Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2
|
|
- Martim Caio Amorim Bergmann
- 6 Há anos
- Visualizações:
Transcrição
1 Uma Introdução à Otimização sob Incerteza Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2 1 Departamento de Matemática Pontifícia Universidade Católica do Rio de Janeiro 2 Departamento de Matemática Aplicada Universidade Federal Fluminense III Bienal da SBM Universidade Federal de Goiânia 6 a 11 de novembro de 2006
2 1 a aula
3 Sumário 1 Introdução 2 O problema do fazendeiro Introduzindo cenários EVPI e VSS 3 O problema do jornaleiro Enunciado e formulação Solução Exemplo Outras interpretações para o problema 4 Referências
4 Sumário 1 Introdução 2 O problema do fazendeiro Introduzindo cenários EVPI e VSS 3 O problema do jornaleiro Enunciado e formulação Solução Exemplo Outras interpretações para o problema 4 Referências
5 O que é otimização? Segundo J.L. Nazareth, Optimization is the art, science, and mathematics of finding the best member of a finite or infinite set of possible choices, based on some objective measure of the merit of each choice in the set. A área de otimização tem uma longa história de sucesso, tanto no plano teórico quanto nas aplicações.
6 O que é otimização? Segundo J.L. Nazareth, Optimization is the art, science, and mathematics of finding the best member of a finite or infinite set of possible choices, based on some objective measure of the merit of each choice in the set. A área de otimização tem uma longa história de sucesso, tanto no plano teórico quanto nas aplicações.
7 O que é otimização? Segundo J.L. Nazareth, Optimization is the art, science, and mathematics of finding the best member of a finite or infinite set of possible choices, based on some objective measure of the merit of each choice in the set. A área de otimização tem uma longa história de sucesso, tanto no plano teórico quanto nas aplicações.
8 Seleção de portfólio O modelo de Markowitz (1952): minimizar σp 2 = xt Vx sujeito a x t µ = R p, x T ½ = 1. As incertezas µ e V são definidas à priori, usando por exemplo séries históricas dos ativos. É possível incorporá-las ao modelo de alguma forma?
9 Seleção de portfólio O modelo de Markowitz (1952): minimizar σp 2 = xt Vx sujeito a x t µ = R p, x T ½ = 1. As incertezas µ e V são definidas à priori, usando por exemplo séries históricas dos ativos. É possível incorporá-las ao modelo de alguma forma?
10 Seleção de portfólio O modelo de Markowitz (1952): minimizar σp 2 = xt Vx sujeito a x t µ = R p, x T ½ = 1. As incertezas µ e V são definidas à priori, usando por exemplo séries históricas dos ativos. É possível incorporá-las ao modelo de alguma forma?
11 A resposta é dada por otimização estocástica. É uma área voltada para a modelagem e resolução de problemas que envolvem incertezas. Diferentemente de otimização determinística, as incertezas estão explicitamente descritas nos modelos através de variáveis aleatórias. Ao invés de definições formais, vamos começar com uma aplicação de otimização estocástica.
12 A resposta é dada por otimização estocástica. É uma área voltada para a modelagem e resolução de problemas que envolvem incertezas. Diferentemente de otimização determinística, as incertezas estão explicitamente descritas nos modelos através de variáveis aleatórias. Ao invés de definições formais, vamos começar com uma aplicação de otimização estocástica.
13 A resposta é dada por otimização estocástica. É uma área voltada para a modelagem e resolução de problemas que envolvem incertezas. Diferentemente de otimização determinística, as incertezas estão explicitamente descritas nos modelos através de variáveis aleatórias. Ao invés de definições formais, vamos começar com uma aplicação de otimização estocástica.
14 Sumário 1 Introdução 2 O problema do fazendeiro Introduzindo cenários EVPI e VSS 3 O problema do jornaleiro Enunciado e formulação Solução Exemplo Outras interpretações para o problema 4 Referências
15 O problema do fazendeiro João é um fazendeiro especializado em três culturas: trigo, milho e cana-de-açúcar. Ele precisa decidir durante o inverno o que plantar em seus 500 ha de terras. Cada um dos cultivos possui um custo associado, em R$/ha.
16 O problema do fazendeiro João é um fazendeiro especializado em três culturas: trigo, milho e cana-de-açúcar. Ele precisa decidir durante o inverno o que plantar em seus 500 ha de terras. Cada um dos cultivos possui um custo associado, em R$/ha.
17 O problema do fazendeiro João é um fazendeiro especializado em três culturas: trigo, milho e cana-de-açúcar. Ele precisa decidir durante o inverno o que plantar em seus 500 ha de terras. Cada um dos cultivos possui um custo associado, em R$/ha.
18 Duas divisões possíveis de terra milho cana-de-açúcar cana-de-açúcar trigo trigo milho
19 Restrições O gado precisa de pelo menos 240 T de trigo e 200 T de milho. João pode comprar milho e trigo no mercado local, a preços elevados. Seu excedente também pode vendido para atacadistas. A cana-de-açúcar pode ser vendida por 36 reais por tonelada (R$/T). O governo impõe uma cota em 6000 T. A partir desse valor a cana-de-açúcar é vendida por 10R$/T. Baseado em experiência pessoal, João sabe que os rendimentos médios de trigo, milho e cana-de-açúcar são 2.5, 3.0 e 20 T/ha respectivamente.
20 Restrições O gado precisa de pelo menos 240 T de trigo e 200 T de milho. João pode comprar milho e trigo no mercado local, a preços elevados. Seu excedente também pode vendido para atacadistas. A cana-de-açúcar pode ser vendida por 36 reais por tonelada (R$/T). O governo impõe uma cota em 6000 T. A partir desse valor a cana-de-açúcar é vendida por 10R$/T. Baseado em experiência pessoal, João sabe que os rendimentos médios de trigo, milho e cana-de-açúcar são 2.5, 3.0 e 20 T/ha respectivamente.
21 Restrições O gado precisa de pelo menos 240 T de trigo e 200 T de milho. João pode comprar milho e trigo no mercado local, a preços elevados. Seu excedente também pode vendido para atacadistas. A cana-de-açúcar pode ser vendida por 36 reais por tonelada (R$/T). O governo impõe uma cota em 6000 T. A partir desse valor a cana-de-açúcar é vendida por 10R$/T. Baseado em experiência pessoal, João sabe que os rendimentos médios de trigo, milho e cana-de-açúcar são 2.5, 3.0 e 20 T/ha respectivamente.
22 Restrições O gado precisa de pelo menos 240 T de trigo e 200 T de milho. João pode comprar milho e trigo no mercado local, a preços elevados. Seu excedente também pode vendido para atacadistas. A cana-de-açúcar pode ser vendida por 36 reais por tonelada (R$/T). O governo impõe uma cota em 6000 T. A partir desse valor a cana-de-açúcar é vendida por 10R$/T. Baseado em experiência pessoal, João sabe que os rendimentos médios de trigo, milho e cana-de-açúcar são 2.5, 3.0 e 20 T/ha respectivamente.
23 Dados para o problema do fazendeiro Trigo Milho Cana-de-açúcar Rendimento (T/ha) Custo de produção (R$/ha) Preço de venda (R$/T) ( 6000 T) 10(> 6000 T) Preço de compra (R$/T) Mínimo para o gado (T) Total de terra disponível: 500 ha
24 Enunciado O Problema do fazendeiro Encontrar uma divisão de terras que maximize o lucro do fazendeiro sujeito às restrições relativas ao gado, à cota governamental e à dimensão da propriedade.
25 Formulação determinística minimizar 150x x x y 1 170w y 2 150w 2 36w 3 10w 4 sujeito a x 1 + x 2 + x 3 500, 2.5x 1 + y 1 w 1 200, 3x 2 + y 2 w 2 240, w 3 + w 4 20x 3, w , x 1,x 2,x 3,y 1,y 2,w 1,w 2,w 3,w 4 0.
26 Esse é um problema de otimização linear! Podemos escrevê-lo em AMPL, uma linguagem apropriada para otimização e fácil de aprender ( Existem resolvedores eficientes disponíveis gratuitamente ( A solução completa do problema foi obtida através do resolvedor CPLEX.
27 Esse é um problema de otimização linear! Podemos escrevê-lo em AMPL, uma linguagem apropriada para otimização e fácil de aprender ( Existem resolvedores eficientes disponíveis gratuitamente ( A solução completa do problema foi obtida através do resolvedor CPLEX.
28 Esse é um problema de otimização linear! Podemos escrevê-lo em AMPL, uma linguagem apropriada para otimização e fácil de aprender ( Existem resolvedores eficientes disponíveis gratuitamente ( A solução completa do problema foi obtida através do resolvedor CPLEX.
29 Solução do problema Trigo Milho Cana-de-açúcar Área (ha) Total produzido Total vendido Total comprado Lucro total: R$
30 Introduzindo cenários Pronto, o problema está resolvido! Mas... João não tem tanta certeza sobre os valores dos rendimentos médios, afinal mudanças climáticas podem alterar bastante suas estimativas e, conseqüentemente, seus lucros.
31 Introduzindo cenários Pronto, o problema está resolvido! Mas... João não tem tanta certeza sobre os valores dos rendimentos médios, afinal mudanças climáticas podem alterar bastante suas estimativas e, conseqüentemente, seus lucros.
32 Introduzindo cenários Pronto, o problema está resolvido! Mas... João não tem tanta certeza sobre os valores dos rendimentos médios, afinal mudanças climáticas podem alterar bastante suas estimativas e, conseqüentemente, seus lucros.
33 Solução ótima com rendimentos 20% acima da média. Suponha que num ano particularmente favorável, os rendimentos das culturas foram 20% acima da média. Qual é a solução do problema neste caso? Trigo Milho Cana-de-açúcar Área (ha) Total produzido Total vendido Total comprado Lucro total: R$
34 Solução ótima com rendimentos 20% acima da média. Suponha que num ano particularmente favorável, os rendimentos das culturas foram 20% acima da média. Qual é a solução do problema neste caso? Trigo Milho Cana-de-açúcar Área (ha) Total produzido Total vendido Total comprado Lucro total: R$
35 Solução ótima com rendimentos 20% acima da média. Em um ano particularmente desfavorável, os rendimentos das culturas foram 20% abaixo da média. Qual é a a solução do problema neste caso? Trigo Milho Cana-de-açúcar Área (ha) Total produzido Total vendido Total comprado Lucro total: R$59 950
36 Solução ótima com rendimentos 20% acima da média. Em um ano particularmente desfavorável, os rendimentos das culturas foram 20% abaixo da média. Qual é a a solução do problema neste caso? Trigo Milho Cana-de-açúcar Área (ha) Total produzido Total vendido Total comprado Lucro total: R$59 950
37 Sensibilidade da solução Mudanças de 20% nos rendimentos das culturas em relação ao rendimento médio fazem o seu lucro variar de R$59950 a R$ ! Pensando na cana-de-açúcar, João tem o seguinte dilema: se a área reservada para a cana-de-açúcar for muito grande e os rendimentos forem acima da média, então ele terá que vender parte da produção a um preço desfavorável. Por outro lado, se ele reservar uma área muito pequena e os rendimentos foram abaixo da média, então ele terá perdido a oportunidade de vender cana-de-açúcar a um preço favorável. Como encontrar uma solução que seja satisfatória para todos os cenários?
38 Sensibilidade da solução Mudanças de 20% nos rendimentos das culturas em relação ao rendimento médio fazem o seu lucro variar de R$59950 a R$ ! Pensando na cana-de-açúcar, João tem o seguinte dilema: se a área reservada para a cana-de-açúcar for muito grande e os rendimentos forem acima da média, então ele terá que vender parte da produção a um preço desfavorável. Por outro lado, se ele reservar uma área muito pequena e os rendimentos foram abaixo da média, então ele terá perdido a oportunidade de vender cana-de-açúcar a um preço favorável. Como encontrar uma solução que seja satisfatória para todos os cenários?
39 Sensibilidade da solução Mudanças de 20% nos rendimentos das culturas em relação ao rendimento médio fazem o seu lucro variar de R$59950 a R$ ! Pensando na cana-de-açúcar, João tem o seguinte dilema: se a área reservada para a cana-de-açúcar for muito grande e os rendimentos forem acima da média, então ele terá que vender parte da produção a um preço desfavorável. Por outro lado, se ele reservar uma área muito pequena e os rendimentos foram abaixo da média, então ele terá perdido a oportunidade de vender cana-de-açúcar a um preço favorável. Como encontrar uma solução que seja satisfatória para todos os cenários?
40 Sensibilidade da solução Mudanças de 20% nos rendimentos das culturas em relação ao rendimento médio fazem o seu lucro variar de R$59950 a R$ ! Pensando na cana-de-açúcar, João tem o seguinte dilema: se a área reservada para a cana-de-açúcar for muito grande e os rendimentos forem acima da média, então ele terá que vender parte da produção a um preço desfavorável. Por outro lado, se ele reservar uma área muito pequena e os rendimentos foram abaixo da média, então ele terá perdido a oportunidade de vender cana-de-açúcar a um preço favorável. Como encontrar uma solução que seja satisfatória para todos os cenários?
41 Forma extensa de um problema estocástico minimizar 150x x x (170w y w y w w 41 ) 1 3 (170w y w y w w 42 ) 1 3 (170w y w y w w 43 )
42 Restrições sujeito a x 1 + x 2 + x x 1 + y 11 w , 3.6x 2 + y 21 w , w 31 + w 41 24x 3, w , 2.5x 1 + y 12 w , 3x 2 + y 22 w , w 32 + w 42 20x 3, w , 2x 1 + y 13 w , 2.4x 2 + y 23 w , w 33 + w 43 16x 3, w x 1,x 2,x 3 0, y 11,y 21,y 12,y 22,y 13,y 23 0, w 11,w 21,w 31,w 41,w 12,w 22,w 32,w 42,w 13,w 23,w 33,w 43 0
43 As variáveis x i são ditas de primeiro estágio: seu valor deve ser determinado antes que se conheça a condição climática. As variáveis y is e w is são de segundo estágio: elas são escolhidas após a definição dos valores de x i e do conhecimento do clima. Elas corrigem possíveis déficits na alimentação do gado gerados pelas escolhas x i de primeiro estágio. O problema estocástico na forma extensa é linear e pode ser resolvido da mesma forma que fizemos para a formulação inicial.
44 As variáveis x i são ditas de primeiro estágio: seu valor deve ser determinado antes que se conheça a condição climática. As variáveis y is e w is são de segundo estágio: elas são escolhidas após a definição dos valores de x i e do conhecimento do clima. Elas corrigem possíveis déficits na alimentação do gado gerados pelas escolhas x i de primeiro estágio. O problema estocástico na forma extensa é linear e pode ser resolvido da mesma forma que fizemos para a formulação inicial.
45 As variáveis x i são ditas de primeiro estágio: seu valor deve ser determinado antes que se conheça a condição climática. As variáveis y is e w is são de segundo estágio: elas são escolhidas após a definição dos valores de x i e do conhecimento do clima. Elas corrigem possíveis déficits na alimentação do gado gerados pelas escolhas x i de primeiro estágio. O problema estocástico na forma extensa é linear e pode ser resolvido da mesma forma que fizemos para a formulação inicial.
46 Solução estocástica Trigo Milho Cana-de-açúcar 1 o estágio Área (ha) s = 1 Rendimento (T) (Acima) Venda (T) (preço favorável) Compra(T) s = 2 Rendimento (T) (Média) Venda (T) (preço favorável) Compra(T) s = 3 Rendimento (T) (Abaixo) Venda (T) (preço favorável) Compra(T) 48 Lucro total: R$
47 Análise da solução A solução ótima do problema estocástico não é igual a nenhuma das soluções encontradas anteriormente: (x 1,x 2,x 3 ) = (170,80,250). No caso em que os rendimentos são 20% abaixo da média, temos a necessidade de se comprar milho no mercado devido a baixa produtividade. Queremos agora estudar a qualidade da solução estocástica, isto é, queremos mensurar o ganho em se considerar as variações climáticas bem como o quanto se deixa de ganhar por não se conhecer com exatidão o futuro.
48 Análise da solução A solução ótima do problema estocástico não é igual a nenhuma das soluções encontradas anteriormente: (x 1,x 2,x 3 ) = (170,80,250). No caso em que os rendimentos são 20% abaixo da média, temos a necessidade de se comprar milho no mercado devido a baixa produtividade. Queremos agora estudar a qualidade da solução estocástica, isto é, queremos mensurar o ganho em se considerar as variações climáticas bem como o quanto se deixa de ganhar por não se conhecer com exatidão o futuro.
49 Análise da solução A solução ótima do problema estocástico não é igual a nenhuma das soluções encontradas anteriormente: (x 1,x 2,x 3 ) = (170,80,250). No caso em que os rendimentos são 20% abaixo da média, temos a necessidade de se comprar milho no mercado devido a baixa produtividade. Queremos agora estudar a qualidade da solução estocástica, isto é, queremos mensurar o ganho em se considerar as variações climáticas bem como o quanto se deixa de ganhar por não se conhecer com exatidão o futuro.
50 EVPI e VSS Valor esperado de informação perfeita (EVPI) O EVPI mede o quanto perdemos por não saber com exatidão o futuro. Para calculá-lo temos que fazer a média entre os rendimentos obtidos conhecendo-se cada um dos cenários climáticos e subtrair esse valor do ganho com a solução estocástica. Temos EVPI = RP WS = R$ R$ R$ = R$ 7016.
51 EVPI e VSS Valor esperado de informação perfeita (EVPI) O EVPI mede o quanto perdemos por não saber com exatidão o futuro. Para calculá-lo temos que fazer a média entre os rendimentos obtidos conhecendo-se cada um dos cenários climáticos e subtrair esse valor do ganho com a solução estocástica. Temos EVPI = RP WS = R$ R$ R$ = R$ 7016.
52 EVPI e VSS Valor esperado de informação perfeita (EVPI) O EVPI mede o quanto perdemos por não saber com exatidão o futuro. Para calculá-lo temos que fazer a média entre os rendimentos obtidos conhecendo-se cada um dos cenários climáticos e subtrair esse valor do ganho com a solução estocástica. Temos EVPI = RP WS = R$ R$ R$ = R$ 7016.
53 Valor da solução estocástica (VSS) O VSS mede o ganho em se considerar o modelo estocástico ao invés de assumir rendimentos médios. Para calculá-lo, pense que João é um fazendeiro teimoso: ele divide suas terras supondo que os rendimentos são os médios. Resolve-se o problema inicial para cada cenário, fixando (x 1,x 2,x 3 ) = (120,80,300). Dessa forma o VSS é dado por VSS = EEV RP R$ R$ R$ R$ = R$ 1150.
54 Valor da solução estocástica (VSS) O VSS mede o ganho em se considerar o modelo estocástico ao invés de assumir rendimentos médios. Para calculá-lo, pense que João é um fazendeiro teimoso: ele divide suas terras supondo que os rendimentos são os médios. Resolve-se o problema inicial para cada cenário, fixando (x 1,x 2,x 3 ) = (120,80,300). Dessa forma o VSS é dado por VSS = EEV RP R$ R$ R$ R$ = R$ 1150.
55 Valor da solução estocástica (VSS) O VSS mede o ganho em se considerar o modelo estocástico ao invés de assumir rendimentos médios. Para calculá-lo, pense que João é um fazendeiro teimoso: ele divide suas terras supondo que os rendimentos são os médios. Resolve-se o problema inicial para cada cenário, fixando (x 1,x 2,x 3 ) = (120,80,300). Dessa forma o VSS é dado por VSS = EEV RP R$ R$ R$ R$ = R$ 1150.
56 Sumário 1 Introdução 2 O problema do fazendeiro Introduzindo cenários EVPI e VSS 3 O problema do jornaleiro Enunciado e formulação Solução Exemplo Outras interpretações para o problema 4 Referências
57 Enunciado e formulação O problema do jornaleiro João tem um irmão na cidade chamado José, que é jornaleiro. Toda manhã ele vai ao editor do jornal e tem que decidir quantos jornais comprar sem saber a demanda daquele dia. Seu poder de compra é limitado, ou seja, ele pode comprar até uma quantidade fixa u. Além disso, os jornais não vendidos podem ser devolvidos ao editor, a um preço menor do que o valor pago no início do dia.
58 Enunciado e formulação O problema do jornaleiro João tem um irmão na cidade chamado José, que é jornaleiro. Toda manhã ele vai ao editor do jornal e tem que decidir quantos jornais comprar sem saber a demanda daquele dia. Seu poder de compra é limitado, ou seja, ele pode comprar até uma quantidade fixa u. Além disso, os jornais não vendidos podem ser devolvidos ao editor, a um preço menor do que o valor pago no início do dia.
59 Enunciado e formulação O problema do jornaleiro João tem um irmão na cidade chamado José, que é jornaleiro. Toda manhã ele vai ao editor do jornal e tem que decidir quantos jornais comprar sem saber a demanda daquele dia. Seu poder de compra é limitado, ou seja, ele pode comprar até uma quantidade fixa u. Além disso, os jornais não vendidos podem ser devolvidos ao editor, a um preço menor do que o valor pago no início do dia.
60 Formulação onde min {cx + Q(x)} 0 x u Q(x) = E ξ [Q(x,ξ)] e Q(x,ξ) = min qy(ξ) rw(ξ) sujeito a y(ξ) ξ, y(ξ) + w(ξ) x, y(ξ),w(ξ) 0.
61 Assim como no problema do fazendeiro, o problema do jornaleiro é estruturado em dois estágios: no primeiro estágio José decide quantos jornais vai comprar através da variável x. As variáveis de segundo estágio representam quanto ele conseguiu vender (y(ξ)) e quanto ele devolveu ao editor (w(ξ)). José procura a quantidade ótima de jornais a comprar de forma a maximizar seu lucro esperado sob incerteza de demanda.
62 Assim como no problema do fazendeiro, o problema do jornaleiro é estruturado em dois estágios: no primeiro estágio José decide quantos jornais vai comprar através da variável x. As variáveis de segundo estágio representam quanto ele conseguiu vender (y(ξ)) e quanto ele devolveu ao editor (w(ξ)). José procura a quantidade ótima de jornais a comprar de forma a maximizar seu lucro esperado sob incerteza de demanda.
63 Assim como no problema do fazendeiro, o problema do jornaleiro é estruturado em dois estágios: no primeiro estágio José decide quantos jornais vai comprar através da variável x. As variáveis de segundo estágio representam quanto ele conseguiu vender (y(ξ)) e quanto ele devolveu ao editor (w(ξ)). José procura a quantidade ótima de jornais a comprar de forma a maximizar seu lucro esperado sob incerteza de demanda.
64 Solução O primeiro passo para encontrar uma solução expĺıcita do problema do jornaleiro é resolver o problema de segundo estágio. A solução é imediata: y (ξ) = min{ξ,x} e w (ξ) = max{x ξ,0}. Com isso temos Q(x) = E ξ [ q min{ξ,x} r max{x ξ,0}].
65 Solução O primeiro passo para encontrar uma solução expĺıcita do problema do jornaleiro é resolver o problema de segundo estágio. A solução é imediata: y (ξ) = min{ξ,x} e w (ξ) = max{x ξ,0}. Com isso temos Q(x) = E ξ [ q min{ξ,x} r max{x ξ,0}].
66 Solução O primeiro passo para encontrar uma solução expĺıcita do problema do jornaleiro é resolver o problema de segundo estágio. A solução é imediata: y (ξ) = min{ξ,x} e w (ξ) = max{x ξ,0}. Com isso temos Q(x) = E ξ [ q min{ξ,x} r max{x ξ,0}].
67 Vamos aprender mais à frente que a função Q é convexa, contínua e, se ξ é v.a. contínua, derivável. Como estamos no intervalo [0,u], se cx + Q (0) > 0, então a derivada não troca de sinal no intervalo e solução ótima é x = 0. Se cx + Q (u) < 0, então a solução ótima é x = u. Vamos procurar por soluções de cx + Q (x) = 0.
68 Vamos aprender mais à frente que a função Q é convexa, contínua e, se ξ é v.a. contínua, derivável. Como estamos no intervalo [0,u], se cx + Q (0) > 0, então a derivada não troca de sinal no intervalo e solução ótima é x = 0. Se cx + Q (u) < 0, então a solução ótima é x = u. Vamos procurar por soluções de cx + Q (x) = 0.
69 Vamos aprender mais à frente que a função Q é convexa, contínua e, se ξ é v.a. contínua, derivável. Como estamos no intervalo [0,u], se cx + Q (0) > 0, então a derivada não troca de sinal no intervalo e solução ótima é x = 0. Se cx + Q (u) < 0, então a solução ótima é x = u. Vamos procurar por soluções de cx + Q (x) = 0.
70 Vamos aprender mais à frente que a função Q é convexa, contínua e, se ξ é v.a. contínua, derivável. Como estamos no intervalo [0,u], se cx + Q (0) > 0, então a derivada não troca de sinal no intervalo e solução ótima é x = 0. Se cx + Q (u) < 0, então a solução ótima é x = u. Vamos procurar por soluções de cx + Q (x) = 0.
71 A expressão para Q é Q(x) = x Rearrumando, temos Q(x) = (q r) ( qt r(x t))f (t)dt + x Usando integração por partes obtém-se Q(x) = qx + (q r) x qx f (t)dt. t f (t)dt rxf(x) qx(1 F(x)). x F(t)dt.
72 A expressão para Q é Q(x) = x Rearrumando, temos Q(x) = (q r) ( qt r(x t))f (t)dt + x Usando integração por partes obtém-se Q(x) = qx + (q r) x qx f (t)dt. t f (t)dt rxf(x) qx(1 F(x)). x F(t)dt.
73 A expressão para Q é Q(x) = x Rearrumando, temos Q(x) = (q r) ( qt r(x t))f (t)dt + x Usando integração por partes obtém-se Q(x) = qx + (q r) x qx f (t)dt. t f (t)dt rxf(x) qx(1 F(x)). x F(t)dt.
74 Derivando, chegamos a Q (x) = q + (q r)f(x). Finalmente, a solução do problema é x = 0, se q c q r < F(0), x = u, se ( ) q c q r > F(u), x = F 1 q c, caso contrário. q r Qualquer modelagem razoável da demanda ξ admite que ela só assume valores positivos, e portanto não temos x = 0.
75 Derivando, chegamos a Q (x) = q + (q r)f(x). Finalmente, a solução do problema é x = 0, se q c q r < F(0), x = u, se ( ) q c q r > F(u), x = F 1 q c, caso contrário. q r Qualquer modelagem razoável da demanda ξ admite que ela só assume valores positivos, e portanto não temos x = 0.
76 Derivando, chegamos a Q (x) = q + (q r)f(x). Finalmente, a solução do problema é x = 0, se q c q r < F(0), x = u, se ( ) q c q r > F(u), x = F 1 q c, caso contrário. q r Qualquer modelagem razoável da demanda ξ admite que ela só assume valores positivos, e portanto não temos x = 0.
77 Exemplo Um exemplo numérico Suponha que o custo do jornal para o jornaleiro seja c = 10, que o preço de venda seja q = 25, que o preço de devolução seja r = 5 e que o poder de compra é u = 150. A demanda ξ é uma variável aleatória uniforme no intervalo [50,150]. A solução é x = F 1 (3/4) = 125.
78 Exemplo Um exemplo numérico Suponha que o custo do jornal para o jornaleiro seja c = 10, que o preço de venda seja q = 25, que o preço de devolução seja r = 5 e que o poder de compra é u = 150. A demanda ξ é uma variável aleatória uniforme no intervalo [50,150]. A solução é x = F 1 (3/4) = 125.
79 Exemplo Um exemplo numérico Suponha que o custo do jornal para o jornaleiro seja c = 10, que o preço de venda seja q = 25, que o preço de devolução seja r = 5 e que o poder de compra é u = 150. A demanda ξ é uma variável aleatória uniforme no intervalo [50,150]. A solução é x = F 1 (3/4) = 125.
80 VSS Inicialmente precisamos calcular a solução ótima para ξ = 100. A solução é trivial: se a demanda é 100, então compre x = 100 jornais! Precisamos calcular o EEV, que é igual a 100 E ξ [ Q(100,ξ)] = ) = ( = 1250, ξ dξ Conclui-se que VSS = = 62.5.
81 VSS Inicialmente precisamos calcular a solução ótima para ξ = 100. A solução é trivial: se a demanda é 100, então compre x = 100 jornais! Precisamos calcular o EEV, que é igual a 100 E ξ [ Q(100,ξ)] = ) = ( = 1250, ξ dξ Conclui-se que VSS = = 62.5.
82 VSS Inicialmente precisamos calcular a solução ótima para ξ = 100. A solução é trivial: se a demanda é 100, então compre x = 100 jornais! Precisamos calcular o EEV, que é igual a 100 E ξ [ Q(100,ξ)] = ) = ( = 1250, ξ dξ Conclui-se que VSS = = 62.5.
83 EVPI Se conhecemos o valor da demanda ξ, então a solução é x = ξ. Assim, temos que WS = E ξ [cξ + qξ] = 15E ξ (ξ) = Logo, EVPI = =
84 EVPI Se conhecemos o valor da demanda ξ, então a solução é x = ξ. Assim, temos que WS = E ξ [cξ + qξ] = 15E ξ (ξ) = Logo, EVPI = =
85 EVPI Se conhecemos o valor da demanda ξ, então a solução é x = ξ. Assim, temos que WS = E ξ [cξ + qξ] = 15E ξ (ξ) = Logo, EVPI = =
86 Outras interpretações para o problema Custo marginal Vamos usar o conceito de ganho marginal para derivar a solução do problema por uma outra trilha. A expressão ganho marginal em economia se refere ao crescimento no lucro obtido quando se aumenta em uma unidade a quantidade vendida ou adquirida de um determinado bem. Suponha que jornaleiro comprou k jornais. Qual é o lucro esperado na venda do k-ésimo jornal? A resposta é lucro esperado = P(ξ < k)(r c) + P(ξ k)(q c).
87 Outras interpretações para o problema Custo marginal Vamos usar o conceito de ganho marginal para derivar a solução do problema por uma outra trilha. A expressão ganho marginal em economia se refere ao crescimento no lucro obtido quando se aumenta em uma unidade a quantidade vendida ou adquirida de um determinado bem. Suponha que jornaleiro comprou k jornais. Qual é o lucro esperado na venda do k-ésimo jornal? A resposta é lucro esperado = P(ξ < k)(r c) + P(ξ k)(q c).
88 Outras interpretações para o problema Custo marginal Vamos usar o conceito de ganho marginal para derivar a solução do problema por uma outra trilha. A expressão ganho marginal em economia se refere ao crescimento no lucro obtido quando se aumenta em uma unidade a quantidade vendida ou adquirida de um determinado bem. Suponha que jornaleiro comprou k jornais. Qual é o lucro esperado na venda do k-ésimo jornal? A resposta é lucro esperado = P(ξ < k)(r c) + P(ξ k)(q c).
89 Outras interpretações para o problema Custo marginal Vamos usar o conceito de ganho marginal para derivar a solução do problema por uma outra trilha. A expressão ganho marginal em economia se refere ao crescimento no lucro obtido quando se aumenta em uma unidade a quantidade vendida ou adquirida de um determinado bem. Suponha que jornaleiro comprou k jornais. Qual é o lucro esperado na venda do k-ésimo jornal? A resposta é lucro esperado = P(ξ < k)(r c) + P(ξ k)(q c).
90 Se o lucro esperado for negativo temos jornais encalhados e se o lucro for positivo temos excesso de demanda. A situação ideal ocorre quando esse lucro é zero. Nesse caso temos lucro esperado = 0 = P(ξ < k)(r c) + P(ξ k)(q c) = F(k)(r c) + (1 F(k))(q c). Devemos então comprar k = F 1 ( q c q r ) jornais.
91 Se o lucro esperado for negativo temos jornais encalhados e se o lucro for positivo temos excesso de demanda. A situação ideal ocorre quando esse lucro é zero. Nesse caso temos lucro esperado = 0 = P(ξ < k)(r c) + P(ξ k)(q c) = F(k)(r c) + (1 F(k))(q c). Devemos então comprar k = F 1 ( q c q r ) jornais.
92 Se o lucro esperado for negativo temos jornais encalhados e se o lucro for positivo temos excesso de demanda. A situação ideal ocorre quando esse lucro é zero. Nesse caso temos lucro esperado = 0 = P(ξ < k)(r c) + P(ξ k)(q c) = F(k)(r c) + (1 F(k))(q c). Devemos então comprar k = F 1 ( q c q r ) jornais.
93 Estoque zerado A probabilidade de se vender todos os jornais é P({vender tudo}) = P(ξ x) = 1 F(x). Para a escolha x temos P({vender tudo}) = 1 F(x ) = 1 q c q r = c r q r. Conclui-se que se r = 0 então a quantidade de jornal a ser comprada deve ser escolhida de maneira que a probabilidade de se vender todos os jornais seja igual a razão custo/preço unitário.
94 Estoque zerado A probabilidade de se vender todos os jornais é P({vender tudo}) = P(ξ x) = 1 F(x). Para a escolha x temos P({vender tudo}) = 1 F(x ) = 1 q c q r = c r q r. Conclui-se que se r = 0 então a quantidade de jornal a ser comprada deve ser escolhida de maneira que a probabilidade de se vender todos os jornais seja igual a razão custo/preço unitário.
95 Estoque zerado A probabilidade de se vender todos os jornais é P({vender tudo}) = P(ξ x) = 1 F(x). Para a escolha x temos P({vender tudo}) = 1 F(x ) = 1 q c q r = c r q r. Conclui-se que se r = 0 então a quantidade de jornal a ser comprada deve ser escolhida de maneira que a probabilidade de se vender todos os jornais seja igual a razão custo/preço unitário.
96 Sumário 1 Introdução 2 O problema do fazendeiro Introduzindo cenários EVPI e VSS 3 O problema do jornaleiro Enunciado e formulação Solução Exemplo Outras interpretações para o problema 4 Referências
97 Internet Página do curso de otimização estocástica lecionado na PUC-Rio em : hjbortol/disciplinas/2006.1/soe/ Página da comunidade de otimização estocástica: Banco de artigos de otimização estocástica:
98 Internet Página do curso de otimização estocástica lecionado na PUC-Rio em : hjbortol/disciplinas/2006.1/soe/ Página da comunidade de otimização estocástica: Banco de artigos de otimização estocástica:
99 Internet Página do curso de otimização estocástica lecionado na PUC-Rio em : hjbortol/disciplinas/2006.1/soe/ Página da comunidade de otimização estocástica: Banco de artigos de otimização estocástica:
Uma Introdução à Otimização sob Incerteza Aula 3
Uma Introdução à Otimização sob Incerteza Aula 3 Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2 1 Departamento de Matemática Pontifícia Universidade Católica do Rio de Janeiro 2 Departamento
Leia maisBernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2
Uma Introdução à Otimização sob Incerteza Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2 1 Departamento de Matemática Pontifícia Universidade Católica do Rio de Janeiro 2 Departamento de Matemática
Leia maisBernardo Kulnig Pagnoncelli. Humberto José Bortolossi. Departamento de Matemática Aplicada Universidade Federal Fluminense
Uma Introdução àotimização sob Incerteza Humberto José Bortolossi Departamento de Matemática Aplicada Universidade Federal Fluminense Bernardo Kulnig Pagnoncelli Departamento de Matemática Pontifícia Universidade
Leia mais3. Otimização sob Incerteza
3. Otimização sob Incerteza Os problemas de otimização tentam resolver, de forma eficiente, situações do mundo real por meio de modelos matemáticos que utilizam parâmetros incertos. Pode-se encontrar na
Leia maisABORDAGEM ESTOCÁSTICA COM RECURSO EM DOIS ESTÁGIOS APLICADA A UM PROBLEMA DE PROGRAMAÇÃO LINEAR SUJEITOS A INCERTEZAS
ABORDAGEM ESTOCÁSTICA COM RECURSO EM DOIS ESTÁGIOS APLICADA A UM PROBLEMA DE PROGRAMAÇÃO LINEAR SUJEITOS A INCERTEZAS Geovana Aparecida França dos Santos Universidade Estadual do Paraná Campus de Campo
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 1 Leitura obrigatória: Devore, 3.1, 3.2 e 3.3 Chap 5-1 Objetivos Nesta parte, vamos aprender: Como representar a distribuição
Leia maisOtimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Leia maisMáximos e mínimos em intervalos fechados
Universidade de Brasília Departamento de Matemática Cálculo 1 Máximos e mínimos em intervalos fechados No texto em que aprendemos a Regra da Cadeia, fomos confrontados com o seguinte problema: a partir
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Forma geral de um problema Em vários problemas que formulamos, obtivemos: Um objetivo de otimização
Leia maisQuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Análise de Decisão. Métodos Quantitativos 2004/2005.
QuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Análise de Decisão Métodos Quantitativos 2004/2005 João Moura Pires Sumário Introdução Tomada de decisão sem experimentação
Leia maisControle Ótimo - Aula 2 (Exemplos 2, 3 e 4)
Controle Ótimo - Aula 2 (Exemplos 2, 3 e 4) Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Sistemas dinâmicos discretos no tempo O Problema
Leia maisControle Ótimo - Aula 10 Princípio do Mínimo de Pontryagin
Controle Ótimo - Aula 10 Princípio do Mínimo de Pontryagin Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo
Leia maisControle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Leia maisAtualmente uma das maiores preocupações do Sr. Macedo é com o nível de estoque do coco
1 GERENCIANDO SISTEMAS DE ESTÁGIO ÚNICO O Caso do Quiosque O CASO DO QUIOSQUE O Sr. Macedo possui autorização da prefeitura do Rio de Janeiro para explorar comercialmente um particular quiosquenaorladacidadeondeo
Leia maisPESQUISA OPERACIONAL. Fabiano F. T. dos Santos. Instituto de Matemática e Estatística
PESQUISA OPERACIONAL Fabiano F. T. dos Santos Instituto de Matemática e Estatística Dualidade em Programação Linear Todo problema de programação linear, que chamaremos de primal, traz consigo um segundo
Leia maisEstruturando o Fluxo Puxado O Caso do Quiosque
1 O CASO DO QUIOSQUE GERENCIANDO SISTEMAS DE ESTÁGIO ÚNICO O Caso do Quiosque O Sr. Macedo possui autorização da prefeitura do Rio de Janeiro para explorar comercialmente um particular quiosque na orla
Leia maisEAD Simulação. Aula 3 Parte 1: Framework. Profa. Dra. Adriana Backx Noronha Viana
EAD0652 - Simulação Aula 3 Parte 1: Framework Profa. Dra. Adriana Backx Noronha Viana Situação Problema 2 Exemplo Simulação Monte Carlo Um vendedor de jornais deve decidir quantos jornais ele deve comprar
Leia maisBernardo Kulnig Pagnoncelli. Humberto José Bortolossi. XI Simpósio de Pesquisa Operacional e Logística da Marinha
Uma Introdução à Otimização sob Incerteza Humberto José Bortolossi Departamento de Matemática Aplicada Universidade Federal Fluminense Bernardo Kulnig Pagnoncelli Departamento de Matemática Pontifícia
Leia mais5 Decisão Sob Incerteza
5 Decisão Sob Incerteza Os problemas de decisão sob incerteza são caracterizados pela necessidade de se definir valores de variáveis de decisão sem o conhecimento prévio da realização de parâmetros que,
Leia mais7 Resultados. 7.1 Descrição do Caso Estudado
7 Resultados O modelo de programação estocástica e de programação robusta desenvolvidos foram utilizados em um estudo sobre a cadeia integrada de petróleo brasileira. Neste capítulo será apresentada uma
Leia maisEAD 350 Pesquisa Operacional Aula 01 Parte 2
EAD 350 Pesquisa Operacional Aula 01 Parte 2 Profa. Daielly M. N. Mantovani Profa. Adriana Backx Noronha Viana Prof. Cesar Alexandre de Souza daielly@usp.br FEA/USP Elaboração de Modelos de PO Definição
Leia maisEstatística Aplicada I
Estatística Aplicada I ESPERANCA MATEMATICA AULA 1 25/04/17 Prof a Lilian M. Lima Cunha Abril de 2017 EXPERIMENTO RESULTADOS EXPERIMENTAIS VARIÁVEL ALEATÓRIA X = variável aleatória = descrição numérica
Leia maisEAD 350 Pesquisa Operacional Aula 01 Parte 2
EAD 350 Pesquisa Operacional Aula 01 Parte 2 Prof. Adriana Backx Noronha Viana (Material: Prof. Cesar Alexandre de Souza) backx@usp.br FEA/USP Problema... Vocês foram contratados pela Wyndor Glass Company
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 - Distribuições Contínuas (Parte 01) Leitura obrigatória: Devore, Capítulo 4 Cap 6-1 Objetivos Nesta aula, vamos aprender: Representações de uma v. a. contínua: função
Leia mais3 Otimização Sob Incerteza
3 Otimização Sob Incerteza Os problemas de otimização tentam resolver de forma eficiente situações do mundo real através de modelos matemáticos e comumente estão associados a parâmetros incertos, como
Leia maisMarina Andretta. 02 de agosto de 2010
Introdução Marina Andretta ICMC-USP 02 de agosto de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 02 de agosto de 2010 1 / 19 Otimização Otimizar significa encontrar a melhor maneira
Leia maisProf.: Eduardo Uchoa.
Análise de sensibilidade Prof.: Eduardo Uchoa http://www.logis.uff.br/~uchoa/poi 1 Análise de Sensibilidade Uma vez que já se tenha resolvido um PL, existem técnicas para avaliar como pequenas alterações
Leia maisAULA 1 - Modelos determinísticos vs Probabiĺısticos
AULA 1 - Modelos determinísticos vs Probabiĺısticos Susan Schommer Econometria I - IE/UFRJ O que é Econometria? Aplicação de métodos estatísticos e matemáticos para analisar os dados econômicos, com o
Leia maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisAula 13: Branch-and-bound
Aula 13: Branch-and-bound Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Modelagem em PI / Problemas Combinatórios
Leia mais1 A Equação Fundamental Áreas Primeiras definições Uma questão importante... 7
Conteúdo 1 4 1.1- Áreas............................. 4 1.2 Primeiras definições...................... 6 1.3 - Uma questão importante.................. 7 1 EDA Aula 1 Objetivos Apresentar as equações diferenciais
Leia maisPROBLEMAS DE OPTIMIZAÇÃO
PROBLEMAS DE OPTIMIZAÇÃO EXTREMOS: MÁXIMOS E MÍ IMOS As questões de optimização estão relacionados com a escolha da melhor alternativa para a resolução de um problema com base em critérios particulares.
Leia maisAulas 2 e 3 - Modelos de Programação Linear
Aulas 2 e 3 - Modelos de Programação Linear Pesquisa Operacional I Prof. Marcos Roboredo marcos.producao.uff@gmail.com http://www.logis.uff.br/~roboredo/po1.html Programação Matemática Um modelo de programação
Leia maisMatemática Aplicada em C. Contábeis/Mário FUNÇÃO QUADRÁTICA
FUNÇÃO QUADRÁTICA Definição A função f: R R dada por f(x) = ax² + bx + c, com a, b, c reais e a 0, denomina-se função quadrática. Exemplos: f(x) = x² - 4x 3 (a = 1, b = -4, c = -3) f(x) = x² - 9 (a = 1,
Leia maisEAD Simulação. Aula 2 Parte 2: Tipos de Simulação. Profa. Dra. Adriana Backx Noronha Viana
EAD0652 - Simulação Aula 2 Parte 2: Tipos de Simulação Profa. Dra. Adriana Backx Noronha Viana Tipos de Simulação Pergunta relacionada ao que se está simulando): O problema a ser considerado na simulação
Leia maisProgramação Dinâmica Estocástica
Programação Dinâmica Estocástica Processos de Decisão Estocástica Multiestágios Um processo de decisão multiestágios é estocástico, se o resultado associado a pelo menos uma decisão do processo é aleatório.
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Variáveis Aleatórias Contínuas 14/10 1 / 25 VALE A PENA VER DE NOVO:Variáveis Aleatórias
Leia maisPCC173 - Otimização em Redes
PCC173 - Otimização em Redes Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 15 de maio de 2017 Marco Antonio M. Carvalho
Leia maisCÁLCULO I. Lista Semanal 01 - Gabarito
CÁLCULO I Prof. Tiago Coelho Prof. Emerson Veiga Questão 1. Esboce as seguintes regiões no plano xy: (a) 0 < x 6. A região representa todas os pontos onde x assume valores entre 0 e 6, sendo aberto em
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisRepresentação de poliedros
Representação de poliedros Marina Andretta ICMC-USP 8 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 -
Leia maisAula 07: Análise de sensibilidade (2)
Aula 07: Análise de sensibilidade (2) Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously Aulas anteriores: Dualidade
Leia maisEAD Simulação. Aula 5 Parte 2: Geração de Variável Aleatória com Distribuição Normal. Profa. Dra. Adriana Backx Noronha Viana
EAD0652 - Simulação Aula 5 Parte 2: Geração de Variável Aleatória com Distribuição Normal Profa. Dra. Adriana Backx Noronha Viana Tipo de Variável x Tipo de Distribuição Distribuição Tipo de Variável Discreta
Leia maisPESQUISA OPERACIONAL -PROGRAMAÇÃO LINEAR. Prof. Angelo Augusto Frozza, M.Sc.
PESQUISA OPERACIONAL -PROGRAMAÇÃO LINEAR Prof. Angelo Augusto Frozza, M.Sc. ROTEIRO Esta aula tem por base o Capítulo 2 do livro de Taha (2008): Introdução O modelo de PL de duas variáveis Propriedades
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 19 de Maio de 2011 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística. Curso: Engenharia de Produção
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia maisConsidere a função f(x). Para algum x a f (x) pode não existir. Suponha que. Max f(x) s. a a x b
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia maisCurso Profissional de Nível Secundário
Curso Profissional de Nível Secundário Técnico Auxiliar de Saúde 2 TAS Ano Letivo: 2014/2015 Matemática (200 horas) 11º Ano PLANIFICAÇÃO A LONGO PRAZO A7 Probabilidades Fenómenos aleatórios. 2 aulas Argumento
Leia maisPesquisa Operacional Aula 4 Solução Gráfica em Programação Linear
Pesquisa Operacional Aula 4 Solução Gráfica em Programação Linear Prof. Marcelo Musci aula@musci.info www.musci.info Aplicável para modelos com 02 variáveis de decisão Útil para a ilustração de alguns
Leia maisInterpolação polinomial
Cálculo Numérico Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Motivação: População do Brasil Ano População (milhões) 1960 70, 992343 1970 94, 508583 1980
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisExemplo: Monopólio de segundo grau
Notas de Aula - Teoria dos Jogos - FCE/UERJ 2016.2 (Versão preliminar - favor não circular) Professor Pedro Hemsley Horário: xxxx Sala: xxxx Ementa e informações relevantes: página do curso 1 Seleção Adversa
Leia maisVar como uma medida de risco para modelos de estoque
Var como uma medida de risco para modelos de estoque José Roberto Securato Departamento de Administração da FEA-US e-mail: securato@usp.br atrícia rado Belfiore Escola olitécnica da US e-mail: patricia.belfiore@poli.usp.br
Leia maisA2 - Microeconomia II - EPGE/FGV - 2S2011. Leia as questões atentamente e confira as suas respostas ao final. Boa Prova!!!!
Professor: Angelo Polydoro A2 - Microeconomia II - EPGE/FGV - 2S2011 Monitor: Bruno Donna Mendonça Leia as questões atentamente e confira as suas respostas ao final. Boa Prova!!!! 1. O medicamento genérico
Leia maisELE2005: Análise Estratégica de Investimentos e de Decisões com Teoria dos Jogos e Jogos de Opções Reais.
ELE2005: Análise Estratégica de Investimentos e de Decisões com Teoria dos Jogos e Jogos de Opções Reais. Segunda Prova (P2) 12/12/2006 OBS: 1) A prova é SEM CONSULTA. A nota da prova é = mínimo{10; pontuação
Leia maisOtimização. Modelagem e Solução Gráfica. Paulo Henrique Ribeiro Gabriel Faculdade de Computação Universidade Federal de Uberlândia
Otimização Modelagem e Solução Gráfica Paulo Henrique Ribeiro Gabriel phrg@ufu.br Faculdade de Computação Universidade Federal de Uberlândia 2016/1 Paulo H. R. Gabriel (FACOM/UFU) GSI027 2016/1 1 / 49
Leia maisRisco de Portfólios em Múltiplas Frequências
Risco de Portfólios em Múltiplas Frequências Joana Ramos FCUP 25 de Janeiro de 2013 Joana Ramos (FCUP) Risco de Portfólios em Múltiplas Frequências 25 de Janeiro de 2013 1 / 26 Abstract Portfolio risk
Leia maisPESQUISA OPERACIONAL I
PESQUISA OPERACIONAL I Professor: Dr. Edwin B. Mitacc Meza edwin.professor@gmail.com www.engenharia-puro.com.br/edwin Objetivos A disciplina busca possibilitar ao Aluno: Fornecer conhecimentos de Pesquisa
Leia maisESCOLA SECUNDÁRIA DE LOUSADA
ESCOLA SECUNDÁRIA DE LOUSADA 2012 2013 PLANIFICAÇÃO DA DISCIPLINA DE MATEMÁTICA Curso Profissional de Técnico de Multimédia ELENCO MODULAR A7 Probabilidades 28 A6 Taxa de variação 36 A9 Funções de crescimento
Leia maisEAD Simulação. Aula 4 Geração de Variáveis Aleatórias. Profa. Dra. Adriana Backx Noronha Viana
EAD0652 - Simulação Aula 4 Geração de Variáveis Aleatórias Profa. Dra. Adriana Backx Noronha Viana Framework Estrutura para aplicação do processo de Simulação Saída Processamento Entrada Possibilidades
Leia maisAula 17: Princípios de Economia Urbana. Prof. Eduardo A. Haddad
Aula 17: Princípios de Economia Urbana Prof. Eduardo A. Haddad Introdução O que determina o preço da terra? Quem se beneficia de políticas públicas que aumentam a fertilidade ou acessibilidade da terra?
Leia mais5. Formulação Matemática do Modelo
5. Formulação Matemática do Modelo 5.1. Descrição do Problema O problema do gerenciamento de ativos e passivos de um investidor comum pode ser representado por um modelo complexo de programação linear
Leia maisAula 8: Complemento a Um e Complemento a Dois
Aula 8: Complemento a Um e Complemento a Dois Diego Passos Universidade Federal Fluminense Fundamentos de Arquiteturas de Computadores Diego Passos (UFF) Complemento a Um e Complemento a Dois FAC 1 / 40
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisO CÁLCULO DIFERENCIAL E INTEGRAL NAS RESOLUÇÕES DE PROBLEMAS DO COTIDIANO
O CÁLCULO DIFERENCIAL E INTEGRAL NAS RESOLUÇÕES DE PROBLEMAS DO COTIDIANO Mateus Rocha de Sousa Graduando do curso de Licenciatura da Universidade Federal de Campina Grande (UFCG) campus Cajazeiras, mtrochasousa@gmail.com
Leia maisBIE Ecologia de Populações
- Ecologia de Populações Roberto André Kraenkel http://www.ift.unesp.br/users/kraenkel Apontamentos de Cálculo e Integral Parte III Sumário 1 Sumário 1 2 Sumário 1 2 3 Sumário 1 2 3 4 Sumário 1 2 3 4 5
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisELE2005: Análise Estratégica de Investimentos e de Decisões com Teoria dos Jogos e Jogos de Opções Reais.
ELE2005: Análise Estratégica de Investimentos e de Decisões com Teoria dos Jogos e Jogos de Opções Reais. Segunda Prova (P2) 11/12/2007 OBS: 1) A prova é SEM CONSULTA. A nota da prova é = mínimo{10; pontuação
Leia maisDistribuições por Amostragem
Distribuições por Amostragem Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições por Amostragem 2007/2008 1 / 27 Introdução: População, amostra e inferência estatística
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisINTEGRAL DEFINIDA APLICAÇÕES. Aula 05 Matemática II Agronomia Prof. Danilene Donin Berticelli
INTEGRAL DEFINIDA APLICAÇÕES Aula 05 Matemática II Agronomia Prof. Danilene Donin Berticelli Variação Total Em certas aplicações práticas, conhecemos a taxa de variação Q (x) de uma grandeza Q(x) e estamos
Leia maisPESQUISA OPERACIONAL APLICADA A LOGÍSTICA
PESQUISA OPERACIONAL APLICADA A LOGÍSTICA Pós-Graduação em Logística e Supply Chain Valdick Sales 1 APRESENTAÇÃO Valdick sales Graduado em Ciência da Computação pela UFPE. Pós-Graduado em Redes e Banco
Leia maisTestes Formativos de Computação Numérica e Simbólica
Testes Formativos de Computação Numérica e Simbólica Os testes formativos e 2 consistem em exercícios de aplicação dos vários algoritmos que compõem a matéria da disciplina. O teste formativo 3 consiste
Leia maisANÁLISE DO PONTO DE EQUILÍBRIO. Aula 23
ANÁLISE DO PONTO DE EQUILÍBRIO Aula 23 Objetivos Ponto de Breakeven Análise de Breakeven de dois projetos Análise de Breakeven para um Único Projeto Dado P, F, A, i ou n Se um dos parâmetros for desconhecido,
Leia maisTeoria da Decisão. Slide 1. c 2002, 1998 Maria Antónia Carravilla FEUP
Teoria da Decisão Slide 1 Transparências de apoio à leccionação de aulas teóricas Versão 2 c 2002, 1998 Teoria da Decisão 1 Decisões A incerteza é muito mais a regra que a excepção, a única coisa que pode
Leia maisA TRANSFORMADA DE LAPLACE E ALGUMAS APLICAÇÕES. (UFG) RESUMO
A TRANSFORMADA DE LAPLACE E ALGUMAS APLICAÇÕES Fernando Ricardo Moreira 1, Esdras Teixeira Costa 2, Marcio Koetz 3, Samanta Andressa Santos Dumke Teixeira 4, Henrique Bernardes da Silva 5 1 Professor Mestre
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisProgramação Dinâmica (Determinística)
Programação Dinâmica (Determinística) 7. Um projecto constituído por três fases sequenciais tem que estar concluído em em dez dias. O número de dias necessário para completar cada uma das fases depende
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 12 Interpolação Parte 1 INTERPOLAÇÃO Cálculo Numérico 3/57 MOTIVAÇÃO A seguinte tabela relaciona densidade da água e temperatura:
Leia maisAula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo
Aula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464 / PCC174 Departamento de Computação - UFOP Breve Revisão Programação Linear vs Programação Inteira Modelagem
Leia mais2. DESIGUALDADES MATRICIAIS LINEARES
11 2. DESIGUALDADES MARICIAIS LINEARES Neste capítulo, introduziremos alguns conceitos básicos relacionados às Desigualdades Matriciais Lineares. Na seção 2.1, apresentamos uma introdução às LMI s; na
Leia maisMicroeconomia II. Estratégias de Preço. Varian Cap: 25 Carlton Cap: 9 & 10
Microeconomia II Estratégias de Preço Varian Cap: 25 Carlton Cap: 9 & 10 1. Discriminação de Preços Firmas em mercados competitivos são tomadoras de preço Firmas em mercados não competitivos podem discriminar
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisTeoria da Decisão. Introdução. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Apresentação Sumário
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Somas aleatórias Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Simulação de Sistemas Discretos É
Leia maisUNIVERSIDADE DE SÃO PAULO Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Departamento de Economia
REC110 MICROECONOMIA II EXERCÍCIOS SOBRE MONOPÓLIO, MONOPSÔNIO E DISCRIMINAÇÃO DE PREÇOS. ROBERTO GUENA DE OLIVEIRA 1. Uma empresa vende seu produto em dois mercados distintos. A demanda por esse produto
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisÁrea disponível para semear: A km 2 Tipo de plantação: trigo ou sevada Quantidade disponível de inseticida = P e fertilizante = F
Edgard Jamhour Área disponível para semear: A km 2 Tipo de plantação: trigo ou sevada Quantidade disponível de inseticida = P e fertilizante = F Quantidade de I e F necessária por unidade de área: Trigo:
Leia mais7 Imunização utilizando o modelo de imunização estocástica
139 7 Imunização utilizando o modelo de imunização estocástica No capítulo anterior apresentamos e definimos uma série de novos conceitos em duração e em imunização. odos estes conceitos teóricos servem
Leia maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisFunção de produção com dois fatores de produção
LCF 685 Função de produção com dois fatores de produção Exemplo: Dois fatores de produção combinados em diferentes níveis resultam em diferentes níveis de produção. Estes diferentes níveis de produção
Leia maisINTRODUÇÃO À PESQUISA OPERACIONAL
INTRODUÇÃO À PESQUISA OPERACIONAL ** Decisão com Incerteza Parte 1 ** Profa. Vitória Pureza 2º Semestre Roteiro Critérios de Decisão em Situações de Incerteza Teoria de Utilidade Axiomas de Von Neumann-Morgenstern
Leia maisÍndice. AULA 5 Derivação implícita 3. AULA 6 Aplicações de derivadas 4. AULA 7 Aplicações de derivadas 6. AULA 8 Esboço de gráficos 9
www.matematicaemexercicios.com Derivadas Vol. 2 1 Índice AULA 5 Derivação implícita 3 AULA 6 Aplicações de derivadas 4 AULA 7 Aplicações de derivadas 6 AULA 8 Esboço de gráficos 9 www.matematicaemexercicios.com
Leia maisMarina Andretta. 10 de outubro de Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis.
Solução básica viável inicial Marina Andretta ICMC-USP 10 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211
Leia mais