Este trabalho trata da análise do impacto do agrupamento de pontos de demanda na qualidade da solução de problemas de localização. Foram desenvolvidos dois conjuntos de dados com localizações reais de farmácias no Brasil, a partir dos quais 18 instâncias do problema de localização de instalações com custo fixo foram criadas. São propostos dois métodos de agrupamentos de pontos de demanda: um que considera os limites geográficos do município e outro que emprega o algoritmo K-Means. Constatou-se que as soluções dos problemas com demanda agregada por município apresentam diferenças de 0,43%, enquanto os problemas com demanda agregada por K-Means apresentam diferenças de no máximo 0,03% com relação ao problema desagregado. Para identificar os municípios nos quais a alocação da demanda pudesse ser diferente entre os modelos agregados e o desagregado, utilizou-se o algoritmo DBSCAN Density Based Spatial Clustering of Applications with Noise. Para analisar se o DBSCAN identifica adequadamente essas regiões, foram selecionadas quatro instâncias, sendo duas de cada conjunto. Em 3 das 4 instâncias analisadas, observou-se que o DBSCAN identificou as regiões do espaço nas quais a alocação de demanda é diferente entre modelos agregados e desagregados. Nestas mesmas instâncias, também se observou que as diferenças nos custos de transporte variam entre -84,99% e 662,90% no agrupamento por município e -23,25% e 110,31% no agrupamento por K-Means.

This thesis analyses the impact in the quality of solution for location problems with aggregated demand points. Two datasets containing the location of drugstores in Brazil were developed, and 18 instances of the fixed cost facility location problem were created. Two aggregation methods are proposed: aggregating demand points regarding the municipality boundary or using the K-Means algorithm. The models solutions with aggregated demand points by municipality showed a 0,43% difference in the objective function value at most, while the difference using K-Means algorithm was 0,03% at most. To identify the municipalities where differences in the allocation of unaggregated and aggregated models are different, DBSCAN (Density Based Spatial Clustering of Applications with Noise) algorithm was used. To identify whether DBSCAN properly identified these regions, four instances were selected, two from each dataset were selected. For 3 out of 4 instances, DBSCAN identified properly the location of demand points allocated to different facilities. For the same instances, the differences on transportation costs between aggregated and unaggregated problems range between -84,99% to 662,90% for demand points aggregated by municipality, and between -23,25% and 110,31% using K-Means clustering.