela, indica-se
o ponto ótimo em um ponto extremo do conjunto de soluções viáveis.

Apresentação gráfica do valor da função objetivo nos pontos extremos


21 = 5x1 + 2x2

X2
D
E (1,4)
(0,4) C
(3,3)

Soluções
viáveis
© DTCOM

(0,0) (3,0) X1
A B

Fonte: LACHTERMACHER, 2007, p. 34. (Adaptado).


Pesquisa Operacional 39

Ao respeitarem as condições, tais soluções podem ser aplicadas em situações


de administração de produção, análise de investimentos, alocação de recursos, pro-
blemas logísticos (rotas de deslocamento e custo de transporte) e planejamento.
Portanto, é fundamental a delimitação adequada do problema de programação linear,
além das propriedades, que veremos no próximo subtópico.

2.1.2 Proporcionalidade, aditividade, fracionamento e certeza


Vimos até agora o procedimento de programação linear. Para assumir a lineari-
dade, a programação linear deve atender hipóteses e condições para sua formulação.
São elas: proporcionalidade, aditividade, fracionamento e certeza.
De acordo com Taha (2008), podemos definir:

Proporcionalidade

A contribuição na função objetivo e nas restrições deve ser diretamente proporcional ao valor
das variáveis de decisão. Ou seja, não se considera ganhos e descontos para diferentes valores/
níveis de atividade.

Aditividade

A contribuição total na função objetivo e nas restrições deve ser a soma das contribuições indi-
viduais das variáveis de decisão. Assim, não se permite interdependência entre elas, tanto na
função objetivo quanto nas restrições.

Fracionamento
Admite que as unidades da atividade são divisíveis, em qualquer unidade.

Certeza
Os coeficientes são valores determinísticos (constantes conhecidas). Na realidade, tais valores
têm uma distribuição de probabilidade. Em um modelo de programação linear usa-se um valor
constante. Ou seja, os coeficientes da programação linear são aproximações aceitáveis da rea-
lidade. Quando há grandes desvios, é importante fazer a avaliação por métodos aleatórios ou
pela análise de sensibilidade da solução ótima.
Pesquisa Operacional 40

Assim, assumidas as propriedades para a linearidade, podemos prosseguir para as


definições da programação linear. Para a resolução, parte-se para a forma padrão do
modelo, em que se assume que a função objetivo deve ser do tipo maximização, res-
trições devem ser do tipo igual (=) e as variáveis e termos independentes maiores ou
iguais a zero (≥).

2.1.3 Forma padrão do modelo de programação linear


Existem problemas de programação linear que não se encontram no formato
padrão. Quando não se encontram na forma padrão, o modelo deve ser adaptado para
uso do Simplex. Para isso, a função objetivo deve ser de maximização, o termo inde-
pendente deve maior ou igual a zero, as variáveis de decisão devem ser ≥ 0 e com sinal
definido, além de existirem regras para transformar as restrições do tipo ≤ ou ≥ em =.
É isso que veremos neste subtópico.
a. Função objetivo deve ser de maximização
A modificação se baseia na relação min Z = max –Z. Dessa forma, a transforma-
ção se procede como na figura a seguir.

Mudança de programação linear de minimização para maximização


Min Z = 3x 1 – 5x 2 Max W = – Z = 3x1 – 5x 2
Sujeito a: Sujeito a:
x1 ≤ 4 x1 ≤ 4
2x 2 ≤ 12 → 2x 2 ≤ 12
3x 1 + 2x 2 ≤ 18 3x 1 + 2x 2 ≤ 18
x1 ≥ 0 e x2 ≥ 0 x1 ≥ 0 e x2 ≥ 0

Fonte: LACHTERMACHER, 2007, p. 51. (Adaptado).

A solução ótima x* de min f(x) é obtida pela multiplicação por –1:


f(x*) ≥ –f(x), o que é equivalente a dizer que x* é solução ótima de máx –f(x).

b. Termo independente < 0


Quando há a situação em que o termo independente é menor do que zero, de-
ve-se multiplicar a restrição por -1. Ou seja, se temos uma restrição do tipo:

x 1 – 2 x 2 ≤ –5 ↔ -x 1 + 2x 2 ≥ 5
–x 1 + 3 x 2 = –7 ↔ x 1 – 3x 2 = 7
Pesquisa Operacional 41

c. Restrições ≤ ou ≥
Para transformar as restrições do tipo maior ou igual ou menor ou igual (≤ ou ≥),
e transformar em equação do tipo igual (=), é acrescentada uma nova variável. A
variável será somada de a restrição for do tipo ≤ e diminuída se a restrição for ≥.
Em ambos os casos deve ser obedecida a restrição de não-negatividade. Ou seja:
Para a restrição do tipo ≤: x1 + 2x2 ≤ 10 ↔ x1 + 2x2 + f1 = 10.
Para a restrição do tipo ≥: 3x1 + 2x2 ≥ 20 ↔ 3x1 + 2x2 – f2 = 20.
Sendo que as variáveis acrescentadas devem ser maiores ou iguais a 0 (f1,f2 ≥ 0).

d. Variável de decisão ≤ 0
Se a variável de decisão for menor ou igual a zero (x’ ≤ 0), ela é substituída por
x ≥ 0, onde x’ = –x.

max 2x 1 + 3x 2 max –2x’ 1 + 3x 2


x1 + x2 = 8 –x’ 1 + x 2 = 8
–2x 1 + x 2 = 4 2’x 1 + x 2 = 4

x 1≤ 0; x 2 ≥ 0 x’ 1, x 2 ≥ 0
x’ 1 = –x 1 => x 1 = –x’ 1

e. Variável livre de sinal


Se uma variável x é livre de sinal, ou seja, pode assumir qualquer valor real
(zero, positivo ou negativo), faz-se a substituição x = xa – xb, em que xa ≥ 0 e xb ≥
0. Exemplificando, temos:

Min 2x – 3y Max 2x – 3y
x + y ≤ 20 x + y + f 1 = 20
3x – y ≥ 8 ↔ 3x – y – f 2 = 8
X ε R, y ≥ 0 X ε R, y, f 1, f 2 ≥ 0

Os números reais (R) engloba os números inteiros, fracionários, positivos, negativos e os


irracionais.
Pesquisa Operacional 42

Substituindo x = xa – xb, uma vez que se deseja que as variáveis de decisão sejam ≥ 0:

Max 2xa – 2xb – 3y


xa – xb + y + f 1 = 20
3xa – 3xb – y – f 2 = 8
y, f 1, f 2 , xa, xb ≥ 0

Então, nesse subtópico, vimos as propriedades que devem ser atendidas pela pro-
gramação linear para que a forma padrão seja assumida. Isso é o mesmo que dizer que
função objetivo da PL deve ser do tipo máx, além das restrições assumirem a igualdade
e os termos independentes devem ser, necessariamente, maiores ou iguais a zero.
De posse de todas as informações trabalhadas, podemos definir o problema,
com sua modelagem atendendo os requisitos da realidade, as propriedades e a forma
padrão. Isso é o que veremos no próximo tópico.

2.2 Definição do problema


Vimos até agora do que se trata a programação linear, além das suas proprieda-
des, teoremas e forma padrão. No entanto, você deve estar se questionando: como
identifico as variáveis de decisão do meu problema? E a função objetivo? E as restri-
ções? Este tópico tem como finalidade trazer um melhor entendimento quanto o pro-
cesso de formulação do problema de programação linear, fundamental para obtenção
de resultados condizentes com a realidade e que otimize o uso de recursos.
Para isso, esteja atento às dicas que serão dadas do decorrer do próximo subtó-
pico e perceba que o procedimento é simples e se torna cada vez mais esclarecedor
com a prática.

2.2.1 Definição de variáveis de decisão, função objetivo


e restrições do problema
O processo de modelagem da programação linear requer a definição das variáveis
de decisão, restrições e função objetivo. Veremos suas definições sequencialmente ao
longo desse subtópico.
Pesquisa Operacional 43

Variáveis de decisão
As variáveis de decisão representam a informação desejada do problema. Ou
seja, aquilo vai remeter a solução do modelo. De acordo com Marins (2011), a mode-
lagem requer, primeiramente, a identificação das variáveis de decisão. Para isso,
sugere-se três passos:

A O gestor pode determinar a quantidade de um item? Se a resposta é


positiva, esta é uma variável de decisão.

B Defina as unidades de medida, de maneira precisa, das variáveis de


decisão. Isso inclui o fator tempo, quantidade e conversões.

C Fique atento para não confundir variáveis de decisão com condicionan-


tes do problema!

Lembre-se sempre que as variáveis de decisão são aquelas que podemos mudar livremente a
quantidade, enquanto os condicionantes do problema representam restrições impostas, não
mutáveis.

Função objetivo
Definidas as variáveis de decisão, agora falaremos sobre a função objetivo.
Basicamente, a pesquisa operacional busca o melhor, ou seja, otimizar (maximizando
ou minimizando), e é isso que construímos com a função objetivo.
É comum a busca pela maximização de lucros. Na programação linear é definido
apenas uma função objetivo.

Em problemas que envolvem lucro, é necessário fazer a relação entre receitas e custos, de
modo que lucro = receitas – custos. Em situações do tipo, é comum que os problemas forne-
çam os lucros unitários, ou o faça calculá-los a partir das informações de receitas e custos.

Restrições
Quanto às restrições, devem ser identificadas as limitações de recursos disponí-
veis (trabalhadores, equipamentos, dinheiro, matéria-prima), condições contratuais e
demanda de mercado. As restrições não podem assumir valores negativos, ou seja, só
Pesquisa Operacional 44

podem assumir valores inteiros, nulos ou positivos, como forma de atender condições
de não-negatividade e integridade (MARINS, 2011).
Há a possibilidade de as restrições assumirem valores positivos, negativos ou
nulos. Diante dessas situações, é comum desenvolver os seguintes passos:
• Desenvolva as restrições com palavras. Para isso, defina a quantidade requisi-
tada de um recurso e sua relação com a disponibilidade. É como o uso de igual-
dade (=) ou desigualdades (≥ e ≤);
• assegure que as unidades de medida usadas, tanto para lado esquerdo quanto
do lado direito da (des)igualdade sejam iguais;
• desenvolva a restrição em modelagem matemática, de modo que sejam usa-
dos e explicitados parâmetros para as variáveis de decisão;
• ao fazer a notação matemática, assegure que as incógnitas se encontrem ao
lado esquerdo, e a constante fique do lado direito da (des)igualdade.
Compreendidos os passos para a definição da programação linear, quando são
designadas as variáveis de decisão, a função objetivo e as restrições, o entendimento
dos problemas de pesquisa operacional se torna mais acessível. Para que o aprendi-
zado seja colocado em prática, é necessário trabalhar com exemplos. E é isso que fare-
mos no próximo tópico.

2.3 Formulação do modelo matemático


A formulação do problema matemático requer que o gestor tenha experiência
e conhecimento quanto à situação que se deseja otimizar. Para isso, é imprescindível
conhecimento de conceitos e propriedades de programação linear, além de sua aplica-
ção prática. Este tópico se propõe à definição matemática de situações reais.
Segundo Taha (2008), mesmo que o processo de modelagem seja simplificado, ele
introduz a base do conhecimento sobre programação linear. Para ilustrar isso, é conve-
niente expor situações reais e a aplicabilidade da PL nelas. É comum formular de pro-
blemas de planejamento, investimento, mix, programação, entre outras possibilidades.

2.3.1 Definição matemática de variáveis de decisão, função objetivo e


restrições do problema
Vimos até então, conceitos e definições sobre variáveis de decisão, função obje-
tivo e restrições do problema. Com os exercícios propostos por Marins (2011) colocare-
mos nosso conhecimento em prova.
Pesquisa Operacional 45

O primeiro problema é o do modelo da dieta. O intuito é desenvolver uma dieta


que minimize os custos, mas que também seja capaz de satisfazer as necessidades diá-
rias, de um indivíduo médio, em termos de caloria (no mínimo três), cálcio (mínimo de
0,8) e Vitamina B12 (mínimo de 2,7). A tabela apresenta as associações das substâncias
em relação aos alimentos ingeridos, cujos custos unitários são apresentados. Os ali-
mentos são: farinha de trigo, leite em pó, queijo, fígado, batata e feijão.

Dados do problema da dieta


alimento (1) farinha (2) leite (3) (4) (5) (6)
nutrientes de trigo em pó queijo fígado batata feijão
Calorias 44,7 8,4 7,4 2,2 9,6 26,9
Cálcio 2,0 19,1 16,4 0,2 2,7 11,4
Vitamina B12 33,3 23,5 10,3 50,8 5,4 24,7
Custos 10,8 20,5 22,5 21,2 16,1 15
Fonte: MARINS, 2011, p. 28. (Adaptado).

Percebe-se que as variáveis de decisão do problema são os alimentos uma vez


que, em função deles, são alcançados os valores de calorias, cálcio e vitamina B12.
A função objetivo do problema consiste em minimizar os custos de compra dos ali-
mentos. As restrições são definidas pelo consumo de calorias, cálcio e vitamina B12.
Formalizando matematicamente, temos:

Variáveis de decisão
x 1: quantidade consumida de farinha de trigo
x 2: quantidade consumida de leite em pó
x 3: quantidade consumida de queijo
x4: quantidade consumida de fígado
x 5: quantidade consumida de batata
x6: quantidade consumida de feijão

Função objetivo
Sabemos que os custos unitários de farinha de trigo, leite em pó, queijo, fígado,
batata e feijão são, respectivamente, $10,8, $20,5, $22,5, $21,2, $16,1 e $15, e que o
custo total deve ser minimizado. Formalizando:

min Z = 10,8x 1 + 20,5x 2 + 22,5x 3 + 21,2x4 + 16,1x 5 + 15x 6


Pesquisa Operacional 46

Restrições
Sabendo que a necessidade mínima diária de calorias, cálcio e vitamina B12 são,
respectivamente, de no mínimo, de 3, 0,8 e 2,7 e que, e mínimo remete à restrição do
tipo maior ou igual (≥), parte-se para a formalização.
• Necessidade de caloria: 44,7x 1 + 8,4x 2 + 7,4x 3 + 2,2x4 + 9,6x 5 + 26,9x6 ≥ 3.
• Necessidade de cálcio: 2x 1 + 19,1x 2 + 16,4x 3 + 0,2x4 + 2,7x 5 + 11,4x6 ≥ 0,8.
• Necessidade de B12: 33,3x 1 + 23,5x 2 + 10,3x 3 + 50,8x4 + 5,4x 5 +24,7x6 ≥ 2,7.
• Restrição de não-negatividade: x 1,x 2 ,x 3 , x4, x 5, x6 ≥ 0.

Podemos formular a situação também de maneira generalizada, de modo que:


ci = custo do alimentos (i = 1, 2, ..., n).
n = tipos de alimentos (variando de 1 a 6 alimentos).
bj = quantidade mínima de nutriente na dieta (j = 1, 2, ...,m).
j = quantidade de restrições de necessidade (j= 1,2, 3).
aji = quantidade de nutriente j em cada alimento i.

Assim, matricialmente, o problema é definido como:


Variáveis de decisão: X.
Função objetivo: min z = C’X.
A.X ≥ b
Restrições – sujeito a  .
 X ≥ 0

Já para um modelo de transporte simples, temos, principalmente, casos de


demanda e oferta. No exemplo em questão, consideram-se fábricas distintas no país
com diferentes limitações de produção que deve ser destinada a centros de distribui-
ção, em que as demandas são satisfeitas. No modelo, define-se o custo de transporte
entre cada uma das fábricas e o centro de distribuição. Na tabela, constam os custos
relacionados aos trechos de deslocamento.
Pesquisa Operacional 47

Dados do problema de transporte


Depósitos Fábricas Florianópolis Rio de Janeiro Salvador Manaus Produções
Curitiba 1 0,8 3 4,5 470
São Paulo 1,5 0,6 2,5 3 400
Aracaju 6 5 1,2 2,8 400
Demanda 350 300 300 120
Fonte: MARINS, 2011, p. 29. (Adaptado).

Ao todo são três fábricas – em Curitiba, São Paulo e Aracaju – e quatro centros de
distribuição – Florianópolis, Rio de Janeiro, Salvador e Manaus. Assim, podemos defi-
nir que as variáveis de decisão são os custos entre as fábricas (i = 1, 2, 3) e os centros
de distribuição (j = 1, 2, 3, 4). A função objetivo busca a minimização dos custos de
transporte. Como restrições, temos as demandas de cada um dos centros de distribui-
ção e as produções de cada uma das fábricas.

Variáveis de decisão
xij =quantidade enviada da fábrica i (i = 1 (Curitiba), 2 (São Paulo), 3 (Aracaju))
ao centro de distribuição j (j = 1 (Florianópolis), 2 (Rio de Janeiro), 3 (Salvador) e 4
(Manaus)).
Ou seja:
x11: custo de transporte entre Curitiba (fábrica) e Florianópolis (centro de distribuição).
x12: custo de transporte entre Curitiba (fábrica) e Rio de Janeiro (centro de
distribuição).
x13: custo de transporte entre Curitiba (fábrica) e Salvador (centro de distribuição).
x14: custo de transporte entre Curitiba (fábrica) e Manaus (centro de distribuição).
x21: custo de transporte entre São Paulo (fábrica) e Florianópolis (centro de
distribuição).
x22: custo de transporte entre São Paulo (fábrica) e Rio de Janeiro (centro de
distribuição).
x23: custo de transporte entre São Paulo (fábrica) e Salvador (centro de distribuição).
x24: custo de transporte entre São Paulo (fábrica) e Manaus (centro de distribuição).
x31: custo de transporte entre Aracajú (fábrica) e Florianópolis (centro de distribuição).
Pesquisa Operacional 48

x32: custo de transporte entre Aracajú (fábrica) e Rio de Janeiro (centro de


distribuição).
x33: custo de transporte entre Aracajú (fábrica) e Salvador (centro de distribuição).
x34: custo de transporte entre Aracajú (fábrica) e Manaus (centro de distribuição).

Ou seja:

Explicitando as variáveis de decisão


Centros de Distribuição
Florianópolis Rio de Janeiro Salvador Manaus Produções
Fábricas
(1) (2) (3) (4)
Curitiba (1) x 11 x 12 x 13 x 14 470
São Paulo (2) x 21 x 22 x 23 x 24 400
Aracaju (3) x 31 x 32 x 33 x 34 400
Demanda 350 300 300 120
Fonte: MARINS, 2011, p. 29. (Adaptado).

Função objetivo
Sabemos que os custos unitários de transporte entre a fábrica e o centro de dis-
tribuição são definidos por:
cij = custo unitário de transporte da fábrica i (i = 1 (Curitiba), 2 (São Paulo),
3 (Aracaju)) ao centro de distribuição j (j = 1 (Florianópolis), 2 (Rio de Janeiro), 3
(Salvador) e 4 (Manaus)).
Como se deseja minimizar o custo, a função objetivo é dada por:

Min z = 1x 11 + 0,8x 12 + 3x 13 + 4,5x 14 + 1,5x 21 + 0,6x 22 + 2,5x 23 + 3x 24 + 6x 31 + 5x 32 + 1,2x 33 + 2,8x 34

Restrições
As restrições do problema são produção das três fábricas e demandas dos quatro
centros de distribuição. Assim, formalizamos como:
Restrição de produção de Curitiba: x 11 + x 12 + x 13 + x 14 ≤ 470.
Restrição de produção de São Paulo: x 21 + x 22 + x 23 + x 24 ≤ 400.
Restrição de produção de Aracaju: x 31 + x 32 + x 33 + x 34 ≤ 400.
Restrição de demanda de Florianópolis: x 11 + x 21 + x 31 + x41 = 350.
Restrição de demanda de Rio de Janeiro: x 12 + x 22 + x 32 + x42 = 300.
Pesquisa Operacional 49

Restrição de demanda de Salvador: x 13 + x 23 + x 33 + x43 = 300.


Restrição de demanda de Manaus: x 14 + x 24 + x 34 + x44 = 120.
Restrição de não-negatividade: x 11, x 12 , x 13 , x 14, x 21, x 22 , x 23 , x 24, x 31, x 32 , x 33 , x 34 ≥ 0.
Então, o problema é definido, de maneira generalizada, como:
Variáveis de decisão (xij) – quantidade transportada da fábrica i ao centro de dis-
tribuição j.
Função objetivo – min z = ∑ i=1 ∑ j=1 CijXij .
m n

Restrições – sujeito à:

n
Produção: j=1
Xij ≤ ai, i = 1, 2, ..., m (m = 3).

m
Demanda: j=1
Xij = bj, j = 1, 2, ..., m (n = 4).
Não-negatividade: xij ≥ 0.

Assim, vimos nesse subtópico como definir, em problemas práticos, as variáveis


de decisão, a função objetivo e as restrições em problema de modelagem de dieta e de
problema de transporte simples. Agora, nos cabe a análise a obtenção de soluções e
análises das mesmas para o processo de tomada de decisão.

2.4 Derivando soluções do modelo


Para a análise de modelagem, deve-se avaliar os resultados obtidos da programa-
ção linear. Assim, é imprescindível a identificação das soluções viáveis ou ótimas do
problema, bem como analisar a sensibilidade do modelo. A definição da solução ótima
é o passo desejado pela pesquisa operacional.
Diante do cálculo do resultado ótimo, busca-se a aplicação prática daquilo que foi
simulado. Assim, requer cautela para o processo de tomada de decisão, em que as solu-
ções são implementadas e devem ser monitoradas. E é isso que veremos neste tópico.

2.4.1 Análise da modelagem


A análise da modelagem requer que o problema de programação linear tenha
sido desenvolvido corretamente, de modo que seja condizente com a realidade ana-
lisada e que as variáveis de decisão, função objetivo e restrições sejam devidamente
delineadas. Isso porque, a partir disso, com técnicas de cálculo, são obtidos os resulta-
dos do modelo. É com eles que se avalia as soluções a serem implementadas e o moni-
toramento do comportamento das soluções.
Pesquisa Operacional 50

De acordo com Taha (2008), os valores da solução são obtidos quando, mediante
as restrições do problema original, o modelo é resolvido sem que nenhuma das con-
dições seja rompida. Consequentemente, é importante avaliar as soluções calculadas,
como consta na figura a seguir.

Processo de solução analítica


Início

Determine uma Determine o


solução viável dicionário inicial

Solução Sim Existe coeficiente


Fim
ótima? positivo em Z?

Determine uma Variável que entra


solução viável melhor

© DTCOM
Variável que sai

Fonte: TAHA, 2008, p. 31. (Adaptado).

A solução analítica é aquela que é adotada pelo método Simplex, quando, ao longo das etapas
são visualizadas quais variáveis entram ou saem da solução do modelo de modo que o resulta-
do ótimo seja alcançado.

Quando feita uma avaliação superficial e rápida, é comum o uso de métodos inte-
rativos de solução e a solução gráfica. Em termos de simplificação, para a aprendiza-
gem, é comum o uso de modelos com apenas duas variáveis de decisão. Assim, para a
determinação da solução ótima deve haver relação entre os métodos.
Com os problemas resolvidos, as soluções indicam as ações a serem implementa-
das na realidade. Portanto, é essencial compreender o processo de tomada de decisão
para que as soluções sejam viabilizadas e monitoradas na realidade.

2.4.2 Processo de tomada de decisão


O processo de tomada de decisão requisita a identificação do problema e das
oportunidades de solucioná-lo. A oportunidade surge quando há possibilidades de,
diante as restrições, ser capaz de alcançar e ir além nas metas e objetivos. São muitos
os fatores que influenciam a tomada de decisão: tempo, importância, o ambiente, o
risco/retorno, os agentes tomadores de decisão e os interesses conflitantes.
Pesquisa Operacional 51

Segundo Marins (2011), primeiro é necessário compreender o desdobramento


hierárquico da decisão, se é estratégico, gerencial e/ou operacional. Por consequên-
cia, deve-se identificar o nível de estrutura da informação disponível, se é estruturada,
semiestruturada ou não estruturada. Quanto mais estruturada a informação, melhor o
embasamento para a tomada de decisão.
O número de decisores também influi no conteúdo da decisão, ao passo em que
há clara distinção entre decisões individuais, em grupo, entre participantes com dife-
renças culturais e em situações de conflito entre agentes. O nível de comunicação e
troca mútua de informações é um dos fatos primordiais. Uma vez que, é daí que se
reduz os ruídos de comunicação e de tomada de decisão, principalmente, no que se diz
de clareza e objetividade de comunicação (MARINS, 2011).
Assim, o processo de modelagem de problemas se traduz em uma série de vanta-
gens ao gestor do negócio. Os modelos impõem aos decisores a definição do objetivo,
bem como dos fatores que podem impactar para atingi-lo. Além disso, conduz o ges-
tor a um planejamento prévio sobre as variáveis do modelo e suas quantidades, limita-
ções de trabalho, além de contribuir para a fluência do trabalho em grupo.
Vimos ao longo deste capítulo o conceito de programação linear, bem como seus
teoremas e propriedades. Expusemos ao leitor como definir e designar no problema de
PL as variáveis de decisão, a função objetivo e as restrições. Para isso, foram usados
dois exemplos distintos de formulação, dentre tantas outras possibilidades de exem-
plificação, dada a ampla aplicabilidade da PO. Por fim, foram apresentadas as possi-
bilidades de análise do modelo e de suas soluções. Imprescindíveis para o processo de
tomada de decisão.
Pesquisa Operacional 52

Referências
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões. 4. ed. Rio de
Janeiro: Elsevier, 2009.
______. Pesquisa operacional na tomada de decisões: modelagem em Excel. Rio de
Janeiro: Elsevier, 2007
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró-Reitoria de Graduação, 2011.
TAHA, H. A. Pesquisa Operacional. Ed. 8. São Paulo: Person Prentice Hall, 2008.
3 Aplicações da Programação Linear
Tatielle Menolli Longhini

O presente capítulo propõe-se à apresentação dos métodos de solução gráfica,


além de ensinar ao aluno como resolver problemas de otimização através do suple-
mento Solver do pacote das planilhas eletrônicas. A partir das soluções obtidas com
ambos os métodos, intenciona-se que o aluno esteja habilitado à interpretação de
resultados obtidos e implementação de soluções aos sistemas analisados.
O método de solução gráfica é aplicável a problemas que contêm duas variáveis
de decisão. Com ele, visualiza-se a região viável de soluções após a consideração de
restrições e do objetivo de solução. É um instrumento de apoio à decisão de fácil apli-
cação e que possibilita ao aluno a interpretação de resultados com as soluções viáveis
e solução ótima do problema.
O uso do Solver, suplemento do pacote de planilhas eletrônicas, requer que o dis-
cente esteja apto à formulação dos problemas de programação linear (PPLs), e que
esta seja devidamente declarada no programa. Com o PPL desenvolvido e habilitado
no Solver, seguem-se os passos para a obtenção de resultados a partir do software.
Mantenha-se atento ao assunto apresentado e aproveite. Métodos como
esses são imprescindíveis para a tomada de decisão e os tornam aptos a serem bons
gestores.

3.1 Resolução gráfica


A solução gráfica destaca-se pela simplicidade, sendo um dos métodos a fornecer
soluções de situações em estudo. A construção do método consiste, basicamente, na
utilização de três passos distintos. Acompanhe atentamente os passos de solução para
que os detalhes sejam plenamente compreendidos e que você se torne apto a solucio-
nar outras PPLs a partir do método gráfico.

3.1.1 Procedimento de resolução gráfica


A solução gráfica de um modelo de programação linear é amplamente aplicá-
vel para solução de problemas lineares com duas variáveis de decisão. Trata-se de um
método fácil utilizado para identificação de soluções viáveis e da solução ótima que
passa por três etapas:
Pesquisa Operacional 54

• desenhar o gráfico,
• descobrir a área viável,
• determinar a solução ótima.
Cada um dos passos tem atividades específicas a serem realizadas, conforme
exposto na figura a seguir.

Passos para solução gráfica de um modelo de programação linear

(1) Desenhar o gráfico

(a) Desenhar um eixo


cartesiano para cada
variável
(b) Desenhar uma reta
para cada restrição
(2) Descobrir a área viável

(a) Cada restrição


delimita uma área
cujos valores atendem
os limites
(b) Achar a área
comum (região viável) (3) Determinar a
solução ótima

(a) Verificar o sentido


de melhoria da função
objetivo
(b) Achar o ponto ótimo
© DTCOM

Partindo do passo 1, segundo Marins (2011), o par de eixos coordenados é usado


com a atribuição das duas variáveis de decisão, uma dela na abscissa (x 1) e outra na
ordenada (x 2) do gráfico. Com ele, são representadas as restrições, a função objetivo e
as soluções do problema.
Busca-se, portanto, a região viável com o conjunto de pares (x 1, x 2) que atendem
as restrições do problema. Para a demonstração de solução do método gráfico, será
utilizado o problema de produção de brinquedos, proposto por Marins (2011) adaptado
de Lawrence e Pasternack (2002).
Pesquisa Operacional 55

Especificamente, trata-se de um problema em que uma fabricante de brinque-


dos, B1 e B2 , necessita de dois recursos para produção: plástico (com 1.000 quilos dis-
poníveis) e tempo de produção (com 40 horas disponíveis). O analista de marketing
identificou que a produção total de brinquedos deveria ser menor que 700 unidades,
e a quantidade de B1 não deveria exceder em 350 unidades a de B2 , como resposta à
demanda de consumo. Além disso, sabe-se que o brinquedo B1 requer 2 quilos de plás-
tico e 3 minutos de produção, enquanto B2 necessita de 1 quilo de plástico e 4 minutos
de produção. Estima-se que lucro com a venda de B1 seja $8,00 por unidade, enquanto
que para B2 é de $5,00 por unidade. A empresa deseja obter a quantidade de brin-
quedo a ser produzida, de modo que a o lucro seja maximizado.
Com a situação descrita, parte-se para a formulação do problema, em que são
definidas: (a) as variáveis de decisão, (b) a função objetivo e (c) as restrições.

(a) Variáveis de decisão:


x 1 – quantidade a ser fabricada semanalmente do brinquedo B1.
x 2 – quantidade a ser fabricada semanalmente do brinquedo B2 .

(b) Função objetivo:


máx 8x 1 + 5x 2 (Lucro).

(c) Restrições:
2x 1 + x 2 ≤ 1000 (Restrição de Plástico).
3x 1 + 4x 2 ≤ 2400 (Tempo de Produção em minutos).
x 1 + x 2 ≤ 700 (Produção Total).
x 1 – x 2 ≤ 350 (Mix de produção).
x 1, x 2 ≥ 0 (Condição de não-negatividade).

Perceba que no problema, a produção é determinada por duas variáveis: x1, x 2. Com
elas, todas as restrições do problema devem ser atendidas para a obtenção da solução
ótima, onde se deseja a maximização de recursos. Além disso, o problema tem como
restrições: restrição de plástico, tempo de produção, produção total e mix de produção.
O primeiro passo consiste em atender à condição de não negatividade em que se
determina que as variáveis de decisão são positivas, como mostra a figura a seguir.

A condição de não-negatividade deve ser atendida, pois, quando avaliamos problemas reais,
possuímos recursos. Estes, como existem, jamais podem assumir valores negativos.
Pesquisa Operacional 56

Restrições de não negatividade

X2

X1

© DTCOM
Fonte: MARINS, 2011, p. 40.

Depois, busca-se tornar as restrições em retas. Para isso, a desigualdade ≤ será


substituída por =. Além disso, ora uma variável será fixada com o valor igual a zero, ora
a outra, de maneira a identificar os pontos que definem as retas. Aplicando o expli-
cado, temos:

Restrição de Plástico
2x 1 + x 2 = 1000
(i) Para x 1 = 0: (ii) Para x 2 = 0:
2 . 0 + x 2 = 1000 2x 1 + 0 = 1000
x 2 = 1000 x 1 = 1000/2
x 1 = 500

Então, x 1 = 500 e x 2 = 1000 são os interceptos do gráfico, em vermelho, como


indicado na próxima figura. A seta é apontada para baixo, pois a restrição é, original-
mente, do tipo ≤ (menor ou igual).

Restrição de plástico

1.000
X2 Restrição de plástico:
2 X1 + 1 X2 < 1000

500
X1
© DTCOM

Fonte: MARINS, 2011, p. 42. (Adaptado).


Pesquisa Operacional 57

Procedendo da mesma maneira, encontramos que os cortes de tempo de produção,


de total e mix são, respectivamente, x1 = 800 e x2 = 600, x1 = 700 e x2 = 700 e x1 = 350 e
x2 = –350, sendo expostas na figura a seguir. Para este último, devido à condição de não-
-negatividade, constrói-se a reta a partir do quadrante positivo do eixo de coordenadas.

Restrições de tempo de produção, produção total e de mix


X2 X2 X2

700
Restrição de tempo Restrição produção Restrição de mix:
600 de produção: total: x1 - x2 < 350
3x1 + 4x2 < 2400 x1 + x2 < 700

© DTCOM
800 X1 X1 350 X1
700

Fonte: MARINS, 2011, p.42-43. (Adaptado).

Ao identificar a região varrida por cada uma das restrições, encontramos a região
viável, que é resultante da interseção de todas as restrições, conforme a próxima
figura. Perceba, ainda a partir da imagem, segundo Marins (2011), que existem três
tipos de soluções viáveis: pontos internos à Região Viável, Pontos na fronteira (seg-
mentos) e Pontos que são vértices cortes de segmentos de reta.

Identificação da Região Viável

X2 Solução Viável
Interior
600
Solução Viável
na Fronteira

Região Solução Viável


Viável é um Vértice

X1
© DTCOM

350
Fonte: MARINS, 2011, p. 43. (Adaptado).

Identificada a região viável, parte-se para obtenção da solução ótima. Perceba


que os vértices e a área da região viável são zonas de soluções viáveis.
Pesquisa Operacional 58

As soluções viáveis, assim como a solução ótima, indicam soluções que atendem às restrições
do problema. No entanto, a função objetivo não possui um valor ótimo.

Para isso, é necessário identificar o movimento da função objetivo, 8x 1 + 5x 2 ,


que se desloca em direção ao crescimento (já que se deseja a maximização de lucro).
Colocamos, então, diferentes valores resultantes da função objetivo, sendo gerado um
conjunto de retas paralelas. Depois, buscamos a reta que se relaciona com o último
ponto possível da região viável.
Assim, implementamos um simples procedimento, a partir da arbitragem do
valor da função objetivo. Assumindo que o valor da função objetivo é de 2.000, por
exemplo, temos:

8x 1 + 5x 2 = 2.000

Mediante esta equação, obteremos a reta associada à função objetivo da mesma


maneira que procedemos nas retas das restrições do problema, ou seja:

Para x 1 =0: Para x 2 = 0


8 . 0 + 5x2 = 2.000 8x1 + 5 . 0 = 2.000
x 2 = 2.000/5 x 1 = 2.000/8
x 2 = 400 x 1 = 250

Veja que os cortes para a função objetivo igual a 2.000 são o x 1 = 250 e x 2 = 400.
O processo é repetido para diferentes valores arbitrários à função objetivo, até que a
reta se ligue ao último ponto possível da Região Viável, como mostra a próxima figura.

Obtendo a solução ótima


X2
8X1 + 5X2 = 4.360 - lucro ótimo
x*1 = 320
8X1 + 5X2 = 2.000 x*2 = 360

400 Melhoria do
objetivo

8X1 + 5X2 = 0

X1
© DTCOM

250

Fonte: MARINS, 2011, p. 43. (Adaptado).


Pesquisa Operacional 59

O último ponto possível da região viável a ser relacionado pela evolução da fun-
ção objetivo é resultante da interseção entre a restrição de tempo de produção (reta
azul) e a restrição de plástico (reta vermelha). Para calcular esse ponto, precisamos
fazer um sistema incluindo as retas das duas restrições:

3x 1 + 4x 2 = 2400 (Tempo de Produção em minutos)


2x 1 + x 2 = 1000 (Restrição de Plástico)
Resolvendo o sistema, temos que x*1 = 320, e x*2 = 360.
Substituindo os valores de x*1 e x*2 na função objetivo 8x 1 + 5x 2 , temos:
Função objetivo = 8 . (320) + 5 . (360) = 4.360.

Assim, resolvemos o problema solicitado, de maneira que se deve produzir 320


unidades do brinquedo 1, e 360 do brinquedo 2 para obter o lucro máximo de $4.360.

O exemplo que acabamos de resolver é do tipo de solução única. Ou seja: apenas um ponto
representa o resultado de otimização.

Você aprendeu aqui como se dá o procedimento de solução gráfica para otimi-


zação de resultados. Trata-se de uma metodologia de pesquisa operacional simples,
que requer: desenho do gráfico, descoberta da área viável e determinação da solução
ótima. No exemplo resolvido, obtivemos uma solução única ao problema. No entanto,
nem todos os PPLs se comportam dessa forma. Por isso, aprenderemos sobre os casos
especiais da solução gráfica.

3.1.2 Casos especiais da solução gráfica


Alguns problemas possuem certas propriedades e/ou função objetivo que os tor-
nam especiais, conforme a próxima figura. Tais casos serão evidenciados em qualquer
forma de solução. Tratam-se de casos possíveis de problema de programação linear
envolvendo duas variáveis em que são indicados a região viável, quando existente, o
sentido da função objetivo e o valor ótimo da função objetivo (MARINS, 2011). São
eles: solução ilimitada, problema inviável e múltiplas soluções ótimas.
Pesquisa Operacional 60

Casos especiais da solução de programação linear


X2 X2

cresce
conjunto viável vazio

X1 X1
(a) solução ilimitada (b) não há solução
X2 X2

Z*
cresce
cresce
Z*
X1
X1

© DTCOM
(c) mais de uma solução ótima (d) mais de uma solução ótima

Fonte: MARINS, 2011, p. 46. (Adaptado).

A solução ilimitada é definida como aquela que não possui solução ótima, pois a
solução da função objetivo tende ao infinito, como demonstrado em (a). Já o caso de
problema inviável ocorre quando não existe solução viável, logo não há solução ótima,
pois todas as variáveis são inviáveis. Ou seja: não há solução que atenda todas as res-
trições simultaneamente, e está indicado em (b). Por último, existe o caso de múltiplas
soluções ótimas que indicam na verdade, que há infinitas soluções ótimas alternativas.
Qualquer combinação linear gera uma solução ótima, como mostrado em (c) e (d).
Aprendemos, portanto, os passos que devem ser seguidos para resolução de pro-
blemas de otimização por método gráfico. A partir dele, obtivemos a solução ótima do
problema – caso ele incorra em uma única solução. Se a resolução não se enquadrar
nesse perfil, dizemos que pode ser um caso especial de solução de programação linear,
requisitando um estudo mais detalhado para apontar se é uma situação de solução ili-
mitada, de não solução ou de múltiplas soluções.

3.2 Formulação e resolução de problemas lineares em solver


A resolução de problemas de otimização a partir do Solver é largamente aplicada
pelos usuários. Isso se justifica pela difusão de uso de planilhas eletrônicas e pela faci-
lidade de programação. Outros softwares prestam análises similares, mais elaboradas
e flexíveis. No entanto, nestes casos, o gestor de conhecimento específico precisa ter
uma linguagem original e computacional.
Pesquisa Operacional 61

Para a otimização de PPLs no Solver é necessário que o usuário formule correta-


mente o modelo e proceda os passos que serão descritos. A partir deles, são obtidos
os resultados, passíveis de interpretação e implementação de soluções à realidade. O
Solver é uma ferramenta de grande utilidade para auxiliar na tomada de decisão.

3.2.1 Conhecendo o Solver


Para Taha (2008), a solução de problemas de otimização com o solver amplia as pos-
sibilidades de análise, uma vez que se pode inserir milhares de variáveis e restrições ao
modelo. O Solver é a técnica mais utilizada pelos usuários, devido à difusão do software
de planilha eletrônica entre os computadores.
Com o Solver há diversificadas maneiras de modelar e solucionar um problema,
em virtude da ampla funcionalidade das planilhas eletrônicas (LACHTERMACHER,
2007). Intenciona-se que o aluno seja capaz de reconhecer a aplicabilidade das pla-
nilhas eletrônicas na obtenção de resultados otimizados, que auxiliam na tomada de
decisão da gestão.

Além do Solver, existem outros softwares para resolução de problemas de otimização, tais
como AMPL e o Lindo, suas versões podem ser baixadas sem custo, mas requisitam uma lingua-
gem algébrica de modelagem. São interessantes, pois ofertam maior flexibilidade aos modelos.

Primeiramente, é necessário habilitar, em sua planilha eletrônica, o pacote Solver.


Para isso, você deve ir na aba de personalizar ‘Barra de Ferramentas de Acesso Rápido’,
de modo a selecionar o item ‘Mais Comandos...’como mostrado na próxima figura.

Ativando o Solver a partir do atalho


‘Personalizar Barra de Ferramentas de Acesso Rápido’
Pesquisa Operacional 62

Feito isso, o conjunto de Opções do Excel será aberto, e você deve selecio-
nar Suplementos, presente na coluna à esquerda da tela. Depois, deve-se selecio-
nar Gerenciar: a opção Suplementos do Excel e pressionar o botão Ir, assim como
exposto na próxima figura.

Ativando o Solver abrindo o conjunto de Opções do Excel

Posteriormente, o conjunto de Suplementos será aberto. Selecione a opção


Solver e clique no botão OK, assim como mostrado na imagem a seguir.

Ativando o Solver no conjunto Suplementos


Pesquisa Operacional 63

Ao abrir a aba de Dados, você notará que no canto superior direito da tela, assim
como indicado pela seta vermelha, o Solver se encontra habilitado para uso, conforme
a imagem a seguir.

Solver ativado para uso

Você notou aqui que, o Solver é um a ferramenta de largo uso para a otimização
de problemas de programação linear. Além dele, outros softwares podem ser utiliza-
dos para tal finalidade. Para o uso do Solver, é necessário, inicialmente, ativá-lo. Mas,
quais são os passos a serem seguidos para programar a otimização de problemas no
Solver? Veremos no tópico a seguir.

3.2.2 Passos para o desenvolvimento do Solver


Para o desenvolvimento da solução do Solver é necessária a formulação do pro-
blema, a partir da modelagem matemática. Vamos usar aqui o exercício da Fábrica de
Brinquedos, em que encontramos a solução ótima a partir do procedimento de resolu-
ção gráfica. Relembrando que a modelagem matemática do problema foi:

(a) Variáveis de decisão:


x 1 – quantidade a ser fabricada semanalmente do brinquedo B1.
x 2 – quantidade a ser fabricada semanalmente do brinquedo B2 .

(b) Função objetivo:


máx 8x 1 + 5x 2 (Lucro).

(c) Restrições:
2x 1 + x 2 ≤ 1000 (Restrição de Plástico).
3x 1 + 4x 2 ≤ 2400 (Tempo de Produção em minutos).
x 1 + x 2 ≤ 700 (Produção Total).
x 1 – x 2 ≤ 350 (Mix de produção).
x 1, x 2 ≥ 0 (Condição de não-negatividade).
Pesquisa Operacional 64

Sistematizando na planilha eletrônica, construímos o modelo como apresentado


na imagem a seguir, sendo considerados os aspectos que constavam na modelagem
matemática.

Modelando o problema matemático em planilha eletrônica

Perceba que as variáveis de decisão, encontram-se em branco. Isso porque a solu-


ção será atribuída em tais células. Agora, vamos programar a célula de Resultado da
Função Objetivo e o Total das Restrições, como na imagem a seguir.

Vinculando os dados para otimização

Entenda que o resultado, tanto da função objetivo, quanto das restrições, pos-
suem seus coeficientes vinculados às variáveis de decisão. Isso se explica, a partir da
solução do problema, há a identificação dos valores ótimos de x 1 e x 2 , identificaremos
a função objetivo otimizada, assim como o nível de uso de recursos de cada restrição.
Com o modelo definido, programar o último passo do Solver. Para isso, você deve ir à
aba Dados e ir no canto direto superior da tela, onde há a opção Solver que deve ser
selecionada, aparecendo a tela da figura a seguir.
Pesquisa Operacional 65

Inclusão de Parâmetros do Solver para otimização do problema

Perceba que em Definir Objetivo, selecionaremos o Resultado da função obje-


tivo, que havíamos programado anteriormente. Como desejamos maximizar a função
objetivo, selecionamos a opção Máx. Em Alterando Células Variáveis, selecionaremos
as células em branco em variáveis de decisão. Lá que o resultado otimizado será retor-
nado. Em Sujeito às Restrições, devemos incluir as limitações de cada restrição. Ou
seja: o Total de cada restrição será relacionado à Restrição propriamente dita. Como
as relações do problema são do tipo menor ou igual (≤), assim associaremos, pressio-
nando o botão Pressionar, aparecendo a tela que consta na imagem a seguir. Nela,
exemplificamos a adição de Restrição de Plástico, em que o procedimento é o mesmo
para a inclusão de todas as restrições.

Adicionando a restrição de plástico

Adicionadas todas as restrições, voltando à imagem intitulada Inclusão de


Parâmetros do Solver para otimização do problema, selecionaremos a opção Tornar
Variáveis Irrestritas Não Negativas, de modo a atender à restrição de não-negativi-
dade. Por fim, em Selecionar um método de buscaremos a opção LP Simplex, pois
Pesquisa Operacional 66

se trata de um problema de programação linear. Assim, clicamos no botão Resolver e


obteremos os resultados, que devem ser interpretados tal qual será abordado na pró-
xima seção.

3.2.3 Interpretação de resultados do Solver


Vimos no tópico anterior como a programação linear deve ser organizada na planilha
eletrônica, bem como se dá o procedimento de resolução via Solver. Agora, focaremos
na resolução propriamente dita do problema, em que as interpretações de resultados são
feitas. Assim, ao clicar em Resolver, temos acesso à tela da figura a seguir.

Resultados do Solver

Perceba que somos informados que uma solução foi encontrada, de modo que
todas as restrições e condições do problema foram plenamente satisfeitas. Podemos
interpretar os resultados também a partir dos relatórios de resposta, sensibilidade e
limites. O relatório de sensibilidade é aquele que nos permite uma melhor abordagem
em termos de avaliação de resultados em caso de variação de valores das variáveis de
decisão outras situações.
Ao manter selecionado a opção Manter Solução do Solver, clicamos no botão
OK. Note, a partir da figura a seguir, que as Variáveis de decisão, antes vazias, assu-
miram valores indicativos da otimização, de modo que x 1 = 320, e x 2= 360, resultando
em um lucro maximizado de $4360. Ou seja, para a otimização do modelo é necessária
a produção de 320 unidades do brinquedo 1 e de 360 unidades do brinquedo 2, garan-
tindo um lucro máximo de $4.360. Além disso, note que todas as restrições foram
atendidas, de modo que o total não ultrapassa a Restrição.
Pesquisa Operacional 67

Resultados otimizados obtidos pelo Solver

Perceba para a Fábrica de Brinquedos, os resultados obtidos pelo método gráfico


e pelo Solver são idênticos. O que nos leva a crer que os resultados estão corretos. Cabe
ao gestor a escolha do método que me melhor lhe convém para a solução de problemas.
Aprendemos assim, ao longo deste tópico, a aplicar o Solver como método de
otimização. Ele é largamente utilizado pelos usuários, em função da disseminação de
uso de planilhas eletrônicas. Para isso, é importante compreender todos os passos de
programação em planilha para que os resultados alcançados realmente respondam a
realidade abstraída para análise.

3.3 Estudo de caso


Ao ensinar como otimizar os modelos, tanto pela resolução gráfica, quanto pelo
Solver, utilizamos um mesmo problema, em que o objetivo de estudo era a maximiza-
ção da função objetivo. Os problemas de maximização basicamente atendem aos pas-
sos ensinados.
Por isso, trabalharemos nesse tópico o problema de minimização. O princípio de
solução sofre pequenas alterações de análise, principalmente quando usamos a resolu-
ção gráfica como método de otimização. Isso será demonstrado, bem como os resulta-
dos obtidos por ambas metodologias serão comparados.

3.3.1 Exemplo de programação linear


Para esse caso, adaptaremos o Problema da Dieta proposto por Taha (2008) à
realidade do sistema de medição nacional. Nele, a empresa usa no mínimo 800kg de
ração especial diariamente. As composições encontram-se descritas a seguir.
Pesquisa Operacional 68

kg por kg de ração
Ração Proteína Fibra Custo ($/kg)
Milho 0,09 0,02 0,3
Soja 0,6 0,06 0,9
Fonte: TAHA, 2008, p. 11. (Adaptado).

Requisita-se que a ração possua, no mínimo, 30% de proteína e no máximo 5% de


fibra. A ração é composta por milho e soja.
Diante deste cenário, a empresa objetiva a minimização do custo diário de ração.
Com as informações concedidas, vamos formular o problema, sendo identificadas
as variáveis de decisão, função objetivo e restrições do problema:

Variáveis de decisão:
x 1 = kg de milho na ração especial.
x 2 = kg de soja na ração especial.

Função objetivo:
mín 0,3x1 + 0,9x 2 (A empresa deseja minimizar os custos de produção).

Restrições:
x 1 + x 2 ≥ 800 (necessidade nutricional).
0,09x 1+ 0,6x 2 ≥ 0,3(x 1 +x 2) => 0,21x 1 – 0,3x 2 ≤ 0 (requisito de proteína na
mistura das rações).
0,02x 1 + 0,06x 2 ≤ 0,05(x 1 + x 2) => 0,03x 1 – 0,01x 2 ≥ 0 (requisito de fibra na
mistura das rações).
x 1,x 2 ≥ 0 (restrição de não-negatividade).

Note que, quando se fala de restrição do tipo mínimo, traduzimos matematicamente como re-
lação maior ou igual (≥). Já, quando dissemos que a restrição é do tipo máximo, expressamos
como menor ou igual (≤).

A etapa de formulação do problema é indispensável para o desenvolvimento da


solução de problemas de otimização. Especialmente para o de minimização, que ainda
é uma novidade para você. De posse de tais informações, procederemos a resolução
através do método gráfico e do Solver.
Pesquisa Operacional 69

3.3.2 Solução do exemplo por solução gráfica


A partir do problema formulado, podemos partir a para a solução gráfica. Para
isso, necessitamos transformar as restrições em retas, bem como a evolução da fun-
ção objetivo. O procedimento é o mesmo que fizemos no exemplo da Fábrica de
Brinquedos. Ou seja:

Restrições:
Necessidade nutricional
x 1 + x 2 = 800
(i) Para x 1 = 0 (ii) Para x 2 =0
0 + x 2 = 800 x 1 + 0 = 800
x 2 = 800 x 1 = 800

Requisito de proteína
0,21x 1 – 0,3x 2=0 (na mistura das rações)
(i) Para x 1 =0 (ii) Para x 2 = 0
0,21.(0) – 0,3x 2 = 0 0,21x 1 – 0,3.(0) = 0
x 2 = 0/(–0,3) = 0 x 1 = 0/0,21 = 0

Requisito de Fibras
0,03x 1 – 0,01x 2 = 0
(i) Para x 1 = 0 (ii) Para x 2 = 0
0,03.(0) – 0,01x 2 = 0 0,03x 1 – 0,01.(0) = 0
x 2 = 0/(–0,01) = 0 x 1 = 0/0,03 = 0

Perceba, que tanto o requisito de proteínas quanto o de fibras partem da ori-


gem. Consequentemente, necessita-se de um ponto a mais com designação de valor
às variáveis. Isso é necessário para identificar o comportamento das retas respectivas
e das retas de restrição.
Para analisar a evolução da função objetivo atribuímos, novamente, valores alea-
tórios ao valor da função objetivo. Consequentemente, serão obtidas retas paralelas
umas com as outras. Ou seja, é quase o mesmo procedimento que realizamos anterior-
mente, o que muda é o comportamento de evolução. Ao invés de ser de subida (que
fizemos para o caso de maximização), terá o movimento de descida (atendendo ao
quesito de minimização de custos). Obtemos, portanto, o gráfico da figura a seguir.
Pesquisa Operacional 70

Solução gráfica do problema de minimização de custos da ração especial

x2

1.500
Minim
izar z
= 0,3
x1 + 0
,9 x

0
,01 >
2
x1 - 0

1.000
0,03

<0
3 x 2
,
-0
1x1
0,2
500

Ótima: x1 = 470,6
x x2 = 329,4
1 +
x
2 > z = $437,64
80
0

© DTCOM
x1
0 500 1.000 1.500

Fonte: TAHA, 2008, p. 12.

A área sombreada identifica a Região Viável de solução. Com o movimento de


descida da função objetivo, o último ponto da região viável relacionado é resultante
do encontro das retas das restrições de necessidade nutricional e requisito de proteína.
Assim, para calcularmos o ponto, reduzimos:

x 1 + x 2 = 800
0,21x 1 – 0,3x 2 = 0

Ao solucionar, encontramos os valores ótimos x*1 = 470,6 kg e x*2 = 329,4 kg.


Substituindo-os na função objetivo:

mín 0,3x*1 + 0,9x*2 = 0,3 . (470,6) + 0,9 . (329,4) = $437,64

Ou seja, com o uso de 470,6kg de milho e 329,4kg de soja, todos os requisitos do


problema são atendidos, minimizando o custo de produção para $437,64.
Assim, resolvemos o problema de minimização com o método gráfico e o de
comparação com o solver.
Pesquisa Operacional 71

3.3.3 Solução do exemplo por solver


Agora, buscamos a resolução do problema. Formulação e resolução de problemas
no Solver”. Para isso, organizamos a formulação matemática na planilha eletrônica,
de modo que as variáveis de decisão permaneçam vaziam (já que serão a solução), o
Resultado da função objetivo deve associar os coeficientes da função objetivo às variá-
veis de decisão, bem como para obter o total das restrições, em que os coeficientes
são associados às variáveis de decisão, como mostra a figura a seguir.

Modelagem do problema de produção de ração especial


em planilha eletrônica para uso do Solver

Com o modelo definido na planilha eletrônica, vamos na aba Dados para selecio-
nar opção ‘Solver’. Partiremos para a solução do problema, como mostra a próxima
figura. Perceba que em Definir Objetivo, selecionaremos o Resultado da função obje-
tivo, que havíamos programado anteriormente. Como desejamos minimizar a função
objetivo, selecionamos a opção Mín.
Em Alterando Células Variáveis, selecionaremos as células em branco em
variáveis de decisão. Lá que o resultado otimizado será retornado. Em Sujeito às
Restrições, devemos incluir as limitações de cada restrição, tal formulamos o modelo
matematicamente. Selecionada a opção Tornar Variáveis Irrestritas Não Negativas,
e em Selecionar um método de a LP Simplex, selecionamos Resolver.
Pesquisa Operacional 72

Inclusão de Parâmetros do Solver para otimização do problema de produção de ração

Ao solucionar foi encontrado um único resultado, em que todas as condições


foram plenamente atendidas. Ou seja, para minimizar os custos de produção de
ração especial, deve-se usar 470,6kg de milho e 329,4kg de soja, de modo que o custo
mínimo alcançado é de $437,64, como mostra a próxima figura.

Solução do problema de produção de ração especial

Resolvemos, portanto, o problema de minimização a partir dos dois métodos que


aprendemos ao longo deste capítulo. Assim fixamos o conteúdo, aprendemos a lidar
com problemas de minimização. No fim, o resultado encontrado pela resolução gráfica
é similar à do Solver.
Pesquisa Operacional 73

3.4 Comparação de resultados da solução gráfica e do solver


Percebemos que a solução de problemas de otimização é possível usando tanto a
solução gráfica quanto o solver. Para ambos, é fundamental que a formulação do pro-
blema seja feita corretamente. Caso contrário, não corresponderá a realidade estu-
dada e implicará erros.
Mas, se ambos os métodos remetem à otimização de resultados, quais as vantagens
e desvantagens um em relação ao outro? É justamente isso que veremos neste tópico.

3.4.1 Vantagens e desvantagens dos métodos


Ao resolver dois exemplos tanto com método gráfico, quanto do Solver, obti-
vemos resultados semelhantes. O que demonstra que os dois foram implantados de
maneira correta. No entanto, é notável que o Solver é de mais fácil aplicação para a
compilação do problema, análise de folgas, correções de erros cometidos e flexibili-
dade de solução, o que também requer um tempo menor de modelagem e resolução.
A solução gráfica tem como papel conduzir o aluno a uma interpretação teórica do que
de fato está acontecendo até o cálculo da solução ótima.
Além disso, o Solver pode usar milhares de variáveis e restrições, enquanto que o
modelo gráfico só pode dispor de duas variáveis de decisão de análise, tornando a ava-
liação de problemas cada vez mais limitada. Inclui-se também o fato de que o Solver
emite relatórios, que permite ao gestor inferências mais apuradas da realidade, bus-
cando condições que melhor se adequem à realidade com a manutenção do resultado
ótimo – o que se propõe à análise de sensibilidade.
Vimos ao longo deste capítulo como obter a solução ótima dos problemas de pro-
gramação linear. Os métodos utilizados foram o de solução gráfica e o Solver, que pos-
suem diferentes formas de programação e de demonstração de resultados. Assim,
foram dados os passos que devem ser seguidos a cada um dos métodos, em que, cada
qual, possui vantagens e desvantagens. Mas, ambos são igualmente importantes para
a otimização de resultados.
Pesquisa Operacional 74

Referências
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões: modelagem em
Excel. Rio de Janeiro: Elsevier, 2007
LAWRENCE, J. A.; PASTERNACK, B. A. Applied Management Science: Modeling,
Spreadsheet Analysis, and Communication for Decision Making. 2ed. New York: John
Wiley e Sons, 2002.
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró-Reitoria de Graduação, 2011.
TAHA, H. A. Pesquisa Operacional. Ed. 8. São Paulo: Person Prentice Hall, 2008.
4 Método Simplex
Denise Ost
Tatielle Menolli Longhini

É um procedimento iterativo que permite ir


melhorando a solução de um PPL (problema de
programação linear) a cada passo. O processo
termina quando não é possível seguir melho-

© pedrosek // Shutterstock. (Adaptado).


rando uma determinada solução.
O método simplex é uma técnica utilizada
para se determinar, numericamente, a solução
ótima de um modelo de programação linear,
parte de uma solução básica viável em que há
a mudança sucessiva a outra solução, sempre
melhorando o valor da função objetivo. Como há finitas soluções básicas, a solução
ótima é encontrada. Para isso é comum ir além do uso do método gráfico de solução.
Ao longo desse capítulo o aluno desenvolverá a compreensão do método de oti-
mização simplex, sendo capacitado quanto ao uso dos demais métodos que o com-
põem, sendo eles o método algébrico, em tabela Big M e 2 fases.

4.1 Método algébrico do simplex


Um sistema de equações lineares pode ser resolvido, algebricamente, dividindo-se
e multiplicando-se por constantes as equações e somando-as entre si. Estas operações
alteram o sistema inicial, mas não modificam o resultado dos sistemas.
Para solucionar uma equação algébrica é preciso, identificar o valor numérico da
incógnita, que ao ser substituída na equação torna-a verdadeira, executando uma série de
operações em ambos os seus membros, sempre manteremos a condição de igualdade.
São, portanto, essas abordagens que trataremos nos subtemas da sequência a
seguir.

4.1.1 Introdução ao método algébrico do simplex


No subtítulo anterior, abordamos de como se dá a lógica da otimização simplex.
Portanto, neste subtema, vamos entender como se deve proceder, algebricamente, a
mudança de um ponto de solução para outro.
Pesquisa Operacional 76

Para a obtenção da solução ótima, é imprescindível a escolha de uma solu-


ção básica inicial. A partir dela, e das iterações sequenciais, há a mudança de base e
melhoria contínua do valor da função objetivo.

4.1.2 Desenvolvimento de problema de programação linear a partir das


variáveis básicas e não básicas
As variáveis básicas são as m variáveis que compõem a solução básica compondo
a solução de cada iteração, enquanto as variáveis não básicas são as n variáveis que
não compõem a solução básica, ou seja, variáveis que foram anuladas e valem, obriga-
toriamente, zero, por construção.

Variáveis básicas são aquelas que compõem a solução do problema, diferentemente das não-
-básicas, que são iguais a 0 e não influenciam o valor da função objetivo.

Supondo o seguinte problema de programação linear, temos:

Max z = 2x 1 + 3x 2
x1 ≤ 4
2x 2 ≤ 12
3x 1 + 2x 2 ≤ 18
x 1, x 2 ≥ 0

Transformando para a forma padrão temos:

Max z = 2x 1 + 3x 2
x1 + f1 = 4
2x 2 + f 2 = 12
3x 1 + 2x 2 + f 3 = 18
x 1, x 2 , f 1, f 2 , f 3 ≥ 0

Como possuímos essas três restrições, podemos dizer que existe uma solução
básica composta por três variáveis. Já as demais soluções são consideradas não-básicas.
Pesquisa Operacional 77

Ao supor que x 1 e x 2 sejam soluções não-básicas (xN), podemos reescrever as


equações em função das variáveis básicas (xB) – aqui consideramos f 1, f 2 , f 3 . Assim,
tem-se que:

z = 2x 1 + 3x 2
f1 = 4 – x1
f 2 = 12 – 2x 2
f 3 = 18 – 3x 1 – 2x 2
x 1, x 2 ≥ 0

Ou seja: para xN = (x 1, x 2) = (0, 0), xB = (f 1, f 2 , f 3) = (4, 12, 18) com z = 0.

O fato acima permite concluir que enquanto houver variáveis não-básicas com
coeficientes negativos em a solução poderá ser melhorada. Uma vez que o objetivo
é maximizar Z, deve-se escolher dentre as variáveis não-básicas, aquela que possuir
maior taxa de variação (coeficiente mais negativo) para compor as variáveis básicas, no
caso x 2. Para isso, alguma variável básica terá que deixar a base para compor as variá-
veis não-básicas.

4.1.3 Procedimento do método algébrico


O método simplex é um procedimento algébrico. Entretanto, seus conceitos sub-
jacentes são geométricos, e entender esses conceitos geométricos dá uma forte sen-
sação de como o método simplex opera e o que o torna tão eficiente.
Portanto, antes de nos aprofundarmos nos detalhes algébricos, nesta seção nos
concentraremos na visão geral do ponto de vista geométrico.
Iniciaremos pelo procedimento de iterações, o qual segue quatro etapas, sendo
elas:
• Critério para escolha da variável a entrar na base: escolhe-se a variável respon-
sável pelo maior aumento de z. No caso estudado, x 2 é responsável por esse
comportamento.
• Critério para escolha da variável a sair da base: ao inserir x 2 na base, seu valor
passa a ser diferente de 0 ao passo em que, quanto maior seu valor, melhor o
valor de z. No entanto, há limitação de aumento, uma vez que nenhuma variá-
vel da base pode ser inferior a 0.
Pesquisa Operacional 78

• Mudança de base: as equações passam a ser reescritas a partir das variáveis


não-básicas. Neste caso, em função de x 1 e f 2 .

f 2 = 12 – 2x 2 ↔ x 2 = 6 –1/2 f 2

Assim, temos:

z = 2x 1 + 3x 2 = 2x 1 + 3 (6 –1/2 f 2) = 18 + 2x 1 –3/2f 2
f1 = 4 – x1
x 2 = 6 – 1/2 f 2
f 3 = 18 - 3x 1 – 2x 2 = 18 – 3x 1 – 2(6 – 1/2 f 2) = 6 – 3x 1 + f 2

Portanto, foi obtido:

x N = (x 1, f 2) = (0, 0)
x B = (f 1, x 2 , f 3) = (4, 6, 6)
z = 18

Ou seja, o valor de z foi melhorado. Assim, ele passou de zero para 18.

• Critério de parada: caso existam mudanças para a melhoria do valor de z, rea-


liza-se nova mudança de base, assim como descrito nos passos (a), (b) e (c).
Caso não tenha como melhorar o valor de z, consideramos que solução atual é
ótima. Para esse caso, ainda há a possibilidade de por x 1 na base, uma vez que
seu valor é maior do que zero na equação de z. Então, nota-se que x1 entra na
base pelo critério de escolha e f 3 sai da base, também pelo critério de escolha.
Refazendo, temos:

f 3 = 6 – 3x 1 + f 2 ↔ x 1 = 2 + 1/3f 2 –1/3f 3

Passamos a obter:

z = 18 + 2x 1 -3/2f 2 = 18 + 2(2 + 1/3f 2 -1/3f 3) – 3/2f 2 = 22 – 5/6f 2 – 2/3f 3


f 1 = 4 – x 1 = 4 – (2 + 1/3f 2 – 1/3f 3) = 2 – 1/3f 2 + 1/3f 3
x 2 = 6 – 1/2 f 2
x 1 = 2 + 1/3f 2 – 1/3f 3
Pesquisa Operacional 79

Obtemos, ao final:

x N = (f 2 , f 3) = (0, 0)
x B = (f 1, x 2 , x 1) = (2, 6, 2)
z = 22

Como não há na linha z nenhum valor que seja maior que zero para os coeficien-
tes das variáveis, então concluímos que não como aumentar o valor da função ótima.
Concluímos, portanto, que a solução ótima foi alcançada.
Apresentamos a forma algébrica do método simplex para transmitir sua lógica e, no
subtema seguinte vamos tratar o aperfeiçoamos para forma tabular, configurando-se a
inicialização do método com emprego de variáveis artificiais para se obter uma solução.

4.2 Método simplex em tabela


Além da metodologia algébrica anteriormente vista, é comum o uso do método
simplex em tabela. O princípio de solução é similar, no entanto, a técnica em tabela
é mais simples, rápida e compreensível. De agora em diante, compreenderemos seus
passos de solução.

4.2.1 Introdução ao método simplex em tabela


Pelo que vimos até então, você notou que para proceder o método simplex em
tabela é importante o conhecimento detalhado dos passos a serem seguidos. Trata-se
de regras que definem quais as variáveis que devem entrar e sair da base, assim como
a que indica que solução ótima do problema foi alcançada.
Considere o seguinte problema de otimização:

Maximizar z = x 1 + 2x 2
Sujeito a: x 1 ≤ 2
x2 ≤ 2
x1 + x2 ≤ 3
x 1, x 2 ≥ 0
Pesquisa Operacional 80

Inicialmente, devemos colocar esse problema na sua forma padrão, ou seja:


• Deve ser um problema de maximização;
• Todas as restrições são de igualdade;
• Todas as variáveis são não-negativas.

No nosso caso, basta acrescentar variáveis de folga, para as restrições tornarem-se


de igualdade:

Maximizar z = x 1 + 2x 2
Sujeito a: 2x 1 + x 3 = 2
x 2 + x4 = 2
x1 + x2 + x5 = 3
xi ≥ 0, i = 1, . . ., 5

Inicialmente, reescrevemos esse problema na forma de uma tabela. Para isso,


consideramos os coeficientes das variáveis do problema.
Como nosso problema está formulado em termos de x1 e x2, ou seja, queremos saber
os valores dessas variáveis de modo a maximizar o valor de z, devemos fazer com que
essas duas variáveis, se possível, entrem na base. Isso significa que devemos escolher duas
variáveis básicas para saírem da base, trocando-as pelas variáveis não-básicas, x1 e x2.
Para aprofundar o entendimento desta parte introdutória vamos explorar mais
sobre os métodos desse procedimento no próximo sub tópico.

4.2.2 Procedimento do método simplex em tabela


O procedimento do método simplex em tabela rege-se por colocar o problema na
sua forma padrão, ou seja:
• Deve ser um problema de maximização;
• Todas as restrições são de igualdade;
• Todas as variáveis são não-negativas.

Para que seja mais compreensível o método, será usado um exemplo de Taha
(2008, p. 43).
Pesquisa Operacional 81

No exemplo, o problema linear é definido como:

Max z = 5x 1 + 4x 2
Sujeito a:
6x 1 + 4x 2 ≤ 24(disponibilidade de matéria-prima 1 M1)
x 1 + 2x 2 ≤ 6 (disponibilidade de matéria-prima 2 M2)
–x 1 + x 2 ≤ 1 (restrição de mercado)
x 2 ≤ 2 (restrição de demanda)
x 1, x 2 ≥ 0

No exemplo, as restrições são do tipo menor ou igual, e para transforma-la em


igual, basta somar por uma variável e de folga positiva. Temos portanto:

Max z = 5x 1 + 4x 2 + 0S1 + 0S2 + 0S3 + 0S 4


Sujeito a:
6x 1 + 4x 2 + S1 = 24 (disponibilidade de matéria-prima 1 M1)
x 1 + 2x 2 + S2 = 6 (disponibilidade de matéria-prima 2 M2)
–x 1 + x 2 + S3 = 1 (restrição de mercado)
x 2 + S 4 = 2 (restrição de demanda)
x 1 , x 2 , S1 , S 2 , S 3 , S 4 ≥ 0

Assim, S1, S2 , S3 , S4 são as variáveis de folga das restrições. Posteriormente,


escrevemos a função objetivo como:

Z – 5x 1 – 4x 2 = 0

Portanto, a tabela simplex inicial é configurada como de apresenta na figura. Seu


arranjo demonstra o conjunto de variáveis básicas e não básicas, assim como a solução
inicial. Perceba que, assim como dito anteriormente, o problema simplex parte da ori-
gem, onde x 1 = x 2 =0. O conjunto de variáveis básicas e não básicas são:

Variáveis não básicas (que são iguais a 0): x 1 e x 2


Variáveis básicas: S1, S2 , S3 , S 4
Pesquisa Operacional 82

Tabela simplex inicial do exemplo


Base z x1 x2 s1 s2 s3 s4 Soluções
Z 1 –5 –4 0 0 0 0 0 Linha z
s1 0 6 4 1 0 0 0 24 Linha s1
s2 0 1 2 0 1 0 0 6 Linha s2
s3 0 –1 1 0 0 1 0 1 Linha s 3
s4 0 0 1 0 0 0 1 2 Linha s 4
Fonte: TAHA, 2008, p. 43. (Adaptado).

Ao substituir as variáveis não básicas (x 1 = x 2 =0) e não básicas (S1, S2 , S3 , S4) ao


conjunto de coeficientes de z, tem-se a seguinte solução inicial:

Z =0
S1 = 24
S2 = 6
S3 = 1
S4 = 2

Note que tal informação é identificada quando há a lista de variáveis básicas na


coluna da extrema esquerda – Base – e os valores encontram-se na extrema direita
– Solução. Podemos dizer que a tabela indica o ponto do extremo atual, em que são
especificadas as variáveis básicas, e os valores correspondentes a função objetivo.
Não se esqueça que as variáveis não básicas​, que não constam na coluna Base,
são iguais a zero.
Cabe o questionamento: a solução inicial é ótima? Perceba que, ao analisar a fun-
ção objetivo z = 5x1 + 4x 2, a solução pode ser aumentada com o incremento de x1 e/ou x 2.
Parte-se do argumento de que deve entrar na base aquele que possui o coeficiente mais
positivo – no caso, na linha z da tabela simplex, vem a ser o valor mais negativo. Essa
regra é denominada condição de otimalidade.

4.2.3 Solução de exemplo pelo simplex em tabela


Para definir a variável que sai da base é necessário o cálculo de razões não nega-
tivas entre o lado direito das equações (coluna solução) e o coeficiente de restrição da
coluna da variável que entra, conforme demostrado na tabela abaixo.
Pesquisa Operacional 83

A variável que sai é aquela que apresenta o valor mínimo, sendo desconsideradas
as razões negativas e infinitas.

Entrada de x1 na solução e saída de S1


Base Entrando x1 Solução Razão (ou intercepto)
24
s1 6 24 x1 = = 4 ← mínimo
6

6
s2 1 6 x1 = = 6
1

1
s3 –1 1 x1 = = –1 (ignorar)
–1

2
s4 0 2 x1 = = ∞ (ignorar)
0
Conclusão: x 1 entra e s1 sai

Fonte: TAHA, 2008, p. 43. (Adaptado).

Graficamente, como demostra a figura pode-se interpretar como a saída do


ponto A ª em que x 1 e x 2 encontram-se na origem – para o ponto B – após a entrada de
x 1 e saída de S1 da base.
Representação gráfica da primeira interação do método simplex, em que há a entrada
de x1 e saída de S1 da base.

x2
Maximizar z = 5x1 + 4x2
6
sujeito a:
6x1 + 4x2 + s1 = 24 1
5
x1 + 2x2 + s2 = 6 2
S1

1
=0

-x1 + x2 + s3 = 1 3
4 3
=0 x2 + s4 = 2 4
S3 x1.x2 > 0
3 2
S =
2 0
4
2
C S4 = 0

A B x1
-2 -1 0 1 2 3 4 5 6
24 = 4
© DTCOM

1 = -1 6
6 =6
-1 1

Fonte: TAHA, 2008, p. 43. (Adaptado).


Pesquisa Operacional 84

Mas, como são calculadas as razões após o movimento de entrada e saída de variá-
veis da base? A figura mostra que as razões calculadas saem justamente das interseções
das restrições com o eixo x1. Caso haja um aumento que ultrapasse B, podemos dizer
que a solução é inviável. A regra dos cálculos das razões é definida como condição de
viabilidade, pois é justamente onde se analisa a viabilidade da nova solução.
O ponto B é obtido a partir de troca de variáveis que entram e saem da base.
Nesta nova tabela Simplex, podemos dizer que:

Variáveis não básicas em B: S1, x 2


Variáveis básicas em B: x 1, S2 , S3 , S 4

A troca é designada como operações elementares também designada como


método de Gauss-Jordan, em que é identificada a coluna da variável que entra na base
como coluna do pivô, e a linha da variável que sai é a linha do pivô. A interseção entre a
coluna do pivô e a linha do pivô é designado como o elemento pivô.

Quando B é o vetor coluna nulo, dizemos que o sistema linear é homogêneo. O método mais
eficiente para resolver o sistema é por intermédio das operações elementares, também cha-
mado de método de Gauss-Jordan.

O quadro a seguir identifica o elemento pivô resultante da coluna e linha do pivô.

Identificação da coluna do pivô, linha do pivô e elemento do pivô a partir da primeira


interação do método simplex, onde há a entrada de x1 e saída de S1 da base
Entra

Base Z x1 x2 s1 s2 s3 s4 Solução
Z 1 –5 –4 0 0 0 0 0
Sai Linha
s1 0 6 4 1 0 0 0 24
← do pivô
s2 0 1 2 0 1 0 0 6
s3 0 –1 1 0 0 1 0 1
s4 0 0 1 0 0 0 1 2
Coluna
do pivô

Fonte: TAHA, 2008, p. 44. (Adaptado).


Pesquisa Operacional 85

O cálculo de Gauss-Jordan é necessário para obter a nova solução básica, e é pro-


cedido de duas formas.
1. Linha do pivô
• Substituição da variável que sai da base na coluna Base pela variável que entra
na base.
• Nova linha do pivô = linha do pivô atual ÷ elemento pivô.

2. Todas as outras linhas, incluindo z:


Nova linha = Linha atual – (seu coeficiente de coluna do pivô) × (nova linha do pivô).

Os cálculos são procedidos da seguinte maneira:

• Substituição de S1 na coluna Base por x 1:


Nova linha x 1 = linha S1 atual ÷ 6
= 1/6 (0 6 4 1 0 0 0 24)
= (0 1 2/3 1/6 0 0 0 4)

Nova linha z = linha z atual – (–5) x Nova linha x 1


= (1 – 5 – 4 0 0 0 0 0) – (–5)x(0 1 2/3 1/6 0 0 0 4)
= (10 –2/3 5/6 0 0 0 20)

Nova linha S2 = Linha S2 atual -(1) x Nova linha x 1


= (0 1 2 0 1 0 0 6) –(1) x (0 1 2/3 1/6 0 0 0 4)
= (0 0 4/3 –1/6 1 0 0 2)

Nova linha S3 = Linha S3 atual –(–1) x Nova linha x1


= (0 –1 1 0 0 1 0 1) –(–1) x (0 1 2/3 1/6 0 0 0 4)
= (0 0 5/3 1/6 0 1 0 5)

Nova linha S4 = Linha S 4 atual – (0) x Nova linha x 1


= (0 0 1 0 0 0 1 2) –(0) x (0 1 2/3 1/6 0 0 0 4)
= (0 0 1 0 0 0 1 2)
Pesquisa Operacional 86

Assim, a nova solução básica é dada por x 1, S2 , S3 , S4 e a nova tabela Simplex é


indicada na tabela a seguir.

Nova tabela simplex após o cálculo de Gauss-Jordan partindo da primeira interação,


em que há a entrada de x1 e saída de s1 da base

Base Z x1 x2 s1 s2 s3 s4 Solução


2 5
Z 1 0 0 0 0 20
3 6

2 1
s1 0 1 0 0 0 4
3 6

4 –
1
← s2 0 0 1 0 0 2
3 6

5 1
s3 0 0 0 1 0 5
3 6
s4 0 0 1 0 0 0 1 2
Fonte: TAHA, 2008, p. 44. (Adaptado).

Note que a nova tabela simplex possui propriedades similares a da tabela inicial.
Ao igualar as novas variáveis não básicas x 2 e S1 a zero, a nova solução básica é x 1=4,
S2= 2, S3 = 5 e S 4 = 2. Com essa condição, após o cálculo de Gauss-Jordan, obteve-se o
novo valor da função objetivo como 20 (z = 20).
Observe ainda na figura que ainda há um valor negativo na linha z, em que x2 = –2/3.
O que indica que a função objetivo ainda pode ser melhorada a partir da entrada de x2 na
base.
Assim, a nova condição de viabilidade é apontada:
Pesquisa Operacional 87

Nova tabela simplex após a segunda interação,


onde há a entrada de x2 e saída de S2 da base
Base Entrando x 2 Solução Razão

2 2
x1 4 x2 = 4 ÷ =6
3 3

4 4
s2 2 x2 = 2 ÷ =1,5 mínimo
3 3

5 5
s3 5 x2 = 5 ÷ =3
3 3

s4 1 2 x2 = 2 ÷ 1 =2

Fonte: TAHA, 2008, p. 44. (Adaptado).

Portanto, pelo cálculo de razões não negativas, determina-se que S2 deve sair da
base e o novo valor de x 2 é igual a 1,5. Ao substituir S2 na coluna Base por x 2 entrante,
os seguintes cálculos de Gauss-Jordan para as linhas são aplicados.
• Nova linha do pivô x 2 = Linha S2 atual ÷4/3.
• Nova linha z= Linha z atual – (–2/3) x (Nova linha do pivô x 2).
• Nova linha x 1= Linha x 1 atual – (2/3) x (Nova linha do pivô x 2).
• Nova linha s3 = Linha s3 atual – (5/3) x (Nova linha do pivô x 2).
• Nova linha s4 = Linha s4 atual – (1) x (Nova linha do pivô x 2).
Tais cálculos reproduzem a figura, em que consta a nova tabela Simplex resul-
tante da nova interação.
Pesquisa Operacional 88

Nova tabela simplex após a segunda interação, onde há a entrada de x2 e saída de S2 da base
Base z x1 x2 s1 s2 s3 s4 Solução

3 1
z 1 0 0 0 0 21
4 2

1 1
x1 0 1 0 – 0 0 3
4 2

1 3 3
x2 0 0 1 – 1 0
8 4 2

3 5 5
s3 0 0 0 – 0 0
8 4 2

1 3 1
s4 0 0 0 – 0 1
8 4 2
Fonte: TAHA, 2008, p. 44.

Baseando-se na condição de otimalidade, percebe-se que nenhum coeficiente da


nova linha z resultante é negativo. Portanto, podemos dizer que a solução ótima foi obtida.
Observe que S1 = S2 = 0, S3 = 5/2 e S4 = 1/2, sendo consistentes com os valores obti-
dos caso x1 e x2 ótimos sejam substituídos em cada uma das restrições. Além do cálculo
da solução ótima, a tabela Simplex final não aponta a disponibilidade de cada recurso.
Define-se um recurso como escasso quando as variáveis do modelo o usam por com-
pleto. Assim, sua folga é igual a zero. Caso contrário, o recurso é considerado abundante.
Para o exemplo estudado, podemos considerar para os recursos o que consta na figura:

Condições das restrições do exemplo estudado


Recurso Valor da folga Status
Matéria-prima, M1 s1 = 0 Escasso
Matéria-prima, M2 s2 = 0 Escasso
5
Limite de mercado s3 = Abundante
2

1
Limite de demanda s4 = Abundante
2

Fonte: TAHA, 2008, p. 45. (Adaptado).


Pesquisa Operacional 89

É importante ressaltar que a tabela simplex também nos fornece informações


complementares e acessórias que nos permite a pós-otimização dos problemas. Ou
seja, permite o desenvolvimento de uma nova solução com a modificação dos dados
originais do modelo.
A técnica mais comum é a análise de sensibilidade, onde são determinados os
efeitos de uma variação de um determinado item no seu valor total. Pode ser um ins-
trumento útil em diferentes áreas para determinar a importância de uma variável
sobre o resultado final de outra.
No subtema seguinte vamos abordar a análise de sensibilidade a partir da inter-
pretação do preço dual e redução de custos.

4.2.4 Interpretação de preço dual e custos reduzidos


A análise de sensibilidade, na prática, é
comparação de duas projeções com a situa-
ção atual, verificando os resultados disso para a

© Thinglass // Shutterstock
empresa. Ao final, fica bem evidenciada a opção
mais vantajosa.
Aumentar a receita e também diminuir os
custos fixos, conforme as análises, ou seja, é pos-
sível fazer várias simulações, antes de decidir qual a melhor opção para negócio, por
isso a interpretação de preços e custos encontra-se tão ligada a análise de sensibilidade.
Temos, portanto, a interpretação de preço dual ou preços sombra, onde esses
equivalem a solução ótima do dual, onde as constantes das restrições são os coeficien-
tes da função – objetivo.

PRIMAL DUAL
Max Z = 5x 1 + 2x 2 Min 3y1 + 4y2 + 9y3
Sujeito a st
x1 < 3 y1 + y3 > 5
x2 < 4 y2 + 2y3 > 2
x 1 + 2x 2 < 9 y1, y2 , y3 > 0
x1 e x2 > 0
Fonte: UFMA – DEINF.

Cada variável Y¹ do Dual está diretamente relacionada com a restrição i do pro-


blema primal, sendo o valor ótimo dessa variável Yi* o preço-sombra do recurso i.
Portanto cada restrição i possui um preço-sombra Yi.
Pesquisa Operacional 90

O preço- sombra mede o valor marginal deste recurso em relação ao lucro total.
Quanto aos custos-reduzidos cada variável do problema original possui um custo
reduzido o qual significa:
• O total que o seu coeficiente na função-objetivo deve melhorar para que ela
deixe de ser zero na solução ótima (ou seja, se tornar básica);
• Quanto a função-objetivo irá piorar para cada unidade que ela aumente a par-
tir de zero.
O custo reduzido só se aplica às variáveis que, na solução ótima são zero.

4.3 Método Big M


Trata-se de um método que se inicia com um problema de programação linear
sob o formato de equações. Dado um PPL na forma padrão, para cada uma das equa-
ções que não tem uma variável de folga, deve-se adicionar uma variável artificial a i do
lado esquerdo da equação. Como estas variáveis não fazem parte do PPL original, o
método atribui uma penalização M (M→ inf) às variáveis artificiais, subtraindo o pro-
duto Ma i da FO (max) ou adicionando (min).
Caso a equação i não possua uma folga, é necessária a adição de uma variável
artificial R, de modo que se forme uma solução inicial similar à solução básica a qual
todas as variáveis possuem folgas.
Vamos exemplificar para melhor entendimento:

1º Passo do método "Big M"


Ao introduzir as penalizações, deixamos de ter a forma canónica da
matriz(a “diagonal” de variáveis base)
Usar eliminação de Gauss !
Passar para forma canónica

V x1 x2 s1 s2 a3
Z –3 –5 0 0 0 0
V x1 x2 s1 s2 a3
s1 1 0 1 0 0 4
Z – (3M + 3) –(2M + 5) 0 0 0 – 18M
s2 0 2 0 1 0 12
s1 1 0 1 0 0 4
a3 3 2 0 0 1 18
s2 0 2 0 1 0 12
a3 3 2 0 0 1 18
Temos a forma canônica, mas não uma solução viável !

Fonte: MARINS, 2003.


Pesquisa Operacional 91

2º Passo: avançar até a solução viável


V x1 x2 s1 s2 a3
Z 0 –(2M + 5) 3M + 3 0 0 – 18M
s1 1 0 1 0 0 4
s2 0 2 0 1 0 12
a3 0 2 –3 0 1 18

V x1 x2 s1 s2 a3
Z 0 –(2M + 5) 3M + 3 0 0 – 6M+12
s1 1 0 1 0 0 4
s2 0 2 0 1 0 12
a3 0 2 –3 0 1 18
Fonte: MARINS, 2003.

2º Passo: avançar até a solução viável


V x1 x2 s1 s2 a3
Z 0 –(2M + 5) 3M + 3 0 0 – 6M +12
x1 1 0 1 0 0 4
s2 0 2 0 1 1 12
a3 0 2 –3 0 1 6

V x1 x2 s1 s2 a3
Z 0 0 -4 1/2 0 M + 5/2 27
x1 1 0 1 0 0 4
s2 0 0 3 1 0 6
x2 0 1 –1 1/2 0 1/2 3
Fonte: MARINS, 2003.
Pesquisa Operacional 92

Ideia principal nesse método é acrescentar uma VARIÁVEL ARTIFICIAL nas equa-
ções (similar à “folga”), mas forçar essa variável artificial a anular-se no fim.
Porém, como as variáveis artificias não compõem o modelo original, as mesmas
são penalizadas fortemente na função objetivo. Isso força que elas tenham valor igual
a zero na solução ótima.

4.3.1 Obtenção de solução inicial viável


Caso o problema tenha uma solução viável, isso sempre acontecerá. A regra
demostra como a pena é aplicada em problemas de maximização e minimização.
Partindo do exemplo de programação linear, em que:

Min z = 4x 1 + x 2
Sujeito a:
3x 1 + x 2 = 3
4x 1 + 3x 2 ≥ 6
x 1 + 2x 2 ≤ 4
x 1, x 2 ≥ 0

Ao usar x 3 como resto da segunda restrição e x4 como folga da terceira restrição,


a equação do problema é redefinida como:

Min z = 4x 1 + x 2
Sujeito a:
3x 1 + x 2 = 3
4x 1 + 3x 2 – x 3 = 6
x 1 + 2x 2 + x4 = 4
x 1 , x 2 , x 3 , x4 ≥ 0

Note que a terceira equação possui a variável de restrição x4, o que não ocorre na
primeira e segunda restrição. Consequentemente, são inclusas as variáveis artificiais
R1 e R2 nas suas primeiras equações, com a penalização de MR1 + MR2 na função obje-
tivo. Isso acontece (soma das variáveis artificiais multiplicadas por M em z) pois está
havendo a minimização da função objetivo é resulta na seguinte reorganização:
Pesquisa Operacional 93

Min z = 4x 1 + x 2 + MR1 + MR 2
Sujeito a:
3x 1 + x 2 + R1 = 3
4x 1 + 3x 2 – x 3 + R 2 = 6
x 1 + 2x 2 + x4 = 4
x 1 , x 2 , x 3 , x4 , R 1 , R 2 ≥ 0

Agora, a solução básica inicial é indicada por (R1, R2 , X4) = (3, 6, 4). No caso de
uma resolução computacional, M deveria assumir algum valor numérico adequado. É
comum que M seja manipulado de maneira algébrica, o que pode tornar o cálculo mais
complexo e pode ser simplificado pelo uso de um valor numérico adequado a M.
Mas, qual o valor​numérico que deve ser utilizado em M? Para essa definição, é
importante observar os dados originais do problema. Recorde-se que M desenvolvi-
mento ser suficientemente grande em relação​aos demais coeficientes da função obje-
tivo original e agirá como uma penalização. M não pode ser grande em demasiado,
uma vez que pode dificultar sua manipulação no problema.
Voltando ao exemplo, usaremos aqui M = 100. Tendo isso assumido, desenvolve-
mos a tabela Simplex conforme consta na tabela a seguir.

Tabela simplex com a solução pelo método de M-grande


Base x1 x2 x3 R1 R2 x4 Solução
z –4 –1 0 –100 –100 0 0
R1 3 1 0 1 0 0 3
R2 4 3 –1 0 1 0 6
x4 1 2 0 0 0 1 4
Fonte: TAHA, 2008, p. 48. (Adaptado).

Antes que se prossiga com os cálculos do método simplex, é necessário tornar a


linha z consistente com o resto da tabela Simplex. Note, ainda pela tabela anterior, que
x1, x 2 e x 3 são variáveis não básicas (x 1 = x 2 = x 3 = 0) e R1, R2 e x4 são as variáveis básicas
iniciais – ou seja, (R1, R2, x4) = (3, 6, 4). Tal solução básica resulta um z = 100 x 3 + 100 x 6
= 900, ao invés de 0, de onde geralmente partimos das soluções básicas iniciais.
Para que essa inconsistência seja eliminada, faz-se a substituição de R1 e R2 na linha
z à partir da adequação das equações de restrições. Observe na tabela a seguir os valo-
res de 1 destacados nas linhas de R1 e R2. Ao multiplicar as linhas de R1 e R2 por 100 e adi-
cionar a soma pela linha z, haverá a substituição de R1 e R2 na linha da função objetivo.
Assim, obtém-se: Nova linha z = linha z anterior + (100 x Linha R1 + 100 x Linha R2). Dessa
maneira, desenvolve-se uma nova tabela Simplex, conforme consta na tabela:
Pesquisa Operacional 94

Tabela simplex com a solução pelo método de M-grande após a manipulação aritmética
Base x1 x2 x3 R1 R2 x4 Solução
z 696 399 –100 0 0 0 0
R1 3 1 0 1 0 0 3
R2 4 3 –1 0 1 0 6
x4 1 2 0 0 0 1 4
Fonte: Taha, 2008, p. 48. (Adaptado).

Note que z permanece igual a 900. No entanto, agora é consistente com a solu-
ção básica inicial viável. A tabela a seguir encontra-se preparada para a aplicação das
condições de otimalidade e viabilidade. Como a função objetivo em questão é de mini-
mização, passa-se a selecionar a variável com o coeficiente mais positivo. Nesse caso,
x 1 que possui o valor de 696 entra na base.
Seguindo os passos do simplex, já discutidos, calcula-se a nova tabela:

Tabela simplex com a solução pelo método de M-grande após a manipulação


aritmética e a primeira interação
Base x1 x2 x3 R1 R2 x4 Solução
z 0 167 –100 –232 0 0 204

1 1
x1 1 0 0 0 1
3 3

5 4
R2 0 –1 – 1 0 2
3 3

5 1
x4 0 0 – 0 1 3
3 3
Fonte: Taha, 2008, p. 48. (Adaptado).

Prosseguindo, note que x 2 possui valor positivo e deve entrar na base. Já pelo
cálculo das razões negativas, R2 deve sair da base. Com a continuidade do cálculo do
método simplex, pode-se verificar que há a necessidade de mais duas interações, até
que o seguinte resultado ótimo é obtido: x 1 = 2/5, x 2 = 9/5, z = 17/5, sendo que as variá-
veis artificiais R1 e R2 saem da solução básica.
Pesquisa Operacional 95

4.3.2 Inclusão de variáveis artificiais


Como demonstrado anteriormente, os problemas de programação linear que pos-
suem apenas restrições do tipo menor ou igual (≤) implicam em solução básica inicial con-
veniente, as quais todas as variáveis são de folga. No entanto, quando as restrições do
problema são do tipo maior ou igual ou igual (≥ ou =), o comportamento não se dá assim.
Para problemas de programação linear sob esse tipo de configuração é comum
o uso de variáveis artificial. Estas se comportam como folgas na primeira interação e,
nas interações posteriores, são descartadas de maneira legítima. Para isso, faz-se o
uso de dois métodos: M-grande e método de duas fases, que veremos a seguir:

4.4 Método 2 fases


No método de M-grande vimos que a inclusão de uma constante M muito grande
pode resultar em erros de arrendamento. O método de duas fases facilita essa condi-
ção, ao eliminar o uso de M.
Para isso, percorre-se duas fases dis-
tintas, em que a primeira busca uma solução
básica inicial viável

© I love photo // Shutterstock


e a segunda é aplicada para a solução
do problema original. Basicamente, nós as
descrevemos como fase I e fase II, conforme
seguem os subtemas seguintes.

4.4.1 Obtenção da solução inicial viável


O problema é expressado por equações e as variáveis artificiais necessárias são adi-
cionadas às restrições, de maneira a obter uma solução básica inicial. Posteriormente,
deve-se obter uma solução básica inicial à partir das equações resultantes.
Isso implicará na minimização da soma das variáveis artificiais, o que independe
da função objetivo ser de maximização ou minimização.
Fase I
Considera-se o PPL original relaxado pela introdução das variáveis artificiais e
aplica-se o algoritmo, na tentativa de se zerar estas variáveis, mas, considerando-se
para a atualização das variáveis, a função objetivo artificial. Se conseguir-se atingir a
solução ótima do PPL relaxado com as variáveis artificiais diferentes de zero, então,
pare, pois o PPL original é inviável, o que encerra o problema. Mas, se o valor mínimo
da soma for negativo, deve-se proceder a Fase II;
Pesquisa Operacional 96

Usando o mesmo exemplo de aplicação do método de M-grande, decorremos:


Fase I

Min z = R1 + R 2
Sujeito a:
3x 1 + X 2 + R1 = 3
4x 1 + 3x 2 ,– x 3 + R 2 = 6
x 1 + 2x 2 + x4 = 4
x 1 , x 2 , x 3 , x4 , R 1 , R 2 ≥ 0

Definição inicial do problema em tabela simplex


Base x1 x2 x3 R1 R2 x4 Solução
r 0 0 0 –1 –1 0 0
R1 3 1 0 1 0 0 3
R2 4 3 –1 0 1 0 6
x4 1 2 0 0 0 1 4
Fonte: TAHA, 2008, p. 49. (Adaptado).

Tal se fez no método de M-grande, R1 e R2 são substituídos na linha mediante as


seguintes operações:

Nova linha r = velha linha r + (1 x linha R1 + 1 x linha R 2)

A nova linha r é aplicada na resolução da Fase I do problema, que resulta na tabela


ótima da figura:

Transição da definição inicial após a introdução da nova linha r


Base x1 x2 x3 R1 R2 x4 Solução
r 0 0 0 –1 –1 0 0
x1 1 0 1 3 1 0 3

5 5 5 5
x2 0 1 3 4 3 0 6
– –
5 5 5 5
x4 0 0 1 1 –1 1 1
Fonte: TAHA, 2008, p. 49. (Adaptado).
Pesquisa Operacional 97

Como foi obtido que o mínimo r é igual a 0, então a Fase I produz a solução básica
viável de x 1 = 3/5, x 2 = 6/5 e x4 = 1. Até aí, as variáveis artificiais cumpriram o seu papel,
podendo ser excluídas totalmente da tabela para o prosseguimento da Fase II.

4.4.2 Inclusão de variáveis artificiais


Um algoritmo análogo conforme visto na seção anterior é definido para o caso de
introdução de variáveis artificiais no PPL original.
Agora, consideram-se a fase II, a qual utiliza a execução daquele algoritmo:
Fase II
Nesta fase, agora com uma solução inicial para o PPL original, é verificado, ini-
cialmente, se o custo relativo desta solução é maior ou igual a zero. Se for, pare, a
solução atual é ótima. Caso contrário, aplica-se o algoritmo definido até se obter a
solução ótima do PPL original.
Com a exclusão das variáveis artificiais, o problema original é escrito como:

Min z = 4x 1 + x 2
x 1 + 1/5 x 3 = 3/5
x 2 – 3/5 x 3 = 6/5
x 3 + x4 = 1
x 1 , x 2 , x 3 , x4 ≥ 0

Por consequência, a tabela simplex associada a Fase II é apresentada na figura:

Desenvolvimento da fase II do método de duas fases para a solução do problema


Base x1 x2 x3 x4 Solução
z –4 –1 0 0 0

1 3
x1 1 0 0
5 5

6
x2 0 1 3 0
– 5
5
x4 0 0 1 1 1
Fonte: TAHA, 2008, p. 49. (Adaptado).
Pesquisa Operacional 98

De novo, como as variáveis básicas x 1 e x 2 possuem coeficientes diferentes de


zero na linha z, as mesmas devem ser substituídas. Para isso, procede-se o seguinte
cálculo:

Nova linha z = velha linha z + (4 x linha x 1 + 1 x linha x 2).

A tabela inicial da fase II passa a ser a da figura:

Transição da tabela inicial da fase II


Base x1 x2 x3 x4 Solução

1 18
z 0 0 0
5 5

1 3
x1 1 0 0
5 5

3 6
x2 0 1 – 0
5 5
x4 0 0 1 1 1
Fonte: TAHA, 2008, p. 50. (Adaptado).

Como se trata de um problema de minimização, x 2 deve entrar na base, de


maneira que ao aplicar o método simplex será obtida a solução ótima em uma única
interação.
Implementações em computador do método simplex e suas variantes se tornam
tão poderosos que agora são frequentemente usadas para resolver problemas de pro-
gramação linear com vários milhares de restrições funcionais e variáveis de decisão.
Podemos assim concluir de forma geral que o método simplex é um algoritmo
confiável e eficiente para solucionar problemas de programação linear. Pois também
fornece a base para realizar várias partes da análise de pós-otimilidade de maneira
muito eficiente.
Pesquisa Operacional 99

Referências
EDUCAÇÃO, Portal. Análise de sensibilidade. 2012. Disponível em: <www.portaleduca-
cao.com.br/conteudo/artigos/contabilidade/analise-de-sensibilidade/25056>. Acesso em:
22/08/17.
GABRIEL, P. H. R. Métodos Simplex em Tabelas. Disponível em: <www.facom.ufu.br/
~phrg/files/gsi027/aula04.pdf>. Acesso em: 22/08/17.
HILLIER, F. S.; LIEBERMAN, G. J. Introdução à Pesquisa Operacional. 9. ed. São Paulo:
Editora Bookman, 2013.
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões: modelagem em
Excel. Rio de Janeiro: Elsevier, 2007.
LAWRENCE, J. A.; PASTERNACK, B. A. Applied Management Science: Modeling,
Spreadsheet Analysis, and Communication for Decision Making. 2. ed. New York: John Wiley
e Sons, 2002.
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró-Reitoria de Graduação, 2011.
______. Método do “Big M”. Análise de Sensibilidade. Técnico Lisboa, 2003. Disponível
em: <fenix.tecnico.ulisboa.pt/downloadFile/3779571243470/IO-PLinear2.pdf>. Acesso em :
23/08/17.
MONTEVECHI, J. A. B. O Método Simplex. Instituto de Engenharia de Produção e Gestão,
UNIFEI. Disponível em: <iepg.unifei.edu.br/arnaldo/ensino/pos/mba/po/aulas/aula_04/
Simplex.pdf>. Acesso em: 22/08/17.
NOGUEIRA. F. Programação Linear. Disponível em: <www.ufjf.br/epd015/files/2010/06/
programacao_linear2.pdf>. Acesso em: 22/08/17.
SILVA, E. M. Pesquisa Operacional: programação linear. São Paulo: Atlas, 3. ed., 1998.
TAHA, H. A. Pesquisa Operacional. 8. ed. São Paulo: Person Prentice Hall, 2008.
UFMA. Departamento de Informática. Análise de Sensibilidade. Solução Denegerada.
Disponível em: <www.deinf.ufma.br/~acmo/grad/PO_c03_v2005.pdf>. Acesso em: 22/08/17.
VIANNA. A. S. Programação Matemática Método Simplex. Disponível em: <slideplayer.
com.br/slide/2462325/>. Acesso em: 01/08/17.
5 Modelos e aplicações em redes:
fluxo de redes e árvore geradora mínima
Márcia Huppe Fávero

A pesquisa operacional é uma área de estudo que utiliza modelos matemáticos,


estatísticos e algoritmos para solucionar problemas nas mais diversas áreas como pro-
dução, logística, engenharia, saúde, entre outras. Ela visa buscar a solução real para o
problema.
Para solucionar os problemas de otimização de recursos em áreas como logís-
tica, transporte, produção, tecnologia de informação, energia, por exemplo, que
exigem um modelo mais eficiente de otimização, foram desenvolvidos modelos e apli-
cações em redes. E são muito comuns serem encontrados nesse tipo de modelo con-
ceitos chaves como eficiente, mínimo, máximo, escasso, crítico e ótimo.
Os modelos em redes, segundo Goldbarg, Luna e Goldbarg (2015) são aqueles
que representam um conjunto de pontos e são caracterizados por facilitarem a visuali-
zação dos componentes do sistema e da situação do problema.
Eles são utilizados para resolver problemas de otimização em redes. Segundo
Goldbarg, Luna e Goldbarg (2015) os modelos de redes são classificados em dois tipos:
fluxo em redes e árvore geradora mínima.
A seguir, serão abordados os objetos de estudos dos modelos e aplicações em
redes que são voltados para a otimização dos problemas em fluxo em redes e da
árvore geradora mínima.

5.1 Problema de fluxo em redes


O problema de fluxo em redes é um dos objetos de estudo dos modelos e aplica-
ções em redes na área de pesquisa operacional. Por isso, deve-se estudar os problemas
de fluxo em redes a fim de otimizar os recursos, a distribuição de produtos e serviços.  
Inicialmente, é necessário entender o que é uma rede? Segundo Taha (2008)
uma rede é um conjunto de arcos ligados por pontos que conectam por pares de nós.
E quando essa rede está conectada, todo os pares de nós ficam interligados por no
mínimo um caminho.
Pesquisa Operacional 102

Os problemas de redes acontecem, geral-


mente, relacionados à otimização dos recursos
referente à quantidade de fluxo enviado entre
dois nós de uma rede, sendo uma de origem, em
que se inicia o fluxo, e o outro, o destino para
© Tex vector // Shutterstock

onde será enviado.


Estes problemas que envolvem fluxo em
redes são estudados na teoria dos grafos, e
podem acontecer em diversas áreas, por exem-
plo, na distribuição de energia de uma companhia, que gere o fluxo de energia desde o
seu processo de geração até chegar aos consumidores.

A teoria dos grafos é um ramo de estudo da matemática que visa estudar as relações entre
conjuntos de elementos que são conectados os vértices por pontos chamados de nós. Essas es-
truturas são chamadas de grafos.

Para entender como esses problemas de otimização de redes são estudados na


teoria dos grafos, é necessário entender inicialmente o que é um grafo. De acordo com
Marins (2011).

Um grafo é uma estrutura que corresponde a um par de conjuntos G = (N, E), onde: (i) N
é um conjunto de entidades. Por exemplo, estas entidades podem estar associadas a pon-
tos, locais, pessoas, áreas geográficas; (ii) E é um conjunto, cujos elementos são ligações
ou inter-relações entre os elementos de N. Por exemplo, as ligações podem ser estradas,
parentescos e fronteiras entre áreas geográficas (MARINS, 2011, p. 84).

Os problemas de fluxos de redes, segundo os autores Goldbarg, Luna e Goldbarg


(2015), podem ser de três tipos: problema de fluxo de custo mínimo, problema do
caminho mínimo e o problema do fluxo máximo.
Os problemas de fluxo em redes são divididos em problemas que visam otimi-
zar recursos, buscando minimizar custos e o caminho a ser percorrido, como também,
maximizar o fluxo entre as redes.

5.1.1 Problema de fluxo de custo mínimo (PFCM)


O fluxo de custo mínimo é um dos problemas do fluxo em redes abordados em
uma pesquisa operacional. Esse problema abrange diversas áreas, tais como: distri-
buição de energia, telecomunicações, redes de computadores, entre outros. Pois são
áreas que exigem um processo de otimização dos recursos mais eficiente devido as
suas incertezas e riscos.
Pesquisa Operacional 103

De acordo com Goldbarg, Luna e Goldbarg (2015), o PFCM é classificado em dois


tipos: o Problema de Fluxo de Custo Mínimo clássico (PFCM – Crisp) e o Problema de
Fluxo de Custo Mínimo com Incertezas (PFCM – Fuzzy>). O PFCM – Crisp utiliza parâ-
metros precisos, trabalhando assim com valores exatos, e o PFCM – Fuzzy com valores
incertos e imprecisos.
O PFCM utiliza grafos orientados que são chamados de dígrafos. O grafo orien-
tado utiliza arcos que são as ligações entre os vértices. Um exemplo é a figura a seguir,
como exemplo de uma rede elétrica.

PFCM – grafo orientado

© Travel_Master // Shutterstock

Segundo Hernandes, Katayama e Forbeck (2008) o PFCM Clássico constrói a sua


fórmula baseada nos seguintes dados:

Seja G = (N, A) uma rede direcionada com custo cij associado a cada unidade de fluxo xij
que percorre o arco (i, j) ∈ A, ∈ Aji.
Para cada arco (i, j) tem-se uma capacidade mínima lij e máxima uij de fluxo e para cada
nó tem-se um parâmetro bi, tal que:
• bi > 0, se i for um nó gerador (nó-origem);
• bi = 0, se i for um nó de transbordo; e
• bi se i for um nó consumidor (nó-destino) (HERNANDES; KATAYAMA; FORBECK, 2008,
p. 2594).

Dessa forma, Hernandes, Katayama e Forbeck (2008) afirmam que o PFCM


Clássico ou Crisp é representado pela seguinte fórmula:
Pesquisa Operacional 104

n n
min z = ∑∑ cij xij
=
i 1=
j 1
n n
s.a:
=j 1=
∑ xij − ∑ x ji =
j 1
bi i = 1, 2, ..., n

lij ≤ xij ≤ uij (i, j) ∈ A

Fonte: HERNANDES; KATAYAMA; FORBECK, 2008, p. 2594. (Adaptado).

Já o Problema de Fluxo de Custo Mínimo com incertezas (PFCM) tem como obje-
tivo atender a demanda de uma rede com custo mínimo, dependo dos recursos dispo-
níveis e as restrições do problema. Segundo os autores Hernandes, Katayama e Forbeck
(2008) afirma que o PFCM com incertezas é representado pela seguinte fórmula:

n n
min z = ∑∑ c ij xij
=
i 1=
j 1
n n
s.a:
=j 1=
∑ xij − ∑ x ji =
j 1
bi i = 1, 2, ..., n

I ≤ x ≤ u (i, j) ∈ A
ij ij ij

Fonte: HERNANDES; KATAYAMA; FORBECK, 2008, p. 2594. (Adaptado).

O PFCM com incertezas ou Fuzzy é o mais utilizado para as áreas mencionadas


anteriormente, visando otimizar recursos, tais como custo e capacidades imprevisí-
veis no tempo mínimo. Pois dependendo da área aplicada, é difícil determinar a pre-
visão dos custos e capacidades do fluxo em rede devido as incertezas do ambiente
operacional.
A seguir será abordado outro tipo de problema em redes denominado de pro-
blema do caminho mínimo.

5.1.2 Problema do Caminho Mínimo


O caminho mínimo ou caminho mais curto, como também é chamado, é um
problema importante em diversas áreas, como o transporte, por exemplo. Segundo
Marins (2011), o problema do caminho mínimo é definido como “o comprimento de um
caminho P é definido como sendo a soma dos comprimentos de todos os arcos de P. O
problema é encontrar o caminho mais curto, de um nó inicial s para um nó terminal t.”
(MARINS, 2011, p. 92).
Pesquisa Operacional 105

D é a distância percorrida entre um ponto de origem e o destino final, ou seja,


que liga os nós i e j, sendo sempre um valor positivo. Dado as informações a seguir
sobre a formulação do algoritmo de Djisktra, segundo Marins (2011, p. 91):

Dnxn = [dij ]

dij = comprimento do arco que liga os nós i e j, dij ≥ 0,


dij = 0,
dij= ∞, se não há um arco ligando os nós i e j.
Em geral, dij ≠ dji e a desigualdade do triângulo não precisa
ser satisfeita, isto é, dij + djk pode ser menos que dik.

Fonte: MARINS, 2011, p. 91. (Adaptado).

Segundo Marins (2011) nesse tipo de problema é considerado um grafo valorado


simples, ou seja, sem laços e arcos paralelos. Sendo utilizado o algoritmo de Djisktra,
que foi criado pelo cientista da computação holandês Edsger Dijkstra em 1956. E tem
como objetivo solucionar o problema do caminho mínimo.

Quando uma pessoa se desloca de uma cidade A para a cidade B, há diferentes opções de tra-
jetos para chegar a cidade B. Ao utilizar o algoritmo de Dijkstra, a essa pessoa irá encontrar o
caminho mais curto para chegar ao local destinado.

Deslocamento no Caminho Mínimo


© AlbertBuchatskyy // Shutterstock
Pesquisa Operacional 106

O problema de caminho mínimo deve ser solucionado em um grafo dirigido


ou não dirigido e sem ciclos, com arestas de valor não negativo, ou seja, positivo.
Segundo Marins (2011) o comprimento de um caminho a ser percorrido é igual à soma
dos comprimentos dos arcos numa distância que formam esse caminho.
Segundo Goldbarg, Luna e Goldbarg (2015) existem três tipos de problemas de
caminho mínimo:
• de um nó para outro: esse problema inicia num único ponto de origem e en-
cerra no ponto de destino percorrendo um caminho mais curto;
• de um nó para todos os outros: esse problema inicia num único ponto de ori-
gem e percorre por outros caminhos num caminho mais curto e chega a seu
ponto de destino.
• entre todos os pares de nós: esse problema inicia em vários pontos de origem
e percorre até chegar ao caminho mínimo no destino final.
A seguir, veremos no subtópicos a seguir outro problema do fluxo em redes cha-
mado de problema de fluxo máximo.

5.1.3 Problema do fluxo máximo


Outro problema do fluxo em redes é o problema de fluxo máximo, que visa maxi-
mizar a quantidade possível de fluxo ao máximo otimizando assim os recursos das
organizações como tempo, custos, materiais, entre outros.
Segundo Taha (2008) objetivo desse problema é desenvolver uma rota de trans-
porte que vise maximizar a quantidade de fluxo enviado entre dois pontos, sendo um
de origem e o outro de destino.
Podem existir uma ou várias rotas que interligam esses dois pontos, e que inter-
ligam localidades intermediárias que são pontos intermediários localizados entre o
trajeto de origem e o destino denominados de escalas. Veja o exemplo a seguir sobre
pontos intermediários.

Quando você faz uma viagem de avião num percurso extenso, geralmente, são feitas conexões
ou escalas que são chamadas de pontos intermediários entre a origem e o seu ponto de desti-
no, ou para trocar de avião, ou buscar mais passageiros, entre outros motivos.

Segundo Taha (2008) um problema de fluxo máximo pode ser modelado por uma
rede. Dessa forma, os pontos de origem, destino e as escalas são representados por
nós. E as rotas são representador por arcos orientados.
Pesquisa Operacional 107

De acordo com Marins (2011) o pro-


blema de fluxo máximo é calculado com base

© Alexey Y. Petrov // Shutterstock


no valor ótimo de uma função do fluxo
entre seu ponto de origem ou fonte e seu
destino chamado de t.
Assim, Marins (2011) afirma que “Seja
βi o conjunto de nós ligados ao nó i por arcos
orientados no sentido de chegada em i, e
αi o conjunto de nós ligados ao nó i por arcos orientados no sentido de saída de i.”
(MARINS, 2011, p.25). A fórmula para calcular o problema de fluxo máximo, segundo
Marins é:

fij ≤ 0 para todo arco (i,j) ∈ E (1)

∑ f −=
j∈α
∑f ij
j∈β
ji 0 para i ∈ N, i ≠ s, i ≠ t (2)

fij ≤ uij para todo arco (i,j) ∈ E (3)

onde, uij é a capacidade do arco (i,j), isto é, a quantidade


máxima de fluxo que pode ser remetida de i para j.

Fonte: MARINS, 2011, p. 25. (Adaptado).

Segundo Marins (2011) quando uma rede possui uma única fonte e um único des-
tino t, o fluxo máximo igual é ao valor de corte mínimo. Mas o que seria esse valor
de corte mínimo? É um corte com menor capacidade, pois o esforço será menor entre
dois pontos simples. Ele separa um grafo em duas metades, como pode ser visualizado
na imagem a seguir.

Corte mínimo
2
2 6

S 1 T

8 1
3
© DTCOM

Fonte: MARINS, 2011, p. 96. (Adaptado).


Pesquisa Operacional 108

E quando há mais de uma fonte e/ou destinos, pode adicionar uma outra origem
e um outro destino, ligadas por arestas de capacidade infinita ligando todas as origens
aos destinos.

5.2 Problema da Árvore Geradora Mínima


O problema da árvore geradora mínima é outro objeto de estudo dos modelos de
e aplicações em redes. Mas uma coisa que você deve estar se perguntando é, como é
essa árvore?
Segundo Marins (2011) “uma árvore é um grafo conexo sem ciclos, enquanto uma
floresta é um grafo cujas componentes conexas são árvores” (MARINS, 2011, p. 89).
Nesse sentido, uma árvore é formada por arcos que são unidos por pontos. Já uma
árvore geradora é uma árvore que interliga todos os nós de uma rede.
Para os autores Goldbarg, Luna e Goldbarg (2015) a estrutura de uma árvore
geradora mínima deve possuir o menor peso. Por isso, ela é considerada mínima, por-
que o peso é dado pelo somatório de suas arestas, que interligam todos os nós, de
forma direta ou indireta.

Exemplo de uma Árvore Geradora Mínima

G
© DTCOM

Fonte: MARINS, 2011, p. 89. (Adaptado).

Segundo Marins (2011) a árvore geradora mínima é representada por um Teorema:


• G = (N, E), sendo G um grafo, um conjunto de elementos ligados por pontos. O
N é o número de nós, sendo n > 2. E E um conjunto de linhas chamadas arestas,
e cada aresta está conectada a um vértice.
Considerando as proposições desse Teorema são equivalentes, segundo Marins
(2011):
Pesquisa Operacional 109

(i) G é uma árvore;


(ii) G é conexo e sem ciclos;
(iii) G é sem ciclos e tem n-1 arestas;
(iv) G é conexo e tem n-1 arestas;
(v) G é sem ciclos e por adição de uma aresta se cria um e somente um ciclo;
(vi) G é conexo, mas deixa de sê-lo se uma aresta é suprimida;
(vii) Todo par de nós de G é unido por uma e uma só cadeia simples (MARINS, 2011, p.89).

De acordo com Goldbarg, Luna e Goldbarg (2015) a árvore geradora mínima pode
ser determinada por diversos algoritmos importantes. Os dois algoritmos que estu-
dam esse problema, são os métodos Kruskal e o Prim.
Por isso, é bastante utilizado na área de Pesquisa Operacional para otimizar os
problemas em redes. Pois uma árvore geradora ela interliga todos os nós de uma rede,
não deixando assim nenhum ponto isolado.

5.2.1 Aplicações
Os problemas de árvore geradora mínima são aplicados em diversas, como engenha-
ria, informática, produção, logística, entre outras. Mas que tem como objetivo solucionar
os problemas de otimização de redes através de uma estrutura mínima de recursos.
O problema da Árvore Geradora Mínima segundo Goldbarg, Luna e Goldbarg
(2015) visa encontrar o caminho mais curto para solucionar o problema de rede. Pois é
usado para buscar caminhos mais curtos para
os pontos de internet, visando a aumentar a
sua capacidade.
© Vasin Lee // Shutterstock
Geralmente, esse problema é aplicado
em redes de telecomunicações, redes de TV a
cabo, redes de computadores como as redes
de internet, redes de fibra óptica, entre outras.
É também aplicado em projetos de rodovias e ferrovias buscando o caminho mais
curto na construção das estradas e ferrovias, visando reduzir o tempo do trajeto entre
as cidades.
A seguir será abordado dois métodos utilizados para resolver o problema da
Árvore Geradora Mínima, que são o Kruskal e o Prim.
Pesquisa Operacional 110

5.2.2 Método Kruskal


Um dos métodos que determina o problema da árvore geradora mínima é o
Kruskal, pois ele trabalha com pesos. Ele é chamado por muitos teóricos dessa área
como algoritmo guloso, pois inclui todos os vértices, arestas e nós de uma árvore bus-
cando um tamanho mínimo.
O método Kruskal, segundo Goodrich e Tamassia (2013) foi criado por Joseph Kruskal
em 1956. É um algoritmo da árvore geradora mínima construída em grupos. Ele é caracteri-
zado como um grafo simples, não-orientado e valorado. Esse método é representado por um
grafo, em que sua estrutura é formada por elementos ligados por arcos, que resultará numa
construção de uma árvore geradora mínima.
Segundo Goodrich e Tamassia (2013) o algoritmo Kruskal inicia com cada vértice
por si mesmo. Ele seleciona um arco, iniciando-se pelo arco de menor peso e prosse-
guindo com a adição de arcos em ordem crescente de peso construindo uma arvore, de
modo a não formar ciclos com os arcos já selecionados.
De acordo com Marins (2011):

Dado um grafo G = (N, E) não orientado e valorado, constrói-se uma árvore de valor míni-
mo, partindo-se do grafo trivial G (N, 0) = /, que é formado apenas pelos nós do grafo ori-
ginal G, e adicionando-se iterativamente a aresta de menor valor que não forma ciclo com
as já escolhidas. O Comprimento mínimo será obtido pela soma dos valores associados às
arestas da árvore resultante do procedimento descrito acima (MARINS, 2011, p. 90).

Dessa forma, um grafo de valor mínimo possui um comprimento mínimo devido


ao tamanho da sua aresta que é menor. Esse comprimento mínimo pode ser expresso
na figura a seguir:

Árvore mínima e o valor do Comprimento Mínimo


B 7 G
2
3 2 B G
F A 2 2
4 3
4 3
A C 8 8 2 1 C 4 F
H
3 D 2 E
2 1 H
5
E
2 12
© DTCOM

D
Valor total mínimo = 16 = 2 + 1 +2 + 2 + 4 + 2 + 3

Fonte: MARINS, 2011, p. 91. (Adaptado).


Pesquisa Operacional 111

Como pode ser visualizado na imagem acima, este algoritmo de Kruskal, consi-
dera tanto o conjunto de nós conectados como o conjunto de nós não conectados. No
subtópico a seguir será abordado outro método para solução dos problemas da Árvore
Geradora Mínima, conhecido como método Prim.

5.2.3 Método Prim


Outro método de estudo dos problemas da árvore geradora mínima é o Prim.
Este diferente do Kruskal, ao invés de conectar árvores de uma floresta, todas as suas
arestas e pontos, ele mantém apenas uma única árvore.
Segundo Goodrich e Tamassia (2013) o algoritmo Prim foi criado em 1930 pelo
matemático Vojtěch Jarník e depois pelo cientista da computação Robert C. Prim em
1957 e um tempo depois foi redescoberto por Edsger Dijkstra em 1959. Ele tem como
objetivo encontrar uma árvore geradora de custo mínimo. Sendo caraterizada como
um grafo conectado, valorado e não direcionado.

Evolução do método Prim

2 2 4 2 2 4
1 3 1 3
1 1 3 -3 6 1 1 3 -3 6
3 2 3 2
3 2 5 3 2 5
1º Inclusão de aresta 2º Inclusão de aresta
2 2 4 2 2 4
1 3 1 3
1 1 3 -3 6 1 1 3 -3 6
3 2 3 2
3 2 5 3 2 5
3º Inclusão de aresta 4º Inclusão de aresta

2 2 4
1 3
1 1 3 -3 6
3 2
3 2 5
© DTCOM

Última Inclusão de aresta

Fonte: GOLDBARG; LUNA; GOLDBARG (2015).

Goodrich e Tamassia (2013) afirma que o método Prim é um algoritmo que com-
preende a junção de nós de uma rede. Dessa forma, este método busca a cada passo
de construção da árvore o nós mais próximo. Assim como no algoritmo de Kruskal, o
Prim considera um conjunto de nós conectados e um conjunto de nós não conectados.
Pesquisa Operacional 112

Neste método o problema da árvore geradora mínima só terá solução se for um


grafo conexo e atendendo as características de um grafo simples, senão não orientado
e acíclico.
Neste estudo foram abordados os modelos em redes para solucionar dois tipos
de problemas: o de fluxo de redes e da árvore geradora mínima. Sendo o primeiro bus-
cando maximizar os recursos, sendo cíclico, orientado e valorado. E no segundo tipo
de problema, buscando minimizar a fim de obter uma construção de um gravo sim-
ples, não orientado e valorado.
Esses métodos são aplicados em problemas de redes de telefonia, de internet,
de TV a cabo, em construção de estradas, entre outros, em que são necessários cons-
truir pontos e ligações entre eles para se chegar a algum destino. Por isso, é necessário
entender sobre os modelos em redes e seus problemas. Pois a partir deles poderão ser
compreendidos como solucionar problemas de redes.
Pesquisa Operacional 113

Referências
GOLDBARG, M. C. LUNA, H. L; GOLDABARG, E. F. G. Programação linear e fluxos em
redes. 1 ed. Rio de Janeiro: Elsevier, 2015.
GOODRICH, M. T.; TAMASSIA, R. Estruturas de Dados & Algoritmos em Java. 5 ed.
Porto Alegre: Bookman, 2013.
HERNANDES, F.; KATAYAMA, J. P. M.; KOBAYASHI; FORBECK, F. R. Um algoritmo para
o problema de fluxo de custo mínimo com incertezas. Anais do XL Simpósio Brasileiro
de Pesquisa Operacional (SBPO): João Pessoa, 2008. Disponível em: <www.din.uem.br/
sbpo/sbpo2008/pdf/arq0300.pdf>. Acesso em: 05/08/2017.
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró - Reitoria de Graduação, 2011.
TAHA, H. A. Pesquisa Operacional. 8. ed. São Paulo: Pearson, 2008.
6 Modelos e aplicações em redes: problemas
de rede e problemas de grafos
Márcia Huppe Fávero

O estudo dos modelos e aplicações em redes é uma das áreas mais relevantes de
pesquisa operacional. Além de compreender a teoria dos grafos e o estudo dos algo-
ritmos para a otimização dos problemas em rede e grafos.
O mundo dos negócios cada vez mais necessita de que o gestor passe a utili-
zar modelos precisos para orientá-los na tomada de decisão da empresa. E com isso,
tem se intensificado a utilização de modelos e aplicações em redes em diversas áreas,
como informática, logística, produção, transporte, entre outras.

6.1 Introdução a modelos e aplicações em redes


Os modelos de redes são bastante utilizados na área de pesquisa operacional,
para as empresas otimizarem os seus recursos organizacionais. Pois com a crescente
competitividade dos negócios, é necessário que as empresas adotem modelos e ações
que simulem situações reais, orientando-os para a tomada de decisão.

6.1.1 Definição de modelos e aplicações em rede


Entender a definição dos modelos e aplicações em redes é crucial para simular
situações reais a fim de tomar decisões na empresa mais eficazes.
Nesse sentido, compreende-se que os modelos e aplicações em redes, segundo
Goldbarg, Luna e Goldbarg (2015) são aqueles que representam um conjunto de pon-
tos ou nós, arestas ou arcos, o que facilita a visualização dos componentes do sistema
e da situações do problema.
Pois um modelo de rede é representado por um conjunto de grafos que são for-
mados por nós, vértices, arestas e/ou arcos. Esses modelos tendem a simular proble-
mas reais, através de cálculos matemáticos e o uso de algoritmos.
Pesquisa Operacional 116

6.1.2 Aplicação de modelos e aplicações em redes


Os modelos de redes são aplicados, geralmente, em problemas nas áreas de
informática, como em problemas com distribuição de redes de internet, wi-fi, wireless,
entre outros. Pois são necessários traçar locais estratégicos para que os pontos de
internet sejam mais velozes e gerem menos custos de material.
Um problema comum ocorre em pro-
blemas de transportes quanto à distri-
buição de produtos, já que são muitos os
© Travel mania // Shutterstock

trajetos a serem percorridos, e por isso


deve-se estudar um caminho mínimo para
que a entrega dos produtos seja mais
rápida e reduza custos como combustível,
tempo, armazenamento, entre outros.
Os problemas de redes acontecem em diversas outras áreas, basta entender,
incialmente, o problema e escolher um modelo de rede que seja apropriado a ele, para
assim, conseguir otimizar os recursos organizacionais com sucesso.

6.2 Problemas de rede x teoria dos grafos


Como o estudo dos modelos de redes e suas aplica-
ções são baseadas na teoria do grafo, que visa estudar os
problemas de otimização dos recursos organizacionais, utili-

© Georgios Kollidas // Shutterstock


zando técnicas de planejamento e programação em redes. É
importante observar que uma rede é formada por um grafo
G = (V, E), que é composto de vértices e arcos ou arestas.
Segundo Netto e Jurkiewicz (2009) o primeiro registro
relacionado à teria dos grafos foi em 1736, conhecido como
problema de Euler. Leonhard Euler era um matemático e geômetra, que ao visitar a
antiga cidade de Konigsberg, localizada na Prússia Oriental, observou um problema
que havia na cidade relacionado ao rio Pregel que cortava a cidade.

A cidade de Konigsberg localizada na Prússia Oriental, foi anexada no fim da Segunda Guerra
Mundial à União Soviética e é denominada, atualmente, de Kaliningrado, localizada entre a
Polónia e a Lituânia.
Pesquisa Operacional 117

O Rio Pregel, tinha duas ilhas que eram ligadas por uma ponte, e mais seis pontes
que ligavam as duas ilhas às margens do rio.

Problema das 7 pontes

m1

i2

© DTCOM
m2

Fonte: NETTO, 2009, p. 2. (Adaptado).

Segundo os autores supracitados, o problema era encontrar um caminho que


partisse de uma das margens e atravessasse num único caminho as setes pontes até
a margem de outra ilha. Ao estudá-lo, Euler observou que o número de passagens em
todos os percursos era ímpar. Dessa forma, uma pessoa que percorresse esse caminho,
não teria como retornar. Então, Euler chegou à conclusão que cada margem deveria
ser ligada por um número par de pontes.

Problema de Euler

m1

i2
© DTCOM

m2

Fonte: NETTO, 2009, p. 2. (Adaptado).

Nesse sentido, a conclusão que cada margem deveria ser ligada por um número
par de pontes definiu o problema de Euler que consiste em determinar um grafo
conectado G só existe se o grau de cada vértice de G é par.
Pesquisa Operacional 118

6.2.1 O que é um grafo?


O grafo é o objeto de estudo da teoria dos grafos. Nesse sentido, é importante
compreender o que é um grafo, para que serve e a sua importância para solucionar os
problemas de otimização em rede, servindo assim de base para resolver situações na
prática profissional.
Um grafo pode ser definido, de acordo com Netto (2012) como:

Um grafo é uma estrutura G = (V, E) onde V é um conjunto discreto e E é uma família de


elementos não vazios, definidos em função dos elementos de V.

No diagrama a seguir, veremos os tipos de estruturas de grafos.

Estruturas de grafos
1 2 1 2 1 2 1 2

4 3 4 3
4 3 4 3
2 – Hiporgrafo 1 – Hiporgrafo Multigrafo Hiporgrafo
não orientado orientado simples
1 2 1 2 1 2 1 2

4 3 4 3 4 3
4 3 © DTCOM
Grafo Grafo 3 – Grafo não orientado 2 – Grafo orientado
orientado simples

Fonte: NETTO, 2012, p. 11. (Adaptado).

Um grafo pode ser orientado ou não, sendo definido pelo universo do conjunto.
Quando o grafo é orientado, o universo é composto por todos os arcos. Em que os vér-
tices sãos representados por círculos e as arestas por setas. Para Cormen et al. (2002):

Um grafo orientado G é um par (V, E), onde V é um conjunto finito, e E é uma relação bi-
nária em V. O conjunto V é chamado de conjunto de vértices de G, e seus elementos são
chamados de vértices. O conjunto E é chamado conjunto de arestas de G, e seus elemen-
tos são chamados de arestas (CORMEN et al., 2002, p. 853).
Pesquisa Operacional 119

E quando o grafo é não orientado, o universo é o conjunto de todas as arestas


contidas em um grafo. De acordo com Cormen et al. (2002) um grafo não orientado é:

Em um grafo não orientado G = (V, E), o conjunto de todas as arestas E consiste em pares
de vértices não ordenados, em lugares de pares ordenados. Isto é, uma aresta é um con-
junto (u,v), onde u . v � V e u ≠ v (CORMEN et al., 2002 p.853).

Um grafo pode ser classificado como complementar, segundo Netto e Jurkiewicz


(2009) é:

Seja um grafo G orientado ou não: diremos que o seu grafo complementar G (ou Gz) é o
grafo que contém as ligações que não estão em G. A ideia é a mesma da complementari-
dade de conjuntos, o que é natural, visto que um grafo é definido por um par de conjuntos
(NETTO; JURKJEWICZ, 2009, p. 21).

O grafo complementar é outro tipo de grafo que complementa um conjunto de


vértices. Veja o diagrama a seguir:

Grafo complementar

© DTCOM

G G G G

Fonte: NETTO; JURKJEWICZ, 2009, p. 21. (Adaptado).

Um hipergrafo de acordo com Netto (2012) é um grafo generalizado, em que suas


arestas são ligadas a vértices positivos. A fórmula utilizada pelo hipergrafo é H = (V, E).
Sendo V um conjunto de elementos unitários chamados vértices de H, e E um conjunto
de subconjuntos não-vazios de V denominadas de hiperarestas de H.
O multigrafo é considerado um tipo de grafo que possui mais de uma aresta inter-
ligando os mesmos dois vértices, possuindo arestas paralelas uma a outra. Já o grafo
simples é aquele que não possui arestas múltiplas.
Segundo Netto e Jurkiewicz (2009) um grafo pode ser classificado como valorado
que é aquele em que é atribuído um valor aos vértices ou as ligações do grafo, como os
seus nós e arcos, podendo representar custos, distâncias, entre outros.
Pesquisa Operacional 120

Sendo assim, um grafo pode ser chamado de trivial quando o seu valor for 0 ou 1.
Por exemplo, quando o vértice V for 1 e a aresta E for 0. E pode ser chamado de vazio
quando não possui valor, sendo representado pelo símbolo do vazio Ø. Então, o grafo
vazio será G = (Ø, Ø).
O grafo laço é outro tipo que se refere quando a aresta E do grafo G possui o
mesmo vértice como extremos. Então, o grafo é formado como um laço. Como por
exemplo, quando E = 1 e o V = 1.
Segundo Marins (2011), “um grafo G = (N, E) é conexo, quando para qualquer par
de nós (i, j) de N existe uma cadeia em G, cujas extremidades estão em i e j. De outra
forma G é dito ser desconexo” (MARINS, 2011, p. 88).
De acordo com os autores Netto e Jurkiewicz (2009) um grafo que cabe dentro de
outro grafo é chamado de subgrafo. O subgrafo pode ser classificado em dois tipos:

Subgrafo abrangente

é aquele em que o grafo contém todos os vértices de outro grafo. Porém, não obrigatoriamente
todas as ligações da estrutura do grafo.

Subgrafo induzido

é aquele que possui apenas um subconjunto dos vértices e todas as ligações de outro grafo.

Nesse sentido, compreende-se que existe vários tipos de grafos que possuem
estruturas diferentes um dos outros. Sendo assim, cada tipo de acordo com a abran-
gência de um problema a ser otimizado.

6.2.2 Problemas com grafo


Um grafo é um diagrama representado por vértices e arestas que são interligados
entre si. Nesse sentido, podem ser ligados por mais de dois vértices a uma aresta, ou
mais de duas arestas a um vértice ou mais de um vértice.
Nesse sentido, o problema com grafos surge se são ligados todos os vértices as
arestas ou não. Os problemas mais comuns de graus são o de Euler e o Hamiltoniano,
segundo Netto (2012):
Pesquisa Operacional 121

Problema de Euler

Um grafo G é conectado se o grau do vértice for par, que foi aprofundado anteriormente.

Problema Hamiltoniano

Um grafo G é conectado se existir um ciclo em G que contenha todos os seus vértices, sendo
que cada vértice só aparecerá uma vez no ciclo.

Ambos os problemas são parecidos, pois visam encontrar o menor caminho para
se chegar ao destino final, porém o hamiltoniano é mais complexo. De acordo com
Marins (2011), no problema euleriano, um ciclo passa por todas as arestas e arcos. Já
o hamiltoniano criado por Hamilton, matemático irlandês, um ciclo passa por todos os
nós de um grafo.

Diferença entre o problema euleriano e hamiltoniano

a b

d c
© DTCOM

Fonte: MARINS, 2011, p. 88. (Adaptado).

O problema do caixeiro viajante é um problema Hamiltoniano, pois se refere a um


viajante que ao visitar algumas cidades precisa encontrar um caminho mínimo que atra-
vesse todas as cidades de uma única vez e que dê para retornar a cidade de origem.
Outro problema com grafo é o problema da coloração proposto por Francis
Guthrie (1852) que consiste em atribuir cores a certos elementos dos grafos. Esse tipo
de problema é encontrado em mapas, determinando se um grafo de uma cidade pode
ter seus vértices coloridos com quatro cores, e seus vizinhos cores distintas.
Os problemas com grafos estão relacionados a minimizar parâmetros como cus-
tos, distância, tempo, e por isso buscam o menor caminho para se deslocar do ponto
de origem ao ponto de destino.
Pesquisa Operacional 122

6.2.3 Noções de problemas em redes


Os problemas em redes são aqueles rela-
cionados à circulação de alguma atividade, como
informática, transporte, produção, energia, entre
outras, que são aplicados na vida cotidiana.
Os problemas em rede são utilizados para

© Aunging // Shutterstock
se obter melhor visualização das relações de
uma estrutura e os seus resultados. Problemas
de transporte, por exemplo, são melhor identi-
ficados por problemas de redes.

6.3 Problema de transporte


O problema do transporte surge da neces-
sidade de otimizar a distribuição física de
produtos ao longo de seu trajeto. Esse pro-
blema é considerado um caso específico da
© Pedrosek // Shutterstock

Programação Linear. Geralmente, encontramos


um problema de transporte quando enviamos
uma quantidade de produtos para um destino
que possui diversos trajetos até chegar até ele.
O problema de transporte simples, segundo Marins (2011) é aquele relacionado
ao transporte de um único produto proveniente de várias origens, no qual é fabricado,
e distribuído para diversos destinos até chegar ao consumidor final.
Segundo o autor supracitado, as funções de produção e vendas dos produtos, bem
como a sua produção e a qualidade do produto, são iguais e não dependem das condições
de transporte do produto. Mas o custo de distribuição do produto é considerado o único
fator que depende da distância percorrida entre a origem i e o destino j do produto.
Nesse sentido, o problema de transporte tem como objetivo minimizar o custo
total de transporte a fim de otimizar os recursos organizacionais, tempo, distância
percorrida, entre outros parâmetros, para encontrar um caminho ótimo.
Pesquisa Operacional 123

6.3.1 Definição do problema e formulação do problema matemático


O problema de transporte pode ser formulado e definido utilizando modelos
matemáticos para a minimizar o custo total de transporte num trajeto percorrido.
A sua formulação consiste em determinar segundo Marins (2011) que “há m fábri-
cas (ou origens), todas produzindo o mesmo produto, e que devem abastecer n depósitos
(ou destinos)” (MARINS, 2011, p. 103). Dessa forma, o problema visa minimizar o custo de
transporte total referente ao trajeto percorrido entre as origens e o seu destino final.
O problema de transporte é modelado matematicamente da seguinte forma,
como pode ser demonstrado nas funções a seguir.

Sejam Oi – fábrica i; Dj – depósito j, com i = 1,2,...,m e j = 1,2,...,n;

Cij = custo unitário de transporte entre a fábrica i e o depósito j;


CT = custo total de transporte;
ai = quantidade do produto disponível na fábrica i;
bj = quantidade do produto requerido no depósito j.

Variáveis de decisão:
xij é a quantidade do produto a ser transportada da origem i para o destino j.

m n
Função-objetivo – min CT = ∑ ∑ Cij xij
f=1 j=1

n
∑x ij
= ai, i = 1,2,...,m (balanço do produto nas origens)
j=1

m
Restrições s.a. ∑x ij
= bj, f = 1,2,...,n (balanço do produto nos destinos)
i=1

xij > 0, i,j (não negatividade)


A

Fonte: MARINS, 2011, p. 104. (Adaptado).

É por meio desse modelo que são formulados os problemas matemáticos.


Pesquisa Operacional 124

6.3.2 Solução por quadro de transporte


O método de resolução por quadros é aplicado ao problema de transporte, devido
a sua maior praticidade de otimizar um problema. Ele é derivado do método simplex.
Como o problema de transporte é decorrente da necessidade de se otimizar os recur-
sos a fim de minimizar custos de distribuição de transporte dos produtos de uma empresa.

6.3.3 Método do canto noroeste


O método do canto noroeste ou do canto superior esquerdo, como também é
chamado, se refere a uma solução inicial para custos de transporte, buscando otimizar
os recursos organizacionais.
Esse método utiliza-se o método de custo mínimo que se refere a otimização de
custos buscando o mínimo de custos possível para a distribuição do transporte de pro-
dutos de uma empresa.

6.3.4 Solução inicial pelo método do custo mínimo


O método do custo mínimo aplicada ao problema de transporte visa uma solução
viável de menor custo de transporte. Esse método tem como objetivo atingir o menor
custo para a empresa na distribuição de um produto para o seu destino.
A área de logística de distribuição de produ-
tos é uma das áreas que mais utilizam o método do
custo mínimo, buscando reduzir custos no trans-
© Travel mania // Shutterstock

porte. Ao buscar o custo mínimo, esse estará asso-


ciado ao método do caminho mínimo que busca
reduzir o trajeto, reduzindo os custos com desgas-
tes do veículo de carga, dos custos da empresa com
combustível, tempo, entre outras variáveis.

6.4 Problema de designação


O modelo da designação é um tipo de modelo específico voltado para otimiza-
ção do problema de transporte. Geralmente, nesse modelo utiliza-se a árvore gera-
dora mínima ou o custo de fluxo mínimo como grafos para solucionar o problema de
otimização de transporte.
Segundo Marins (2011) é possível alocar recursos disponíveis para atender as ativi-
dades, buscando uma medida de efetividade que se refere ao custo total de designação.
Pesquisa Operacional 125

Alocar pessoas para desempenhar uma atividade de produção de sapatos, que inicia com a sua
fabricação até a distribuição do produto, até chegar ao consumidor final.

No quadro a seguir, há um exemplo de aplicações desse modelo de designação,


em que é alocado um recurso disponível para cada atividade. Mas em situações em que
o número de recursos é diferente do número de atividades é necessário aplicação de
um recurso ou atividades adicionais.

Aplicações do modelo da designação


Recurso Atividade Medida de Efetividade
Operários Trabalhos Tempo de execução
Caminhões Rotas Custo de transporte
Máquinas Locais Operacionalidade
Tripulações Aviões Ociosidade dos tripulantes
Vendedores Áreas Volume de vendas

O modelo da designação pode ser solucionado pelo método Simplex, mas a sua
estrutura permite a utilização de outros métodos como o Stepping Stone Method que
visa otimizar a solução numa aplicação em uma matriz de custos e o método Húngaro,
que será aprofundado a seguir.

6.4.1 Definição do problema e formulação do problema matemático


A pesquisa operacional utiliza modelos matemáticos para simular situações reais
na empresa, a fim de tomar decisões mais eficazes e duradouras. Dessa forma, as
empresas se preparam para solucionar problemas, tais como:
• Alocar recursos;
• Analisar projetos;
• Planejamento financeiro;
• Planejamento de produção;
• Entre outros.

As empresas utilizam softwares para realizar os problemas matemáticos como Microsoft Excel,
AIMMS, GAMS, LINGO, Solver, entre outros. Por meio desses softwares, a empresa possui cál-
culos mais precisos e rápidos.
Pesquisa Operacional 126

A tomada de decisão é uma importante atitude empresarial que exige habilidade


do gestor para se antecipar aos problemas a fim de proporcionar respostas rápidas e
eficazes. Por isso, utiliza-se a modelagem matemática cada vez mais para simular
situações reais e se defendê-las dos riscos e imprevistos.

6.4.2 Método húngaro


Um dos problemas nas empresas é alocar tarefas visando otimizar os recursos
organizacionais a fim de reduzir custos, gerenciar melhor o tempo, a mão-de-obra, os
materiais. Nesse sentido, aplica-se o método húngaro para melhor alocar as atividades
de uma empresa.
O método húngaro, segundo Marins (2011) é apropriado para alocar tarefas, oti-
mizando os custos das atividades de uma empresa. Como por exemplo, ao alocar pes-
soas em tarefas sequenciais na produção de um bem a fim de reduzir o tempo mínimo
de fabricação.
Assim, neste estudo pode-se compreender os principais problemas com grafos e
com redes existentes e que servem para simular situações reais, visando otimizar os
recursos da empresa.
Cada vez mais tem-se optado por utilizar modelos matemáticos em diversas
áreas organizacionais. Pois dessa forma, a empresa tende a se antecipar a futuros
problemas ou até mesmo evitá-los.
Pesquisa Operacional 127

Referências
CORMEN, T. H. et al. Algoritmos: teoria e prática. Tradução da 2ª edição americana. Rio
de Janeiro: Elsevier, 2002.
GOLDBARG, M. C; LUNA, H. L.; GOLDABARG, E. F. G. Programação linear e fluxos em
redes. 1 ed. Rio de Janeiro: Elsevier, 2015.
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró-Reitoria de Graduação, 2011.
NETTO, P. O. B. Grafos: Teorias, Modelos, Algoritmos. 5. ed. revista e ampliada. Blucher:
Rio de Janeiro, 2012.
NETTO, P. O. B; JURKIEWICZ, S. Grafos: introdução e prática. Edição revista e ampliada.
Blucher: Rio de Janeiro, 2009.
TAHA, H. A. Pesquisa Operacional. 8. ed. São Paulo: Pearson, 2008.
7 Análise de sensibilidade, dualidade
e interpretação econômica
Denise Ost

A análise de sensibilidade é responsável pela avaliação da solução ótima a partir


de faixas de viabilidade em que a solução ótima se mantém inalterada. É um processo
resultante de análises que se utilizam dos resultados da tabela simplex. Embora tam-
bém possa usar os resultados da tabela simplex, o problema dual possui uma definição
matemática mais abstrata.
O procedimento de pós-otimização, efetuado pela análise de sensibilidade, pos-
sui como recursos os métodos gráfico e algébrico. A partir deles, são identificados os
preços duais e as faixas de viabilidades, conceitos e aplicações que você compreenderá
mais detalhadamente, e desencadeia a obtenção de novos resultados.

Pós-otimização é o processo de análise do resultado ótimo a partir da introdução de novos da-


dos nos recursos e seus impactos nos resultados ótimos.

Já o problema dual é um mecanismo utilizado por gestores para interpretações


econômicas com menores esforços computacionais. Para operacionalizá-lo, é impor-
tante compreender a relação entre primal e dual, bem como as propriedades que os
definem. Com essas informações, você se torna capaz a interpretar os problemas e ter
auxílio à tomada de decisão.
Leia e estude com atenção esse capítulo. Ele te trará conhecimento indispensá-
vel para que desempenhe o seu papel enquanto gestor e solucionador de problemas
práticos!

7.1 Análise de sensibilidade


Análise de sensibilidade é a técnica que permite de forma controlada conduzir
experimentos e investigações com o uso de um modelo de simulação, determinando
os fatores mais influentes de um sistema (FRANK, 1978; HAMBY, 1994).
A análise de sensibilidade é o procedimento que verifica qual o impacto sofrido
no cronograma de um projeto, por exemplo, quando varia um determinado parâmetro
relevante do projeto, o tempo de execução de determinada atividade, por exemplo.
Pesquisa Operacional 130

Os autores Oda, Graça e Paes Leme (2001) relatam em seus estudos que, na prá-
tica, a análise de sensibilidade deve ser feita para as variáveis que apresentem maior
impacto nos custos, prazos ou outros resultados do projeto, ou seja, aquelas às quais o
projeto é mais sensível.
De maneira generalizada, sabe-se que os parâmetros de um modelo não são
estáticos, nem exatos, assim, a análise de sensibilidade nos permite uma avaliação
em situações de incertezas sem implicar diretamente no resultado ótimo.

Sabemos que na realidade prática é difícil a determinação de coeficientes e de restrições para


a formulação do nosso problema linear. As condições são mutáveis, e pode não haver padrão
de produção. Nesse sentido, a análise de sensibilidade tem valorosa importância.

Assim, trabalharemos tanto com a análise de sensibilidade por solução gráfica,


quanto a avaliação algébrica, para posteriormente discutir os seus princípios. Com
isso, os fundamentos do problema serão apresentados em termos da Programação
Linear, através da tabela simplex.

7.1.1 Análise gráfica e interpretação econômica


Vimos que a análise de sensibilidade é um método de pós-otimização, em que
resultados podem ser modificados diante da entrada de novos parâmetros. Para rea-
liza-la, é comum o uso ou da análise gráfica, ou da análise algébrica.
A análise de sensibilidade gráfica, em geral, se utiliza da avaliação de duas
situações:
• Em função das variações de recursos disponíveis, analisa-se a sensibilidade da
solução ótima (parte direita das restrições);
• Com variações de lucros unitários ou custos unitários (coeficientes da função
objetivo), avalia-se a sensibilidade da solução ótima.
Mediante estes passos, são obtidos os preços duais dos recursos, e maneira como
estes podem influenciar no valor da função ótima. Para isso, mensura-se a faixa de
viabilidade.
Veremos mais detalhadamente as etapas de variação das restrições e de coefi-
cientes da função objetivo.

Variação das restrições


Usando como base o exemplo de Taha (2008), vamos analisar um problema de
variações no lado direito. Nele, a empresa Jobco é responsável pela produção de dois
Pesquisa Operacional 131

produtos em duas máquinas. Para produzir uma unidade do produto 1, é necessário o


processamento de duas horas na máquina 1, e de uma hora na máquina 2. Já para a
fabricação do produto 2, necessita-se de uma hora de processamento na máquina 1
e de três horas na máquina 2. Sabe-se que as receitas dos produtos 1 e 2 são de R$30
e R$20, respectivamente. Além disso, o processamento diário, ou seja, a disponibili-
dade de cada máquina, é de 8 horas. Desenvolvendo a programação linear em função
de unidades diárias dos produtos 1 e 2, aqui representados por x 1 e x 2 , o modelo é defi-
nido como:

Máx z = 30x 1 + 20x 2

Sujeito a
2x 1 + x 2 ≤ 8 (máquina 1)
x 1 + 3x 2 ≤ 8 (máquina 2)

A figura representa a variação na solução ótima caso haja mudança de capaci-


dade da máquina 1. Caso a capacidade da máquina 1 seja aumentada de 8 para 9 hora
diárias, percebe-se a alteração de solução ótima no ponto G.

Análise de sensibilidade com variação de disponibilidade de recursos


9
x2
E
8

7
Má quina

qui

6
na 1 : 2x 1
1:2

5
x 1 + + x 2<
x 2< 8

4
z = 128
3,2, x 2 = 1,6,
9

Ótima: x 1 =
3 z = 142
3,8, x 2 = 1,4,
B Ótima: x 1 =
2
C GM
áqui
na 2
1 :x +
1 3x <
2 8 F
A D
0 1 2 3 4 5 6 7 8 x1 9
© DTCOM

Fonte: TAHA, 2008, p. 55. (Adaptado).


Pesquisa Operacional 132

A variação da solução ótima é calculada como a taxa obtida de variação de dispo-


nibilidade da máquina 1 de 8 para 9horas diárias, como apresentado na figura:

Variação da solução ótima segundo a mudança de disponibilidade de recursos.


Taxa de variação na
receita resultante do
aumento de uma hora na = zG – z C 142 – 128
= = $ 14/h
capacidade da máquina (Alteração na capacidade) 9–8

© DTCOM
(ponto C para ponto G)

Fonte: TAHA, 2008, p. 55. (Adaptado).

Ou seja: a taxa obtida é uma relação direta entre os parâmetros de entrada (dis-
ponibilidade de recursos) e as saídas do problema (receita maximizada), que implica no
“valor unitário equivalente de um recurso” em R$/hora. O qual também chamamos de
preço dual ou preço sombra. Isso demostra que a cada unidade variada (para mais ou
para menos) de unidade produzida na máquina 1, há mudança na receita (para mais ou
para menos) de R$14.
Ainda em relação à figura, percebe-se que qualquer variação ocorrida paralela-
mente sobre qualquer ponto do segmento BF resulta em um preço dual de R$14. Com
essa informação, podemos calcular a faixa em que o preço dual permanece inalterado.
A faixa de aplicabilidade de preço dual é representada a seguir:

Calculando a faixa de aplicabilidade do preço dual


igual a R$14/hora para a máquina 1
Capacidade mínima da máquina 1 [em B = (0, 2,67)]
= 2 x 0 + 1 x 2,67 = 2,67 horas

Capacidade máxima da máquina 1 [em F = (8,0)]


= 2 x 8 + 1 x 0 = 16 horas

Fonte: TAHA, 2008, p. 55. (Adaptado).

Conclui-se, portanto, que o preço dual de R$14/hora permanece inalterado para


alterações de capacidade da máquina entre 2,67 e 16 horas (2,67 horas ≤ Capacidade
da máquina 1 ≤ 16 horas). Caso a faixa aplicabilidade não seja essa, percebe-se altera-
ção no preço dual.
De maneira análoga pode-se obter o preço dual de R$2/hora para a máquina 2,
sendo que sua faixa de aplicabilidade permanece inalterada em variações que des-
locam sua restrição de maneira paralela ao segmento DE. Assim, identifica-se que
Pesquisa Operacional 133

o preço dual de R$2/hora permanece o mesmo para alterações da capacidade da


máquina 2 entre 4 e 24 horas (4 horas ≤ Capacidade da máquina 2 ≤ 24 horas).
Assim, percebe-se que os limites calculados para as máquinas 1 e 2, também
denominados faixas de viabilidade, são importantes para a designação dos preços
duais. Os preços duas são fundamentais para a tomada de decisão em situações de
variações no modelo de programação linear.

Mudanças nos coeficientes da função objetivo


Dando continuidade ao exemplo de Taha (2008) busca-se analisar o problema
diante de mudanças dos coeficientes da função objetivo. Com tais mudanças, há uma
diferença de inclinação de z. No entanto, podemos observar pela figura que mesmo
com alteração dos coeficientes, a solução ótima permanece contida no ponto C
(x 1 = 3,2; x 2 = 1,6; z = 128), justamente entre as retas BF e DE. Ou seja, percebe-se que
também há uma faixa de mudança dos coeficientes da função objetivo em que a solu-
ção ótima se mantém inalterada.

Análise de sensibilidade da solução ótima à partir de variações


dos coeficientes da função objetivo
9
x2
E
8
Obj

7

z=

6
qui
3x 1

na 1
+2

: 2x 1
x3

5
+
x 2<
8

3
B
1,6, z = 128
2 Ótima: x1 = 3,2, x2 =
C Máq
uina
2: x
1 1 + 3x
2 <8
F
A D
0 1 2 3 4 5 6 7 8 x1 9
© DTCOM

Fonte: TAHA, 2008, p. 56. (Adaptado).


Pesquisa Operacional 134

Pode-se escrever a função objetivo em seu formato geral:

Max z = c1x 1 + c2 x 2

Agora, busque visualizar que a reta z se movimenta em torno de C no sentido


horário e anti-horário. Ainda observando a anterior, perceba que a solução ótima será
mantida em C enquanto z estiver entre as retas x 1 + 3x 2 = 8 e 2x 1 + x 2 = 8. Isso implica
que existe uma razão c1/c2 que pode variar entre 1/3 e 2/1. Ou seja:

1/3 ≤ c1/c2 ≤ 2/1 ↔ 0,33 ≤ c1/c2 ≤ 2

Assim, deve-se fazer sempre a relação entre c1/c2 e comparar se a mesma se


encontra na faixa entre as retas de restrição. A título de exemplo, se as receitas dos
produtos 1 e 2 fossem alteradas para R$35 e R$25, respectivamente, pode-se afirmar
que a solução ótima é mantida a mesma?
Reformulando, sabemos que a nova função objetivo é:

Max z = 35x 1 + 25x 2

Podemos afirmar que a solução em C (3,2; 1,6) continuará ótima pois c1/c2 = 35/25
= 1,4. Ou seja, a relação entre c1/c2 manteve-se na faixa de variabilidade de 0,33 a 2, cal-
culada anteriormente. Observe ainda que os valores das variáveis no ponto ótimo não
variaram, mas da função objetivo sim, pois z passa a ser igual a 35 × 3,2 + 25 × 1,6 = $152.
Perceba, portanto, que a análise de sensibilidade, via gráfico, é importante para a
definição dos preços duais e da faixa de viabilidade. Para isso, é imprescindível avaliar a
variação das restrições e dos coeficientes da função objetivo. Outro método interessante
para a análise de sensibilidade é a análise algébrica, que veremos no próximo subtópico.

7.1.2 Análise algébrica e interpretação econômica


A análise de sensibilidade, via avaliação algébrica, segue a mesma lógica de racio-
cínio da análise gráfica, que vimos no último subtópico. Para isso, é preciso definir
os preços duais e a faixa de viabilidade. Vamos aprender juntos como fazer o passo a
passo e realizar a análise algébrica.
Pesquisa Operacional 135

Variações no lado direito – Obtendo preços duais


Para a resolução do exemplo de de Taha (2008) utilizamos a análise gráfica para
a obtenção dos preços duais e suas faixas de viabilidade. Este tópico se propõe a ava-
liação do modelo geral de programação linear por método algébrico. Para isso, será
usado como base um outro exemplo de Taha (2008):
Trata-se do caso da empresa Toyco, responsável pela montagem de três tipos
de brinquedos – trens, caminhões e carros – por três operações distintas. Para cada
uma dessas três operações há 430, 460 e 420 minutos disponíveis, respectivamente,
enquanto as receitas unitárias de cada trem, caminhão e carro é de $3, $2 e $5, respec-
tivamente. Os tempos de montagem para cada trem, nas três operações, são de 1, 3 e
1 minutos, respectivamente, enquanto para o caminhão são de 2, 0 e 4 minutos e para
o carro são de 1, 2 e 0 minutos. Desenvolvendo o modelo de programação linear, em
que x 1, x 2 e x 3 representam a produção unitária de trens, caminhões e carros, respecti-
vamente, temos:

Max z = 3x 1 + 2x 2 + 5x 3

Sujeito a
x 1 + 2x 2 + x 3 ≤ 430 (Operação 1)
3x 1 + 2x 3 ≤ 460 (Operação 2)
x 1 + 4x 2 ≤ 420 (Operação 3)
x 1, x 2 , x 3 ≥ 0

Definindo x4, x 5 e x6 como as folgas das restrições 1, 2 e 3, respectivamente, tem-


pos que a tabela simplex ótima é representada pela figura, ou seja: a solução ótima
é dada por 100 caminhões, 230 carros e nenhum trem, totalizando uma receita de
R$1350,00. A partir desta tabela, é possível definir quais os preços duais, assim como
suas respectivas faixas de viabilidade.
Pesquisa Operacional 136

Tabela final da solução ótima por método simplex


Base x1 x2 x3 x4 x5 x6 Solução
z 4 0 0 1 2 0 1.350

1 1 1
x2 – 1 0 – 0 100
4 2 4

3 1
x3 0 1 0 0 230
2 2
x6 2 0 0 –2 1 1 20

Fonte: TAHA, 2008, p. 57. (Adaptado).

Para a determinação dos preços duais, é necessário inserir as folgas (x4, x 5 e x6) às
restrições do modelo:

x 1 + 2x 2 + x 3 + x4 = 430 (Operação 1)
3x 1 + 2x 3 + x 5 = 460 (Operação 2)
x 1 + 4x 2 + x6 = 420 (Operação 3)
ou
x 1 + 2x 2 + x 3 = 430 – x4 (Operação 1)
3x 1 + 2x 3 = 460 – x 5 (Operação 2)
x 1 + 4x 2 = 420 – x6 (Operação 3)

A partir de tal representação, garante-se que as variáveis de folga possuem as


mesmas unidades de tempo de operação. Come essas informações, são determinados
os preços duais com base na linha z da tabela da figura:

z + 4x 1 + 0x 2 + 0x 3 + 1x4 + 2x 5 + 0x6 = 1350


z = 1350 – (4x 1 + 0x 2 + 0x 3 + 1x4 + 2x 5 + 0x6)
z = 1350 – 4x 1 + 1(–x4) + 2(–x 5 ) + 0(x6)

Cada decréscimo no valor da uma variável de folga equivale ao aumento de uma


operação. Assim:
Pesquisa Operacional 137

z = 1350 – 4x 1 + 1 x (aumento no tempo de operação 1)


z = 1350 – 4x 1 + 2 x (aumento no tempo de operação 2)
z = 1350 – 4x 1 + 0 x (aumento no tempo de operação 3)

Isso significa que o aumento de um minuto de operação 1 provoca um aumento


de $1 em z; acréscimo de 1 minuto na operação 2 implica em elevação de R$2 de z;
aumento de 1 minuto na operação 3 não muda z. Ou seja, ao se fazer a observação da
linha z da figura já é possível tal interpretação, o que é resumido na figura a seguir:

Resumo da conclusão sobre os preços duais,


do exemplo de Taha, por método algébrico
Coeficiente da variável de Preço dual
Recurso Variável de folga
folga na equação ótima z ($/minuto)
Operação 1 x4 1 1

Operação 2 x5 2 2

Operação 3 x6 0 0

Fonte: TAHA, 2008, p. 58. (Adaptado).

Determinação das faixas de viabilidade


Uma vez demonstrado como se obtém os preços duais, agora será demonstrado
calculadas as faixas de viabilidade onde os preços duais são válidos. Para isso, assu-
mem-se variações (positivas ou negativas) dos tempos destinados às operações 1, 2 e 3
como D1, D2 e D3 . Então, o modelo passa a ser expresso por:

Max z = 3x 1 + 2x 2 + 5x 3

Sujeito a
x 1 + 2x 2 + x 3 ≤ 430 + D1 (Operação 1)
3x 1 + 2x 3 ≤ 460 + D2 (Operação 2)
x 1 + 4x 2 ≤ 420 + D3 (Operação 3)
x 1, x 2 , x 3 ≥ 0

Representa a variação do valor da restrição direita inicial.


Pesquisa Operacional 138

Ao considerar as alterações simultâneas, propõe-se um novo cálculo da tabela


simplex ótima tal qual mostrado na figura, na qual o lado direito da tabela será não-
-negativo. O recálculo procede alteração da solução da tabela inicial, ao desenvolver os
novos lados direitos: 430 + D1, 460 + D2 e 420 + D3 .

Recálculo da solução inicial da tabela simplex ótima –


inclusão de D1, D2 e D3 no lado direito das restrições
Solução
Base x1 x2 x3 x4 x5 x6 LD D1 D2 D3
z –3 –2 –5 0 0 0 0 0 0 0
x4 1 2 1 1 0 0 430 1 0 0
x5 3 0 2 0 1 0 460 0 1 0
x6 1 4 0 0 0 1 420 0 0 1

Fonte: TAHA, 2008, p. 58. (Adaptado).

Percebe-se que as colunas de folgas (x4, x 5 e x6) são idênticas as de D1, D2 e D3 .


Assim, assume-se que os resultados finais D1, D2 e D3 sejam idênticos aos das folgas,
que já haviam sido calculadas. A nova tabela ótima ficará:

Nova tabela simplex ótima com as colunas D1, D2 e D3


Solução
Base x1 x2 x3 x4 x5 x6 LD D1 D2 D3
z 4 0 0 1 2 0 1.350 1 2 0

1 1 1 1 1
x2 – 1 0 – 0 100 – 0
4 2 4 2 4

3 1 1
x3 0 1 0 0 230 0 0
2 2 2
x6 2 0 0 –2 1 1 20 –2 1 1

Fonte: TAHA, 2008, p. 58. (Adaptado).


Pesquisa Operacional 139

A nova solução ótima é descrita algebricamente como:

z = 1350 + D1 + 2D2
x 2 = 100 + ½ D1 – 1/4 D2
x 3 = 230 + ½ D2
x6 = 20 – 2 D1 + D2 + D3

Fato este que confirma os preços duais, contidos em z, de 1, 2 e 0 para as opera-


ções 1, 2 e 3, respectivamente. Para definir a faixa de viabilidade, deve-se assumir que
x 2 , x 3 e x6 sejam maiores ou iguais a zero (x 2 , x 3 , x6 ≥ 0). Ou seja:

x 2 = 100 + ½ D1 – 1/4 D2 ≥ 0
x 3 = 230 + ½ D2 ≥ 0
x6 = 20 – 2 D1 + D2 + D3 ≥ 0

Assim, quaisquer alterações simultâneas de D1, D2 e D3 , que satisfaçam as con-


dições acima, manterão a solução viável. Os preços duais e as faixas de viabilidade
encontram-se expressas na tabela a seguir:

Preços duais e faixas de viabilidade


Quantidade do recurso (minutos)
Faixa de
Recurso Preço dual Mínimo Atual Máximo
viabilidade
Operação 1 1 –200 ≤ D1 ≤ 10 230 430 440

Operação 2 2 –20 ≤ D2 ≤ 400 440 440 860

Operação 3 0 –20 ≤ D3 ≤ ∞ 400 420 ∞

Fonte: TAHA, 2008, p. 59. (Adaptado).

Para exemplificar a adoção de tais condições, admita que a disponibilidade de


tempo de fabricação para as operações 1, 2 e 3 sejam 480, 440 e 410 min, respecti-
vamente, Assim, D1 = 480 – 430 = 50, D2 = 440 – 460 = –20 e D3 = 410 – 420 = –10.
Substituindo-os das condições de viabilidade de x 2 , x 3 e x6 ≥ 0:
Pesquisa Operacional 140

x 2 = 100 + ½ (50) – 1/4 (–20) = 130 ≥ 0 (viável)


x 3 = 230 + ½ (–20) = 220 ≥ 0 (viável)
x6 = 20 – 2(50) + (–20) + (–10) = –110 < 0 (inviável)

Assim, demonstrou-se que x6 < 0, o que demonstra a inviabilidade da operação e


o fato da solução atual não permanecer viável. Para que a solução atual seja mantida
como viável, é preciso que todas as variações sejam atendidas simultaneamente. Para
obter a nova solução viável, é necessário o desenvolvimento de cálculos adicionais.
Verificando uma nova condição, digamos que a disponibilidade de tempo de
fabricação para as operações 1, 2 e 3 passou para 460, 442 e 310 min, respectivamente,
Assim, D1 = 460 – 430 = 30, D2 = 440 – 452 = –12 e D3 = 410 – 310 = 100. Substituindo-os
das condições de viabilidade de x 2 , x 3 e x6 ≥ 0:

x 2 = 100 + ½ (30) – 1/4 (–12) = 118 ≥ 0 (viável)


x 3 = 230 + ½ (–12) = 224 ≥ 0 (viável)
x6 = 20 – 2(30) + (–12) + (100) = 48 ≥ 0 (viável)

Para essa nova situação, tem-se que os preços duais se mantem aplicáveis. O
novo valor ótimo da função objetivo é dado por z = 1.350 + 1(30) + 2(–12) + 0(100) =
$1.356.
Em resumo, pode-se dizer que, para a análise algébrica, os preços duais são man-
tidos quando as variações dos lados direitos das restrições respeitem a faixa de viabi-
lidade do problema. Sendo respeitados, o novo valor da função objetivo é obtido ao
considerar as variações das restrições e os seus respectivos preços duais. Caso a faixa
de viabilidade seja violada, busca-se uma nova solução do problema, de modo que as
faixas sejam respeitadas, ou é necessário partir para um novo cálculo de solução ótima.

7.1.3 Interpretação Econômica


A avaliação da sensibilidade faz-se através de simulações possíveis para diferen-
tes variáveis do projeto que constituem maior incerteza no futuro, em regra, varia-se o
preço e/volume das vendas, alguns custos, taxas de câmbio e as condições de financia-
mento do projeto, tais como taxas de juro e prazos, determinando-se o impacto de tais
alterações na rentabilidade do projeto. As variáveis são consideradas isoladamente,
Pesquisa Operacional 141

quando alteradas implicam consequentemente a alteração do VLA e a TIR do projeto,


sendo possível medir a sensibilidade do VAL/TIR relativamente às variações.

VLA significa valor atualizado liquido enquanto o TIR refere-se a Taxa Interna de Rentabilidade

Consegue-se medir a implicação da variação da variável na variação do VAL


Exemplo: A variação das condições de financiamento em 3% leva a uma variação no
VAL em 5%). Permite detectar relativamente ao VAL, quais as variáveis sensíveis e o
grau de sensibilidade; é possível estimar o intervalo do VAL e identificar as variáveis
que mais influenciam o VAL.
A gestão e controle de riscos deverá assentar na constante identificação e aná-
lise da exposição a diferentes riscos, e na adopção de estratégias de maximização dos
resultados considerando os riscos e mantendo-os dentro de limites preestabelecidos
e devidamente supervisionados. A gestão e controlo de riscos e\ou oportunidades
deverá ser complementada pela análise, a posteriori, de indicadores de desempenho

7.1.4 Fórmulas custo reduzido


A análise de sensibilidade serve para nos mostrar o quanto varia o custo ou a
receita (de acordo com a função objetivo do problema) quando um dos parâmetros em
uma solução que um resolvedor já nos retornou é modificado (quando essa mudança é
de uma unidade, chamamos isto de custo, lucro ou receita marginal).
Bom, acredito que com um exemplo prático possamos ilustrar isso. Para tal,
vamos trabalhar com o problema de maximização da receita de vendas entre vender
pão de queijo ou biscoito.
Imagine que você vende cada PDQ (Pão de Queijo) a 3,50 e cada BISC
(Biscoito) a 5,20 e que você tem estoque limitado das matérias primas para produção.
Naturalmente, você imaginaria que o melhor é sair produzindo BISC até o limite e
se der para produzir algum PDQ, já que os preços do BISC são bem mais atraentes e
podem gerar muito mais lucro ou receita.
Bom, isso pode não ser verdade. Esse é o interessante da otimização. Os algorit-
mos de solução dos problemas os tratam de maneira holística, ou seja, considera todas
as opções possíveis para o atingimento do objetivo, que neste caso é a maximização da
receita. O raciocínio de produzir BISC até o limite das matérias primas é o que se chama
de resolução gulosa ou míope, por otimizar aquilo que é à primeira vista mais atraente,
mas que no contexto geral pode não ser a melhor alternativa. Vamos ao problema:
Pesquisa Operacional 142

Para a fabricação dos produtos PDQ (P) e BISC (B), temos que usar FARINHA
(F), OVOS (V), ÓLEO (O) e QUEIJO (Q). Nosso estoque tem: F = 1.750 gramas, V = 55
unidades, O = 30 litros e Q = 10.000 gramas. Para cada unidade de PDQ fabricada nós
precisamos de 10 gramas de F, 0,3 unidades de V, 0,2 litros de O e 12 gramas de Q. Para
cada unidade de BISC, utiliza-se 12 gramas de farinha, 0,5 unidades de V, 0,2 litros de O
e 17 gramas de Q.
Abaixo segue o programa linear para o problema:

Max Receita = 3,50 P + 5,20 B

Sujeito às restrições:
F: 10 P + 12 B ≤ 1.750
V: 0,3 P + 0,5 B ≤ 55
O: 0,2 P + 0,2 B ≤ 30
Q: 12 P + 17 B ≤ 10.000
P≥0eB≥0

Se partíssemos para a estratégia voraz ou limitada, produziríamos BISC até o


limite de uma das restrições acima ser alcançado. Neste caso, produziríamos 110 bis-
coitos, pois consumiríamos os 55 ovos. Desta forma conseguiríamos uma receita de
110 × 5,20 = $ 572. Se usarmos um raciocínio contrário poderíamos simular a maximi-
zação da produção somente de PDQ. O que aconteceria neste caso? Bom, neste caso
conseguiríamos produzir até 150 pães de queijo até esbarrarmos na quantidade de
óleo disponível. E assim, a receita seria 150 × 3,50 = $ 525 (sugiro acompanharem o
raciocínio com o auxílio de uma planilha eletrônica).
Portanto, será que existe uma combinação de produzir PDQ e BISC de modo que
os insumos podem ser melhor utilizados, proporcionando um valor máximo de receita
possível de ser alcançado? 
A resposta é sim. Fiquem à vontade para simular quaisquer valores para PDQ e
BISC que não haverá solução melhor do que produzir 100 pães de queijo e 50 biscoitos.
Temos a receita máxima neste caso de 100 × 3,50 + 50 × 5,20 = $ 610.
Portanto, custo reduzido é o valor que o coeficiente da função deveria ser, para
que o valor da variável seja diferente de zero, caso esta seja zero.
Pesquisa Operacional 143

7.2 Teoria da dualidade


Vimos, até então, procedimento de pós-otimização, implementado após a mensu-
ração do resultado ótimo. No entanto, há contextos que a quantidade de cálculos pode
ser reduzida para o desenvolvimento do método simplex e obtenção da otimização.
O modelo original, chamado de primal, pode ser trocado pelo dual, cuja solução é
mais veloz. Trata-se de um mecanismo usado de maneira recorrente pelos gestores e
programadores.
Para que haja essa transformação, é fundamental compreender a relação entre os
modelos primal e dual, bem como suas propriedades. De posse desses conhecimentos,
é possível a obtenção dos modelos e alcançar maior agilidade da mensuração.
Os resultados da aplicação da dualidade proporcionam interpretações econômi-
cas a depender do comportamento das folgas e das variáveis em cada um dos mode-
los. Implica, portanto, em resultados ótimos, preços-sombra e custos reduzidos.
Aprenderemos, mais detalhadamente, a teoria da dualidade, bem como as rela-
ções entre primal e dual e as interpretações de resultados.

7.2.1 Introdução à teoria da dualidade


Na programação linear, considera-se a certeza de coeficientes e constantes, uma
vez que a otimização depende dos coeficientes atribuídos à função objetivo e às cons-
tantes ligadas às restrições de recursos. Define-se o problema dual como um modelo
relacionado ao original que permite melhor interpretação sobre os valores de recursos
e coeficientes. O que reduz as incertezas de programação linear.
Há justificativa para o estudo de problemas duais. A mais importante delas são as
interpretações obtidas dos valores das variáveis do dual na solução ótima. A outra está
relacionada à análise computacional, uma vez que, geralmente, é mais eficiente a solu-
ção do problema dual do que o primal. Para isso, é importante analisar a quantidade n
de restrições e de variáveis.
Para identificar a otimização, ao invés de aplicar o método simplex, é possível
mediante a procura de limites inferiores e superiores por relação primal e dual. Isso
porque, cada solução traz um limite inferior a função-objetivo, em situação de maximi-
zação, e um limite superior, em caso de minimização.
Pesquisa Operacional 144

Em um problema do tipo:

Max z = 5x 1 + 2x 2
Sujeito a
x1 ≤ 3
x2 ≤ 4
x1 + 2 x2 ≤ 9
x 1, x 2 ≥ 0

Assumimos que essa é a sua forma primal, uma vez que se trata de um problema
de maximização, onde suas restrições são do tipo menor ou igual (≤) e as variáveis são
não negativas. Trata-se de um problema que pode ser transformado para o dual, como
mostrado a seguir.

Representação algébrica de primal e dual para o exemplo


Primal Dual
Max Z = 5x 1 + 2x 2 Min 3y1 + 4y2 + 9y3
Sujeito a: Sujeito a:
x1 < 3 y1 + y3 > 5
x2 < 4 y2 + 2y3 > 2
x 3 + 2x 2 < 9
© DTCOM

x 1, x 2 > 0 y1, y2 , y3 > 0

Fonte: LACHTERMACHER, 2007, p. 88. (Adaptado).

Mas, como essa relação entre primal e dual foi estabelecida? Quais as condições
e propriedades que devem ser atendidas e respeitadas para a transformação? Todas
essas questões, veremos o passo a passo ao longo do próximo subtópico.

7.2.2 Propriedades
Há uma relação indissociável entre o problema primal e o dual, assuntos que
serão explorados nos subtemas a seguir.
Tais problemas são definidos por sete teoremas distintos, eles são responsáveis
por expor as condições para construção do primal e do dual, assim como garantir a sua
aplicabilidade. Neste livro não desdobraremos as deduções dos mesmos.
Pesquisa Operacional 145

• Teorema I: O dual do dual é o primal.


• Teorema II: Se a n-ésima restrição do problema primal é uma igualdade, então
para a n-ésima variável do dual não há restrição de sinal (pode ser zero, negati-
vo ou positivo).
• Teorema III: Trata-se de contra-resposta ao teorema II. Ou seja, se a k-ésima
variável do Primal não possui restrição de sinal, então a k-ésima restrição do
dual é uma igualdade.
• Teorema IV: Propriedade fraca da dualidade: se um problema de maximização
primal e o seu dual possuem soluções finitas, então Z < D para soluções com-
patíveis entre primal e dual. Matematicamente isso é definido por:

Representação matemática da propriedade fraca da dualidade


n m
=
Z
=j 1 =i 1
∑ Ci ⋅ xi ≤ ∑bi ⋅ y=i D
Z = c j x j + ... + cn xm < b j y j + ... + bm ym = D

Fonte: LACHTERMACHER, 2007, p. 91. (Adaptado).

• Teorema V: Propriedade Forte da Dualidade: se o primal e o dual possuem so-


luções compatíveis e finitas, pode-se dizer que há uma solução ótima finita
para cada um dos problemas, de modo que Z* = D*. Matematicamente isso é
representado por:

Representação matemática da Propriedade Forte da Dualidade


n m

i Z*=
i
=j 1 =i 1
∑ C ⋅ x *= ∑ b ⋅ y *=
i i D*

Z* = c j x*j + ... + cn xm* < b j y *j + ... + bm ym* = D*

Onde:
x*j = valor da variável j do primal na solução ótima
y*i = valor da variável i do dual na solução ótima
n = número de variáveis originais do Primal
m = número de restrições do Primal
Z* = Valor ótimo do Primal
D* = Valor ótimo do Dual

Fonte: LACHTERMACHER, 2007, p. 91. (Adaptado).


Pesquisa Operacional 146

• Teorema VI: Teorema da Dualidade:


• Se um dos problemas possui solução viável e apenas uma solução ótima, o
outro também terá. Isso significa que serão aplicados os Teoremas IV e V.
• Se um problema possuir soluções viáveis, e a solução ótima for ilimitada, o
outro problema não possuirá soluções.
• Se um problema não possui solução viável, então o outro ou não possuirá
soluções viáveis ou terá soluções ilimitadas.
• Teorema VII: Teorema da folga complementar: enuncia a relação entre o primal
e o dual, apresentada na figura a seguir. Trata-se da condição requisitada para
que as soluções ótimas do primal e do dual sejam simultaneamente ótimas.

Relação entre primal e dual


Primal Dual
n
Max ∑ c x =c x + c x
i i i i 2 2 + cn xn m
j=1 Max ∑b y =b y + b y
i=1
i i i i 2 2 + bm ym
sujeito a
sujeito a
n

∑a 1j x j ≤ b1 ou a11 x11 + a12 x12 +  + a1n xn ≤ bi m


j=1
∑a x ≥ c
i=1
i1 i 1 ou a11 y1 + a21 y 2 +  + am1 ym ≥ c1
n

∑a 2j x j ≤ b2 ou a21 x11 + a22 x12 +  + a2n xn ≤ b2 m


j=1
∑a x ≥ c
i=1
i2 i 2 ou a12 y1 + a22 y 2 +  + am2 xm ≥ c2
      
      
n

∑a mj x j ≤ bm ou am1 x1 + am2 x 2 +  + amn xn ≤ bm m


j=1
∑a x ≥ c
i=1
i2 i 2 ou a12 y1 + a12 y 2 +  + am2 xm ≥ cm
x j ≥ 0 (j = 1, 2,  n)

Fonte: LACHTERMACHER, 2007, p. 92. (Adaptado).

Para isso, define-se a condição:

∑a y
i=1
ij
*
i
= c j ou x*j = 0 ou ambos (j = 1, 2, ...,n) e

∑a x
i=1
ij
*
j
= bi ou y *i = 0 ou ambos (i = 1, 2, ...,m)

Fonte: LACHTERMACHER, 2007, p. 92. (Adaptado).


Pesquisa Operacional 147

Essa relação pode ser resumida pela figura, em que:

Variável do primal Variável do dual associada

Variável original xj Variável de folga/excesso ym+j

Variável de folga/excesso xn+i Variável original y i

Variável básica Variável Não-básica

Variável Não-básica Variável básica

Onde:
n Número de variáveis originais do primal
m Número de restrições do primal
i Índice das restrições do primal (i = 1,2,...,m)

© DTCOM
j Índice das variáveis originais do primal (i = 1,2,..., n)

Fonte: LACHTERMACHER, 2007, p. 94. (Adaptado).

Assim, pode-se resumir as regras para a construção do problema dual. Existem


precedentes de comportamento das variáveis e restrições nos problemas de prima e
duas. As regras são apresentadas, explicitamente, pelo quadro a seguir.

Regras para a construção do problema dual


Problema de Problema de
maximização minimização
Restrições Variáveis
≥ ↔ ≤0
≤ ↔ ≥0
= ↔ Irrestrita
Variáveis Restrições
≥0 ↔ ≥
≤0 ↔ ≤
Irrestrita ↔ =
Fonte: TAHA, 2008, p. 69. (Adaptado).

Note que não foi definido na figura quem é o primal, nem o dual. Pois, o que
importa é o sentido da otimização. Ou seja: se o primal for de minimização, então o
dual será de maximização, e vice-versa.
Pesquisa Operacional 148

Assim, a transformação de primal para dual possui sua importância e deve seguir
condições. Para isso, são firmadas as propriedades a serem respeitadas para que os
resultados ótimos e/ou viáveis sejam obtidos simultaneamente por ambos os proble-
mas. Consequentemente, torna-se possível a interpretação econômica da dualidade.

7.2.3 Primal e Dual


O problema dual é uma situação de programação linear com associação direta
com o problema de PL original (primal). A relação entre os dois problemas é estreita,
de modo que, a solução ótima de um fornece a do outro, simultaneamente.
Há diferentes formas de tratamento da programação linear, sendo que a defini-
ção do dual depende do formato do primal. Depende assim do sentido de otimização,
bem como das restrições e do direcionamento das variáveis (irrestrita ou não nega-
tiva). É tido como um tratamento um pouco confuso, que requer maiores esclareci-
mentos, além de definições simples e diretas. A relação algébrica entre primal e dual é
explicitada na imagem a seguir.

Representação algébrica de problemas primal e dual.


Primal Dual
n
Max ∑c x j j =c1 x1 + c2 x 2 + cn xn m
j=1 Max ∑b y =b y + b y
i=1
i i i i 2 2 + bm ym
sujeito a
sujeito a
n

∑a 1j x j ≤ b1 ou a11 x11 + a12 x12 +  + a1n xn ≤ b1 m


j=1
∑a x ≥ c
i=1
i1 i 1 ou a11 y1 + a21 y 2 +  + am1 ym ≥ c1
n

∑a 2j x j ≤ b2 ou a21 x11 + a22 x12 +  + a2n xn ≤ b2 m


j=1
∑a x ≥ c
i=1
i2 i 2 ou a12 y1 + a22 y 2 +  + am2 xm ≥ c2
      
      
n

∑a mj x j ≤ bm ou am1 x1 + am2 x 2 +  + amn xn ≤ bm m


j=1
∑a x ≥ c
i=1
i2 i 2 ou a12 y1 + a12 y 2 +  + am2 xm ≥ cm
x j ≥ 0 (j = 1, 2,  n)

Fonte: LACHTERMACHER, 2007, p. 88. (Adaptado).

Percebe-se que os termos constantes das restrições do dual são os coeficientes


das variáveis da função objetivo do problema primal. Já os coeficientes da função obje-
tivo do dual são as restrições do primal.
Pesquisa Operacional 149

Além disso, as restrições dos primal são do tipo menor ou igual, enquanto do pri-
mal é maior ou igual. A quantidade de variáveis do dual é igual ao número de restrições
do primal e a quantidade de restrições do dual é número de variáveis do primal.
Por fim, a matriz de coeficientes do dual é a transposta da do primal. As relações,
do exemplo exposto, são diretas e requisitam a definição de propriedades, de modo
que os resultados de otimização sejam obtidos simultaneamente pelo primal e dual.

7.2.4 Interpretação econômica da dualidade


O problema de PL considera um modelo em que, com a alocação de recursos,
busca-se a otimização de resultados. Considerando um problema de maximização de
receita, em situação de recursos escassos, o problema dual relacionado possui inter-
pretações econômicas peculiares. De maneira a formalizar o exposto, os problemas
primal e dual são representados pela imagem a seguir.

Designação generalizada dos problemas primal e dual


Primal Dual
n m
Maximizar z = ∑ c j x j Minimizar w = ∑ bi xi
j=1 i=1
sujeito a sujeito a
n m

∑a x
j=1
ij j ≤ bi , i =
1, 2, ..., m ∑a y ≥ c , j =
ij i 1, 2, ..., n
j
i=1

x j ≥ 0, j =
1, 2, ..., m yi ≥ 0, i =
1, 2, ..., m

Fonte: TAHA, 2008, p. 75. (Adaptado).

No modelo em questão, o primal possui n atividades econômicas e m recursos


distintos. O coeficiente cj representa a receita associada a unidade produzida de cada
atividade j. O recurso i, possui disponibilidade máxima de bi, e é utilizado a uma taxa
aij. Para quaisquer soluções do primal e do dual, quando ambas são viáveis e finitas, é
necessário respeitar a condição a seguir.

Condição entre z e w (entre primal e dual)


n n
z = ∑ c j x j ≤ ∑ bi yi = w
=j 1 =i 1

Fonte: TAHA, 2008, p. 75. (Adaptado).


Pesquisa Operacional 150

A relação de igualdade entre z e w (z =w ) é atendida quando as duas soluções


(do primal e do dual) são ótimas. Dada uma situação ótima, em que o problema primal
representa a alocação de recursos e z é a receita em dólares. Como bi é a representa-
ção da disponibilidade do recurso i, a relação z = w pode ser expressa por:

Condição explícita quando z = w


=$ ∑ (Unidades do recurso i) × ($ por unidade do recurso i)
i

Fonte: TAHA, 2008, p. 75. (Adaptado).

Isso indica que a variável dual (yi) equivale o valor de cada unidade do recurso i.
Ou seja: o preço dual do recurso i é capaz de substituir o valor equivalente de cada
unidade. De maneira análoga pode-se interpretar a relação z < w, de modo que se
pode assumir que Receita é menor que o valor equivalente de recursos (Receita < Valor
equivalente de recursos).
Assim, podemos dizer que as variáveis originais do problema dual relacionam-se
com variáveis de folga/excesso das restrições do problema primal. Estas representam
o valor marginal do recurso de cada restrição i relacionado à função objetivo.
Pesquisa Operacional 151

Referências
FRANK, P. K. Introduction to system sensitivity theory. New York: Academic Press, 1978.
HAMBY, D. M. A Review for Parameter Sensitivity Analysis of Environmental Models,
Environmental Monitoring and Assessment, vol. 32, 1994.
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões: modelagem em
Excel. Rio de Janeiro: Elsevier, 2007
MACIEL, P. et al. Análise de Sensibilidade – UFPE. Disponível em: <slideplayer.com.br/
slide/1255260>. Acesso em: 23/08/17.
ODA, A. L.; GRAÇA, C. T.; PAES LEME, M. F. Análise de riscos de projetos agropecuários:
um exemplo de como fundamentar a escolha entre projetos alternativos e excludentes.
IV Congresso Internacional de Economia e Gestão de Redes Agroalimentares. FEA-USP –
Campus Ribeirão Preto, 2001.
PARDINI, D. Análise de Sensibilidade Solver do Excel. 2016. Disponível em:
<otimizacaonapratica.wordpress.com/2016/01/02/analise-de-sensibilidade-no-solver-do-
excel/>. Acesso em : 11/08/2017.
TAHA, H. A. Pesquisa Operacional. Ed. 8. São Paulo: Person Prentice Hall, 2008.
WIKIPÉDIA. Análise de Sensibilidade. Disponível em: <pt.wikipedia.org/wiki/An%C3%
A1lise_de_sensibilidade>. Acessado em: 23/08/17.
8 Teoria da decisão
Denise Ost

Teoria da decisão é o conjunto de conceitos e técnicas que permitem estruturar e


analisar um problema (oportunidade) de maneira lógica, de forma a permitir a melhor
decisão possível face às informações disponíveis, de acordo com as preferências do
decisor, envolvendo alternativas finitas para a ocorrência de eventos.
As ferramentas são muito importantes para observação de condições de análise,
sendo muito importante verificar as circunstâncias do problema, situação envolta de
certeza, risco ou incerteza.

No risco se consegue mensurar probabilidade de ocorrência, a partir de dados históricos. Para


a incerteza, não há informações suficientes para a determinação das probabilidades de ocor-
rência de eventos, sendo usados métodos não probabilísticos.

Nos subtemas a seguir vamos conceituar e exemplificar as partes que compõem


a teoria da decisão, abordando as estratégias alternativas deste método bem como
estado de natureza e os seus resultados.

8.1 Estrutura dos problemas de decisão


Sabe-se que a decisão é tomada diante de muitas possibilidades alternativas, em
consequência do processo de tomada de decisão, desenvolveu-se a disciplina de teoria
da decisão, na qual todo um conjunto de técnicas se desenvolveu para estruturação e
análise lógicas de um problema, de modo que a melhor decisão seja tomada. Isso por-
que as preferências e as alternativas podem ser expressas de maneira básica e racional.
A tomada de decisão não é um procedimento básico, e sua dificuldade está asso-
ciada a complexidade da situação e dos fatores e incertezas que a influenciam. É
comum problemas que tenham múltiplos objetivos e alternativas, além de serem cer-
cados por situações imprevisíveis.
Tomar decisão é um evento presente que se traduz em consequências futuras,
que são incertas, mesmo com o planejamento antecipado.
Pesquisa Operacional 154

A teoria da decisão é composta por técnicas quantitativas que auxiliam a sis-


tematização e solução de problemas. Isso porque parte-se do pressuposto que os
problemas possuem critérios, que podem ser resolvidos por conhecimentos multidis-
ciplinares. O problema de decisão se estrutura por estratégias alternativas tema o qual
na sequência será abordado incluindo estados da natureza e resultados.

8.1.1 Estratégias alternativas


Uma condição futura influência nos resultados decorrentes da escolha de uma
alternativa. Assim, é comum levantar possibilidades, e analisar os prós e contras de
cada alternativa, completa por peculiaridades. Ou seja, há muitos cursos de ação para
que os fins sejam alcançados. Diz-se que as consequências de cada alternativa, tam-
bém chamadas de payoffs, são os resultados alcançados por elas.
Portanto, para que um problema seja resolvido, é necessário levantar todas as
possibilidades de solução. Como exemplo, uma empresa que pensa em construir uma
nova unidade operacional terá custos maiores, no entanto, será mais flexível para o
atendimento de maiores demandas.

8.1.2 Estados da natureza


Estão relacionados a fatos futuros que têm o poder de influenciar nas alternativas
de decisão. Sabe-se que cada alternativa encontra-se envolta de um estado da natu-
reza e implica em um determinado resultado. Podemos dizer que se tratam de even-
tos incertos, que não estão sob o controle do gestor. Possuem, portanto, o poder de
influenciar as alternativas e os seus respectivos resultados.

8.1.3 Resultado
Trata-se da consequência em se optar por uma alternativa de decisão em um
dado estado da natureza, implicando em resultados possíveis. A partir dessas defini-
ções, é possível montar a matriz de decisão, também chamada de matriz de payoff.
Ela é responsável por sumarizar os
resultados associados a cada alternativa,
envolta por cada estado da natureza. Para
© Carlos Castilla // Shutterstock

isso, é comum o uso de critérios, como lucros


ou custos, para avaliação dos resultados
(payoffs) de cada alternativa sob cada estado.
A matriz é composta por m alternativas
finitas, definidas por Di, sendo que i varia de 1
Pesquisa Operacional 155

a m. Em cada coluna, são listados um número n finito de estados da natureza, definidas


por Sj, sendo que j varia de 1 a n. Cada cruzamento entre alternativa e estados da natu-
reza, há um resultado diferente obtido, conforme se pode verificar no quadro a seguir.

Construindo a matriz de payoffs


Estados da natureza
Alternativas
S1 S2 ... Sn
D1 r11 r12 ... r1n
D2 r 21 r 22 ... r 2n
... ... ... ... ...
Dm r m1 r m2 ... r mn

Isso significa dizer que a cada alternativa, em um estado da natureza específico,


o resultado obtido é distinto e peculiar, também há um peso de possibilidade distinto,
incorrendo ou não nos resultados.
Agora, traremos um exemplo de Moreira (2004). Nele, uma empresa, para o lan-
çamento de um novo produto, deve optar por uma das duas alternativas: implantar
uma nova fábrica para produção dedicada do novo produto ou utilizar-se de instala-
ções já existentes.
Sabe-se que a construção de uma nova fábrica trará maior flexibilidade para
atender demandas variáveis, o que também incorre em maiores custos. Ao passo em
que o aproveitamento de unidades já existentes implica em baixo custo e baixa flexibi-
lidade de atendimento de demanda alterada.
Para isso, é necessário desenvolver seis passos:
• Definir claramente o problema;
• Associar as alternativas de ação;
• Levantar os resultados obtidos da associação entre cada alternativa e cada es-
tado da natureza;
• Mensurar, quantitativamente, o lucro ou o custo decorrente da associação de
cada alternativa com cada estado;
• Identificar e selecionar os modelos de Teoria da decisão;
• Implementar o modelo e tomar a decisão.
Pesquisa Operacional 156

Para analisar tais alternativas, a empresa considerou três estados de demanda:


alta, média e baixa, como exposto quadro a seguir.

Construindo a matriz de resultados: demanda alta,


média e baixa para escolha de gestor de projetos
Estados da natureza
Alternativas Baixa Média Alta
Uso de instalações existentes –100 100 200
Construção de novas instalações –300 0 400
Fonte: MOREIRA, 2004, p. 133. (Adaptado).

Perceba que para cada associação entre alternativas e estado da natureza, o


retorno é diferente. Em situações de baixa e média demanda, é preferível o uso de ins-
talações existentes, ao passo em que, para altas demandas, é recomendável a constru-
ção de novas instalações.
Esse exemplo traz uma discussão interessante: qual a diferença entre boas decisões
e bons resultados? É sabido que boas decisões não implicam, necessariamente, em bons
resultados. Isso porque a incerteza é que define a consequência da decisão. Mesmo com a
eventualidade, a abordagem estruturada de tomada de decisão torna o problema melhor
compreendido. Em situações complexas é mais interessante a tomada de decisão à partir
de processos estruturados.

Decisão é o ato de determinar o que será feito. Já o resultado é uma consequência da decisão.

O que diferencia a boa da má decisão é a orientação que se tem por dados e


informações que designam as alternativas de solução. Para isso, requisita-se o uso
apropriado de métodos quantitativos, de maneira que os resultados sejam favoráveis.
Assim, pode-se dizer que a diferença entre cada um dos critérios de decisão se dá
pela capacidade de prever o acontecimento. Então, dadas as circunstâncias, o nível de
estruturação do problema se diferencia.
Pesquisa Operacional 157

8.2 Decisão tomada sob certeza (DTSC)


Na decisão tomada sob certeza se conhece
exatamente o estado da natureza que irá ocorrer,
portanto o decisor sabe qual o acontecimento que
vai ocorrer, uma previsão precisa é possível.
Pode ser verdade em alguns sistemas mecâ-
nicos, mas, dificilmente, verdadeiro em sistemas

©amalia19 // Shutterstock
humanos complexos. Nesse sentido, as variáveis são
conhecidas e os efeitos de cada alternativa de deci-
são é determinístico, sendo as informações suficien-
tes, dimensionáveis e confiáveis.
Nos subtemas seguintes abordaremos de forma mais aprofundada a definição de
DTSC bem como exemplos desta teoria da decisão.

8.2.1 Definição
A Decisão Tomada sob Certeza (DTSC) acontece quando há certeza de que algo
irá ocorrer no período de tomada de decisão. Os modelos de programação linear
exemplificam a tomada de decisão sob condições de certeza. Isso porque todas as fun-
ções são devidamente definidas, em conformidade com a situação analisada.
A Análise Hierárquica de Processos (AHP) projeta situações em que aspectos
comportamentais influenciam a tomada de decisão. Eles podem ser quantificados a
partir de escalas numéricas que apontem as alternativas a ser priorizadas.
Mas, como os melhores critérios são considerados? Pode-se dizer que um critério
não é capaz de trabalhar com todas as situações ao mesmo tempo, de modo que sem-
pre vão possuir pontos a serem melhorados. Cada critério se torna subjetivo dada as
considerações levantadas para um dado evento. E são fundamentais para uma análise
completa da situação verificada.
Para que fique mais clara a definição de DTSC, assim como sua aplicabilidade,
será apresentado um exemplo de Taha (2008, p. 219). Nele, temos uma ideia geral
sobre a análise hierárquica de processos.
Pesquisa Operacional 158

8.2.2 Exemplo
Para exemplificar o uso da AHP e o processo de tomada decisão sob certeza, Taha
(2008, p. 219) apresenta o exemplo no qual introduz a situação de um aluno, chamado
Martin, que recebeu bolsas de estudo integrais em três universidades: A, B e C. Para
optar pela universidade, o estudante prioriza dois critérios: localização e reputação.
Como ele se trata de um bom estudante, ele define que a reputação acadêmica
é cinco vezes mais importante que localização, gerando um peso de 17% para locali-
zação e 83% para reputação. Com base nesses critérios, ele realiza uma análise sis-
temática para classificação das três instituições. Ele distribui os pesos assim como
apresentado no quadro a seguir.

Distribuição de pesos por critério e por universidade


Estimativas de peso em porcentagem para
Critério Universidade A Universidade B Universidade C
Localização 12,9 27,7 59,4
Reputação 54,5 27,3 18,2
Fonte: TAHA, 2008, p. 219. (Adaptado).

Note que o somatório de pesos de localização resulta em cem por cento (12,9% +
27,7% + 59,4% = 100%), assim como para reputação acadêmica (54,5% + 27,3% + 18,2% =
100%). A estrutura do problema é resumida pela figura em que se faz demonstrado a
interação entre pesos dos critérios.

Resumo dos cálculos da AHP para escolha da universidade segundo os critérios do aluno
Selecionar uma
Decisão:
universidade

Critério de Localização Reputação


hierarquia 1: (0,17) (0,83)

Univ. C Univ. A Univ. B Univ. C


Alternativas: Univ. A Univ. B
(0,1290) (0,277) (0,594) (0,545) (0,273) (0,182)
© DTCOM

0,17 x 0,129 + 0,83 x 0,545 = 0,4743 0,17 x 0,277 + 0,83 x 0,273 = 0,2737 0,17 x 0,594 + 0,83 x 0,182 = 0,2520

Universidade A Universidade B Universidade C

Fonte: TAHA, 2008, p. 220. (Adaptado).


Pesquisa Operacional 159

Perceba que o problema se resume em uma única hierarquia, com dois critérios
(localização e reputação) e três alternativas (Universidades A, B e C). Obtém-se a clas-
sificação de cada universidade do seguinte modo:

• Universidade A = 0,17 × 0,129 + 0,83 × 0,545 = 0,4743


• Universidade B = 0,17 × 0,277 + 0,83 × 0,273 = 0,2737
• Universidade C = 0,17 × 0,594 + 0,83 × 0,182 = 0,2520

A partir dos cálculos, o aluno escolhe a Universidade A, uma vez que se obteve o
peso composto mais alto.
Digamos agora que a irmã gêmea de Martin, que se chama Jane, também foi
aceita pelas mesmas três universidades. Seus pais determinaram que ambos devem
estudar na mesma universidade para que usem o mesmo carro. Agora, o problema ao
invés de ter apenas uma hierarquia, tem duas.
Novamente, cada universidade, frente a cada critério, terá um determinado peso
de seleção. Cada um atribui seus pesos. Assim, os valores p e q, que assumimos como
iguais, são os pesos de Martin e Jane sobre os processos de seleção (primeira hierar-
quia). Na segunda hierarquia, são usados os pesos (p1, p2) e (q1, q2) para indicar as pre-
ferências de Martin e Jane sobre localização e reputação. A figura a seguir apresenta a
nova configuração do problema.

Note que p + q = 1, p1 + p2 = 1, q1 + q2 = 1, p11 + p13 + p13 = 1, p21 + p22 + p23 = 1, q11+ q12 + q13 = 1 e
q21 + q22 + q23 = 1. Assim, determina-se um peso composto para a escolha da universidade.
Pesquisa Operacional 160

Nova configuração do problema de decisão sob condição de certa


com a inclusão de Jane, irmã gêmea de Martin
Selecionar uma
Decisão
universidade

Critério de Martin (p) Jane (q)


hierarquia 1:

Critério de Localização (p1) Reputação (p2) Localização (q1) Reputação (q2)


hierarquia 2:

Alternatives:
Uni. A Uni. C Uni. A Uni. C Uni. A Uni. C Uni. A Uni. C
(p11) (p12) (p21) (p23) (q11) (q13) (q21) (q23)

Uni. B Uni.B Uni.B Uni.B


(p12) (p22) (q12) (q22)

© DTCOM
Universidade A = p(p1 x p11 + p2 x p21) + q(q1 x q11 + q2 x q21)

Fonte: TAHA, 2008, p. 220. (Adaptado).

Note que, mesmo com a nova configuração, com diferentes níveis, a aborda-
gem mantém-se a mesma. Isso mostra que, com todo nível de complexidade, pode-se
estruturar o problema para a tomada de decisão. E essa premissa é válida para a deci-
são sob condição de certeza. Para tomar decisões sob risco ou incerteza, há variações.

8.3 Decisão Tomada Sob Risco (DTSR)


As decisões tomadas sob risco ocorrem em situações com indisponibilidade de
informações. Aqui é comum o uso de dados históricos para o levantamento de proba-
bilidades de ocorrência de fatos trazendo, portanto, previsibilidade aos fatos. Sendo
a decisão tomada com base no resultado médio ou resultado esperado de cada alter-
nativa. Para a estruturação e compreensão dos problemas, é comum a montagem de
matrizes. Neste tópico abordaremos o Critério do valor esperado baseado em árvore
de decisão, o Valor Monetário Esperado, a Perda de Oportunidade Esperada e o Valor
Esperado da Informação Perfeita.
Cada um deles tem suas especificidades de programação, e requisitam de você
atenção aos passos.
Pesquisa Operacional 161

8.3.1 Definição
É comum que a disponibilidade limitada de informação implica em maior risco
para a tomada de decisão. Isso justifica o porquê de a maioria das decisões ser tomada
a partir de previsões e planejamentos.
Em situações de risco, geralmente faz-se uso de distribuições de probabilidade para
a determinação de cada alternativa. Em função disso, a tomada de decisão sob risco
também é definida como critério do valor esperado, em que as alternativas são confron-
tadas a partir da maximização do lucro ou minimização de custos esperados. Tal aborda-
gem não é limitada, e o critério do valor alterado pode ser modificado a cada situação.
Frequentemente, faz-se o uso de dados históricos para mensurar as probabilida-
des. O que torna possível a determinação das probabilidades de cada um dos estados
da natureza. Para a tomada de decisão sob risco, são usados os métodos de critério
do valor esperado baseado em árvore de decisão, valor monetário esperado, perda de
oportunidade esperada e valor esperado de informação perfeita.

8.3.2 Montagem das matrizes


Para a montagem dos problemas é necessário compreender os formatos de
estruturação. Cada um deles tende a tratar o problema de maneira diferente, especial-
mente na construção do algoritmo.
Por isso será abordado o (a) critério do valor esperado baseado em árvore de
decisão, (b) Valor Monetário Esperado, (c) Perda de Oportunidade Esperada e (d) Valor
Esperado da Informação Perfeita. Para o primeiro caso será apresentado o exemplo de
investimento. E para os outros três será usado o exemplo de contratação de gestor de
projetos, de modo que os resultados obtidos serão claramente distintos e paralelos.

Critério do valor esperado baseado em árvore de decisão


O critério do valor esperado objetiva a maximização o lucro médio ou minimiza-
ção de custos. Os dados associados ao retorno são probabilísticos, e retornam cada
alternativa de decisão.
Na análise por árvore de decisão são inclusas situações em que há um número
limitado de alternativas e matrizes de retorno. Para explicitar a metodologia, será uti-
lizado um exemplo de Taha (2008, p. 224). Nele, introduz-se uma situação de inves-
timento, em que o investidor pode aplicar R$10.000 no mercado de ações a partir da
compra de ações ou da empresa A ou da B.
Pesquisa Operacional 162

Sabe-se que as ações da Empresa A são mais voláteis (possuem maior risco) e que,
por isso, pode render 50% sobre o valor aplicado ao longo do próximo ano. Mas, se as
condições de mercado não forem favoráveis, há a possibilidade de se perder 20% do valor.
Já a Empresa B oferta investimentos seguros, com um retorno de 15% quando
o mercado está em alta, e de 5% quando em baixa. Pelas informações de mercado,
prevê-se 60% de possibilidade de alta e 40% de baixa. Diante dessa situação, per-
gunta-se em qual empresa o dinheiro deve ser aplicado. Repare que as informações do
problema podem ser resumidas no quadro a seguir.

Resumo das informações de investimento nas Empresas A e B


Retorno sobre um investimento de $ 10.000 em um ano
Alternativa de decisão Mercado em alta ($) Mercado em baixa ($)
Ação da Empresa A 5.000 –2.000
Ação da Empresa B 1.500 500
Probabilidade de ocorrência 0,6 0,4
Fonte: TAHA, 2008, p. 224

O problema também pode ser representado pela figura, na qual o problema se


apresenta por árvore de decisão. Nela, há dois tipos de nós: o quadrado, que indica um
ponto de decisão, e o círculo, que representa um evento. Assim, deve-se decidir entre
investir em ações da Empresa A ou B, de modo que os resultados em alta e em baixa
são distintos a cada empresa.

Organização da questão por árvore de decisão


Mercado em alta (0,6) $5.000

Investir nas ações de A


2
Mercado em baixa (0,4)
$-2.000
1
Mercado em alta (0,6)
$1.500
Investir nas ações de B
3
© DTCOM

Mercado em baixa (0,4) $500

Fonte: TAHA, 2008, p.224.


Pesquisa Operacional 163

Define-se que o retorno de cada alternativa é de:

Ação A: $5000 × 0,6 + (–$2000) × 0,4 = $2200


Ação B: $1500 × 0,6 + $500 × 0,4 = $1100

Assim conclui-se que vale mais a vela investir na ação da Empresa A, pois vai
gerar maior retorno. Note que os mercados em alta e em baixa podem ser considera-
dos estados da natureza, onde suas probabilidades associadas são expressas.
Na teoria de decisão pode-se definir um problema com n estados da natureza e m
alternativas. Define-se que o retorno esperado é dado por:

EVi = ai1p1 + ai2p2 + ... + ainpj; j=1,...,n


Por definição: p1 + p2 + ... + pn =1

Dados:
EVi : retorno esperado de cada alternativa i;
i : cada alternativa (i=1, 2, ...,m);
j : cada estado da natureza (j=1,2,...,n);
pj : probabilidade de ocorrência a cada ij;
aij : retorno da alternativa i dado o estado da natureza j.
Pode-se dizer, conclusivamente, que a melhor alternativa é aquela que maximiza
ou minimiza o retorno esperado – EV* = máx{EVi} ou EV* = mín{EVi}. O retorno do
problema geralmente representa ou lucro (receita) ou custos (prejuízos).

8.3.3 Valor Esperado da alternativa (VEA) X Valor esperado da


informação perfeita (VEIP)
Agora, para a demonstração dos métodos de Valor Monetário Esperado (VME),
Perda de Oportunidade Esperada (POE), Valor Esperado da Informação Perfeita
(VEIP), será utilizado o exemplo de Corrar et al. (2007, p. 290).
A empresa em questão presta auditoria e consultoria empresarial, e opta pela
contratação de um novo gestor de projetos. Trata-se decisão de baixo nível de estrutu-
ração e que envolve o nível estratégico empresarial.
Pesquisa Operacional 164

Para a sistematização do problema, perpassa-se por seis passos.


• Passo 1 – Definição clara do problema: contratar novo profissional;
• Passo 2 – Alternativas de ação: (i) Contratação de gestor de projetos para a au-
ditoria; (ii) Contratação de gestor de projetos para a consultoria;
• Passo 3 – Resultados entre cada alternativa e cada estado da natureza: (i) pro-
babilidade de 80% de alta demanda de serviços de consultoria e auditoria; (ii)
probabilidade de 20% de baixa demanda de serviços de consultoria e auditoria;
• Passo 4 – Mensuração do retorno de cada alternativa, como mostrado no qua-
dro a seguir.

Retorno de cada alternativa


Estados da natureza
Alternativas
Alta demanda Baixa demanda
Contratar gestor para auditoria R$ 240.000,00 R$ 5.000,00
Contratar gestor para consultoria R$ 360.000,00 – R$ 50.000,00
Fonte: CORRAR et al., 2007, p. 290. (Adaptado).

• Passos 5 e 6 – Identificar e implementar modelos de Teoria da Decisão: sele-


ção por VME, POE e VEIP.
Então, para a análise e solução do problema serão desenvolvidas as técnicas de
Valor Monetário Esperado, Perda de Oportunidade Esperada e Valor Esperado da
Informação Perfeita. A partir dos resultados obtidos de cada, os mesmos serão com-
parados, como veremos.

Valor Monetário Esperado (VME)


O Valor Monetário Esperado (VME) é obtido como a médio de valores dos dife-
rentes resultados. Assim, a mesma é ponderada a partir de probabilidade de ocorrên-
cia de eventos. Assume-se que para a construção de uma alternativa, são indicados a
média de resultados como se o problema fosse repetidamente realizado e alternativa
sempre escolhida.
No problema em questão, considerou-se 80% de probabilidade do mercado ope-
rar em alta demanda e 20% de probabilidade de operar em baixa demanda. O VME
obtido para cada alternativa a cada estado da natureza se encontra no quadro a seguir.
Pesquisa Operacional 165

Cálculo de VME a cada alternativa


Estados da natureza
Alternativas VME
Alta demanda Baixa demanda
Contratar gestor para auditoria R$ 240.000,00 R$ 5.000,00 193000
Contratar gestor para consultoria R$ 360.000,00 –R$ 50.000,00 278000
Fonte: CORRAR et al., 2007, p. 290. (Adpatado).

O VME de cada alternativa é calculado da seguinte forma:

Alternativa 1 – Contratação de gestor de projetos para a auditoria por VME = 0,8 × 240.000 +
0,2 × 5.000 = 193.000

Alternativa 2 – Contratação de gestor de projetos para a consultoria por VME = 0,8 × 360.000
+ 0,2 × (–50.000) = 278.000

O decisor deve optar pela alternativa que retorna o maior VME. No caso, a deci-
são deve ser a de contratação de gestor de projetos para a área de consultoria. Mas
pode-se resolver o problema pelo critério de Perda de Oportunidade Esperado, que
veremos agora.

Perda de Oportunidade Esperada (POE)


A perda de oportunidade esperada de cada alternativa é considerada, dado um
estado da natureza. Para isso, faz-se a diferença entre o resultado da alternativa e o
melhor resultado possível de cada estado. Assim, indica o que se pode perder pela não
escolha da melhor alternativa.
Procede-se, inicialmente, o cálculo de perda de oportunidade, sendo reestrutu-
rada a matriz de payoffs. Pelo quadro, sabe-se que o maior retorno para alta demanda
é de R$360.000,00, quando se contrata o gestor de projetos para trabalhar com con-
sultoria. Enquanto o maior retorno para baixa demanda é de R$5.000,00, quando se
contrata gestor de projetos para a auditoria. Partindo disso, reformularemos e desen-
volveremos a tabela de perda de oportunidade, como demonstrado a seguir.
Pesquisa Operacional 166

Construção da tabela de perda de oportunidades


Estados da natureza
Alternativas Alta demanda Baixa demanda
Contratar gestor R$ 360.000,00 – R$ 240.000,00 = R$5.000,00 – R$5.000,00 = 0
para auditoria R$ 120.000,00
Contratar gestor R$ 360.000,00 – R$360.000,00 = 0 R$5.000,00 – (–R$ 50.000,00) =
para consultoria
R$55.000,00
Fonte: CORRAR et al., 2007, p. 290. (Adaptado).

Agora, parte-se para o cálculo do POE a cada alternativa, sendo considera-


das as probabilidades de 80% em ocorrer alta demanda e 20% de acontecer a baixa
demanda. Obtém-se assim:

Alternativa 1 – Contratação de gestor de projetos para a auditoria por VME = 0,8 × 120.000 +
0,2 × 0 = 96.000

Alternativa 2 – Contratação de gestor de projetos para a consultoria por VME = 0,8 × 0 + 0,2 ×
(55.000) = 11.000

Pelo POE, o gestor deve optar pela alternativa que resultado em menor valor. No
caso, a decisão deve ser a de contratação de gestor de projetos para consultoria. Ainda
é possível analisar a situação a partir do Valor Esperado da Informação Perfeita (VEIP),
conforme vamos aprender a seguir.

Valor Esperado da Informação Perfeita (VEIP)


Na situação de contratação, foi nos dado somente as probabilidades de ocorrên-
cia de alta e baixa demanda. No entanto, as probabilidades não nos indicam, precisa-
mente, qual estado acontecerá. Obviamente, para a tomada de decisão, o ideal seria
ter a informação perfeita do que vai ocorrer no futuro.
Trata-se de uma informação que transforma ambiente de risco em de certeza, de
modo que a alternativa escolhida é aquela que proporciona melhor resultado. Porém, a
informação perfeita dificilmente encontra-se disponível, ao passo em que é mais sim-
ples mensurar a probabilidade de ocorrência de cenários.
Pesquisa Operacional 167

Sabendo disso, o Valor Esperado da Informação Perfeita (VEIP) é um método


que se utiliza do Valor Esperado Com Informação Perfeita (VECIP), no qual são
somados os melhores resultados dos diferentes estados, sendo estes ponderados
pelas possibilidades de acontecer. No VECIP, não se considera perda de oportunidade,
uma vez que é considerado o melhor resultado de cada estado da natureza. E o VEIP
passa a ser calculado como:

VEIP = VECIP – máximo VME

Como sabemos, os melhores resultados obtidos são: para alta demanda é de


R$360.000,00, quando se contrata o gestor de projetos para trabalhar com consultoria;
para baixa demanda é de R$5.000,00, quando se contrata gestor de projetos para a audi-
toria. E a probabilidade de ocorrência de alta demanda é de 80% e de baixa demanda de
20%. Assim, o Valor Esperado com Informação Perfeita (VECIP) é dado por:

VECIP = 360.000 × 0,8 + 5.000 × 0,2 = 289.000

Pelo VME, calculamos conforme segue:

Alternativa 1 – Contratação de gestor de projetos para a auditoria por VME = 0,8 × 240.000 +
0,2 × 5.000 = 193.000

Alternativa 2 – Contratação de gestor de projetos para a consultoria por VME = 0,8 × 360.000
+ 0,2 × (–50.000) = 278.000

Em que se optou pela alternativa 2, por representar maior valor. Assim, calcula-
mos o VEIP:

VEIP = VECIP – máximo VME


VEIP = 289.000 – 278.000 = 11.000

Portanto, pode-se dizer que o responsável pela tomada de decisão depende


de, no máximo R$11.000,00 para ter informação perfeita, e alterar sua condição de
Pesquisa Operacional 168

decisão de risco para certeza. Se o valor para obter a informação perfeita for superior
a este, não se compensa o custo em obtê-la.

8.4 Decisão Tomada Sob Incerteza (DTSI)


As decisões tomadas em situações
de incerteza envolvem o imprevisível, uma

© Style-photography // Shutterstock
vez que as informações para determinar a
probabilidade não são disponíveis. Porém,
mesmo diante da impossibilidade de
determinar a probabilidade de ocorrência
dos eventos, pode-se determinar os cená-
rios futuros em que ocorrerão as decisões.
Há casos em que a variedade é justificável e necessária, uma vez que demonstra
as atitudes dos gestores frente situações de risco. Em outros não, uma vez que requer
ações com prudência.
Sabe-se que em situações com Insuficiência de dados e informações, a tomada
de decisão requer um posicionamento extremo. Para isso, é melhor associar o conheci-
mento do problema com inferências subjetivas da situação. Taha (2008, p. 230) define
a matriz de retorno de um problema de decisão como mostrado na imagem a seguir.

Definindo a matriz de resultados


s1 s2 ... sn

a1 v(a1.s1) v(a1.s2) ... v(a1.sn)

a2 v(a2.s1) v(a2.s2) ... v(a2.sn)


...

...

...

...

...

© DTCOM

am v(am.s1) v(am.s2) ... v(am.sn)

Fonte: TAHA, 2008, p. 230. (Adaptado).

Trata-se de uma assimilação análoga ao que foi proposto no quadro em que am


são as alternativas (m é a quantidade de alternativas) e Sn são os estados da natureza
(n é a quantidade de estados), e eles são necessário para a obtenção dos resultados
em cada v. Geralmente, faz-se essa organização do problema para o perfeito entendi-
mento e construção de raciocínio para tomada de decisão.
Pesquisa Operacional 169

É comum esse tipo de situação, em que a atribuição de probabilidades é com-


plexa e inviável. Isso porque os retornos dependem diretamente dos retornos alea-
tórios dos estados da natureza. Nesse cenário, há estratégias tão ótimas quanto o
desenvolvimento de critérios de base. Consequentemente, faz-se necessária a ado-
ção de critérios não probabilísticos, tais como Maximax, Maximin ou Wald, Igualmente
provável ou Laplace-Bayes, Critério do realismo ou Hurwicz e Minimax ou Savage.
Assim, em problemas de incerteza, a distribuição de probabilidade relacionada
aos estados da natureza é desconhecida. Frente a isso, os critérios se distinguem con-
forme o conservadorismo da decisão.

8.4.1 Critério maximin


O método de maximin, também chamado de minimax, baseia-se nação conser-
vadora para ter o melhor mesmo nas piores condições possíveis. Caso o resultado –
v(aj, sj) – seja de prejuízo, opta-se por escolher o método do minimax. A fórmula é
apresentada em (a) na imagem a seguir. Porém, se o resultado indicar ganho, utiliza-se
o critério de maxmin, exposto em (b).

Fórmulas de Minimax e Maxmin


(a) (b)
min max v (ai.sj) max min v (ai.sj)
ai sj ai sj

Fonte: TAHA, 2008, p. 231. (Adaptado).

O critério de maximin, ou Wald, aplica uma ação pessimista e supõe a ocorrência


do pior resultado. Com isso, cada decisão expõe o mínimo benefício possível, onde a
escolha é aquela que apresenta o resultado menos desfavorável entre todos os resulta-
dos pessimistas.
Como forma de mostrar como o critério de Savage realiza a moderação do
método de maximin (minimax). Para a construção do problema, consideramos aqui a
matriz de prejuízo v(ai, sj) da imagem a seguir.
Pesquisa Operacional 170

Construindo a matriz de prejuízo


s1 s2 Max da linha
a1 $ 11.000 $ 90 $ 11.000
a2 $ 10.000 $ 10.000 $ 10.000 Minimax

Fonte: TAHA, 2008, p. 231. (Adaptado).

Ao aplicar o critério de minmax, a linha a2 mostra que um prejuízo de 10.000 é


preferível. Assim, pode-se escolher a linha a1 por não haver mais chance de limitar o
prejuízo de $90 caso s2 ocorra. Partindo-se disso, constrói-se a matriz de arrependi-
mento r(ai, sj), na imagem a seguir.

Construindo a matriz de arrependimento


s1 s2 Max da linha
a1 $ 1.000 $ 90 $ 1.000 Minimax

a2 $0 $ 9.910 $ 9.910

Fonte: TAHA, 2008, p. 231. (Adaptado).

Percebe-se, portanto, que ao aplicar a matriz de arrependimento, o critério mini-


max indica o a1 desejado. Ou seja, o critério de minimax ou Savage, é uma ação pru-
dente do decisor, mantendo-se seu conservadorismo. A melhor alternativa é aquela
que minimiza, ao máximo, o maior arrependimento (ou perda de oportunidade).

8.4.2 Critério de Maximax


Neste critério, identifica-se em cada alternativa o seu melhor resultado. A pala-
vra “maximax” indica “o máximo dos máximos”. Dados os melhores resultados de cada
alternativa, escolhe-se aquela com o melhor entre os melhores.
A matriz de decisão aparece na tabela abaixo, agora com uma coluna apontando
os melhores resultados (os de maior valor, neste caso) de cada alternativa. Utilizemos
o critério maximax para tomarmos a decisão:
Pesquisa Operacional 171

Estados da natureza
Vender 50 Vender 100 Vender 150 Melhores
Alternativas
melões melões melões resultados
Comprar 50 melões 100 100 100 100
Comprar 100 melões 0 200 200 200
Comprar 150 melões –100 100 100 300

A melhor alternativa é agora a opção de comprar 150 melões, conduzindo ao


máximo lucro possível, de R$300,00, esse método é claramente a maneira de pensar
otimista incorrigível, que encara o futuro como totalmente favorável a seus planos.

8.4.3 Critério de LaPlace


O critério de Laplace usa todos os dados da matriz de decisão. Como não são
conhecidas as probabilidades dos estados da natureza, elas são suposta iguais, por
falta de razão para supô-las diferentes. Por esse motivo, o critério de Laplace é algu-
mas vezes referido como “critério ou método da razão insuficiente”.
A probabilidade associada a cada estado da natureza é sempre igual à unidade
dividida pelo número de estados da natureza. Após assumir probabilidades iguais,
calcula-se o valor esperado para cada alternativa, escolhendo-se a que conduzir ao
melhor valor esperado.
O uso da metodologia de Laplace baseia-se no princípio da razão insuficiente. Isso
porque, como as distribuições de probabilidade são desconhecidas, não existe razão
para crer que as possibilidades dos diferentes eventos (sn) sejam diferentes entre si.
Por isso, assume-se a premissa otimista de que todos os estados possuem a
mesma probabilidade de ocorrer. Ou seja, a alternativa a ser escolhida é aquela que
proporciona o maior retorno, como mostrado na imagem a seguir.

Cálculo de retorno pelo método de Laplace


P[s1] = P[s2] = ... = P{sm} = 1n

n
max x
1
∑ v(a .s )
n j -1
i j
ai

Fonte: TAHA, 2008, p. 231. (Adaptado).


Pesquisa Operacional 172

Caso os retornos obtidos sejam negativos, deve-se buscar o resultado que traz o
mínimo retorno. Portanto, é importante que os problemas sejam devidamente analisa-
dos para que os resultados obtidos sejam condizentes. Quanto ao critério de Laplace,
a facilidade de cálculo e interpretação é o principal ponto positivo. Ao mesmo tempo
em que a simplicidade de cálculo é um fator crítico, pois pode não condizer com a reali-
dade em estudo.

8.4.4 Critério do mínimo arrependimento


O critério do realismo, também chamado de Hurwicz, baseia-se no coeficiente
de realismo. O mesmo oscila entre 0 e 1 e designa o nível de otimismo do tomador
de decisão. O coeficiente é definido a depender da expectativa do decisor frente a
decisão. A decisão é pautada no critério de maximax, ou seja, a partir dos melhores
resultados. Assim, faz-se a média ponderada, em que alfa é coeficiente para o melhor
resultado, e 1 – α (alfa) é o coeficiente associado ao pior resultado.
Assim, a ação de tomada de decisão oscila entre a visão mais otimista para a mais
pessimista (conservadora). Considerando 0 ≤ α ≤ 1 e ganho por v(ai, sj), temos que o cri-
tério é definido pela figura a seguir.

Equação de Hurwicz em situação otimista

max α max v(ai , sj) + (1 – α) min v(ai , sj)


ai si sj

Fonte: TAHA, 2008, p. 231. (Adaptado).

Então, alfa (α) é definido como o índice de otimismo. Caso seja igual a zero,
admite-se que o decisor é conservador e há a adoção do critério minimax. Agora, se
alfa é igual a 1, então diz-se que ha a procura por resultados otimistas. Então, a depen-
der da seleção, alfa vai oscilar de 0 a 1.
Caso v (ai, sj) aponte prejuízo, então o critério adotado é o da figura:

Equação de Hurwicz em situação de prejuízo

min α min v(ai , sj) + (1 – α) max v(ai , sj)


ai si sj

Fonte: TAHAI, 2008, p. 231. (Adaptado).


Pesquisa Operacional 173

Portanto, vimos ao longo deste capítulo como resolver problemas em situação


de certeza, risco e incerteza. Para cada situação, a estruturação de problema se dife-
rencia. Com isso, foram desenvolvidas técnicas de interpretação das situações, demos-
trando que cada problema possui sua complexidade de estruturação e interpretação.
A Teoria da Decisão presta auxílio ao desenvolvimento e análise do caso, guiando a
tomada de decisão do gestor.
Pesquisa Operacional 174

Referências
ANDRADE, E. L. Introdução à pesquisa operacional: métodos e modelos para análise de
decisões. 3. ed. Rio de Janeiro: LTC, 2004.
CORRAR, L. J.; THEÓPHILO, C. R. Pesquisa Operacional: para decisão em contabilidade e
administração. São Paulo: Editora Atlas, 2007.
GALESNE, A.; FENSTERSEIFER, J. E.; LAMB, R. Decisões de investimento da empresa.
São Paulo: Editora Atlas, 1999.
MOREIRA, D. A. Administração da produção e operações. São Paulo: Pioneira Thomson
Learning, 2004.
PESSANHA. J. F. Pesquisa Operacional Teoria da Decisão. UERJ. Disponível em: <www.
academia.edu/11571815/Pesquisa_Operacional_Teoria_da_Decis%C3%A3o>. Acesso em :
15/08/2017.
TAHA, H. A. Pesquisa Operacional. 8. ed. São Paulo: Person Prentice Hall, 2008.
WANKE, P. Gerência de operações: Uma abordagem logística. São Paulo: Editoras Atlas,
2010.
YBARRA. L A. C. Pesquisa Operacional. Disponível em: <www.facom.ufms.br/~ricardo/
Courses/OR-2009/Materials/Programacao%20linear%2027-09.pdf>. Acesso em: 15/08/2017