Escolar Documentos
Profissional Documentos
Cultura Documentos
Pesquisa Operacional PDF
Pesquisa Operacional PDF
Sum
ario
1 Introducao 3
1.1 Definicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Metodologia da Pesquisa Operacional . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Definicao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Desenvolvimento de um modelo matematico e aquisicao dos dados . . 3
1.2.3 Resolucao do modelo matematico . . . . . . . . . . . . . . . . . . . . 4
1.2.4 Validacao, instrumentacao e controle da solucao . . . . . . . . . . . . 4
1.3 Aplicacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Areas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Ferramentas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Programac ao Linear 4
2.1 Exemplos de problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Analise Grafica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.2 Exercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 O problema de Programacao linear . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Formulacao Generica . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 Interpretacao Economica . . . . . . . . . . . . . . . . . . . . . . . . . 12
3 O Metodo do Simplexo 13
3.1 Algoritmo Simplexo - Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Exercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Problemas Especiais de Formulacao . . . . . . . . . . . . . . . . . . . . . . . 15
3.3.1 Formulacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3.2 Dificuldades Durante a Solucao pelo Metodo do Simplexo . . . . . . . 16
3.4 Metodo do Simplexo - Fase I/Fase II . . . . . . . . . . . . . . . . . . . . . . 16
3.4.1 Procedimento para a Fase I . . . . . . . . . . . . . . . . . . . . . . . 16
3.4.2 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4 Analise de Sensibilidade 18
4.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.1 Variacao na Funcao Objetivo . . . . . . . . . . . . . . . . . . . . . . 18
4.2.2 Variacao na Quantidade de Recursos Escassos . . . . . . . . . . . . . 19
1
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 2
5 Solver 23
5.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.2 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
7 Otimimizac ao Nao-Linear 29
7.1 Funcao de uma variavel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
7.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 3
1 Introduc
ao
1.1 Definic
ao
uma metodologia de estruturar processos aparentemente nao estruturados por meio da
E
construcao de modelos. Utiliza um conjunto de tecnicas quantitativsas com o intuito de
resolver os aspectos matematicos dos modelos. (Pierre Jacques Ehrlich)
Aplicacao do Metodo Cientifico, por equipes interdisciplinares a problemas que dizem res-
peito ao controle de seistema organizados (homem-maquina), com a finalidade de obter as
solucoes que melhor satisfacam aos objetivos da organizacao, como um todo. (Joao Vitor
Moccelin)
Definicao do
Problema
?
Desenvolvimento de um Resolucao do
modelo matematico e - modelo - Solucao
aquisicao dos dados matematico
6 ?
Q
Q
Q
Modificacoes no nao Solucao QQ
QQ v
alida?
modelo Q
Q
Q
sim
?
Implementacao
1.2.1 Defini
cao do Problema
Identificar;
Comprender;
Descrever.
Funcao Objetivo;
Restricoes.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 4
1.2.3 Resolu
cao do modelo matem
atico
Metodos Otimos;
Metodos Heursticos.
1.2.4 Valida
c
ao, instrumenta
cao e controle da soluc
ao
1.3 Aplicac
ao
Aplica-se na selecao de alternativas, buscando a maximizacao do lucro ou minimizacao de
custo (geralmente).
1.3.1
Areas
Processos de producao
Financas
1.3.2 Ferramentas
Matematica
Analise de sistemas
Estatistica
2 Programac
ao Linear
2.1 Exemplos de problemas
1. Um fabricante deseja maximizar a receita bruta. A tabela ilustra as composicoes das
ligas metalicas, seus precos e as limitacoes na disponibilidade de materia prima.
Funcao Objetivo
Maximizar Z= 30.xa + 50.xb
Restricoes
Sujeito A 2xa + xb 16 (para o cobre)
xa + 2.xb 11 (para o zinco)
xa + 3.xb 15 (para o chumbo)
Restricoes de nao xa 0
Negatividade xb 0
(Nao podemos fabricar quantidade negativa de liga)
2. Um fazendeiro tem que decidir o quanto vai plantar de milho e de alfafa. Os lucros sao
de R$2.000 por alqueire de milho e de R$1.000 por alqueire de alfafa. Suponha que
suas limitacoes sejam: terra disponivel = 8 alqueires; agua disponivel para irrigacao =
80.000 litros; deseja plantar no maximo 4 alqueires de milho; cada alqueire de milho
requerera 10.000 litros de agua para irrigacao; cada alqueire de alfafa requerera 20.000
litros de agua para irrigacao.
3. Sabe-se que os alimentos, leite, carne e ovos fornecem as quantidades de vitaminas
dadas pela tabela.
(b) Luisa, mais simples, prefere um divertimento mais popular, de modo que, uma
saida de tres horas custara 55 reais;
(c) seu orcamento permite dispor de 330 reais mensais para diversao;
(d) seus afazeres escolares lhe dao liberdade de, no maximo, 18 horas e 40.000 calorias
de sua energia para atividades sociais;
(e) cada saida com Maria consome 5.000 calorias, mas com Lisa, mais alegre e extro-
vertida, gasta o dobro;
(f) ele gosta das duas com a mesma intensidade.
Horario Quantidade de
motoristas
1 as 5 horas 15
5 as 9 horas 30
9 as 13 horas 26
13 as 17 horas 32
17 as 21 horas 30
21 as 1 horas 19
Considerando que cada motorista trabalha 8 horas seguidas e que o servico pode ser
iniciado as 1, 5, 9, 13, 17 ou 21 horas, elaborar um plano de trabalho para os motoristas,
de modo que o n umero destes seja minimo.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 7
8. Uma empresa tem tres tipos de maquinas na sua linha de producao, tendo cada uma
delas velocidade e precisao diferente. A maquina do tipo 1 produz 20 pecas por hora
com 99% de precisao. A maquina do tipo 2 produz 15 pecas por hora com 95% de
precisao. E a maquina do tipo 3 produz 10 pecas por hora com 100% de precisao.
A maquina do tipo 1 custa R$2,00 por hora de operacao, o tipo 2 custa R$1,75 por
hora de operacao e o tipo 3 custa R$1,50 por hora de operacao. A empresa possui 15
operadores fixos disponveis para as maquinas 1 e 2, e todos devem ser utilizados, os
outros serao contratados temporariamente. Devem ser processados por dia pelo menos
3.500 pecas (dia de 8 horas), mas so se dispoe de 8 maquinas do tipo 1, dez maquinas
do tipo 2 e 20 maquinas do tipo 3. Cada peca errada custa R$1,00.
Pergunta-se:
(a) Quantas maquinas de cada tipo devem ser usadas para minimizar o custo.
2.2 An
alise Gr
afica
2.2.1 Exemplo
Max. Z= 30.xa + 50.xb
Sujeito A 2xa + xb 16 (para o cobre)
xa + 2.xb 11 (para o zinco)
xa + 3.xb 15 (para o chumbo)
xa 0
xb 0
xa 6
B
B
zinco 15B chumbo
@ B
@ B
@ B
@
RA
@ B
A B
A B ponto otimo
10 A B
A B
HH A B
HH A B
HA
B
H
A H
B H
A B HH cobre
regiao de 5 A B H
HH
aceitacao @ AB
H
@ AB HH
@ AB H
@ BA HH
@u H
BA HH
BA H
BA HH -
HH
0 B A
5B A 10 15 xb
2.2.2 Exercicios
1. Resolva graficamente, mostrando a regiao de pontos viaveis (regiao de aceitacao), in-
dicando o ponto otimo.
Max. Z= 10.x + 15.y
Sujeito A x + y 12
2.x + 5.y 40
x2
x8
y1
2. Resolva graficamente o problema de Programacao Linear.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 11
Max. Z= 2.x1 + x2
Sujeito A x1 + 4.x2 24
x1 + 2.x2 14
2.x1 x2 8
x1 x2 3
x1 0
x2 0
3. Resolva graficamente
Min. Z= x1 + 2.x2
Sujeito A x1 + x2 1
6.x1 + 4.x2 24
x1 0
x2 2
4. Resolva graficamente
Min. Z= 2.x1 + x2
Sujeito A 4.x1 5.x2 40
5.x1 + 8.x2 40
9.x1 6.x2 0
x1 0
x2 2
Programacao Linear e uma ferramenta de planejamento que nos ajuda a selecionar que
atividades (variaveis de decisao) empreender, dado que essas atividades (diversas alternati-
vas) competem entre si pela utilizacao de recursos escassos (restricoes) ou entao precisam
satisfazer certos requisitos minimos. O objetivo sera maximizar (ou minimizar) uma funcao
das atividades, geralmente lucros (perdas).
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 12
2.3.1 Formula
c
ao Gen
erica
Funcao Objetivo
Maximizar Z= c1 .x1 + c2 .x2 + + cn .xn
Restricoes Principais
Sujeito A a11 .x1 + a12 .x2 + + a1n .xn b1
a21 .x1 + a22 .x2 + + a2n .xn b
2
.........
am1 .x1 + am2 .x2 + + amn .xn b
m
onde bi 0 para i=1,. . . , m
2.3.2 Interpreta
cao Econ
omica
n sao as atividades que competem sendo x1 , . . . . . . , xn seus niveis de atividade.
3 O M
etodo do Simplexo
O Metodo do simplexo e um algoritmo iterativo convergente, que pesquisa os vertices do
poliedro de restricoes, passando, em cada iteracao f de um vertice para outro vertice com
valor associada nao pior que o anterior. Em um n umero finito de iteracoes, o algoritmo
fornece.
- A solucao otima
- A indicacao da inexistencia da solucao
O Metodo do Simplexo explora o fato de o maximo, ou o minimo da funcao objetiva, ocorrer
num vertice do poliedro convexo de restricoes.
Forma padr
ao para escrever os dados
Atividades Folgas
x1 x2 y1 y2 y3 b
1o Tableau 16
2 1 1 0 0 16 1
1 2 0 1 0 11 11
2
1 3
0 0 1 15 15
3
-30 -50 0 0 0 0 6
@
I menor relacao
@ mais negativo
Procedimento:
(b) em todas as outras linhas de r, para cada elemento da coluna k, calcular ark =
aij
ark aik .arj .
(c) fazer o calculo do item b tambem para a lilha c.
4. Repita as etapas 1,2,3 ate que nao haja mais valores negativos na u
ltima linha c.
Atividades Folgas
x1 x2 y1 y2 y3 b
2o Tableau
5/3
0 1 0 1/3 11
1/3 0 0 1 2/3 1
1/3 1 0 0 1/3 5
40/3 0 0 0 50/3 250
Atividades Folgas
x1 x2 y1 y2 y3 b
o
3 Tableau
0 0 1 -5 3
6
1 0 0 3 2 3
0 1 0 -1 1 4
0 0 0 40 10 290
Atividades Folgas
x1 x2 y1 y2 y3 b
4o Tableau
0 0 1/3 -5/3 1 2
1 0 2/3 -1/3 0 7
0 1 -1/3 2/3 0 2
0 0 10/3 70/3 0 310
Resultados
Z = 310
x1 = 7
x2 = 2
x3 = 0
y1 = 0
y2 = 0
y3 = 2
3.2 Exercicios
1. Resolva pelo Simplexo:
Max. Z= 2.x1 + x2
Sujeito A x1 + x2 5
x1 + 2.x2 8
x1 4
x1 0
x2 0
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 15
2. xj livre:
Uma variavel e livre quando nao tem condicoes de nao negatividade.
Resolve-se introduzindo as variaveis x0j e x00j .
Com
xj = x0j x00j
x0j 0
x00j 0
Primeiro Tableau
x1 x2 x3 x4 x5 b
1 0 1 0 0 4
0 1 0 1 0 6
3 2 0 0 1 12
-3 -5 0 0 0 0
3.4 M
etodo do Simplexo - Fase I/Fase II
O Metodo do Simplexo requer uma solucao basica ja no primeiro Tableau.
Quando existem restricoes do tipo = ou , nao teremos uma solucao inicial.
A Fase I encontrara (se possivel) a solucao inicial e a Fase II termina de otimizar o va-
lor da funcao objetiva.
Se a Fase I nao encontrar uma solucao inicial, poderemos concluir que nao existe solucao.
3.4.2 Exemplo
Max. Z= x1 6.x2 + 7.x3 x4 5.x5
Sujeito A 5.x1 4.x2 + 13.x3 2.x4 + x5 20
x1 x2 + x3 x4 + x5 = 8
2.x1 + x2 x3 + 4.x4 15
x1 0
x2 0
x3 0
x4 0
x5 0
x1 x2 x3 x4 x5 x6 x7 y1 y2 b
5 -4 +13 -2 1 -1 0 1 0 20
1 -1 1 -1 1 0 0 0 1 8
Primeiro Tableau - Fase I
2 1 -1 4 0 0 1 0 0 15
1 6 -7 1 5 0 0 0 0 0
-6 5 -14 3 -2 1 0 0 0 -28
3.4.3 Exerccios
1. Resolva pelo Simplexo Fase I/Fase II:
Max. Z= 2.x1 + x2 + x3
Sujeito A 3.x1 + 4.x2 + x3 = 5
x1 + x2 + 2.x3 = 3
x1 0
x2 0
x3 0
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 18
4 An
alise de Sensibilidade
4.1 Introduc
ao
A resposta final de um problema de Programacao Linear, muitas vezes, tem valor limitada.
Alem da simples resposta do valor das variaveis, devemos saber o que acontece com elas, se
existir variacoes nos coeficientes dados no problema original.
Muitas vezes queremos saber, quanto podemos variar nos coeficientes da funcao objetiva
e na quantidade de recursos escassos de maneira que aquela resposta final otimizada (as
alternativas que devemos usar) nao sera modificada.
4.2 Exemplo
x1 x2 x3 x4 x5 x6 x7 b
1 1 1 1 1 0 0 35
Primeiro Tableau 1 4 2 2 0 1 0 80
2 3 6 1 0 0 1 90
-5 -4 -6 8 0 0 0 0
x1 x2 x3 x4 x5 x6 x7 b
1 3/4 0 5/4 3/2 0 -1/4 30
4.2.1 Varia
c
ao na Fun
c
ao Objetivo
a) Decrescimo em cj para xj nao basico
No ultimo Tableau, na linha de custo reduzido, podemos notar valores positivos para
as variaveis nao basicas (x2 e x4 ). Se estes valores fossem negativos, o processo de
otimizacao continuaria, e estas variaveis seriam candidatas a entrar na base.
Para que isto aconteca, basta aumentar o valor inicial do coeficiente cj , exatamente no
valor encontrado no u ltimo Tableau.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 19
Z 0 = Z + .x1
Da ultima linha do u
ltimo Tableau
Z = 180 5/4.x2 51/4.x4 9/2.x5 1/4.x7
Da primeira linha do ultimo Tableau
x1 = 30 3/4.x2 5/4.x4 3/2.x5 + 1/4.x7
Z 0 = (180 + 30.) (5/4 + 3/4.).x2 (51/4 + 5/4.).x4
(9/2 + 3/2.).x5 (1/4 1/4.).x7
4.2.2 Varia
c
ao na Quantidade de Recursos Escassos
a) Acrescimo em bi para restricao com folga
Se o recurso escasso tem folga, o limite para decrescimo na sua quantidade e a propria
folga.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 20
No u
ltimo Tableau as colunas se transformam em:
30 3/2
40 + 1/2 .
5 1/2
4.2.3 Pre
co Sombra
Quanto efetuamos um acrescimo de uma unidade numa quantidade de Recurso Escasso que
nao tenha folga, vamos ter um acrescimo correspondente no valor do Z maximo. Este valor
e chamado de preco Sombra ou beneficio marginal deste recurso escasso.
Podemos identificar o preco sombra para cada quantidade de recurso escasso diretamente no
u
ltimo Tableau, na linha linha de custo reduzido, na coluna da variavel de folga correspon-
dente.
No exemplo temos, o preco sombra para b1 igual a 9/2, o preco sombra para b3 igual a 1/4
e o preco sombra para b2 igual a 0 pois o recurso escasso tem folga e nao obtemos nenhum
beneficio aumentando a sua quantidade.
Itens em Produc
ao
Conjunto ALFA Conjunto BETA Conjunto GAMA
Disponibilidade de Recursos
mao-de-obra: 3520 H.h. por m es
2
estoque de madeira: 10.000 m por m
es
Processo de Fabrica c
ao
e Alocac
ao Inicial de Mao-De-Obra
Utilizac
ao Unit
aria dos Recursos
Contribui
cao Unit
aria
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 22
Modelagem
Vari
aveis de Decis
ao
x1 = n
umero de conjuntos ALFA
x2 = n
umero de conjuntos BETA
x3 = n
umero de conjuntos GAMA
Fun
c
ao Objetivo (maximizar o lucro)
Max. Z = 21.x1 + 19, 5.x2 + 22.x3
Restri
coes (condicoes devido aos recursos escassos)
Primeiro Tableau
1 0.350 0.400 0.300 1.000 0.000 0.000 0.000 0.000 0.000 704.000
2 0.450 0.300 0.400 0.000 1.000 0.000 0.000 0.000 0.000 1232.000
3 0.350 0.350 0.400 0.000 0.000 1.000 0.000 0.000 0.000 704.000
4 0.350 0.450 0.200 0.000 0.000 0.000 1.000 0.000 0.000 528.000
5 0.070 0.110 0.040 0.000 0.000 0.000 0.000 1.000 0.000 352.000
6 3.000 4.500 6.000 0.000 0.000 0.000 0.000 0.000 1.000 10000.000
Z -19.000 -20.000 -23.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
Ultimo Tableau
1 0.000 0.000 0.000 1.000 0.000 -0.500 -0.500 0.000 -0.000 88.000
2 0.000 0.000 0.000 0.000 1.000 -2.308 0.385 0.000 0.074 554.051
3 1.000 0.000 0.000 0.000 0.000 9.231 -1.539 0.000 -0.564 45.129
4 0.000 1.000 0.000 0.000 0.000 -7.692 4.615 0.000 0.359 611.282
5 0.000 0.000 0.000 0.000 0.000 0.154 -0.292 1.000 -0.007 234.174
6 0.000 0.000 1.000 0.000 0.000 1.154 -2.692 0.000 0.179 1185.641
Z 0.000 0.000 0.000 0.000 0.000 48.077 1.154 0.000 0.590 40352.820
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 23
5 Solver
5.1 Introduc
ao
O Solver e um modulo do Excel que permite-nos de uma forma muito simples e rapida
obter solucoes para problemas de programacao linear.
5.2 Exemplo
Como exemplo, vamos resolver o exerccio envolvendo a companhia ALT-M que produz
moveis de escritorio que, por questoes de marketing, agrupou em tres conjuntos basicos
cujos modelos sao: ALFA, BETA E GAMA. Exerccio resolvido e analisado em sala.
Em geral o modulo Solver nao esta disponvel no arranque do Excel. Devemos ativa-lo
no menu Ferramentas - Suplementos. Para rodar o modulo Solver selecione a funcao
Solver no menu Ferramentas.
Organize as informacoes pertinentes da melhor forma possvel em uma planilha.
(Exemplo: ultima folha).
rode o Solver
no parametro Definir c
elula destino (conforme figura acima) coloque a celula reser-
vada para o Z ($E$18).
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 24
no parametro C
elulas vari
aveis coloque as celulas das variaveis de decisao ($B$5:$D$5)
no parametro Submeter `
as restric
oes coloque as restricoes usando Adicionar.
no parametro Opco
es marque conforme Figura abaixo.
aplique Resolver
6.1 Definic
oes
Redes de Precedencia:
atividades do projeto
sequencia temporal
obedecer restricoes
Redes de Precedencia: Uma vez definidas as atividades do projeto e suas respectivas
duracoes deve-se empreender a montagem destas atividades em um sequencia temporal,
de maneira racional, exeq uvel e efeciente, de forma a dispo-las na melhor ordem para
o projeto. Esta montagem deve obedecer `a restricoes de precedencia, conflitos de
recursos, fluxos de recursos e janelas de oportunidades. Existem diversas tecnicas para
elaboracao destas redes como PERT, P-PERT, PERT-Custo, GERT, CPM, PDM e
Corrente Crtica.
CPM - Critical Path Method.
PERT - Program Evaluation and Review Technique.
6.2 Redes
Atividade = tarefa que consome tempo
Evento = termino de uma ou mais atividades
evento atividade evento
?
'$ ? ?
'$
A -
1 2
&%4h &%
6
tempo
6.3 Exemplos
a) Provao 1999
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 26
b) Provao 2000
6.4 Formac
ao de Redes
Exemplo 1:
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 27
Atividades Duracao da
Atividade antecessoras tarefa -
imediatas (Dias)
A -.- 3
B A 2
C B 2
D C 2
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 28
Exemplo 2:
Atividades Duracao da
Atividade antecessoras tarefa -
imediatas (Dias)
A -.- 3
B -.- 2
C AeB 2
Exemplo 3:
Atividades Duracao da
Atividade antecessoras tarefa -
imediatas (Dias)
A -.- 3
B A 2
C A 2
D B 2
E C 1
F DeE 2
Exemplo 4:
Atividades Duracao da
Atividade antecessoras tarefa -
imediatas (Dias)
A -.- 3
B A 2
C A 2
D B 2
E B 1
F D 2
G E 2
H C 2
I HeG 2
J IeF 2
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 29
7 Otimimizac
ao N
ao-Linear
7.1 Func
ao de uma vari
avel
a) Derivada primeira da Funcao Objetiva (Z)
7.2 Exerccios
a) Exemplo 1
Max. Z = 32x 2x2
Sujeito A: x 2
x 10
(a) Z 0 = 32 4x
(b) Z 0 = 0; 32 4x = 0; x = 8
(c) Z 00 = 4
(d) Z 00 (8) = 4 < 0
A funcao passa por um maximo em x=8 (Z=128)
(e) 8 2 ok
8 10 ok
(f) Z(2) = 56
Z(10) = 120
b) Exemplo 2
Min. Z = x2 8x
Sujeito A: x 0
x3
c) Exemplo 3
Min. Z = 13 x3 3x2 + 5x + 3
Sujeito A: x 0
x4