Ferramenta Interativa de Treinamento em

14
Pesquisa Operacional: modelagem matemática,
resolução de problemas e análise de sensibilidade
para tomada de decisão
Valeriana Cunha1, José Vicente Caixeta-Filho2
1
Universidade Federal de Uberlândia, MG, Brasil
2
Universidade de São Paulo, SP, Brasil

Introdução
A Pesquisa Operacional (PO) engloba o desenvolvimento e a aplicação de métodos e
técnicas de resolução de problemas, tais como otimização matemática, simulação, teoria
das filas entre outros, buscando melhorar a qualidade das decisões nas mais variadas
áreas (IFORS, 2021). Embora haja diversos registros da utilização de métodos mate-
máticos aplicados a problemas diversos desde a Idade Antiga, Cunningham, Freeman
e McCloskey (1984) destacam que foi um oficial do Ministério da Aeronáutica Britânico,
Albert Percival Rowe, que cunhou o termo “Pesquisa Operacional”. Entre 1938 e 1945,
Rowe chefiava a organização que desenvolvia o radar na Grã-Bretanha e, para garantir
a eficácia do instrumento, ele não só contribuiu para o estabelecimento da Pesquisa
Operacional, como também lhe deu esse nome.
Quanto mais parâmetros e variáveis numéricas são envolvidos na tomada de de-
cisão, maior a necessidade de utilizar algum modelo matemático para apoiar o processo.
O uso de abordagens quantitativas fornece mais subsídios para a tomada racional de de-
cisão. Dessa forma, é interessante entender como acontece a formação do profissional
de Pesquisa Operacional. O’Brien, Dyson e Kunc (2011) comentam que algumas escolas
de negócios retiraram a disciplina Pesquisa Operacional de seus currículos principais de-
vido ao gap existente entre os conteúdos ministrados em cursos de Pesquisa Operacio-
nal e o interesse dos estudantes em aprender habilidades práticas de gestão. Soma-se
a isso, a necessidade de conceitos de Matemática e Estatística que, geralmente, impõe
uma barreira natural não só ao desempenho, mas também ao interesse das pessoas
acerca dos métodos de PO.

Cita sugerida:
Cunha, V., Caixeta-Filho, J.V. (2021). Ferramenta Interativa de Treinamento em Pesquisa Operacional:
modelagem matemática, resolução de roblemas e análise de sensibilidade para tomada de decisão.
En A.L. González-Hermosilla (Coord.), Reflexiones y propuestas para los desafíos de la educación
actual. (pp. 126-136). Madrid, España: Adaya Press.
126
 Valeriana Cunha, José Vicente Caixeta-Filho

Malik, Kumar e Malik (2016) citam que é importante entender como a matemática
pode ser empregada de maneira aplicada em situações do mundo real e destacam que
não é tarefa difícil contextualizar a maioria dos métodos da Pesquisa Operacional, con-
siderando-a uma área empolgante da Matemática Aplicada e um instrumento importante
na organização e gestão em diversas instituições.
Diante do exposto, há algumas questões para reflexão. Como ensinar Pesquisa
Operacional de forma que os estudantes percebam mais claramente a sua utilidade e
aplicabilidade na tomada de decisão? Como garantir o interesse e aprendizado dos alu-
nos em uma disciplina que é vista por muitos como árdua devido ao seu caráter quanti-
tativo? Sendo assim, o objetivo desta pesquisa é apresentar uma ferramenta que simula
um sistema empresarial a ser utilizada para explorar conceitos de modelagem matemá-
tica, resolução e análise de sensibilidade de um problema de Programação Linear. A
apresentação dos conceitos se apoiará em metodologias ativas de aprendizagem.

Fundamentação Teórica
A Pesquisa Operacional caracteriza-se como uma ciência que, por meio de abordagens
analíticas, objetiva aprimorar a tomada de decisão em uma ampla variedade de situações
e problemas. Os modelos de PO podem ser classificados em determinísticos, híbridos
ou estocásticos (IFORS, 2021). Alguns exemplos em cada uma dessas classes, ainda
segundo IFORS (2021) são:

Modelos Determinísticos

• Otimização linear
»» Programação linear
»» Programação inteira
»» Modelos de transporte
»» Modelos de rede
»» Tomada de decisão multicritério
• Otimização não-linear
»» Modelo clássico
»» Modelo de busca
»» Programação não-linear

Modelos Híbridos

• PERT-CPM
• Programação dinâmica
• Modelos de inventário
• Simulação

127
14. Ferramenta Interativa de Treinamento em Pesquisa Operacional: modelagem matemática, resolução de
roblemas e análise de sensibilidade para tomada de decisão

Modelos Estocásticos

• Modelos de análise de decisão

• Modelos de Markov
• Modelos de filas

Os conteúdos trabalhados na ferramenta, que é o produto deste trabalho, rela-

cionam-se a modelos determinísticos de otimização linear, mais especificamente, mode-
los de Programação Linear (PL).

Programação Linear: definições, propriedades, método simplex e análises

Fox e Garcia (2013) destacam que a Programação Linear é um método para resolver
problemas lineares frequentes em diversas indústrias. Na maioria das situações, existe o
problema econômico clássico: maximizar a produção, competindo por recursos limitados.
Vaydia et al. (2020) comentam que a Programação Linear é a técnica matemática mais
popular que trata da otimização de funções lineares sujeitas a restrições lineares. Fox e
Garcia (2013) elencam as propriedades para que um modelo possa ser considerado um
problema de PL. São elas:
• Função objetivo única;
• Variáveis de decisão na função objetivo ou nas restrições devem aparecer com
expoente 1, podendo ser multiplicadas por constantes;
• Nenhum termo contém produtos de variáveis de decisão;
• Todos os coeficientes das variáveis de decisão são constantes;
• Variáveis de decisão podem assumir valores fracionários e inteiros.

Em problemas de Programação Linear, tem-se uma função objetivo a ser maxi-

mizada ou minimizada. Essa função é sujeita a restrições, que podem ser limitações
de recursos e/ou imposições a serem cumpridas. Para formular um problema de PL é
imprescindível identificar corretamente as variáveis de decisão. A função objetivo e todas
as restrições são escritas em termos dessas variáveis de decisão (Fox e Garcia, 2013).
Vitor e Easton (2018) descrevem suscintamente o método simplex, criado por Geor-
ge Dantzig, em 1947, como o algoritmo que resolve de forma otimizada um programa
linear por pivoteamento. Os pivôs de Dantzig mudam de uma solução básica viável para
uma solução básica viável diferente, trocando exatamente uma variável básica por uma
variável não básica. Variáveis básicas são aquelas que tem valores diferentes de zero,
enquanto não básicas são as que possuem valores iguais a zero.
Depois de resolvido o problema, passa-se para a análise dos resultados. A primeira
etapa dessa análise, conforme destaca Greenberg (1993), é avaliar se os resultados
numéricos obtidos fazem sentido considerando-se a realidade modelada. Além do enten-
dimento e interpretação dos resultados atribuídos às variáveis endógenas, é interessante
proceder a análise de sensibilidade. Conforme descreve Maxwell (2000), a análise de

128
 Valeriana Cunha, José Vicente Caixeta-Filho

sensibilidade explora as implicações da escolha de um tomador de decisão em função

de diferentes resultados ou preferências. Avaliam-se o preço sombra (shadow price) e o
custo reduzido (reduced cost).
Aucamp e Steinbermg (1982) definem o preço sombra como o impacto na função
objetivo por unidade de acréscimo de um determinado recurso. Importante destacar que
há uma faixa de valores, com um limite inferior e um superior, dentro da qual esse impac-
to é válido. Para avaliar a influência de valores que se encontram fora dos limites, é ne-
cessário modelar e resolver novamente o problema. Bacchus et al. (2018) destacam que
o custo reduzido representa o impacto na função objetivo caso uma variável não básica
torne-se uma variável básica. Em problemas de maximização, por exemplo, os custos
reduzidos negativos para as variáveis não básicas significam que para valores imputa-
dos aos recursos escassos, a receita marginal é menor que o custo marginal, portanto o
impacto na função objetivo seria negativo.
Para abordar o assunto de Programação Linear, desde a modelagem até a análise
de sensibilidade, passando pela resolução dos problemas, optou-se por uma abordagem
ativa, ao invés da abordagem tradicional de transmissão de conteúdos. Desta forma, faz-
se necessário discorrer brevemente acerca de tais metodologias.

Metodologias ativas e qualidade no processo de ensino-aprendizagem

Konopka, Adaime e Mosele (2015) afirmam que chamar a atenção dos alunos e man-
tê-los envolvidos são pontos essenciais no processo de aprendizagem. Metodologias
ativas colocam os alunos no centro desse processo e os tornam protagonistas da desco-
berta, e não apenas receptores passivos de informações. Crisol-Moya, Romero-López e
Caurcel-Cara (2020) e Konopka et al. (2015) confirmam o maior uso do modelo tradicio-
nal de transmissão de conhecimento centrado no professor com estilo expositivo, mas
também destacam uma presença crescente do modelo centrado no aluno. Camargo e
Daros (2018) chamam a atenção para o fato de que muitas vezes se vê a manutenção
do modelo tradicional junto à inserção de uso de instrumentos audiovisuais, tais como
filmes, vídeos, apresentações gráficas e projeções multimídia. Porém, os alunos conti-
nuam esperando que tudo seja produzido pelos professores e entregue a eles da forma
mais conveniente e inteligível possível.
Existem diferentes estratégias de ensino para criar um ambiente de aprendizagem
ativo e para envolver os alunos. Alguns exemplos são os estudos de casos, salas de aula
invertidas, aprendizagem baseada em problemas, aprendizagem baseada em projetos,
entre outros. Apesar de haver diferenças em suas operacionalizações, acredita-se que
todos eles cumprem as condições descritas por Glasser (1993) e tidas como funda-
mentais para se garantir um ambiente de ensino de qualidade. Para isso, os estudantes
precisam:
• ser tratados com afetividade, apoio e confiança;
• ter comportamentos construtivos;
• ser incentivados a fazer o melhor que podem,
• sentir-se bem e em um ambiente favorável e acolhedor;
• conhecer a relevância do estudo solicitado;
• ser solicitados a avaliar o próprio trabalho.
129
14. Ferramenta Interativa de Treinamento em Pesquisa Operacional: modelagem matemática, resolução de
roblemas e análise de sensibilidade para tomada de decisão

Dentre as inúmeras possibilidades no campo das metodologias ativas, optou-se

pela Aprendizagem Baseada em Problemas ou Problem Based Learning (PBL). Acre-
dita-se que essa abordagem pode ajudar a minimizar o gap entre teoria e prática, des-
tacado no trabalho de Mortenson, Doherty e Robinson (2015). A PBL tem suas origens
na Universidade McMaster, no Canadá, em 1960. O processo pedagógico, por meio da
Aprendizagem Baseada em Problemas, inicia-se com a apresentação ao aluno de um
problema, fundado na ideia de que esse deve preceder as respostas. Assim, os estudan-
tes têm a oportunidade de, reconhecendo suas deficiências de conhecimento, identificar
conceitos e habilidades pertinentes à solução do problema proposto. Espera-se, dessa
forma, uma maior motivação para a compreensão dos conteúdos da disciplina, além da
capacidade de articulação da teoria à prática (Anderson e Lawton, 2009).

Metodologia
Saunders, Lewis e Thornhill (2012) afirmam que a pesquisa aplicada resulta em solução
para um problema específico, trazendo novos conhecimentos limitados a um determina-
do problema. A pesquisa em questão é aplicada. Seja na pesquisa básica ou na pesquisa
aplicada, o rigor científico deve ser respeitado. Os autores destacam quatro filosofias
de pesquisa: pragmatismo, positivismo, realismo, interpretativismo. Este trabalho tem
aspectos filosóficos voltados ao pragmatismo, tanto sob o ponto de vista ontológico, ou
seja, sob a visão do pesquisador acerca da natureza da realidade pesquisada, quanto
epistemológico, isto é, o que o pesquisador considera conhecimento útil e aceitável.
Este entendimento é importante, pois sustenta a estratégia da pesquisa e os métodos
escolhidos, como parte da estratégia, para produzir conhecimento. No pragmatismo, o
foco é em pesquisas aplicadas de caráter prático. Os conceitos são relevantes quando
apoiam ações. A importância dos resultados de uma pesquisa está relacionada às suas
consequências práticas. Tanto os fenômenos observáveis quanto os significados subjeti-
vos podem fornecer conhecimento aceitável.
O trabalho é desenvolvido usando-se a de pesquisa documental (archival research),
que utiliza registros e documentos como principal fonte de dados. Segundo Saunders et
al. (2012), apesar do termo “archival” ter uma conotação histórica, ele pode se referir tan-
to a documentos recentes quanto históricos. De acordo com os objetivos, esta pesquisa
é de natureza exploratória-descritiva. Saunders et al. (2012) tecem alguns comentários
sobre estudos exploratórios e descritivos. A pesquisa exploratória representa um meio de
se investigar e obter insights sobre um tópico de interesse. O objetivo da pesquisa des-
critiva é obter um perfil preciso de eventos, pessoas ou situações. Trabalhos deste tipo
podem ser precursores ou extensões de pesquisas exploratórias. O trabalho meramente
descritivo pode receber críticas, alegando-se que é esperado, além de mera descrição,
a necessidade de análise, avaliação, síntese de ideias e conclusões acerca da realidade
que se está descrevendo. É mais interessante pensar na descrição como um meio para
um fim, e não um fim em si mesmo.

130
 Valeriana Cunha, José Vicente Caixeta-Filho

Ainda segundo Saunders et al. (2012), o mais comum em pesquisas pragmáticas é

utilizar múltiplos métodos de coletas de dados, tanto quantitativas quanto qualitativas. As
principais fontes de dados utilizadas foram registros e documentos, tais como projetos
pedagógicos e ementas de Pesquisa Operacional de cursos de negócios. Foi utilizada
a análise de conteúdo para verificar as frequências de ocorrências dos temas contidos
nas ementas. Os assuntos que mais apareceram foram inseridos no sistema. Além disso,
foram utilizados dados quantitativos para elaboração das análises que servem de emba-
samento para a tomada de decisão.

Resultados
O produto desta pesquisa é um aplicativo denominado CPED (Controle de Produção,
Estoque e Distribuição) de uma empresa fictícia chamada Genesis. Algumas telas do
sistema são apresentadas na Figura 1. A Figura 1-a mostra a tela inicial, que aparece
para o usuário, após a realização do login. A empresa possui quatro fábricas de óleo de
soja, localizadas em Barreiras, Ponta Grossa, Primavera do Leste e Uberlândia, cujas
produções devem ser encaminhadas a três portos demandantes, Paranaguá, Porto Vel-
ho e Santos, conforme rede logística da empresa apresentada na Figura 1-b.

Figura 1-a. Tela inicial do sistema

Figura 1-b. Rede Logística da GENESIS

Figura 1. Exemplos de telas do sistema

131
14. Ferramenta Interativa de Treinamento em Pesquisa Operacional: modelagem matemática, resolução de
roblemas e análise de sensibilidade para tomada de decisão

A ferramenta é construída de forma a guiar o estudante desde a modelagem do

problema até a tomada de decisão e análises. Os alunos têm acesso a informações
diversas acerca do contexto da empresa. É possível conferir as capacidades mensais
de cada uma das fábricas, em horas regulares e horas extras; podem ser verificadas as
demandas mensais de cada um dos portos demandantes do óleo de soja da Genesis;
podem ser visualizados os custos de produção regular e hora extra e os custos de distri-
buição e é possível visualizar a rede logística da Genesis e as distâncias entre cada par
possível origem-destino. Estas informações são consultadas no sistema por meio dos
botões “Fábricas”, “Portos”, “Custos” e “Rede” apresentados na Figura 1-a.
Quando o aluno, atuando como gerente, clica no botão “Modelo” da tela inicial do
sistema, ele deverá responder a algumas perguntas em relação à operação. Caso o es-
tudante responda corretamente, a sequência de questões continua. Em caso de erro, o
aluno pode verificar os dados da empresa e incluir uma nova resposta. Desta forma, ele
é levado a compreender, em um primeiro momento, quais são as variáveis do modelo.
Nesta simulação, há 72 variáveis que representam os envios realizados de cada fábrica
para cada porto em cada um dos meses do trimestre para o qual está sendo feito o plane-
jamento. O processo de definição das variáveis de decisão em problemas de otimização
é um passo crucial para o sucesso da modelagem, resolução e análises, conforme apre-
sentado por muitos autores, como por exemplo Fox e Garcia (2013).
Após o entendimento dessa etapa e a consequente criação das variáveis, abor-
da-se o conceito de balanceamento da oferta e demanda para construção do raciocínio
que levará à elaboração das restrições do problema. Esta explicação é decisiva para a
correta definição dos sinais de cada grupo de restrições: de oferta e de demanda. As
restrições de oferta consideram a capacidade de produção de cada uma das fábricas em
cada mês, tanto em horas regulares quanto em horas extras. Como são 4 fábricas, dois
modos de produção em três meses, há 24 restrições nesse grupo. Além da estrutura das
restrições, o sistema guia o aluno para entender que as capacidades máximas repre-
sentam os parâmetros a serem incluídos nos lados direitos destas expressões. O aluno
passará também por uma explicação de como deve agrupar as variáveis para formar os
lados direitos para cada uma das restrições deste grupo. O mesmo raciocínio é feito para
elaborar as restrições de demanda. Como são três portos e três meses, há 9 restrições
neste grupo. Os lados direitos destas restrições representam as demandas de cada porto
em cada mês. Da mesma forma, os alunos recebem uma explicação de como agrupar as
variáveis para montar os lados esquerdos das restrições de demanda.
Ao finalizar a etapa de montagem das restrições, parte-se para a elaboração das
estruturas de custo que comporão a função objetivo do problema, uma equação de mini-
mização dos custos totais, que engloba tanto o custo de produção (em horas regulares e
em horas extras), quanto o custo de distribuição. O custo de produção varia apenas em
relação ao modo de produção. Ele é o mesmo para todas as fábricas, em todos os me-
ses. Dessa forma, o aluno deve somar toda a quantidade produzida em horas regulares
e em horas extras e multiplicar pelo custo correspondente. O sistema é construído de
modo a forçar o raciocínio do aluno para que o mesmo dê a resposta correta para cada
etapa desde a modelagem até a tomada de decisão e análises finais. No entanto, caso

132
 Valeriana Cunha, José Vicente Caixeta-Filho

após algumas tentativas, o aluno não conclua o raciocínio e, consequentemente, não

forneça a resposta correta, o aplicativo apresenta a solução. Um exemplo de mensagem
para o caso de esgotadas as tentativas de auxílio ao usuário para montar o custo de
produção em horas extras é apresentado na Figura 2.

Figura 2. Exemplo de mensagem que instrui o estudante a fazer o cálculo correto

do custo de produção em horas extras

Por sua vez, o custo de distribuição é definido pelo somatório dos produtos da
distância entre cada par origem/destino, custo por quilometro e quantidade transportada
(em toneladas) entre cada par. Assim, o custo total de cada mês é representado pela
soma do custo de produção regular, do custo de produção em hora extra e do custo de
distribuição do mês em questão. Finalmente, o custo total a ser minimizado corresponde
a soma dos custos totais dos três meses em planejamento. O passo a passo que conduz
à resolução pode ser resumido nas seguintes etapas:
• Definição das variáveis de decisão do problema
• Estruturação e construção das restrições (lados esquerdos, lados direitos e
sinais das restrições)
• Esquematização dos custos mensais de produção e distribuição
• Construção do custo total.

Ao cumprir esse roteiro, o aluno é levado a compreender a modelagem, tomando

ciência do porquê de cada variável e suas relações dentro das inúmeras equações e
inequações que são formuladas. Assim, o problema está pronto para ser resolvido. A
aplicação do algoritmo simplex é executada tão logo o aluno conclua a etapa de mode-
lagem. Após a resolução, o aluno pode ou não fazer a opção para geração dos dados
da Análise de Sensibilidade. Neste relatório, há informações gerenciais relevantes tais
como o preço sombra e o custo reduzido. No aplicativo, este componente só funciona
após a resolução do problema. Para auxiliar as análises do relatório que é construído,
são disponibilizados, na própria ferramenta, áudios e vídeos explicativos de como proce-
der, divididos em quatro partes:
1a parte: Introdução: apresenta o tipo de informação que há no relatório de sen-
sibilidade e como ele é estruturado, separado por análise de informações acerca das
variáveis e das restrições.
2a parte: Variáveis_parte1: traz explicações sobre a primeira parte da análise das
variáveis que contém:
- o valor que a variável deve assumir na otimização, ou seja, no contexto em ques-
tão, quantas toneladas devem ser enviadas de cada fábrica para cada porto, respeitando
as restrições e minimizando o custo total;

133
14. Ferramenta Interativa de Treinamento em Pesquisa Operacional: modelagem matemática, resolução de
roblemas e análise de sensibilidade para tomada de decisão

- o custo reduzido, ou seja, o impacto no custo total, caso haja alterações na re-
solução. Por exemplo, imagine que na solução ótima, no primeiro mês de planejamento
devam ser transportadas para Santos 100 toneladas da produção regular e 50 toneladas
da produção em horas extras de Barreiras, bem como 187,50 toneladas da produção
regular e 32,50 da produção em horas extras de Uberlândia, conforme apresentado na
Figura 3. Isso totaliza a demanda total de Santos para este mês (370 toneladas). Su-
ponha agora que, por algum motivo, não seja possível fazer o transporte a partir de uma
ou das duas localidades da solução ótima e que seja preciso escolher outro local para
abastecer Santos. A informação de como isto prejudicaria o custo mínimo alcançado é
o custo reduzido. Dessa forma, percebe-se que a primeira opção seria Primavera, pois
apresenta o menor valor de impacto nos custos totais (30,8 – em unidades monetárias).
Além disso, essa parte da análise traz o custo atual para cada variável (que é o produto
da distância entre o par origem/destino e o custo/km).

Figura 3. Análise de sensibilidade do transporte para Santos no primeiro mês de planejamento

3a parte: Variáveis_parte2: neste áudio, o aluno recebe explicações acerca das

duas últimas colunas da análise de variáveis no relatório. Veja o exemplo para a remessa
da produção regular de Barreiras. O custo atual desta operação é 2332 unidades mone-
tárias. O acréscimo de 4 representa que mesmo este custo tendo uma elevação de 4 uni-
dades, este envio continuaria sendo vantajoso. Por outro lado, o valor do custo do envio
da produção regular partindo de Ponta Grossa, que é de 2106,40 unidades monetárias,
deveria ser 134 unidades monetárias a menos para que fosse viável uma alteração na
base da solução corrente, ou seja, nas variáveis que assumem valores diferentes de zero
na atual solução.
4a parte: Restrições: no áudio explicativo das restrições, o aluno receberá infor-
mações acerca dos dados apresentados na Figura 4. Por exemplo, para a capacidade
de produção regular de Barreiras neste mês, do total existente (lado direito) tudo foi con-
sumido (valor atual de 100). O preço sombra representa o impacto nos custos totais para
uma tonelada a mais de capacidade de produção regular de Barreiras que porventura
seja possível conseguir. Este impacto é válido para a faixa de acréscimo e decréscimo
apresentadas nas duas últimas colunas. Isto significa que entre 38,75 e 128,75 de ca-
pacidade de produção regular em Barreiras, o impacto unitário nos custos é de 2402,40.
Dentro da faixa, abaixo de 100 toneladas o impacto é negativo, enquanto que acima da
faixa, o impacto é positivo.

134
 Valeriana Cunha, José Vicente Caixeta-Filho

Figura 4. Análise de sensibilidade da capacidade de produção mensal regular em Barreiras

Considerações Finais
O artigo apresenta uma ferramenta embasada no campo da Pesquisa Operacional e
mostra como os conceitos que a permeiam podem ser utilizados para apoiar a tomada
de decisão. Ao passar por todo o processo de modelagem, resolução e interpretação do
problema e seus resultados, o aluno, ao deparar-se com a responsabilidade de tomar
boas decisões considerando o contexto apresentado, deverá buscar informações para
subsidiar suas escolhas. Diante disso, o estudante pode consultar os materiais disponi-
bilizados na própria ferramenta, no formato de textos, áudios e vídeos explicativos, tanto
sobre como operar o sistema, quanto sobre a teoria de modelagem, resolução e análise
de sensibilidade para embasar suas respostas. O estudante acessa os materiais na or-
dem e quando desejar, de acordo com suas necessidades. Acredita-se que isso torna o
processo ensino-aprendizagem mais significativo, pois a percepção da necessidade de
aprendizagem de um determinado tópico surge naturalmente, a medida que o estudante
percorre a ferramenta.
Mortenson et al. (2015) destacam que existe uma lacuna entre a demanda orga-
nizacional por funcionários com boas capacidades analíticas e o número de candidatos
qualificados para tal tarefa. Diante das inúmeras possibilidades de aplicações de Pes-
quisa Operacional no mundo contemporâneo, despertar o interesse e estimular discen-
tes a se desenvolverem na área é um papel desafiador nas universidades e cursos de
treinamento. Acredita-se que este tipo de recurso educacional pode, não só promover
melhores resultados aos alunos de Pesquisa Operacional de escolas de negócios, mas
também apresentar-se como uma estratégia inovadora a ser utilizada no ensino.

Referências
Anderson, P. H., Lawton, L. (2009). Business Simulations and Cognitive Learning: Developments, De-
sires, and Future Directions. Simulation & Gaming, 40(2), 193-216.
Aucamp, D., Steinberg, D. (1982). The Computation of Shadow Prices in Linear Programming. The
Journal of the Operational Research Society, 33(6), 557-565.
Bacchus, F., Hyttinen, A., Järvisalo, M., Saikko, P. (2018). Reduced Cost Fixing for Maximum Satis-
fiability. Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence
(IJCAI-18), 5209-5213.
Camargo, F., Daros, T. (2018). A sala de aula inovadora: estratégias pedagógicas para fomentar o
aprendizado ativo. Porto Alegre: Penso.
Crisol-Moya, E., Romero-López, M. A., Caurcel-Cara, M. J. (2020). Active Methodologies in Higher
Education: Perception and Opinion as Evaluated by Professors and Their Students in the Teach-
ing-Learning Process. Frontiers in Psychology, 11.
Cunningham, W. P., Freeman, D., McCloskey, J. F. (1984). OR Forum - Of Radar and Operations Re-
search: An Appreciation of A. P. Rowe (1898–1976). Operations Research, 32(4), 958-967.

135
14. Ferramenta Interativa de Treinamento em Pesquisa Operacional: modelagem matemática, resolução de
roblemas e análise de sensibilidade para tomada de decisão

Fox, W. P., Garcia, F. P. (2013). Modeling and Linear Programming in Engineering Management. In F. P.
G. Márquez & B. Lev (Eds), Engineering Management. (pp.181-230). [Acesso em 3 de fevereiro de
2021]. Disponível em [Link]
Glasser, W. (1993). The quality school teacher. New York: Harper Perennial.
Greenberg, H. (1993). How to Analyze the Results of Linear Programs-Part 1: Preliminaries. Interfac-
es, 23(4), 56-67.
Ifors. International Federation of Operational Research Societies. (2021). [Acesso em 25 de janeiro de
2021]. Disponível em: [Link]
Konopka, C. L., Adaime, M. B., Mosele, P. H. (2015). Active Teaching and Learning Methodologies:
Some Considerations. Creative Education, 06(14), 1536-1545.
Malik, A., Kumar, V., Malik, A. K. (2016). Importance of Operations Research in Higher Education. Inter-
national Journal of Operations Research and Optimization, 7(1-2), 35-40.
Maxwell, D. T. (2000). Decision Analysis: Aiding Insight V. [Acesso em 14 de fevereiro de 2021]. Dis-
ponível em: [Link]
ysis-Aiding-Insight-V
Mortenson, M. J., Doherty, N. F., Robinson, S. (2015). Operational research from Taylorism to Terabytes:
a research agenda for the analytics age. European Journal of Operational Research, 241(3), 583-
595.
O’Brien, F. A., Dyson, R. G., Kunc, M. (2011). Teaching Operational Research and Strategy at Warwick
Business School. INFORMS Transactions on Education, 12(1), 4-19.
Saunders, M., Lewis, P., Thornhill, A. (2012). Research methods for business studies. 6th ed. England:
Pearson Education Limited.
Vaidya, N. V., Pidurkar, S. R., Shanti, M., Uparkar, S. S. (2020). Graphical View of Quick Simplex Method
to Solve Linear Programming Problem. International Journal of Advanced Science and Technology,
29(6), 5694-5710.
Vitor, F., Easton, T. (2018). The double pivot simplex method. Math Meth Oper Res, 87, 109-137.

Valeriana Cunha, Administradora, pela Universidade Federal de Uberlândia (1997), Mestre em Economia Aplicada,
pela Escola Superior de Agricultura Luiz de Queiroz da USP (2001), Doutora em Administração, pela Universidade
de São Paulo (2006). É professora associada da Universidade Federal de Uberlândia, desde 2008, e pós doutoranda
em Logística na Escola Superior de Agricultura Luiz de Queiroz da USP, compondo o Grupo de Pesquisa e Extensão
em Logística Agroindustrial da Escola, o ESALQ-LOG. Desenvolve projetos e realiza pesquisas acerca do aprimora-
mento de técnicas de ensino e métodos quantitativos aplicados à tomada de decisão em gestão empresarial.

José Vicente Caixeta-Filho, Engenheiro Civil, pela Escola Politécnica da USP (1984), Mestrado em Economia,
pela University of New England (Austrália, 1989), Doutorado em Engenharia de Transportes, pela Escola Politécnica
(1993). Professor-visitante na Christian-Albrechts Universität zu Kiel (Alemanha, 1994) e na University of Illinois,
Urbana-Champaign (EUA, 2016). Professor Titular da ESALQ/USP, instituição da qual foi Diretor em 2011-2015. Prê-
mio Fundação Bunge, categoria “Vida e Obra” (2016). Está à frente do Grupo de Pesquisa e Extensão em Logística
Agroindustrial – ESALQ-LOG – desde a sua fundação em 2003. A partir de 2021 é Secretário de Mobilidade Urbana,
Trânsito e Transporte do Município de Piracicaba.

License: CC BY-NC 4.0

ISBN 978-84-09-29614-9

136