FATEC-SB- FACULDADE DE TECNOLOGIA DE SÃO BERNARDO

DO CAMPO

PESQUISA OPERACIONAL

PROFa LÍGIA CONCEIÇÃO PEREIRA

CURSO SUPERIOR DE TECNOLOGIA EM INFORMÁTICA PARA GESTÃO

DE NEGÓCIOS

1
A Pesquisa Operacional (PO) é uma ciência que objetiva fornecer ferramentas
quantitativas ao processo de tomada de decisões. É constituída por um conjunto de
disciplinas isoladas, tais como Programação Linear, Teoria das Filas, Simulação,
Programação Dinâmica, Teoria dos Jogos, etc.
O termo Pesquisa Operacional (em inglês: Operations Research) foi empregado pela
primeira vez em 1939 como uma tentativa de englobar, sob uma única denominação, todas
as técnicas existentes ou que viriam a ser desenvolvidas e que tinham o mesmo objetivo
citado.

De uma maneira geral, todas as disciplinas que constituem a PO se apóiam em quatro

ciências fundamentais: Economia, Matemática, Estatística e Informática.
As áreas de aplicação abrangem fábricas,escritórios, hospitais, fazendas, estradas, etc.
Dentre as diversas disciplinas que compõe a PO, o INDG atua em Programação Linear e
Simulação.
Denominamos Management Sciences (MS) a área de estudos que utiliza computadores,
estatística e matemática para resolver problemas de negócios. Esta área é considerada uma
sub-área da Pesquisa Operacional (PO), por tratar-se de modelagem atemática aplicada à
área de negócios. Há poucos anos nos EUA, as duas sociedades que estudavam
separadamente MS e PO se fundiram em uma sociedade denominada INFORMS. No Brasil
a contraparte desta instituição é a SOBRAPO-Sociedade Brasileira de Pesquisa Operacional
(www.sobrapo.org.br) - que mantém anualmente simpósios científicos.
Entre os tipos de problemas em que MS-PO pode ser utilizada para ajudar no processo de
decisão, encontra-se:
 Problemas de otimização de recursos.
 Problemas de Localização
 Problemas de Roteirização
 Problemas de Carteiras de Investimento
 Problemas de Alocação de Pessoas
 Problemas de Previsão e Planejamento

Com o aumento da velocidade de processamento e quantidade de memória dos

computadores atuais, houve um grande progresso na Pesquisa Operacional. Este progresso
é devido também à larga utilização de microcomputadores, que se tornaram unidades
isoladas dentro de empresas. Isso faz com que os modelos desenvolvidos pelos
profissionais de Pesquisa Operacional sejam mais rápidos e versáteis, além de serem
também interativos, possibilitando a participação do usuário ao longo do processo de
cálculo.
A definição de Pesquisa Operacional nos leva a três objetivos inter-relacionados:

a- converter dados em informações significativas- transformar dados brutos (números e

fatos) em dados, através de seu armazenamento de forma organizada., para que sejam
transformados em Informações Gerenciais que podem ser utilizadas no processo de tomada
de decisão.

2
b- Apoiar o Processo de Tomada de decisão de formas transferíveis e independentes, dar o
suporte às decisões para que estas sejam independentes do decisor e assegurar que o
processo de decisão seja claro e transparente.
c- Criar sistemas computacionais úteis para os usuários não-técnicos, facilitar , através de4
sistemas de fácil utilização, os processos de tomada de decisão operacional, gerencial e
estratégico.

Modelagem
Um modelo é uma representação de um sistema real, que pode já existir ou ser um projeto
aguardando execução. No primeiro caso, o modelo pretende reproduzir o funcionamento do
sistema, de modo a aumentar sua produtividade. No segundo caso, o modelo é utilizado
para definir a estrutura ideal do sistema.
A confiabilidade da solução obtida através do modelo depende da validação do modelo na
representação do sistema real. A validação do modelo é a confirmação de que ele realmente
representa o sistema real. A diferença entre a solução real e a solução proposta pelo modelo
depende diretamente da precisão do modelo em descrever o comportamento original do
sistema. Um problema simples pode ser representado por modelos também simples e de
fácil solução. Já problemas mais complexos requerem modelos mais elaborados, cuja
solução pode vir a ser bastante complicada.

A Tomada de Decisão
Podemos entender a tomada de decisão como o processo de identificar um problema ou
uma oportunidade e selecionar uma linha de ação para resolvê-lo. Um problema ocorre
quando o estado atual de uma situação é diferente do estado desejado.
Vários fatores afetam a tomada de decisão e entre eles podemos destacar;
 Tempo disponível para a Tomada de Decisão
 A importância da decisão
 O Ambiente
 Certeza/incerteza e risco
 Agentes decisores
 Conflito de interesse.
Os modelos podem ser utilizados como ferramentas consistentes para a avaliação e a
divulga de diferentes políticas empresariais.

Estrutura de Modelos Matemáticos

Em um modelo matemático, são incluídos três conjuntos principais de elementos:
(1) variáveis de decisão e parâmetros: variáveis de decisão são as incógnitas a serem
determinadas pela solução do modelo. Parâmetros são valores fixos no problema;
(2) restrições: de modo a levar em conta as limitações físicas do sistema, o modelo deve
incluir restrições que limitam as variáveis de decisão a seus valores possíveis (ou viáveis);
(3) função objetivo: é uma função matemática que define a qualidade da solução em função
das variáveis de decisão.
Para melhor ilustrar ao conjuntos acima, considere o seguinte exemplo:
"Uma empresa de comida canina produz dois tipos de rações: Tobi e Rex. Para a
manufatura dasrações são utilizados cereais e carne. Sabe-se que:

3
a ração Tobi utiliza 5 kg de cereais e 1 kg de carne, e a ração Rex utiliza 4 kg de carne
e 2 kg de cereais;
o pacote de ração Tobi custa $ 20 e o pacote de ração Rex custa $ 30;
o kg de carne custa $ 4 e o kg de cereais custa $ 1;
estão disponíveis por mês 10 000 kg de carne e 30 000 kg de cereais.
Deseja-se saber qual a quantidade de cada ração a produzir de modo a maximizar o lucro."

Neste problema as variáveis de decisão são as quantidades de ração de cada tipo a serem
produzidas. Os parâmetros fornecidos são os preços unitários de compra e venda, além das
quantidades de carne e cereais utilizadas em cada tipo de ração. As restrições são os limites
de carne e cereais e a função objetivo é uma função matemática que determine o lucro em
função das variáveis de decisão e que deve ser maximizada.

Técnicas Matemáticas em Pesquisa Operacional

A formulação do modelo depende diretamente do sistema a ser representado. A função

objetivo e as funções de restrições podem ser lineares ou não- lineares. As variáveis de
decisão podem ser contínuas ou discretas (por exemplo, inteiras) e os parâmetros podem ser
determinísticos ou probabilísticos.
O resultado dessa diversidade de representações de sistemas é o desenvolvimento de
diversas técnicas de otimização, de modo a resolver cada tipo de modelo existente. Estas
técnicas incluem, principalmente: programação linear, programação inteira, programação
dinâmica, programação estocástica e programação não- linear. Programação linear é
utilizada para analisar modelos onde as restrições e a função objetivo são lineares;
programação inteira se aplica a modelos que possuem variáveis inteiras (ou discretas);
programação dinâmica é utilizada em modelos onde o problema completo pode ser
decomposto em subproblemas menores; programação estocástica é aplicada a uma
classe especial de modelos onde os parâmetros são descritos por funções de probabilidade;
finalmente, programação não-linear é utilizada em modelos contendo funções não-
lineares.
Uma característica presente em quase todas as técnicas de programação matemática é que a
solução ótima do problema não pode ser obtida em um único passo, devendo ser obtida
iterativamente. É escolhida uma solução inicial (que geralmente não é a solução ótima).
Um algoritmo é especificado para determinar, a partir desta, uma nova solução, que
geralmente é superior à anterior. Este passo é repetido até que a solução ótima seja
alcançada (supondo que ela existe).

Fases do Estudo de Pesquisa Operacional

Um estudo de pesquisa operacional geralmente envolve as seguintes fases:
(1) definição do problema;
(2) construção do modelo;
(3) solução do modelo;
(4) validação do modelo;
(5) implementação da solução.

Apesar da seqüência acima não ser rígida, ela indica as principais etapas a serem vencidas.
A seguir, é apresentado um resumo da cada uma das fases.

4
Definição do problema

A definição do problema baseia-se em três aspectos principais:

descrição exata dos objetivos do estudo;
identificação das alternativas de decisão existentes;
reconhecimento das limitações, restrições e exigências do sistema.
A descrição dos objetivos é uma das atividades mais importantes em todo o processo do
estudo, pois a partir dela é que o modelo é concebido. Da mesma forma, é essencial que as
alternativas de decisão e as limitações existentes sejam todas explicitadas, para que as
soluções obtidas ao final do processo sejam válidas e aceitáveis.

Construção do modelo

A escolha apropriada do modelo é fundamental para a qualidade da solução fornecida. Se o

modelo elaborado tem a forma de um modelo conhecido, a solução pode ser obtida através
de métodos matemáticos convencionais. Por outro lado, se as relações matemáticas são
muito complexas, talvez se faça necessária a utilização de combinações de metodologias.

Solução do modelo

O objetivo desta fase é encontrar uma solução para o modelo proposto. Ao contrário das
outras fases, que não possuem regras fixas, a solução do modelo é baseada geralmente em
técnicas matemáticas existentes.
No caso de um modelo matemático, a solução é obtida pelo algoritmo mais adequado, em
termos de rapidez de processamento e precisão da resposta. Isto exige um conhecimento
profundo das principais técnicas existentes. A solução obtido, neste caso, é dita "ótima".

Validação do modelo

Nessa altura do processo de solução do problema, é necessário verificar a validade do

modelo. Um modelo é válido se, levando-se em conta sua inexatidão em representar o
sistema, ele for capaz de fornecer uma previsão aceitável do comportamento do sistema.
Um método comum para testar a validade do sistema é analisar seu desempenho com dados
passados do sistema e verificar se ele consegue reproduzir o comportamento que o sistema
apresentou.
É importante observar que este processo de validação não se aplica a sistemas inexistentes,
ou seja, em projeto. Nesse caso, a validação é feita pela verificação da correspondência
entre os resultados obtidos e algum comportamento esperado do novo sistema

.MODELAGEM MATEMÁTICA

PROBLEMA DE PRODUÇÃO

Uma empresa produz três tipos de portas a partir de um determinado material. Sabendo
que diariamente a empresa dispõe de 500 kg de material e 600 horas de trabalho,
determinar um plano óptimo de produção que corresponda ao maior lucro. A tabela

5
 seguinte indica a quantidade de material e horas de trabalho necessárias para a produção
de uma porta de cada tipo, assim como o lucro unitário de cada uma delas

Recursos Porta 1 Porta 2 Porta 3

Quantidade de material 8 kg 4kg 3 kg

Horas de Trabalho 7 horas 6 horas 8 horas

Lucro Unitário 50reais 40reais 55 reais

Exercícios

Fazer a modelagem matemática dos seguintes problemas:

1. Uma fabrica quer saber quantas canetas de cada tipo ( standard, luxo e esferográfica
) deverão ser produzidas, para que o lucro seja máximo, tendo as seguintes
informações:

a) Departamento de Produção
Produção máximas mensais possíveis para
cada tipo ( se produzir um único tipo)
Standard 15.000
Luxo 10.000
Esferográfica 20.000

b) Departamento de Vendas
Máximas Vendas mensais possíveis para
cada tipo
Standard 12.000
Luxo 8.000
Esferográfica 30.000

c) Departamento Contábil
Lucro unitário para cada tipo)
Standard 15.000
Luxo 10.000
Esferográfica 20.000

2. Uma pequena indústria usa 3 tipos de matérias primas, P,Q,R para a fabricação de 2
produtos A e b. as matérias primas em disponibilidade na fábrica são:
20 unidades de p
12 unidades de Q
16 unidades de R

6
 Por razões tecnológicas, uma unidade do produto A necessita
respectivamente de 2,2,4 unidades de matérias primas P, Q,R. Para o produto B
esses coeficientes técnicos são 4,2 e 0, respectivamente. O fabricante, sabe que o
lucro na produção de A é de $0,50 e de B é $1,00. qual o lucro máximo e quais as
Quantidades a serem produzidas das mercadorias A e B para obter o lucro máximo.

3. Suponha que se queira distribuir uma certa quantidade de material e mão de obra
disponíveis na construção de armas anti-aéreas de defesa: canhões, aviões de caça e
foguetes teleguiados. As quantidades de material e mão de obra requerida por 1000
unidades de cada um destes tipos de armas estão indicadas no quadro abaixo.Na
última coluna desse quadro, encontra-se as probabilidades de êxito da cada tipo:
As quantidades disponíveis de material e mão de obra são iguais a 25 e 50 unidades
respectivamente.
ARMAS UNIDADES UNIDADES DE PROBABILIDADE
MATERIAL MÃO DE OBRA DE EXITO
CANHÕES 3 1 40%
CAÇAS 1 1 30%
TELEGUIADOS 1 3 40%

Quantas unidades se devem produzir de cada arma, a fim de que a probabilidade de

êxito seja máxima?

4 Um revendedor de chapas e perfis metálicos recebe da usina siderúrgica

determinado tipo de chapa em rolos padronizados de 0,80 m e 1,50 m de
largura.Os clientes compram na largura que necessitam e o revendedor corta as
chapas conforme o pedido.
5 Para a próxima semana, recebeu três pedidos com as seguintes especificações:

PEDIDO LARGURA (M) COMPRIMENTO (M)

1 0,40 10
2 0,60 30
3 0,70 20

O problema do revendedor e programar o corte das chapas originais de modo a atender

aos três pedidos, com o mínimo desperdício de aparas e sobras na largura das chapas.
As dimensões do comprimento não criam grandes inconvenientes, porque as chapas
podem ser emendadas para outras aplicações.

6 O departamento de marketing de uma empresa estuda a forma mais econômica

de aumentar em 30% as vendas de seus dois produtos P1 e P2.
As alternativas são:
a) Investir em um programa institucional com outras empresas do mesmo
ramo. Esse programa requer um investimento mínimo de $ 3.000,00, e deve
proporcionar um aumento de 3% nas vendas de cada produto, para cada $ 1.000,00
investidos.

7
 b) Investir diretamente na divulgação dos produtos. Cada $ 1.000,00 investidos
em P1 retornam um aumento de 4% nas vendas, enquanto que P2 o retorno é de 10%.
A empresa dispõe de $10.000,00 para esse empreendimento. Quanto deverá destinar a
cada atividade? Construa o modelo do sistema descrito.

PROGRAMAÇÃO LINEAR OU MODELOS DE OTIMIZAÇÃO LINEAR

É um subitem de programação matemática é um dos elementos utilizados em

pesquisa operacional. É um modelo de otimização.

Objetivo:

"Alocar recursos escassos (ou limitados) a atividades em concorrência (em

competição)" .

Dificuldades:

"Modelar corretamente".
A arte de modelar é adquirida com experiência e aptidão é a parte mais difícil da análise.

EXEMPLO INICIAL

Uma empresa pode fabricar dois produtos (1 e 2). Na fabricação do produto 1 a

empresa gasta nove horas-homem e três horas-máquina (a tecnologia utilizada é intensiva
em mão-de-obra). Na fabricação do produto 2 a empresa gasta uma hora-homem e uma
hora-máquina (a tecnologia é intensiva em capital). Sendo x 1 e x2 as quantidades fabricadas
dos produtos 1 e 2 e sabendo-se que a empresa dispõe de 18 horas-homem e12 horas-
máquina e ainda que os lucros dos produtos são $4 e $1 respectivamente, quanto deve a
empresa fabricar de cada produto para obter o maior lucro possível (ou o lucro máximo ou
ainda maximizar o lucro) ?

TRANSFORMANDO OS DADOS EM EXPRESSÕES MATEMÁTICAS

A FUNÇÃO LUCRO

Admitindo que não há economia de escala mas quantidades fabricadas quanto ao

lucro, a função lucro é uma função linear de x1 e x2 ou seja:

L = 4 x1 + x2

esse lucro deve ser maximizado por uma escolha de x1 e x2

8
 Max L = 4 x1 + x2
x1, x2

Se o problema parasse aqui o lucro seria ilimitado. Porém, existem recursos limitados.
As Restrições:

O que limita as quantidades fabricadas aqui são as horas-homem e horas-máquina

disponíveis. Assim, as quantidades fabricadas e as horas utilizadas de cada recursos não
podem ultrapassar as quantidades de recursos disponíveis ou seja:

H-H 9x1 + x2  18 e
H-M 3 x1 + x2  12

Assim, o lucro só poderá crescer até esses limites.

O PROBLEMA

O problema é então:

Max L = 4 x1 + x2
x1, x2
sujeito a
horas-homem 9x1 + x2  18
horas-máquina 3 x1 + x2  12
x1  0 e x2  0
Como o problema é de Segunda dimensão e as funções e inequações são lineares,
podemos obter uma solução fácil graficamente.

SOLUÇÃO GRÁFICA

Primeiro precisamos saber, dado as restrições, quais as possíveis combinações dos

produtos que se pode fabricar. Isso é, precisamos verificar qual ou quais as áreas que
satisfazem as restrições, pois a empresa só pode dispor dos recursos "disponíveis".

H-H
9x1 + x2  18

9
 20

18

16

14

12

10

-1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4

H-M
3x1 + x2  12
20

18

16

14

12

10

-1 0 1 2 3 4 5

Como a empresa não pode violar nenhuma das restrições precisamos saber a área
onde as duas restrições são válidas, isso é, a interseção das duas regiões de restrição,
chamada de conjunto de possibilidades ou conjunto viável.

Conjunto Viável

10
 20

18

16

14

12

10

-1 0 1 2 3 4 5

Resta agora maximizar o Lucro.

L = 4 x 1 + x2

Ora, o lucro é uma constante para cada uma das combinações da x 1 e x2. Assim,
lucros diferentes geram retas paralelas onde o lucro é constante em cada reta ou seja, as
retas são iso-lucros.
20

18

16

14

12

10

-1 0 1 2 3 4 5

Então é só traçar iso-lucros no gráfico do conjunto viável e obter a iso-lucro de maior lucro
que seja possível de se fabricar das restrições.
Assim,

11
 20

18

16

14

12

10

-1 0 1 2 3 4 5
L=13

Logo, o lucro máximo é 13 e deve-se fabricar x1 = 1 e x2 = 9 para obtê-lo. Esses

valores são fixados diretamente do gráfico. Veja o que acontece com as restrições nesses
valores, não há sobras.
Como poderíamos conseguir essa solução analiticamente?

O MÉTODO SIMPLEX

O método simplex é um algoritmo criado para se obter a solução algebricamente.

Um algoritmo é um conjunto de regras que devem ser seguidas passo a passo para se obter,
no final, o resultado desejado.
Nessa parte do curso daremos uma pequena noção do método simplex e sua
solução, depois formalizaremos os conceitos envolvidos e generalizaremos para n-variáveis
e m-restrições.

A idéia é a seguinte:

Dado o problema na forma matemática

Max L = 4 x1 + x2

Forma x1 x2
Padrão
s. a 9x1 + x2  18
3 x1 + x2  12

Precisamos arranjá-lo de tal forma que possamos resolvê-lo.

Bem, se as desigualdades fossem igualdades, as restrições seriam um conjunto de
equações lineares e essa nós sabemos resolver.

12
 Consegue-se isso acrescentando a cada restrição uma variável a mais, essas novas
variáveis são chamadas de variáveis de folga, para restrições do tipo . (Existem também as
chamadas variáveis de excesso, para restrições do tipo , mais isso é outra história).

Assim podemos escrever :

(1) 9x1 + x2 + x3 = 18 pois, caso 9x1 + x2 não seja igual a 18, x3 está lá para garantir
a igualdade.
(2) 3x1 + x2 + x4 = 12 pois, caso 3x1 + x2 não seja igual a 12, x4 está lá para garantir
a igualdade.

Essas novas variáveis, também devem ser maiores ou igual a zero para garantir a
exigência das restrições.

OBS: Caso a restrição fosse por exemplo 9x1 + x2  18 a introdução seria 9x1 + x2 -x3 = 18,
com x3  0. Ou multiplicaria-se a restrição por menos 1 transformando-a numa restrição de
desigualdade .

Só nos resta o lucro. O lucro é uma equação e não uma inequação, logo não
precisamos introduzir variáveis.
O sistema linear fica assim:

(l0) L - 4x1 - x2 = 0

(l1) 9x1 + x2 + x3 = 18

(l2) 3x1 + x2 + x4 = 12

Feito isso podemos proceder com o algoritmo simplex.

As etapas são:

1. Ache uma solução viável para o sistema linear. (A solução viável mais fácil no caso é
x1= 0, x2= 0 , x3 = 18, x4 = 12; chamada de solução trivial). Definir as variáveis usadas
na solução como VB e as não usadas como VNB. VB = Variável Básica e VNB =
Variáveis não Básicas.
2. Identifique a variável que tem o maior impacto na função objetivo. Isso é, a que tem o
coeficiente mais negativo (devido à nova arrumação feita na função objetivo) na
equação correspondente a função objetiva. (No exemplo é x1, com o coeficiente - 4 )
3. Aumentar o valor da variável (de maior impacto) identificada no item 2 em todas as
restrições até que esse aumento seja limitado por algum recurso. ( No exemplo podemos
aumentar x1 até 2 em l1 e até 4 em l 2. Assim, x1 deve ser igual a 2 pois um valor maior
do que 2 viola l2).
4. Identificar em que linha esse valor limite ocorre. (No caso em l1)

13
5. Identificar a variável básica com a qual a variável identificada no item 2 pode trocar
quantidades. ( No exemplo x3 )
6. Fazer a variável básica igual a zero.
7. Definir a variável identificada no item 2 como variável básica entrando (VBE) e definir
a variável básica no item 5 como variável básica saindo (VBS). ( x1 e VBE e x3 e VBS )
8. Fazer o coeficiente de VBE igual a 1 na linha da VBS.(No exemplo 9x 1 + x2 + x3 =18
torna-se: x1 +1/9x2 + 1/9x3 = 2.
9. Zerar os coeficientes de VBE nas demais equações do sistema através de operações
elementares e apresentar o novo sistema.
10. Redefinir como variável básica todas as variáveis básicas anteriores menos a VBS
mais a VBE e as não-básicas como as VNB Anteriores mais a VBS menos a VBE e
identificar o lucro e os valores das variáveis ( x1 = 2 ; x4 = 6 ; x2 = 0 ; x3=0 ; L=8).
11. Existe algum coeficiente negativo na equação da função objetivo(l0) ? Se sim, vá para o
passo 2, se não, pare, essa é a solução viável ótima.

Dado o algoritmo vamos aplicá-lo ao exemplo.

Passo 1:

(l0) L - 4x1 - x2 = 0

(l1) 9x1 + x2 + x3 = 18

(l2) 3x1 + x2 + x4 = 12

A solução viável trivial (mais fácil ) é: x 1= x2 = 0 ; x3 = 18 ; x4 = 12; L = 0. As

variáveis x1 e x2 não básicas e as variáveis x3 e x4 são básicas.

Passo 2: x1 com o coeficiente -4.

Passo 3: x1 pode ir até 2.

Passo 4: ocorre em l1.

Passo 5: x3.

Passo 6: x3 = 0.

Passo 7: x1 => VBE

x3 => VBS

Passo 8:

(l0) L - 4x1 - x2 = 0

(l'1) x1 + 1/9x2 + 1/9x3 = 2

14
(l2) 3x1 + x2 + x4 = 12

Passo 9: Multiplicando l'1 por 4 e somando a l0 obtemos l'0

Multiplicando l'1 por -3 e somando a l2 obtemos l'2

(l'0) L -5/9x2 + 4/9x3 = 8

(l'1) x1 + 1/9x2 + 1/9x3 = 2

(l'2) 2/3x2 - 1/3x3 + x4 = 6

Passo 10: x1 e x4 são básicas

x2 e x3 são não básicas

Passo 11: Existe

Passo 2: x2 única.

Passo 3: em l'1 x2 pode ir até 18

Em l'2 x2 pode ir até 9 ; x2 = 9

Passo 4: ocorre em l'2.

Passo 5: x4.

Passo 6: x4 = 0.

Passo 7: x2 => VBE

x4 => VBS
Passo 8:

(l'0) L - 5/9x2 +4/9x3 = 8

(l'1) x1 + 1/9x2 + 1/9x3 = 2

(l2) x2 - 1/2x3 + 3/2x4 = 9

Passo 9: -1/9l''2 + l'1 = l''1

-1/5l''2 + l'0 = l''0

L + 3/18x3 + 15/18x4 = 13

15
 x1 + 3/18x3 - 1/6x4 = 1

x2 - 1/3 x3 + 3/2x4 = 9

Passo 10: x1 e x2 são básicas

x3 e x4 são não básicas

Passo 11: Não. A solução é ótima .

L = 13 ; x1 = 1 ; x2 = 9 ; x3 = x4 = 0

QUADRO FINAL DA SOLUÇÃO

x1 x2 x3 x4 bi
L 0 0 1/6 5/6 13
R1 1 0 1/6 -1/6 1
R2 0 1 -1/2 3/2 9

Existem 3 Teoremas fundamentais que tornam o método simplex válido. Esses

teoremas serão apresentados sem demonstração. Para detalhes ver PUCINNI, 1942
Introdução à Programação Linear.

TEOREMA I:

"O conjunto de todas as soluções compatíveis do modelo de programação linear é

um conjunto convexo C."

TEOREMA II:

"Toda solução compatível básica do sistema Ax = b é um ponto extremo do

conjunto das soluções compatíveis, isto é, do conjunto convexo C do teorema I .

16
TEOREMA III:

a) "Se a função objetiva possui um máximo (mínimo) finito, então pelo menos uma
solução ótima é um ponto extremo do conjunto convexo C do teorema I"
b) "Se a função objetiva assume o máximo (mínimo) em mais de um ponto
extremo, então ela forma o mesmo valor para qualquer combinação convexa
desses pontos extremos."

LIMITAÇÕES DA PROGRAMAÇÃO LINEAR:

1) Coeficientes Constantes

Quando o grau de incerteza dos parâmetros é muito grande é necessário tratá-los como
variáveis aleatórias. a ij, bi e cj são consideradas como constantes conhecidas. Na
realidade podem ser variáveis. Incerteza envolvidas ou variáveis aleatórias. Os modelos
de Programação Linear usualmente são formulados no sentido de selecionar algum
curso de ação futura . Por isso os parâmetros usados seriam baseados em numa predição
de condições futuras, os quais introduzem inevitavelmente algum grau de incerteza.

2) Divisibilidade

Valores fracionários as vezes não fazem sentido. Assim, quando não for possível
estabelecer essa divisibilidade parte-se para programação inteira.

3) Proporcionalidade

Assumi-se que o lucro é proporcional a x, sendo c; o coeficiente de proporcionalidade.

Assim, não há economia de escala. Para vencer isso considera-se intervalos de produção
onde não existem tais economias de escala. Proporcionalidade é uma suposição sobre
atividades individuais consideradas independentes umas das outras.

4) Aditividade

Considera as atividades do modelo como entidades totalmente independentes, não

havendo interdependência entre elas. É o caso da manteiga e margarina.

A proporcionalidade e a Aditividade garantem a linearidade da função-objetiva e das

restrições.

DUALIDADE:

"A cada modelo de programação linear, contendo coeficiente a ij , bi e cj corresponde

um outro modelo, denominado Dual, formado por esses mesmos coeficientes, porém
dispostos de maneira diferente." (PUCCINI, 1942)

17
 Na forma padrão um modelo de P.L é escrito da seguinte forma:

Max Z = c1 x1 + c2 x2 + .................+ cn xm
s. a (y1) a11x1 + a12x2 + ........ + a1nxm  b1
(y2) a21x1 + a22x2 + ........ + a2nxm  b2
. . . . .
. . . . .
(ym) am1x1 + am2x2 + ........ + amnxm  bm

xj  0 ( j = 1,....., n )

Se for associado a cada restrição uma variável yi, o problema dual pode ser escrito
como:

Min D = b1 y1 + b2 y2 + ...............+ bm ym
s. a (y1) a11y1 + a21y2 + ........ + am1ym  c1
(y2) a12y1 + a22y2 + ........ + am2ym  c2
. . . . .
. . . . .
(ym) a1ny1 + a2ny2 + ........ + amnym  cn

yi  0 ( i = 1,....., n )

Exemplo: 1) PRIMAL Max L = 4 x1 + x2

s. a 9x1 + x2  18 y1
3x1 + x2  12 y2
x1 e x2  0

DUAL Min D = 18y1 + 12y2

s. a 9y1 + 3y2  4 x1
y1 + y2  1 x2
y1 e y2  0

2) PRIMAL Max P = 5 x1 + 2x2 ( PUCCINI, pag.136)

s. a x1  3 y1
x2  4 y2
x1 + 2x2  9 y3

DUAL Min D = 3y1 + 4y2 + 9y3

s. a y1 + y3  5 x1
y2 + 2y3  2 x2

18
 Com a dualidade surgem vários novos conceitos e construtos na programação linear.
Resolver o Primal através do Método Simplex faz com que o dual seja resolvido
automaticamente.
O quadro final do Método Simplex traz a solução dos dois problemas, o Primal e o
Dual. No exemplo visto anteriormente, tens-se, como último quadro (ou último modelo
equivalente) o seguinte:

x1 x2 x3 x4 bi
L 0 0 1/6 5/6 13
R1 1 0 1/6 -1/6 1
R2 0 1 -1/2 3/2 9

Ou seja, L = 13 ; x1 = 1 e x2 = 9.

Se resolvemos o Dual, graficamente acharíamos no nosso 1º) exemplo:

Conjunto Viável

Agora só é necessário trocar as curvas de nível de D = 18y 1 + 12y2 e traçar paralelas até se
atingir o mínimo:

Conjunto Viável

19
INTERPRETAÇÃO DO PROBLEMA DUAL

PRIMAL

m
Max z= ∑ c j x j
s. a j=1

∑ a ij x j ≤ b i (i=1,...,m )
x≥0 ∀ j
DUAL

m
Min D=∑ bi y i
s. a i=1

∑ a ij y i≥ c j ( j=1,. . .,m )
y i ≥0 ∀ i

Se
xj é a quantidade de um determinado produto j
z é o lucro
bi a quantidade de um determinado recurso i

então:
$
c j=
unidade do produto j
unidade do recurso i
a ij=
unidade do produto j
$
y i=
unidade do recurso i

20
logo yi é um preço (não necessariamente de mercado)
No ponto ótimo yi* representa a taxa pela qual a função lucro será aumentada ou diminuída,
se a quantidade disponível do recurso i (b i) for aumentada ou diminuída dentro de um certo
limite. O limite é determinado pelos valores de b i para os quais a base de solução ótima
permanece a mesma.

Observe o último quadro do exemplo dado:

L 0 0 1/6 5/6 | 13
1 0 1/6 -1/6 | 1
0 1 -1/2 3/2 | 9

Observe o quadro inicial

L -4 -1 0 0 | 0
9 1 1 0 | 18
3 1 0 1 | 12

Se bi = 18 for aumentado para 19 qual a nova solução ? ( lembre-se que as operações são as
mesmas pois a matriz tecnológica não mudou).

L -4 -1 0 0 | 0
9 1 1 0 | 18 + 1
3 1 0 1 | 12

L 0 -5/9 4/9 0 | 8 + 4/9

1 1/9 1/9 0 | 2 + 1/9
0 2/3 -1/3 1 | 6 - 1/3

L 0 0 1/6 5/6 | 13 + 1/6

1 0 1/6 -1/6 | 1 + 1/6
0 1 -1/2 3/2 | 9 - 1/2

E se aumentássemos b2 de 12 para 13:

L -4 -1 0 0 | 0
9 1 1 0 | 18
3 1 0 1 | 12 + 1

L 0 -5/9 4/9 0 | 8
1 1/9 1/9 0 | 2
0 2/3 -1/3 1 | 6 + 1

L 0 0 1/6 5/6 | 13 + 5/6

1 0 1/6 -1/6 | 1 - 1/6
21
 0 1 -1/2 3/2 | 9 + 3/2
Dessa forma os limites que b1 e b2 podem variar sem mudar a base são:

b1 até 18 unidades a mais

b2 até 6 unidades a mais

O que acontece quando se ultrapassa esses limites?

A base muda, existirá excessos.

Como yi é um preço e representa o quanto se ganharia se existisse mais do recurso i então

yi é um custo de oportunidade por não se ter mais do recurso i. Na literatura y i é designado
por vários nomes os mais comuns são:

Preço sombra ( shadon price )

Valor implícito
Preço interno ( internal price )
Efficiency price
Intrisic value
Incremental value

Pode-se usar agora os conhecimentos econômicos para se interpretar os diversos resultados

matemáticos que podem ocorrer na solução de um problema de programação linear.

Por exemplo:
Se um yi = 0 significa que o recurso i, se for acrescido de uma unidade não
afetará em nada o lucro, assim, seu preço é zero logo existe recursos i em excesso
(matematicamente a variável de folga é não nula ).
Se um yi  0 significa que o recurso i tem um certo valor para a empresa, a
empresa pagaria até yi para ter mais do recurso e incrementar seu lucro de y i. Como o preço
é positivo o recurso é escasso, não existe desperdício, todo recurso está sendo utilizado
logo, matematicamente, a variável de folga é nula.

Essas interpretação são conseqüências do teorema de folga complementar. Existe

muito mais interligações entre os problemas Primal e Dual que podem ser vistas com mais
detalhes em PUCCINI, 1972.

22