Programação Linear

1 1
 Parte I: Programação Linear
Formulação do Modelo e Solução Gráfica

•Formulação do Modelo

•Um Exemplo de Modelo de Maximização

Soluções Gráficas de Modelos de Programação Linear

•Um Exemplo de Modelo de Minimização

•Tipos Irregulares de Modelos de Programação Linear

•Características dos Problemas de Programação Linear

 Programação Linear - Uma Visão Geral

Os objetivos das empresas frequentemente incluem maximizar o lucro ou

minimizando custos.

•A programação linear é uma técnica de análise em que linear

relações algébricas representam as decisões de uma empresa dada uma empresa
objetivo e restrições de recursos.

•Passos na aplicação:
1- Identifique o problema como solucionável por programação linear.
2- Formular um modelo matemático do problema não estruturado.
3- Resolva o modelo.
 Componentes do Modelo e Formulação

•Variáveis de decisão: símbolos matemáticos representando

níveis de atividade de uma empresa.
•Função objetivo: uma relação matemática linear
descrevendo um objetivo da empresa, em termos de decisão
variáveis, que são maximizadas ou minimizadas
•Restrições: limitações impostas à empresa pelo
ambiente operacional declarado em relações lineares de
as variáveis de decisão.
•Parâmetros: coeficientes numéricos e constantes utilizadas
na função objetiva e nas equações de restrição.
 Um Exemplo de Modelo de Maximização (1 de 2)
Definição do Problema

•Problema de mistura de produtos - Cerâmica Beaver Creek

Empresa
•Quantas tigelas e canecas devem ser produzidas para
maximizar lucros dados trabalho e materiais
limitações?
•Requisitos de recursos do produto e lucro unitário:

Requisitos de Recursos
Product Trabalho Argila Lucro
(hr/unidade) (lb/unidade) ($/unidade)
Tigela 1 4 40
Caneca 2 3 50
Um Exemplo de Modelo de Maximização (2 de 2)

Disponibilidade de recursos:
40 horas de trabalho por dia
120 libras de argila
Variáveis de Decisão:
x1número de tigelas a produzir/dia
x2número de canecas a produzir/dia
Função objetivo
maximizar Z = $40x1+ 50x2
onde Z = lucro por dia
Restrições de Recursos:
1x1+ 2x2 40 horas de trabalho
4x1 + 3x2 120 libras de argila
Restrições de Não-Negatividade:
x1 0; x2 0
Modelo Completo de Programação Linear:
maximizar Z=$40x1+ 50x2
sujeito a
1x1+ 2x2 40
4x2+ 3x2 120
x1, x2 0
 Soluções Viáveis/Inviáveis

Uma solução viável não viola nenhuma das restrições:

Example x1= 5 tigelas
x2= 10 canecas
Z = $40 x1+ 50x2= $700
Verificação de restrições de mão de obra:

1(5) + 2(10) = 25 < 40 horas, dentro da restrição

Verificação de restrição de argila:

4(5) + 3(10) = 70 < 120 libras, dentro da restrição

Uma solução inviável viola pelo menos uma das restrições:

Exemplo x1= 10 tigelas
x2= 20 canecas
Z = $1400
Verificação de restrição de mão de obra:

1(10) + 2(20) = 50 > 40 horas, viola a restrição

 Solução Gráfica de Modelos de Programação Linear

A solução gráfica é limitada à programação linear

modelos contendo apenas duas variáveis de decisão. (Pode ser
usado com três variáveis, mas apenas com grande dificuldade.)

Os métodos gráficos fornecem visualização de como um

a solução para um problema de programação linear é obtida.
 Solução Gráfica de um Modelo de Maximização
Eixos de Coordenação

maximizar Z=$40x 1+ 50x2

sujeito a
1x1+ 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de argila
x1, x2 0

Coordenadas para análise gráfica

 Solução Gráfica de um Modelo de Maximização
Restrição de Mão de Obra

maximizar Z=$40x 1+ 50x2

sujeito a
1x1+ 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de argila
x1, x2 0

Gráfico da linha de restrição laboral

 Solução Gráfica de um Modelo de Maximização
Área de Restrição de Trabalho

maximizar Z=$40x 1+ 50x2

sujeito a
1x1+ 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de argila
x1, x2 0

A área de restrição de mão de obra

 Solução Gráfica de um Modelo de Maximização
Área de Restrição de Argila

maximizar Z=$40x 1+ 50x2

sujeito a
1x1+ 2x2 40 hours of labor
4x2+ 3x2 120 libras de argila
x1, x2 0

A área de restrição para argila

 Solução Gráfica de um Modelo de Maximização
Ambas as Restrições

maximizar Z=$40x 1+ 50x2

sujeito a
1x1+ 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de argila
x1, x2 0

Gráfico de ambas as restrições do modelo

 Solução Gráfica de um Modelo de Maximização
Área da Solução Viável

maximizar Z=$40x 1+ 50x2

sujeito a
1x1+ 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de argila
x1, x2 0

As restrições da área da solução viável

 Solução Gráfica de um Modelo de Maximização
Função Objetivo = $800

Z= $800 = $40x1+ 50x2

sujeito a
1x1+ 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de argila
x1, x2 0

Função objetivo linha para Z 5 $800

 Solução Gráfica de um Modelo de Maximização
Funções Objetivas Alternativas

Z=$800, $1200, $1600 = $40x1 + 50x2

sujeito a
1x1+ 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de barro
x1, x2 0

Linhas de função objetivo alternativa para os lucros, Z, de $800, $1.200 e $1.600

 Solução Gráfica de um Modelo de Maximização
Solução Ótima

Z= $800 =$40x1+ 50x2

sujeito a
1x1+ 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de argila
x1, x2 0

Identificação do ponto de solução óptima

 Solução Gráfica de um Modelo de Maximização
Coordenas da Solução Ótima

maximize Z=$40x 1+ 50x2

sujeito a
1x1+ 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de argila
x1, x2 0

Coordenadas da solução ótima

 Solução Gráfica de um Modelo de Maximização
Soluções de Ponto de Canto

maximizar Z=$40x 1+ 50x2

sujeito a
1x1+ 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de argila
x1, x2 0

Soluções em todos os pontos extremos

 Solução Gráfica de um Modelo de Maximização
Solução Ótima para Nova Função Objetivo

maximizar Z=$40x 1+ 50x2

sujeito a
1x1 + 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de argila
x1, x2 0

A solução ótima com Z = 70x1 + 20x2

 Variáveis de Slack

A forma padrão exige que todas as restrições estejam na forma de

equações.

•Uma variável de folga é adicionada a um restrição para convertê-lo em um

equação (=).

Uma variável de folga representa recursos não utilizados.

Uma variável de folga não contribui em nada para a função objetivo.

valor.
 Modelo de Programação Linear Completo na Forma Padrão

maximize Z=$40x 1 + 50x2+ 0s1+ 0s2

sujeito a
1x1+ 2x2+ s1= 40
4x2+ 3x2+ s2 = 120
x1,x2,s1,s2 = 0
onde x1= número de tigelas
x2= número de canecas
s1, s2are slack variables

Soluções nos pontos A, B e C com folga

 Um Exemplo de Modelo de Minimização
Definição do Problema

Duas marcas de fertilizante disponíveis - Super-gro, Crop-quick.

O campo requer pelo menos 16 libras de nitrogênio e 24 libras de fosfato.
•Super-gro custa $6 por saco, Crop-quick $3 por saco.
•Problema: Quanto de cada marca comprar para minimizar o custo total de
fertilizante dado os seguintes dados?

Contribuição Química

Nitrogênio Fosfato
Marca (lb/saco) (lb/saco)

Super-gro 2 4

Colheita rápida 4 3
Um Exemplo de Modelo de Minimização Construção do Modelo

Variáveis de decisão
x1= sacos de Super-gro
x2sacos de Crop-quick
A função objetivo:
minimizar Z = $6x1+ 3x2
onde $6x1custo dos sacos de Super-gro
3x2custo dos sacos de Crop-quick
Restrições do modelo:
2x1+ 4x2 16 lb (restrição de nitrogênio)
4x1+ 3x2 24 lb (restrição de fosfato)
x1, x2 0 (restrição de não negatividade)
 Um Exemplo de Modelo de Minimização
Formulação Completa do Modelo e Grafo de Restrições

Formulação completa do modelo:

minimizar Z = $6x1+ 3x2
sujeito a
2x1+ 4x2 16 lb de
nitrogênio
4x1+ 3x2 24 lb de
fosfato
x1, x2 0
 Um Exemplo de Modelo de Minimização
Área de Solução Viável

minimizar Z = $6x1+ 3x2

sujeito a
2x1+ 4x2 16 lb de nitrogênio
4x1+ 3x2 24 libras de fosfato
x1, x2 0

Área de solução viável

 Um Exemplo de Modelo de Minimização
Ponto de Solução Ótima

minimizar Z = $6x1+ 3x2

sujeito a
2x1+ 4x2 16 lb de nitrogênio
4x1+ 3x2 24 lb de fosfato
x1, x2 0

O ponto de solução ótima

 Um Exemplo de Modelo de Minimizão
Variáveis de Excedente

Uma variável de superávit é subtraída de a restrição para convertê-lo

a uma equação (=).

Uma variável de excedente representa um excesso acima de uma restrição

nível de requisito.

As variáveis em excesso não contribuem para o valor calculado de

a função objetivo.

•Subtraindo variáveis de folga nas restrições do problema do agricultor:

2x1+ 4x2s1= 16 (nitrogênio)
4x1+ 3x2 - s2= 24 (fosfato)
 Um Exemplo de Modelo de Minimização
Soluções Gráficas

Minimizar
Z = $6x1+ 3x2+ 0s1+ 0s2
sujeito a
2x1+ 4x2- s1= 16
4x1+ 3x2- s2= 24
x1, x2, s1, s2= 0

Gráfico do exemplo de fertilizante

 Tipos Irregulares de Programação Linear
Problemas

•Para alguns modelos de programação linear, as regras gerais

não se aplique.

•Tipos especiais de problemas incluem aqueles com:

1. Múltiplas soluções ótimas
2. Soluções inviáveis
3. Soluções ilimitadas
 Múltiplas Soluções Ótimas

A função objetivo é paralela a um

linha de restrição:

maximizar Z=$40x1+ 30x2

sujeito a
1x1+ 2x2 40 horas de trabalho
4x2+ 3x2 120 libras de argila
x1, x2 0
onde x1= número de tigelas
x2número de canecas

Gráfico do exemplo da Beaver Creek Pottery Company com múltiplos

soluções ótimas
 Um Problema Inviável

Toda solução possível viola

pelo menos uma restrição:

maximizar Z = 5x1+ 3x2

sujeito a
4x1+ 2x2 8
x1 4
x2 6
x1, x2 0

Gráfico de um problema inviável

 Um Problema Ilimitado

Valordafunçãoobjetivo
aumenta indefinidamente:

maximizar Z = 4x1+ 2x2

sujeito a
x1 4
x2 2
x1, x2 0

Um problema sem limites

 Características dos Problemas de Programação Linear

Um problema de programação linear requer uma decisão - uma escolh

entre alternativas de ação.
A decisão é representada no modelo por variáveis de decisão.
•O problema abrange um objetivo, expresso como uma meta.
função, que o tomador de decisão deseja alcançar.
Existem limitações que restringem o alcance da realização do
objetivo.
•O objetivo e as restrições devem ser definíveis por linear
relações funcionais matemáticas.
 Propriedades dos Modelos de Programação Linear

•Proporcionalidade - A taxa de mudança (inclinação) do

a função objetivo e as equações de restrição são constantes.
•Adição - Termos na função objetivo e restrição
as equações devem ser aditivas.
•Divisibilidade - As variáveis de decisão podem assumir qualquer fração
valor e, portanto, contínuos em oposição a
inteiro na natureza.
•Certeza - Valores de todos os parâmetros do modelo são
presumido ser conhecido com certeza (não probabilístico).
 Exemplo de Problema Nº 1
Declaração do Problema

. Mistura de cachorro-quente em lotes de 1000 kg.

. Two ingredients, chicken ($3/Kg) and beef ($5/Kg),
. Recipe requirements:
pelo menos 500 kg de frango
pelo menos 200 kg de carne bovina.

A proporção de frango para carne bovina deve ser de pelo menos 2 para 1.

•Determinar a mistura ideal de ingredientes que irá minimizar

custos.
 Exemplo de Problema nº 1
Solução

Passo 1: Identificar as variáveis de decisão.

x1= Kg de frango
x2kg de carne bovina

Passo 2: Formular a função objetivo.

minimizar Z = $3x1+ 5x2
onde Z = custo por lote de 1.000 kg
$3x1= cost of chicken
5x2custo da carne bovina
 Exemplo de Problema nº 1
Solução (continuação)
Passo 3: Estabelecer Limitações do Modelo

x1+ x2= 1.000 Kg

x1 500 kg de frango
x2 200 kg de carne bovina

x1/x2 2/Kg ou x1- 2x2 0

x1,x2 0
O modelo: minimizar Z = $3x1+ 5x2
sujeito a
x1+ x2= 1.000 Kg
x1 50
x2 200
x1- 2x2 0
x1,x2 0
 Exemplo de Problema Nº2

Solve the following model

graficamente:
maximizar Z = 4x1+ 5x2
sujeito a
x1+ 2x2 10
6x1+ 6x2 36
x1 4
x1,x2 0
Passo 1: Trace a restrição s como
equations:

As equações de restrição
 Exemplo de Problema Nº 2

maximizar Z = 4x1+ 5x2

sujeito a
x1+ 2x2 1
6x1 + 6x2 36
x1 4
x1,x2 0
Passo 2: Determinar o viável
solution area:

O espaço de solução viável e os pontos extremos

 Exemplo de Problema Nº 2

maximizar Z = 4x1 + 5x2

sujeito a
x1+ 2x2 10
6x1+ 6x2 36
x1 4
x1,x2 0
Passos 3 e 4:
Determinar os pontos de solução
e solução ótima.

Ponto de solução ótima

 Parte II: Programação Linear
Exemplos de Modelagem

•Um Exemplo de Mistura de Produtos

•Um Exemplo de Dieta

• Um Exemplo de Investimento
•Um Exemplo de Marketing
•Um Exemplo de Transporte
•Um Exemplo de Mistura
•Um Exemplo de Agendamento Multiperíodo
•Um Exemplo de Análise de Envoltória de Dados
 Exemplo de Mistura de Produtos

Definição do Problema

Empresa de fabricação de camisetas/suéteres de quatro produtos.

- Must complete production within 72 hours

Capacidade do caminhão = 1.200 caixas de tamanho padrão.

Uma caixa de tamanho padrão comporta 12 camisetas.

Uma caixa de doze moletons é três vezes o tamanho da caixa padrão.

$25.000 disponíveis para uma produção.
500 dúzias de camisetas e moletons em branco em estoque.
Quantas dúzias (caixas) de cada tipo de camisa produzir?

43
 Exemplo de Mistura de Produtos

Dados

Processando Cost Lucro

Time (hr) ($) ($)
Por dúzia por dúzia por dúzia

Moletom - F 0,10 36 90

Moletom– 0,25 48 125

B/F

T-shirt - F 0,08 25 45

Camiseta - B/F 0,21 35 65

 Exemplo de Mistura de Produtos

Construção de Modelos
Variáveis de decisão:
x1moletom, impressão frontal
x2sudadeiras, impressão na frente e atrás
x3 Camisetas, impressão frontal
x4Camisetas, impressão frente e verso
Função objetivo:
maximizar Z = $90x1+ 125x2+ 45x3+ 65x4
Restrições do modelo:
0,10x1+ 0,25x2+ 0,08x3+ 0,21x4 72 horas
3x1+ 3x2+ x3+ x4 1.200 caixas
$36x1+ 48x2+ 25x3+ 35x4 25.000 dólares
x1+ x2 500 dúzias de moletons
x3+ x4 500 dúzias de camisetas
 Exemplo de Mix de Produtos
Solução Computacional com QM para Windows
maximizar Z = $90x1+ 125x2+ 45x3+ 65x4
sujeito a:
0,10x1+ 0,25x2+ 0,08x3+ 0,21x4 72
3x1+ 3x2+ x3+ x4 1.200 caixas
$36x1+ 48x2+ 25x3+ 35x4 R$ 25.000
x1+ x2 500 doze camisetas de moletom

x3+ x4 500 dúzias de camisetas

x1, x2, x3, x4 0

 Exemplo de Mistura de Produtos

Solução de Computador com QM para Windows (continuação)

maximizar Z = $90x1+ 125x2 + 45x3+ 65x4
sujeito a:
0,10x1+ 0,25x2+ 0.08x3+ 0,21x4 72
3x1+ 3x2+ x3+ x4 1.200 caixas
$36x1+ 48x2+ 25x3+ 35x4 $25,000
x1+ x2 500 doze moletons
x3+ x4 500 dúzias de camisetas

x1, x2, x3, x4 0

 Exemplo de Dieta
Definição de Dados e Problema

Café da manhã Fat Cholesterol Iron Calcium Protein Fiber Custo

Comida Calories (g) (mg) (mg) (mg) (g) (g) ($)
Cereal de farelo (xícara) 90 0 0 6 20 3 5 0.18
Cereal seco (xícara) 110 2 0 4 48 4 2 0.22
3. Aveia (copo) 100 2 0 2 12 5 3 0,10
4. Farelo de aveia (xícara) 90 2 0 3 8 6 4 0,12
5. Ovo 75 5 270 1 30 7 0 0,10
6. Bacon (slice) 35 3 8 0 0 2 0 0,09
Laranja 65 0 0 1 52 1 1 0,40
8. Leite-2% (copo) 100 4 12 0 250 9 0 0,16
9. Suco de laranja (copo) 120 0 0 0 3 1 0 0,50
10.Pão tostado (fatia) 65 1 0 1 26 3 3 0,07

O café da manhã deve incluir pelo menos 420 calorias, 5 miligramas de ferro, 400 miligramas de cálcio, 20
gramas de proteína, 12 gramas de fibra e não pode ter mais de 20 gramas de gordura e 30 miligramas
do colesterol.
 Exemplo de Dieta
Construção do Modelo: Variáveis de Decisão

x1xícaras de cereal de farelo

x2xícaras de cereal seco
x3xícaras de aveia
x4xícaras de farelo de aveia
x5ovos
x6fatias de bacon
x7laranjas
x8 xícaras de leite
x9xícaras de suco de laranja
x10 fatias de torrada de trigo
 Exemplo de Dieta
Model Summary

minimizar Z = 0,18x1+ 0,22x2+ 0,10x3+ 0,12x4+ 0,10x5+ 0,09x6+ 0,40x7+ 0,16x8+

0,50x90,07x10
sujeito a
90x1+ 110x2+ 100x3+ 90x4 + 75x5 + 35x6+ 65x7+ 100x8+ 120x9+ 65x10 420
2x2+ 2x3+ 2x4+ 5x5+ 3x6+ 4x8+ x10 20
270x5 + 8x6+ 12x8 30
6x1+ 4x2+ 2x3+ 3x4+ x5+ x7+ x10 5
20x1+ 48x2+ 12x3+ 8x4+ 30x5+ 52x7+ 250x8+ 3x9+ 26x10 400
3x1+ 4x2+ 5x3+ 6x4+ 7x5+ 2x6+ x7+ 9x8+ x9+ 3x10 20
5x1+ 2x2+ 3x3+ 4x4+ x7+ 3x10 12
xeu 0
 Um Exemplo de Investimento
Resumo do Modelo

maximizar Z = $0.085x1+ 0,05x2+ 0.065 x3+ 0,130x4

sujeito a
x1 14.000
x2- x1 - x3- x4 0
x2+ x3 21,000
-1.2x1+ x2+ x3- 1.2 x4 0
x1+ x2+ x3 + x4= 70.000
x1, x2, x3, x4 0
onde
x1= valor investido em títulos municipais ($)
x2= valor investido em certificados de depósito ($)
x3= valor investido em títulos do tesouro ($)
x4 montante investido em fundo de ações de crescimento ($)
 Um Exemplo de Marketing
Definição de Dados e Problema
Exposição Cost
(pessoas/anúncio ou
comercial)
Televisão 20.000 R$15.000
comercial
Comercial de rádio 12.000 6.000
Anúncio de jornal 9.000 4.000

- Limite de orçamento $100.000

Tempo de televisão para quatro comerciais

Tempo de rádio para 10 comerciais
Espaço no jornal para 7 anúncios

Recursos para no máximo 15 comerciais e/ou anúncios.

 Exemplo de Transporte
Definição do Problema e Dados

Suprimento de armazém de conjuntos de televisores: Retail store demand for television sets:
Cincinnati 300 A. - Nova Iorque 150
2- Atlanta 200 B. - Dallas 250
3- Pittsburgh 200 C. - Detroit 200
total 700 total 600

De Para Armazenar
Armazém
A B C
1 $16 $18 $11
2 14 12 13
3 13 15 17
 Um Exemplo de Mistura
Definição do Problema e Dados
Determine a mistura ideal dos três componentes em cada grau de óleo para motor que maximizará
lucro. A empresa deseja produzir pelo menos 3.000 barris de cada grau de óleo de motor.

Máximo de Barris
Componente Custo/barrel
Disponível/dia

1 4.500 $12

2 2.700 10

3 3.500 14

Grade Especificações do Componente Selling Price ($/bbl)

Super Pelo menos 50% de 1 $23

Não mais do que 30% de 2

Premium Pelo menos 40% de 1 20

Não mais do que 25% de 3

Extra Pelo menos 60% de 1 18

Pelo menos 10% de 2
 Um Exemplo de Mistura
Variáveis de Decisão e Resumo do Modelo

Variáveis de decisão: A quantidade de cada um dos três componentes utilizados em cada grau de
gasolina (9 variáveis de decisão); xij = barris do componente i utilizados no grau de óleo de motor j por dia,
onde i = 1, 2, 3 e j = s (super), p (premium) e e (extra).
Resumo do Modelo: maximizar Z = 11x1s+ 13x2s+ 9x3s+ 8x1p+ 10x2p+ 6x3p+ 6x1e+ 8x2e+ 4x3e

sujeito a
x1s+ x1p+ x1e 4.500
x2s+ x2p+ x2e 2.700
x3s+ x3p+ x3e 3.500
0,50x1s- 0,50x2s- 0.50x3s 0
0,70x2s- 0,30x1s- 0,30x3s 0
0,60x1p- 0,40x2p- 0,40x3p 0
0,75x3p- 0,25x1p- 0,25x2p 0
0,40x1e- 0,60x2e-- 0,60x3e 0
0,90x2e- 0,10x1e- 0,10x3e 0
x1s+ x2s+ x3s 3.000
x1p+ x2p+ x3p 3.000
x1e+ x2e+ x3e 3.000
xij 0
 Um Exemplo de Agendamento Multiperiódico
Definição do Problema e Dados

Production capacity : 160 computers per week

Mais 50 computadores com horas extras
Assembly costs: $190/comp. regular time; $260/comp. overtime
Custo de inventário: $10/comp. por semana

Order schedule: Week Pedidos de Computador

1 105
2 170
3 230
4 180
5 150
6 250
 Um Exemplo de Agendamento Multiperiódico
Variáveis de Decisão e Resumo do Modelo

Variáveis de decisão:
rj= regular production of computers per week j (j = 1, 2, 3, 4, 5, 6)
oj= overtime production of computers per week j (j = 1, 2, 3, 4, 5, 6)
euj= extra computers carried over as inventory in week j (j = 1, 2, 3, 4, 5)
{"Model summary:":"Resumo do modelo:"}

minimizar Z = $190(r1+ r2+ r3 + r4+ r5+ r6) + $260(o1+ o2+ o3+ o4 + o5+o6) + 10(i1, + i2+ i3+ i4+ eu5)
sujeito a rj 160 (j = 1, 2, 3, 4, 5, 6)
oj 150 (j = 1, 2, 3, 4, 5, 6)
r1 + o1i1 105
r2+ o2+ i1- eu2 170
r3+ o3+ eu2- eu3 230
r4 + o4+ i3- eu4 180
r5+ o5+ i4- eu5 150
r6 + o6+ i5 250
rj, oj, euj 0
 Um Exemplo de Análise de Envoltória de Dados (DEA)
Definição do Problema e Dados

A DEA compara uma série de unidades de serviço do mesmo tipo com base em seus insumos (recursos) e
resultados. O resultado indica se uma unidade particular é menos produtiva ou eficiente do que outras unidades.
Comparação da escola primária:
relação professor-aluno output 1 = average reading SOL score
input 2 = suplementar $/estudante output 2 = average math SOL score

input 3 = parent education level output 3 = average history SOL score

Entradas Outputs

Escola 1 2 3 1 2 3

Alton .06 $260 11.3 86 75 71

Beeks .05 320 10.5 82 72 67

Carey .08 340 12.0 81 79 80

Delancey .06 460 13.1 81 73 69

 Um Exemplo de Análise de Envoltória de Dados (DEA)
Variáveis de Decisão e Resumo do Modelo

Variáveis de decisão:
xeu= um preço por unidade de cada produto onde i = 1, 2, 3
yeu= um preço por unidade de cada entrada onde i = 1, 2, 3
Model summary:
maximizar Z = 81x1+ 73x2+ 69x3
sujeito a
.06 y1+ 460y2+ 13,1y3= 1
86x1+ 75x2+ 71x3 .06y1+ 260y2+ 11.3y3
82x1+ 72x2+ 67x3 .05y1+ 320y2+ 10,5y3
81x1+ 79x2+ 80x3 .08y1+ 340y2+ 12.0y3
81x1+ 73x2+ 69x3 .06y1+ 460y2+ 13,1y3
xeu, yeu 0
 Solução de Problema Exemplo
Declaração do Problema e Dados

•Ração enlatada para gatos, Meow Chow; ração para cães, Bow Chow.

•Ingredients/week: 600lb horse meat; 800 lb fish; 1000 lb cereal.

•Recipe requirement: Meow Chow at least half fish; Bow Chow
pelo menos metade de carne de cavalo.

2.250 latas de dezesseis onças disponíveis a cada semana.

•Profit /can: Meow Chow $0.80; Bow Chow$0.96.

Quantas latas de Bow Chow e Meow Chow devem ser
produzido a cada semana a fim de maximizar o lucro?
 Solução de Problema de Exemplo
Formulação do Modelo
Passo 1: Defina as Variáveis de Decisão
xij= onças do ingrediente i na ração para animais de estimação j por semana, onde i = h (carne de cavalo), f (peixe) e
c (cereal), e j = m (Meow chow) e b (Bow Chow).
Passo 2: Formular a Função Objetivo
maximizar Z = $0.05(xhm+ xfm+ xcm) + 0.06(xhb+ xfb+ xcb)
Passo 3: Formular as Restrições do Modelo
Amount of each ingredient available each week:
xhm+ xhb 9.600 onças de carne de cavalo
xfm+ xfb 12.800 onças de peixe
xcm+ xcb 16.000 onças de aditivo de cereal
Requisitos da receita:
Meow Chow xfm/(xhm+ xfm+ xcm) 1/2, ou, - xhm+ xfm- xcm 0
Bow Chow xhb/(xhb+ xfb+ xcb) 1/2, ou, xhb- xfb- xcb 0
Pode restringir o conteúdo: xhm+ xfm+ xcm+ xhb+ xfb+ xcb 36.000 onças
 Exemplo de Solução de Problema
Resumo do Modelo e Solução com QM para Windows
Etapa 4: Resumo do Modelo
maximizar Z = $0,05 xhm+ 0,05 xfm+ 0,05 xcm+ 0,06 xhb+ 0,06 xfb+ 0,06 x
sujeito a xhm+ xhb 9.600 onças de carne de cavalo
xfm+ xfb 12.800 onças de peixe
xcm+ xcb 16.000 onças de aditivo de cereal
- xhm+ xfm- xcm 0
xhb- xfb- xcb 0
xhm+ xfm+ xcm+ xhb+ xfb+ xcb 36.000 onças
xij 0