Pesquisa Operacional

Ementa:
Modelos Estocásticos em PO;

Grafos;
Teoria dos Jogos;
Gestão de Projetos;
Teoria da Decisão;
Teoria das Filas;
Simulação;
Softwares visando a solução de problemas.
AULA 0 – APRESENTAÇÃO DA DISCIPLINA

Bibliografia:
TAHA, H. Pesquisa operacional. 8.ed. São Paulo: Pearson,

2008.
COLLIN, E. C. Pesquisa operacional: 170 aplicações em
estratégia, finanças, logística, produção, marketing e
vendas. Rio de Janeiro: LTC, 2007.
HILLIER, F.; LIEBERMAN, G. J. Introdução à pesquisa
operacional. 8. ed. São Paulo: McGraw-Hill, 2006.
Qualquer outra referência bibliográfica que contenha o
conteúdo programático da disciplina.

Verificações:
P1 29/04/2017
P2 17/06/2017
VR 24/06/2017
VS 01/07/2017

Objetivo!!!
Solicitação: Revisar os conceitos

das matérias de modelos
probabilísticos e estatística
aplicada.

Pesquisa Operacional:
Modelos Matemáticos;
Estatística;
Algoritmos.
Decisão
Melhorar/otimizar
Utilização: performance
Otimização de Recursos;
Roteirização;
Carteiras de Investimento;
Alocação de Pessoas;
Previsão de Planejamento;
Planejamento Financeiro;
Análise de Projetos. Modelo Físico Modelo Analógico

6 Fases de uma Modelagem:
1. Formulação do Problema: determinamos o objetivo, restrições, esboçamos os

possíveis caminhos a serem percorridos. Coletamos dados, verificamos registros...
2. Construção do Modelo: predomina a modelagem matemática (equações e

inequações).Cabe distinguir as variáveis decisivas (controláveis) e não- controláveis.
3. Resolução do Modelo: cálculo do modelo. Definição e utilização da técnica para

solução do problema (programação linear, teoria das filas, teoria dos grafos, teoria
dos jogos, simulação)/ softwares comerciais.
4. Teste do modelo: verificamos se o modelo traduz a realidade.
5. Controle das soluções: identificar parâmetros e valores fixos que envolvem o

problema. Verificar se o modelo está estável.
6. Implantação e acompanhamento: avaliação do resultado e implementação

do projeto.
Qualquer sistema real opera sempre em ambientes onde a incerteza
impera, principalmente quando o sistema envolve, pela sua natureza,
ações humanas imprevisíveis ou avarias de máquina.
Os modelos determinísticos certamente contribuem para a

compreensão, a um nível básico, do comportamento dinâmico de um
sistema.
No entanto, por não poderem lidar com a incerteza, acabam por ser
insuficientes nos processos de tomada de decisão.
Assim, recorre-se a Processos Estocásticos como uma forma de tratar

quantitativamente estes fenômenos, aproveitando certas
características de regularidade que eles apresentam para serem
descritos por modelos probabilísticos.
AULA 1 – MODELOS ESTOCÁSTICOS EM P.O
O objetivo das probabilidades é calcular P(A), a
probabilidade de ocorrência de um evento A, que é um
subconjunto do espaço amostral S.

Um Processo Estocástico (em inglês, “Stochastic Process” ou “Random
Process”) é um conjunto de variáveis aleatórias Xi, onde i pertence a um
espaço amostral S, indexadas a uma variável t que toma valores de um
conjunto T. Esta variável e geralmente a variável tempo.
Estabelecendo o paralelismo com o caso determinístico, onde uma função

f(t) toma valores bem definidos ao longo do tempo, um processo estocástico
toma valores aleatórios ao longo do tempo.
Um processo estocástico é uma função que varia aleatoriamente.

Aos valores que Xi(t) ou X(t) podem assumir chamam-se estados e o seu
conjunto X, espaço de estados.
Como exemplo de processos estocásticos, podemos considerar:
a) X(t) representa o estado de uma máquina (ligada ou desligada) no

momento t;
b) X(t) representa o número de clientes numa loja no instante t;
c) X(t) representa o número de máquinas avariadas no fim do dia t;
d) X(t) representa a cotação de uma ação no fim do dia t;
e) X(t) representa o nível de estoque de um determinado produto no fim do

dia t;
f) X(t) representa a condição de funcionamento de um componente no

instante t.
Nos exemplos apresentados, há casos em que o tempo é
considerado de forma discreta (... no fim do dia t) e outros em que é
tomado de modo contínuo (... no momento t).
A variável tempo é, por definição, uma variável contínua, a qual

pode ser “discretizada” se os fenômenos forem observados em
intervalos regulares.
Outra constatação que se pode fazer é que os “estados” podem ser

valores que a variável X(t) pode assumir (número de clientes, número
de máquinas, etc.).
como também podem ser estados (máquina avariada, a funcionar,
etc.).

Representação Gráfica do comportamento estocástico de um
sistema em função do tempo (Processo Estocástico)

Representação Gráfica

Da representação gráfica anterior pode-se observar que:
• Um processo estocástico é uma família de variáveis aleatórias, ou seja,

para cada instante diferente se deve especificar:
1. Os possíveis estados do processo (espaço de estado para esse

instante);
2. A distribuição de probabilidades que tem associado esse espaço

amostral naquele instante.
Note-se que:
O espaço amostral associado ao sistema pode variar (ou não) de instante

a instante.
As probabilidades associadas a cada resultado pode variar ao longo do
tempo.
A partir da representação gráfica anterior, se obtém, de
maneira mais formal:
Definição: Um Processo Estocástico é uma família de

variáveis aleatórias Xi, com i Є S, parametrizadas por
outra variável t que toma valores de um conjunto T.
Esta variável é o tempo.

Um processo estocástico depende de 3 características:
• O espaço de estado, S;
• O parâmetro temporal, T;
• A relação de dependência entre as variáveis aleatórias que o

conformam, Xi(t) (a dinâmica do sistema).

Um Processo Estocástico é definido como uma coleção de variáveis
randômicas (X(t)) indexadas por um parâmetro t pertencente a um
conjunto T.
Frequentemente T é tomado para ser o conjunto dos inteiros não-

negativos (porém, outros conjuntos são perfeitamente possíveis) e X(t)
representa uma característica mensurável de interesse no tempo t.
Exemplificando, X(t) pode representar o nível de estoque de um produto no
fim da semana t.
Processos Estocásticos são de interesse para descrever o procedimento de

um sistema operando sobre algum período de tempo, com isso, a variável
randômica X(t) representa o estado do sistema no parâmetro (geralmente
tempo) t.
Portanto, pode-se afirmar que X(t) é definido em um espaço denominado

Espaço de Estados.

Os Processos Estocásticos podem ser classificados como:
a) Em relação ao Estado:
• Estado Discreto (cadeia): X(t) é definido sobre um conjunto enumerável ou

finito.
• Estado Contínuo (sequencia): X(t) caso contrário.
b) Em relação ao Tempo (Parâmetro):
• Tempo Discreto: t e finito ou enumerável.
• Tempo Contínuo: t caso contrario.

Exemplos:
1. Estado Discreto e Tempo Contínuo: número de usuários em uma fila de

banco em um determinado instante, colisões entre duas partículas no
intervalo de 2 minutos;
2. Estado Contínuo e Tempo Contínuo: nível de uma represa observado em

um intervalo de tempo;
3. Estado Discreto e Tempo Discreto: número de máquinas avariadas no fim

do dia, quantidade de barris de petróleo produzidas ao final do dia por
uma determinada multinacional; número de dias chuvosos numa época do
ano;
4. Estado Contínuo e Tempo Discreto: cotação de uma ação no fim do dia;

índice pluviométrico diário.

Existem vários "tipos" de Processos Estocásticos, porém, nestas
notas de aula será apenas abordado um tipo de Processo
Estocástico denominado Processo Markoviano.
Um Processo Estocástico é dito ser um Processo Markoviano se:

Andrei Markov
P{X (tk+1) ≤ xk+1 | X(tk) = xk , X(t k−1) = x k−1, ... ,X(t1) = x1 , X(t 0 ) = x0 } =
P{X(t k+1 ) ≤ xk+1 |X(t k) = x k } para t 0 ≤ t 1 ≤ …t k ≤ t k+1 = 0, 1, ... e toda
sequência K 0 , K 1,..., K t-1 , K t , K t+1
A expressão acima pode ser "traduzida" como : “a probabilidade

condicional de qualquer evento futuro, dado qualquer evento
passado é o estado presente X(tk) = xk, e independente do evento
passado é depende somente do estado presente.

Em termos mais resumidos: um Processo Estocástico é dito ser um
Processo Markoviano se o estado futuro depende apenas do estado
presente e não dos estados passados.
Este tipo de Processo Estocástico é também denominado de memoryless

process (processo sem memoria), uma vez que o passado é "esquecido"
(desprezado).
As probabilidades condicionais P{X (tk+1) ≤ xk+1 | X(tk) = xk } são

denominadas Probabilidades de Transição e representam, portanto, a
probabilidade do estado X(tk+1 ) ser xk +1, no instante tk+1 dado que o estado
X(tk ) e xk no instante tk

Exercício 1) O estado no ano de 2010 do uso da terra em uma cidade de
50 Km2 de área é:
Os valores da tabela 1 podem ser dispostos em um vetor x, denominado

Vetor de Estados: x = [I II III]
As probabilidades de cada Estado (probabilidade não-condicional) podem

também ser dispostos em um vetor π, denominado Vetor de Probabilidade de
Estado (para distingui-las das probabilidades de transição): π = [0,30 0,20 0,50]

Assumindo que as probabilidades de transição para intervalos de 5 anos são
dadas pela seguinte tabela:
Os valores da tabela 2 podem ser então dispostos em uma matriz P,

denominada Matriz de Transição:
0,8 0,1 0,1

P= 0,1 0,7 0,2
0,0 0,1 0,9

Assim, a partir de P e o vetor de probabilidade de estado π para 2010,
denominado π(0) , pode-se calcular o vetor de probabilidade de estado π para
2015, denominado π (1)

Exercício 2) Ache o estado de equilibro (probabilidade do estado limite) para a
seguinte situação: em uma cidade existem 2 empresas de TV por assinatura. A empresa A
tem probabilidade de 40% de chances de ser escolhida. Entretanto, quem escolhe a
empresa A, tem apenas 30% de chances de escolhe-la novamente. Os assinantes que
escolhem a empresa B, tem 50% de chances de escolhe-la novamente.

Pesquisa Operacional

Enviado por

Direitos autorais:

Formatos disponíveis

Pesquisa Operacional

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Pesquisa Operacional

Enviado por

Direitos autorais:

Formatos disponíveis

Ementa:

Modelos Estocásticos em PO;

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

TAHA, H. Pesquisa operacional. 8.ed. São Paulo: Pearson,

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

Solicitação: Revisar os conceitos

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

1. Formulação do Problema: determinamos o objetivo, restrições, esboçamos os

2. Construção do Modelo: predomina a modelagem matemática (equações e

3. Resolução do Modelo: cálculo do modelo. Definição e utilização da técnica para

4. Teste do modelo: verificamos se o modelo traduz a realidade.

5. Controle das soluções: identificar parâmetros e valores fixos que envolvem o

6. Implantação e acompanhamento: avaliação do resultado e implementação

Os modelos determinísticos certamente contribuem para a

Assim, recorre-se a Processos Estocásticos como uma forma de tratar

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Estabelecendo o paralelismo com o caso determinístico, onde uma função

Um processo estocástico é uma função que varia aleatoriamente.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

a) X(t) representa o estado de uma máquina (ligada ou desligada) no

b) X(t) representa o número de clientes numa loja no instante t;

c) X(t) representa o número de máquinas avariadas no fim do dia t;

d) X(t) representa a cotação de uma ação no fim do dia t;

e) X(t) representa o nível de estoque de um determinado produto no fim do

f) X(t) representa a condição de funcionamento de um componente no

A variável tempo é, por definição, uma variável contínua, a qual

Outra constatação que se pode fazer é que os “estados” podem ser

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

• Um processo estocástico é uma família de variáveis aleatórias, ou seja,

1. Os possíveis estados do processo (espaço de estado para esse

2. A distribuição de probabilidades que tem associado esse espaço

O espaço amostral associado ao sistema pode variar (ou não) de instante

Definição: Um Processo Estocástico é uma família de

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

• A relação de dependência entre as variáveis aleatórias que o

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Frequentemente T é tomado para ser o conjunto dos inteiros não-

Processos Estocásticos são de interesse para descrever o procedimento de

Portanto, pode-se afirmar que X(t) é definido em um espaço denominado

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

• Estado Discreto (cadeia): X(t) é definido sobre um conjunto enumerável ou

• Estado Contínuo (sequencia): X(t) caso contrário.

b) Em relação ao Tempo (Parâmetro):

• Tempo Discreto: t e finito ou enumerável.

• Tempo Contínuo: t caso contrario.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

1. Estado Discreto e Tempo Contínuo: número de usuários em uma fila de

2. Estado Contínuo e Tempo Contínuo: nível de uma represa observado em

3. Estado Discreto e Tempo Discreto: número de máquinas avariadas no fim

4. Estado Contínuo e Tempo Discreto: cotação de uma ação no fim do dia;

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Um Processo Estocástico é dito ser um Processo Markoviano se:

A expressão acima pode ser "traduzida" como : “a probabilidade

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Este tipo de Processo Estocástico é também denominado de memoryless