Investigação Operacional Metodologia científica para abordar problemas das ciências, gestão, economia e engenharia. As suas principais características são: interdisciplinaridade. Manipular modelos matemáticos para apoiar a tomada de decisão. Utilizar o computador.

As 7 etapas do processo de modelação 1. Definir o problema 2. Observar o sistema e recolher informação 3. Formular um modelo matemático 4. Validar o modelo. 5. Escolher uma decisão com base no modelo 6. Apresentar a análise 7. Implementar e monitorar continuamente

As 7 etapas do processo de modelação Observar o sistema, recolher informação Formular um modelo matemático Escolher uma decisão alternativa Apresentar os resultados Implementar e monitorar continuamente Definir o problema Validar o modelo

1. Definir o problema Identificar: o agente de decisão (quem exerce controle) os seus objectivos (e.g. minimizar custos) as decisões alternativas com que são confrontados (i.e., as variáveis controláveis) os parâmetros que, não sendo controláveis, influenciam o resultado das decisões (as variáveis incontroláveis). Discutir: o tempo disponível para o estudo o involvimento do agente de decisão (e organização) no estudo

2. Observar o sistema e recolher informação Estabelecer o diagnóstico inicial: observar e analisar a forma como o sistema real opera: recolher informação conceber um sistema idealizado. Elaboração de um relatório que: estrutura o conhecimento que se adquiriu do sistema co-responsabiliza os elementos da organização Estabelecer o diagnóstico inicial: observar e analisar a forma como o sistema real opera: circuitos de informação e decisão, recolher informação para estabelecer relações causa-efeito) fazer a síntese do sistema idealizado: descrever o problema ignorando aspectos que se espera serem irrelevantes efectuar simplificações antecipando as dificuldades de manipulação do modelo. Elaboração de um relatório que co-responsabiliza os elementos da organização

3. Formular um modelo matemático Objectivo: Reproduzir as relações entre as componentes do problema (objectivo, variáveis de decisão, variáveis incontroláveis, restrições). Passos essenciais: Identificar a estrutura de relações causa-efeito. Quantificar essas relações de forma determinística ou probabilística.

3.1 Identificar as relações causa-efeito 3. Formular um modelo matemático 3.1 Identificar as relações causa-efeito Identificação de todas as relações entre variáveis, controláveis ou não, e a medida (ou medidas) de utilidade. “A  B” significa “A contribui para a definição de B” Identificação de variáveis auxiliares que agregam informação de diversas variáveis. Obriga a formular as primeiras hipóteses no sentido da simplificação do problema através da inclusão de apenas as relações relevantes.

3.1 Identificar as relações causa-efeito 3. Formular um modelo matemático 3.1 Identificar as relações causa-efeito 1,2,3

3.2 Quantificar as relações causa-efeito 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Três abordagens distintas: método dedutivo método de simulação método de inferência estatística

Método dedutivo (primeiro exemplo) 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método dedutivo (primeiro exemplo) A unidade de produção de uma empresa pretende fabricar os produtos A e B. Fabricar cada produto envolve quatro operações, com os seguintes tempos unitários de fabricação (em segundos)

Método dedutivo (primeiro exemplo) 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método dedutivo (primeiro exemplo) As capacidade de produção das diferentes secções fabris são as seguintes: Os lucros unitários por peça produzida e vendida são Esc. 0.90 (Produto A) Esc. 1.20 (Produto B) Admitindo que o mercado absorve toda a produção, como maximizar o lucro total a operação?

Método dedutivo (primeiro exemplo) 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método dedutivo (primeiro exemplo) 4,5

Método dedutivo (segundo exemplo) 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método dedutivo (segundo exemplo) Uma empresa pretende determinar qual a quantidade (Q) a produzir e a que preço (p) deve vender uma determinada peça de vestuário durante a estação de Inverno que se avizinha. Obtiveram-se estimativas para a procura (em função do preço de venda p) e custos unitário de produção (em função da quantidade produzida Q) - ver próximo slide. Se a produção exceder a procura, o valor em excesso fica reduzido a um preço de saldo. O objectivo da empresa é maximizar o lucro associado à operação.

Método dedutivo (segundo exemplo) 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método dedutivo (segundo exemplo) 6,7

3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método de simulação Quando não é possível explicitar as relações entre as componentes do modelo através do método dedutivo (seja de forma determinística ou probabilística). Quando as relações são de tal forma complexas que o melhor que analista consegue fazer é imitar o comportamento do sistema idealizado.

Método de simulação (exemplo) 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método de simulação (exemplo) Uma empresa possui cinco linhas de produção em paralelo que funcionam sem interrupção. Uma equipa de manutenção repara avarias nas linhas de produção pela ordem em que ocorrem (FIFO). A equipa funciona 5 dias por semana, 3 turnos por dia. O tempo que decorre entre o início de funcionamento de uma linha e a avaria seguinte varia de forma imprevisível (ou aleatória). Da mesma forma, o tempo de reparação é varia de forma imprevisível. Ver gráficos seguintes. Que benefício advém de ter mais equipas de manutenção?

Método de simulação (exemplo) 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método de simulação (exemplo) 8,9,10,11

Método de simulação Objectivos: Vantagens: Desvantagens: 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método de simulação Objectivos: Reproduzir a sequência de acontecimentos pelos quais o sistema passa. Recolher informação com base na qual se pode medir a eficiência do sistema. Vantagens: Possui enorme flexibilidade (“simula-se tudo o que se quiser”) Desvantagens: Requer grande esforço computacional para estimar o valor esperado da medida de utilidade face a apenas uma concretização das variáveis de decisão. A busca de melhores decisões é um processo difícil de sistematizar.

Método de inferência estatística 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método de inferência estatística Quando não é possível explicitar as relações entre as componentes do modelo através do método dedutivo (seja de forma determinística ou probabilística). Quando as relações são inúmeras e complexas mas é possível pela análise estatística de dados inferir aquelas que melhor reproduzem o comportamento do sistema sem demasiada complexidade.

Método de inferência estatística (exemplo) 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método de inferência estatística (exemplo) Em Janeiro, uma empresa importadora pretende prever o preço de determinada mercadoria agrícola durante todos os meses que se seguem até Junho. A produção dessa mercadoria concentra-se em larga escala num dado país que contribui contribui com 55% da produção mundial e 75% da exportação mundial. Em Janeiro de cada ano, o MA desse país publica previsões da oferta e da procura até ao final do ano agrícola (Outubro).

Método de inferência estatística (exemplo) 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método de inferência estatística (exemplo) Pretende-se construir um modelo descritivo que explique o preço da mercadoria nos vários meses até Junho para auxiliar o planeamento da aquisição do referido produto durante o período de Janeiro a Junho. Numerosos e complexos factores (variáveis controláveis e incontroláveis) contribuem para explicar o preço da mercadoria. Naturalmente uns são mais relevantes que outros. Deve o analista efectuar hipóteses sobre quais os factores que mais influenciam o preço da mercadoria.

Método de inferência estatística (exemplo) 3. Formular um modelo matemático 3.2 Quantificar as relações causa-efeito Método de inferência estatística (exemplo) 12

4. Validar o modelo Validar o modelo significa averiguar se o impacto das decisões previsto pelo modelo corresponde ao impacto real das mesmas decisões.

4. Validar o modelo Objectivo: detectar insuficiências que são apenas detectáveis no contexto da definição global do modelo. Métodos de validação (sem ser exaustivo): análise de sensibilidade simulação. Nota: o modelo pode ser adequado ou inadequado conforme os valores das variáveis incontroláveis, estimados ou conhecidos no momento da decisão.

Análise de sensibilidade 4. Validar o modelo Análise de sensibilidade Averiguar como é que a alteração de valores das variáveis incontroláveis influencia a solução proposta pelo modelo. Averiguar como é que desvios à solução proposta pelo modelo influencia a utilidade (eficiência) do sistema representado.

Análise de sensibilidade 4. Validar o modelo Análise de sensibilidade 5,15

4. Validar o modelo Recurso à simulação Retomemos o exemplo da mercearia. Uma forma de validar o modelo descritivo que se utilizou seria simular (pode-se simular quase tudo) a entrada de clientes, os seus tempos de espera e as desistências. Após diversas simulações, registar valores médios de: comprimento médio da fila, tempo de espera médio e percentagem de desistentes. Os valores obtidos devem ser muito semelhantes aos obtidos com o modelo.

5. Escolher uma decisão com base no modelo Determinar os valores das variáveis controláveis que, satisfazendo as restrições do modelo, conduzem ao valor máximo da medida de utilidade ou eficiência. Em geral há três formas de busca de soluções óptimas: métodos analíticos métodos de optimização métodos heurísticos

5. Escolher uma decisão Métodos analíticos Métodos de Análise Infinitésimal (diferenciação, procura de máximos e mínimos, extremos condicionados,etc.) Permitem obter uma representação explicita da solução. Leque de aplicações muito restrito.

Métodos analíticos (exemplo) 5. Escolher uma decisão Métodos analíticos (exemplo) Seja X uma variável aleatória de densidade f(x,), onde  é um parâmetro desconhecido. Se x1, x2,..., xn forem realizações de X então a verosimelhança da amostra é uma função de  definida por L() = f(x1, ) f(x2, )... f(xn, ) A estimativa da máxima verosimelhança é o valor * que torna máximo o valor de L() ou, de modo equivalente, o valor máximo de log L() = log f(x1, ) + log f(x2, )+... + log f(xn, )

Métodos analíticos (exemplo) 5. Escolher uma decisão Métodos analíticos (exemplo) A condição necessária de optimalidade impõe Por exemplo, se X é uma variável aleatória com distribuição de Poisson de parâmetro  então aquela condição é equivalente a

Métodos de optimização 5. Escolher uma decisão Métodos de optimização Processo sistemático de gerar aproximações sucessivas para a solução. Garantia de convergência ao fim de um número finito ou infinito de passos. Esforço computacional pode ser demasiado elevado. Normalmente, convergência para a solução do problema é assegurada apenas quando o modelo possui uma propriedade adicional - convexidade.

Métodos de optimização (exemplo) 5. Escolher uma decisão Métodos de optimização (exemplo) Seja f(x) uma função real unidimensional. Pretende-se o valor x que torna f(x)=0. O método de Newton-Raphson consiste no seguinte processo iterativo a partir de um ponto inicial x0. Sob hipóteses adicionais sobre f o método converge.

Métodos de optimização (exemplo) 5. Escolher uma decisão Métodos de optimização (exemplo) Método de Newton-Raphson aplicado à determinação da maior raiz positiva de f(x)=x6-x-1

Métodos de optimização (exemplo) 5. Escolher uma decisão Métodos de optimização (exemplo) O método de Newton-Raphson impõe que f seja diferenciável. Quando f não é diferenciável deve utilizar-se o método da bissecção, entre outros. O facto de o método de Newton-Raphson usar informação da derivada de f faz com a sua convergência seja mais rápida.

5. Escolher uma decisão Métodos heurísticos São frequentes os problemas que não podem ser resolvidos por métodos de optimização. Os métodos heurísticos são também métodos iterativos, mas que se baseiam em regras de “senso comum”. Em geral, não é possível garantir convergência para a solução do problema mas é possível encontrar uma boa solução rapidamente.

Métodos heurísticos (exemplo) 5. Escolher uma decisão Métodos heurísticos (exemplo) 13,14

Análise crítica das soluções iniciais 5. Escolher uma decisão Análise crítica das soluções iniciais As soluções propostas pelo modelo podem também servir de instrumento para validação do modelo. Esta análise deve ser conduzida com o agente de decisão. Dificuldade: há que distinguir entre as críticas “genuínas” e a tendência natural de rejeição de soluções inovadoras. Deficiências que podem ser detectadas nesta fase: deficiente definição de objectivos falta de restrições representação inadequada das relações entre componentes do modelo.

6. Apresentar os resultados Os elementos da organização a quem se destina a análise devem ser envolvidos desde o início e não apenas nesta fase. A esses elementos deve ser facultado um atractivo e sistema de apoio à decisão e simples de manipular que lhes permita averiguar o comportamento do modelo em diversas circunstâncias (“what if ...”). Preferencialmente, o benefício da adopção do modelo deve ser demonstrado de forma prospectiva ou retrospectiva.

7. Implementar e monitorar continuamente Os elementos da organização que vão utilizar o modelo devem também ser envolvidos desde o início e não apenas nesta fase. O analista é responsável: pela implementação do novo sistema até que este se torne rotina. pela monitorização do sistema de forma que o modelo permaneça válido e eficaz ao longo do tempo. Um caso de sucesso, mesmo que de pequena dimensão, é chave para a análise de outros problemas.