Você está na página 1de 47

UNIVERSIDADE FEDERAL DO AMAZONAS

PR-REITORIA DE PESQUISA E PS-GRADUAO


DEPARTAMENTO DE APOIO PESQUISA
PROGRAMA DE INICIAO CIENTFICA

Fundamentos Matemticos da Programao Linear

Bolsista: Andr Matos de Souza, FAPEAM

Manaus - Amazonas
2016
UNIVERSIDADE FEDERAL DO AMAZONAS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE APOIO PESQUISA
PROGRAMA DE INICIAO CIENTFICA

RELATRIO FINAL
PIB - E / 0168 / 2015-2016
Fundamentos Matemticos da Programao Linear

Bolsista: Andr Matos de Souza, FAPEAM


Orientadora: Profao Dra. Flvia Morgana de Oliveira Jacinto

Manaus - Amazonas
2016
Resumo

Neste relatrio apresentamos os fundamentos matemticos da programao linear,


com foco para a teoria que fundamenta o Mtodo Simplex e algumas noes de Dualidade;
Iniciamos pelo estudo das matrizes devido sua importncia na resoluo de sistemas lineares,
onde tambm apresentamos o Teorema de Mudana de Base e o Teorema de Rouch-Capelli,
cobrindo assim os sistemas de equaes lineares. Em seguida introduzimos vrios conceitos de
nalise Matemtica, principalmente aqueles voltados para a Anlise Convexa, fazendo assim
uma definio de tipos especiais de funes e de conjuntos para podermos enunciar dois impor-
tantes resultados: o Teorema de Weierstrass e o Teorema da Minimizao Convexa. Tambm
apresentamos um exemplo de problema de programao linear para facilitar o entendimento e
motivar o estudo da teoria da programao linear. Apresentamos dois mtodos de resoluo
para os problemas de programao linear: o Mtodo Grfico e o Mtodo Simplex, que o
objetivo principal deste trabalho. Finalizamos caracterizando o problema Dual e mostrando
algumas de suas relaes com o problema dito Primal.

Palavras-chave:Programao Linear, Anlise Convexa, Mtodo Simplex, Dualidade


Abstract

In this report we present the mathematical fundaments of linear programming, focu-


sing on the theory that underlies the Simplex Method and some notions of the Duality theory.
We begin by the study of matrices due to its importance in the resolution of linear systems,
where we also present the base change theorem and the Rouch-Capelli theorem, thus covering
the linear equations systems. Then we introduce various concepts of Mathematical Analysis,
particularly those aimed at Convex Analysis, thus making a definition of special types of func-
tions and sets so we can enunciate two important results: the Weierstrass theorem and the
Convex Minimization theorem. We also present an example of the linear programming pro-
blem to facilitate understanding and encourage the study of linear programming theory. We
present two methods of resolution for linear programming problems: the graph method and
the simplex method, which is the main objective of this work. We finish featuring the Dual
problem and showing some of its relations with the problem said Primal.

Key words:Linear Programming, Convex Analysis, Simplex Method, Duality


Contedo

1 Introduo 7

2 Noes Matemticas Preliminares 9


2.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Operaes com matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 A Inversa de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Espaos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5 Sistemas de Equaes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3 Anlise Convexa 19
3.1 Definies e conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Funes Convexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

4 Problemas de Programao Convexa 25

5 Primeiras Noes de Programao Linear e do Mtodo Simplex 27


5.1 O que um PPL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2 O Mtodo Grfico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.3 O Mtodo Simplex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

6 O Mtodo Dual do Simplex 41


6.1 O Problema Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

7 Concluso 46

5
Lista de Figuras

5.1 PPL 1 representado no plano cartesiano . . . . . . . . . . . . . . . . . . . . . . 31


5.2 Representao de alguns possveis valores da funo Q(x) . . . . . . . . . . . . 32

6.1 Tabela de converso Primal Dual . . . . . . . . . . . . . . . . . . . . . . . . . . 44

6
Captulo 1

Introduo

A Programao Linear um campo da matemtica que nasceu da necessidade da reso-


luo de problemas mais complexos, como por exemplo problemas do cotidiano de empresas,
tais como a melhoria da produo e a diminuio de custos operacionais. Devido a isto a Pro-
gramao Linear uma rea basicamente de aplicaes, voltada para a resoluo de problemas
em busca de solues timas. Porm, assim como qualquer outra rea da matemtica, a Pro-
gramao Linear tem um fundamento terico muito grande, onde cada passo dado quando se
resolve um determinado problema usando a Programao Linear tem uma razo, baseada em
algum conhecimento matemtico prvio que, infelizmente, no sempre estudado em nvel de
graduao.
Este portanto o objetivo deste relatrio, mostrar os fundamentos estudados da Progra-
mao Linear durante o desenvolvimento do projeto de Iniciao Cientfica. O que permite
aplicar o mtodo com a garantia de que este funcionar. Com este intuito iniciamos por assun-
tos que so de conhecimento geral para alunos de graduao, como matrizes e espaos vetoriais,
para ento apresentar a teoria e os resultados mais fortes, como a teoria de Anlise Convexa e
o Mtodo Simplex. Buscamos tambm manter o mximo do rigor matemtico, enunciando e
demonstrando os teoremas que compem a base da teoria.
O captulo 2 busca apresentar algumas das ferramentas da lgebra Linear que baseiam a
teoria de matrizes e de sistemas de equaes lineares, o captulo finalizado com a apresentao
do Teorema de Rouch-Capelli que trata de maneira geral os sistemas de equaes lineares
O captulo 3 apresentas os conceitos bsicos da Anlise Convexa, mostrando o funcio-
namento desta teoria tanto para conjuntos quanto para funes. Apresenta-se a teoria tanto
numa linguagem de espaos mtricos como numa linguagem mais algbrica e familiar. Na parte
de convexidade de funes o foco est nos teoremas e nas suas demonstraes.
Separamos o captulo 4 para apresentar um forte teorema relacionado com a convexidade
e a programao linear chamado Teorema de Minimizao Convexa, este trata de abordar o
problema de programao linear como um problema de progrmao convexa.
O captulo 5 o objetivo principal do relatrio, nele introduzimos as principais definies
para o entendimento da programao linear e consequentemente do Mtodo Simplex. Ainda
neste captulo so desenvolvidos dois mtodos para resolues de problemas de programao
linear, a saber o mtodo grfico e o mtodo Simplex.
O captulo 6 uma breve introduo Dualidade na programao linear, caracterizamos
o problema Dual e apresentamos alguns teoremas sobre esta teoria.

7
A seguir apresentamos o cronograma das atividades desenvolvidas.

N o Descrio Ago Set Out N ov Dez Jan F ev M ar Abr M ai Jun Jul


2015 2016
1 Seminrios e X X X X X X
Estudos di-
rigidos sobre
Fundamentos
Matemticos do
Mtodo Simplex
2 Seminrios e Es- X X X X
tudos dirigidos
sobre a descrio
do Mtodo Sim-
plex e algumas
aplicaes
3 Seminrios e Es- X X
tudos dirigidos
sobre a descrio
do Mtodo Dual
do Simplex
4 Elaborao do X X
Resumo e Rela-
trio Parcial
5 Elaborao X
do Resumo e
Relatrio Fi-
nal (atividade
obrigatria)
6 Preparao da X
Apresentao
Final para o
Congresso CO-
NIC (atividade
obrigatria)

8
Captulo 2

Noes Matemticas Preliminares

Antes de iniciarmos o estudo do Mtodo Simplex iremos buscar fundamentao na teoria


matemtica que valida os argumentos e as manipulaes feitas pelo mtodo, para tanto ire-
mos explorar alguns tpicos relacionados a matrizes, sistemas de equaes lineares e espaos
vetoriais. Iremos tambm nos aprofundar em certos tpicos de anlise convexa, principalmente
cojuntos convexos e polidricos e funes convexas. Depois dessas revises estaremos prontos
para aplicar o Mtodo Simplex com total segurana e embasamento.

2.1 Matrizes
Iniciamos a nossa reviso por matrizes, vejamos o que so e como operam entre si.
Dados m e n dois nmeros naturais, definimos uma matriz de ordem m por n, e escreve-
remos m n, como uma tabela formada por elementos dispostos em m linhas e n colunas. A
estes elementos chamaremos de entradas da matriz.

Exemplo 2.1.1. A matriz abaixo de ordem 3 3 cujas entradas so os algarismos de 1 a 9.



1 2 3
M= 4 5 6
7 8 9

Representaremos uma matriz real de m linhas e n colunas por:



a11 a12 a1n
a21 a22 a2n
Amn = = (aij )mn

.. .. .. ..
. . . .
am1 am2 amn

onde aij R (i I = 1, 2, . . . , m e j J = 1, 2, . . . , n)
Cada n -upla horizontal uma linha da matriz e cada m -upla vertical uma coluna.
As entradas da matriz sero denotadas por letras minsculas seguidas dos ndices que
representam a linha e a coluna, as colunas da matriz sero denotadas por letras maisculas
seguidas do ndice da coluna, denotaremos as matrizes sempre entre parnteses

9
Igualdade de Matrizes
Definiremos a igualdade entre matrizes da seguinte forma
Duas matrizes Amn = (aij )mn e Bmn = (bij )mn so iguais se todas as entradas
correspondentes so iguais, isto :

(aij )mn = (bij )mn ; i I e j J

Tipos especiais de matrizes

Matriz Quadrada: a matriz onde o nmero de linhas igual ao nmero de colunas.


Dizemos que uma matriz de n linhas e n colunas de ordem n.

Matriz Nula: a matriz que tem todas as entradas iguais a zero

Matriz-Coluna: aquela em que o nmero de colunas igual a 1.

Matriz-Linha: aquela em que o nmero de linhas igual a 1

Matriz Diagonal: a matriz quadrada onde todos os elementos que no pertencem


diagonal principal so iguais a zero, isto , aij = 0 i 6= j.
Um caso particular a Matriz identidade Inn , uma matriz diagonal cujas entradas da
diagonal principal so todas iguais a 1, ou seja, aij = 0 i 6= j e aij = 1 i = j.

Matriz Triangular Superior: a matriz quadrada em que todos os elementos abaixo


da diagonal so nulos, isto , aij = 0 para i > j

Matriz Triangular Inferior: a matriz quadrada em que todos os elementos acima da


diagonal so nulos, isto , aij = 0 para i < j

Matriz Transposta: A matriz transponsta de uma matriz Amn a matriz ATnm que
obtemos trocando as linhas pelas respectivas colunas da matriz Amn , isto : Se Aj
uma coluna da matriz Amn ento ATj uma linha da matriz ATmn

2.2 Operaes com matrizes


Adio
Dadas duas matrizes, Amn e Bmn , chama-se soma das matrizes Amn e Bmn a matriz
Cmn , cujos elementos so iguais soma das entradas correspondentes de Amn e Bmn , isto :

(aij )mn + (bij )mn = (cij )mn

Multiplicao por escalar


O produto de um escalar k R por uma matriz Amn a matriz Bmn que obtemos
multiplicando todos os elementos da matriz Amn por k

k.Amn = (kaij )mn

10
Multiplicao de Matrizes
O produto de uma matriz Amp por uma matriz Bpn a matriz Cmn que obtemos da
seguinte maneira:
A entrada cik da matriz produto a soma dos produtos, coordenada a coordenada, entre
as entradas da linha i da matriz A e as entradas da coluna j da mariz B

p
X
cik = ai1 bik + ai2 b2k + . . . + aip bpk = aij bjk , i 1, 2, . . . , n
j=1
.
Propriedades da Adio de matrizes e de multiplicao de escalar por matriz
Sejam as matrizes Amn , Bmn e Cmn e os escalares a e b R. As seguintes propriedades
so vlidas:

i) (A + B) + C = A + (B + C)

ii) A + B = B + A

iii) a(A + B) = aA + aB

iv) a(bA) = (ab)A

v) A(aB) = (aA)B = a(AB)

vi) (a + b)A = aA + bA

vii) 1A = A

Propriedades de multiplicao de Matrizes Sejam as matrizes A, B e C tais que os


produtos entre elas existam. Seja I a matriz identidade. As seguintes propriedades so vlidas
para matrizes de qualquer ordem:

i) A(BC) = (AB)C

ii) A(B + C) = AB + AC

iii) (A + B)C = AC + BC

iv) E para matrizes quadradas AI = IA = A (Ann e Inn )

2.3 A Inversa de uma Matriz


Determinantes
A toda matriz real quadrada Mnn , cujas entradas aij sejam nmeros reais, associa-se,
por definio, um nico numero real que ser denominado o seu determinante e que notaremos
por detM .
O determinante de uma matriz pode ser calculado de forma recursiva, da seguinte maneira:

11
1) Se n = 1 ento M ser formada apenas pelo elemento (a11 ) portanto o determinante
de M ser a11
2) Se n 2 Ento M ser da seguinte forma

a11 a12 a1n
a21 a22 a2n
M = .. .. , neste caso utilizamos a frmula de recorrncia

.. ..
. . . .
an1 an2 ann

n
X
detM = (1)i+j aij Dij
i=1

Onde Dij o determinante da matriz que obtemos de M retirando a linha de ordem i e


a coluna de ordem j.
O determinante Dij chamado de menor complementar do elemento aij da matriz M e
ij = (1)i+j Dij chamado de complemento algbrico ou cofator do elemento aij .
Vejamos agora duas definies importantes sobre matrizes relacionadas com determinan-
tes. Nessas prximas definies adotaremos A como uma matriz quadrada de ordem n.

Definio 2.3.1. Matriz Singular Dizemos que uma matriz quadrada A singular quando
detA = 0

Definio 2.3.2. Matriz Invertvel Se detA 6= 0, a matriz ser chamada invertvel.

Matriz Inversa

Definio 2.3.3. A dita invertvel quando existir a matriz A1 , denominada inversa de A,


tal que AA1 = I = A1 A.

Definio 2.3.4. Chamamos de matriz dos cofatores A0 a matriz que obtemos de A substituindo
cada elemento de A por seu cofator, isto :
Chamando o cofator do elemento aij de ij , temos

a11 a12 a1n 11 12 1n
a21 a22 a2n 21 22 2n
0
A = .. .. A = ..

.. . . .. .. ..
. . . . . . . .
an1 an2 ann n1 n2 nn

Definio 2.3.5. Denominamos de Matriz Adjunta de A transposta da matriz dos cofatores


de A

adjA = A0T = A

Observao 2.3.1. Podemos definir a matriz inversa como o resultado do produto


1
A1 = .A
detA

12
2.4 Espaos Vetoriais
Agora que j entendemos o funcionamento das operaes com matrizes, vamos definir um espao
ambiente para termos a liberdade de trabalhar essas operaes.

Definio 2.4.1. Um espao vetorial um conjunto V de vetores tal que a soma de quaisquer
dois vetores de V e o produto de um vetor qualquer de V por um escalar k tambm pertence a
V , isto , V um espao vetorial se:
i) v 1 , v 2 V (v 1 + v 2 ) V
ii) v 1 V, k R, (kv 1 ) V

Um exemplo de espao vetorial seria V = M (2, 2) onde os vetores so matrizes quadradas


de ordem 2, fcil verificar que V ser um espao vetorial lembrando das operaes j definidas
sobre adio de matrizes e multiplicao por escalar.

Observao 2.4.1. Ao representarmos vetores em forma matricial, o padro ser o vetor


coluna e o vetor linha ser a forma transposta.

Exemplo 2.4.1. O vetor v de coordenadas v1 e v2 ser representado como

 
v1
, vT =

v= v1 v2
v2

Combinao Linear
Vamos agora comear a pavimentar o caminho para provar um dos teoremas mais impor-
tantes sobre sistemas de equaes lineares, uma definio que permeia os clculos de sistemas
e de matrizes a seguinte

Definio 2.4.2. Sejam v um espao vetorial, v1 , v2 . . . . , vn V e a1 , . . . , an nmeros reais.


Ento, o vetor
v = a1 v1 + a2 v2 + . . . + an vn
um elemento de V o qual chamamos de combinao linear de v1 , . . . , vn .

Dependncia e Independncia linear


Sejam V um espao vetorial e v 1 , . . . , v n V . Dizemos que o conjunto {v 1 , . . . , v n }
linearmente independente (l.i.), ou que os vetores v 1 , . . . , v n so l.i.s , se existem escalares ai
com i = 1, . . . , n tais que

a1 v 1 + . . . + an v n = 0 a1 = a2 = . . . = an = 0

No caso em que exista algum ai 6= 0 dizemos que {v 1 , v 2 , . . . , v n } linearmente dependente


(l.d), ou que os vetores v 1 , . . . , v n so l.d.s

Posto ou Rank

Definio 2.4.3. Denomina-se posto (ou caracterstica ou rank) de uma matriz A um nmero
natural r 1 que ser denotado por Posto(A), tal que as condies a seguir so satisfeitas:

13
(i) Existe pelo menos uma submatriz quadrada de A, de ordem r cujo determinante diferente
de zero.

(ii) Toda submatriz quadrada de A, de ordem maior que r, tem determinante nulo.

Podemos ver o Posto de uma matriz como a quantidade de vetores(linhas ou colunas) l.i.s
que a matriz possui, pois so estes que definem as submatrizes invertveis.

Base de um espao vetorial


Um conjunto de vetores v 1 , v 2 , . . . , v n V ser uma base para V se:
{v 1 , v 2 , . . . , v n } (L.i)
O conjunto {v 1 , v 2 , . . . , v n } gera o espao V
possvel mostrar que qualquer conjunto de n vetores (l.i.s) uma base para um espao
vetorial de dimenso n.

Teorema 2.4.1. ([1], pg. 36) Seja B = {a1 , . . . , an } uma base do espao vetorial V , e seja
b V , que pode ser escrito da forma b = b1 a1 + b2 a2 + . . . + bk ak + . . . + bn an . Caso exista algum
k, tal que bk 6= 0, onde 1 k n, ento tambm o conjunto B 0 = {a1 , . . . , ak1 , b, ak+1 , . . . , an }
ser uma base de V . Portanto podemos substituir em B o vetor ak pelo vetor b obtendo outra
base de V .

Demonstrao: Suponhamos, sem perda de generalidade, que k = 1. Todo vetor v V pode


ser escrito como uma combinao dos vetores da base, isto :

v = v1 a1 + . . . + vn an (2.1)

Como b1 6= 0 podemos escrever

a1 = b11 (b b2 a2 . . . bn an ) (2.2)

substituindo 2.2 em 2.1, temos:

v = b1 1 1
1 v1 b + (v2 b1 v1 b2 )a2 + . . . + (vn b1 v1 bn )an (2.3)

Assim qualquer vetor v V pode ser escrito como combinao linear dos vetores da base B 0 .
Por 2.3 fica safeita uma das duas condies para que B 0 seja base de V . Por outro lado, fazendo

1 b + 2 a2 + . . . + n an = 0 (2.4)

agora, substituindo b pela expresso dada,

1 b1 a1 + (1 b2 + 2 )a2 + . . . + (1 bn + n )an = 0

Como os vetores a1 , . . . , an so l.i., temos

1 b1 = (1 b2 + 2 ) = . . . = (1 bn + n ) = 0

Como b1 6= 0, temos 1 = 0. Segue-se, pelas demais equaes, 2 = . . . = n = 0.


Logo, da suposio 2.4 temos que os vetores b, a2 , . . . , an so l.i. portanto B 0 base de
V. 

14
Este teorema nos mostra que podemos mudar um dos vetores de uma base e continuar
tendo uma base, este ser um dos principais mtodos que o Simplex utilizar para buscar a
soluo do sistema

Matriz de Mudana de Bases


Ao mudarmos a base, os vetores so representados de forma diferente, portanto vamos ver
uma forma de saber as cordenadas de um vetor em outras bases, tendo apenas as duas bases
que se quer comparar e as cordenadas do vetor.
Sejam B = { u1 , . . . , un } e B 0 = { w1 , . . . , wn } duas bases ordenadas de um mesmo
espao vetorial V . Dado um vetor v V , podemos escrev-lo como:

v = x1 u 1 + . . . + xn u n e v = y1 w1 + . . . + yn wn (2.5)

Como podemos relacionar as cordenadas de v em relao base B,



x1
(v)B = ...

xn

com as cordenadas do mesmo vetor v em relao base B 0 ,



y1
(v)B0 = ...

yn

j que {u1 , . . . , un } base de V , podemos escrever os vetores wi como combinao linear dos
uj , isto :

w1 = a11 u1 +a21 u2 + . . . +an1 un
w2

= a12 u1 +a22 u2 + . . . +an2 un
.. .. .. .. (2.6)


. . . .
w = a1n u1 +a2n u2 + . . . +ann un
n

Substituindo 2.6 em 2.5 temos

v = y1 w1 + . . . + yn wn
= y1 (a11 u1 + . . . + an1 ) + . . . + yn (a1n u1 = . . . + ann un )
= (a11 y1 + . . . + a1n yn )u1 + . . . + (an1 y1 + . . . + ann yn )un

Mas v = x1 u1 + . . . + xn un , e como as cordenadas em relao a uma base so nicas, temos:

x1 = a11 y1 +a12 y2 + . . . +a1n yn


.. .. .. ..
. . . .
xn = an1 y1 +an2 y2 + . . . +ann yn

Em forma matricial

x1 a11 . . . an1 y1
.. .. . . . .
. = . . .. . ..
xn an1 . . . ann yn

15
Isto , denotando

a11 . . . an1
= ... . . . ...
0
(I)BB

an1 . . . ann

temos
0
(v)B = (I)BB (v)B0
0
A matriz (I)BB chamada matriz de mudana de base B 0 para a base B
0
Uma vez obtida (I)BB podemos encontrar as cordenadas de qualquer vetor v em relao
base B, multiplicando a matriz pelas coordenadas de v na base B 0 . E se estamos interessados
0
na mudana da base B para a base B 0 basta encontrarmos a inversa de (I)BB .

2.5 Sistemas de Equaes Lineares


Vamos agora aplicar o conhecimento apresentado at agora e colocar na linguagem de sistemas,
veremos como as matrizes, os vetores e os teoremas nos ajudam na classificao das solues.
Um sistema de equaes lineares com m equaes e n incgnitas um conjunto de equaes
do tipo:


a11 x1 +a12 x2 + . . . +a1n xn = b1
a21 x1 +a22 x2 + . . . +a2n xn = b2

.. .. .. .. .. (2.7)


. . . . .
a x +a x + . . . +a x = b
m1 1 m2 2 mn n m

com aij , 1 i m, 1 j n , nmeros reais


Uma soluo do sistema 2.7 uma n-upla de nmeros (x1 , x2 , . . . , xn ) que satisfaa simul-
taneamente estas m equaes
Dois sistemas de equaes lineares so equivalentes se, e somente se, toda soluo de
qualquer um dos sistemas tambm soluo do outro.
Podemos escrever o sistema 2.7 na forma matricial:

a11 a12 . . . a1n x1 b1
a21 a22 . . . a2n x2 b2
=

.. .. .. .. ..
. . . . .
am1 am2 . . . amn xn bm
ou
Ax=b

onde Amn a matriz dos coeficientes, xn1 matriz cujos elementos so as incgnitas,
bm1 a matriz dos termos independentes, a1 , a2 , . . . , an so as colunas de Amn , x1 , x2 , . . . , xn
so as incgnitas

16
Uma outra notao utilizada a forma de somatrio

n
X
aij xj = bi , com i = 1, . . . , m ; j = 1, . . . , n
j=1

Definio 2.5.1. A matriz Amn do sistema Ax = b chamada matriz incompleta e a matriz


(A, b) de dimenses m (n + 1), chamada matriz completa.

Todo sistema de equaes lineares se encaixa em uma de trs categorias possveis

Definio 2.5.2. Classificao de um sistema de equaes


1 - Soluo nica = compatvel determinado
2 - Solues infinitas = compatvel inderteminado
3 - Sem soluo = incompatvel

As condies para determinar em qual categoria se encaixa um sistema de equaes line-


ares est explcito no Teorema de Rouch-Capelli

Teorema 2.5.1. ([1], pg 43) Teorema de Rouch-Capelli

(i) Ax = b compatvel Posto(A) igual a Posto(A, b).

(ii) Posto(A) = Posto(A, b) = r < m. E nesse caso existem (m r) equaes redundantes que
se eliminadas produzem um sistema equivalente ao inicial, ou seja, ambos tem soluo
idntica.

(iii) Posto(A) = Posto(A, b) = r (sistema compatvel). E se r = n teremos um sistema deter-


minado, para r < n teremos um sistema indeterminado.

Demonstrao: (i) : Inicialmente, vamos supor que o sistema Ax = b compatvel, logo


n
X
n
(x1 , x2 , . . . , xn ) R , ai xi = b b combinao linear de aj .
i=1

Posto(A) = Posto(A, b)
Reciprocamente temos que
Posto(A)= r existem em A, no mximo r vetores l.i. Suponhamos sem perda de
generalidade que so os r primeiros vetores a1 , a2 , . . . , ar l.i. Ento o conjunto de de vetores
{a1 , a2 , . . . , ar , b} ser l.d., portanto k1 , . . . , kr , kr+1 R no todos nulos , tais que:

r
X
ki ai + kr+1 b = 0. Como {a1 , . . . , ar } um conjunto l.i.. Dividindo por kr+1 temos
i=1
r r
X ki X ki
ai + b = 0 ai = b.
k
i=1 r+1 i=1
kr+1

ki
Portanto, substituindo xi = para i = 1, . . . , r e xi = 0 para i = r + 1, . . . , n temos uma
kr+1
soluo de Ax = b, logo o sistema compatvel

17
(ii)
Seja Posto(A, b)= r < m; temos no mximo r linhas l.i. Sem perda de generalidade,
suponhamos que as primeiras r linhas so l.i. Ento qualquer uma das (m r) linhas restantes
podem ser expressa como combinao linear das r primeiras linhas, isto , dada uma linha
r < k m, temos:

r
X r
X
akj = kj aij ; bk = ki ai ; k = r + 1, . . . , m
i=1 i=1

Seja x um vetor que satisfaz s r primeiras equaes do sistema Ax = b.Isto ,

n
X
aij xj = bi i = 1, 2, . . . , r
j=1
.
Mostraremos que x satisfaz tambm a equao k, para r < k m. Temos:

n
X n X
X r r X
X n r
X n
X r
X
akj xj = ( ki aij )xj = ki aij xj = ki aij xj = ki bi = bk
j=1 j=1 i=1 i=1 j=1 i=1 j=1 i=1

.
Portanto, as ltimas (m r) equaes so redundantes, podendo ser eliminadas, assim o
sistema obtido equivalente ao original.A1 x = b1 . Posto(A1 ) = Posto(A1 , b)= r
(iii)
Sabemos que r min(m, n). Sendo r m temos (m r) equaes redundantes que
podem ser eliminadas, temos ento um sistema equivalente A1 x = b1 , onde A1 tem r linhas l.i.,
ento Posto(A1 )= r
a) r = n. Neste caso A1 uma matriz quadrada, no singular, logo ela possui inversa e
esta unica. Poderemos determinar x como A1 x = b1 x = A1
1 b1

x uma soluo nica, logo o sistema determinado.


b)r < n. Teremos ento pelo menos uma submatriz quadrada de ordem r, no singular.
Podemos escrever o sistema A1 x = b1 na forma BxB + N xN = b1 . Onde B a submatriz
quadrada de ordem r; N a matriz formada pelas (n r) colunas restantes; xB e xN so vetores
que contm as componentes de x relativas s colunas contidas em B e N , respectivamente.
Podemos escrever xB como: xB = B 1 (b1 N xN ), e temos assim infinitas solues, depedendo
dos valores atribudos s variveis xN . 

18
Captulo 3

Anlise Convexa

Agora que j falamos o mais importante sobre a parte algbrica do nosso problema vamos
estudar a parte mais analtica, vamos entender como funcionam as funes e os conjuntos em
que esto definidos os problemas, para podermos ter uma viso mais clara sobre onde o Simplex
vem sendo aplicado.
Vamos estudar os tipos mais importantes de conjuntos, de funes e as propriedades
especiais que eles tm para que possamos nos utilizar delas durante a aplicao do Simplex

3.1 Definies e conceitos


Vamos comear definindo alguns tipos de conjuntos, para tanto iremos utilizar a linguagem dos
espaos mtricos

Mtrica e Espaos Mtricos


Definio 3.1.1. Uma mtrica num conjunto M uma funo
d : M M R+
(x, y) 7 d(x, y)
que satisfaz as seguintes propriedades

(i) d(x, y) = 0 x = y e d(x, y) > 0 x 6= y


(ii) d(x, y) = d(y, x)
(iii) d(x, z) d(x, y) + d(y, z) x, y, z M

Onde d(x, y) dita "a distncia do ponto x ao ponto y"


Definio 3.1.2. Um espao mtrico um par (M, d), formado por um conjunto M e uma
mtrica d em M .
Exemplo 3.1.1. Seja x = (x1 , x2 , . . . , xn ), y = (y1 , y2 , . . . , yn ) Rn e o conjunto Rn , de todas
as n-uplas reais, munida da mtrica
v
u n
uX
d(x, y) = t (xi yi )2
i=1

O par (Rn , d) um espao mtrico

19
Vamos agora definir as ferramentas que usaremos para entender o espao onde estamos,
as bolas e esferas
Seja (N, d) um espao mtrico, dados r um nmero real positivo e p um ponto de N temos
Definio 3.1.3. Denominamos a bola aberta de centro p e raio r como o conjunto

B(p; r) = {x N/d(x, p) < r}.

Definio 3.1.4. Denominamos a bola fechada de centro p e raio r como o conjunto

B[p; r] = {x N/d(x, p) r}.

Definio 3.1.5. Denominamos a esfera de centro p e raio r como o conjunto

S(p; r) = {x N/d(x, p) = r}.

Agora vamos definir os tipos de conjuntos que formam o nosso espao


Seja (N, d) um espao mtrico, M um subconjunto de N e p um ponto de N . Diremos
que p um ponto interior de M , se existir uma bola aberta com centro em p que est contida
em M , isto , r > 0 tal que B(p, r) M .
O conjunto dos pontos interiores de um conjunto M denotado por intM , nos casos em
que M = intM dizemos que M um conjunto aberto, isto , um conjunto aberto quando
todos os seus pontos so interiores.
Um ponto p se diz aderente a um subconjunto M de um espao mtrico N quando
d(p, M ) = 0. ou seja. qualquer bola com centro em p possui pontos de M para qualquer r > 0
Exemplo 3.1.2. X = 1, 21 , 41 , 18 , . . . tem o zero como ponto de aderncia


O conjunto de todos os pontos aderentes a um conjunto M chamado fecho de M, e


representado por M . Um conjunto dito fechado quando contm todos os seus pontos aderentes,
ou seja M = M
Observao 3.1.1. ( [5], pg 72) A (N, d) aberto se N A for fechado em N

n
X
Proposio 3.1.1. Os semi-espaos aij xj bi so fechados, e a inteseo arbitrria de
j=1
fechados fechado.

Demonstrao: Fazendo uso da observao 3.1 acima e do fato de que a unio arbitrria de
conjuntos abertos um conjunto aberto. Temos que tomando (A )L uma famlia qualquer
de abertos e fazendo A = {F para cada L logo todo F um conjunto fechado, tomando
a reunio de A temos
A = {F = {(F ) um aberto
Portanto F fechado. Do resultado temos que a interseo arbitrria de conjuntos fechado
n
X
um conjunto fechado, logo aij xj bi um conjunto fechado. 
j=1

Um subconjunto A de um espao mtrico M limitado se existir um nmero real a > 0


tal que x, y A d(x, y) a

20
n
( )
X
Exemplo 3.1.3. O conjunto X = (x1 , x2 , . . . , xn ) Rn / xi K; xi 0, i = 1, . . . , n
i=1
limitado

Convexidade
Iremos agora introduzir o conceito de convexidade, que um dos focos principais deste
trabalho. Os exemplos mais conhecidos de conjuntos convexos so os polgonos regulares, po-
rm agora vamos dar uma definio mais geral para esse conceito.

Combinao convexa

Definio 3.1.6. Sejam x1 , x2 , . . . , xk vetores de Rn


x Rn denominado combinao convexa de x1 , x2 , . . . , xk se podemos escrev-lo na
forma
Xk X k
i
x= i x com i [0, 1] e i = 1
i=1 i=1
     
2 1 3 1 1 1
Exemplo 3.1.4. Seja x1 = 2
,x = 3
,x = , o vetor x = x1 + x2 + x3
 7  3 2 1 3 6 2
x= 3
5
6
combinao convexa de x1 , x2 e x3

Conjuntos convexos

Definio 3.1.7. Um conjunto de pontos X chama-se convexo se toda combinao linear con-
vexa de qualquer par de pontos x1 X e x2 X tambm pertence a X.
Um conjunto convexo em Rn tambm dito um Conjunto Polidrico, quando este conjunto
alm de convexo for tambm limitado, ele ser denominado um Politopo.

Um outro conceito importante na teoria do mtodo Simplex o de vrtice, vejamos agora


sua definio

Definio 3.1.8. Um ponto x um vrtice de um conjunto polidrico X se x X e no for


possvel representar x como combinao convexa legtima de pontos x1 e x2 X, com x 6= x1
e x 6= x2 , ou seja,

x X ; @ (0, 1); x = x1 + (1 )x2 , x 6= x1 , x 6= x2

Exemplo 3.1.5. Vejamos um exemplo de conjunto convexo.


Seja M = {x; Ax = b e x 0}
Seja x1 M e x2 M . Ento x1 0, x2 0, Ax1 = b, Ax2 = b

1 x1 + 2 x2
1 , 2 0 1 + 2 = 1
tambm pertence a M
a) A(1 x1 + 2 x2 ) = A(1 x1 ) + A(2 x2 ) = 1 Ax1 + 2 Ax2 = 1 b + 2 b = (1 + 2 )b = b

21
b) Como 1 0, 2 0, x1 0, x2 0 fica evidente que 1 x1 + 2 x2 0
Portanto o conjunto M convexo
Exemplo 3.1.6. No Rn , uma reta , um hiperplano, um semi-espao so convexos. O conjunto
vazio convexo e o conjunto unitrio convexo.

3.2 Funes Convexas


Definio 3.2.1. Seja f : X R, definida no conjunto X R e dado os pontos a, b X,
o segmento de reta que liga os pontos (a, f (a)) e (b, f (b)), pertencentes ao grfico de f , ser
chamado a secante ab
Definio 3.2.2. Seja I R um intervalo. Uma funo f : I R chama-se convexa quando
seu grfico se situa abaixo de qualquer de suas secantes

f (b) f (a)
a < x < b em I f (x) f (a) + .(x a)
ba
ou
f (b) f (a)
a<x<b em I f (x) f (b) + .(x b)
ba

qualquer uma destas duas desigualdades j garante a convexidade de f , porm podemos com-
binar essas desigualdades para conseguir a forma mais completa

f (x) f (a) f (b) f (a) f (x) f (b)


a < x < b em I (3.1)
xa ba xb
Com este conhecimento podemos demontrar alguns teoremas sobre funes convexas
Teorema 3.2.1. Se f : I R convexa no intervalo I ento existem as derivadas laterais
f+0 (c) e f0 (c) em todo ponto c intI

[f (x) f (c)]
Demonstrao: Nota-se que a funo c (x) = montona no-decrescente no
(x c)
intervalo J = I(c, +). Alm disso, como c intI, existe a I, com a < c. Portanto c (x)
[f (a) f (c)]
, para todo x J. Assim a funo c : J R limitada inferiormente. Logo
(a c)
existe o limite direita f+0 (c) = lim+ c (x). Raciocnio anlogo para a derivada esquerda 
xc

Corolrio 3.2.1. Uma funo convexa f : I R continua em todo ponto interior ao


intervalo I
Teorema 3.2.2. As seguintes afirmaes sobre a funo f : I R, derivvel no intervalo I,
so equivalentes:
(1) - f convexa
(2) - A derivada f 0 : I R montona no-decrescente
(3) - Para quaisquer a, x I tem-se f (x) f (a) + f 0 (a)(x a), ou seja, o grfico de f est
situado acima de qualquer de suas tangentes

22
Demonstrao: (1) (2). Sejam a < x < b em I. Da equao 3.1 , fazendo primeiro
x a+ , e depois x b , temos

[f (b) f (a)]
f+0 (a) f0 (b)
(b a)

Logo a < b f 0 (a) f 0 (b)


(2) (3). Suponhamos a < x em I. Pelo Torema do Valor Mdio, existe z (a, x) tal
que f (x) = f (a) + f 0 (z)(x a). como f 0 montona no decrescente, temos
f 0 (z) f 0 (a). Logo f (x) f (a) + f 0 (a)(x a)
Raciocnio anlogo para x < a
(3) (1). Sejam a < c < b em I. Escrevamos (x) = f (c) + f 0 (c)(x c) e chamemos
H = {(x, y) R2 ; y (x)} o semiplano superior determinado pela reta y = (x), tangente
ao grfico de f no ponto (c, f (c)).
Evidentemente, H um subconjunto convexo do plano, isto , o segmento de reta que liga
dois pontos quaisquer de H est contido em H. A hiptese (3) assegura que os pontos (a, f (a))
e (b, f (b)) pertencem a H, logo o segmento de reta que liga estes pontos est contido em H
Em particular, o ponto desse segmento que tem a abscissa c pertence a H, isto tem
f (b) f (a)
ordenada (c) = f (c). Isto significa que f (c) f (a) + (c a). Como a < c < b
ba
so quaisquer em I, a funo f convexa 

Definio 3.2.3. Se M Rn um conjunto convexo, diz-se que a funo f : M R


convexa em M quando para quaisquer x M , y M e [0, 1], tem-se que f (x+(1)y)
f (x) + (1 )f (y)

A funo f diz-se estritamente convexa quando a desiguadade acima estrita para todos
x 6= y e (0, 1)
A funo f diz-se fortemente convexa com mdulo > 0, quando para quaisquer x
M, y M e [0, 1], tem-se f (x + (1 )y) f (x) + (1 )f (y) (1 ) k x y k2

A funo f : R R, f (x) = x , convexa.


A convexidade de f decorre da definio
f (x + (1 )y) = x + (1 )y = f (x) + (1 )f (y)

A funo f : R R, g(x) = ex , estritamente (mas no fortemente) convexa.


Para conferir a convexidade de g, consideramos z = (1 t)x + ty.
x2 x3
conhecido do clculo que ex = 1 + x + + + . . . ex 1 + x; x R, fazendo
2! 3!
d = x z e depois d = y z, obtemos

ex ez + ez (x z) e ey ez + ez (y z)

. Multiplicando a primeira desigualdade por (1 t) e a segunda por t, podemos concluir


que
ez (1 t)ex + tey
.

23
A funo f : R R, h(x) = x2 fortemente convexa.
A convexidade de h decorre de f (y + (1 )x) = (x + (y x))2 = x2 + 2x(y x) +
2 (y x)2 x2 + 2x(y x) + (y x)2 = x2 + (y 2 x2 )

Terminamos o estudo de funes convexas enunciando um teorema que ser utilizado


futuramente.

Teorema 3.2.3. Teorema de Weierstrass: Toda funo contnua f : X R definida num


compacto X limitada e atinge seus extremos (isto , existem x1 , x2 X tais que f (x1 )
f (x) f (x2 ) para todo x X)

24
Captulo 4

Problemas de Programao Convexa

Antes de abordar diretamente o mtodo Simplex vamos justificar o estudo de todos estes funda-
mentos matemticos. Entre os Problemas de Programao Linear existe um chamado problema
de Programao Convexa e este ser o problema que iremos abordar, ele interessante devido
as propriedades que a sua funo objetivo e o seu conjunto de restries possuem, ambos so
convexos, vejamos um importante resultado para esse tipo de problema
Teorema 4.0.1. (Teorema da Minimizao convexa): Sejam M Rn um conjunto
convexo e f : M R uma funo convexa em M . Ento todo minimizador local em um
problema de programao convexa global. Alm disso, o conjunto de minimizadores convexo.
Se f estritamente convexa, no pode haver mais de um minimizador.

Demonstrao: Suponhamos que x M seja um minimizador local que no global. Ento


existe y M tal que f (y) < f (x ). Definimos x() = y + (1 )x Pela convexidade de M ,
x() M para todo [0, 1]. Agora, pela convexidade de f , para todo (0, 1], tem-se

f (x()) f (y) + (1 )f (x )
f (x ) + (f (y) f (x )) < f (x )
f (x()) < f (x )

temos por hiptese que x minimizador local, portanto

f (x ) f (x) x Ux Rn r > 0; f (x ) f (x) x B(x , r)

Em particular

[0, 1]; 0 [0, ] x(0 ) B(x , r) f (x(0 )) < f (x )

O que um absurdo pela hiptese.


Seja S M o conjunto dos minimizadores (globais) e v R o valor timo do problema
(f (x) = v para qualquer x S). Para quaisquer x S, x S e [0, 1], pela convexidade
de f obtemos

f (x + (1 x )) f (x) + (1 )f (x ) = v (1 )v = v

Como v o valor mnimo, f (x + (1 x )) = v e, portanto x + (1 )x S S


convexo.

25
Suponhamos agora que f seja estritamente convexa e que existam x S e x S, x 6= x .
Seja (0, 1). Como x e x so minimizadores globais, temos pela convexidade de M

f (x + (1 )x ) f (x) = f (x ) = v .

No entanto, pela convexidade estrita.

f (x + (1 )x ) < f (x) + (1 )f (x ) = v + (1 )v = v

O que resulta em contradio. Conclumos que neste caso o minimizador deve ser nico. 

26
Captulo 5

Primeiras Noes de Programao Linear


e do Mtodo Simplex

5.1 O que um PPL


A programao linear visa encontrar a melhor soluo para problemas que tenham seus modelos
representados por expresses lineares. A tarefa da programao linear consiste na maximizao
ou minimizao de uma funo linear, denominada funo objetivo, respeitando-se um sistema
linear de igualdades ou desigualdades que recebem o nome de restries do modelo. Essas
restries do modelo determinam uma regio qual damos o nome de conjunto das solues
viveis. A melhor das solues viveis, aquela que maximiza ou minimiza a funo objetivo,
denomina-se soluo tima.
O problema de progrmao linear ser chamado de PPL. Para a resoluo de um PPL os
dois passos fundamentais so a modelagem correta do problema e depois a escolha do mtodo
mais eficiente para o caso. Vamos tomar o seguinte problema
Uma fbrica de confeces produz dois modelos de camisas de luxo. Uma camisa do
modelo A necessita de 1 metro de tecido, 4 horas de trabalho e custa RS120. Uma camisa do
modelo B exige 1,5 metros de tecido, 3 horas de trabalho e custa RS160. Sabendo que a fbrica
dispe diariamente de 150 metros de tecido, 360 horas de trabalho e que consegue vender tudo
o que fabrica, quantas camisas de cada modelo ser preciso fabricar para obter um rendimento
mximo?
Para modelar este problema, primeiro definimos as variveis, neste caso ser o nmero de
camisas de cada modelo

x1 no de camisas do modelo A
x2 no de camisas do modelo B

Agora analisando os dados do problema podemos relacionar as quantias necessrias de


cada modelo com a disponibilidade da fbrica

1x1 +1, 5x2 150


4x1 +3x2 360

A primeira desigualdade representa as restries relativas a quantidade de tecido, en-


quanto a segunda, as restries relativas ao total de horas de trabalho

27
como a quantidade de camisas ir representar uma quantidade real produzida, adiciona-
remos resties chamadas triviais ou restries de no-negatividade.

x1 0, x2 0

Finalmente vamos analisar o que pedido no problema, como obter um rendimento m-


ximo, para isso relacionamos o ganho pela venda de cada modelo de camisa e criamos uma
funo, que chamaremos de funo objetivo.

Q(x) = 120x1 + 160x2 Mximo


Ento, juntando todas essas informaes temos o PPL

Maximizar Q(x) = 120x1 + 160x2


Sujeito a:
1x1 +1, 5x2 150
4x1 +3x2 360
x1 0, x2 0
Depois de modelado corretamente, as partes do PPL tm uma forma particular:

a funo objetivo acaba sendo uma funo polinomial Q(x), representada por

Q(x) = c1 x1 + c2 x2 + . . . + cn xn

onde o vetor cT = (c1 c2 . . . cn ) comumente o vetor que representa o lucro ou produ-


o(maximizar), ou os gastos(minimizar).
e as restries acabam sendo simples restries lineares:

a11 x1 +a12 x2 + . . . +a1n xn b1


a21 x1 +a22 x2 + . . . +a2n xn b2
.. .. .. .. ..
. . . . .
am1 x1 +am2 x2 + . . . +amn xn bm

temos tambm as restries triviais ou de no negatividadeque so usadas pois estamos


tratando de situaes aplicveis na vida real e assim no nos interessamos com valores negativos.

x1 0, x2 0, . . . , xn 0

De forma mais compacta temos:

28
n

X
cj xj M IN Q(x) = cT x M IN




Q(x) =
j=1


n
X (5.1)


aij xj bi (i = 1, 2, . . . , m) ou Ax b
j=1



xj 0 (j = 1, 2, . . . , n) x0

Aqui cada restrio de desigualdade pode ser substituda pelo acrscimo de uma varivel
de folga, juntamente com uma restrio de igualdade e uma trivial
n n
n X n X
X aij xj + xn+1 = bi X aij xj xn+1 = bi
aij xj bi = j=1
; a ij x j b i = j=1

j=1 j=1
xn+1 0 xn+1 0

Fazemos uso das variveis de folga para adequar o nosso PPL ao formato padro, que
n
X
cj xj = Q(x) MN





j=1

Xn


aij xj = bi (i = 1, 2, . . . , m)
j=1



xj 0 (j = 1, 2, . . . , n)

onde bi 0 i i = 1, . . . , m
No caso em que existe algum bi < 0 basta multiplicar a i-sima linha por -1, j que os
coeficientes aij podem ter qualquer valor
Nos casos em que temos algum xj < 0 basta utilizarmos x0j = xj em seu lugar.
Quando temos um problema de Maximizar basta substituir a funo objetivo dada pela
sua simtrica, minimizando esta ltima, isto , MX {Q(x)} = MN{Q(x)} pois MX
{Q(x)} = Q(x ) tal que Q(x ) Q(x) pra todo x do conjunto de solues, assim Q(x )
Q(x) para todo x do conjunto de solues. Portanto MX {Q(x)} = Q(x ) = MN{Q(x)}
Como j dito antes, vamos nos focar mais nos problemas na forma 5.1 que chamado
Problema de Programao Convexa. Nesse tipo de problema podemos determinar um conjunto
M , o conjunto das solues viveis ou regio vivel, cujos elementos so os valores de x que
satisfazem as restries lineares e as restries triviais, isto :

M = {x ; Ax b , x 0}

Usando os conhecimentos previamente estabelecidos de anlise convexa podemos perceber que


o conjunto M um Politopo, ento vejamos quais so as possibilidades para a existncia da
soluo tima
Casos possveis

M = no existe soluo vivel nem tima

M 6= e limitado existe soluo tima, nica ou no

29
M 6= e no limitado
Q(x) possui timo em M nico ou no
Q(x) no possui timo em M

Analisando as restries do PPL temos um sistema de equaes lineares, ento, supondo


posto(A) = r, podemos separar a matriz A em uma submatriz quadrada Brr e outra matriz
Nnmr , portanto vamos separar o vetor das solues x = (x1 x2 . . . xn ), na forma x = (xB , xN ),
sendo xB as variveis relacionadas a matriz B e xN as variveis relacionadas a matriz N .
Os tipos de soluo que podemos encontrar so:

Definio 5.1.1. Soluo bsica (SB) x uma soluo bsica de um PPL se xT = (xTB , 0).

Definio 5.1.2. Soluo bsica vivel (SBV) x uma soluo bsica vivel quando suas
cordenadas so todas no negativas.

Definio 5.1.3. Soluo bsica degenerada x dita uma soluo bsica degenerada quando
possuir ao menos uma componente nula.

Definio 5.1.4. Soluo tima: x dita soluo tima quando o valor que minimiza
Q(x).

30
5.2 O Mtodo Grfico
O mtodo grfico consiste de visualizar as restries do PPL no plano cartesiano e a partir do
gradiente da funo buscar a melhor soluo
Vamos utlizar nosso exemplo 5.1
Maximizar Q(x) = 120x1 + 160x2
Sujeito a:
1x1 +1, 5x2 150
4x1 +3x2 360
x1 0, x2 0
Representando as restries no plano cartesiano temos:

Figura 5.1: PPL 1 representado no plano cartesiano

Onde o semi-espao vermelho representa a restrio 1x1 + 1, 5x2 150 e o semi-espao


azul representa a restrio 4x1 + 3x2 360 e os semi-eixos positivos Ox e Oy representam as
restries triviais.
Portanto, todas as solues possveis para o nosso problema esto na interseo desses
semi-espaos, lembrando de nossos estudos anteriores, estamos trabalhando com uma funo
convexa em um conjunto no-vazio, compacto e convexo, representado aqui pela regio limitada
pelas arestas e pelos vrtices pretos, logo temos garantia de que podemos achar uma soluo
tima para o problema.
Agora o que faremos olhar para a funo objetivo e ver qual o seu gradiente, ento
estudamos o comportamento da funo objetivo seguindo a direo do gradiente.
Neste exemplo a funo objetivo se trata de uma superfcie, portanto ao igualarmos ela
com uma constante estaremos definindo uma reta, que uma das curvas de nvel da superfcie,
portanto temos uma famlia de retas, dentre as quais devemos encontrar aquela que nos d o
valor mximo para a funo ainda obedecendo a regio das restries.
Para saber qual a direo de maior crescimento vamos olhar o gradiente da funo, e
vamos seguir as possveis retas que obedecem esse crescimento dentro da regio vivel

31
Figura 5.2: Representao de alguns possveis valores da funo Q(x)

Podemos ver na origem o vetor gradiente da funo e suas translaes seguindo a funo,
podemos ver tambm que em um dos vrtices chegamos no limite entre crescimento da funo
e permanncia na regio vivel, este vrtice nos dar a soluo tima.
Neste caso a soluo tima se encontra no ponto de interseo das duas restries, sendo
portanto o ponto (30, 80) representando que devemos produzir 30 unidades do modelo A e 80
unidades do modelo B para ter o lucro mximo que ser dado por 12030 + 16080
= 16400.

O mtodo grfico pode ser usado confortavelmente quando o problema traz apenas duas
variveis, porm com trs variveis a visualizao e at mesmo a representao do problema
fica difcil sem a utilizao de um bom software.
O que podemos fazer ento em uma situao mais realista, onde temos vrias variveis
que influenciam nossas decises? Para esses problemas iremos usar o Mtodo Simplex.
Para encerrar a apresentao do mtodo grfico vamos mostrar que no foi por acaso que
a soluo tima do nosso problema foi encontrado em um vrtice da regio vivel, vamos usar
dois teoremas para provar este fato.

Teorema 5.2.1. Seja X = {x Rn | Ax = b; x 0} 6= e seja A uma matriz m n , de


posto igual a m . Uma soluo bsica de Ax = b, satisfazendo x 0 corresponde a um vrtice
de X.

Demonstrao: Pelo teorema de Rouch-Capelli, podemos Considerar A = (B N ), e B


Rmm uma matriz quadrada invertvel e N 6= 0, pois se N = 0 haveria um nico ponto em X
que seria o prprio vrtice.
Tomemos x = (xB xN )T , onde xN = 0 , uma soluo bsica vivel, isto , xB = B 1 b 0.
Sejam x1 e x2 X diferentes de x , vamos supor que exista um [0, 1] tal que

x = x1 + (1 )x2

Sabemos que
x1 0, Ax1 = Bx1B + N x1N = b,
x2 0, Ax2 = Bx2B + N x2N = b
Como N 6= 0, x1N 6= 0 e x2N 6= 0, caso contrrio, isto , x1N = 0 implicaria x1B = xB e x2N = 0
implicaria x2B = xB ; contrariando a hiptese de que x vrtice.

32
Temos que
x = x1 + (1 )x2
implica
xB = x1B + (1 )x2B e 0 = x1N + (1 )x2N
. Como x1N 0 e x1N 6= 0, x2N 0 e x2N 6= 0, 0, (1 ) 0; e (1 ) no podem ser
anulados ao mesmo tempo, ento 5.2 nunca ser verificada. Assim sendo, demonstramos, que
uma soluo bsica vivel corresponde a um vrtice do conjunto polidrico X. 

Para Demonstrar o segundo teorema vamos fazer uso do seguinte lema

Lema 5.2.1. Seja M o conjunto de solues viveis de um PPL, definido por Ax = b e x 0.


Todo ponto x M pode ser escrito como combinao linear convexa x = x + (1 )x,
0 < 1, onde x vrtice de M e x M

Teorema 5.2.2. Seja um PPL cujo conjunto M de solues viveis definido por Ax = b
e x 0 e seja Q(x) a funo objetivo que tem um mnimo em M . Ento este mnimo ser
atingido ao menos em um vrtice de M .

Demonstrao: Seja x soluo tima do PPL, isto , seja Q(x ) o mnimo atingido pela
funo objetivo em M . Pelo Lema 5.2 temos:

x =
x + (1 )x; 0 < 1 , onde 0 < 1, onde x vrtice de M e x M

Pela linearidade de Q(x), temos:

Q(x ) = Q(
x) + (1 )Q(x) (5.2)

Como x soluo tima, temos Q(x ) Q(x). Substituindo em 5.2

Q(x ) Q(
x) + (1 )Q(x )

Da resulta que Q(x ) Q(


x), ou seja:

Q(x ) Q(
x) (5.3)

Mas como x soluo tima

Q(x ) Q(
x) (5.4)

De 5.3 e 5.4 temos Q(x ) = Q(


x)
Podemos ter x = x, caso contrrio existe mais de uma soluo tima, dentre as quais ao
menos uma vrtice. 

Portanto vemos que se a funo objetivo assume o valor timo na regio vivel, esse valor
est relacionado a pelo menos um vrtice, no caso em que existe mais de um ponto que fornece
o valor timo, estes pontos se encontram em uma aresta ou face do politopo que representa a
regio vivel.

33
Agora que sabemos que a soluo tima do sistema est em pelo menos um vrtice po-
demos ver, analisando o grfico, que os vrtices so as interesees das restries do PPL,
portanto uma outra forma de encontrar a soluo do problema seria encontrar todos os pon-
tos que representam as intersees do sistema e analisar o valor de cada um deles na funo
objetivo.

5.3 O Mtodo Simplex


O mtodo Simplex se baseia em conceitos de lgebra Linear e de funes para que possamos
buscar a soluo tima de um PPL seguindo um Algoritmo simples, algumas diretrizes que nos
guiam para o resultado de um PPL.
Vamos inicialmente ver o mtodo Simplex no modelo de quadro, ou tableau. para isso o
PPL precisar estar na forma padro.
O funcionamento do mtodo Simplex funciona basicamente em torno de 4 passos.

1. Encontrar uma soluo bsiva vivel inicial;

2. Quando possvel, encontrar uma varivel bsica melhor(VB) que a atual;

3. Atribuio de valor nova varivel bsica (VB). Determinao da nova varivel no bsica
(VNB);

4. Pivoteamento.

Vamos estudar este procedimento tendo como basse o problema que de interesse para
esta pesquisa, o PPL convexo
O sistema dado por
n
X



Q(x) = c1 x1 + c2 x2 + . . . + cn xn M IN

j=1

a11 x1 +a12 x2 + . . . +a1n xn b1



a21 x1 +a22 x2 + . . . +a2n xn b2

.. .. .. .. ..



. . . . .



am1 x1 +am2 x2 + . . . +amn xn bm
x 0 (j = 1, 2, . . . , n)
j

Na forma padro temos


n
X
Q(x) =


c1 x1 + c2 x2 + . . . + cn xn M IN

j=1

a11 x1 +a12 x2 + . . . +a1n xn +xn+1 = b1



a21 x1 +a22 x2 + . . . +a2n xn xn+2 = b2

.. .. .. .. ..


. . . . .




am1 x1 +am2 x2 + . . . +amn xn ... xn+m = bm
x 0 (j = 1, 2, . . . , n)
j

Representando este sistema no quadro, ou tableau, temos

34
x1 . . . xs . . . xn xn+1 . . . xn+r . . . xn+m b
a11 . . . a1s . . . a1n 1 ...0 ...0 b1

ar1 . . . ars . . . arn 0 ...1 ...0 br


am1 . . . ams . . . amn 0 ...0 ...1 bm
c1 . . . cs . . . cn 0 ...0 ...0 Q(x)

Agora vamos ao mtodo.


Passo 1. Escolha da SBV inicial:
Precisamos definir uma SBV inicial, esta pode ser facilmente encontrada usando como
variveis bsicas as n variveis de folga e como base as colunas de aj j = n + 1, . . . , n + m, que
neste caso a matriz (Im ). Lembrando a definio de SBV temos
x1 = . . . = xn = 0 ; xn+1 = b1 , . . . , xn+m = bm (5.5)
Pode-se verificar que esta realmente uma SBV do PPL.
Passo 2. Escolha de uma soluo melhor, quando possvel:
Depois de achada a SBV inicial o Simplex inicia a busca por uma soluo melhor.
Para termos uma nova soluo, x , pelo menos uma das VB ter que se tornar VNB e
vice-versa.
Portanto saindo de 5.5 iremos alterar o valor de uma das variveis x1 , . . . xn , de forma a
anular uma das variveis xn+1 , . . . , xn+m
Est claro que essa altero ir afetar o valor da funo objetivo, teremos
Q(x) = c1 x1 + . . . + cn xn = 0 j que x1 = . . . = xn = 0
Supondo xs a nova varivel bsica
Q(
x ) = cs x s (5.6)
Com este fato e sabendo que queremos minimizar a funo objetivo. fica claro que a melhor
escolha seria trocar xs de forma que cs < 0, portanto para escolhermos entre as n variveis no
bsicas podemos definir o seguinte critrio
xs se torna varivel bsica se cs = min (ci )
i;ci <0

Caso no exista ci negativo para todo i, no teremos como diminuir valor da funo objetivo,
portanto teremos encontrado o valor timo da funo objetivo.
Passo 3. Atribuio de valor nova VB, determinao da nova VNB:
Seja x a nova SBV, onde xs a nova VB, fazendo xs 0, podemos ver, pelo tableau que
o valor das outras variveis ser dado por

xn+i = bi ais xs i K onde K = {1, 2, . . . , m} (5.7)

Como estamos tratando de SBV, temos que respeitar as restries triviais, isto ,
xn+1 = bi ais xs 0 i K

35
Temos dois casos possveis.
1o ) ais 0 i K
Neste caso o valor de xn+1 = bi ais xs ser positivo xs 0, logo podemos fazer
xs +, assim Q(x) , logo Q(x) no tem mnimo finito
2o ) Existe pelo menos um ais > 0
Seja K + = {i; i K e ais > 0}. Para ais 0 a restrio sempre atendida, agora para
i K + temos
bi ais xs 0
isto
bi
xs
ars
Temos agora que aumentar o valor da nova varivel bsica, de forma a anular uma das antigas,
ou seja  
bi bi
xs = = min
ars iK ais
E finalmente a preocupao seria o que ocorre com a base aps a mudana de variveis, supondo
que a VB que se torna VNB, ou que sai da base, xn+r e a VNB que se torna VB, ou que entra
na base, xs , o vetor an+r sai da base e o vetor as entra na base, podemos afirmar que ainda
teremos uma base aps essa mudana devido o teorema 2.5.1
Passo 4. Pivoteamento
Para o funcionamento correto do Algoritmo Simplex, alm de colocar o PPL no formtao
padro precisamos deixar o Tableau na forma cannica, caracterizada por

Os coeficientes das VB so nulos na funo objetivo


A base deve estar na forma cannica, isto , deve ser a matriz identidade

Para satisfazer essas condies, suponha que xs seja a nova VB e xr a nova VNB, assim vamos
tomar a linha r como a linha piv, a coluna s como a coluna piv e ars como o piv, o processo
ser o seguinte.

Dividir a linha piv por ars


Anular todos o elementos da coluna piv exceto o piv. ( Basta subtrair da i-sima linha
(i = 1, 2, . . . , r 1, r + 1, . . . , m, m + 1) a nova linha piv, multiplicada, respectivamente
por a1s , a2s , . . . , ar1,s , ar+1,s , . . . , ams , cs )

Ao final destas operaes teremos o seguinte quadro


x1 . . . xs . . . xn xn+1 . . . xn+r . . . xn+m b
ar1 a1s arn a1s a1s br a1s
a11 ...0... a1n 1... ...0 b1
ars ars ars ars
.. .. .. .. .. .. ..
. . . . . . .
ar1 arn 1 br
...1... 0... ...0
ars ars ars ars
.. .. .. .. .. .. ..
. . . . . . .
ar1 ams arn ams ams br ams
am1 ...0... amn 0... ...1 bm
ars ars ars ars
ar1 cs arn cs cs br c s
c1 ...0... cn 0... ...0 Q(x)
ars ars ars ars

36
Estas instrues so vlidas para todo o algoritmo, porm no teremos os elementos cj , aij ,
e bi bem definidos nas iteraes subsequentes, portanto iremos introduzir uma notao que
utilizada pelos autores de livros sobre programao linear, que ser a seguinte

I = {1, 2, . . . , n + m} Conjunto de todos os ndices das variveis

IB = {j1 , . . . , jm } Conjunto de ndices-base, isto , I N conjunto dos ndices das VB

IN = N IB = {jm+1 , . . . , jn0 } Conjunto de ndices no base, isto , IN j I conjunto


dos ndices das VNB

Bmm = (aj 1 , . . . , ajm ) Matriz base associada a A referente SBV considerada, formada pelos
vetores de A referentes VB

Rm(n0 m) = (ajm+1 , . . . , ajn0 ) Matriz constituda pelos vetores coluna aji , ji IN relativos
s VNB

(cB )Tm1 = (cj1 , . . . , cjm ) Vetor composto pelos coeficientes das VB na funo objetivo

(cN )T(n0 m)1 = (cjm+1 , . . . , cjn0 ) Vetor composto pelos coeficientes das VNB na funo obje-
tivo

xB
m1 = (xj1 , . . . , xjm ) Vetor composto pelas VB

xB
(n0 m1 = (xjm+1 , . . . , xjn0 ) Vetor composto pelas VNB

Ym(n0 m) = B 1 R Vetor das coordenadas dos vetores colunas de Aj j J com relao


base B

xB = BxB Vetor que representa a SBV considerada

u1m = (cB )T B 1 Vetor que compe a funo objetivo, nos ser importante no prximo captulo

z = cB B 1 b = ub = cB Pode ser interpretado como o valor da funo objetivo na SBV re-


lacionada a matriz base B

zj = uaj , j IN Parte importante para entender o funcionamento do mtodo

Vamos tomar nosso problema na forma padro e fazer algumas manipulaes para justificar a
escolha da notao
n
X
cj xj = Q(x) M in
j=1
n
X onde n0 o nmero total de variveis, n0 = n + m
aij xj = bi (i = 1, 2, . . . , m)
j=1
xj 0 (j = 1, 2, . . . , n0 )

Vamos abrir o problema, ver quais so as componentes de cada parte. Iremos denominar Q(x)
por z, e vamos separar a varivel x e o vetor c com relao s submatrizes de A, B e N , teremos
ento:

37
minimizar z = cB xB + cN xN
Sujeito a:
BxB + N xN = b
xB 0 xN 0

Explicitando xB temos
xB = B 1 b B 1 N xN
Substituindo este formato na funo objetivo, temos a seguinte forma para o PPL

minimizar z = cB B 1 b (cB B 1 N cN )xN


Sujeito a:
xB = B 1 b B 1 N xN
xB 0 xN 0

Vejamos agora como fica a funo objetivo na forma cannica com a nova notao

Q(x) = (cB )T xB + (cR )T


Q(x) = (cB )T xB (cB )T Y xN + (cN )T xN
= (cB )T xB + ((cN )T (cB )T Y )xN

x) = (cB )T xB , por outro lado temos z = (cB )T Y , ou seja,


Fazendo xN = 0, obtemos Q(
B T
zj = (c ) yj , j IN
Temos ento X
x = (cN )T z)xN =
Q(x) = Q( (cj zj )xj . (5.8)
jIN

Analisando a equao encontrada para xB de acordo com a nova notao teremos

BxB + N xN = bxB + B 1 N xN = B 1 b
xB + Y xN = B 1 b
X
xB + yj xj ) = xB
( (5.9)
jIN

As equaes 5.8 e 5.9 representam a forma cannica do mtodo Simplex, podemos ver
a mudana de valores que ocorre quando substituimos uma VNB por uma VB e atribumos
valores a essa VNB, ou seja os passos 2 e 3 do mtodo.
Vamos verificar agora alguns resultados que mostram a importncia dos valores (cj zj )
para j IN
Seja x uma SBV, qual est associada uma base B. Se tivermos cs zs < 0 e y 0,
para algum s IN , ento, para qualquer xs 0, continuamos obtendo uma soluo vivel x.
Fazendo xs , temos Q(x) . A determinao da soluo tima do PPL impossvel.
Seja x uma SBV e seja cs zs < 0, para algum s IN , tal que existe yis > 0 ao menos
para algum i IB . Seja tambm  
xr xi
= min
yrs i|yis >0 yis

38
. Ento fazendo xs = xr /
yrs a nova VB, anulamos xr , fazendo-a VNB, obtendo assim uma nova
SBV x tal que Q(x) Q( x).
Seja uma soluo bsica vivel x. o fato de cj zj 0, j IN condio suficiente
para que essa soluo seja tima
Faremos agora uma sntese do funcionamento do mtodo
Assumindo o PPL na forma padro

1) Tome as variveis de folga como VB e as variveis do problema como VNB (soluo bsica
inicial)

2) Caso no exista j tal que cj zj < 0 a soluo ser tima PARE, caso contrrio tome a
prxima VB xs de acordo com o seguinte critrio (cs zs ) = min (cj zj ).
j|cj
zj <0
 
xr xi
3) Atribuir valor para a nova VB xs como sendo xs = = min . Caso tenhamos
yrs yis
i|
y >0
xr
xs = a soluo ilimitada PARE Caso tenhamos xs < faremos xs = =
  yrs
xi
min
i|
y >0 yis
4) Voltar para 2)

Vamos aplicar este mtodo para o nosso exemplo.


Maximizar Q(x) = 120x1 + 160x2
Sujeito a:
1x1 +1, 5x2 150
4x1 +3x2 360
x1 0, x2 0
Primeiro vamos coloc-lo na forma padro
Minimizar Q(x) = 120x1 + 160x2 + 0x3 + 0x4
Sujeito a:
1x1 +1, 5x2 +x3 = 150
4x1 +3x2 +x4 = 360
xi 0, i = 1, 2, 3, 4
O Tableau ser
x1 x2 x3 x 4 b
3
x3 1 2
1 0 150
x4 4 3 0 1 360
120 160 0 0 Q(x)
Como temos valores negativos na ltima linha, vamos escolher o mnimo entre eles, no caso
160 que se encontra na coluna relativa a x2 , portanto esta ser a nova VB, agora vamos definir

39
   
xi bi
o valor para x2 , ele ser dado por min , ou equivalentemente, min
i|
y >0 yis iIB ais

x1 x2 x3 x4 b
2 2
x2 3
1 3
0 100
x3 2 0 2 1 60
40
3
0 320
3
0 Q(x) + 16000

Agora vemos que o valor (c1 z1 ) < 0 portanto x1 ser a VNB que entrar na base nesta
iterao, mais uma vez utilizamos o procedimento acima para definir a varivel que sair da
base, que neste caso ser x4 . O quadro final ficar da seguinte forma

x1 x2 x3 x 4 b
4 1
x2 0 1 3
3
80
x1 1 0 1 12 30
280 20
0 0 3 3
Q(x) + 16400

Esta forma de soluo interessante pois a ltima coluna nos informa qual ser o valor
das variveis na soluo tima e o valor da prpria soluo tima na funo objetivo.

40
Captulo 6

O Mtodo Dual do Simplex

6.1 O Problema Dual


Vamos agora buscar mais informaes em nosso PPL, buscando a soluo de uma forma dife-
rente, vamos introduzir o conceito de dualidade em programao e no mtodo Simplex.
Seja o PPL

Q(x) = cT x M IN
Ax b (6.1)
x0

Onde A uma matriz m n formada pelos vetores coluna a1 , . . . , an . Este problema ser
agora denominado o problema Primal Colocando-o no formato padro temos

Q(x) = cT x M IN
Ax b
x0

Vamos utilizar as variveis de folga xn+1 , . . . , xn+m e adicionamos matriz A os vetores


an+1 = e1 , . . . , an+m = em onde eTj = (0 1 0). Alm disso, fazemos cn+1 = . . . =
cn+m = 0.
Analisando as componentes do problema temos que
yj = B 1 aj e zj = (cB )T yj j B, ento yj um vetor unittrio e cj = zj , cj zj = 0.
Sabemos que o algoritmo Simplex gera novas bases mantendo as condies B 1 .b 0 at
termos finalmente a condio de otimalidade cj zj 0 , j N
Podemos, no entanto, seguir pelo caminho contrrio, gerar novas bases mantendo cj zj
0 at que se tenha B 1 b 0
Esse mtodo seria da seguinte forma;

cj zj = 0
cj zj = cj (cB )T B 1 aj 0 j N (6.2)

41
Fazendo

uT = (u1 , u2 , . . . , um ) = (cB )T B 1 (6.3)

Temos ento

cj zj = cj uT aj 0 j N (6.4)

Para j = 1, , n

cj ut aj j = 1, , n (6.5)

Para j = n + 1, , n + m

cj uT aj = uT (ejn ) 0 = uT 0 (6.6)

6.5 pode ser escrito como

T
uT A cT ouA u c (6.7)

Reunindo 6.6 e 6.7


u T A cT
(6.8)
uT 0

Agora se buscarmos uma base que obedece 6.8 e ao mesmo tempo nos d B 1 b 0
teremos a base tima do problema 6.1 de soluo x
T 1
Vamos denotar esta base por B e essa soluo seria u = (cB )T B
1 T
Q(x ) = cT x = (cB )T xB + (cN )T xN = (cB )T xB = (cB )T B b = u b (6.9)

Temos que, para todo uT satisfazendo 6.8

uT A cT uT A cT x M = {x; Ax b, x 0}
uT Ax cT x = cT x (x M ) (6.10)
uT b min (cT x) (6.11)
xM

Mas min (cT x) = cT x , de 6.11 e 6.9


xM

T
uT b cT x = u b (6.12)
T 1
Logo B tal que o valor de uT a ela correspondente, u = (cB )T B d o valor mximo
T
de QD (u) = u b

42
Portanto, encontrar B equivale a solucionar o PPL

QD (u) = uT b M AX
uT A cT (6.13)
T
u 0

Que vamos denominar de problema Dual.


No decorrer desta construo demonstramos o seguinte teorema

Teorema 6.1.1. Teorema Forte da Dualidade Se x for uma soluo tima de (P ) e u


um soluo tima de (D) ento cT x = u b.

A demonstrao decorre de 6.12


A motivao para o estudo da dualidade o fato de que podemos obter muitas informaes
sobre um problema olhando para o seu Dual, at mesmo algumas informaes que seriam
impossveis de se obter. Um exemplo bem claro disso ser mostrado a seguir
Um dos problemas clssicos da programao linear o problema da dieta, que trata
da criao de uma dieta obedecendo uma certa quantidade de nutrientes, vamos estudar a
dualidade usando uma variao do problema da dieta.
Um nutricionista precisa estabelecer uma dieta contendo, pelo menos 42 unidades de
vitamina C e 24 unidades de vitamina D . Essas vitaminas esto contidas em quantidades
variadas em cinco alimentos que vamos chamar de A1 , A2 , A3 , A4 e A5 . O quadro seguinte d o
nmero de unidades das vitaminas C e D em cada unidade desses cinco alimentos, bem como
o seu custo por unidade.
A1 A2 A3 A4 A5 Qtd necessria
C 3 4 5 3 6 42
D 2 3 4 3 3 24
CUSTO 25 35 50 33 36
Podemos ento montar um PPL a partir desta tabela, teremos o objetivo de minimizar o
custo de uma dieta, satisfazendo as quantidades mnimas das vitaminas em questo.
O PPL para este problema tem o seguinte formato:
Minimizar Q(x) = 25x1 + 35x2 + 50x3 + 33x4 + 36x5
Sujeito a:
3x1 +4x2 +5x3 +3x4 +6x5 42
2x1 +3x2 +4x3 +3x4 +3x5 24
xi 0, i = 1, . . . , 5
Neste problema acabamos tendo 5 variveis que so as quantidade de alimentos, tambm
podemos observar que iremos precisar do mtodo Simplex para encontrar uma soluo.
Vejamos agora que informaes podemos conseguir do problema Dual relacionado, ele
ter o seguinte formato

43
Maximizar Q(x) = 42u1 + 24u2
Sujeito a:
3u1 +2u2 25
4u1 +3u2 35
5u1 +4u2 50
3u1 +3u2 33
6u1 +3u2 36
u1 0, u2 0
Neste problema existem dois pontos principais a se notar, o primeiro a reduo conside-
rvel no nmero de variveis, que nos permite usar o mtodo grfico para encontrar a soluo
tima, e pelo teorema 6.1.1 sabemos que a soluo tima do Primal e de seu Dual coincidem,
assim mesmo sem saber a aparncia do politopo que representa o problema primal, encontra-
mos sua soluo facilmente. O segundo ponto a interpretao do problema, no Dual podemos
perceber a preocupao em maximizar a quantidade de vitaminas sempre mantendo os custos
abaixo dos custos da dieta original, seria como buscar a maximizao de renda de uma dieta
sinttica, a base de plulas, buscando manter o preo abaixo do preo da dieta original.
Um exemplo de dualidade mais geomtrico o do cubo e do octaedro, o cubo tem 6 faces e
8 vrtices, enquanto que o octaedro tem 8 faces e 6 vrtices. Assim como ocorre neste exemplo,
podemos ver algumas simetrias entre os problemas Primal e Dual, o vetor independente do
Primal se tornar o vetor de coeficientes no Dual e o vetor de coeficientes da funo objetivo se
torna o vetor independente no Dual, a quantidade de restries no Primal a quantidade de
variveis no Dual e a quantidade de variveis no Primal a quantidade de restries no Dual.
Uma ltima simetria, que muito importante que ao tomarmos o par de problemas P e D,
ao tentarmos encontrar o Dual de D voltaremos ao problema P.
A tabela a seguir mostra como fazer a converso de um problema Primal para o seu Dual

Figura 6.1: Tabela de converso Primal Dual

Teorema da Dualidade (Existncia)


Dado um par de problemas (um primal e seu dual), uma e somente uma das trs afirmaes
verdadeira

1. Os dois problemas so vazios

2. Um vazio e o outro ilimitado

44
T
3. Ambos admitem solues timas finitas (cT x = u b)

Teorema das Folgas Complementares

Teorema 6.1.2. Teorema das Folgas Complementares


Se x timo de (P ) e u timo de (D) ento

u (Ax b) = 0 (6.14)

(u A c)x = 0 (6.15)

Demonstrao: Assumindo que x e u so solues timas do par (P, D), podemos escrever

n
X m
X

T
c x u b= cj xj ui bi = 0 (6.16)
j=1 i=1

m
X
Como de (D) temos aij ui cj , ento
i=1
n X
X m m
X m
X Xn
( aij ui )xj ui bi = ui ( aij xj bi ) 0 (6.17)
j=1 i=1 i=1 i=1 j=1

Porm, pelas restries de no negatividade, temos

n
X
ui ( aij xj bi ) 0 , , , , i = 1, . . . , m (6.18)
j=1

De 6.18 e 6.17 obtemos 6.14, analogamente podemos obter 6.15


Reciprocamente, Sejam x e u solues viveis de (P, D) e sejam vlidas as equaes 6.14
e 6.15. Somando 6.14 em i e 6.15 em j, temos

m
X n
X m X
X n m
X
ui ( aij xj bi ) = ui aij xj ui bi = 0 (6.19)
i=1 j=1 i=1 j=1 i=1

n
X m
X n
X m
X
n
(cj aij ui )xj = cj x j j=1 ui aij xj = 0 (6.20)
j=1 i=1 j=1 i=1

Somando 6.19 e 6.20

n
X X
cj xj ui bi = cT x u b = 0 (6.21)
j=1

Logo x e u so solues timas 

45
Captulo 7

Concluso

Neste relatrio apresentamos os fundamentos da programao linear, a partir do estudo de


teoremas e conceitos bsicos preparamos o caminho para o entendimento do mtodo simplex,
separamos os principais teoremas que tratam de sistemas de equaes lineares, desde a parte
matricial, que seria a mais computacional, at a parte vetorial, que seria a mais abstrata e
algbrica. Apresentamos conceitos que faziam distino de certos tipos de conjuntos e de
funes e aps a apresentao de conceitos exclusivos da teoria apresentamos a programao
linear de forma compreensvel.
Na parte inicial, alm das operaes com matrizes e da matriz inversa, os conhecimentos
importantes so o do teorema da mudana de base e o teorema de Rouch-Capelli.O primeiro,
que trata das alteraes que se pode fazer na base de um espao vetorial sem que esta deixe
de ser uma base do espao, nos permite fazer a mudana de base feita no mtodo simplex
sem preocupaes tericas de validade dos passos. E o segundo, que trata de forma geral e
completa as possibilidades para um sistema de equaes lineares e as hipteses para a existncia
de soluo, nos dando a garantia de podermos transformar um PPL qualquer para um PPL na
forma padro sem alterar a soluo do problema original.
No captulo sobre anlise convexa construmos a base para o entendimento da teoria de
conjuntos e funes, com ateno especial para a teoria de convexidade, os grandes resultados
deste captulo so o teorema de Weierstrass e o teorema da minimizao convexa. O primeiro
que apresenta as hipteses necessrias para que uma funo atinja um valor mximo e um valor
mnimo, nos permite entender o funcionamento da funo objetivo do mtodo Simplex. J o
segundo trata da minimizao de uma funo convexa definida em um conjunto convexo, nos
mostra um fortssimo resultado, que dependendo da forma de construo do problema podemos
tanto garantir a existncia de um valor mnimo como garantir que ao encontramos um valor
mnimo ele ser o nico com esta propriedade.
Nos ltimos captulos apresentamos a Programao Linear e os problemas de programa-
o linear e tambm algumas das formas de resoluo, apresentamos o mtodo grfico, que
para resolver um PPL se utiliza do conhecimento do gradiente da funo objetivo e do grfico
formado pelas restries. Ao apresentarmos o mtodo Simplex mostramos a sua forma geral,
porm optamos por nos focar nos problemas com desigualdades do tipo menor do que ou igual,
adotando-a como padro, para podermos utilizar os conhecimentos dos teoremas anteriores. A
parte de dualidade mostrada apenas como teoria, dando assim uma explicao sucinta de
como surgem os problemas duais e quais informaes podemos extrair deles.

46
Bibliografia

[1] Bregalda, Paulo Fbio.; Antnio A. F. de Oliveira, Claudio T. Bornstein. Introduo


programao linear. 3.ed. - Rio de Janeiro: Campus, 1988.

[2] Maculan, Nelson.; Fampa, Marcia H. Costa Otimizao Linear. Braslia : Editora Univer-
sidade de Braslia, 2006.

[3] Boldrini, Jos Luiz lgebra Linear. So Paulo: Harper & Row do Brasil, 1980.

[4] Lima, Elon Lages Anlise Real Volume 1. Funes de uma varivel. 12.ed. Rio de Janeiro
: IMPA, 2014.

[5] Lima, Elon Lages: Espaos mtricos. 5.ed. Rio de Janeiro : IMPA, 2015.

[6] Izmailov, Alexey.; Solodov, Mikhail Otimizao volume 1. Condies de otimalidade, ele-
mentos de anlise convexa e de dualidade. Rio de Janeiro : IMPA, 2005.

[7] Ribeiro, Ademir Alves.; Elizabeth, Wegner Karas Otimizao contua: Aspectos tericos e
computacionais. So Paulo: Cengage Learning, 2013.

47