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.

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

 Verificações:

P1 29/04/2017

P2 17/06/2017

VR 24/06/2017

VS 01/07/2017

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

 Objetivo!!!

Solicitação: Revisar os conceitos

das matérias de modelos
probabilísticos e estatística
aplicada.

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

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

AULA 0 – APRESENTAÇÃO DA DISCIPLINA

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 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.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

 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.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

 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.
AULA 1 – MODELOS ESTOCÁSTICOS EM P.O
 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.).

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

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

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

Representação Gráfica

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

 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.
AULA 1 – MODELOS ESTOCÁSTICOS EM P.O
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.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

 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).

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

 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 (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 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 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.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

 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

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

 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]

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

 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

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

 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)

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O

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.

AULA 1 – MODELOS ESTOCÁSTICOS EM P.O