Sei sulla pagina 1di 26
Ementa: Modelos Estocásticos em PO; Grafos; Teoria dos Jogos; Gestão de Projetos; Teoria da Decisão;
Ementa: Modelos Estocásticos em PO; Grafos; Teoria dos Jogos; Gestão de Projetos; Teoria da Decisão;
Ementa: Modelos Estocásticos em PO; Grafos; Teoria dos Jogos; Gestão de Projetos; Teoria da Decisão;

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.

Jogos; Gestão de Projetos; Teoria da Decisão; Teoria das Filas; Simulação; Softwares visando a solução de
Jogos; Gestão de Projetos; Teoria da Decisão; Teoria das Filas; Simulação; Softwares visando a solução de
Jogos; Gestão de Projetos; Teoria da Decisão; Teoria das Filas; Simulação; Softwares visando a solução de
Jogos; Gestão de Projetos; Teoria da Decisão; Teoria das Filas; Simulação; Softwares visando a solução de
Jogos; Gestão de Projetos; Teoria da Decisão; Teoria das Filas; Simulação; Softwares visando a solução de
Jogos; Gestão de Projetos; Teoria da Decisão; Teoria das Filas; Simulação; Softwares visando a solução de
Jogos; Gestão de Projetos; Teoria da Decisão; Teoria das Filas; Simulação; Softwares visando a solução de

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

Bibliografia: TAHA, H. Pesquisa operacional . 8.ed. São Paulo: Pearson, 2008. COLLIN, E. C. Pesquisa

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.

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

Verificações: P1 P2 VR V S 29/04/2017 17/06/2017 24/06/2017 01/07/2017 AULA 0 – APRESENTAÇÃO DA
Verificações: P1 P2 VR V S 29/04/2017 17/06/2017 24/06/2017 01/07/2017 AULA 0 – APRESENTAÇÃO DA

Verificações:

P1

P1

P2

P2

VR

VS

Verificações: P1 P2 VR V S 29/04/2017 17/06/2017 24/06/2017 01/07/2017 AULA 0 – APRESENTAÇÃO DA DISCIPLINA

29/04/2017

17/06/2017

24/06/2017

01/07/2017Verificações: P1 P2 VR V S 29/04/2017 17/06/2017 24/06/2017 AULA 0 – APRESENTAÇÃO DA DISCIPLINA

Verificações: P1 P2 VR V S 29/04/2017 17/06/2017 24/06/2017 01/07/2017 AULA 0 – APRESENTAÇÃO DA DISCIPLINA

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

Objetivo!!! Solicitação : Revisar os conceitos das matérias de modelos probabilísticos e estatística aplicada. AULA
Objetivo!!! Solicitação : Revisar os conceitos das matérias de modelos probabilísticos e estatística aplicada. AULA
Objetivo!!! Solicitação : Revisar os conceitos das matérias de modelos probabilísticos e estatística aplicada. AULA

Objetivo!!!

Solicitação: Revisar os conceitos das matérias de modelos probabilísticos e estatística aplicada.

os conceitos das matérias de modelos probabilísticos e estatística aplicada. AULA 0 – APRESENTAÇÃO DA DISCIPLINA
os conceitos das matérias de modelos probabilísticos e estatística aplicada. AULA 0 – APRESENTAÇÃO DA DISCIPLINA
os conceitos das matérias de modelos probabilísticos e estatística aplicada. AULA 0 – APRESENTAÇÃO DA DISCIPLINA

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

Pesquisa Operacional: Modelos Matemáticos; Estatística; Algoritmos. Decisão Utilização: Otimização de

Pesquisa Operacional:

Modelos Matemáticos;

Estatística;

Algoritmos.

Modelos Matemáticos; Estatística; Algoritmos. Decisão Utilização: Otimização de Recursos;
Modelos Matemáticos; Estatística; Algoritmos. Decisão Utilização: Otimização de Recursos;

Decisão

Utilização:

Otimização de Recursos;

Roteirização;

Carteiras de Investimento;

Alocação de Pessoas;

Previsão de Planejamento;

Planejamento Financeiro;

Análise de Projetos.

Planejamento Financeiro; Análise de Projetos. M o d e l o F í s i c

Modelo Físico

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

o d e l o F í s i c o AULA 0 – APRESENTAÇÃO DA

Melhorar/otimizar

performance

o d e l o F í s i c o AULA 0 – APRESENTAÇÃO DA

Modelo Analógico

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

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.

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando o sistema
Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando o sistema
Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando o sistema

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
O objetivo das probabilidades é calcular P(A) , a probabilidade de ocorrência de um evento

O objetivo das probabilidades é calcular P(A), a probabilidade de ocorrência de um evento A, que é um subconjunto do espaço amostral S.

de ocorrência de um evento A , que é um subconjunto do espaço amostral S .

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Um Processo Estocástico (em inglês, “ Stochastic Process ” ou “ Random Process ”) é
Um Processo Estocástico (em inglês, “ Stochastic Process ” ou “ Random Process ”) é

Um Processo Estocástico (em inglês, “Stochastic Process” ou “Random Process”) é um conjunto de variáveis aleatórias X i , 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.

conjunto T. Esta variável e geralmente a variável tempo . Estabelecendo o paralelismo com o caso

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.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Aos valores que X i (t) ou X ( t ) podem assumir chamam-se estados

Aos valores que X i (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.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Nos exemplos apresentados, há casos em que o tempo é considerado de forma discreta (

Nos exemplos apresentados, há casos em que o tempo é

considerado de forma discreta ( tomado de modo contínuo (

no fim do dia t) e outros em que é 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.).

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

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

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

estocástico de um sistema em função do tempo (Processo Estocástico) AULA 1 – MODELOS ESTOCÁSTICOS EM

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Representação Gráfica AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Representação Gráfica

Representação Gráfica AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Da representação gráfica anterior pode-se observar que: • 1. 2. Um processo estocástico é uma

Da representação gráfica anterior pode-se observar que:

1.

2.

Um processo estocástico é uma família de variáveis aleatórias, ou seja, para cada instante diferente se deve especificar:

Os possíveis estados do processo (espaço de estado para esse instante);

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.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

A partir da representação gráfica anterior, se obtém, de maneira mais formal: Definição: Um Processo

A partir da representação gráfica anterior, se obtém, de maneira mais formal:

Definição: Um Processo Estocástico é uma família de variáveis aleatórias X , com i Є S, parametrizadas por outra variável t que toma valores de um conjunto T. Esta variável é o tempo.

i

variável t que toma valores de um conjunto T . Esta variável é o tempo. i

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Um processo estocástico depende de 3 características: • O espaço de estado, S ; •

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, X i (t) (a dinâmica do sistema).

variáveis aleatórias que o conformam, X i ( t ) (a dinâmica do sistema). AULA 1

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Um Processo Estocástico é definido como uma coleção de variáveis randômicas (X(t)) indexadas por um

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.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Os Processos Estocásticos podem ser classificados como: a) Em relação ao Estado: • Estado Discreto

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.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

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

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.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Existem vários "tipos" de Processos Estocásticos, porém, nestas notas de aula será apenas abordado um
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 (t k+1 ) ≤ x k+1 | X(t k ) = x k , X(t k1 ) = x k1 ,

P{X(t k+1 ) ≤ x k+1 |X(t k ) = x k } para t 0 ≤ t 1 ≤ …t k ≤ t k+1 = 0, 1,

,X(t 1 ) = x 1 , X(t 0 ) = x 0 } =

e toda

sequência K 0 , K 1 ,

A expressão acima pode ser "traduzida" como : “a probabilidade condicional de qualquer evento futuro, dado qualquer evento passado é o estado presente X(t k ) = x k , e independente do evento passado é depende somente do estado presente.

K t-1 , K t , K t+1

,

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Em termos mais resumidos : um Processo Estocástico é dito ser um Processo Markoviano se

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

rocess ( rocesso sem memoria) uma vez (desprezado).

p

p

,

ue o

q

assado é "es uecido"

p

q

As probabilidades condicionais P{X (t k+1 ) ≤ x k+1 | X(t k ) = x k } são denominadas Probabilidades de Transição e representam, portanto, a probabilidade do estado X(t k+1 ) ser x k +1 , no instante t k+1 dado que o estado X(t k ) e x k no instante t k

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Exercício 1) O estado no ano de 2010 do uso da terra em uma cidade

Exercício 1) O estado no ano de 2010 do uso da terra em uma cidade de 50 Km2 de área é:

de 2010 do uso da terra em uma cidade de 50 Km2 de área é: Os

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]

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Assumindo que as probabilidades de transição para intervalos de 5 anos são dadas pela seguinte

Assumindo que as probabilidades de transição para intervalos de 5 anos são dadas pela seguinte tabela:

para intervalos de 5 anos são dadas pela seguinte tabela: Os valores da tabela 2 podem
para intervalos de 5 anos são dadas pela seguinte tabela: Os valores da tabela 2 podem

Os valores da tabela 2 podem ser então dispostos em uma matriz P, denominada Matriz de Transição:

em uma matriz P, denominada Matriz de Transição : P= 0,8 0,1 0,1 0,1 0,7 0,2

P=

0,8

0,1

0,1

0,1

0,7

0,2

0,0

0,1

0,9

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Assim, a partir de P e o vetor de probabilidade de estado π para 2010,

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)

calcular o vetor de probabilidade de estado π para 2015, denominado π ( 1 ) AULA
calcular o vetor de probabilidade de estado π para 2015, denominado π ( 1 ) AULA

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Exercício 2) Ache o estado de equilibro (probabilidade do estado limite) para a seguinte situação:

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.

assinantes que escolhem a empresa B , tem 50% de chances de escolhe-la novamente. AULA 1

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O