Questões de Concurso Para analista de pesquisa operacional júnior

Na Análise de Séries Temporais, tem-se uma técnica de ajuste de dados experimentais a um modelo empírico composto por uma equação de diferenças. Uma possível formulação é tal que os dados atuais (t = k) sejam uma combinação linear de p dados passados (z_k-1,...z_k-p) ponderados por coeficientes (b₁,...b_p) gerando uma equação do tipo

zk = ∑_{i =1,p}  b_iz_k-i + r_k
onde r_k é uma variável aleatória gaussiana. Essa formulação para Séries Temporais é

A Análise de Séries Temporais consiste no estudo de sequências numéricas, que são realizações de Processos Estocásticos. Um processo estocástico é considerado

Um importante indicador da qualidade do modelo de regressão, obtido com a aplicação do Método dos Mínimos Quadrados, é o coeficiente de determinação, que é

O erro desse ajuste pode ser avaliado através do “erro padrão da estimativa”, dado por
Assim, a melhor aproximação para o erro padrão da estimativa é

O Método dos Mínimos Quadrados determinará para os parâmetros a e β valores que são, respectivamente, aproximados por

A determinação dos coeficientes a e β é feita através da minimização da seguinte função-objetivo:

Um serviço de atendimento, que se inicia às 9 h, tem uma única fila para atendimento por um único servidor. O intervalo (em minutos) entre a chegada de dois clientes é uma variável aleatória uniformemente distribuída entre 0 e 4, e o tempo (em minutos) de atendimento pelo servidor é uma variável aleatória distribuída uniformemente entre 5 e 10. No quadro a seguir, é apresentado o resultado de uma simulação com essas variáveis.



Por exemplo, o primeiro cliente chega às 9 h 2 min, é atendido durante 5 min e, portanto, sai do sistema às 9 h 7 min. O segundo cliente chega 1 min após a chegada do primeiro cliente, e o servidor irá consumir 10 min em seu atendimento. O cliente que aguardará na fila mais tempo para ser atendido irá esperar

Um serviço de atendimento, que se inicia às 9 h, tem uma única fila para atendimento por um único servidor. O intervalo (em minutos) entre a chegada de dois clientes e o tempo (em minutos) de atendimento pelo servidor são variáveis aleatórias distribuídas uniformemente entre 0 e 10. No quadro a seguir, é apresentado o resultado de uma simulação com essas variáveis.



Por exemplo, o primeiro cliente chega às 9 h 1 min, é aten-5 min após a chegada do primeiro cliente e o servidor irá consumir 8 min em seu atendimento. Nesse processo de simulação, o quarto cliente sairá do sistema às (A) 9 h 22 min

Com base em dados históricos, verifica-se que, se uma linha de produção apresenta um índice de falhas inferior a 5% em determinado dia, a probabilidade de operar com mesmo nível de qualidade no dia seguinte é de 80%. Por outro lado, se opera com índice de falhas igual ou superior a 5% em algum dia, a probabilidade de voltar a operar com índice inferior a 5% no dia seguinte é de, apenas, 30%. Se, na simulação desse processo, verifica-se que a probabilidade de estar operando com índice de falhas inferior a 5% em algum dia é de 70%, a probabilidade de assim estar operando dois dias depois é de

Na simulação da operação de uma planta industrial, supõe-se que ela pode apresentar dois estados: ou operou normalmente ou operou com alguma anomalia. Se um dia operou normalmente, a probabilidade de apresentar alguma anomalia no dia seguinte é 70%. Quando um dia operou com alguma anomalia, a probabilidade de operar normalmente no dia seguinte é 60%. Independente de como esteja operando atualmente, após muitos dias de operação, a probabilidade de concluir um dia operando normalmente é de, aproximadamente,

O tempo entre as ocorrências de emergências e o tempo consumido para resolvê-las pelo especialista são usualmente modelados por Distribuições Exponenciais. Se, em média, o tempo entre ocorrências é de 6h e, em média, o tempo necessário para o especialista solucioná-las é de 3h, então

As técnicas de simulação são muito importantes em uma grande variedade de projetos quando estes apresentam cálculos muito complexos ou experimentos reais muito dispendiosos. Na base da simulação, tem-se a necessidade de geração de números pseudoaleatórios, quando as duas principais preocupações são: (1) um possível número deve ter a mesma probabilidade de ocorrer que qualquer outro dentre os demais possíveis números e (2) deve existir independência entre as ocorrências, isto é, a probabilidade de ocorrência de um número não deve ser afetada pelas eventuais ocorrências dos demais possíveis números. Os métodos de geração mais adotados na prática são: congruência mista (mixed congruential method), congruência multiplicativa (multiplicative congruential method) e congruência aditiva (additive congruential method). Considere os números inteiros K, L, M e N, tais que: 0 < K < M; 0 < L < M e N = 1, 2, 3... Para serem gerados números pseudoaleatórios entre 0 e M-1, inicia- se com uma semente X₀ aleatoriamente escolhida e adota-se a relação de recorrência X_N+1 = f(X_N, X_N-1, K,L)(módulo M), isto é, X_N+1 é o resto da divisão de f(X_N, X_N-1,K,L) por M. Nessas condições, quando

As ocorrências diárias de situações de emergência em uma instalação industrial são aleatórias e usualmente consideradas independentes umas das outras. Dessa forma, o modelo mais adequado para a simulação dos instantes de ocorrências é a Distribuição de Poisson e, consequentemente, os intervalos entre as ocorrências obedecem à Distribuição Exponencial. Na prática, observa-se que o tempo dedicado por um engenheiro à solução de cada emergência é bem modelado também pela Distribuição Exponencial. Esses são alguns dos motivos para que, em simulação desses processos de atendimento, o tempo (T) entre ocorrências e o tempo (T) de tratamento das mesmas sejam modelados por Distribuições Exponenciais que, entre outros aspectos, têm a propriedade denominada “ausência de memória” que (para quaisquer t > 0 e a > 0) é traduzida por:

Uma rede de seis localidades é composta por dois fornecedores de determinado produto (localidades 1 e 2), dois centros consumidores desse produto (localidades 3 e 4) e duas localidades (5 e 6), onde ocorre apenas transbordo, isto é, passagem do produto, sem retenção. Considere a seguinte notação: Qij = quantidade de produto fluindo da localidade i para a localidade j; Cij = custo de transportar cada unidade desse produto de i para j; Tij = quantidade máxima transportável da localidade i para a j; Pi = quantidade de produto disponível no fornecedor i (se positiva) ou demandada pelo consumidor i (se negativa). No caso das localidades 5 e 6 onde ocorre apenas o transbordo, tem-se Pi = 0. Se o objetivo for determinar o menor custo possível para o fluxo do produto na rede dos fornecedores 1 e 2 para os consumidores 3 e 4, eventualmente passando pelas localidades 5 e 6, devem ser observadas as seguintes restrições para todo i e todo j:

No caso das duas concorrentes (ABC e XYZ), adotando- se o método de eliminação sequencial de estratégias dominadas, básico no contexto da Teoria dos Jogos, conclui- se que a empresa ABC

No caso de duas concorrentes (ABC e XYZ) que apresentam esse quadro de estratégias no contexto da Teoria dos Jogos, verifica-se que, para a empresa ABC,

No contexto da Teoria dos Jogos, verifica-se que, para a empresa XYZ,

Em Teoria dos Jogos, uma das clássicas hipóteses é de que os jogadores tomem decisões

Existem algoritmos de busca local estocástica em que a função passo está implementada em dois estágios. No primeiro estágio, uma solução vizinha s’ da solução candidata corrente s é selecionada uniformemente e depois é aceita, ou não, de acordo com a função de probabilidade: p(T,s,s’) = 1, se f(s’)  ≤ f(s); ou p(T,s,s’) = exp( (f(s)-f(s’))/T ), caso contrário, onde T é um parâmetro denominado temperatura e f é a função avaliação. Quanto ao emprego desse critério, conhecido como condição de Metropolis, tem-se que

Sejam S o conjunto de busca, N a relação de vizinhança e g a função avaliação. De um pseudoalgoritmo de busca local estocástica retiram-se os seguintes comandos:

determine N(s) = {s’ ∈ S | (s, s’) ∈ N};

determine I*(s) = {s’  ∈ N(s) | g(s’) = g*}, onde g* = min{g(s’) | s’ ∈ N(s)}; s’:= escolha aleatória segundo uma distribuição uniforme em I*(s) não vazio.

Uma alternativa para aumentar a rapidez dos algoritmos de busca local estocástica é selecionar o próximo passo de maneira mais eficiente. Neste contexto, o mecanismo de seleção do passo de busca do algoritmo, cujos comandos foram destacados acima, usa a estratégia de seleção