Otimização de lucro em linha de produção de rádios

PROGRAMAÇ ÃO LINEAR
Aplicada a Pesquisa Operacional
André Gustavo de A. Santos

SUMÁRIO
1 Programa¸cão Linear e Pesquisa Operacional 5
1.1 Fases da Pesquisa Operacional . . . . . . . . . . . . . . . . . . . . . . . 6
2 Modelos Matemáticos em Programa¸cão Linear 7
2.0.1 Generaliza¸cão do Modelo em Programa¸cão Linear . . . . . . . . 9
3 Resolu¸cão Gráfica de Modelos 11
3.1 Representa¸cão Gráfica de Uma Inequa¸cão . . . . . . . . . . . . . . . . . 11
3.1.1 Conjuntos Convexos . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.2 Discussão Gráfica de Modelos . . . . . . . . . . . . . . . . . . . 13
3.1.3 O Método Gráfico . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.1.4 Esbo¸co da Fun¸cão Objetivo . . . . . . . . . . . . . . . . . . . . 20
3.1.5 Interpreta¸cão Gráfica Vértice a Vértice . . . . . . . . . . . . . . 22
4 Método Simplex 23
4.1 Descri¸cão de um Método para Maximiza¸cão . . . . . . . . . . . . . . . 23
4.1.1 Aplica¸cão do Método Simplex: Problema de Aloca¸cão (Rádios
Standard e Rádios Luxo): . . . . . . . . . . . . . . . . . . . . . 30
4.2 Solu¸cões Degeneradas, Ilimitadas e Múltiplas . . . . . . . . . . . . . . . 34
4.2.1 Critérios Para Aplica¸cão do Simplex . . . . . . . . . . . . . . . 40
4.2.2 De Volta Para Modelo Original . . . . . . . . . . . . . . . . . . 41
4.2.3 Método da Fun¸cão Objetivo Auxiliar . . . . . . . . . . . . . . . 41
5 Dualidade 46
5.1 Problema Primal × Problema Dual: . . . . . . . . . . . . . . . . . . . . 47
5.1.1 Algor´ıtmo de Transforma¸cão do Primal Para Dual . . . . . . . . 50
5.1.2 Análise Econômica do Dual: . . . . . . . . . . . . . . . . . . . . 55
3

6 Análise de Sensibilidade 59
6.0.1 Aplica¸cão da Análise de Sensibilidade: Intervalo de Estabilidade
do Recurso I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
do Recurso II . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
para os Coeficientes da Fun¸cão Objetivo . . . . . . . . . . . . . 63
6.0.4 Aplica¸cão da Análise de Sensibilidade: Mudan¸ca no Coeficiente
de uma Restri¸cão . . . . . . . . . . . . . . . . . . . . . . . . . . 65
7 Transportes 66
7.1 Rela¸cão entre Redes e Transporte . . . . . . . . . . . . . . . . . . . . . 67
7.2 Sistemas Equilibrados e Não Equilibrados . . . . . . . . . . . . . . . . 68
7.3 Modelo para Transporte . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7.4 Solu¸cão Básica Inicial para Transportes . . . . . . . . . . . . . . . . . . 71
7.4.1 Método do Canto Noroeste . . . . . . . . . . . . . . . . . . . . . 72
8 Pesquisa Operacional no Excel - Solver 73
9 Coletânea de Exerc´ıcios 74
4

CAPÍTULO 1
PROGRAMAÇ ÃO LINEAR E PESQUISA OPERACIONAL
O estudo de Pesquisa Operacional teve seu inicio durante a Segunda Guerra Mundial,
seu desenvolvimento se deu com o intuito principal de decidir sobre a forma mais eficaz
de utiliza¸cão dos recursos limitados durante a guerra. Portanto, o que denominamos de
Pesquisa Operacional é a atividade desenvolvida com o intuito de suprir necessidades
urgentes na aloca¸cão de recursos escassos nas opera¸cões militares.
O primeiro programa formal de estudos da Pesquisa Operacional ocorreu em 1948, no
Massachusetts Institute of Technology nos Estados Unidos, que culminou com um apri-
moramento das técnicas e grandes avan¸cos na resolu¸cão de problemas de programa¸cão
linear. É Nesse cenário, que surge um dos 5 algoritmos mais importantes do mundo,
o Método Simplex, desenvolvido por George Dantzig em 1947, que com o aux´ılio da
Programa¸cão Linear, tem o intuito de resolver problemas diversos relacionados a ali-
menta¸cão, industrias petrol´ıferas e moveleiras, agricultura, manufatura, siderurgia, me-
talurgia e transportes.
5

1.1 Fases da Pesquisa Operacional
Não existe um número de fases espec´ıfico para a resolu¸cão de um problema em Pes-
quisa Operacional, isso depende da complexidade do problema que o decisor tem em
mão, contudo, geralmente, o que se deseja é maximizar ou minimizar alguma coisa,
portanto, o objetivo é chegar na solu¸cão que otimiza o problema, a seguir, serão apre-
sentadas algumas etapas que são essenciais nesse processo, com a certeza de que tal
exposi¸cão dará um norte do caminho a ser seguido pelo leitor.
a) Defini¸cão do Problema: é uma fase que se baseia em três aspectos:
(I) Identifica¸cão das variáveis de decisão
(II) Descri¸cão e defini¸cão dos objetivos, bem como o reconhecimento das limita¸cões
(III) Restri¸cões e exigências do sistema.
A resolu¸cão do problema come¸ca pela defini¸cão dos objetivos que pode ser de: maxi-
miza¸cão ou minimiza¸cão de alguma coisa. O segundo ponto é determinar as variáveis
de decisão que estão relacionadas aos objetivos. Por último, deve ser identificada as
limita¸cões do problema ou exigências do mesmo.
b) Constru¸cão do Modelo: o modelo deve estar atrelado a defini¸cão do problema.
essa é a fase que exige mais aten¸cão do decisor, uma vez que a qualidade de todo o
processo depende desta etapa. Os modelos matemáticos são muito utilizados pelas
empresas em seus processos decisórios.
c) Solu¸cão do Modelo: O objetivo aqui é encontrar uma solu¸cão para o modelo
proposto através de técnicas especificas, tais como:
Análise Gráfica
Método Simplex
Análise de Sensibilidade
Dualidade
Simula¸cão, dentre outras.
d) Valida¸cão do Modelo: Um modelo é válido quando for capaz de predizer um
comportamento aceitável do sistema e uma resposta para a qualidade da decisão a
ser tomada. Um sistema pode ser validado por meio da análise de dados retirados
do próprio sistema, bem como da utiliza¸cão desses dados para verificar se o sistema
reproduziu comportamento parecido.
e) Implementa¸cão do Modelo: Nessa fase, a solu¸cão será apresentada ao admi-
nistrador. A implementa¸cão deve ser acompanhada observando comportamento do
sistema como solu¸cão adotada, algum ajuste pode ser requerido.
6

CAPÍTULO 2
MODELOS MATEMÁTICOS EM PROGRAMAÇ ÃO
LINEAR
Os modelos matemáticos são representa¸cões simplificadas da realidade, por isso, não
traduz fielmente um problema de pesquisa operacional, contudo, proporciona os parâmetros
necessários para o entendimento eficaz dos conceitos mais elementares de PL. No in-
tuito de lan¸car luz aos primeiros passos a serem seguidos no processo de modelagem,
vamos sugerir aqui um roteiro com base nos seguintes procedimentos:
1) Determina¸cão das Variáveis de Decisão: Para identificar as variáveis de de-
cisão recomenda-se passar pelas seguintes etapas:
Identifique qual o objetivo do problema, fa¸ca a pergunta: O que se deseja
maximizar ou minimizar? As respostas são as variáveis de decisão.
Seja preciso com as unidades, tais como: moeda, tempo etc.
Obs. Cuidado para não confundir as variáveis de decisão com os parâmetros do pro-
blema ou com o número de máquinas da fábrica ou mesmo com a quantidade de cada
recurso usado na fabrica¸cão de um produto etc.
2) Determina¸cão das Restri¸cões: Restri¸cões t´ıpicas incluem a existência de li-
mites sobre quantidades de recursos dispon´ıveis (colaboradores, máquinas, or¸camento,
matérias primas, etc.) Cada restri¸cão imposta na descri¸cão do sistema deve ser ex-
pressa como uma rela¸cão linear (igualdade ou desigualdade), montadas com as variáveis
de decisão. É importante enfatizar que todas as expressões mencionadas devem estar
de acordo com a hipótese principal da PL, pois todas as rela¸cões entre variáveis devem
ser lineares. Isso implica diretamente na proporcionalidade das contribui¸cões envolvi-
das, pois a contribui¸cão individual de cada variável é estritamente proporcional a seu
valor, assim como a aditividade dessas contribui¸cões, pois o total de todas as variáveis
é igual a soma das contribui¸cões individuais, independentemente dos valores delas.
7

3) Determina¸cão da Fun¸cão Objetivo: Em rela¸cão é fun¸cão objetivo, a Pro-
grama¸cão Operacional busca encontrar o melhor que pode ser realizado com o que se
tem dispon´ıvel, ou seja, se busca maximizar algo como lucro ou eficiência ou minimi-
zar algo como custo ou tempo. Nos modelos de Programa¸cão Linear existe apenas um
objetivo, mas é poss´ıvel, em outras áreas de P.O estudos com múltiplos objetivos. A
fun¸cão objetivo mede a eficiência do sistema para cada solu¸cão proposta.
Para melhor elucida¸cão do que foi dito, vamos ver um exemplo de um problema de
aloca¸cão em Programa¸cão Linear como motivador:
Aloca¸cão de Recursos: Uma fábrica de rádios possui duas linhas de produ¸cão:
rádios standard e rádios luxo. Com rela¸cão aos rádios standard, sabe-se que sua linha
de produ¸cão comporta um máximo de 24 operários, sendo que um operário produz um
rádio por dia e cada rádio fornece um lucro de R$ 30,00. Para os rádios luxo, a linha
de produ¸cão comporta um máximo de 32 operários sendo que dois operários produzem
um rádio por dia e cada rádio fornece um lucro de R$ 40,00. Além disso, a fábrica
possui um total de 40 operários a serem alocados nas duas linhas de produ¸cão. Dê um
modelo que maximize o lucro diário da fábrica.
Solu¸cão: Definido o problema, vamos construir o modelo seguindo o roteiro sugerido
anteriormente:
a) Determina¸cão das variáveis de decisão: Qual o objetivo do problema? A res-
posta é natural, Maximizar o lucro diário da produ¸cão de rádios standard e luxo. Note
que a resposta fornece as variáveis de decisão:
x1 −→ Quantidade de produ¸cão diária dos rádios standard;
x2 −→ Quantidade de produ¸cão diária dos rádios luxo;
Observe que cada variável de decisão assume valores inteiros e não negativos, pois elas
representam unidades de produtos. Portanto, x1 ≥ 0 e x2 ≥ 0 .
b) Determina¸cão das restri¸cões: Nessa fase, devemos estabelecer as restri¸cões do
problema. Para isso, voltemos ao texto para responder as perguntas (1) e (2).
(1) Qual a capacidade máxima diária da linha de produ¸cão dos rádios standard? já sa-
bemos que, com rela¸cão aos rádios standard, a linha de produ¸cão comporta um máximo
de 24 operários, sendo que um operário produz um rádio por dia, ou seja:
1 rádio por dia Restri¸cão Recursos Dispon´ıveis (mão de obra)
x1 ≤ 24
(2) Qual a capacidade máxima diária da linha de produ¸cão dos rádios luxo? Com
rela¸cão aos rádios standard, a linha de produ¸cão comporta um máximo de 32 operários,
sendo que são necessários dois operários para produzir um rádio por dia, ou seja:
1 rádio por dia Restri¸cão Recursos Dispon´ıveis (mão de obra)
2x2 ≤ 32
8

O problema ainda informa que a fábrica possui um total de 40 operários a serem
alocados nas duas linhas de produ¸cão. O que nos fornece a seguinte restri¸cão:
Soma das Produ¸cões Restri¸cões Recursos Dispon´ıveis (mão de obra)
x1 + 2x2 ≤ 40
O próximo passo é determinar a soma das contribui¸cões para o lucro da fábrica na
produ¸cão dos dois tipos de rádio.
c) Determina¸cão da Fun¸cão Objetivo: Queremos maximizar o lucro diário da
produ¸cão de rádios standard e luxo. Cada rádio standard contribui com um lucro de
R$ 30,00 e cada rádio luxo contribui com um lucro de R$ 40,00, então L(x1, x2) =
30x1 + 40x2.
Em resumo, o modelo é dado por:
MaxZ = 30x1 + 40x2
sujeito a :



x1 ≤ 24
2x2 ≤ 32
x1 + 2x2 ≤ 40
x1 ≥ 0, x2 ≥ 0
2.0.1 Generaliza¸cão do Modelo em Programa¸cão Linear
Com base no que foi mostrado anteriormente, suponha agora que existem m recursos
usados numa produ¸cão de n produtos com as seguintes caracter´ısticas:
MaxZ(x1, x2, . . . , xn) = c1x1 + c2x2 + · · · + cnxn
Sujeito a :



a11x1 + a12x2 + · · · + a1nxn ≤ b1
a21x1 + a22x22 + · · · + a2nxn ≤ b2
...
am1x1 + am2x2 + · · · + amnxn ≤ bm
com xj ≥ 0
onde
cj é o lucro na venda de uma unidade do produto j = 1, 2, 3, . . . , n
bi é a quantidade de recursos dispon´ıveis i = 1, 2, 3, . . . , m
aij é a quantidade de recursos i usada para produzir uma unidade do produto j
xj é o n´ıvel de produ¸cão do produto j
9

De uma forma geral, podemos escrever o modelo padrão para maximiza¸cão como:
MaxZ =
n
j=1
cjxj
Sujeita a:
n
j=1
aijxj ≤ bi ∀ i = 1, 2, 3, . . . , m sendo xj ≥ 0
com
aij, bi, cj ∈
i e j são números naturais tais que 1 ≥ i ≤ m e 1 ≥ j ≤ n;
xij são chamadas de variáveis de decisão;
Z(x1, x2, . . . , xn) é a fun¸cão objetivo;
n
j=1
aijxj ≤ bi são as restri¸cões técnicas da fun¸cão objetivo;
xj ≥ 0 são chamadas de condi¸cão de não negatividade; m e n são respectiva-
mente, o número de variáveis de decisão e o número de restri¸cões do modelo.
10

CAPÍTULO 3
RESOLUÇ ÃO GRÁFICA DE MODELOS
Como já vimos anteriormente, a programa¸cão linear dispõe de várias técnicas na busca
da solu¸cão ótima, como: Análise Gráfica, Método Simplex, Análise de Sensibilidade,
Dualidade, Simula¸cão, dentre outras. Neste cap´ıtulo, iremos discutir acerca do Método
Gráfico.
Para resolver um problema de Programa¸cão Linear pelo método gráfico, é necessário
que o problema apresente no máximo três variáveis de decisão, caso contrário, não é
poss´ıvel a aplica¸cão do método. Nesse livro, vamos abordar apenas a resolu¸cão gráfica
de modelos que possuem duas variáveis, por entender que, embora muito simplificado,
permite um entendimento sólido dos conceitos que envolvem a Programa¸cão Linear.
O método consiste em representar através da interseçcões das regiões de cada restri¸cão,
bem como as interseçcões das suas retas limites o conjunto de solu¸cões viáveis do
problema num sistema de eixos ortogonais.
Os pontos pertencentes a essa região serão os candidatos a solu¸cão ótima. Chamaremos
a região onde situam-se o conjunto solu¸cão para o problema de região de solu¸cões
viáveis. O conjunto formado pelos pontos (x1, x2) deve satisfazer ao grupo de restri¸cões
do modelo. Seu desempenho será avaliado a partir da análise gráfica da fun¸cão objetivo.
3.1 Representa¸cão Gráfica de Uma Inequa¸cão
Antes de apresentarmos o Método Gráfico para resolu¸cão de modelos em PL, vamos
relembrar como podemos esbo¸car o gráfico de uma inequa¸cão.
Inicialmente, considere a inequa¸cão 4x1 + 2x2 ≥ 16, então;
4x1 + 2x2 = 16 ou 4x1 + 2x2 > 16
11

• O segundo passo é relaxar a inequa¸cão e construir o gráfico de 4x1 + 2x2 = 16, mas
para isto, devemos pôr x2 em fun¸cão de x1.
• Da´ı temos: 4x1 + 2x2 = 16 ⇒ 2x2 = −4x1 + 16, portanto, x2 = −2x1 + 8.
O gráfico então será:
Figura 3.1:
A reta x2 = −2x1 + 8 é o limite da desigualdade. Como a inequa¸cão tem sinal do tipo
≥, tem-se que todos os pontos da reta pertencem ao conjunto de valores que satisfazem
a inequa¸cão, bem como todos os valores situados na região onde 4x1 + 2x2 > 16.
Considere agora o sistema de inequa¸cões lineares:
sujeito a :



x − y ≤ 5
2x + y > 10
. Observe que x − y ≤ 5 ⇒ −y ≤ −x + 5 ⇒ y ≥ x − 5 e
2x + y > 10 ⇒ y < −2x + 10.
O gráfico que representa esse sistema é:
Figura 3.2:
12

A região de solu¸cões viáveis é a interseçcão das regiões delimitadas pelas retas, isto
significa que, qualquer ponto nessa região satisfaz as duas desigualdades simultanea-
mente, além disso, todos os pontos da reta y = x − 5 pertencem a essa região, já os
pontos da reta y = −2x + 10 não fazem parte do conjunto solu¸cão do sistema.
3.1.1 Conjuntos Convexos
Teorema: Um conjunto S é convexo se, e somente se, ele contém todas as combina¸cões
convexas dos seus elementos. Em outras palavras, podemos dizer que, um conjunto
é convexo se dois pontos pertencentes a esse conjunto podem ser ligados por um seg-
mento de reta, desde que todos os pontos do segmento perten¸cam ao conjunto.
Figura 3.3:
Podemos observar que na figura 2.3 (pol´ıgono não convexo) os pontos do segmento
BD não fazem parte do conjunto.
3.1.2 Discussão Gráfica de Modelos
Nem sempre um problema de PL apresenta solu¸cão ótima, então é necessário discutir
os resultados poss´ıveis que podem ocorrer num problema de PL. Para isso, considere-
mos 3 casos;
Caso 1: Na figura (2.4), já sabemos, que a região sombreada é chamada de região de
solu¸cões viáveis, tal região é delimitada por três restri¸cões lineares do modelo. As retas
pontilhadas (paralelas a FO1 e FO2 ) são chamadas de curvas de n´ıvel das fun¸cões ob-
jetivos FO1 e FO2. O ponto P(a, b) está representando o ponto do pol´ıgono convexo
mais distante da origem do sistema de eixos coordenados. As restri¸cões do modelo
estão denotadas por R1, R2 e R3 respectivamente.
13

Figura 3.4:
Observe que à medida que o valor de FO1 aumenta à reta se afasta da origem do
sistema de eixos coordenados, varrendo toda a região de solu¸cões viáveis do problema,
essa varredura se dá com as curvas de n´ıvel da FO1 até encontrar o ponto P(a, b)
(vértice do pol´ıgono). Como o ponto P(a, b) é o ponto mas distante da origem do
plano cartesiano, isso nos faz concluir que P(a, b) é solu¸cão ótima para o problema, ou
seja, é a solu¸cão que maximiza o modelo.
Por outro lado, podemos perceber, que a reta que representa a fun¸cão objetivo FO2
coincide com a restri¸cão R2 (ambas possuem o mesmo coeficiente angular), represen-
tada pelo segmento AP, o que nos permite afirmar que, nesse caso, o problema terá
infinitas solu¸cões, pois entre dois pontos A e B de um segmento AB existe sempre um
ponto C entre A e B.
Quanto a reta s, veja que a mesma não cruza a região de viabilidade, logo não pode
conter solu¸cão ótima.
Caso 2: Solu¸cão degenerada ou problema inviável ocorre no caso em que não existe
nenhum ponto (x1, x2) no plano cartesiano que satisfa¸ca simultaneamente as restri¸cões
i e j, conforme se observa na figura (2.5).
Caso 3: Quando a solu¸cão pode ser melhorada, mas não existem restri¸cões que limi-
tem esta solu¸cão (o método não converge), isto é, o valor da fun¸cão objetivo cresce
indefinidamente na região de viabilidade, chamamos de solu¸cão indefinida.
Observe que, não há como definir a solu¸cão, pois a mesma tende para o infinito.
3.1.3 O Método Gráfico
Agora, vamos a partir do Problema de Aloca¸cão dos rádios standard e luxo, discutido
na se¸cão 1.2 do cap´ıtulo 1 resolver o seu modelo usando o Método Gráfico, isso nos
permitirá entender o processo de produ¸cão dos rádios de forma anal´ıtica. O modelo
obtido no problema foi:
14

MaxZ = 30x + 40y
sujeito a :



x ≤ 24
2y ≤ 32
x + 2y ≤ 40
x ≥ 0, y ≥ 0
a) Tra¸cado da inequa¸cão x ≤ 24: Observe que x = 24 não é fun¸cão, seu gráfico
é uma reta perpendicular ao eixo x (qualquer valor de y terá sempre a mesma abscissa
x = 24). Ponto de interseçcão no eixo das abscissas é (24, 0).
Figura 3.7:
A reta x = 24 indica o limite da produ¸cão diária de rádios standard. Já x ≤ 24 indica
a região delimitada pela produ¸cão de rádios standard.
b) Tra¸cado da inequa¸cão y ≤ 16: A reta y = 16 indica o limite de produ¸cão
diária de rádios luxo e y < 16 a região delimitada dessa produ¸cão.
Nesse caso, temos o oposto da situa¸cão anterior, y = 16 é uma fun¸cão denominada
fun¸cão constante, todos os pontos da sua abscissa estão associados ao mesmo valor
16

y = 16, seu gráfico é uma reta horizontal.
c) Tra¸cado da inequa¸cão x + 2y ≤ 40 : Para que essa reta seja tra¸cada, basta que
se tenham dois pontos sobre o eixos coordenados, pela lógica temos que se x + 2y ≤ 40
então x + 2y < 40 ou x + 2y = 40 . Tomemos a fun¸cão afim x + 2y = 40. Tem-se então
que para y = 0 a raiz da fun¸cão é x = 40, x = 0 temos y = 20, logo, os dois pontos
pelo qual a reta passa são (40, 0) e (0, 20), o que nos dá a reta:
Cada par de pontos da reta x + 2y = 40 representa o uso máximo do limite de 40
funcionários na produ¸cão dos rádios standard e luxo.
Pondo todos os gráficos no mesmo plano cartesiano tem-se:
observe que as interseçcões de todas as regiões das restri¸cões nos dá o conjunto de todas
as solu¸cões que são viáveis para o modelo, isto é, tomando qualquer ponto dentro da
região de viabilidade, o ponto irá satisfazer o modelo, pois de acordo com a discussão
da solu¸cão gráfica a solu¸cão ótima está num dos vértices:A(0, 0), B(0, 16), C(8, 16),
D(24, 8), E(40, 0). Dessa forma, temos o seguinte gráfico:
18

Figura 3.11:
3.1.4 Esbo¸co da Fun¸cão Objetivo
A fun¸cão objetivo está escrita na forma da equa¸cão geral da reta, isto é, z = c1x + c2y.
Para esbo¸carmos o gráfico da fun¸cão objetivo, devemos escrevê-la sob a forma reduzida
da reta, ou seja, y = −
c1
c2
x +
z
c2
com c2 = 0.
Assim, utilizaremos o coeficiente angular da reta, que representará uma fam´ılia de re-
tas (curvas de n´ıvel) com mesma dire¸cão.
Consideremos, como exemplo, a fun¸cão objetivo do problema de aloca¸cão dos rádios
standard e luxo, já modelado anteriormente.
A fun¸cão objetivo é L = 30x + 40y. Sua equa¸cão reduzida da reta é y = −
3
4
x +
L
40
O valor α = −
3
4
representa uma fam´ılia de retas negativamente inclinada.
o esbo¸co da fun¸cão objetivo no gráfico do modelo está representado na Figura 11.
Observe que a tangente do ângulo A ˆGF do triângulo ∆AFG é igual ao coeficiente
angular da reta que representa a fun¸cão objetivo, isto é, tg(α) =
3
4
.
Da geometria, sabemos que tg(α) =
cateto oposto
hipotenusa
, dessa forma: cateto oposto = 3 e
cateto adjacente = 4. Portanto, a reta corta o eixo x em x = 4, o que nos dá (4, 0) e o
eixo y em y = 3, assim temos (0, 3), assim:
20

Figura 3.12:
Fazendo a fun¸cão objetivo passar pelo ponto H(0, 10), tem-se L = 30 · 0 + 40 · 10
o que nos dá L = 400. Como na fun¸cão objetivo o termo independente é
L
40
, então
y = −
3
4
x + 10.
Fazendo a fun¸cão objetivo passar pelo ponto B(0, 16), tem-se L = 30 · 0 + 40 · 16 o
que nos dá L = 640. Então, a fun¸cão objetivo será y = −
3
4
x + 16.
Fazendo a fun¸cão objetivo passar pelo ponto C(8, 16), tem-se L = 30 · 8 + 40 · 16 o
que nos dá L = 880. Dessa forma, a fun¸cão objetivo será y = −
3
4
x + 22.
De forma análoga temos D(24, 8), que nos dá L = 1040 e y = −
3
4
x + 26 e também
E(24, 0), que nos dá L = 720 e y = −
3
4
x + 18.
Podemos então, enunciar o primeiro teorema de Programa¸cão linear:
Teorema: T1. Se um problema de programa¸cão linear tem solu¸cão ótima, então esta
solu¸cão está em, pelo menos, um ponto da região fact´ıvel.
T2. Se a região fact´ıvel de um problema de programa¸cão linear é não vazia, então
existe uma solu¸cão ótima.
T3. A região fact´ıvel de um problema de programa¸cão linear é um conjunto convexo.
T4. A região fact´ıvel de um problema de programa¸cão linear tem um número finito de
pontos extremos (vértices).
21

3.1.5 Interpreta¸cão Gráfica Vértice a Vértice
Com base em todas essas informa¸cões, podemos, por meio gráfico, realizar uma análise
econômica vértice a vértice do poliedro de solu¸cões viáveis, ou mesmo tomar qual-
quer ponto pertencente a essa região para estudar a produ¸cão diária de rádios standard
e luxo. O ponto de partida é o vértice que apresenta os menores valores para as variáveis
de decisão x e y, que no caso é o par (standard, luxo) = (x, y) = (0, 0). A partir desse
ponto, caminha-se no sentido horário até o último vértice da pesquisa, faremos a seguir
a interpreta¸cão do problema proposto:
• Análise do vértice A(0,0): Nesse momento, ainda não há produ¸cão na fábrica
de rádios.
• Análise do vértice B(0,16): A fábrica come¸ca a produ¸cão de rádios luxo com
16 unidades diárias, mas ainda não produz rádios standard nessa fase da produ¸cão. A
fábrica aloca a capacidade máxima de operários na linha de produ¸cão de rádios luxo.
• Análise do vértice C(8,16): Inicia a produ¸cão de rádios standard com 8 unidades
diária e mantém-se a produ¸cão de rádios luxo em 16 unidades diária, para isso, são
necessários 8 operários e 32 operários nas linhas de produ¸cão de rádios standard e luxo
respectivamente.
22

CAPÍTULO 4
MÉTODO SIMPLEX
O Simplex é um método iterativo que percorre os pontos extremos do conjunto de
solu¸cões compat´ıveis do problema. Este método é formado por um grupo de critérios
para escolha de solu¸cões básicas que melhorem o desempenho do modelo. Para ser
iniciado é necessário se conhecer uma solu¸cão compat´ıvel básica (chamada solu¸cão ini-
cial). O Método Simplex então, faz a mudan¸ca do ponto inicial para o ponto extremo
adjacente que melhore o valor da fun¸cão objetivo. O procedimento adotado para o
ponto extremo inicial é repetido para este segundo ponto extremo. O processo fina-
liza quando, estando num ponto extremo, todos os pontos extremos a ele adjacentes,
fornecem valores piores para a fun¸cão objetivo.
4.1 Descri¸cão de um Método para Maximiza¸cão
a) Teste de Otimalidade:
Considere o modelo MaxZ = 0, 2x1 + 2x2 + 4x3
sujeito a :



x1 + 2x2 ≤ 20
3x1 + x3 ≤ 50
x1 + x2 − x3 ≤ 15
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
23

Observe que para Z = 0 temos 0, 2x1 + 2x2 + 4x3 = 0 e que se x1 entra na base
com valor igual a 1, sendo x2 = x3 = 0, Z passa de Z = 0 para Z = 0,2 décimos de
unidade, o que aumenta Z em exatamente 0,2 que é o coeficiente de x1.
Situa¸cão semelhante vai ocorrer com x2 e x3, cada variável contribuirá na propor¸cão
do valor do seu coeficiente. Isso nos leva a crê que se os coeficientes das variáveis forem
negativos o valor de Z pode ser aumentado com a entrada de uma variável na base
proporcionalmente ao valor do seu coeficiente, isto é, escrevendo a fun¸cão objetivo na
forma Z − 0, 2x1 − 2x2 − 4x3 = 0 a solu¸cão testada somente será ótima quando, e
somente quando as variáveis de decisão não apresentarem coeficientes negativos.
b) Variáveis de Folga: Toda inequa¸cão do tipo ax + by ≤ c pode ser completada
até se obter uma equa¸cão linear, bastando apenas acrescentar uma variável f ∈ Z com
f ≥ 0 denominada ”variável de folga”na inequa¸cão obtendo ax + by + f = c. De forma
análoga, toda inequa¸cão do tipo ax + by ≥ c pode ser completada até se obter uma
equa¸cão linear, nesse caso, acrescentamos uma variável f ∈ com f ≥ 0 denominada
”variável de excesso”. Observe que nesse caso, a variável de excesso entra com coefici-
ente negativo resultando em ax + by − f = c.
No caso da maximiza¸cão, as variáveis de folga representam as sobras dessas restri¸cões,
isto é, a diferen¸ca entre o segundo e o primeiro membro. As variáveis de folga fi são
sempre positivas. Cada variável de folga será introduzida em uma restri¸cão técnica do
modelo e irá representar a diferen¸ca entre o segundo membro e o primeiro membro da
restri¸cão na qual ela será introduzida. No exemplo anterior tem-se:
f1 = 20 − (x1 + 2x2) ⇒ x1 + 2x2 + f1 = 20
f2 = 50 − (3x1 + x3) ⇒ 3x1 + x3 + f2 = 50
f3 = 15 − (x1 + x2 − x3) ⇒ x1 + x2 − x3 + f3 = 15
Como no problema proposto o modelo é de maximiza¸cão, então tem-se o seguinte:
Z − 0, 2x1 − 2x2 − 4x3 = 0
sujeito a :



x1 + 2x2 + f1 = 20
3x1 + x3 + f2 = 50
x1 + x2 − x3 + f3 = 15
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, f1 ≥ 0, f2 ≥ 0, f3 ≥ 0
c) Solu¸cão Básica Inicial: A fun¸cão objetivo é escrita com as variáveis não básicas
e as variáveis de folga são denominadas variáveis básicas, assim; x1, x2 e x3 serão cha-
madas de variáveis não básicas e portanto x1 = 0, x2 = 0, x3 = 0. Já f1, f2 e f3 são
chamadas de variáveis básicas, e além disso formam a solu¸cão básica inicial do
modelo, pois f1 = 20, f2 = 50 e f3 = 15.
24

d) Tabela Simplex: A tabela é constru´ıda com os coeficientes do modelo. as colunas
são indicadas por Ci, as linhas por Li, além disso, bi representa os termos indepen-
dentes. Na primeira linha L1 consta os coeficientes da fun¸cão objetivo, observe que
como não há variáveis de folga na fun¸cão objetivo, então completa-se com zeros, além
disso, tem-se que o termo independente da fun¸cão objetivo é zero. nas demais linhas
L1, L2, L3 e L4 constam os coeficientes das restri¸cões técnicas, os coeficientes das suas
respectivas variáveis de folga e os termos independentes de cada restri¸cão.
C1 C2 C3 C4 C5 C6 C7 C8
Z x1 x2 x3 f1 f2 f3 bi
L1 1 -0,2 -2 -4 0 0 0 0
L2 0 1 2 0 1 0 0 20
L3 0 3 0 1 0 1 0 50
L4 0 1 1 -1 0 0 1 15
e) Cálculo da Nova Solu¸cão Básica:
i) Variável que entra na base: Identifique a variável que entra na base pelo coe-
ficiente negativo de maior valor absoluto da fun¸cão objetivo na tabela. A coluna da
variável que entra na base será a coluna pivô.
ii) Variável que sai: A variável básica que primeiro se anulará com a entrada da
variável não básica é aquela que pertence a a linha pivô. Essa linha é obtida identi-
ficando o menor quociente obtido da divisão dos termos independentes das restri¸cões
tecnicas pelos elementos da coluna pivô.
iii) Elemento pivô: O elemento pivô é obtido pela interse¸cão da coluna pivô (da
variável que entra) com a linha pivô (da variável que sai). Se esse elemento for igual a
1, então o elemento é chamado de elemento pivô, se não, transforme o elemento em 1
utilizando as opera¸cões elementares sobre as linhas de uma matriz.
textbfiv) Obtendo a Solu¸cão Ótima: De acordo com a tabela temos as seguintes in-
forma¸cões:
(I) Variáveis não básicas: x1 = 0, x2 = 0 e x3 = 0
(II) Variáveis básicas: f1 = 20, f2 = 50 e f3 = 15
(III) Z = 0
Inicialmente, devemos identificar a variável que entra e a variável básica que sai da
base. Consequentemente iremos determinar a coluna e a a linha pivô, respectivamente.
Já sabemos que para determinar a variável que entra na base devemos identificar o
coeficiente negativo de maior valor absoluto da fun¸cão objetivo. no caso temos −4x3,
pois | − 4| = 4. Dessa forma, tem-se que a variável que entra na base é x3 e a coluna
pivô é C4. Agora, devemos determinar a primeira variável básica que se anula com a
entrada de x3.
25

Para isso, identifique o menor quociente obtido da divisão dos termos independen-
tes bi pelos elementos da coluna pivô, exceto claro, zero e números negativos.
No caso em comento temos:
50
1
= 50. Logo, a linha pivô é L3 e o elemento pivô é 1.
O próximo passo é construir uma matriz a partir da tabela e transformar os elementos
da coluna pivô em zero. Esse procedimento fará a variável x3 se tornar variável básica
e consequentemente transformará a variável f2 em variável não básica, isto é, f2 = 0.






1 −1/5 −2 −4 0 0 0 0
0 1 2 0 1 0 0 20
0 3 0 1 0 1 0 50
0 1 1 −1 0 0 1 15






L1 −→ L1 + 4L3
L4 −→ L4 + L3






1 59/5 −2 0 0 4 0 200
0 1 2 0 1 0 0 20
0 3 0 1 0 1 0 50
0 4 1 0 0 1 1 65






Que nos dá a nova solu¸cão básica
C1 C2 C3 C4 C5 C6 C7 C8
L1 1 11,8 -2 0 0 4 0 200
L2 0 1 2 0 1 0 0 20
L3 0 3 0 1 0 1 0 50
L4 0 4 1 0 0 1 1 65
(I) Variáveis não básicas: x1 = 0, x2 = 0 e f2 = 0
(II) Variáveis básicas: f1 = 20, x3 = 50 e f3 = 65
(III) Z = 200
Z= 200 é uma solu¸cão melhor do que Z = 0, contudo, como a fun¸cão objetivo ainda
possui coeficiente negativo na variável x2, isso indica que Z = 200 ainda não é a solu¸cão
ótima, dessa forma, devemos repetir todo processo inicial.
Variável que entra na base: x2, pois | − 2| = 2 (coeficiente negativo de maior valor
absoluto) e portanto coluna pivô C3.
Primeira variável básica que se anula com a entrada de x3: Lembre-se que tal
variável é encontrada pelo menor quociente obtido da divisão dos termos independen-
tes bi pelos elementos da coluna pivô, exceto, zero e números negativos.Assim temos:
20
2
= 10 e
65
1
= 65. Logo, a linha pivô será L2, pois o menor coeficiente obtido é 10.
26

O elemento que deve ser transformado no elemento pivô será obtido de C3 L2 que
no caso é 2.
O próximo passo é construir uma matriz a partir da tabela e em primeiro lugar, trans-
formar o elemento pivô em 1. Em seguida, repetiremos o procedimento anterior trans-
formando os elementos da coluna pivô em zero. Nesse novo procedimento a variável x2
se tornará não básica e a variável f1 se tornará variável básica, isto é, f1 = 0.






1 59/5 −2 0 0 4 0 200
0 1 2 0 1 0 0 20
0 3 0 1 0 1 0 50
0 4 1 0 0 1 1 65






L2 −→
1
2
L2






1 59/5 −2 0 0 4 0 200
0 1/2 1 0 1/2 0 0 10
0 3 0 1 0 1 0 50
0 4 1 0 0 1 1 65






L1 −→ L1 + 2L2
L4 −→ L4 − L2






1 64/5 0 0 1 4 0 220
0 1/2 1 0 1/2 0 0 10
0 3 0 1 0 1 0 50
0 7/2 0 0 −1/2 1 1 55






Nos dando assim a nova solu¸cão básica
C1 C2 C3 C4 C5 C6 C7 C8
L1 1 12,8 0 0 1 4 0 220
L2 0 0,5 1 0 0,5 0 0 10
L3 0 3 0 1 0 1 0 50
L4 0 3,5 0 0 -0,5 1 1 15
(I) Variáveis não básicas: x1 = 0, f1 = 0 e f2 = 0
(II) Variáveis básicas: x1 = 10, x3 = 50 e f3 = 55
(III) Z = 220
Observe que a fun¸cão objetivo não possui coeficiente negativo em nenhuma de suas
variáveis, assim, podemos dizer que a solu¸cão ótima para o problema é Z = 220 para
x2 = 10, x3 = 50 e f3 = 55.
27

b)MaxZ = 2x1 + 3x2 + 4x3
sujeito a :



x1 + x2 + x3 ≤ 100
2x1 + x2 ≤ 210
x1 ≤ 80
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
Solu¸cão (b):
i)MaxZ − 2x1 − 3x2 − 4x3 = 0
sujeito a :



x1 + x2 + x3 + f1 = 100
2x1 + x2 + f2 = 210
x1 + f3 = 80
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, f1 ≥ 0, f2 ≥ 0, f3 ≥ 0
1 -2 -3 -4 0 0 0 0
0 1 1 1 1 0 0 100
0 2 1 0 0 1 0 210
0 1 0 0 0 0 1 80
De acordo com a tabela temos as seguintes informa¸cões:
(I) Variáveis não básicas: x1 = 0, x2 = 0 e x3 = 0
(III) Z = 0
Como já sabemos, devemos identificar a variável que entra e a variável básica que sai
da base, isso nos mostrará também a coluna e a linha pivô, respectivamente.
O coeficiente negativo de maior valor absoluto da fun¸cão objetivo nos mostra a variável
que entra na base. no caso temos −4x3, pois | − 4| = 4.
Dessa forma, tem-se que a variável que entra na base é x3 e a coluna pivô é C4
Agora, devemos determinar a primeira variável básica que se anula com a entrada de
x3.
Para isso, vamos identificar o menor quociente obtido da divisão dos termos indepen-
dentes bi pelos elementos da coluna pivô, exceto elementos iguais a zero e números
negativos.
No caso temos apenas
100
1
= 100 o que significa que f1 é a primeira variável básica a
se anular com a entrada de x3. Logo, a linha pivô é L2. Como C4 L2 = 1, então o
elemento pivô é 1.
28

O próximo passo, como já sabemos, é construir uma matriz a partir da tabela e trans-
formar os elementos da coluna pivô em zero. Esse procedimento fará a variável x3 se
tornar não básica e consequentemente transformará a variável f1 em variável básica,
isto é, f2 = 0. 





1 −2 −3 −4 0 0 0 0
0 1 1 1 1 0 0 100
0 2 1 0 0 1 0 210
0 1 0 0 0 0 1 80






L1 −→ L1 + 4L2






1 2 1 0 4 0 0 400
0 1 1 1 1 0 0 100
0 2 1 0 0 1 0 210
0 1 0 0 0 0 1 80






A nova solu¸cão básica é:
C1 C2 C3 C4 C5 C6 C7 C8
L1 1 2 1 0 4 0 0 400
L2 0 1 1 1 1 0 0 100
L3 0 2 1 0 0 1 0 210
L4 0 1 0 0 0 0 1 80
(I) Variáveis não básicas: x1 = 0, x2 = 0, f1 = 0
(II) Variáveis básicas: x3 = 100, f2 = 210 e f3 = 80
(III) Z = 400
A fun¸cão objetivo não possui coeficiente negativo em nenhuma de suas variáveis, pode-
mos dizer então que a solu¸cão ótima para o problema é Z = 400, se x3 = 100, f2 = 210.
29

4.1.1 Aplica¸cão do Método Simplex: Problema de Aloca¸cão
(Rádios Standard e Rádios Luxo):
Recordemos agora o problema de aloca¸cão dos rádios standard e luxo, aplicaremos o
Método Simplex e faremos uma interpreta¸cão econômica quadro a quadro, dessa forma,
vamos mostrar que a solu¸cão dada no Método Gráfico será a mesma solu¸cão apresen-
tada pelo Método Simplex, o problema está descrito abaixo:
Uma fábrica de rádios possui duas linhas de produ¸cão: rádios standard e rádios luxo.
Com rela¸cão aos rádios standard, sabe-se que sua linha de produ¸cão comporta um
máximo de 24 operários, sendo que um operário produz um rádio por dia e cada rádio
fornece um lucro de R$ 30,00. Para os rádios luxo, a linha de produ¸cão comporta
um máximo de 32 operários, sendo que dois operários produzem um rádio por dia e
cada rádio fornece um lucro de R$ 40,00. Além disso, a fábrica possui um total de 40
operários a serem alocados nas duas linhas de produ¸cão.
Já sabemos que o modelo que maximiza o lucro diário da fábrica é:
MaxZ = 30x1 + 40x2
sujeito a :



x1 ≤ 24
2x2 ≤ 32
x1 + 2x2 ≤ 40
x1 ≥ 0, x2 ≥ 0
Z − 30x1 − 40x2 = 0
sujeito a :



x1 + f1 = 24
2x2 + f2 = 32
x1 + 2x2 + f3 = 40
x1 ≥ 0, x2 ≥ 0, f1 ≥ 0, f2 ≥ 0, f3 ≥ 0
a) Solu¸cão Básica Inicial:
(I) Variáveis não básicas: x1 = 0, x2 = 0
(III) Z = 0
b) Cálculo da Nova Solu¸cão Básica:
A variável que entra na base é x2, pois | − 40| = 40, além disso, a coluna pivô é C3.
A variável que sai da base é a primeira que se anula com a entrada de x2, no caso f3,
pois:
16
1
= 16 é o menor quociente obtido da divisão dos termos independentes pelos
elementos da coluna pivô (exceto números negativos e zero). A linha pivô nesse caso é
L2 e o elemento Pivô é C3 L2 = 1.
30

Tabela Simplex:
C1 C2 C3 C4 C5 C6 C7
Z x1 x2 f1 f2 f3 bi
L1 1 -30 -40 0 0 0 0
L2 0 1 0 1 0 0 24
L3 0 0 1 0 1 0 16
L4 0 1 2 0 0 1 40






1 −30 −40 0 0 0 0
0 1 0 1 0 0 24
0 0 1 0 1 0 16
0 1 2 0 0 1 40






L3 −→ L3 − 2L2
L1 −→ L1 + 40L2






1 −30 0 0 40 0 640
0 1 0 1 0 0 24
0 0 1 0 1 0 16
0 1 0 0 −2 1 8






A Nova Solu¸cão Básica será:
(I) Variáveis não básicas: x1 = 0, f2 = 0
(II) Variáveis básicas: x2 = 16, f1 = 24 e f3 = 8
(III) Z = 640
Veja que nesse momento não há produ¸cão de rádios standard, pois x1 = 0, contudo,
houve uma produ¸cão de 16 unidades diárias de rádios luxo. Note que Z passou de Z
= 0 para Z = 640. Esta é uma solu¸cão melhor do que a anterior, mas não é a solu¸cão
ótima, pois a primeira linha L1, que corresponde a fun¸cão objetivo, ainda possui um
coeficiente negativo. Isto significa, que todo processo anterior deve ser repetido, na
busca de uma nova solu¸cão básica.
31

a) Cálculo da Nova Solu¸cão Básica
A variável que entra na base é x1, pois | − 30| = 30. A coluna pivô é C2.
A variável que sai da base é a primeira que se anula com a entrada de x1 é f3, pois:
8
1
= 8 é o menor quociente obtido da divisão dos termos independentes pelos elementos
da coluna pivô (exceto números negativos e zero). Note que a linha pivô será então L4.
Elemento Pivô: C2 L4 = 1.






1 −30 0 0 40 0 640
0 1 0 1 0 −2 8
0 0 1 0 1 0 16
0 1 0 0 −2 1 8






L2 −→ L2 − L4
L1 −→ L1 + 30L4






1 0 0 0 −20 30 880
0 0 0 1 2 −1 16
0 0 1 0 1 0 16
0 1 0 0 −2 1 8






b) A Nova Solu¸cão Básica será:
(I) Variáveis não básicas: f2 = 0, f3 = 0
(III) Z = 880
Agora a fábrica está produzindo 8 unidades diárias de rádios standard e mantem a
produ¸cão de 16 unidades diárias de rádios luxo (em rela¸cão a análise anterior). Nesse
momento, estão alocados 8 operários na produ¸cão dos rádios standard e a produ¸cão
de rádios luxo está em sua capacidade máxima (32 operários). f1 = 16 indica a sobra
de 16 unidades de rádios standard. Nesse cenário, Z passou de Z = 640 para Z = 880,
que é uma solu¸cão bem melhor que a anterior, mas não ótima devido a primeira linha
(da fun¸cão objetivo) apresentar ainda coeficiente negativo. Devemos então repetir o
procedimento anterior.
32

c) Cálculo da Nova Solu¸cão Básica: A variável que entra na base é f2, pois
| − 20| = 20 e a coluna pivô é C5.
A variável que sai da base é a primeira que se anula com a entrada de f2 é f1, pois:
16
2
= 8 é o menor quociente obtido da divisão dos termos independentes pelos elemen-
tos da coluna pivô. A linha pivô será L2 e o elemento Pivô C5 L2 = 2. Devemos
então calcular o novo elemento pivô






1 0 0 30 0 −20 880
0 1 0 1 0 −2 8
0 0 0 −1 1 2 16
0 0 1 0 0 1 16






L2 −→
1
2
L2






1 0 0 30 0 −20 880
0 1 0 1 0 −2 8
0 0 0 −1/2 1/2 1 8
0 0 1 0 0 1 16






Após o cálculo do novo elemento pivô, retornamos ao procedimento inicial
a) Cálculo da Nova Solu¸cão Básica






1 0 0 30 0 −20 880
0 1 0 1 0 −2 8
0 0 0 −1/2 1/2 1 8
0 0 1 0 0 1 16






L1 −→ L1 + 20L2
L2 −→ L2 + 2L2
L3 −→ L3 − L2






1 0 0 10 0 20 1040
0 0 0 1/2 1 −1/2 8
0 0 1 −1/2 0 1/2 8
0 1 0 1 0 0 24






33

Agora, a nova solu¸cão básica é:
(I) Variáveis não básicas: f1 = 0, f3 = 0
(III) Z = 1040
Se a fábrica alocar 24 operários para produ¸cão de rádios standard e 16 operários na li-
nha de produ¸cão de rádios luxo haverá uma sobra de 8 unidades de rádios luxo (f2 = 8)
e não haverá sobra de rádios standard, dessa forma, Z passou de Z = 880 para Z =
1040, e esta é a solu¸cão ótima, pois a primeira linha L1, que corresponde a fun¸cão
objetivo, não apresenta nenhum valor negativo.
Análise Econômica: A produ¸cão que maximiza o lucro para R$ 1040,00 fica estabe-
lecida da seguinte forma: devem ser produzidas 24 unidades diárias de rádio standard e
8 unidades de rádios luxo por dia. A quantidade de operários alocados nas duas linhas
de produ¸cão deve ser 24 operários para a linha de produ¸cão de rádios standard e 16
operários para a linha de produ¸cão de rádios luxo, isso garante o máximo de operários
trabalhando nas duas linhas de produ¸cão (40 operários), além disso, não houve sobras
na produ¸cão de rádios standard, o que respalda essa afirma¸cão é o fato de que f1 = 0.
A sobra de 8 unidades na produ¸cão de rádios luxo pode estar relacionada com a quan-
tidade de operários alocados nessa produ¸cão, isto pode ser considerado um fator para
esse limite.
4.2 Solu¸cões Degeneradas, Ilimitadas e Múltiplas
Na utiliza¸cão do Método Simplex podem surgir 4 casos especiais:
• Degenera¸cão;
• Múltiplas Solu¸cões;
• Solu¸cão Ilimitada;
• Solu¸cão Inviável;
a) Problema de Degenera¸cão: No desenvolvimento do Simplex, a linha pivô é a
restri¸cão que apresenta o menor quociente não negativo, na divisão dos termos indepen-
dentes pelos coeficientes positivos da variável que entra (regra da razão m´ınima).Ocorre,
que pode haver resultados iguais na aplica¸cão da regra (empate), e nessas condi¸cões,
a escolha da variável que sai se dá de forma arbitrária, assim, a solu¸cão ótima pode
apresentar uma variável básica com valor nulo (igual a zero). Uma caracter´ıstica im-
portante da degenera¸cão é o fato de que, a sa´ıda de uma variável básica nula provoca
o aparecimento de outra variável básica nula na solu¸cão seguinte, sem altera¸cão do
valor da fun¸cão objetivo. Na prática, a degenera¸cão indica que existe uma restri¸cão
redundante (recursos supérfluos) no modelo, isto é, uma restri¸cão que, se retirada,
34

não influencia no espa¸co das solu¸cões do problema. fazendo uma análise gráfica, tal
restri¸cão não interfere na região de viabilidade, podendo ser retirada sem comprometi-
mento da solu¸cão ótima..
Vamos observar um exemplo:
MaxZ = 3x1 + 9x2
sujeito a :



x1 + 4x2 ≤ 8
x1 + 2x2 ≤ 4
x1 ≥ 0, x2 ≥ 0
Z − 3x1 − 9x2 = 0
sujeito a :



x1 + 4x2 + f1 = 8
x1 + 2x2 + f2 = 4
x1 ≥ 0, x2 ≥ 0, f1 ≥ 0, f2 ≥ 0
a) Solu¸cão Básica Inicial (SBI):
(II) Variáveis básicas: f1 = 8, f2 = 4
(III) Z = 0
Variáveis que entra e sai da base:
• Variável que entra na base (VEB): x2, pois -2 é o coeficiente negativo de maior valor
absoluto.
• Variável que sai da base (VSB):f1 ou f2, pois há empate no critério da razão m´ınima:
8
4
= 2 e
4
2
= 2
• Elemento Pivô: C3 L2 = 4
C1 C2 C3 C4 C5 C6
Z x1 x2 f1 f2 bi
L1 1 -3 -9 0 0 0
L2 0 1 4 1 0 8
L3 0 1 2 0 1 4
L2 −→
1
4
L2
35

Cálculo da Nova Solu¸cão:



1 −3 −9 0 0 0
0 1/4 1 1/4 0 2
0 1 2 0 1 4



L1 −→ L1 + 9L2
L3 −→ L3 − 2L2



1 −3/4 0 9/4 0 18
0 1/4 1 1/4 0 2
0 1/2 0 −1/2 1 0



L3 −→ 2L3



1 −3/4 0 9/4 0 18
0 1/4 1 1/4 0 2
0 1 0 −1 2 0



L1 −→ L1 + 3
4
L3
L2 −→ L2 − 1
4
L2



1 0 0 3/2 3/2 18
0 0 1 1/2 −1/2 2
0 1 0 −1 2 0



a) Nova Solu¸cão:
(III) Z = 18
36

Veja que x1 = 0 (variável básica), o que indica a solu¸cão degenerada. O fato de o
decisor saber a priore que uma das restri¸cões é redundante (recursos supérfluos), traz
grande vantagem na tomada de decisão. A informa¸cão também pode levar a descober-
tas de distor¸cões e irregularidades na modelagem do problema. Vejamos o problema
graficamente. Observe que a restri¸cão x1 + 4x2 ≤ 8 (reta vermelha) pode ser removida
Figura 4.1:
sem comprometer a região de viabilidade (abaixo da reta verde). Dizemos que o ponto
(0, 2) é superdeterminado.
c) Problema de Múltiplas Solu¸cões: Se no quadro final simplex resultar numa
solu¸cão ótima com coeficiente de uma variável não básica igual a zero, significa que ela
poderá entrar na base sem alterar o valor da fun¸cão objetivo, gerando outra solu¸cão
ótima. Neste caso, teremos solu¸cões múltiplas, pois qualquer combina¸cão linear
dessas duas solu¸cões também será solu¸cão ótima. Observe o exemplo abaixo:
MaxZ = 2x1 + 4x2
sujeito a :



x1 + 2x2 ≤ 5
x1 + x2 ≤ 4
x1 ≥ 0, x2 ≥ 0
Z − 2x1 − 4x2 = 0
37

sujeito a :



x1 + 2x2 + f1 = 5
x1 + x2 + f2 = 4
x1 ≥ 0, x2 ≥ 0, f1 ≥ 0, f2 ≥ 0
a) Solu¸cão Básica Inicial (SBI):
(III) Z = 0
Variáveis que entra e sai da base:
• Variável que entra na base (VEB): x2, pois -4 é o coeficiente negativo de maior valor
absoluto.
• Variável que sai da base (VSB):f1
• Elemento Pivô: C3 L2 = 2
C1 C2 C3 C4 C5 C6
Z x1 x2 f1 f2 bi
L1 1 -2 -4 0 0 0
L2 0 1 2 1 0 5
L3 0 1 1 0 1 4
L2 −→
1
2
L2



1 23 −4 0 0 0
0 1/2 1 1/2 0 5/2
0 1 1 0 1 4



L1 −→ L1 + 4L2
L3 −→ L3 − L2



1 0 0 2 0 10
0 1/2 1 1/2 0 5/2
0 1/2 0 −1/2 1 3/2



Observe que o coeficiente de x1 é igual a zero, isso indica que x1 pode entrar na
solu¸cão básica sem alterar o valor da fun¸cão objetivo, contudo, sua entrada provocará
mudan¸cas nos valores das outras variáveis.
Vamos mostrar isto fazendo x1 entrar na base e for¸cando a sa´ıda de f2.
38




1 0 0 2 0 10
0 1/2 1 1/2 0 5/2
0 1/2 0 −1/2 1 3/2



L3 −→ 2L3



1 0 0 2 0 10
0 1/2 1 1/2 0 5/2
0 1 0 −1 2 3



L2 −→ L2 − 1
2
L3



1 0 0 2 0 10
0 0 1 1 −1 1
0 1 0 −1 2 3



a) Nova Solu¸cão:
(III) Z = 10
É importante notar que o Método Simplex fornece apenas os extremos do intervalo das
múltiplas solu¸cões. Na solu¸cão da itera¸cão 1,x1 = 0x2 = 5/2, significa que o ponto onde
a restri¸cão corta o eixo x2 é (0; 2, 5) na itera¸cão 2,x1 = 3, x2 = 1, isto é, o ponto ótimo
(vértice do poliedro convexo) é o ponto (3, 1). Portanto, todas as múltiplas solu¸cões
para o problema se encontram entre esses dois pontos.
39

Observe o gráfico do problema:
Figura 4.2:
b) Problema da Solu¸cão Ilimitada: Quando a variável que entra na base não
possui em sua coluna nenhum coeficiente positivo o problema possui solu¸cão ilimi-
tada. Devemos então, buscar a última solu¸cão básica antes da solu¸cão ter se tornado
ilimitada.
4.2.1 Critérios Para Aplica¸cão do Simplex
Os modelos de programa¸cão linear apresentados até aqui (maximiza¸cão) possuem as
seguintes caracter´ısticas:
• A fun¸cão objetivo deve ser maximizada
• Todas as variáveis de decisão são não negativas
• Existe uma solu¸cão básica inicial
Isso significa que, para aplica¸cão do Método Simplex, todas as caracter´ısticas mencio-
nadas devem ser satisfeitas, dessa forma, podemos perceber, que precisamos de técnicas
espec´ıficas para tratar de problemas que se referem a:
• Minimiza¸cão da Fun¸cão Objetivo
• Variáveis Livres
• Solu¸cão Básica Inicial
40

Para tratar de problemas que envolvem a minimiza¸cão da fun¸cão objetivo, devemos
multiplicá-la por -1, assim, obter-se-á uma fun¸cão equivalente para maximiza¸cão.
Quando as restri¸cões do modelo forem do tipo (≥), devemos acrescentar uma variável
com coeficiente negativo igual a -1 denominada de variável de excesso.
As restri¸cões do tipo (=), não recebem nem variáveis de folga nem variáveis de ex-
cesso.
Se houver variável livre no modelo, significa que a condi¸cão de não negatividade
não está satisfeita, nesses casos, podemos substitu´ı-la pela diferen¸ca de duas outras
variáveis não negativas, pois um número qualquer sempre pode ser escrito como a di-
feren¸ca de dois números positivos.
Sempre que houver restri¸cões do tipo (≥) ou ( = ), devemos acrescentar nessas
restri¸cões o que denominamos de variáveis artificiais ηi, cujo objetivo é for¸car uma
solu¸cão básica inicial para aplica¸cão do Método Simplex.
4.2.2 De Volta Para Modelo Original
Quando inserimos variáveis artificiais no modelo para produzir uma solu¸cão básica ini-
cial, perdemos a originalidade do mesmo com rela¸cão as suas variáveis iniciais, por isso
devemos buscar uma forma de retornar ao modelo original. As técnicas mais utilizadas
para retornar ao modelo original são:
• Método do Big M e
• Método da Fun¸cão Objetivo Auxiliar/ Método das duas Fases
Ambos os métodos têm o mesmo objetivo, eliminar as variáveis auxiliares do mo-
delo mantendo a solu¸cão básica inicial, isto é, transformá-las de variáveis básicas em
variáveis não básicas, em outras palavras, devemos fazer η1 = η2 = η3 = · · · = ηn = 0
e A = 0.
4.2.3 Método da Fun¸cão Objetivo Auxiliar
O Método da Fun¸cão Objetivo Auxiliar é aplicado em problemas de minimiza¸cão, ou
problemas que apresentam restri¸cões do tipo (≥) e (=) no mesmo modelo. O método
consiste na introdu¸cão de variáveis auxiliares ηi nas restri¸cões do modelo estudado,
para que assim, seja poss´ıvel a existência de uma solu¸cão básica inicial, critério
essencial para in´ıcio dos procedimentos da aplica¸cão do Método Simplex. Para melhor
entendermos, vamos descrever os passos para aplica¸cão do método em um exemplo.
Considere o modelo dado por:
MinZ = 3x1 + 2x2
41

sujeito a :



2x1 + x2 ≥ 10
x1 + 5x2 ≥ 15
x1 ≥ 0, x2 ≥ 0
Para aplica¸cão do Método Simplex, fa¸camos uma breve discussão:
A fun¸cão objetivo é de minimiza¸cão, então devemos multiplicá-la por -1:
MinZ = 3x1 + 2x2 · (−1) ⇒ −Z = −3x1 − 2x2, e portanto −Z + 3x1 + 2x2 = 0 é a
fun¸cão objetivo equivalente para maximiza¸cão.
As restri¸cões são do tipo (≥), então devemos introduzir as variáveis de excesso fi com
os coeficientes negativos (-1) e fi ≥ 0 em cada restri¸cão. Além disso, ainda pelo fato
de as restri¸cões serem do tipo (≥) devemos também inserir nas restri¸cões técnicas as
variáveis ηi auxiliares em cada uma das restri¸cões. Então:
Min(−Z) + 3x1 + 2x2 = 0
sujeito a :



2x1 + x2 − f1 + η1 = 10
x1 + 5x2 − f2 + η2 = 15
x1 ≥ 0, x2 ≥ 0, f1 ≥ 0, f2 ≥ 0, η1 ≥ 0, η2 ≥ 0
Depois de realizada a discussão, devemos construir a fun¸cão objetivo auxiliar A,
formada pela soma das variáveis auxiliares.
A = η1 + η2 + η3 + · · · + ηn
No modelo em estudo temos então A = η1 + η2.
A fun¸cão A deve ser escrita em termos das variáveis originais para compor o novo
objetivo a ser minimizado.
Assim, o próximo passo é escrever cada uma das variáveis artificiais das restri¸cões
técnicas em fun¸cão das variáveis originais, visando substitu´ı-las na fun¸cão objetivo au-
xiliar A.
• Restri¸cão 1: η1 = −2x1 − x2 + f1 + 10
• Restri¸cão 2: η2 = −x1 − 5x2 + f2 + 15.
Agora, devemos substituir η1 e η2 na fun¸cão objetivo auxiliar A.
A = −2x1 − x2 + f1 + 10 + −x1 − 5x2 + f2 + 15
que nos dá A = −3x1 − 6x2 + f1 + f2 + 25
Lembre-se que MinA = Max(−A) = 3x1 + 6x2 − f1 − f2 − 25.
42

• Fique Atento!: O objetivo inicial não é determinar a solu¸cão ótima, mas eliminar
as variáveis auxiliares, portanto, é necessário ficar atento na escolha da variável que
entra na base, esta deve ser àquela que expulsa uma das variáveis auxiliares do qua-
dro simplex. Isso deverá ocorrer enquanto houver variável auxiliar no modelo, quando
todas forem eliminadas, devemos abandonar o quadro simplex e retornar ao quadro
original com a solu¸cão básica inicial mantida. Ressaltamos que, isso ocorrerá quando:
η1 = η2 = η3 = · · · = ηn = 0 e A = 0
Pode haver casos em que a fun¸cão auxiliar A apresenta solu¸cão ótima quando todas
as variáveis auxiliares já são iguais a zero, neste caso, o problema é imposs´ıvel de
ser resolvido, isto é, não existe solu¸cão. Além disso, é poss´ıvel que as variáveis não
básicas não possuam condi¸cões de expulsar uma variável básica auxiliar, nesse caso,
não haverá solu¸cão básica, e consequentemente, o problema não apresentará solu¸cão.
Agora sim, estamos prontos para aplicar o Método Simplex no problema proposto de
minimiza¸cão. A Tabela Simplex com a fun¸cão objetivo auxiliar A é:
C1 C2 C3 C4 C5 C6 C7 C8
Variáveis Z x1 x2 f1 f2 η1 η2 bi
F.O original -1 3 2 0 0 0 0 0 L1
(R1) 0 2 1 -1 0 1 0 10 L2
(R2) 0 1 5 0 -1 0 1 15 L3
F.O auxiliar -1 -3 -6 1 1 0 0 -25 L4
Vamos escolher qualquer variável que entre na base com o objetivo de eliminar uma
variável auxiliar qualquer, isto é, provocar sua sa´ıda, no problema proposto temos que:
• Se a variável x1 entrar na base primeiro, então sai a variável básica auxiliar η1
• Se a variável x2 entrar na base primeiro, então sai a variável básica auxiliar η2
Sabendo disso, vamos come¸car mostrando uma solu¸cão básica inicial com as variáveis
artificiais:
(I) Variáveis não básicas: x1 = 0, x2 = 0, f1 = 0, f2 = 0
(II) Variáveis básicas: η1 = 10, η2 = 15
(III) Z = 0
Cálculo da Nova Solu¸cão Básica:
• A variável que entra na base é x2, pois | − 6| = 6 e a coluna pivô é C3.
• A variável que sai da base é a primeira que se anula com a entrada de x2, no caso é
η2, pois estamos considerando:
15
5
= 3 é o menor quociente obtido da divisão dos ter-
mos independentes pelos elementos da coluna pivô (exceto números negativos e zero)
e a linha pivô será L3.
43

• Elemento Pivô: C3 L3 = 5 (5 é o elemento que deverá ser transformado no ele-
mento pivô).
Aplicaremos a opera¸cão elementar L3 −→
1
5
L3 na tabela anterior, visando transformar
o elemento pivô em 1, para assim iniciarmos o processo com as matrizes.
C1 C2 C3 C4 C5 C6 C7 C8
Variáveis Z x1 x2 f1 f2 η1 η2 bi
F.O original -1 3 2 0 0 0 0 0 L1
(R1) 0 2 1 -1 0 1 0 10 L2
(R2) 0 1 5 0 -1 0 1 15 L3
F.O auxiliar -1 -3 -6 1 1 0 0 -25 L4
L3 −→
1
5
L3
O que nos dá:






−1 3 2 0 0 0 0 0
0 2 1 −1 0 1 0 10
0 1
5
1 0 −1
5
0 1
5
3
−1 −3 −6 1 1 0 0 −25






L1 −→ L1 − 2L3
L2 −→ L2 − L3
L4 −→ L4 + 6L3






−1 13/5 0 0 2/5 0 −2/5 −6
0 9/5 0 −1 −1/5 1 −1/5 7
0 1/5 1 0 −1/5 0 1/5 3
−1 −9/5 0 1 −1/5 0 6/5 −7






Da última matriz podemos tirar as seguintes informa¸cões:
• Variáveis não básicas: x1 = f1 = f2 = η2 = 0
• Variáveis básicas: x2 = 3, η1 = 7
• Variável que entra na base: x1, coluna pivô C2
• Variável básica que sai da base: η1
• Elemento Pivô: 9
5
• Z = −6 (não convém)
Aplicando a opera¸cão elementar L2 −→
5
9
L2 na linha pivô (na última matriz), temos:






−1 13/5 0 0 2/5 0 −2/5 −6
0 1 0 −5/9 1/9 5/9 −1/9 35/9
0 1/5 1 0 −1/5 0 1/5 3
−1 −9/5 0 1 −1/5 0 6/5 −7






44

L1 −→ L1 − 13
5
L2
L3 −→ L3 − 1
5
L2
L4 −→ L4 + 9
5
L2






−1 0 0 13/9 1/9 −13/9 −1/9 −145/9
0 1 0 −5/9 1/9 5/9 −1/9 35/9
0 0 1 1/9 −2/9 −1/9 2/9 20/9
−1 0 0 0 0 1 1 0






Está matriz nos dá a nova solu¸cão básica.
Agora, temos as seguintes informa¸cões:
• Variáveis não básicas: f1 = f2 = η1 = η2 = 0
• Variáveis básicas: x1 = 3, ¯88, x2 = 2, ¯22
Observe que, agora, a solu¸cão básica está formada com as variáveis originais, pois
η1 = η2 = 0. Assim, podemos abandonar o último quadro e reescrever a nova tabela
Simplex sem as variáveis auxiliares e sem a fun¸cão objetivo auxiliar.
C1 C2 C3 C4 C5 C6
Z x1 x2 f1 f2 bi
L1 -1 0 0 13/9 1/9 -145/9
L2 0 1 0 -5/9 1/9 35/9
L3 0 0 1 1/9 -2/9 20/9
Veja que não há coeficientes negativos na fun¸cão objetivo, isto significa que a solu¸cão
−Z = −
145
9
⇒ Z =
145
9
é a solu¸cão ótima se, e somente se, x1 =
35
9
e x2 =
20
9
.
45

CAPÍTULO 5
DUALIDADE
Um problema que dá origem a maximiza¸cão ou minimiza¸cão em Programa¸cão Linear, é
chamado de Modelo Primal. Já mostramos que tais modelos são escritos da seguinte
forma:
MaxZ =
n
j=1
cjxj
Sujeita a:
n
j=1
aijxj ≤ bi ∀ i = 1, 2, 3, . . . , m sendo xj ≥ 0
ou
MinZ =
n
j=1
cjxj
Sujeita a:
n
j=1
aijxj ≥ bi ∀ i = 1, 2, 3, . . . , m sendo xj ≥ 0
Para todo modelo primal, tem-se associado um outro modelo denominado de Mo-
delo Dual. O modelo dual é subsequente do modelo primal, isto é, se o modelo
primal é de maximiza¸cão ou minimiza¸cão, então o modelo dual será de minimiza¸cão
ou maximiza¸cão.
46

O modelo dual associado ao primal será escrito como:
MinW =
m
i=1
biyi
Sujeita a:
m
i=1
aijyi ≥ cj ∀ j = 1, 2, 3, . . . , m sendo yi ≥ 0
ou
MaxW =
m
i=1
biyi
Sujeita a:
m
i=1
aijyi ≤ cj ∀ j = 1, 2, 3, . . . , m sendo yi ≥ 0
Analisando os modelos primal e dual, pode-se concluir que:
• Os termos independentes das restri¸cões do primal, são os coeficientes da fun¸cão ob-
jetivo do dual;
• Os coeficientes da fun¸cão objetivo do primal, são os termos independentes do dual;
• O número de variáveis do primal, corresponde ao número de restri¸cões do dual. Isto
é, o dual tem tantas variáveis quantas restri¸cões há no primal;
• Na transforma¸cão do primal para o dual, o dual perde uma variável existente no
primal;
• Os resultados do primal e do dual são iguais;
• O dual do problema dual resulta no primal;
• O dual será indicado no quadro Simplex pelos coeficientes das variáveis de folga
(ou excesso) na linha da fun¸cão objetivo da situa¸cão final, e irá representar os custos
internos que vamos denominar de pre¸cos sombra.
5.1 Problema Primal × Problema Dual:
Dado um problema de programa¸cão Linear do tipo MaxZ =
n
j=1
cjxj. Na forma ma-
tricial temos;
MaxZ = CX
Sujeita a: AX ≤ B com X ≥ 0.
Então a forma matricial do seu modelo dual será:
MinW = BY
Sujeita a: AT
Y ≥ C com Y ≥ 0.
Veja que, o modelo dual associado ao modelo primal é determinado pela transposta da
matriz dos coeficientes das variáveis yi do modelo dual com sinal ≥. Além disso, os
coeficientes ci do modelo primal, passam a ser os termos independentes do modelo dual.
47

Vejamos um exemplo:
MaxZ = 4x1 + 6x2 + 5x3
sujeito a :



2x1 + 5x2 + 3x3 ≤ 23
x1 + 3x2 + 4x3 ≤ 19
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
• Representa¸cão Matricial do Primal
Max Z = 4 6 5



x1
x2
x3



Sujeito a:
2 5 3
1 3 4



x1
x2
x3


≤
23
19
Como já sabemos:
• Os termos independentes das restri¸cões do primal, são os coeficientes da fun¸cão ob-
jetivo do dual, isto é:
21 16
·• Os coeficientes da fun¸cão objetivo do primal, correspondem aos termos independentes
do dual, o que nos dá:



4
6
5



• Os termos independentes do primal, agora são os coeficientes da fun¸cão objetivo do
dual;
21 16
• A matriz dos coeficientes das restri¸cões do dual, corresponde à transposta da matriz
do primal, ou seja:



2 1
5 3
3 4



48

• O número de restri¸cões do dual, corresponde ao número de variáveis do primal com
a perda de uma variável, no caso x3.
y1
y2
Então, o modelo dual pode ser escrito:
MinW = 21 16 ·
y1
y2
Sujeito a:



2 1
5 3
3 4



y1
y2
≥



4
6
5



Isto é:
MinW = 23y1 + 19y2
Sujeito a :



2y1 + y2 ≥ 4
5y1 + 3y2 ≥ 6
3y1 + 4y2 ≥ 5
y1 ≥ 0, y2 ≥ 0
Então temos:
Modelo Primal
MaxZ = 4x1 + 6x2 + 5x3
Sujeito a :



2x1 + 5x2 + 3x3 ≤ 23
x1 + 3x2 + 4x3 ≤ 19
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
49

Modelo Dual
MinW = 23y1 + 19y2
sujeito a :



2y1 + y2 ≥ 4
5y1 + 3y2 ≥ 6
3y1 + 4y2 ≥ 5
y1 ≥ 0, y2 ≥ 0
5.1.1 Algor´ıtmo de Transforma¸cão do Primal Para Dual
O algor´ıtmo que será apresentado para transformar um modelo primal em um modelo
dual será denominado de Método Indiano, ele facilitará em muito o processo que envolve
transforma¸cão de problemas primais em problemas duais, para aplica¸cão do algor´ıtmo,
voltemos ao problema anterior, obter o modelo dual correspondente ao modelo primal:
MaxZ = 4x1 + 6x2 + 5x3
Sujeito a :



2x1 + 5x2 + 3x3 ≤ 23
x1 + 3x2 + 4x3 ≤ 19
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
Construa a matriz ampliada do conjunto de restri¸cões técnicas
A =



2 5 3 23
1 3 4 19
− − − −



Introduza os coeficientes e o termo independente da fun¸cão objetivo na última linha
da matriz.
Note que, se Z = 0 (solu¸cão básica inicial), então 4x1 + 6x2 + 5x3 = 0.
A =



2 5 3 23
1 3 4 19
4 6 5 0



Calcule At
At
=






2 1 4
5 3 6
3 4 5
23 19 0






50

Que corresponde ao modelo dual
MinW = 23y1 + 19y2
sujeito a :



2y1 + y2 ≥ 4
5y1 + 3y2 ≥ 6
3y1 + 4y2 ≥ 5
y1 ≥ 0, y2 ≥ 0
Vejamos um exemplo:
Uma fábrica de embalagens produz dois tipos de caixas, cereais e sabão em pó. Nas
caixas de cereais são gastos 60dm2
de papelão e 0,20 homem-hora1
e nas caixas de sabão
em pó gastam-se 100dm2
de papelão e 0,25 homem-hora. A empresa pode contar dia-
riamente, com 100m2
de papelão e, atualmente, possui 5 funcionários que trabalham 6
horas por dia. Sabendo-se que a contribui¸cão para o lucro das caixas de cereais e das
caixas de sabão em pó é de R$ 5,00 e R$ 8,00 respectivamente, responda:
a) Qual o modelo que maximiza o lucro da fábrica?
b) Quantas caixas de cereais e de sabão em pó a fábrica deve produzir para obter
o lucro máximo? Qual é esse lucro?
c) Com quais valores cada recurso utilizado deve contribuir para forma¸cão do lucro
na venda de cada caixa? Fa¸ca uma análise econômica?
Solu¸cão (a): Inicialmente, vamos fazer a MODELAGEM. Chamaremos de n´ıveis
de produ¸cão das caixas de cereais e sabão em pó de x1 e x2 respectivamente. Para
produ¸cão diária das caixas de cereais são gastos 60dm2
de papelão e para as caixas
de sabão em pó 100dm2
, como existe uma disponibilidade máxima diária de 100m2
,
tem-se que 60x1 + 100x2 ≤ 10.000 (100m2
−→ 10.000dm2) que é a restri¸cão (R1). A
segunda restri¸cão é composta pelo recurso Homem-hora. Para as caixas de cereal e
sabão em pó necessitam-se de 0,20 e 0,25 homens-hora respectivamente, isso nos leva
a segunda restri¸cão (R2): 0, 20x1 + 0, 25x2 ≤ 30. As contribui¸cões individuais para o
lucro da fábrica são R$ 5,00 para as caixas de cereais e R$ 8,00 para as caixas de sabão
em pó, e portanto, a fun¸cão objetivo é MaxZ = 5x1 + 8x2 = 0. Em resumo, o modelo
pode ser escrito.
1
Unidade convencionada e subjetiva que mede a quantidade de trabalho realizada por uma pessoa
durante uma hora.
51

MODELO PRIMAL
MaxZ = 5x1 + 8x2
Sujeito a :



60x1 + 100x2 ≤ 10.000
20x1 + 25x2 ≤ 3000
x1 ≥ 0, x2 ≥ 0
b) Vamos aplicar o Método Simplex para responder a pergunta: Quantas caixas de
cereais e de sabão em pó a fábrica deve produzir para obter o lucro máximo?
De MaxZ = 5x1 + 8x2 temos Z − 5x1 − 8x2 = 0.
Inserindo as variáveis de folga f1 e f2 nas restri¸cões temos:



60x1 + 100x2 + f1 = 10.000
20x1 + 25x2 + f2 = 3.000
x1 ≥ 0, x2 ≥ 0, f1 ≥ 0, f2 ≥ 0
C1 C2 C3 C4 C5 C6
Z x1 x2 f1 f2 bi
L1 1 -5 -8 0 0 0
L2 0 60 100 1 0 10.000
L3 0 20 25 0 1 3.000
Podemos observar que:
A solu¸cão básica inicial é dada por:
• Variáveis não básicas:



x1 = 0
x2 = 0
• Variáveis básicas:



f1 = 10.000
f2 = 3.000
A variável que entra na base2
é x2 e portanto a coluna pivô é C3.
A variável que sai da base3
é f1 e então a linha pivô é L2.
O elemento pivô é dado por C3 L2 = 100
2
Aquela que possui coeficiente negativo de maior valor absoluto
3
identificada pela divisão dos termos independente com elementos da coluna pivô
52

Dadas todas as informa¸cões necessárias, vamos às itera¸cões que nos mostrará a
nova solu¸cão.
C1 C2 C3 C4 C5 C6
Z x1 x2 f1 f2 bi
L1 1 -5 -8 0 0 0
L2 0 60 100 1 0 10.000
L3 0 20 25 0 1 3.000
L2 −→
1
100
L2



1 −5 −8 0 0 0
0 3/5 1 1/100 0 100
0 20 25 0 1 3.000



L1 −→ L1 + 8L2
L3 −→ L3 − 25L2



1 −1/5 0 8/100 0 800
0 3/5 1 1/100 0 100
0 5 0 −1/4 1 500



Desse ultimo quadro (matriz), podemos notar que a solu¸cão ainda não é ótima4
, dessa
forma, devemos continuar as itera¸cões na busca da solu¸cão ótima, mas antes, vamos
analisar o último quadro:
A solu¸cão básica é:
• Variáveis não básicas:



x1 = 0
f1 = 0
• Variáveis básicas:



x2 = 100
f2 = 500
A variável que entra na base é x1 e a coluna pivô é C2.
A variável que sai da base é f2 e a linha pivô é L3.
O elemento pivô é C2 L3 = 5
Multiplicando toda a linha L3 por
1
5
, isto é L3 −→
1
5
L3 temos:
4
Pois ainda existe coeficiente negativo na fun¸cão objetivo (primeira linha da matriz).
53

Cálculo da nova solu¸cão básica:



1 −1/5 0 8/100 0 800
0 3/5 1 1/100 0 100
0 1 0 −1/20 1/5 100



L1 −→ L1 + 1
5
L3
L2 −→ L2 − 3
5
L3



1 0 0 7/100 1/25 820
0 0 1 3/100 −3/25 40
0 1 0 −1/20 1/5 100



No novo quadro Simplex podemos ver que para a fábrica conseguir um lucro máximo
de R$ 820,00 diariamente, é necessário produzir 40 caixas de cereais e 100 caixas de
sabão em pó.
No item (c) a pergunta é: Com quais valores cada recurso utilizado deve contribuir
para forma¸cão do lucro na venda de cada caixa? Isso nos remete ao que denominamos
de pre¸cos sombra.
Na Dualidade o principal objetivo é identificar o valor de oportunidade de cada re-
curso produtivo envolvido na produ¸cão de bem. O gestor decide por meio da Dualidade
se existe a necessidade de produ¸cão de um bem, ou mesmo, se mantém em estoque os
recursos envolvidos no processo produtivo. Chamamos de Pre¸cos Sombra, os valores
duais, que tem o significado de ser a contribui¸cão unitária de cada recurso utilizado
para forma¸cão do lucro que é produzido na venda do bem, ou seja, os pre¸cos sombra
são os valores por unidade dos recursos adicionais.
Então, para análise dos pre¸cos sombras, precisamos do MODELO DUAL:
Tal modelo pode ser obtido da transposta da matriz ampliada do primal:
A =



60 100 10.000
20 25 3.000
5 8 0



At
=



60 20 5
100 25 8
10.000 3.000 0



54

Então o modelo dual será:
MinW = 10.000y1 + 3.000y2
Sujeito a :



60y1 + 20y2 ≥ 5
100y1 + 25y2 ≥ 8
y1 ≥ 0, y2 ≥ 0
5.1.2 Análise Econômica do Dual:
Do quadro final Simplex do primal, podemos construir um quadro final Dual Simplex
da seguinte forma:
W y1 y2 s1 s2 B
1 0 0 100 40 820
1 0 7/100
0 1 1/25
• O valor de y1 (0,07) foi obtido do coeficiente f1, e representa, portanto, o valor de
oportunidade do recurso R1, isto é, cada unidade do recurso R1 tem a capacidade de
gerar um lucro de R$ 0,07.
• O valor de y2 (0,04) foi obtido do coeficiente f2, e representa, portanto, o valor de
oportunidade do recurso R2, isto é, cada unidade do recurso R2 tem a capacidade de
gerar um lucro de R$ 0,07.
Os valores de y1 e y2 são, portanto, o valor de oportunidade por unidade do recurso R1
e R2, isto é, a capacidade de os recursos gerarem lucro nessa situa¸cão. Veja que, na
solu¸cão ótima, os valores coincidem com o lucro atribu´ıdo aos produtos pelo mercado,
ou seja, o valor de oportunidade do mercado.
Cada uma das restri¸cões compara o valor de oportunidade atribu´ıda aos produtos pelos
recursos, com o valor de oportunidade atribu´ıdo aos produtos pelo mercado. Vamos
fazer uma verifica¸cão pela primeira restri¸cão do modelo dual:
• Caixas de Cereal: A restri¸cão 60y1 + 20y2 ≥ 5 nos mostra que para produzir uma
caixa de cereal são necessários 60dm2
de papelão mais 20 homens/hora, estes recurso
são denominados valor interno(lado esquerdo da desigualdade). O valor (5) (lado
direito da desigualdade), indica o valor de oportunidade atribu´ıdo pelo mercado,
este valor também é conhecido como valor externo. Quando a remunera¸cão do
mercado (valor externo) cobre o valor interno, o produto pode ser fabricado.
55

Se o valor de mercado for menor que o valor interno, o produto poderá ser ou não
fabricado. Mas fique atento, se o valor interno superar o valor externo, então algo
de errado pode está ocorrendo dentro da empresa, como: problemas na negocia¸cão de
pre¸cos dos recursos produtivos junto aos fornecedores, ou a empresa pode estar atuando
com margens de lucros muito pequenas.
Vejamos o que está ocorrendo na Fábrica de caixas de cereal e sabão em pó em rela¸cão a
primeira restri¸cão 60y1 + 20y2 ≥ 5. Substituindo os valores (pre¸cos sombra) no modelo
tem-se:
60(0, 07) + 20(0, 04) ≥ 5 ⇒ 5 ≥ 5
O resultado nos mostra que o valor interno é igual ao valor externo, quando isso
acontece, significa que o bem deve ser fabricado, portanto, as caixas de cereal devem
ser fabricadas.
De forma análoga, na segunda restri¸cão, tem-se que o valor interno é igual ao valor ex-
terno, e portanto as caixas de sabão em pó também podem ser fabricadas. A decisão de
fabricar ou não um bem deve ser tomada com base no desempenho do modelo quanto
ao pre¸co sombra, se ao substituir o pre¸co sombra no modelo o resultado indicar que o
valor interno é menor ou igual do que o valor externo, sugere-se fabricar o
bem, no entanto, se o valor interno é maior do que o valor externo, sugere-se
que o produto não seja fabricado5
.
Exemplo 2: Considere uma empresa que fabrica porta e portões de ferro cujo mo-
delo que maximiza os lucros da empresa é:
MaxZ = 200x1 + 500x2
Sujeito a :



20x1 + 30x2 ≤ 120
20x1 + 10x2 ≤ 80
x1 ≥ 0, x2 ≥ 0
.
Sendo R1: Recurso Ferro (Restri¸cão 1) e R2: Horas mão de obra e a situa¸cão
final do quadro Simplex
Z x1 x2 f1 f2 b
1 133,3 0 16,66 0 2.000
0 0,67 1 0,03 0 4
0 13,33 0 -0,33 1 40
5
Note que, em termos de mercado, dificilmente o produto não seria fabricado, pois isso poderia
resultar em perdas significativas para a empresa, como clientes insatisfeitos e perda de participa¸cão
de mercado. Cabe ao decisor analisar o cenário atual para decidir sobre o fabrico ou não do produto.
56

Pergunta-se:
a) Qual o modelo Dual?
b) Qual o quadro Dual Simplex (situa¸cão final)?
c) Qual o valor de oportunidade do recurso R1. Explique.
d) Qual o valor de oportunidade do recurso R1. Explique.
e) Se você fosse o Engenheiro de Produ¸cão dessa fábrica, você produziria portões de
ferro? Por quê?
f) Quanto as portas de ferro, vale a pena a produ¸cão desse bem? Por quê?
Solu¸cão: O modelo Primal é: MaxZ = 200x1 + 500x2
Sujeito a :



20x1 + 30x2 ≤ 120
20x1 + 10x2 ≤ 80
x1 ≥ 0, x2 ≥ 0
.
O modelo Dual é dado pela matriz transposta da matriz ampliada do primal, isto
é:
A =



20 30 120
20 10 80
200 500 0



At
=



20 20 200
30 10 500
120 80 0



logo:MinW = 120y1 + 80y2
Sujeito a :



20y1 + 20y2 ≥ 200
30y1 + 10y2 ≥ 500
y1 ≥ 0, y2 ≥ 0
O quadro final Dual Simplex é:
W y1 y2 s1 s2 B
1 0 40 0 4 2000
1 0 16,66
0 1 133,33
O valor de oportunidade do recurso R1 (ferro) é R$ 16,66, isto é, cada unidade do
recurso I, se aumentada, tem capacidade de gerar R$ 16,66 de lucro para empresa.
57

Já o recurso R2 (mão de obra),não é escasso6
. Veja que de fato o resultado é
lógico, se y2 = 0, então existem 40 horas de mão de obra dispon´ıveis para uso.
Agora, vamos comparar o valor de oportunidade atribu´ıda ao produto pelos recursos
de cada uma das restri¸cões com o valor atribu´ıdo aos produtos pelo mercado.
• Da primeira restri¸cão do Dual temos: 20y1 + 20y2 ≥ 200. Veja que a restri¸cão dual
indica quanto de cada recurso é utilizado na fabrica¸cão de uma porta de ferro, isto é,
para produzir uma porta de ferro, são necessários 20 unidades do recurso ferro e 20
horas de mão de obra. Substituindo os valores de oportunidade de cada recurso temos:
20(16, 66) + 20(0) ≥ 200 ⇒ 333, 2 ≥ 200
Isso significa que o valor interno (lado esquerdo da desigualdade) supera o valor ex-
terno (lado direito da desigualdade), nesse caso, sugere-se não fabricar portas de ferro,
pois algum problema pode está ocorrendo na empresa, como estabelecimento de uma
margem muito pequena de lucro.
• Da segunda restri¸cão do Dual temos: 30y1 + 10y2 ≥ 500, ou seja, para fabricar
um portão de ferro, são necessários 30 unidades de ferro e 10 horas de mão de obra.
Substituindo os valores de oportunidade de cada recurso temos:
30(16, 66) + 10(0) ≥ 500 ⇒ 499, 8 ≥ 500
Isso significa que o valor de mercado cobre o valor interno, e dessa forma, o produto
pode ser fabricado.
Conclusão: Pode-se fabricar os portões de ferro, mas é necessário cautela na decisão
de fabricar portas de ferro, recomenda-se o não fabrico desse produto.
Agora, imagine que a empresa decida realizar um estudo para verificar o impacto que
a fabrica¸cão de uma unidade de porta de ferro (x1) causaria na resultado final da
fabrica¸cão dos portões (x2) e como o lucro da empresa (Z) seria afetado com essa
fabrica¸cão.
Para isso, vamos procurar na coluna de x2 o elemento pivô (1). Como o produto a ser
fabricado será x1, devemos localizar na linha do elemento pivô o valor correspondente
em x1, que no caso é 0, 67. Este valor representa a varia¸cão que x2 sofrerá com a
fabrica¸cão de x1, então, ∆x2 = −0, 67 (varia¸cão negativa), pois x2 + 0, 67 = 4, o que
resulta em x2 = 3, 33. Da´ı tem-se que se, Z = 200x1 + 500x2 ⇒ Z = 200.(1) +
500(3, 33) ∴ Z = 1.865.
Esse resultado, mostra que se uma unidade de porta de ferro for fabricada, haverá um
preju´ızo para a empresa de R$ 135,00. Isso se chama Análise de Sensibilidade, é
o que estudaremos no próximo cap´ıtulo.
6
Não escassez significa um bem que não é desejado, Não há procura por esse bem no mercado.
Matematicamente isso ocorre quando uma variável de decisão do Dual é não básica (igual a zero), pois
se isto acontece, é devido ao valor da variável de folga no quadro final do primal, que indica sobra de
recursos.
58

CAPÍTULO 6
ANÁLISE DE SENSIBILIDADE
Segundo Lachtermacher (2009) uma das hipótese dos problemas de programa¸cão linear
é a certeza sobre os valores dos coeficientes da fun¸cão objetivo e das constantes das
restri¸cões. Na modelagem de um problema em Pesquisa Operacional, a inclusão de da-
dos cujos valores são dependentes do mercado podem sofrer varia¸cões com o tempo ou
com a inser¸cão de novas informa¸cões. Por isso , a pesquisa da estabilidade da solu¸cão
adotada em face dessas varia¸cões é muito importante. Nesse estudo, veremos que a
solu¸cão otimizada é dependente dos coeficientes da fun¸cão objetivo (geralmente lucro,
receita ou custo), dos coeficientes e das constantes das restri¸cões (geralmente necessi-
dades por produto e disponibilidade de um recurso). Como quase nunca temos certeza
destes valores na vida real, devemos saber o quanto a solu¸cão otimizada está depen-
dente de uma determinada constante ou coeficiente. Se for observada uma alto grau de
dependência, devemos tomar um grande cuidado na determina¸cão dessa solu¸cão. Para
isso, realizaremos uma análise pós-otimiza¸cão que tem o intuito de verificar as
poss´ıveis varia¸cões para cima e para baixo dos valores dos coeficientes da fun¸cão
objetivo, dos coeficientes e das constantes das restri¸cões, sem que os pre¸cos
sombra sejam alterados. Este estudo é denominado de Análise de Sensibilidade.
Para realiza¸cão dele, devemos responder basicamente a três perguntas:
Qual o efeito de uma mudan¸ca num coeficiente da fun¸cão objetivo?
Qual o efeito de uma mudan¸ca numa constante (termo independente) de uma res-
tri¸cão?
Qual o efeito de uma mudan¸ca num coeficiente de uma restri¸cão?
59

Existem dois tipos básicos de análise de sensibilidade.
O primeiro estabelece limites inferiores e superiores para todos os coeficientes da
fun¸cão objetivo e para as constantes das restri¸cões.
O segundo verifica se mais de uma mudan¸ca simultânea em um problema altera a
sua solu¸cão ótima.
Para melhor compreen¸cão do que foi exposto, vamos resolver o problema da fabrica de
tijolos.
Uma fabrica produz dois tipos de tijolos para constru¸cão civil: tijolo baiano e tijolo
comum. A fábrica gasta 2 unidades do recurso I e 4 unidade dos recurso II na fa-
brica¸cão dos tijolos do tipo baiano. Na fabrica¸cão dos tijolos do tipo comum são gastos
5 unidades do recurso I e 5 unidades do recurso II. A contribui¸cão para o lucro dos
tijolos baiano e comum é R$ 10,00 e R$ 14,00, respectivamente. A fábrica dispõe de
400 unidades do recurso I e 600 unidades do recurso II. Deseja-se saber quais as quan-
tidades que devem ser produzidas para que o lucro da empresa seja máximo.
O modelo que maximiza o lucro da fábrica é:
MaxZ = 10x1 + 14x2
Sujeito a :



2x1 + 5x2 ≤ 400
4x1 + 5x2 ≤ 600
x1 ≥ 0, x2 ≥ 0
.
O quadro que Simplex inicial é:
C1 C2 C3 C4 C5 C6
Z x1 x2 f1 f2 bi
L1 1 -10 -14 0 0 0
L2 0 2 5 1 0 400
L3 0 4 5 0 1 600
Após todas as itera¸cões para determina¸cão da solu¸cão ótima tem-se o seguinte quadro
final:
C1 C2 C3 C4 C5 C6
Z x1 x2 f1 f2 bi
L1 1 0 0 3/5 11/5 1.560
L2 0 0 1 2/5 -1/5 40
L3 0 1 0 -1/2 1/2 100
60

Analisando o último quadro, podemos afirmar que:
Para maximizar os lucros da fábrica de tijolos em R$ 1.560 u.m é necessário a
produ¸cão diária de 100 unidades de tijolo baiano e 40 unidades de tijolo comum.
O valor de oportunidade (pre¸co sombra) do tijolo baiano é de R$ 0,60 u.m e do tijolo
comum é de R$ 2,20 u.m. Portanto a capacidade dos tijolos baiano e comum de gerar
lucro para a fábrica é de R$ 0,60 u.m e R$ 2,20 u.m respectivamente.
É importante observar se o valor de oportunidade atribu´ıdo aos produtos pelos
recursos é maior, menor ou igual ao valor de oportunidade atribu´ıdo aos produtos pelo
mercado. Para isso precisamos do modelo dual:
A =



2 5 400
4 5 600
10 14 0



At
=



2 4 10
5 5 14
400 600 0



O modelo dual é:
MinW = 400y1 + 600y2
Sujeito a :



2y1 + 4y2 ≥ 10
5y1 + 5y2 ≥ 14
y1 ≥ 0, y2 ≥ 0
Da primeira restri¸cão temos 2y1 + 4y2 ≥ 10 ⇒ 2(0, 60) + 4(2, 20) = 10, 00, e por-
tanto, o valor de oportunidade de mercado é igual ao valor de oportunidade atribu´ıdo
ao produto pelo recurso, recomenda-se a fabrica¸cão dos tijolos do tipo baiano.
De forma análoga podemos interpretar a situa¸cão na segunda restri¸cão, pois: 5y1 +
5y2 ≥ 14 ⇒ 5(0, 60) + 5(2, 20) = 14, o nos mostra que os tijolos do tipo comum
também podem ser fabricados.
Mas, se quisermos saber, qual o intervalo de estabilidade dos recursos I e II (termos
independentes)?
Esse estudo deve ser realizado separadamente, portanto, inicialmente, vamos ver como
identificar um intervalo estável para o recurso I, isto é, vamos identificar os valores
máximo e minimo no qual podemos crescer e decrescer este recurso sem alterar o pre¸co
sombra.
61

Para isso, vamos considerar apenas as restri¸cões do modelo primal
Sujeito a :



2x1 + 5x2 ≤ 400
4x1 + 5x2 ≤ 600
x1 ≥ 0, x2 ≥ 0
.
6.0.1 Aplica¸cão da Análise de Sensibilidade: Intervalo de Es-
tabilidade do Recurso I
Se queremos estabelecer o intervalo de varia¸cão do recurso I, devemos tomar a primeira
restri¸cão do primal:
2x1 + 5x2 ≤ 400
Para identificar o intervalo de varia¸cão do recurso I devemos obter os pontos (x1, 0) e
(0, x2) na segunda restri¸cão:
• Para x1 = 0 temos 4(0) + 5x2 = 600 ∴ x2 = 120 e portanto (0, 120)
• Para x2 = 0 temos 4x1 + 5(0) = 600 ∴ x1 = 150 e portanto (150, 0)
Esses valores são os limites aceitáveis para o recurso I, dessa forma, substituindo os
pontos encontrados na restri¸cão que representa o recurso I temos:
• Para (0, 120) ⇒ 2(0) + 5(120) = 600
• Para (150, 0) ⇒ 2(150) + 5(0) = 300
Esse dois valores são os limites admiss´ıveis para o crescimento das quantidades do
recurso I, logo, seu intervalo de varia¸cão será:
300 ≤ b1 ≤ 600
Como o recurso I dispon´ıvel é de 400 unidades, o valores podem decrescer de 100 uni-
dades ou aumentar de 200 unidades que o pre¸co sombra não se alterará e o valor de Z
permanecerá maximizado.
Obs: Esse método é baseado em análise geométrica, pois, mantendo-se a reta que
representa a segunda restri¸cão fixa, a reta que representa a primeira restri¸cão só po-
derá se deslocar até os pontos (0, 120) e (150, 0), devido a tal deslocamento somente
ser poss´ıvel enquanto houver interseçcão entre as duas retas.
62

tabilidade do Recurso II
Vamos obter o intervalo de varia¸cão do recurso II de forma análoga ao recurso I.
Tomando a segunda restri¸cão temos:
4x1 + 5x2 ≤ 600
vamos obter os limites aceitáveis de varia¸cão fazendo:
• x1 = 0 na primeira restri¸cão: 2(0) + 5x2 = 400 ∴ x2 = 80 da´ı (0, 80)
• x2 = 0 na primeira restri¸cão: 2x1 + 5(0) = 400 ∴ x1 = 200 da´ı (200, 0)
Substituindo os pontos na segunda restri¸cão temos:
• Para (0, 80) ⇒ 4(0) + 5(80) = 400
• Para (200, 0) ⇒ 4(200) + 5(0) = 800
Então, o intervalo de varia¸cão para o recurso II será:
400 ≤ b2 ≤ 800
Como o recurso II dispon´ıvel é de 600 unidades, os valores só podem crescer até 200
unidades e decrescer até 200 unidades sem alterar o pre¸co sombra.
tabilidade para os Coeficientes da Fun¸cão Objetivo
Assim como utilizamos a ideia de análise geométrica baseada nas retas que representa-
vam as restri¸cões, quando estabelecemos um intervalo de estabilidade para os recursos
(termos independentes), faremos o mesmo para determinar os intervalos de varia¸cão dos
coeficientes da fun¸cão objetivo, contudo, nesse caso, devemos garantir que, enquanto o
coeficiente angular da fun¸cão objetivo estiver entre os coeficientes angulares das retas
que determinam a solu¸cão ótima (restri¸cões), a solu¸cão ótima não se alterará.
Para isso, vamos considerar o problema proposto da fábrica de tijolos, em que a fun¸cão
objetivo é MaxZ = 10x1 + 14x2.
Sabemos que as restri¸cões do problema são:



2x1 + 5x2 ≤ 400
4x1 + 5x2 ≤ 600
x1 ≥ 0, x2 ≥ 0
.
63

Vamos, inicialmente, descobrir os coeficientes angulares de cada uma das retas que
representam as restri¸cões:
• 2x1 + 5x2 = 400 ⇒ 5x2 = −2x1 + 400 ∴ x2 = −
2
5
x1 + 400. Logo α = −
2
5
.
• 4x1 + 5x2 = 600 ⇒ 5x2 = −4x1 + 600 ∴ x2 = −
4
5
x1 + 600. Logo β = −
4
5
.
Agora devemos calcular o coeficiente da fun¸cão objetivo sabendo que:
−0, 80 ≤ Coeficiente da F.O ≤ −0, 4
De uma forma geral, a fun¸cão objetivo com duas variáveis de decisão pode ser escrita
como Z = c1x1 + c2x2, e portanto
x2 = −
c1
c2
x1 +
Z
c2
Podemos perceber que o seu coeficiente será dado por
θ = −
c1
c2
Vamos tomar a fun¸cão objetivo do problema
Z = 10x1 + 14x2 ∴ x2 = −
10
14
x1 +
Z
14
, donde θ = −
10
14
.
Assim, para obter o intervalo de estabilidade do coeficiente da fun¸cão objetivo, proce-
demos da seguinte forma:
−0, 80 ≤ −
c1
c2
≤ −0, 40
Inicialmente vamos supor que c1 sofrerá altera¸cão:



−
c1
14
≤ −0, 4
−
c1
14
≥ −0, 80
.
Para c2 = 14 temos:
−0, 80 ≤ −
c1
14
≤ −0, 40
−
c1
14
≥ −0, 80 ⇒ −c1 ≥ −11, 20 ∴ c1 ≤ 11, 20
−
c1
14
≤ −0, 4 ⇒ −c1 ≤ −5, 6 ∴ c1 ≥ 5, 6
5, 6 ≤ c1 ≤ 11, 20
64

Interpreta¸cão dos resultados: É sabido que os coeficientes da fun¸cão objetivo é a
contribui¸cão individual de cada variável para o lucro, que no caso provém da fabrica¸cão
de tijolos, dessa forma, podemos dizer que o intervalo da contribui¸cão para o lucro da
venda de tijolos do tipo baiano é 5, 6 ≤ c1 ≤ 11, 20, ou seja, 10−5, 6 ≤ c1 ≤ 11, 20−10,
o que nos leva a 4, 40 ≤ c1 ≤ 1, 20, isto é, c1 pode decrescer em 4,40 unidades ou au-
mentar em 1,20 unidades que o lucro permanecerá o mesmo. O lucro em ambas as
situa¸cões permaneceria o mesmo, pois os valores em questão se encontram dentro do
intervalo 5, 6 ≤ c1 ≤ 11, 20. Isso garante que o intervalo de estabilidade é leg´ıtimo.
Agora faremos c2 sofrer à altera¸cão:
Para c1 = 10 temos:
−0, 80 ≤ −
10
c2
≤ −0, 40



−
10
c2
≤ −0, 40
−
10
c2
≥ −0, 80
.
−
10
c2
≥ −0, 80 ⇒ −10 ≥ −0, 8c2 ∴ 12, 5 ≤ c2
−
10
c2
≤ −0, 4 ⇒ −10 ≤ −0, 4c2 ∴ 25 ≥ c2
12, 5 ≤ c2 ≤ 25
Interpreta¸cão dos resultados:
Nesse caso, o intervalo da contribui¸cão para o lucro da venda de tijolos do tipo comum
é 12, 5 ≤ c2 ≤ 25 . Isto é, pode decrescer até o limite de 1,5 unidades ou aumentar
até o limite de 11 unidades que o lucro permanecerá o mesmo, pois, se a contribui¸cão
para o lucro na fabrica¸cão de tijolos do tipo comum é de R$ 14,00, então, se fizermos
14 − 12, 5 ≤ c2 ≤ 25 − 14 teremos 1, 5 ≤ c2 ≤ 11. Portanto, o limite minimo permitido
é 1,5 unidades e o limite máximo permitido é de 11 unidades. O lucro em qualquer das
situa¸cões permaneceria o mesmo por se encontrarem dentro do intervalo de estabilidade,
assim, não há altera¸cão dos pre¸cos sombra, o que legitima o intervalo de estabilidade
encontrado.
6.0.4 Aplica¸cão da Análise de Sensibilidade: Mudan¸ca no Co-
eficiente de uma Restri¸cão
65

CAPÍTULO 7
TRANSPORTES
O problema de transportes é um problema de fluxo de redes, que esquematicamente é
representado por meio de grafos . Grafo é uma representa¸cão esquemática de pontos
que são ligados por linhas, os pontos são geralmente denominados por nós e as linhas
de arcos. Nós são c´ırculos em cujo interior é inserido um número ou letra que os
identifica, eles são ligados pelos arcos. Sobre os arcos são colocados valores represen-
tativos de suas capacidades, distâncias, tempo. Num problema de transporte é muito
comum que tais valores representem os custos de distribui¸cão. Aliás falar em problemas
de transportes significa resolver problemas de distribui¸cão. Os grafos bipartidos são
aqueles que geralmente mais aparecem em problemas de transporte, pois esses grafos
possuem dois nós com caracter´ısticas distintas.
66

7.1 Rela¸cão entre Redes e Transporte
Num modelo de distribui¸cão é necessário identificar duas informa¸cões muito importan-
tes: O ofertante e o demandante. O ofertante é aquele produz, distribui aquilo que
foi produzido, o demandante é aquele que procura, necessita do que foi produzido pelo
ofertante. Nosso esquema então será:
Figura 7.1:
• Do lado esquerdo encontram-se os nós 1, 2 e 3 que representam as origens.
• Respectivamente, ao lado das origens 1, 2 e 3, localizam-se as ofertas 50, 100 e 120.
• O somatório da oferta é igual a 270.
• Do lado direito estão localizados os nós 1 e 2 que correspondem aos destinos.
• As demandas 100 e 170 encontram-se ao lado dos nós 1 e 2 (destinos).
• O somatório das ofertas e das demandas são iguais a 270.
• Os custos dos transportes da origem i para os destinos j estão representados pelos
Cij, isto é: o custo do transporte da origem 1 para o destino 1 é dado por C11 = 10, o
custo de distribui¸cão da origem 1 para o destino 2 é de C12 = 12. De forma análoga,
os custos de transportes das origens 2 (azul) são C21 = 20, C22 = 8 e 3 (verde) são
C31 = 6 e C32 = 15.
• A quantidade m´ınima a ser transportada (os caminhos) de cada origem i para cada
destino j está representada pelos arcos vermelhos, azuis e verdes.
67

7.2 Sistemas Equilibrados e Não Equilibrados
Dois casos podem ocorrer quando da necessidade de resolver um problema de distri-
bui¸cão: o sistema pode estar em equil´ıbrio ou desequilibrado. Quando o sistema se
encontra equilibrado, as quantidades existentes na origem e no destino são iguais, isto
é, o somatório da oferta é igual ao somatório da demanda. No caso do sistema se
encontrar desequilibrado, as quantidades na origem e no destino são diferentes.
• Caso 1: Sistema Equilibrado A quantidade ofertada é igual a quantidade deman-
dada, isto é:
Oferta = Demanda
na figura 6.1 podemos observar que o sistema está equilibrado, pois
Oferta = Demanda = 270
• Caso 2: Sistema Não Equilibrado: A quantidade ofertada é diferente da quan-
tidade demandada, podem ocorrer duas situa¸cões:
Oferta > Demanda
ou
Oferta < Demanda
Quando a quantidade ofertada é maior do que a quantidade demandada, acrescenta-se
uma demanda fantasma no destino com custo zero e a carga obtida de Oferta−
Demanda, completando assim com a quantidade necessária para o equil´ıbrio da de-
manda.
Figura 7.2:
68

De forma análoga, se a quantidade do que se procura é maior do que a quantidade ofer-
tada, então acrescenta-se uma origem fantasma de valor Demanda− Oferta,
que irá equilibrar o sistema.
Figura 7.3:
Em verdade, as quantidades que são transportadas para o destino fantasma, ficam
depositadas na origem e tem o único intuito de equilibrar o sistema, o mesmo vale
para a origem fantasma, suas quantidades são mantidas nos depósitos originários e são
acrescentadas com o objetivo de manter o sistema balanceado.
7.3 Modelo para Transporte
a. Variáveis de Decisão: O significado das variáveis de decisão num modelo de
transporte são as quantidades a serem transportadas de uma origem i para
um destino j que denotaremos por xij. Cada arco no esquema de redes representa
uma das variáveis de decisão.
b. Fun¸cão Objetivo: A fun¸cão objetivo, no modelo de transporte, é dada pela
soma dos produtos dos custos individuais Cij de cada transporte realizado da origem i
para um destino j. O objetivo é minimizar os custos de transporte. De acordo com o
esquema apresentado na figura 6.1 temos a seguinte fun¸cão objetivo:
MinZ = 10x11 + 12x12 + 20x21 + 8x22 + 6x31 + 15x32
69

Podemos dizer então que a fun¸cão objetivo é um somatório duplo das cargas a serem
transportadas em que os ´ındices representam as origens e os destinos. De uma forma
geral, a fun¸cão objetivo ligada ao transporte pode ser escrita da seguinte forma:
MinZ =
m
i
n
j
xij
em que i indica a origem e j o destino.
c. Restri¸cões: As restri¸cões do problema de transporte estão relacionadas as capa-
cidades das quantidades existentes na origem (disponibilidade) e no destino (necessi-
dade). No problema em comento temos que,as quantidades retiradas das origens devem
ser a disponibilidade existente em cada uma delas
Restri¸cões de Disponibilidade:



x11 + x12 = 50
x21 + x22 = 100
x31 + x32 = 120
As quantidades transportadas para cada destino devem ser a necessidade em cada
um deles
Restri¸cões de Demanda:



x11 + x21 + x31 = 100
x12 + x22 + x31 = 170
.
De uma forma geral, as restri¸cões podem ser escrita da seguinte forma:



m
i=1
xij = ai
n
j=1
xij = bj
xij ≥ 0; i = 1, 2, 3, . . . , m ∧ j = 1, 2, 3, . . . , n
Como em qualquer modelo de PL, não podemos esquecer a condi¸cão de não nega-
tividade: xij ≥ 0. Em resumo, o modelo geral é:
MinZ =
m
i
n
j
xij
Sujeito a:



m
i=1
xij = ai
n
j=1
xij = bj
xij ≥ 0; i = 1, 2, 3, . . . , m ∧ j = 1, 2, 3, . . . , n
com xij ≥ 0
70

Do problema proposto inicialmente tem-se:
MinZ = 10x11 + 12x12 + 20x21 + 8x22 + 6x31 + 15x32
Sujeito a:



x11 + x21 + x31 = 100
x12 + x22 + x31 = 170
x11 + x12 = 50
x21 + x22 = 100
x31 + x32 = 120
xij ≥ 0
7.4 Solu¸cão Básica Inicial para Transportes
Vamos agora descobrir, como determinar uma solu¸cão básica inicial viável para um
problema de transportes. Serão apresentados três algoritmos para isso: Método do
Canto Noroeste, Método do Custo M´ınimo e o Método de Vogel ou das Pe-
nalidades. Cada método tem caracter´ıstica própria, mas fazem uso de ideias similares.
Considere o problema a seguir:
A prefeitura de Salvador está atualmente fazendo obras em três pontos diferentes da
cidade. O material para essas obras é transportado dos depósitos do Subúrbio Fer-
roviário de Salvador,Lauro de Freitas e São Caetano, de onde são retiradas 57, 76 e 93
toneladas de material respectivamente. As Obras são nos bairros da Barra, Itapuã e Rio
Vermelho , que necessitam, diariamente, de 41, 80 e 105 toneladas, respectivamente.
Os custos unitários para o transporte desse material, bem como as disponibilidades e
necessidades encontram-se na tabela
Barra Itapuã Rio Vermelho Disponibilidades
Sub. Ferroviário 7 8 4 57
Lauro de Freitas 5 3 6 76
São Caetano 6 5 4 93
Necessidades 41 80 105 226
71

7.4.1 Método do Canto Noroeste
Este método tem o intuito de alocar carga a partir da primeira célula situada no canto
noroeste. O processo consiste em descarregar o máximo poss´ıvel de carga de acordo
com a demanda da primeira coluna e as ofertas da primeira linha, repetindo o processo
da esquerda para direita até que toda a carga dispon´ıvel no primeiro depósito tenha
sido distribu´ıda. Em seguida, repetimos o processo para as linhas seguintes, até que
toda carga seja distribu´ıda. O processo finaliza quando toda a capacidade de oferta
satisfaz a toda demanda existente. Vejamos sua aplica¸cão.
Sub. Ferroviário 7 8 4 57
Lauro de Freitas 5 3 6 76
São Caetano 6 5 4 93
Necessidades 41 80 105 226
Sub. Ferroviário 41 16 57 16 0
Lauro de Freitas 64 12 76 12 0
São Caetano 93 93 0
Necessidades 41 0 80 64 0 105 93 0 226
72

CAP´ITULO 8
PESQUISA OPERACIONAL NO EXCEL - SOLVER
73

Otimização de lucro em linha de produção de rádios

Otimização de lucro em linha de produção de rádios

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Otimização de lucro em linha de produção de rádios

Similar to Otimização de lucro em linha de produção de rádios (20)

Recently uploaded

Recently uploaded (20)

Otimização de lucro em linha de produção de rádios