IOExercicios

FEUP FACULDADE DE ENGENHARIA
UNIVERSIDADE DO PORTO
DEPARTAMENTO DE ENGENHARIA E GESTÃO INDUSTRIAL
Investigação Operacional
Exercı́cios
6 de Dezembro de 2012
Índice
1 Modelação 7
1.1 Problema da Mistura de Produtos . . . . . . . . . . . . . . . . 9
1.2 Publicações Polémicas . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Montagem duas peças . . . . . . . . . . . . . . . . . . . . . . 17
1.4 A companhia de aviação Benvoa . . . . . . . . . . . . . . . . . 20
1.5 Carga de navio . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6 Produção e Distribuição . . . . . . . . . . . . . . . . . . . . . 25
1.7 Refinaria Petróleo . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.8 Arrendamento de Espaço num Armazém (5M) . . . . . . . . . 30
1.9 Planeamento da Produção numa Fábrica de Papel . . . . . . . 33
1.10 Distribuição . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.11 Selecção de Eventos na UPorto . . . . . . . . . . . . . . . . . 39
1.12 Aeroporto ALETROP . . . . . . . . . . . . . . . . . . . . . . 41
1.13 Urbanização . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.14 Estaleiro do ShopShopping . . . . . . . . . . . . . . . . . . . . 48
1.15 Escalonamento de recursos humanos . . . . . . . . . . . . . . 56
1.16 SuperBoa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2 Programação Linear 67
2.1 Problema PL I . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.2 Problema PL II . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.3 Problema PL1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.4 Problema PL2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.5 Problema PL3 . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.6 Problema PL4 . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3 Utilização do Solver do Excel 79

3.1 Planeamento da produção na VW Autoeuropa . . . . . . . . . 81

4 Índice
4 Método Simplex 87
4.1 Problema A . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.2 Problema B . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3 Problema C . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.4 Problema D . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.5 Problema E . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.6 Problema F . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.7 Problema G . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.8 Problema H . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5 Programação Inteira 121

5.1 Problema PIA . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.2 Problema PIB . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.3 Problema PIC . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.4 Problema PID . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.5 Problema Triângulo . . . . . . . . . . . . . . . . . . . . . . . . 146
5.6 Problema PIE . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
6 Problemas de Transportes 151

6.1 Reservatórios . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
6.2 Transfronteira . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
6.3 Construtora de Aviões . . . . . . . . . . . . . . . . . . . . . . 160
6.4 Instituto de Altos Estudos . . . . . . . . . . . . . . . . . . . . 162
6.5 UnEng5/FND/UNIFIL no Lı́bano . . . . . . . . . . . . . . . . 164
7 Problemas de Afetação 169

7.1 Desenhadores . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
7.2 Recrutamento . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.3 Romeu e Julieta . . . . . . . . . . . . . . . . . . . . . . . . . . 176
7.4 Companhia de Navegação Aérea . . . . . . . . . . . . . . . . . 179
7.5 Asa de Luxo Lda . . . . . . . . . . . . . . . . . . . . . . . . . 183
7.6 WFP na Costa da Somália . . . . . . . . . . . . . . . . . . . . 186
8 Problemas de Fluxo Máximo 191

8.1 Exercı́cio dos Depósitos . . . . . . . . . . . . . . . . . . . . . . 193
8.2 Exercı́cio Nó 1 a Nó 6 . . . . . . . . . . . . . . . . . . . . . . 198
8.3 Exercı́cio Nó 1 a Nó 7 . . . . . . . . . . . . . . . . . . . . . . 201
8.4 Exercı́cio Nó 0 a Nó 4 . . . . . . . . . . . . . . . . . . . . . . 203
8.5 Exercı́cio Fluxo Máximo no ShopShopping . . . . . . . . . . . 204
8.6 WFP na Costa da Somália . . . . . . . . . . . . . . . . . . . . 206

Índice 5
9 Problemas de Caminho Mı́nimo 211

9.1 Rede Caminho Mı́nimo Nó 1 ao Nó 6 . . . . . . . . . . . . . . 213
9.2 Guerra Azuis e Verdes . . . . . . . . . . . . . . . . . . . . . . 215
9.3 Ven de Dor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
9.4 Tabuleiro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
9.5 Perseguição ao Ladrão . . . . . . . . . . . . . . . . . . . . . . 227
10 Planeamento e Controlo de Projetos 231

10.1 Banco TTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
10.2 Projeto A a I . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
10.3 Projeto A a J . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
10.4 9 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
10.5 Limpeza ShopShopping . . . . . . . . . . . . . . . . . . . . . . 247
10.6 UNIFIL no Lı́bano . . . . . . . . . . . . . . . . . . . . . . . . 248
10.7 Estorninhos em Evoramonte . . . . . . . . . . . . . . . . . . . 250
11 Teoria da Decisão 257

11.1 Xpt0 Textil . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
11.2 Nova peça automóvel . . . . . . . . . . . . . . . . . . . . . . . 262
11.3 Aquisição de máquinas . . . . . . . . . . . . . . . . . . . . . . 264
11.4 Exploração de Gás Natural . . . . . . . . . . . . . . . . . . . . 267
11.5 Polido Guapo e a Lavandaria Asseada . . . . . . . . . . . . . . 270
11.6 LEST O, um novo produto . . . . . . . . . . . . . . . . . . . . 273
11.7 A História de Chicofredo . . . . . . . . . . . . . . . . . . . . . 275
11.8 To be or not to be . . . . . . . . . . . . . . . . . . . . . . . . 278
11.9 Vincennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
12 Multicritério 281
12.1 Horta da Formiga . . . . . . . . . . . . . . . . . . . . . . . . . 283
12.2 VetProducts . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
12.3 Só Phtuere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
12.4 Abre Latas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
12.5 Designs Alternativos . . . . . . . . . . . . . . . . . . . . . . . 290
12.6 Processamento de Dados . . . . . . . . . . . . . . . . . . . . . 291
12.7 Localização de Laboratório de Investigação . . . . . . . . . . . 292
12.8 Sorinfacc & Amigos . . . . . . . . . . . . . . . . . . . . . . . . 293
12.9 KK’s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
12.10PATinho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
12.11Selecção de Estágios . . . . . . . . . . . . . . . . . . . . . . . 297
12.12Zé Playboy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 298

6 Índice
13 Filas de Espera 301

13.1 Limpeza de autocarros . . . . . . . . . . . . . . . . . . . . . . 303
13.2 Pastelaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
13.3 Junta Autónoma das Estradas . . . . . . . . . . . . . . . . . . 307
13.4 Cabina telefónica . . . . . . . . . . . . . . . . . . . . . . . . . 309
13.5 Boeingavela . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
13.6 Serviço de emergência . . . . . . . . . . . . . . . . . . . . . . 314
13.7 Serviço de veterinária . . . . . . . . . . . . . . . . . . . . . . . 317
13.8 Secção de fotocópias . . . . . . . . . . . . . . . . . . . . . . . 319
13.9 Manutenção . . . . . . . . . . . . . . . . . . . . . . . . . . . . 324
13.10Uma horta na escola . . . . . . . . . . . . . . . . . . . . . . . 328
13.11DouryKayak . . . . . . . . . . . . . . . . . . . . . . . . . . . . 330
14 Simulação 333
14.1 Avarias na rede eléctrica . . . . . . . . . . . . . . . . . . . . . 336
14.2 ValorSul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338
14.3 Avistamento de Aves . . . . . . . . . . . . . . . . . . . . . . . 340

Capı́tulo 1
Modelação
Objetivos de Aprendizagem
• Dado um enunciado com a descrição de um problema
– Formular esse problema através de uma função objetivo e de um

conjunto de restrições lineares, quer com variáveis contı́nuas, in-
teiras ou binárias.
– Utilizar variáveis binárias como variáveis auxiliares para formular
situações diferentes da simples conjunções de restrições, como por
exemplo:
∗ disjunção de restrições
∗ implicação de restrições
∗ valores mı́nimos para variáveis (e.g. ou vale zero ou é maior
que...)
• Descrever o que significam e fazem um conjunto de restrições, no con-

texto de um problema concreto.

8 Modelação
Exercı́cios
1.1 Problema da Mistura de Produtos . . . . . . . . . . . . . . 9

1.2 Publicações Polémicas . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Montagem duas peças . . . . . . . . . . . . . . . . . . . . . . 17
1.4 A companhia de aviação Benvoa . . . . . . . . . . . . . . . 20
1.5 Carga de navio . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6 Produção e Distribuição . . . . . . . . . . . . . . . . . . . . 25
1.7 Refinaria Petróleo . . . . . . . . . . . . . . . . . . . . . . . . 28
1.8 Arrendamento de Espaço num Armazém (5M) . . . . . . . 30
1.9 Planeamento da Produção numa Fábrica de Papel . . . . 33
1.10 Distribuição . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.11 Selecção de Eventos na UPorto . . . . . . . . . . . . . . . . 39
1.12 Aeroporto ALETROP . . . . . . . . . . . . . . . . . . . . . . 41
1.13 Urbanização . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.14 Estaleiro do ShopShopping . . . . . . . . . . . . . . . . . . . 48
1.15 Escalonamento de recursos humanos . . . . . . . . . . . . . 56
1.16 SuperBoa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

1.1 Problema da Mistura de Produtos 9
1.1 Problema da Mistura de Produtos

1.1.1 Enunciado
A companhia Electro & Domésticos pretende escalonar a produção de um
novo apetrecho de cozinha que requer dois recursos: mão-de-obra e matéria-
prima. A companhia considera a hipótese de produzir 3 modelos diferentes,
tendo o seu departamento de engenharia fornecido os dados representados na
tabela 1
Modelo A B C
Mão-de-obra (horas por unidade) 7 3 6
Matéria-prima (quilos por unidade) 4 4 5
Lucro (epor unidade) 4 2 3
Tabela 1: Dados fornecidos pelo departamento de engenharia
O fornecimento de matéria-prima está limitado a 200 quilos/dia. Por dia

estão disponı́veis 150 horas de trabalho. O objetivo é maximizar o lucro total.
Formule o modelo que permitiria resolver este problema.

10 Modelação
1.1.2 Resolução
Passo I O que se desconhece, e que se pretende determinar na fase de
resolução do modelo, são as quantidades a produzir diariamente de cada um
dos modelos — as variáveis de decisão.
Representando-as algebricamente:
xA − produção diária do modelo A (no de unidades)

xB − produção diária do modelo B (no de unidades)
xC − produção diária do modelo C (no de unidades)
Passo II Restrições do problema.

Não podemos produzir quantidades infinitas de A, B e C (o que daria um
lucro infinito) porque estamos limitados pela matéria-prima (200) e mão-de-
obra (150) disponı́veis, valores que não podemos exceder.
Então, a mão-de-obra necessária para produzir uma unidade do modelo
A (7 horas), vezes o número de unidades do modelo A a produzir (xA ), mais
a mão-de-obra necessária para produzir uma unidade do modelo B (3 horas),
vezes o número de unidades do modelo B que se resolva produzir (xB ), mais
a mão-de-obra necessária para produzir uma unidade do modelo C (6 horas),
vezes o número de unidades do modelo C que se venha a produzir (xC ), não
poderão exceder as 150 horas, isto é:
7xA + 3xB + 6xC ≤ 150
Aplicando o mesmo raciocı́nio à matéria-prima, obter-se-ia:
4xA + 4xB + 5xC ≤ 200
As restrições que faltam ao problema dizem directamente respeito às variáveis

de decisão, e são:
xA ≥ 0, xB ≥ 0, xC ≥ 0
ou seja, não se podem produzir quantidades negativas.
Passo III O objetivo do problema é maximizar o lucro total, isto é, o lucro
obtido com os 3 modelos. Como cada unidade do modelo A dá um lucro de
4, do modelo B dá 2 e do modelo C dá 3, a função objetivo será:
max LUCRO = 4xA + 2xB + 3xC
O modelo do nosso problema será então:

1.1 Problema da Mistura de Produtos 11
Encontrar os números xA , xB e xC tais que:
max LUCRO = 4xA + 2xB + 3xC
sujeito a:
7xA + 3xB + 6xC ≤ 150

4xA + 4xB + 5xC ≤ 200
xA , xB , xC ≥ 0

12 Modelação
1.2 Publicações Polémicas

1.2.1 Enunciado
“Publicações Polémicas” é uma editora de grande divulgação internacional
que vai publicar proximamente uma autobiografia de um polı́tico controverso.
Dadas as caracterı́sticas do polı́tico em causa, a editora admite que a 1a edição
vai ser vendida por completo, se não houver atrasos. Seguindo a sua habitual
linha editorial foi decidido fazer o lançamento em simultâneo das versões de
Luxo, com capa dura e Normal, com capa mole, mas a empresa desconhece
o número de exemplares de cada versão que deve ser produzido para obter o
máximo lucro possı́vel.
A empresa tem um conjunto de restrições de produção e armazenamento
que se apresentam a seguir:
Departamento de Impressão O departamento de impressão pode pro-

duzir no máximo 10 000 exemplares (incluindo versões Luxo e Normal ).
Departamento de Encadernação O departamento de encadernação po-

deria concluir 12 000 exemplares da versão Normal se encadernasse apenas
esse tipo de livros. Se encadernasse apenas livros da versão Luxo conseguiria
encadernar até 8 000 exemplares.
Armazém A capacidade máxima do armazém seria de 15 000 exemplares

se só despachasse exemplares da versão Normal ou então 9 000 exemplares
se só despachasse exemplares da versão Luxo.
Para além das restrições de produção e de armazenamento existem outras
restrições que se apresentam a seguir.
Pedidos Já existem pedidos de 2 000 exemplares Normal e 1 000 exempla-

res Luxo, que deverão ser satisfeitos na 1a edição.
1
Mı́nimo Luxo Pelo menos 4
do total dos exemplares deverá ser em versão
Luxo.
Lucro O lucro resultante da venda de um exemplar Normal é de 600UMs

e de um exemplar Luxo é de 720UMs.
(a) Formule este problema como um Modelo de Programação Linear.
(b) Resolva-o graficamente, ilustrando o conjunto das soluções admissı́veis.

1.2 Publicações Polémicas 13
(c) Resolva pelo método Simplex uma versão simplificada do problema, em

que não se consideram os Pedidos e o Mı́nimo Luxo.
Qual o significado que atribui ao valor das variáveis de folga? A solução
obtida será a solução óptima do problema inicial?
(d) Substitua a condição Mı́nimo Luxo pela seguinte: Se houver pro-

dução de cópias na versão Luxo então o seu número deverá ser maior
ou igual a 2 000. Indique em detalhe como incluiria esta condição no
modelo formulado, mantendo a sua estrutura linear (inteira).

14 Modelação
1.2.2 Resolução
(a) Definam-se as seguintes variáveis de decisão:
xL quantidade de livros a produzir na versão Luxo;

xN quantidade de livros a produzir na versão Normal.
Com essas variáveis de decisão o modelo de Programação Linear será

o seguinte:
Objectivo:
max Z = 600xN + 720xL (1.1)
Sujeito a:
xN + xL ≤ 10000 (1.2)
xN xL
+ ≤1 (1.3)
12000 8000
xN xL
+ ≤1 (1.4)
15000 9000
1
(xN + xL ) ≤ xL (1.5)
4
xN ≥ 2000 (1.6)
xL ≥ 1000 (1.7)
A equação (1.2) corresponde à restrição de impressão. As equações (1.3)

e (1.4) são devidas às restrições da encadernação e do armazém. A
equação (1.5) é devida à restrição de mı́nimo de produção de exemplares
de Luxo. Por último, as equações (1.6) e (1.7) representam a restrição
de satisfação dos pedidos já existentes.
O modelo apresentado é equivalente ao seguinte modelo:
max Z = 600xN + 720xL (1.8)
Sujeito a:

1.2 Publicações Polémicas 15
xN + xL ≤ 10000 (1.9)
2xN + 3xL ≤ 24000 (1.10)
3xN + 5xL ≤ 45000 (1.11)
xN − 3xL ≤0 (1.12)
xN ≥ 2000 (1.13)
xL ≥ 1000 (1.14)
(b) Representação gráfica:
xL
(8)
Z crescente
Solução óptima
xN = 6000
xL = 4000 (12)
(14)
xN
(9) (11)
(10)
(13)
(c) Resolução pelo Algoritmo Simplex
xN xL s 1 s 2 s 3
s1 1 1 1 0 0 10
s2 2 3 0 1 0 24 ⇒
s3 3 5 0 0 1 45
Z
− 10 60 72 0 0 0 0


16 Modelação
xN xL s 1 s2 s3
1
s1 3
0 1 − 31 0 2⇒
2 1
xL 3
1 0 3
0 8
s3 − 13 0 0 − 35 1 5
Z
− 10 12 0 0 −24 0 −576

xN xL s 1 s2 s3
xN 1 0 3 −1 0 6
xL 0 1 −2 1 0 4
s3 0 0 1 −2 1 7
Z
− 10 0 0 −36 −12 0 −648

1.3 Montagem duas peças 17
1.3 Montagem duas peças

1.3.1 Enunciado
Um produto em fabrico resulta duma montagem constituı́da por duas peças,
A e B. Para a produção dessas peças recorre-se a uma máquina M1 e a
cinco máquinas M2. A produtividade de cada máquina relativamente às
duas peças é a indicada na tabela 2:
Peça M1 M2
A 3 20
B 5 15
Tabela 2: Tempo de produção das peças (em minutos por peça) A e B nas
máquinas M1 e M2
A carga das máquinas M2 é repartida igualmente pelas 5 máquinas. O

objetivo do problema é saber como se pode obter o máximo de montagens
completas por dia. Considere que um dia corresponde a 8 horas de trabalho.
(a) Apresente um modelo matemático para este problema.
(b) Considere agora a situação em que também se pretende manter uma

utilização equilibrada entre as máquinas de modo que nenhuma de-
las seja utilizada mais 30 minutos por dia do que qualquer outra das
máquinas.
Será possı́vel resolver este novo problema por Programação Linear?
Justifique.

18 Modelação
1.3.2 Resolução
(a) • Variáveis de decisão
xA1 quantidade de peças do tipo A a produzir na máquina M1;
xA2 quantidade de peças do tipo A a produzir na máquina M2;
xB1 quantidade de peças do tipo B a produzir na máquina M1;
xB2 quantidade de peças do tipo B a produzir na máquina M2.
• Função objectivo
Pretende-se maximizar o número de montagens completas:
max Z = min(xA1 + xA2 , xB1 + xB2 )
Esta função objetivo pode ser linearizada, acrescentando mais uma

variável auxiliar e duas restrições:
max Z = Y
xA1 + xA2 ≥ Y
xB1 + xB2 ≥ Y
• Modelo
max Z = Y (1.15)
Sujeito a:
3xA1 + 5xB1 ≤ 8 × 60 (minutos) (1.16)

20xA2 + 15xB2 ≤ 8 × 60 × 5 (minutos) (1.17)
xA1 + xA2 − Y ≥0 (1.18)
xB1 + xB2 − Y ≥0 (1.19)
xA1 , xA2 , xB1 , xB2 ≥0 (1.20)
Onde 1.16 e 1.17 correspondem às restrições de capacidade das

máquinas 1 e 2 respectivamente (há 5 máquinas tipo 2). As res-
trições 1.18 e 1.19 são as restrições auxiliares para linearização da
função objectivo. Por último, as restrições 1.20 exigem que todas
as variáveis sejam maiores ou iguais a zero.

1.3 Montagem duas peças 19
(b) A restrição (não linear) que modeliza a situação pretendida nesta alı́nea
é a seguinte:

(3xA1 + 5xB1 ) − 20x A2 + 15x B2
≤ 30
5
Simplificando obtém-se:
|3xA1 + 5xB1 − 4xA2 − 3xB2 | ≤ 30 (1.21)
Para obter um modelo de Programação Linear, será necessário trans-

formar a restrição 1.21 em duas restrições lineares:
3xA1 + 5xB1 − 4xA2 − 3xB2 ≤ 30 (1.22)

−3xA1 − 5xB1 + 4xA2 + 3xB2 ≤ 30 (1.23)

20 Modelação
1.4 A companhia de aviação Benvoa

1.4.1 Enunciado
A companhia de aviação Benvoa vai comprar aviões a jacto de passageiros,
para viagens longas, médias e curtas, denominados de Al , Am e Ac , respecti-
vamente.
Os custos unitários, em milhões de euros são, respectivamente, de 5000,
3800 e 2000. A administração da companhia aprovou um orçamento máximo
de 112 000 milhões de euros para esse efeito.
Admite-se que os lucros anuais com cada um dos tipos de avião Al , Am e
Ac , sejam de 310, 230 e 200 milhões de euros respectivamente.
Há pilotos suficientes para pilotar, no máximo, 30 aviões novos.
Se apenas fossem comprados aviões Ac , os serviços de manutenção seriam
capazes de garantir a manutenção de 40 aviões novos. Contudo, do ponto de
vista do esforço de manutenção, cada avião Am equivale a 4/3 de um avião
Ac e cada avião Al a 5/3 de um avião Ac .
A direcção técnica é ainda de opinião que, por cada avião Ac que seja
comprado, se comprem também pelo menos um avião Al ou um avião Am .
Por outro lado, seleccionado um avião Al para comprar, também deverão
ser comprados pelo menos 8 aviões Ac ou Am .
Com estes dados, a gestão da empresa deve decidir a quantidade de aviões
de cada tipo a comprar, de modo a maximizar o lucro.
Formule este problema com um modelo de programação linear.

1.4 A companhia de aviação Benvoa 21
1.4.2 Resolução
Variáveis de decisão
xc , xm , xl − no de aviões de cada tipo a comprar
Restrições
Dinheiro disponı́vel: 5000xl + 3800xm + 2000xc ≤ 112000

Pilotos disponı́veis: xl + xm + xc ≤ 30
5 4
Manutenção: x
3 l
+ x
3 m
+ xc ≤ 40
Opinião da direcção técnica: xl + xm ≥ xc
xc + xm ≥ 8xl
xc , xm , xl ≥ 0
e inteiros
Função objectivo
max LUCRO = 310xl + 230xm + 200xc

22 Modelação
1.5 Carga de navio

1.5.1 Enunciado
'" .,,1
ElO
ElO
p
Uma companhia de navegação possui um navio com 3 porões de carga (à

proa, à ré e ao centro) possuindo os limites de capacidade apresentados na
tabela 3:
Porão Tonelagem Volume
(toneladas) (m3 )
Proa 2000 100000
Centro 3200 140000
Ré 1800 80000
Tabela 3: Limites de capacidade (em tonelagem e em volume) de cada um

dos porões
À empresa são oferecidas as cargas da tabela 4, cada uma das quais pode
ser aceite parcial ou totalmente:
Carga Peso Volume por tonelada Lucro

m3 euro
(toneladas) ( tonelada ) ( tonelada )
A 7000 60 20
B 6500 50 24
C 4000 25 16
Tabela 4: Peso, volume e lucro associados a cada carga
A fim de preservar o equilı́brio do navio, a proporção entre o peso em cada

porão e o volume respectivo deve ser a mesma que entre os correspondentes
limites de capacidade. Admita que em cada porão podem ser transporta-
das partes de cargas diferentes. Pretende-se maximizar o lucro da empresa,
relativo à utilização deste navio.
Construa um modelo de Programação Linear para o problema apresen-
tado.

1.5 Carga de navio 23
1.5.2 Resolução
• Índices
i tipo de carga (A, B e C) i ∈ [1, 2, 3];
j tipo de porão (P, C, R) j ∈ [1, 2, 3].
• Variáveis de decisão
xij quantidade de carga i a transportar no porão j (em toneladas).
Pretende-se maximizar o lucro com o transporte das cargas i em todos
os porões j, o que corresponde à soma do lucro obtido com o transporte
da carga A, com o lucro com transporte da carga B e da carga C.
X X X
max Z = 20 x1j + 24 x2j + 16 x3j (1.24)
j j j
• Restrições
X
x1j ≤ 7000 (1.25)
j
X
x2j ≤ 6500 (1.26)
j
X
x3j ≤ 4000 (1.27)
j
X
xi1 ≤ 2000 (1.28)
i
X
xi2 ≤ 3200 (1.29)
i
X
xi3 ≤ 1800 (1.30)
i
60x11 + 50x21 + 25x31 ≤ 100000 (1.31)
60x12 + 50x22 + 25x32 ≤ 140000 (1.32)
60x13 + 50x23 + 25x33 ≤ 80000 (1.33)
60x11 +50x 100000
P 21 +25x31 = (1.34)
x
i i1 2000
60x12 +50x 140000
P 22 +25x32 = (1.35)
i xi2 3200
60x13 +50x 80000
P 23 +25x33 = (1.36)
i xi3 1800
∀i,j xij ≥0 (1.37)

24 Modelação
As restrições 1.25, 1.26 e 1.27 garantem que não se transporta mais

carga do que a que existe de cada um dos tipos. As restrições 1.28, 1.29
e 1.30 garantem que não se ultrapassa a tonelagem máxima permitida
em cada um dos porões. As restrições 1.31, 1.32 e 1.33 garantem que
não se ultrapassa a capacidade (volume) máxima permitida em cada
um dos porões. As restrições 1.34, 1.35 e 1.36 garantem que se mantém
a proporção entre o peso em cada porão e a respectiva capacidade. Por
fim, as restrições 1.37 garantem que todas as variáveis de decisão são
maiores ou iguais a zero.
• Modelo
O modelo apresentado (equações 1.24 a 1.37) pode ser reescrito da
seguinte forma:
X X X
max Z = 20 x1j + 24 x2j + 16 x3j
j j j
X
x1j ≤ 7000
j
X
x2j ≤ 6500
j
X
x3j ≤ 4000
j
X
xi1 ≤ 2000
i
X
xi2 ≤ 3200
i
X
xi3 ≤ 1800
i
60x11 + 50x21 + 25x31 ≤ 100000
60x12 + 50x22 + 25x32 ≤ 140000
60x13 + 50x23 + 25x33 ≤ 80000
10x11 − 25x31 =0
−65x12 + −25x22 + 75x32 =0
28x13 + 10x23 − 35x33 =0
∀i,j xij ≥0

1.6 Produção e Distribuição 25
1.6 Produção e Distribuição

1.6.1 Enunciado
Duas fábricas, A e B, situadas em locais diferentes produzem ambas os pro-
dutos P1 e P2 . A fábrica A tem 3 máquinas e a fábrica B tem 2 máquinas.
Todas as máquinas fazem os produtos P1 e P2 . Depois de fabricados, os
produtos podem ser transportados entre as fábricas de modo a satisfazer a
procura. O número de unidades produzidas por dia, os custos de produção
e de transporte, a procura dos produtos e o número de dias em que cada
máquina está disponı́vel por mês estão indicados nas tabelas 5 e 6.
(a) Apresente um modelo geral (usando variáveis indexadas e coeficientes

convenientes a definir) que permita determinar os esquemas de utiliza-
ção das máquinas em cada fábrica e de distribuição dos produtos entre
as fábricas, a que corresponda um custo total mı́nimo.
(b) Concretize o modelo para o caso descrito.
(c) Refira-se à resolução do problema em questão.
Fábrica A B
Máquina M1 M2 M3 M1 M2
Disponibilidade (dias) 30 28 24 26 28
Produto P1 P2 P1 P2 P1 P2 P1 P2 P1 P2
Produção por dia 40 35 42 38 40 37 41 37 42 40
Custo por dia 100 102 104 106 98 104 102 105 103 106
Tabela 5: Capacidades de produção das fábricas
Produto P1 P2
Fábrica A B A B
Procura 1200 800 1500 1100
Custo de transporte A→ B = 4 B→ A = 4 A→ B = 3 B→ A = 4
por unidade
Tabela 6: Procura e custos de transporte dos produtos

26 Modelação
1.6.2 Resolução
(a) • Índices
i fábricas (A e B) i ∈ [1, 2];
j máquinas (M1 , M2 , M3 ) j ∈ [1, 2, 3];
k produtos (P1 e P2 ) k ∈ [1, 2].
xijk número de dias de produção durante um mês do produto k,
na fábrica i, máquina j;
yik quantidade do produto k a transportar da fábrica i para a
outra fábrica.
• Coeficientes
cijk custo diário de produção do produto k, na fábrica i, máquina
j;
pijk produção diária do produto k, na fábrica i, máquina j;
mij disponibilidade (em dias) da máquina j da fábrica i;
dik procura na fábrica i do produto k;
sik custo de transporte, a partir da fábrica i, do produto k.
• Modelo
Objectivo
X X
min Custo = cijk × xijk + sik × yik (1.38)
i,j,k i,k
P
∀i,k pijk × xijk − yik + yi0 k
j ≥ dik (1.39)
P
∀i,j k xijk ≤ mij (1.40)
P
∀i,k j pijk × xijk − yik ≥0 (1.41)
∀i,j,k xijk , yik ≥0 (1.42)
As restrições 1.39 garantem que a procura do produto k na fá-

brica i é satisfeita. As restrições 1.40 são restrições de capacidade
(disponibilidade) das máquinas. As restrições 1.41 garantem que
só se transporta a partir de uma fábrica o que é produzido nessa
fábrica. Finalmente as restrições 1.42 garantem que todas as va-
riáveis tomam valores maiores ou iguais a zero.
(b) Concretize agora o modelo genérico apresentado, de tal forma que cor-
responda à situação descrita no enunciado.

1.6 Produção e Distribuição 27
(c) Ao resolver a alı́nea anterior, teve com certeza que tratar o caso das
variáveis x231 e x232 , dado que essas variáveis foram definidas no modelo
genérico, mas na realidade não existe nenhuma máquina 3 na fábrica
2. Há várias formas de resolver esta questão:
• quando se ”concretiza”o modelo, pode-se não definir as variáveis

em causa (ver resolução do exercı́cio 2);
• pode-se associar um valor nulo à produção nessa máquina não
existente (p23k = 0) (será que é suficiente?);
• pode-se associar um custo infinito (muito grande) à produção
nessa máquina não existente (c23k = ∞), dado que se trata de
um problema de minimização e nessa situação as variáveis serão
nulas na solução final;
• podem-se acrescentar restrições do tipo x23k = 0.

28 Modelação
1.7 Refinaria Petróleo

1.7.1 Enunciado
Uma refinaria de petróleo pode misturar 3 tipos de crude para produzir ga-
solina normal e super.
A refinaria de petróleo tem duas unidades de mistura, uma unidade mais
antiga e uma outra mais recente.
Para cada ciclo de produção, a unidade mais antiga usa 5 barris de crude
A, 7 barris de crude B e 2 barris de crude C para produzir 9 tanques de
gasolina normal e 7 de gasolina super. A unidade de mistura mais recente
usa, para cada ciclo de produção, 3 barris de crude A, 9 de B e 4 de C para
produzir 5 tanques de gasolina normal e 9 de super.
Devido a contratos já assinados, a refinaria tem que produzir, pelo menos,
500 tanques de gasolina normal e 300 tanques de gasolina super.
Para essa produção existem em armazém 1500 barris de crude A, 1900 de
crude B e 1000 de crude C.
Por cada tanque de gasolina normal produzida, a refinaria ganha 6 uni-
dades monetárias e, por tanque de super, 9 unidades monetárias.
Pretende-se saber como utilizar as reservas de crude e as duas unida-
des de mistura, de forma a maximizar o lucro da refinaria respeitando os
compromissos assumidos.

1.7 Refinaria Petróleo 29
1.7.2 Resolução
x1 − no de ciclos de produção a realizar na unidade antiga

x2 − no de ciclos de produção a realizar na unidade nova
Restrições Crude disponı́vel:
Tipo A: 5x1 + 3x2 ≤ 1500

|{z} |{z}
gasto na gasto na
unidade unidade
antiga nova
Tipo B: 7x1 + 9x2 ≤ 1900
Tipo C: 2x1 + 4x2 ≤ 1000
Contratos assinados:
Gasolina normal: 9x1 + 5x2 ≥ 500

|{z} |{z}
produzido produzido
na unidade na unidade
antiga nova
Gasolina super: 7x1 + 9x2 ≥ 300
E ainda:
x1 , x 2 ≥ 0
gasolina normal gasolina super
z }| { z }| {
max LUCRO = 6 × ( |{z}
9 x1 + 5x2 ) + 9 × (7x1 + 9x2 )
|{z} |{z}
no de unidade nova
no de
tanques ciclos
por ciclo
| {z }
unidade antiga

30 Modelação
1.8 Arrendamento de Espaço num Armazém

(5M)
1.8.1 Enunciado
Uma empresa planeia arrendar espaço num armazém. As necessidades de
espaço da empresa para os próximos 5 meses estão representadas na tabela
7.
Os custos de arrendamento por metro quadrado e por duração do perı́odo
de arrendamento estão representados na tabela 8.
Construa um modelo que permita determinar o esquema de contratos a
assinar, por forma a satisfazer as necessidades de espaço o mais economica-
mente possı́vel.
Mês Necessidade de
espaço (m2 )
1 1500
2 1000
3 2000
4 500
5 2500
Tabela 7: Necessidades de espaço nos próximos 5 meses
Perı́odo de arrendamento Custo por m2

(meses) ($)
1 2800
2 4500
3 6000
4 7300
5 8400
Tabela 8: Custos de arrendamento por m2 para cada perı́odo de arrenda-

mento

1.8 Arrendamento de Espaço num Armazém (5M) 31
1.8.2 Resolução
xij − espaço a arrendar no inı́cio do mês i por um perı́odo de j meses
Restrições Que em cada mês esteja arrendado pelo menos o espaço neces-
sário:
P5
(mês 1) x ≥ 1500
P5j=1 1j
+ 4j=1 x2j
P
(mês 2) x1j ≥ 1000
Pj=2
5
+ 4j=2 x2j + 3j=1 x3j
P P
(mês 3) x ≥ 2000
P5j=3 1j
+ 4j=3 x2j + 3j=2 x3j + 2j=1 x4j
P P P
(mês 4) j=4 x1j ≥ 500
(mês 5) x15 +x24 +x33 +x42 +x51 ≥ 2500
xij ≥ 0
1≤i≤5, 1≤j≤6−i
espaço arrendado
por 1 mês
(no inı́cio do mês
custo de arrendar 1, 2, 3, 4 ou 5)
1 m2 por 1 mês z }| {
X5 4
X 3
X
z}|{
min CUSTO = 2800 xi1 + 4500 xi2 + 6000 xi3
i=1 i=1 i=1
2
X
+ 7300 xi4 + 8400 x15
i=1
Arrendamento de espaço num armazém

Resolução mais compacta
Dados
Cj − custo de arrendar 1m2 por um perı́odo de j meses
Ni − necessidade de espaço no mês i

32 Modelação
sário:
P6−i Pi−1 P6−k

∀i j=1 xij + k=1 j=i+1−k xkj ≥ Ni
5 6−j
X X
Cj × xij
j=1 i=1
Arrendamento de espaço num armazém

Resolução mais compacta
Dados
Cj − custo de arrendar 1m2 por um perı́odo de j meses

Ni − necessidade de espaço no mês i
sário:
P6−i Pi−1 P6−k

∀i j=1 xij + k=1 j=i+1−k xkj ≥ Ni
5 6−j
X X
Cj × xij
j=1 i=1

1.9 Planeamento da Produção numa Fábrica de Papel 33
1.9 Planeamento da Produção numa Fábrica

de Papel
1.9.1 Enunciado
A maior fábrica de papel do mundo (vı́deo)
Carretel n Bobinas
n Laminas
Como se pode ver nas figuras, o papel é fabricado em rolos grandes tanto
em largura como em diâmetro, conhecidos na indústria por jumbos. Os
jumbos são divididos em rolos mais pequenos que podem ser vendidos direc-
tamente a clientes ou que então podem ser usados para cortar em formatos.
Consideremos uma empresa em que o papel é produzido em jumbos com
6 metros de largura.
A partir destes jumbos de 6 metros é necessário produzir:
• 30 rolos com 280cm de largura,
• 60 rolos com 200cm de largura,
• 48 rolos com 150cm de largura.
Um jumbo de 6 metros poderia, por exemplo, ser dividido em 2 rolos de

280cm, sobrando um “rolinho” de 40cm que é considerado desperdı́cio.
Assumindo que existem jumbos em quantidade suficiente para satisfazer
esta encomenda, o problema consiste em determinar a forma de cortar os
jumbos minimizando o desperdı́cio.
Construa o modelo de Programação Matemática para este problema.

34 Modelação
1.9.2 Resolução
O primeiro passo para a formulação deste problema passa por determinar de
quantas formas pode um jumbo ser cortado. Para além da forma sugerida no
enunciado (2 rolos de 200cm, sobrando 40cm de desperdı́cio) podem ainda
ser determinados 6 outros “padrões de corte” (ver tabela).
As variáveis de decisão (x1 a x7 ) correspondem ao número de vezes que
cada padrão de corte é aplicado no corte de um jumbo. A tabela seguinte
apresenta ainda as quantidades pedidas de cada rolo, assim como o desper-
dı́cio gerado por cada padrão de corte.
Largura No de rolos
dos rolos x1 x2 x3 x4 x5 x6 x7 pedidos
280 2 1 1 0 0 0 0 30
200 0 1 0 3 2 1 0 60
150 0 0 2 0 1 2 4 48
Desperdı́cio 40 120 20 0 50 100 0
Exemplificando, x3 = 4 significa que se cortam 4 jumbos em 1 rolo de

280cm e 2 rolos de 150cm, gerando um desperdı́cio de 20cm. No total obtêm-
se 4 rolos de 280cm e 8 de 150cm (e nenhum de 200cm).
As restrições vão estar directamente relacionadas com as quantidades de
rolos pequenos que é necessário cortar e é necessária uma restrição por cada
dimensão de rolo. Se a cada linha do sistema de inequações corresponde um
tipo de rolo pequeno, a cada coluna corresponderá um padrão de corte:
2x1 + x2 + x3 ≥ 30
x2 + 3x4 + 2x5 + x6 ≥ 60
2x3 + x5 + 2x6 + 4x7 ≥ 48
xi ≥ 0 ∀1≤i≤7
O objetivo do problema é minimizar o desperdı́cio. Assim, a função ob-

jetivo deste modelo tomará a forma:
min 40x1 + 120x2 + 20x3 + 50x5 + 100x6

E se as restrições tiverem que ser satisfeitas como igualdades, isto é, e se
não forem admitidas sobreproduções?
Nesse caso como é que o modelo deve ser alterado?

1.10 Distribuição 35
1.10 Distribuição
1.10.1 Enunciado
Uma empresa tem duas fábricas e quatro armazéns e vende produtos a seis
clientes que podem ser abastecidos a partir dos armazéns ou directamente a
partir das fábricas. A empresa suporta os custos de distribuição apresentados
nas tabelas 9 e 10. Os traços indicam que a entrega correspondente não se
realiza.
Origens
Destinos Bragança Évora
Armazéns (fábrica) (fábrica)
Coimbra 0.5 —
Faro 1.0 0.2
Lisboa 0.8 0.6
Porto 0.4 0.8
Tabela 9: Custos de distribuição (em 1000$ por ton.)
Origens
Destinos Bragança Évora Coimbra Faro Lisboa Porto
Clientes (fábrica) (fábrica) (armazém) (armazém) (armazém) (armazém)
C1 1.0 2.0 — 1.0 — —
C2 — — 1.5 0.5 1.5 —
C3 1.5 — 0.5 0.5 2.0 0.2
C4 2.0 — 1.5 1.0 — 1.5
C5 — — — 0.5 0.5 0.5
C6 1.0 — 1.0 — 1.5 1.5
Tabela 10: Custos de distribuição (em 1000$ por ton.)
Nas tabelas 11 e 12 estão representadas as capacidades mensais máximas

das fábricas e dos armazéns. Na tabela 13, apresenta-se a procura tı́pica
mensal dos clientes.
Fábrica Capacidade
(toneladas)
Bragança 150 000
Évora 200 000
Tabela 11: Capacidade máxima mensal de produção das fábricas

36 Modelação
Armazém Capacidade
(toneladas)
Coimbra 70 000
Faro 50 000
Lisboa 100 000
Porto 40 000
Tabela 12: Capacidade máxima mensal de fornecimento dos armazéns
Cliente Procura mensal

(toneladas)
C1 50 000
C2 10 000
C3 40 000
C4 35 000
C5 60 000
C6 20 000
Tabela 13: Procura tı́pica mensal dos clientes
O objetivo da empresa é a determinação de uma estratégia óptima de

distribuição que satisfaça a procura respeitando as capacidades e limitações
existentes:
Construa um modelo de Programação Linear para este problema.

1.10 Distribuição 37
1.10.2 Resolução
• Índices
i fábricas i ∈ [1, 2];

j armazéns j ∈ [1, . . . , 4];
k clientes k ∈ [1, . . . , 6].
xij quantidade a enviar da fábrica i para o armazém j;

yik quantidade a enviar da fábrica i para o cliente k;
zjk quantidade a enviar do armazém j para o cliente k.
Como algumas das entregas não podem ser efectuadas (traços nas tabe-
las), as variáveis de decisão correspondentes não serão definidas. Uma
outra solução para o problema consistiria em definir as variáveis todas
e restringir o valor dessas variáveis a zero.
As variáveis em causa são então:
x21 , y12 , y15 , y22 , y23 , y24 , y25 , y26 , z11 , z15 , z26 , z31 , z34 , z41 , z42
O objetivo pretendido é a minimização do custo Z, isto é:
min Z = 0.5x11 + 1.0x12 + 0.8x13 + 0.4x14

+0.2x22 + 0.6x23 + 0.8x24
+1.0y11 + 1.5y13 + 2.0y14 + 1.0y16
+2.0y21
+1.5z12 + 0.5z13 + 1.5z14 + 1.0z16
+1.0z21 + 0.5z22 + 0.5z23 + 1.0z24 + 0.5z25
+1.5z32 + 2.0z33 + 0.5z35 + 1.5z36
+0.2z43 + 1.5z44 + 0.5z45 + 1.5z46
• Restrições
Cada fábrica tem uma capacidade máxima, o que quer dizer que a
soma de todos os xij com todos os yik para uma dada fábrica i não
pode exceder a capacidade da fábrica i.
Dado que existem duas fábricas, esse limite de capacidade resulta em
duas restrições.

38 Modelação
Por exemplo para a fábrica de Bragança (i = 1):
x11 + x12 + x13 + x14 + y11 + y13 + y14 + y16 ≤ 150000 (1.43)
Também há limites para a capacidade de fornecimento de um armazém

e como há quatro armazéns, há quatro restrições do mesmo tipo.
Para o armazém de Coimbra (j = 1):
x11 ≤ 70000 (1.44)
Os pedidos dos clientes também devem ser satisfeitos e como há 6 cli-
entes, há 6 restrições do mesmo tipo.
Para o cliente C1 (k = 1):
y11 + y21 + z21 = 50000 (1.45)
É também necessário considerar as restrições de continuidade para os

armazéns, que obrigam a que não saia mais mercadoria de um armazém
do que a que entra. Como há 4 armazéns, há quatro restrições do
mesmo tipo.
Para o armazém de Coimbra (j = 1):
z12 + z13 + z14 + z16 ≤ x11 (1.46)
Por fim, é necessário garantir que todas as variáveis têm valores maiores
ou iguais a zero:
x11 , x12 , x13 , x14 , x22 , x23 , x24 , y11 , y13 , y14 , y16 , y21 , z12 , z13 ,
z14 , z16 , z21 , z22 , z23 , z24 , z25 , z32 , z33 , z35 , z36 , z43 , z44 , z45 , z46 ≥ 0 (1.47)
Complete agora o modelo!

1.11 Selecção de Eventos na UPorto 39
1.11 Selecção de Eventos na UPorto

Protocolo Universidade do Porto
Novo acordo de ~ com a Urivenlidade do POI to
o ~nC<l SantaOOer l<>ltll • a UrWersiI!ode do Porto ...... rom urn .ooroo <Ie COOpoNa;ao, .,. otlf9o do _ I 0 B.>neo ~_ . , . _ <Ie
ensno, ' weoti90;ao • ~~ culor.J do U~ do Porto com om v_ 0"".1 S"pooriof 0 om ml'>io <Ie toros, doront. 0' ~o""'" 5 aoos.
A UrW«s_ Porto, &d;.>!Iicou pot" CMCUrso 0 . rriooio 00 corti<> <Ie _tJflCO;ao

""". ntMio ~" todo 0 "'" ool<c!r;o _ 29.000 ol>r>os, 3500 prof."",., • "",_os do
p<'Soool _istr&tm> • <los """""" lI<fois _ om .,,,,.,,,,", 0 pot" ""CO 0"'" 3<1 !!onco
&Onto""'" lotto.
o Cortin U"".rsurio ntrill<nt. dispoolblzara 10M SOlJ.S thisr .. om C<W\jJnto .Io r~ <Ie
....m:;o. , 310m 00, ""ncirio' , corm .
_tin <Ie errve.trro. no. _ ' ' ' '' , 0 eontr<>kl
<Ie0= . <Iet~, r o _ • ~1JO""'"t .. <Ie _ " ' " """tont...
o ~"'00010 .,.N<Io nWi t>rnt><m . at>ert"r. <Ie _ . a~"" . un",ersnn.. no.

;" I>Io~ <14 ;' '''">:;in aCO<lO~, 0 aindo 0 .~ 0 ootros prtI!<ctos <14 ~_,
com:> "m ~09'amo <Ie boisa. <Ie _ _
o Rei", <14 U~O:I_ <10 P<>rto, Prof"...,.. OootOf Jose Mar_, <los Santos, nicio" • SL>O ~ terv~ no """""'~ 011'"""""""" 0 ~ tere .... do
!!onoo ~ re~cioMm<nto oom. ~ ott">:;in o~ _ dI'9<. Oeotocoo ....t. sen!oo _ a ooabo<o;ao _ <Xist. iii 49um tefr4Ml • • ofn_
q"" so foi oonoItuI><Io ""tre5O "'I"ip " <1M _ NtM:;ii. . foram fsc!o<.. IT4><>rt>nt.,. ~. a "rWers_ "" """"""to <Ie es.coJ\<f 0 &ontor.der
lolt4 """" " " _ . _. <10 corti<> "rWersurio.
o Pres_'e do C<J.T· u i OfxecW; o 00 !!onoo Santo"""r lot:.. Or. N""" _ t""'*"'" • S,," ~ t<fV<1\"" Oil'"""""""" • ~ <14 re' orio 0
CMf,.n~ _ <Ie~,tor. m "" """co •• 1011'>_ 0 f.c!o <14 UrWersiI!ode do Porto ter q<>eIIfo<lo . tr&01i<;io, ""..". piooe" . m i>icior prolooolo' <Ie
colo"",.,..,
rom ~.tt">:;3es priv-' ~r. octi'liM<!es corm ",to: "po<Iem oontor "",,,,[,.00, _ oM tomt><m _torm, <Ie "" pione..... q<>eIIfor
com 0' """t""""
http://www.santandertotta.pt/pagina/content/0,1564,1042_29502_1_1_1041_6_0,00.html
1.11.1 Enunciado parte 1

No âmbito do acordo de cooperação com o Santander Totta foi decidido investir 200 000e em eventos
culturais e desportivos a organizar nos próximos 5 anos, com o objetivo de reforçar os laços no seio da
Universidade e a marca UPorto na Cidade do Porto e no Paı́s. À equipa da UPorto que preparou os dados
para decisão pelo Reitor foi pedido que, para cada evento proposto, fosse indicado o orçamento previsto
e o número estimado de pessoas que participariam.
Na data prevista foram apresentados ao Reitor os resultados do trabalho da equipa.
Evento Orçamento previsto Participantes

“N’U.Porto tudo é teatro” 80 000e 100 000
“A Ciência n’U.Porto” 40 000e 10 000
“Correr pel’U.Porto” 30 000e 10 000
“Com U.Porto amanhecemos com livros” 15 000e 5 000
“U.Porto por dentro” 10 000e 20 000
“Festival de Tunas d’U.Porto” 30 000e 10 000
“Depois das seis, U.Porto é Jazz” 40 000e 30 000
“U.Porto são só Coros” 20 000e 25 000
“U.Porto nos caminhos do Porto” 25 000e 50 000
“U.Porto sim U.Porto não” 20 000e 30 000
Construa o modelo de programação Linear que permitiria encontrar o melhor conjunto de eventos a
organizar, considerando que o Reitor da U.Porto pretendia maximizar o número total de participantes.

40 Modelação

Depois de analisar a solução encontrada para o investimento a 5 anos, o Reitor pediu à mesma equipa
que classificasse os diversos eventos nas categorias: Artes Performativas, Música, Filosofia, Arquitectura,
Literatura, Desporto e Ciência, pois pretendia acrescentar ao modelo construı́do um conjunto de restrições
que lhe permitissem garantir que seria organizado pelo menos um evento de cada tipo.
De entre os eventos classificados como de Desporto e de Ciência seria necessário apenas garantir que
era organizado um.
Evento Artes perf. Música Filosofia Arq. Lit. Desporto Ciência

N’U.Porto tudo é teatro X
A Ciência n’U.Porto X
Correr pel’U.Porto X
Com U.Porto amanhecemos com livros X
U.Porto por dentro X
Festival de Tunas d’U.Porto X X
Depois das seis, U.Porto é Jazz X X
U.Porto são só Coros X X
U.Porto nos caminhos do Porto X
U.Porto sim U.Porto não X

1.12 Aeroporto ALETROP 41
1.12 Aeroporto ALETROP
1.12.1 Enunciado
O aeroporto de Aletrop é a base dos aviões da companhia aérea PAT. Trata-

se de um aeroporto moderno, e de uma empresa de aviação em expansão,
que pretende manter a sua competitividade num sector de actividade forte-
mente concorrencial. O aumento de competitividade passa, nomeadamente,
pela realização de dois objectivos, a melhoria da qualidade de serviço e a
redução dos custos de operação. Por outro lado, a segurança de uma com-
panhia aérea é um aspecto de primordial importância, estando intimamente
ligado à manutenção. Para manter um avião em boas condições técnicas,
procede-se à manutenção preventiva aos aparelhos da PAT, através de pe-
quenas inspecções entre aterragem e posterior descolagem. A direcção da
empresa está também a considerar a hipótese de oferecer estes serviços de
manutenção a outras companhias de aviação, mesmo que para tal tenha que
aumentar às equipas de manutenção. O elemento crucial nestas equipas é o
chefe de manutenção, técnico altamente qualificado, que necessita de fazer
formação especı́fica para cada tipo de avião e obter assim uma licença im-
prescindı́vel para o desempenho dessas funções. A cada licença corresponde
uma categoria de aviões, existindo 4 licenças diferentes:
Tipos de licenças Aviões

1 Boeing 717 (100 lugares)
2 Boeing 777 (300 a 500 lugares)
3 Airbus A319 (124 lugares)
4 Airbus A340 (350 lugares)
Cada técnico pode ter no máximo 2 licenças. A primeira licença demora

vários anos a obter, sendo portanto mais cara para a empresa, enquanto
a segunda licença demora menos anos a obter, ficando naturalmente mais
barata. O custo da segunda licença depende ainda da licença anterior que
o técnico possui. Actualmente existem 9 equipas de manutenção, cada uma
chefiada por um técnico licenciado, que funcionam em 3 turnos.

42 Modelação
Turno
Chefe de equipa Tipo de licença
Custo (M$)
1 1, 2
Licença Licença a tirar
1 2 1
anterior
3 2
1 2 3 4
4 3, 4
0 2 4 2 4
2 5 2
1 - 1 2 3
6 3
2 1 - 2 3
7 4
3 1 3 - 2
3 8 3, 4
4 1 2 1 -
9 3
Para poder oferecer serviços a outras companhias de aviação, a empresa
pretende que existam 4 licenças de cada tipo, no conjunto dos chefes de
manutenção. Isto pode ser conseguido enviando para formação actuais chefes
de equipa (portanto técnicos que já possuem 1 licença) ou outros técnicos que
ainda não possuem nenhuma licença. No entanto, de cada turno só poderá
sair, no máximo, 1 chefe de equipa para formação. Escreva um modelo de
programação matemática que permita determinar a polı́tica de obtenção de
licenças que minimiza os custos para a Aletrop.

1.12 Aeroporto ALETROP 43

1 se técnico i tira licença j
xij =
0 se não
A empresa pretende que existam 4 licenças de cada tipo, num total de 16

licenças. Como, no conjunto dos chefes de manutenção existentes, já existem
12 licenças, são necessárias mais 4 licenças, que no limite poderão ser todas
obtidas por técnicos novos. Nesse caso o número máximo de técnicos, ı́ndice
i na formulação, será igual a 13, 9 já existentes e 4 novos.
Restrições A empresa pretende que existam 4 licenças de cada tipo, no

conjunto dos chefes de manutenção:
P13
i=1 xi1
P13
= 2
i=1 xi2
P13
= 1
i=1 xi3
P13
= 0
i=1 xi4 = 1
Um técnico pode ter no máximo 2 licenças e os técnicos novos só poderão

obter nesta fase uma licença1 :
P4
xij ≤ 1 ∀i∈{2,3,5,6,7,9,10,11,12,13}
Pj=1
4
j=1 xij = 0 ∀i∈{1,4,8}
De cada turno só poderá sair, no máximo, 1 chefe de equipa para forma-
ção:
P4 P3
xij ≤ 1
P4j=1 Pi=16
xij ≤ 1
Pj=1
4 Pi=4
9
j=1 i=7 xij ≤ 1
Cada técnico só pode obter 1 vez a mesma licença:
x21 = x32 = x52 = 0

x63 = x74 = x93 = 0
1
Esta restrição não vem referida explicitamente no enunciado, no entanto pode-se inferir
que não haverá disponibilidade de tempo para que um técnico novo obtenha duas licenças.

44 Modelação
ckj = custo de tirar licença j dado que já se tem licença k
 
X 13
4 X X X 
min c0j xij + c3j xij + c2j xij + c1j x2j + c4j x7j
 
j=1 i=10 i∈{6,9} i∈{3,5}

1.13 Urbanização 45
1.13 Urbanização
1.13.1 Enunciado
A empresa Latifúndios e Companhia pretende urbanizar uma das suas gran-
des propriedades. A propriedade divide-se em 3 zonas, Z1 , Z2 e Z3 , com
caracterı́sticas bastante diferentes em termos de relevo, localização e tipo de
subsolo, tal como se pode verificar nas fotografias apresentadas a seguir.
A urbanização deverá incluir áreas para fins residenciais, R, áreas verdes,

V e áreas para equipamentos sociais, E. Pretende-se conhecer as áreas a
atribuir a R, V , e E nas zonas Z1 , Z2 e Z3 .
Custos O custo da construção de cada tipo de área (R, V ou E) em cada

uma das zonas Z1 , Z2 ou Z3 , é proporcional à respectiva área de construção,
sendo as constantes de proporcionalidade diferentes entre si e conhecidas.
Áreas mı́nimas de construção É necessário construir pelo menos K hec-

tares de Ar .
Proporcionalidade entre tipos de áreas É necessário garantir que o

quociente area
areaR
E
seja ≥ l e que o quociente area
areaR
V
seja ≥ m.
(a) Formule o problema nas seguintes condições (será um modelo de Pro-
gramação Linear?):
(i) As condições relativas a l e m devem ser satisfeitas em cada zona.
(ii) As condições relativas a l e m devem ser satisfeitas para o conjunto
de Z1 , Z2 e Z3 .
(b) Qual a relação de ordem existente entre o custo total da solução óptima
calculável em (i) e em (ii)? Justifique.
(c) Formule o problema como em (ii) mas admitindo que, se as áreas para
E forem maiores que p, então as áreas para V serão maiores que q (p e
q conhecidos).

46 Modelação
(a)
ARi − no de hectares da zona i para fins residenciais

AV i − no de hectares da zona i para áreas verdes
AEi − no de hectares da zona i para equipamentos sociais
Restrições -
(i)
P3
i=1 ARi ≥K (1.48)
AEi
∀i∈1,2,3 ARi
≥l (1.49)
AV i
∀i∈1,2,3 ARi
≥m (1.50)
∀i∈1,2,3 ARi , AV i , AEi ≥ 0 (1.51)
(ii)
P3
i=1 ARi ≥K (1.52)
P3
AEi
∀i∈1,2,3 Pi=1
3 ≥l (1.53)
i=1 ARi
P3
AV i
∀i∈1,2,3 Pi=1
3 ≥m (1.54)
i=1 ARi
∀i∈1,2,3 ARi , AV i , AEi ≥ 0 (1.55)
Nota:
Poder-se-ia ainda introduzir uma restrição referente ao espaço total dis-
ponı́vel em cada zona i, AZi , e que não pode ser ultrapassado. Embora não
mencionada explicitamente no enunciado ela é inerente ao problema:
∀i∈1,2,3 ARi + AEi + AV i ≤ AZi (1.56)
P3
min i=1 (KRi ARi + KV i AV i + KEi AEi ) (1.57)

1.13 Urbanização 47
(b)
O custo da solução óptima em (i) será sempre maior ou igual do que o
custo da solução óptima em (ii) pois a formulação em (i) é mais restritiva do
que a formulação em (ii).
(c)
Num Modelo de Programação Linear a região das soluções admissı́veis
é obtida pela conjunção das restrições formuladas no modelo. Nesta alı́nea
pretende-se modelizar a seguinte implicação de condições:
3
X 3
X
AEi > p ⇒ AV i ≥ q
i=1 i=1
A implicação de condições é modelizada com o auxı́lio de uma variável

de decisão suplementar e de um majorante para os valores que as condições
possam tomar.
Consideremos então que A = AZ1 + AZ2 + AZ3 é P a área total disponı́vel
3
nas
P3 3 zonas. Sendo A a área total é evidente que i=1 AEi ≤ A e que
i=1 AV i ≤ A, ou seja, A é um majorante destes somatórios.
Tomando então uma variável auxiliar inteira binária δ ∈ {0, 1}, a impli-
cação pode ser formulada do seguinte modo:
3
X
AEi − p − δA ≤ 0 (1.58)
i=1
3
X
q− AV i − (1 − δ)A ≤ 0 (1.59)
i=1
δ ∈ {0, 1} (1.60)
Para verificarmos que as inequações 1.58 a 1.60 modelizam a implicação

de condições devemos relembrar que para que uma implicação a ⇒ b seja
verdadeira é preciso que se a for verdadeira então b também o seja e que se
b for falsa então P
a também o seja.
De facto, se 3i=1 AEi > p então para que a restrição
P3 1.58 se verifique é
forçoso que δ = 1. Ora δ = 1 transforma 1.59 em i=1 AV i ≥ q, como se
pretendia. P3
Se, por outro lado, i=1 AV i < q então, paraP que 1.59 se verifique é
forçoso que δ = 0. Com δ = 0 a restrição 1.58 fica 3i=1 AEi ≤ p, como se
queria demonstrar.

48 Modelação
1.14 Estaleiro do ShopShopping

2
Antes de dar inı́cio à construção do ShopShopping, Feimiro necessita de
definir a localização dos estaleiros da obra. Para tal começou por dividir a
área de construção em sectores, tal como se representa na figura seguinte:
G
B
A
H
F
E I
D
Sabe-se que é possı́vel montar no máximo um estaleiro em cada sector

e a empresa de Feimiro, a única que está habilitada a montar estaleiros em
plataformas marı́timas, monta estaleiros de dois tipos:
Estaleiro tipo α Estaleiro simples, com uma capacidade de movimentação
e armazenamento de 1 000 toneladas de materiais durante
toda a obra. Os estaleiros tipo α só podem fornecer o
sector onde estão instalados
Estaleiro tipo β Grande estaleiro, com uma capacidade de movimentação
e armazenamento de 5 000 toneladas de materiais du-
rante toda a obra. Os estaleiros tipo β podem fornecer
qualquer sector.
Por imposição das empresas de construção envolvidas, se for montado um
estaleiro α no sector B, então é necessário montar um estaleiro β no sector
A ou um estaleiro α no sector C.
Por imposições regulamentares, o número mı́nimo de estaleiros a montar
numa obra desta natureza e com esta área de construção é 7.
Os custos de montagem de um estaleiro tipo α ou β num determinado
sector estão representados na tabela seguinte (em ke).
2
Exame da LEEC da FEUP em 2008.01.28

1.14 Estaleiro do ShopShopping 49
Sector A B C D E F G H I
Est α 100 100 100 100 100 200 100 50 100
Est β 300 300 300 400 200 300 200 100 300
Os custos de funcionamento dos estaleiros também foram determinados

e são independentes do tipo de estaleiro. Por cada tonelada de material
que seja deslocado de um estaleiro para obras no sector onde o estaleiro se
encontra, o custo é de 100e. A deslocação de materiais de um estaleiro de
um sector para obras de um outro sector custa 200e por tonelada.
As previsões das necessidades totais de materiais para as obras em cada
sector estão representadas na tabela seguinte (em toneladas).
Sector A B C D E F G H I
Nec. materiais 1000 2000 5000 5000 1000 1500 2000 3000 4000
Construa o modelo de programação linear para este problema.

20 minutos depois de Feimiro ter apresentado o problema completo, já lhe
vai entregar o modelo pedido, pensando que pode ir descansado para casa.
No entanto, Feimiro esteve entretanto a pensar e quer acrescentar mais uma
restrição ao problema.
“Pensei que poderá custar menos dinheiro se se obrigar que cada sector
seja alimentado por um e um só estaleiro. Deve ser fácil alterar o modelo, e
já que fez grande parte do trabalho em tão pouco tempo, irá gastar com esta
pequena alteração no máximo 2 minutos.”
(a) Será que Feimiro vai gastar menos dinheiro neste caso? Porquê?
(b) Esta nova ideia de Feimiro irá implicar uma alteração realmente pe-
quena?
(c) Construa o novo modelo.

50 Modelação
1.14.3 Resolução parte 1

Resolução por extenso
xαA , xαB , xαC , xαD , xαE , xαF , xαG , xαH , xαI ,

xβA , xβB , xβC , xβD , xβE , xβF , xβG , xβH , xβI

1 se estaleiro tipo α ou β é montado no sector A, B, C, D, E, F, G, H ou I
=
0 se não
Função Objectivo Pretende-se minimizar a soma dos custos de montagem

dos estaleiros com os custos de movimentação de materiais.
min CUSTO =
Custos de montagem
50000xαH
+ 100000(xαA + xαB + xαC + xαD + xαE + xαG + xαI + xβH )
+ 200000(xαF + xβE + xβG )
+ 300000(xβA + xβB + xβC + xβF + xβI )
+ 400000xβD
Custos de funcionamento =
Custos de movimentação dos materiais vindos do estaleiro do próprio sect
custos de movimentação dos materiais vindos dos estaleiro dos restantes s
+ 100 × (1000xαA + 1000xβA ) + 200 × [1000 − (1000xαA + 1000xβA )]
+ 100 × (1000xαB + 2000xβB ) + 200 × [2000 − (1000xαB + 2000xβB )]
+ 100 × (1000xαC + 5000xβC ) + 200 × [5000 − (1000xαC + 5000xβC )]
+ 100 × (1000xαD + 5000xβD ) + 200 × [5000 − (1000xαD + 5000xβD )]
+ 100 × (1000xαE + 1000xβE ) + 200 × [1000 − (1000xαE + 1000xβE )]
+ 100 × (1000xαF + 1500xβF ) + 200 × [1500 − (1000xαF + 1500xβF )]
+ 100 × (1000xαG + 2000xβG ) + 200 × [2000 − (1000xαG + 2000xβG )]
+ 100 × (1000xαH + 3000xβH ) + 200 × [3000 − (1000xαH + 3000xβH )]
+ 100 × (1000xαI + 4000xβI ) + 200 × [4000 − (1000xαI + 4000xβI )]
Restrições Só se pode montar no máximo um estaleiro em cada sector:

xαA + xβA ≤ 1
xαB + xβB ≤ 1
xαC + xβC ≤ 1
xαD + xβD ≤ 1
xαE + xβE ≤ 1
xαF + xβF ≤ 1
xαG + xβG ≤ 1
xαH + xβH ≤ 1
xαI + xβI ≤ 1
Se for montado um estaleiro do tipo α no sector B então é necessário

montar um estaleiro β no sector A ou um estaleiro α no sector C:
xαB ≤ xβA + xαC
O número mı́nimo de estaleiros a instalar é 7:
xαA + xαB + xαC + xαD + xαE + xαF + xαG + xαH + xαI

+xβA + xβB + xβC + xβD + xβE + xβF + xβG + xβH + xβI ≥ 7
Satisfação das necessidades de materiais:
1000(xαA + xαB + xαC + xαD + xαE + xαF + xαG + xαH + xαI )

+5000(xβA + xβB + xβC + xβD + xβE + xβF + xβG + xβH + xβI ) ≥
1000 + 2000 + 5000 + 5000 + 1000 + 1500 + 2000 + 3000 + 4000
Resolução compacta
Índices
tipo de estaleiro e ∈ {α, β}
sector onde está o estaleiro s ∈ {A, B, C, D, E, F, G, H, I}

52 Modelação
Dados
Cape capacidade total durante a obra (em toneladas) do estaleiro tipo e.
Necs necessidade total de materiais durante a obra (em toneladas) do sector

s.
ces custo de montagem de um estaleiro tipo e no sector s.

1 se estaleiro tipo e é montado no sector s
xes (1.61)
0 se não
Função Objectivo Pretende-se minimizar a soma dos custos de montagem

dos estaleiros com os custos de movimentação de materiais.
Custos de montagem dos estaleiros:
X
ces × xes (1.62)
e,s
Custos de movimentação de materiais (soma do custo de movimen-

tação dos materiais do estaleiro para o sector onde está montado com o custo
da movimentação dos materiais do estaleiro para outros sectores):
Custo de movimentação dos materiais de cada um dos estaleiros para o
sector onde o estaleiro está montado:
X
100 × xes × min(Cape , Necs ) (1.63)
e,s
Custo de movimentação dos materiais do estaleiro para outros sectores:

X X
200 × ( Necs − xes × min(Cape , Necs )) (1.64)
s e,s
Restrições
X
xes ≤ 1 ∀s (1.65)
e
X X P
xαs × min(Capα , Necs ) + xβs × Capβ ≥ s Necs (1.66)
s s
X
xes ≥ 7 (1.67)
e,s

As restrições (1.65) indicam que só se pode montar no máximo um esta-

leiro em cada sector.
A restrição (1.66) assegura que há capacidade disponı́vel para alimen-
tar todos os estaleiros. Como um estaleiro tipo α só pode alimentar o sec-
tor onde está montado, a capacidade disponı́vel nesse estaleiro será igual a
mı́nimo(Capα , Necs ). Os estaleiros β terão que satisfazer as restantes ne-
cessidades.
As restrições (1.67) impõem um número mı́nimo de estaleiros a montar
(7 neste caso).
A imposição que seja montado um estaleiro β no sector A ou um estaleiro
α no sector C se for montado 1 estaleiro α no sector B representa-se com a
restrição (1.68).3
xαB ≤ xβA + xαC (1.68)

(a) Feimiro está a introduzir mais restrições ao problema, por isso o custo
da solução óptima obtida depois de acrescentadas as restrições só pode
ter um valor maior ou igual ao custo da solução óptima anterior (ou
então ele está a pensar noutros custos que não referiu na alı́nea (a)).
(b) A alteração ao modelo inicial é bastante grande, dado que vai ser neces-
sário que as variáveis de decisão passem a ter informação sobre quais
os estaleiros que alimentam um determinado sector.
(c) –
Índices
tipo de estaleiro e ∈ {α, β}

sector onde está o estaleiro s ∈ {A, B, C, D, E, F, G, H, I}
sector alimentado por estaleiro k ∈ {A, B, C, D, E, F, G, H, I}
xαB xβA + xαC V/F
0 0 V
0 1 V
3
A tabela de verdade da implicação é a seguinte: 0 2 V
1 0 F
1 1 V
1 2 V

54 Modelação
Dados
Cape capacidade total durante a obra (em toneladas) do estaleiro tipo

e.
Necs necessidade total de materiais durante a obra (em toneladas) do
sector s.
ces custo de montagem de um estaleiro tipo e no sector s.

1 se estaleiro tipo e é montado no sector s
xes (1.69)
0 se não

1 se estaleiro montado no sector s alimenta o sector k
ysk (1.70)
0 se não
Função Objectivo Pretende-se minimizar a soma dos custos de mon-

tagem dos estaleiros com os custos de movimentação de materiais.
Custos de montagem dos estaleiros:
X
ces × xes (1.71)
e,s
Custos de movimentação de materiais (soma do custo de movi-

mentação dos materiais do estaleiro para o sector onde está montado
com o custo da movimentação dos materiais do estaleiro para outros
sectores):
Custo de movimentação dos materiais de cada um dos estaleiros para
o sector onde o estaleiro está montado:
X
100 × yss × Necs (1.72)
s
Custo de movimentação dos materiais do estaleiro para outros sectores:

X X
200 × ( Necs − yss × Necs ) (1.73)
s s

Restrições
X
xes ≤ 1 ∀s (1.74)
e
X
ysk ≤ 1 ∀k (1.75)
s
xαs × Capα ≥ yss × Necs ∀s (1.76)
P
xβs × Capβ ≥ k (ysk × Neck ) ∀s (1.77)
X
xes ≥ 7 (1.78)
e,s
xαB ≤ xβA + xαC (1.79)
As restrições (1.74) indicam que se pode montar no máximo um esta-

leiro em cada sector.
As restrições (1.75) asseguram que cada sector só pode ser alimentado
por um estaleiro.
As restrições (1.76) e (1.77) garantem que um estaleiro só pode ali-
mentar um conjunto de sectores se existir e se tiver capacidade para
alimentar completamente todos esses sectores. Os estaleiros α só po-
dem alimentar o sector em que se encontram.
As restrições (1.78) impõem um número mı́nimo de estaleiros a montar
(7 neste caso).
A imposição que seja montado um estaleiro β no sector A ou um
estaleiro α no sector C se for montado um estaleiro α no sector B
representa-se com a restrição (1.79).

56 Modelação
1.15 Escalonamento de recursos humanos

Um posto de correios requer para funcionar um número diferente de traba-
lhadores a tempo inteiro em cada dia da semana:
No mı́nimo de funcionários
Segunda 17
Terça 13
Quarta 16
Quinta 19
Sexta 14
Sábado 16
Domingo 11
As leis laborais impõem que cada funcionário trabalhe 5 dias consecutivos,

seguidos de 2 dias de folga. Por exemplo, um funcionário que trabalhe de
Segunda a Sexta terá que estar de folga no Sábado e no Domingo. O posto
de correios pretende pois satisfazer as necessidades diárias de trabalhadores
recorrendo apenas a funcionários a tempo inteiro. O objetivo é minimizar o
número de funcionários a tempo inteiro.

Suponha agora que as necessidades de mão-de-obra podem ser satisfeitas quer
por funcionários a tempo inteiro quer por funcionários a tempo parcial. Um
funcionário a tempo inteiro trabalha 8 horas por dia, enquanto um funcionário
a tempo parcial trabalha 4 horas por dia, mantendo-se as restantes condições
laborais. No entanto, acordos com os sindicatos limitam a 25% do total a
percentagem de funcionários a tempo parcial. Sabendo que o custo horário
de um funcionário a tempo inteiro é de 15 euros e o de um funcionário a
tempo parcial é de 10 euros, determine o escalonamento dos funcionários que
minimiza o custo global com recursos humanos.

Considere agora que cada funcionário pode fazer um dia de trabalho extra-
ordinário por semana. Por exemplo, a um funcionário cujo turno de trabalho
seja de Segunda a Sexta pode ser pedido que trabalhe ainda no Sábado.
A remuneração por hora de trabalho extraordinário corresponde a 150% da
remuneração base.

1.15 Escalonamento de recursos humanos 57

Considere novamente a situação inicial, das necessidades de mão-de-obra se-
rem satisfeitas unicamente por funcionários a tempo inteiro. Considere ainda
que o posto de correios tem 25 funcionários contratados. Determine o escalo-
namento que maximiza o número de folgas em dias de fim-de-semana (Sábado
ou Domingo).

Apesar de se ter minimizado o número de trabalhadores com turnos de fim-
de-semana, esses turnos existem e têm que ser cobertos. Como resolveria o
problema de, ao longo do ano, garantir uma escala justa e equilibrada para
todos os trabalhadores em termos de dias de fim-de-semana ocupados?

58 Modelação

Variáveis de decisão xi – número de trabalhadores que começarão o seu
perı́odo de 5 dias de trabalho no dia i, i = 1 . . . 7 (1=Segunda,. . .,7=Domingo)
Restrições Em cada dia tem que se ter o número de funcionários mı́nimo a

trabalhar. Note-se que, por exemplo, à Segunda-Feira estão a trabalhar não
só os funcionários que iniciam o seu perı́odo de 5 dias à Segunda, mas também
todos os que iniciaram esse perı́odo na semana anterior na Quinta-Feira ou
depois.
x1 + x4 + x5 + x6 + x7 ≥ 17
x1 + x2 + x5 + x6 + x7 ≥ 13
x1 + x2 + x3 + x6 + x7 ≥ 16
x1 + x2 + x3 + x4 + x7 ≥ 19
x1 + x2 + x3 + x4 + x5 ≥ 14
x2 + x3 + x4 + x5 + x6 ≥ 16
x3 + x4 + x5 + x6 + x7 ≥ 11
x1 , x2 , x3 , x4 , x5 , x6 , x7 ≥ 0 e inteiros
min x1 + x2 + x3 + x4 + x5 + x6 + x7

Variáveis de decisão Teremos agora que considerar também os funcioná-
rios a tempo parcial:
xi – número de trabalhadores a tempo inteiro que começarão o seu perı́odo
de 5 dias de trabalho no dia i, i = 1 . . . 7 (1=Segunda,. . .,7=Domingo)
yi – número de trabalhadores a tempo parcial que começarão o seu perı́odo
de 5 dias de trabalho no dia i, i = 1 . . . 7 (1=Segunda,. . .,7=Domingo)
Restrições As necessidades de mão-de-obra em cada um dos 7 dias da

semana terão agora que ser expressas em termos de horas de trabalho e
não de número de funcionários. As próximas sete restrições garantem as
necessidades para cada um dos dias da semana.

7
X 7
X
8x1 + 8 xi + 4y1 + 4 yi ≥ 136
i=4 i=4
2
X 7
X 2
X X7
8 xi + 8 xi + 4 yi + 4 yi ≥ 104
i=1 i=5 i=1 i=5
X3 X7 X3 X7
8 xi + 8 xi + 4 yi + 4 yi ≥ 128
i=1 i=6 i=1 i=6
4
X 4
X
8 xi + 8x7 + 4 yi + 4y7 ≥ 152
i=1 i=1
5
X 5
X
8 xi + 4 yi ≥ 112
i=1 i=1
6
X 6
X
8 xi + 4 yi ≥ 128
i=2 i=2
7
X 7
X
8 xi + 4 yi ≥ 88
i=3 i=3
A equação seguinte garante a restrição imposta pelos sindicatos, que li-

mitam a 25% do total a percentagem de funcionários a tempo parcial.
7
X 7
X
yi − 0.25 (xi + yi ) ≤ 0
i=1 i=1
xi , yi ≥ 0 e inteiros ∀i
Função objectivo Minimização do custo total das contratações por 5 dias.

7
X 7
X
min 5 ∗ (15 ∗ 8 ∗ xi + 10 ∗ 4 ∗ yi )
i=1 i=1

Variáveis de decisão Teremos que juntar agora novas variáveis corres-
pondentes ao número de funcionários que fazem um dia de trabalho extra.

60 Modelação
zi – número de trabalhadores a tempo inteiro que começarão no dia i,

i = 1 . . . 7 (1=Segunda,. . .,7=Domingo), o seu perı́odo de 5 dias de trabalho
mais um dia de trabalho extra.
wi – número de trabalhadores a tempo parcial que começarão no dia i,
i = 1 . . . 7 (1=Segunda,. . .,7=Domingo), o seu perı́odo de 5 dias de trabalho
mais um dia de trabalho extra.
Restrições
7
X 7
X
8(x1 + z1 ) + 8z3 + 8 (xi + zi ) + 4(y1 + w1 ) + 4w3 + 4 (yi + wi ) ≥ 136
i=4 i=4
2
X 7
X 2
X X7
8 (xi + zi ) + 8z4 + 8 (xi + zi ) + 4 (yi + wi ) + 4w4 + 4 (yi + wi ) ≥ 104
i=1 i=5 i=1 i=5
X3 X7 X3 X7
8 (xi + zi ) + 8z5 + 8 (xi + +zi )4 (yi + wi ) + 4w5 + 4 (yi + wi ) ≥ 128
i=1 i=6 i=1 i=6
4
X 4
X
8 (xi + zi ) + 8z6 + 8x7 + 4 (yi + wi ) + 4w6 + 4y7 ≥ 152
i=1 i=1
5
X 5
X
8 (xi + zi ) + 8z7 + 4 (yi + wi ) + 4w7 ≥ 112
i=1 i=1
6
X 6
X
8z1 + 8 (xi + zi ) + 4w1 + 4 (yi + wi ) ≥ 128
i=2 i=2
7
X 7
X
8z2 + 8 (xi + zi ) + 4w2 + 4 (yi + wi ) ≥ 88
i=3 i=3
7
X 7
X
yi − 0.25 (xi + yi ) ≤ 0
i=1 i=1
∀i xi , yi , zi , wi ≥ 0 e inteiros
7
X 7
X 7
X 7
X
min 15∗8∗5∗ xi +10∗4∗5 yi +15∗8∗(5+1.5) zi +10∗4∗(5+1.5) wi
i=1 i=1 i=1 i=1


Variáveis de decisão xi – número de trabalhadores que começarão o seu
perı́odo de 5 dias de trabalho no dia i, i = 1 . . . 7 (1=Segunda,. . .,7=Domingo)
Restrições Em cada dia tem que se ter o número mı́nimo de funcionários

a trabalhar e não se pode ter mais que 25 funcionários a trabalhar. No seu
conjunto as escalas têm que incorporar 25 funcionários.
x1 + x4 + x5 + x6 + x7 ≥ 17
x1 + x2 + x5 + x6 + x7 ≥ 13
x1 + x2 + x3 + x6 + x7 ≥ 16
x1 + x2 + x3 + x4 + x7 ≥ 19
x1 + x2 + x3 + x4 + x5 ≥ 14
x2 + x3 + x4 + x5 + x6 ≥ 16
x3 + x4 + x5 + x6 + x7 ≥ 11
x1 + x4 + x5 + x6 + x7 ≤ 25
x1 + x2 + x5 + x6 + x7 ≤ 25
x1 + x2 + x3 + x6 + x7 ≤ 25
x1 + x2 + x3 + x4 + x7 ≤ 25
x1 + x2 + x3 + x4 + x5 ≤ 25
x2 + x3 + x4 + x5 + x6 ≤ 25
x3 + x4 + x5 + x6 + x7 ≤ 25
x1 + x2 + x3 + x4 + x5 + x6 + x7 = 25
x1 , x 2 , x3 , x4 , x5 , x6 , x7 ≥ 0 e inteiros
Função objectivo A função objetivo é agora minimizar o número de tra-

balhadores que pertencem a turnos que trabalhem ao Sábado (dia 6) ou ao
Domingo (dia 7), tendo em atenção que alguns turnos são particularmente
penalizantes por ocuparem simultaneamente o Sábado e o Domingo.
min x2 + 2x3 + 2x4 + 2x5 + 2x6 + x7

O problema de escalonamento de recursos humanos aqui resolvido é do tipo
estático porque assume que o posto de correios enfrenta a mesma situação
semana após semana. No entanto, afectar um funcionário permanentemente
a uma escala traduz-se numa situação de injustiça e desiquilı́brio potenci-
adora de instabilidade laboral e de atritos entre funcionários que em nada

62 Modelação
contribuem para uma harmoniosa gestão de recursos humanos. A solução

passa portanto por fazer os funcionários rodar pelas várias escalas.
Suponha então a seguinte solução para o problema de escalonamento se-
manal:
x1 x2 x3 x4 x5 x6 x7
8 6 0 7 0 4 0
Poderı́amos agora criar um ciclo de 25 semanas com a seguinte escala:
Semana 1–8 Inı́cio à Segunda

Semana 9–14 Inı́cio à Terça
Semana 15–21 Inı́cio à Quinta
Semana 22–25 Inı́cio ao Sábado
Seguindo esta escala, o funcionário 1 começaria na semana 1 da escala, o

funcionário 2 começaria na semana 2 e assim sucessivamente. Por exemplo,
o funcionário 5 faria 4 semanas o turno que se inicia à Segunda, depois faria
6 semanas o turno que se inicia à Terça, 7 semanas o turno que se inicia à
Quinta, 4 semanas o turno que se inicia ao Sábado e, finalmente, 4 semanas o
turno que se inicia à Segunda, fechando o ciclo de 25 semanas e recomeçando
de novo.
Desta forma todos os funcionários passariam de uma forma equilibrada e
justa por todos os turnos.

1.16 SuperBoa 63
1.16 SuperBoa
1.16.1 Enunciado
A SUPERBOA é uma cerveja produzida em 3 fábricas e é distribuı́da a
partir de 10 armazéns principais.
Recentemente pediram-nos para construir um modelo matemático para o
problema da determinação da estratégia óptima mensal de produção, trans-
porte e venda da SUPERBOA. Para tal foi necessário fazer o levantamento
de um conjunto alargado de informações necessárias para construir o modelo.
Informações relativas às fábricas

• Em cada mês a fábrica i, i = 1, 2, 3, produz no máximo ai quilolitros
de cerveja em regime normal, com um custo ri e/kl.
• Qualquer fábrica também pode trabalhar em regime extraordinário,
produzindo nessa situação um máximo de bi quilolitros com um custo
si e/kl. (si > ri ).
Informações relativas ao transporte

• O custo de transporte da fábrica i para o armazém j, j = 1, . . . , 10, é
de cij e/kl.
• Toda a cerveja produzida num dado mês pode ser transportada, no
mesmo mês, para os postos de distribuição.
Informações relativas à distribuição e venda

• No posto j a procura é de dj kl.
• A procura poderá não ser satisfeita, contudo:
– cada kl distribuı́do no armazém j rende αj e;
– cada kl que fique por distribuir penaliza a empresa em βj e.
• Se a quantidade de cerveja transportada para o armazém j exceder a
procura nesse armazém, o excesso pode ser vendido, em quantidades
ilimitadas, para um armazém de revenda ao preço de γj e/kl, com
γj < αj .
Construa o modelo de programação linear para o problema da determina-
ção da estratégia óptima mensal de produção, transporte e venda da cerveja
SUPERBOA.

64 Modelação
Índices
i fábricas i ∈ [1, . . . , 3];
j armazéns j ∈ [1, . . . 10].
y1i quantidade de kl de cerveja a produzir na fábrica i, em regime normal;
y2i quantidade de kl de cerveja a produzir na fábrica i, em regime extraordi-

nário;
qij quantidade de kl de cerveja a transportar da fábrica i para o armazém j.
Variáveis auxiliares É necessário criar uma variável auxiliar para cada

armazém que possa representar o excesso ou a escassez de cerveja no armazém
j. Como as variáveis nos modelos de programação linear não podem tomar
valores negativos, vai ser necessário substituir cada uma pela diferença de
duas variáveis auxiliares que tomem valores maiores ou iguais a zero (uj - vj )
onde:
uj excesso de cerveja no armazém j (em kl);
vj escassez de cerveja no armazém j (em kl).
Coeficientes
ai quantidade máxima de cerveja a produzir em regime normal na fábrica i

(em kl);
ri custo de produção de cerveja em regime normal (em e/kl);

1.16 SuperBoa 65
bi quantidade máxima de cerveja a produzir em regime extraordinário na

fábrica i (em kl);
si custo de produção de 1 kl de cerveja em regime extraordinário (em e);
cij custo de transporte de 1 kl de cerveja da fábrica i para o armazém j (em

e);
dj procura no armazém j (em kl);
αj preço de venda de 1 kl de cerveja no armazém j (em e);
βj custo por perda de venda de cada kl de cerveja no armazém j (em e);
γj preço de venda a um armazém de revenda de cada kl de cerveja em excesso

no armazém j (em e).
Função objectivo Pretende-se com a função objetivo encontrar o valor

máximo para o lucro, satisfazendo as restrições impostas. O valor do lucro
obtém-se (obviamente) subtraindo as despesas das receitas.
Receitas Venda de cerveja directamente no armazém ((procura no arma-

zém j - escassez no armazém j) × preço de venda no armazém j)
X
(dj − vj )αj (1.80)
j
Venda de cerveja ao armazém de revenda (excesso de cerveja no armazém j

× preço de venda do armazém j ao armazém de revenda)
X
uj γj (1.81)
j
Despesas Despesa com a produção de cerveja em regime normal e com a

produção de cerveja em regime extraordinário.
X
(ri y1i + si y2i ) (1.82)
i
Despesa com transporte de cerveja da fábrica i para o armazém j.

X
cij qij (1.83)
i,j

66 Modelação
Despesa com perda de venda de cerveja no armazém j.

X
vj βj (1.84)
j
A função objetivo será então:

X X X
max ((dj − vj )αj + uj γj − vj βj )− (ri y1i + si y2i )− cij qij (1.85)
j i i,j
Restrições
∀i y1i ≤ ai (1.86)
∀i y2i ≤ bi (1.87)
P
∀i qij ≤ y1i + y2i (1.88)
P j
∀j i qij − dj = uj − vj (1.89)
∀i,j qij ≥0 (1.90)
∀j uj , vj ≥0 (1.91)
∀i y1i , y2i ≥0 (1.92)
Considerando que, tal como é afirmado no enunciado, o custo de produ-

ção de cerveja em regime normal é inferior ao custo de produção de cerveja
em regime extraordinário (ri < si ), e dado que o problema é de maximização
de lucros (minimização de custos), não será necessário impor restrições adi-
cionais para garantir que só se começa a produzir em regime extraordinário
depois de se ter produzido toda a quantidade possı́vel em regime normal.
Nesse caso as restrições 1.86 e 1.87 são suficientes para garantir as restrições
impostas no enunciado.
As restrições 1.88 garantem que, qualquer que seja a fábrica, a quantidade
transportada dessa fábrica para todos os armazéns não excede a quantidade
produzida nessa fábrica.
As restrições 1.90 e 1.92 garantem que as variáveis são maiores ou iguais
a zero.
As restrições 1.89 e 1.91 são devidas às variáveis auxiliares criadas. Repare-
se que assim uma quantidade de cerveja num armazém que seja positiva,
negativa ou nula, será representada pela diferença de duas variáveis ≥ 0.

Capı́tulo 2
Programação Linear
• Resolver graficamente um problema de programação linear com duas
variáveis.
• Fazer uma análise de sensibilidade aos coeficientes da função objetivo

e aos lados direitos das restrições (termos independentes) com base na
resolução gráfica do problema. Determinar quando a solução óptima
não é única.
• Reconhecer e utilizar os conceitos de solução admissı́vel e não admissı́-

vel, solução óptima, restrição redundante e restrição activa.
• Determinar os efeitos e impactos na solução óptima de introduzir novas

restrições ou retirar restrições já existentes num problema.

68 Programação Linear
Exercı́cios
2.1 Problema PL I . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.2 Problema PL II . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.3 Problema PL1 . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.4 Problema PL2 . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.5 Problema PL3 . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.6 Problema PL4 . . . . . . . . . . . . . . . . . . . . . . . . . . 78

2.1 Problema PL I 69
2.1 Problema PL I
2.1.1 Enunciado
Considere o problema de Programação Linear representado na figura se-
guinte, onde a função objetivo é F = x1 + x2 . O domı́nio das solução
admissı́veis é a zona a sombreado e a solução óptima está no ponto G.
" t---r--i---t---t---r--i---t---
4 ~-+~t--t--t--t--t--t---
-3 -2 7
"
Suponha que o coeficiente de x1 na função objetivo se mantém constante

e igual a 1.
(a) Qual o valor máximo que o coeficiente de x2 na função objetivo pode

tomar, para que a solução G permaneça óptima?
(b) E qual o valor mı́nimo?

2.1.2 Resolução
Na figura seguinte estão representadas as equações das duas restrições que se
intersectam no ponto G.
"
4
XI+7/3x2 = 7
xl-2x2 = 2
-2 -1 3 4 5 7
-2
(a) Quando o coeficiente de x2 na função objetivo = 73 , a recta da função

objetivo tem a mesma inclinação que a restrição x1 + 73 x2 = 7. Para esse
valor do coeficiente de x2 todos os pontos que estão sobre o segmento de
recta que une os pontos G e G’ são solução óptima do problema. Para
coeficientes de x2 na função objetivo superiores a 73 , a solução óptima
passa para o ponto G’.
"
4
F = Xl + 7/3x2
-3 -2 -1 3 4 5 6
"
-2
FEUP FACULDADE DE ENGENHARIAUNIVERSIDADE DO PORTO

2.1 Problema PL I 71
(b) Quando o coeficiente de x2 na função objetivo = −2, a recta da função

objetivo tem a mesma inclinação que a restrição x1 −2x2 = 2. Para esse
valor do coeficiente de x2 todos os pontos que estão sobre o segmento
de recta que une os pontos G e G” são solução óptima do problema.
Para coeficientes de x2 na função objetivo inferiores a −2, a solução
óptima passa para o ponto G”.
-3 6
"
-2

2.2 Problema PL II
2.2.1 Enunciado
Considere o problema de Programação Linear representado na figura se-
guinte, onde a função objetivo é F = 3x1 + 4x2 . O domı́nio das soluções
admissı́veis é a zona a sombreado e a solução óptima está no ponto P.
Suponha que o coeficiente de x2 na função objetivo se mantém constante

e igual a 4.
(a) Qual o valor máximo que o coeficiente de x1 na função objetivo pode

tomar, para que a solução P permaneça óptima?
(b) E qual o valor mı́nimo?

2.2 Problema PL II 73
2.2.2 Resolução
Na figura seguinte estão representadas as equações das duas restrições que se
intersectam no ponto P, que foram escritas de forma que x2 tivesse coeficiente
4.
(a) Quando o coeficiente de x1 na função objetivo = 163

, a recta da função
objetivo tem a mesma inclinação que a restrição 16 x + 4x2 = 16.
3 1
Para esse valor do coeficiente de x2 , todos os pontos que estão sobre
o segmento de recta que une os pontos P e P” são solução óptima do
problema. Para coeficientes de x1 na função objetivo superiores a 16
3
,a
solução óptima passa para o ponto P”.
(b) Quando o coeficiente de x1 na função objetivo = 85 , a recta da fun-

ção objetivo tem a mesma inclinação que a restrição 85 x1 + 4x2 = 8.
Para esse valor do coeficiente de x1 todos os pontos que estão sobre
o segmento de recta que une os pontos P e P’ são solução óptima do

problema. Para coeficientes de x1 na função objetivo inferiores a 85 , a

solução óptima passa para o ponto P’.

2.3 Problema PL1 75
2.3 Problema PL1

2.3.1 Enunciado
Considere o problema de programação linear (PL) representado graficamente
na figura seguinte, onde a zona a sombreado corresponde ao espaço de solu-
ções admissı́veis, e em que o objetivo é:
min X1 + X2
X2
6
5
!"#!$%&'
!$%('
3
% ('
#(!
2 $
)$! "
1
X1
0
-1 0 1 2 3 4 5 6
-1
(a) Qual é a solução óptima do problema?

(b) Quais das seguintes restrições estão activas na solução óptima?
(i) X2 ≤ 3;
(ii) −2X1 + 3X2 ≥ 3;
(iii) −2X1 + 3X2 ≤ 3;
(iv) X1 ≥ 0;
(v) X2 ≥ 0.

2.4 Problema PL2

2.4.1 Enunciado
min X1 − X2
X2
6
5
#$!#"'(!"(
#"'&(
3
' &(
%&#
2 "
!"# $
1
X1
0
-1 0 1 2 3 4 5 6
-1

(i) X2 ≤ 3;
(ii) −2X1 + 3X2 ≥ 3;
(iii) −2X1 + 3X2 ≤ 3;
(iv) X1 ≥ 0;
(v) X2 ≥ 0.

2.5 Problema PL3 77
2.5 Problema PL3

2.5.1 Enunciado
max X1 + X2
X2
5
4
!"#!$%&'&
3
!$%$()&
2
$!
" #*
!"%"& !$ %
1 +&
0 X1
-1 0 1 2 3 4 5
-1

(i) X1 ≥ 0;
(ii) X2 ≥ 0;
(iii) X1 ≥ 1;
(iv) X2 ≤ 2.5;
(v) 2X1 + 3X2 ≤ 8.

2.6 Problema PL4

2.6.1 Enunciado
max X1 − X2
X2
5
4
!"#!$%&#"&
3
!$%$'(&
2
$!
" )*
!"%"& !$ %
1 +&
0 X1
-1 0 1 2 3 4 5
-1

(i) X1 ≥ 0;
(ii) X2 ≥ 0;
(iii) X1 ≥ 1;
(iv) X2 ≤ 2.5;
(v) 2X1 + 3X2 ≤ 8.

Capı́tulo 3
Utilização do Solver do Excel
• Saber introduzir no Solver variáveis de decisão, restrições e função ob-
jectivo.
• Interpretar os relatórios de resolução e de análise de sensibilidade pro-

duzidos pelo Solver do Microsoft Excel.

80 Utilização do Solver do Excel
Exercı́cios
3.1 Planeamento da produção na VW Autoeuropa . . . . . . . 81

3.1 Planeamento da produção na VW Autoeuropa 81
3.1 Planeamento da produção na VW Auto-

europa
3.1.1 Enunciado
A Volkswagen Autoeuropa produz 4 modelos de veı́culos: Scirocco, Eos,
Sharan e Alhambra. A capacidade da fábrica de Palmela limita o total de
produção a um máximo de 200000 unidades por ano. Devido a restrições
derivadas da partilha de equipamentos de produção, o total de unidades da
Sharan e da Alhambra não pode exceder as 100000 unidades, assim como o
total de unidades do Scirocco e do Eos não pode exceder as 65000 unidades. A
estratégia de marketing da Volkswagen exige que a produção de monovolumes
(Sharan e Alhambra) constitua, no mı́nimo, 1,5 vezes a produção dos modelos
Scirocco e Eos. A polı́tica de proteção ambiental da Volkswagen exige ainda
que em cada uma da suas fábricas o mix de produção respeite uma média
de emissões de CO2 de, no máximo, 150 g/Km. Para cada modelo são ainda
conhecidos os lucros unitários, o potencial de vendas e as emissões de CO2 :
Modelo Lucro unitário (e) Potencial de mercado Emissões de CO2 (g/Km)

Sharan 4500 50000 146
Alhambra 5000 20000 152
Eos 3500 50000 148
Scirocco 4000 100000 172
Nas figuras 1, 2 e 3 é apresentado, respetivamente, o modelo em Excel e

os relatórios de resposta e de análise de sensibilidade produzidos pelo Solver
quando se resolveu o problema da maximização do lucro total da Autoeuropa.
(a) Explique o papel de cada uma das linhas do modelo em Excel.
(b) A partir do relatório de respostas indique qual a solução ótima e o seu

valor. Identifique ainda as restrições que são ativas para esta solução
ótima.
(c) Recorrendo ao relatório de análise de sensibilidade indique:
(i) Se o lucro unitário do modelo Eos passasse de 3500 para 2500 e,

qual seria a solução ótima? E se o mesmo decréscimo de lucro
ocorresse para o modelo Scirocco? Justifique ambas as respostas.
(ii) Através de uma polı́tica agressiva de descontos é possı́vel aumentar
o potencial de mercado de cada um dos modelos. Para que modelo

Figura 1: Modelo em Excel.
o impacto no lucro global seria potencialmente maior? Porquê?

Qual poderia ser o valor máximo do desconto? Justifique.
(iii) Interprete o preço sombra da restrição da linha 14.

Figura 2: Relatório de resposta produzido pelo Solver.

Figura 3: Relatório de análise de sensibilidade produzido pelo Solver.

3.1.2 Resolução
(a) • A linha 2 contém as variáveis de decisão do problema, isto é,
quantas unidades de cada um dos modelos devem ser produzidas.
• A linha 4 contém os coeficientes da função objectivo, estando o
valor da função objetivo inscrito na célula F4.
• A linha 6 modeliza o limite máximo de produção da fábrica.
• As linhas 7 e 8 modelizam as restrições dos máximos de produ-
ção conjunta dos modelos Sharan e Alhambra e Scirocco e Eos,
respectivamente.
• As linhas 9 a 12 contêm as restrições que limitam a produção de
cada um dos modelos à quantidade dada pelo respetivo potencial
de vendas. A ideia é que não vale a pena produzir o que não se
consegue depois vender.
• A linha 13 apresenta a restrição relativa ao mix de produção res-
peitar uma média de emissões de CO2 de, no máximo, 150 g/Km.
• A linha 14 garante que a produção de monovolumes constitui, no
mı́nimo, 1,5 vezes a produção dos modelos Scirocco e Eos.
(b) A solução ótima do problema é produzir 10555,6 unidades do Scirocco,

36111,1 unidades do Eos, 50000 unidades da Sharan e 20000 unidades
da Alhambra. a esta solução corresponde um lucro de 493 611 111,1 e.
Note-se que as quantidades ótimas para os dois primeiros modelos não
são inteiras. Correspondendo esses valores a uma produção anual, po-
demos considerar que a produção se prolongaria pelo ano seguinte. No
entanto, dada a grandeza das quantidades envolvidas, poder-se-ia ar-
rendondar estes valores para os inteiros mais próximos, apesar de,
desta forma, não estar garantida a otimalidade da solução in-
teira obtida.
Para esta solução ótima, as restrições ativas são aquelas cuja folga/margem/“slack”
é igual a zero. Doutra forma, são as que surgem com o estado Enlace,
ou com o estado Binding na versão em lı́ngua inglesa dos relatórios.
(c) Recorrendo ao relatório de análise de sensibilidade indique:
(i) Se o lucro unitário do modelo Eos passasse de 3500 para 2500 e,

a solução ótima não se alteraria, uma vez que esta variação está
dentro do intervalo de variação deste lucro unitário em que não há
modificação na solução ótima: [3500-3863,63 ; 3500+500]. Apesar

de se manterem as quantidades a produzir, o lucro global teria,

naturalmente, um decréscimo.
No que diz respeito ao modelo Scirocco, um decréscimo de 1000
ecolocaria o lucro unitário fora do intervalo de variação admissı́vel
para este coeficiente ([4000-500 ; 4000+263500]), significando isso
que a solução ótima se alteraria.
(ii) A resposta a esta questão implica uma análise dos preços sombra
das restrições relativas ao potencial de mercado, isto é, as restri-
ções 4 a 7 (identificadas no relatório como as restrições relativas
às células $F$9 a $F$12). Analisando então os preços sombra
constatamos que o maior preço sombra surge na restrição $F$12:
7319,44. Então, é o modelo Alhambra que nos dará maior retorno
por unidade adicional que se consiga vender, nomeadamente atra-
vés da polı́tica de descontos. No entanto, esse desconto nunca
deveria ser superior ao preço sombra: 7319,44 e. Note-se ainda
que se o potencial de mercado atingir os 20000 + 20000 = 40000
(limite máximo onde o preço sombra ainda é válido) esta conclusão
deixa de ser válida.
Uma resposta alternativa olharia em simultâneo para o preço som-
bra e para o máximo aumento no potencial de mercado, isto é,
compararia 6944,44 × 27500 com 7319,44 × 20000, o que nos le-
varia à escolha do modelo Sharan.
(iii) O preço sombra restrição da linha 14 encontra-se, no relatório de
sensibilidade, na linha identificada como célula $F$14. O preço
sombra é negativo e tem o valor de -3541,67 e. Isto significa que
se em vez de exigirmos que a produção de monovolumes seja pelo
menos 1,5 vezes a produção dos modelos Scirocco e Eos passarmos
a exigir que seja pelo menos 1,5 vezes mais uma unidade, o lucro
total diminuiria. Isto é, é prejudicial produzir monovolumes. Visto
ainda de outra forma, por cada monovolume a menos que seja
produzido, o lucro aumenta 3541,67 e.

Capı́tulo 4
Método Simplex
• Saber relacionar vértices da região admissı́vel, numa representação grá-
fica, e soluções básicas de um sistema de equações, numa representação
algébrica de um problema de programação linear.
• Reconhecer e utilizar os conceitos de variável básica e não básica, solu-

ção admissı́vel e não admissı́vel, solução óptima, restrição redundante
e restrição activa.
• Resolver problemas de programação linear de maximização e minimi-

zação pelo método simplex, nomeadamente:
– determinar uma solução inicial, incluindo a utilização do método

do ”Big-M”quando é necessário utilizar variáveis artificiais.
– inserir uma variável na base.
– retirar uma variável da base.
– reconhecer quando uma solução é óptima.
– reconhecer quando uma solução não é única.
– reconhecer quando um problema é ilimitado ou impossı́vel.
• Determinar os efeitos e impactos na solução óptima de introduzir novas

restrições ou retirar restrições já existentes num problema.

88 Método Simplex
Exercı́cios
4.1 Problema A . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.2 Problema B . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3 Problema C . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.4 Problema D . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.5 Problema E . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.6 Problema F . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.7 Problema G . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.8 Problema H . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

4.1 Problema A 89
4.1 Problema A
4.1.1 Enunciado
Resolva, pelo método Simplex, o seguinte problema de programação linear:
max F = 10x1 + 7x2

suj. a:
2x1 + x2 ≤ 5000
4x1 + 5x2 ≤ 15000
x1 , x2 ≥ 0

90 Método Simplex
4.1.2 Resolução
O problema proposto é um problema de programação linear, dado que a
função objectivo e as restrições são funções lineares das variáveis de decisão
x1 e x2 . Este exemplo simples será usado para ilustrar a aplicação do método
Simplex para resolver problemas de programação linear. Embora a resolução
prática de problemas deste tipo seja (sempre) feita recorrendo a programas
de computador que permitem obter a solução de problemas com milhares
de restrições e variáveis, é conveniente a compreensão do funcionamento da
técnica de resolução para facilitar a interpretação dos resultados obtidos.
Para se aplicar o método Simplex, é necessário que o problema satisfaça
os requisitos seguintes (forma standard):
(a) Todas as variáveis são não negativas (só podem assumir valores positi-
vos ou nulos);
(b) Todas as restrições são equações (ou restrições do tipo “=”);
(c) Todos os termos independentes são positivos.
No exemplo deste problema a primeira e a última condição são satisfeitas.

Para representar o problema na forma standard é necessário transformar as
duas inequações em equações. Para isso, são introduzidas no primeiro mem-
bro das inequações novas variáveis (também não negativas) com coeficiente
+1. Estas variáveis representam a “folga” entre o primeiro e o segundo mem-
bro das inequações, chamando-se por isso variáveis de folga e representando-
se por s (de slack).
max F = 10x1 + 7x2
suj. a:
2x1 + x2 + s1 = 5000
4x1 + 5x2 + s2 = 15000
x1 , x2 , s1 , s2 ≥ 0
A aplicação do método Simplex requer o conhecimento de uma solução
básica admissı́vel inicial, que servirá de ponto de partida para o processo
iterativo. Em problemas que apenas contenham restrições do tipo ≤, a in-
trodução das variáveis de folga conduz a uma solução básica admissı́vel inicial
imediata: fazem-se nulas as variáveis originais do problema (no nosso exem-
plo x1 e x2 ), e as variáveis de folga ficam iguais aos termos independentes
das equações respectivas:
(x1 , x2 , s1 , s2 ) = (0, 0, 5000, 15000)

4.1 Problema A 91
Note-se que esta solução inicial corresponde à origem da região de soluções

admissı́veis, o que é sempre verdade se todas as restrições de um problema
forem do tipo ≤, com termos independentes positivos. Neste caso a origem
é uma solução básica admissı́vel obtida imediatamente com a introdução das
variáveis de folga em todas as restrições. O método Simplex pode ser apli-
cado manualmente recorrendo a um quadro onde se representam de forma
condensada todos os parâmetros do problema (matriz dos coeficientes, termos
independentes e função objectivo). Sobre esse quadro são aplicadas trans-
formações algébricas de acordo com determinadas regras, que conduzem à
obtenção da solução óptima.
variáveis básicas x1 x2 s1 s2 termos independentes

↓ ↓
s1 2 1 1 0 5000
s2 4 5 0 1 15000
−F 10 7 0 0 0
% ↑
custos marginais simétrico do valor
da função objectivo
Uma iteração consiste em trocar uma variável da base: das variáveis

não básicas escolhe-se uma para entrar para a base (irá passar de zero a
um valor positivo-eventualmente nulo), e das variáveis básicas é seleccionada
uma para sair da base. Esta operação corresponde a “saltar”para uma solução
básica admissı́vel vizinha (ou adjacente). Matematicamente falando, duas
soluções adjacentes são aquelas que diferem de apenas uma variável básica;
geometricamente são dois “cantos”da região de soluções admissı́veis que estão
unidos por um “lado”do poliedro que representa no espaço essa região. As
soluções básicas de um problema correspondem a todas as intersecções entre
as restrições, considerando também as restrições xi ≥ 0. De entre estas, são
admissı́veis aquelas que são representadas apenas por variáveis não negativas:

92 Método Simplex
variáveis básicas x1 x2 s1 s2 termos independentes

↓ ↓
5000
⇔ s1 2 1 1 0 5000 2
(menor quociente)
15000
s2 4 5 0 1 15000 4
−F 10 7 0 0 0
% ↑
custos marginais o mais simétrico do valor
positivo da função objectivo
Critério de entrada na base: Entra na base a variável que tiver um

coeficiente mais positivo na linha F . Estes coeficientes (custos marginais)
representam o peso relativo das variáveis não básicas (neste caso x1 e x2 ), no
valor da função objectivo. Podemos dizer assim que, entrando a variável x1
para a base, o valor de F cresce 10 unidades por unidade de crescimento x1 .
Note-se que isto apenas é verdade se na linha F existirem coeficientes nulos
sob as variáveis básicas (porquê?). Na realidade, a linha de F é considerada
como sendo uma equação adicional, onde F representa uma variável que
nunca sai da base:
F = 10x1 + 7x2
pode ser representada como a equação seguinte:
−F + 10x1 + 7x2 + 0s1 + 0s2 = 0
Escrito desta forma, F aparece com o coeficiente -1; daı́ a razão de o
valor que aparece no 2o membro da linha F ser igual ao simétrico do valor da

4.1 Problema A 93
função objectivo. Sendo interpretada como uma equação, podemos sempre

eliminar variáveis (usando operações de pivotação apropriadas) por forma a
que os coeficientes de F sob as variáveis básicas sejam sempre nulos.
Para um problema de minimização o critério de entrada na base será
obviamente o contrário: entra na base a variável não básica que provoca um
maior decrescimento no valor de F , ou seja, a que tiver um coeficiente mais
negativo na linha F .
Critério de saı́da da base: Sai da base a variável xk (básica na equação

i) que tiver um coeficiente abiji menor (sendo xj a variável que entrou para a
base).
As duas equações representadas no quadro acima podem-se escrever (x2 =
0, não básica):
2x1 + s1 = 5000
4x1 + s2 = 15000
ou:
s1 = 5000 − 2x1
s2 = 15000 − 4x1
Entrando x1 para a base, isso significa que x1 vai passar de zero para
um valor positivo. A variável a sair da base vai ser aquela que primeiro se
anular, limitando assim o crescimento de x1 (note-se que todas as variáveis
envolvidas só podem assumir valores positivos ou nulos).
Pela 1a equação, x1 pode subir até 5000
2
= 2500 para s1 se anular (sair da
base); pela segunda equação, o valor máximo para x1 é 150004
= 3750. Logo,
a variável a sair da base será s1 , pois quando x1 cresce é s1 que primeiro se
anula, impondo assim o limite no crescimento da variável x1 em 2500. Como
regra prática, basta calcular os quocientes entre os termos independentes e
os coeficientes da matriz sob a variável que vai entrar para a base, retirando
da base a variável básica da equação que tiver o menor quociente.
Analisemos com mais detalhe a 1a equação acima:
5000 (termo independente) é o valor que a variável básica s1 tomava na ite-
ração anterior.
2 (coeficiente da matriz sob x1 ) é o simétrico do peso da variável x1 nessa
equação. Por outras palavras, podemos dizer que s1 decresce 2 unidades
por unidade de crescimento de x1 , anulando-se (i. e. saindo da base)
quando x1 atinge 5000
2
.
Podem assim ser tiradas algumas conclusões interessantes, em função do
valor dos coeficientes da matriz, aik , sob a variável que foi escolhida para
entrar para a base, xk :

94 Método Simplex
aik > 0 xbi , a variável básica na equação i, decresce aik unidades por unidade
de crescimento de xk , impondo assim um limite superior a xk igual a
bi
aik
(bi é o termo independente da equação i).
aik = 0 xbi , a variável básica na equação i, não vê alterado o seu valor, quando
xk entra para a base. Isso significa que xbi nunca sairá da base pois
não limita de forma alguma o crescimento de xk .
aik < 0 xbi , a variável básica na equação i, cresce aik unidades por unidade de
crescimento de xk . Assim, do mesmo modo que para o caso anterior,
xbi não limita o crescimento de xk , logo nunca sairá da base.
variáveis básicas x1 · · · xk · · · xm b
↓
xb1 · · · · · · a1k ··· ··· b1
.. .. .. .. .. .. ..
. . . . . . .
⇔ xbi · · · · · · aik ··· ··· bi
.. .. .. .. .. .. ..
. . . . . . .
xbn · · · · · ·ank · · · · · · bn
−F · · · · · · fk · · · · · · −F0

Com base no que se disse, podemos concluir o seguinte: se todos os coefi-
cientes da variável que se escolheu para entrar para a base forem negativos ou
nulos, isso significa que nenhuma das variáveis básicas decresce com o cres-
cimento da nova variável candidata a básica. Assim, se esta variável pode
crescer sem que qualquer das básicas se anule, então pode-se concluir que o
problema não tem uma solução óptima limitada. Situações destas ocorrem
quando a região de soluções admissı́veis é um domı́nio aberto no sentido de
crescimento da função objectivo.
Continuando com a resolução do exemplo dado:
base x1 x2 s1 s2 b
x1 1 12 1
2
0 2500 2500
1 = 5000
2
5000
⇔ s2 0 3 −2 1 5000 3
= 1666.7
−F 0 2 −5 0 −25000

base x1 x2 s1 s2 b
5 −1 5000
x1 1 0 6 6 3
−2 1 5000
x2 0 1 3 3 3
−11 −2 −85000
−F 0 0 3 3 3

4.1 Problema A 95
Solução óptima encontrada: Não existe nenhuma variável não básica

(s1 ou s2 , neste caso) que tenha um coeficiente positivo na linha F . Se uma
dessas variáveis tivesse um coeficiente nulo, isso significava que ela poderia
entrar para a base sem alterar o valor da função objectivo F (chamam-se a
estas soluções soluções alternativas à solução óptima encontrada). Note-se
que as soluções alternativas são também soluções óptimas, já que mantêm o
mesmo valor para a função objectivo F .
O valor da solução óptima para este problema seria F = 85000 3
e os valores
das variáveis de decisão seriam:
5000 5000
x1 = , x2 =
3 3

96 Método Simplex
4.2 Problema B
4.2.1 Enunciado
Considere o seguinte problema de Programação Linear:
max z = 45x1 + 80x2
suj. a:
5x1 + 20x2 ≤ 400
10x1 + 15x2 ≤ 450
x1 , x2 ≥ 0
(a) Resolva-o pelo algoritmo Simplex.
(b) Entre que valores poderá variar o coeficiente c1 de x1 na função objec-

tivo (agora vale 45), por forma a que uma solução óptima tenha sempre
valores positivos (x1 , x2 > 0)?

4.2 Problema B 97
4.2.2 Resolução
(a) Em primeiro lugar é necessário representar o problema na forma stan-
dard, introduzindo variáveis de folga, s1 e s2 para transformar as ine-
quações em equações.
max z = 45x1 + 80x2

suj. a:
5x1 + 20x2 + s1 = 400
10x1 + 15x2 + + s2 = 450
x1 , x 2 , s1 , s2 ≥ 0
x1 x 2 s1 s2
⇔ s1 5 20 1 0 400
s2 10 15 0 1 450
−z 45 80 0 0 0

x1 x2 s1 s2
5 1
x2 20
1 20
0 20
125 15
⇔ s2 20
0 − 20 1 150
−z 25 0 −4 0 −1600

x1 x2 s1 s2
2 1
x2 0 1 25
− 25
14
3 4
x1 1 0 − 25 25
24
−z 0 0 −1 −4 −2200
Solução óptima: (x1 , x2 )∗ = (24, 14) com z ∗ = 2200
(b) Como a solução óptima terá que estar necessariamente num vértice da
região admissı́vel e como, analisando para a figura abaixo se constata
que apenas um vértice (o que corresponde à actual solução óptima) tem
x1 e x2 estritamente positivos, então para responder a esta pergunta
teremos apenas que ver entre que valores pode variar c1 de modo a que
a solução óptima continue no mesmo vértice. Como a solução óptima
saltará de vértice quando as linhas de nı́vel da função objectivo forem
c1 5
paralelas à restrição (R1) ou à restrição (R2), isto é, quando 80 = 20
c1 10
ou 80 = 15 , isso conduz-nos a:

98 Método Simplex
160
20 ≤ c1 ≤
3
30
20
R1
(24,14)
R2

4.3 Problema C 99
4.3 Problema C
4.3.1 Enunciado
max F = 2x1 + x2
suj. a:
x1 + x2 ≥ 2
x 1 + x2 ≤ 4
x1 , x 2 ≥ 0

100 Método Simplex
4.3.2 Resolução
Em primeiro lugar é necessário representar o problema na forma standard,
introduzindo variáveis de folga para transformar as inequações em equações.
A variável de folga da primeira restrição tem coeficiente -1 porque a inequação
é do tipo ≥ (note-se que todas as variáveis são positivas).
max F = 2x1 + x2
suj. a:
x1 + x2 − s 1 = 2
x1 + x2 + s2 = 4
x1 , x 2 , s 1 , s 2 ≥ 0
Neste caso já não se obtém a solução básica inicial fazendo as variáveis de
folga iguais aos termos independentes. Apesar dessa ser uma solução básica,
não é admissı́vel e como tal não pode ser usada como ponto de partida para
o método Simplex.
É portanto necessário acrescentar outras variáveis, chamadas variáveis
artificiais, nas restrições que não têm variáveis básicas.
Introduzindo uma variável artificial na 1a equação:
x1 + x2 − s 1 + a1 = 2
x1 + x2 + + s2 = 4
x1 , x 2 , s 1 , s 2 , a 1 ≥ 0
O modelo que inclui as variáveis artificiais só é equivalente ao modelo

inicial no caso em que as variáveis artificiais são nulas.
Para forçar as variáveis artificiais a serem nulas, a função objectivo max F =
2x1 + x2 deve ser substituı́da pela função objectivo max F = 2x1 + x2 − M a1 ,
onde M tem um valor muito elevado. Dado que se trata de um problema de
maximização, a melhoria da função objectivo implica que as variáveis artifi-
ciais passem a valer zero (sejam retiradas da base). A solução básica assim
obtida é uma solução básica admissı́vel para o problema original.
Seguidamente, o Método das Penalidades usa o método Simplex para
anular (retirar da base) essa variável artificial. Quando isso acontece, a solu-
ção obtida é uma solução básica admissı́vel do problema original, que é usada
como solução de partida para aplicar o método Simplex.
Como nos interessa exprimir F apenas em função de variáveis não bá-
sicas (porquê?), vamos substituir a variável artificial pela expressão que a
representa apenas em função de variáveis não básicas.
Da 1a equação (onde a1 é variável básica e as outras variáveis são não
básicas):

4.3 Problema C 101
x 1 + x 2 − s 1 + a1 = 2
pode-se escrever a1 em função de variáveis não básicas:
a1 = 2 − x 1 − x 2 + s 1
Assim, a função objectivo a maximizar será:
F = 2x1 + x2 − M a1
= 2x1 + x2 − M (2 − x1 − x2 + s1 )
= −2M + (2 + M )x1 + (1 + M )x2 − M s1
E o quadro seguinte é o primeiro quadro Simplex.1
base x1 x2 s 1 s 2 a1 b
2
⇔ a1 1 1 −1 0 1 2 1
4
s2 1 1 0 1 0 4 1
−F 2 1 0 0 0 0
+M +M −M 0 +2M

A partir deste quadro, não é necessário manter a coluna correspondente

a a1 , dado que a1 já saiu da base.
base x1 x2 s1 s2 b
x1 1 1 −1 0 2
⇔ s2 0 0 1 1 2
−F 0 −1 2 0 −4

base x1 x2 s1 s2 b
x1 1 1 0 1 4
s1 0 0 1 1 2
−F 0 −1 0 −2 −8
Não existe nenhuma variável não básica (x2 ou s2 , neste caso) que tenha
um coeficiente positivo na linha F . O valor da solução óptima para este
1
A linha dos custos marginais está dividida em duas com a única finalidade de sim-
plificar os cálculos. A soma das duas linhas é que representa o custo marginal (p.ex.:
2 + M ).

problema seria F = 8 e os valores das variáveis de decisão seriam:
x1 = 4, x2 = 0, s1 = 2, s2 = 0

4.4 Problema D 103
4.4 Problema D
4.4.1 Enunciado
Considere o seguinte problema de Programação Linear:
max z = x1 + 2x2 + 3x3

suj. a:
x1 + 2x2 + 3x3 = 15
2x1 + x2 + 5x3 = 20
x1 + 2x2 + x3 + x4 = 10
x1 , x2 , x3 , x4 ≥ 0
(a) Resolva-o pelo método Simplex.
(b) Haverá soluções óptimas alternativas? Justifique. Em caso afirmativo

como poderá obter outra? E será que as pode obter todas?

4.4.2 Resolução
(a) Em primeiro lugar é necessário acrescentar outras variáveis, chamadas
variáveis artificiais, na primeira e na segunda restrição, que não têm
variáveis básicas:
x1 + 2x2 + 3x3 + a1 = 15
2x1 + x2 + 5x3 + a2 = 20
x1 + 2x2 + x3 + x4 = 10
x1 , x2 , x3 , x4 , a1 , a2 ≥ 0
Seguidamente, o Método das Penalidades usa o método Simplex

para anular (retirar da base) essas variáveis artificiais. Quando isso
acontece, a solução obtida é uma solução básica admissı́vel do problema
original, que é usada como solução de partida para aplicar o método
Simplex.
Para forçar as variáveis artificiais a serem nulas, a função objectivo
max z = x1 + 2x2 + 3x3 deve ser substituı́da pela função objectivo
max z = x1 + 2x2 + 3x3 − M (a1 + a2 ), onde M tem um valor muito
elevado. Dado que se trata de um problema de maximização, a melhoria
da função objectivo implica que as variáveis artificiais passem a valer
zero (sejam retiradas da base). A solução básica assim obtida é uma
solução básica admissı́vel para o problema original.
Como nos interessa exprimir z apenas em função de variáveis não bá-
sicas, vamos substituir cada variável artificial pela expressão que a re-
presenta apenas em função de variáveis não básicas.
Das duas primeiras equações onde a1 e a2 são variáveis básicas e as
outras variáveis são não básicas:
x1 + 2x2 + 3x3 + a1 = 15
2x1 + x2 + 5x3 + a2 = 20
pode-se escrever a1 e a2 em função de variáveis não básicas:
a1 = 15 − x1 − 2x2 − 3x3
a2 = 20 − 2x1 − x2 − 5x3
Assim, a função objectivo a minimizar será:

4.4 Problema D 105
z = x1 + 2x2 + 3x3 − M (a1 + a2 )

= x1 + 2x2 + 3x3 − (15 − x1 − 2x2 − 3x3 + 20 − 2x1 − x2 − 5x3 )
= x1 (1 + 3M ) + x2 (2 + 3M ) + x3 (3 + 8M ) − 35M
O quadro seguinte é o primeiro quadro Simplex.2
x1 x2 x3 x4 a1 a2
a1 1 2 3 0 1 0 15
a2 2 1 5 0 0 1 20
x4 1 2 1 1 0 0 10
−z 1 2 3 0 0 0 0
+3M +3M +8M +0 +0 +0 +35M
x1 x2 x3 x4 a1 a2
a1 − 51 7
5
0 0 1 − 35 3
2 1 1
x3 5 5
1 0 0 5
4
3 9
x4 5 5
0 1 0 − 15 6
−z − 51 7
5
0 0 0 − 35 −12
+ 15 M + 57 M 0 0 0 − 58 M +3M
x1 x2 x3 x4 a1 a2
x2 − 71 1 0 0 5
7
− 37 15
7
3
x3 7
0 1 0 − 17 2
7
25
7
6
x4 7
0 0 1 − 97 4
7
15
7
−z 0 0 0 0 −15
0 0 0 0 −M −M 0
2
1 + 3M ).

Quadro óptimo
Solução óptima: (x1 , x2 , x3 , x4 )∗ = (0, 15 , 25 , 15 ), com z ∗ = 15

7 7 7
(b) Há soluções óptimas alternativas porque há uma variável não básica, a
variável x1 , com um custo marginal nulo no quadro óptimo.
Para obter outra solução óptima deveria ser feita uma outra iteração
na qual x1 entraria na base.
Pode-se obter o conjunto completo de soluções óptimas fazendo a com-
binação linear das duas soluções óptimas geradas nos quadros simplex.
Esta combinação linear representa a aresta do conjunto das soluções
admissı́veis que une os dois vértices óptimos.

4.5 Problema E 107
4.5 Problema E
4.5.1 Enunciado
min z = 4x1 + x2 + x3
suj. a:
2x1 + x2 + 2x3 = 4
3x1 + 3x2 + x3 = 3
x1 , x2 , x3 ≥ 0

4.5.2 Resolução
Em primeiro lugar é necessário acrescentar outras variáveis, chamadas va-
riáveis artificiais, nas duas restrições que não têm variáveis básicas:
2x1 + x2 + 2x3 + a1 = 4
3x1 + 3x2 + x3 + a2 = 3
anular (retirar da base) essas variáveis artificiais. Quando isso acontece, a
solução obtida é uma solução básica admissı́vel do problema original, que é
usada como solução de partida para aplicar o método Simplex.
Para forçar as variáveis artificiais a serem nulas, a função objectivo min z =
4x1 + x2 + x3 deve ser substituı́da pela função objectivo min z = 4x1 + x2 +
x3 + M (a1 + a2 ), onde M tem um valor muito elevado. Dado que se trata
de um problema de minimização, a melhoria da função objectivo implica que
as variáveis artificiais passem a valer zero (sejam retiradas da base). A so-
lução básica assim obtida é uma solução básica admissı́vel para o problema
original.
Como nos interessa exprimir z apenas em função de variáveis não bási-
cas, vamos substituir cada variável artificial pela expressão que a representa
apenas em função de variáveis não básicas.
Das duas equações (onde a1 e a2 são variáveis básicas e as outras variáveis
são não básicas):
2x1 + x2 + 2x3 + a1 = 4
3x1 + 3x2 + x3 + a2 = 3
a1 = 4 − 2x1 − x2 − 2x3
a2 = 3 − 3x1 − 3x2 − x3
z = 4x1 + x2 + x3 + M (a1 + a2 )
= 4x1 + x2 + x3 + M (4 − 2x1 − x2 − 2x3 + 3 − 3x1 − 3x2 − x3 )
= x1 (4 − 5M ) + x2 (1 − 4M ) + x3 (1 − 3M ) + 7M

3
4 − 5M ).

4.5 Problema E 109
x1 x2 x3 a1 a2
a1 2 1 2 1 0 4
a2 3 3 1 0 1 3
−z 4 1 1 0 0 0
−5M −4M −3M −0 −0 −7M
x1 x2 x3 a1 a2
4
a1 0 −1 3
1 − 23 2
1 1
x1 1 1 3
0 3
1
−z 0 −3 − 13 0 − 34 −4
0 1M − 34 M 0 5
3
M −2M
x1 x2 x3 a1 a2
x3 0 − 34 1 3
4
− 12 3
2
5
x1 1 4
0 − 14 1
2
1
2
13 1 3
−z 0 −4 0 4
−2 − 72
0 0 0 +1M +1M 0
Agora que as variáveis artificiais a1 e a2 já saı́ram da base já se podem
retirar do quadro Simplex e finalizar a resolução.
x 1 x2 x3
3 9
x3 5
0 1 5
4 2
x2 5
1 0 5
13
−z 5
0 0 − 11
5
Dado que se trata de um problema de minimização e os coeficientes das

variáveis na função objectivo são positivos ou nulos, este é o quadro óptimo
e a solução óptima é: (x1 , x2 , x3 )∗ = (0, 52 , 95 ), com z ∗ = 11
5

4.6 Problema F
4.6.1 Enunciado
max F = x1 + 2x2
suj. a:
−4x1 + x2 ≤ 4
2x1 − 3x2 ≤ 6
x1 , x2 ≥ 0

4.6 Problema F 111
4.6.2 Resolução
Começaremos por representar o problema na forma standard:
max F = x1 + 2x2
suj. a:
−4x1 + x2 + s1 = 4
2x1 − 3x2 + s2 = 6
x1 , x2 , s1 , s2 ≥ 0
base x1 x2 s1 s2 b
⇔ s1 −4 1 1 0 4
s2 2 −3 0 1 6
−F 1 2 0 0 0

base x1 x2 s 1 s 2 b
x2 −4 1 1 0 4
s2 −10 0 3 1 18
−F 9 0 −2 0 −8

Pode-se verificar neste último quadro que x1 pode entrar para a base
(i.e., crescer a partir de 0), conseguindo um ganho de 9 unidades em F por
unidade de crescimento de x1 . No entanto, nem x2 nem s2 decrescem com o
crescimento de x1 , logo não limitam o crescimento de x1 .
Isto significa que a região de soluções admissı́veis é um domı́nio aberto
no sentido de crescimento de F (solução não limitada).

4.7 Problema G
4.7.1 Enunciado
min z = x1 + x2 + x3
suj. a:
−x1 + x2 ≥ 1
2x1 − 2x2 − x3 = 2
x1 , x2 , x3 ≥ 0

4.7 Problema G 113
4.7.2 Resolução
Começamos por representar o problema na forma standard:
−x1 + x2 − s 1 + a1 = 1
2x1 − 2x2 − x3 + a2 = 2
x1 , x2 , x3 , s1 , a1 , a2 ≥ 0

Para forçar as variáveis artificiais a serem nulas, a função objectivo min z =
x1 + x2 + x3 deve ser substituı́da pela função objectivo min z = x1 + x2 +
x3 + M (a1 + a2 ), onde M tem um valor muito elevado. Dado que se trata
de um problema de minimização, a melhoria da função objectivo implica que
as variáveis artificiais passem a valer zero (sejam retiradas da base). A so-
lução básica assim obtida é uma solução básica admissı́vel para o problema
original.
como solução de partida para aplicar o método Simplex. Como nos interessa
exprimir F apenas em função de variáveis não básicas , vamos substituir
cada variável artificial pela expressão que a representa apenas em função de
variáveis não básicas.
Das duas primeiras equações onde a1 e a2 são variáveis básicas e as outras
variáveis são não básicas:
−x1 + x2 − s 1 + a1 = 1
2x1 − 2x2 − x3 + a2 = 2
a1 = 1 + x 1 − x 2 + s1
a2 = 2 − 2x1 + 2x2 + x3
F = x1 + x2 + x3 + M (a1 + a2 )
= 2x1 + x2 − M (1 + x1 − x2 + s1 + 2 − 2x1 + 2x2 + x3 )
= 3M + (1 − M )x1 + (1 + M )x2 + (1 + M )x3 + M s1

base x1 x2 x3 s 1 a1 a2 b
a1 −1 1 0 −1 1 0 1
⇔ a2 2 −2 −1 0 0 1 2
−F 1 1 1 0 0 0 0
−M +M +M +M 0 0 −3M

base x1 x2 x3 s 1 a1 a2 b
a1 0 0 − 21 −1 1 1
2
2
x1 1 −1 − 21 0 0 1
2
1
3
−F 0 2 2
0 0 − 12 −1
0 0 + 12 M +M 0 + 21 M −2M
Atingiu-se o valor mı́nimo de F (todos os custos marginais são ≥ zero)
sem que tenham saı́do da base todas as variáveis artificiais.
Isso significa que não é possı́vel encontrar uma solução básica admissı́vel
para o problema original, ou seja, a região de soluções admissı́veis é um
conjunto vazio.
4
1 − M ).

4.8 Problema H 115
4.8 Problema H
4.8.1 Enunciado
max F = x + 2y + 3z
suj. a:
x − y ≥ 0
y + z ≤ 2
−x + z = 0
x ∈ <
y , z ≥ 0

4.8.2 Resolução
Analisando o problema verifica-se que, como a variável x não é limitada
apenas a valores não negativos, é necessário substituı́-la pela diferença de
duas variáveis não negativas:
x = x1 − x2
x1 , x 2 ≥ 0
A representação das restrições na forma standard (depois de introduzidas

as variáveis artificiais) será então:
x1 − x2 − y − s1 + a1 = 0
y + z + s2 = 2
−x1 + x2 + z + a2 = 0
x1 , x 2 , y , z , s 1 , s 2 , a 1 , a 2 ≥ 0

Para forçar as variáveis artificiais a serem nulas, a função objectivo max F =
x1 − x2 + 2y + 3z deve ser substituı́da pela função objectivo max F =
x1 − x2 + 2y + 3z − M (a1 + a2 ), onde M tem um valor muito elevado. Dado
que se trata de um problema de maximização, a melhoria da função objec-
tivo implica que as variáveis artificiais passem a valer zero (sejam retiradas
da base). A solução básica assim obtida é uma solução básica admissı́vel
para o problema original.
como solução de partida para aplicar o método Simplex. Como nos interessa
exprimir F apenas em função de variáveis não básicas, vamos substituir cada
variável artificial pela expressão que a representa apenas em função de variá-
veis não básicas.
x1 − x2 − y − s1 + a1 = 0
−x1 + x2 + z + a2 = 0
a1 = − x 1 + x 2 + y + s 1
a2 = + x 1 − x 2 − z
Assim, a função objectivo a maximizar será:

4.8 Problema H 117
F = x1 − x2 + 2y + 3z − M (a1 + a2 )
= x1 − x2 + 2y + 3z − M (−x1 + x2 + y + s1 + x1 − x2 − z)
= x1 + x2 + (2 − M )y + (3 + M )z − M s1
base x1 x2 y z s 1 s2 a1 a2 b
a1 1 −1 −1 0 −1 0 1 0 0
s2 0 0 1 1 0 1 0 0 2
⇔ a2 −1 1 0 1 0 0 0 1 0
−F 1 −1 2 3 0 0 0 0 0
0 0 −M +M −M 0 0 0 0

⇔ a1 1 −1 −1 0 −1 0 1 0 0
s2 1 −1 1 0 0 1 0 −1 2
z −1 1 0 1 0 0 0 1 0
−F 4 −4 2 0 0 0 0 −3 0
+M −M −M 0 −M 0 0 −M 0

x1 1 −1 −1 0 −1 0 1 0 0
⇔ s2 0 0 2 0 1 1 −1 −1 2
z 0 0 −1 1 −1 0 1 1 0
−F 0 0 6 0 4 0 −4 −3 0
0 0 0 0 0 0 −M −M 0

Note-se que embora a solução actual representada no quadro acima seja
degenerada (x1 = 0 e z = 0), o processo iterativo não entra em ciclo, uma
vez que a próxima solução é necessariamente não degenerada. Com efeito,
entrando y para a base as variáveis x1 e z vão crescer (coeficientes a13 e a33
iguais a -1) uma unidade por unidade de crescimento de y, passando de zero
para um valor positivo.
5
2 − M ).

base x1 x2 y z s1 s2 b
1 1
x1 1 −1 0 0 −2 2
1
1 1
⇔y 0 0 1 0 2 2
1
1 1
z 0 0 0 1 −2 2
1
−F 0 0 0 0 1 −3 −6

base x1 x2 y z s1 s2 b
x1 1 −1 1 0 0 1 2
s1 0 0 2 0 1 1 2
z 0 0 1 1 0 1 2
−F 0 0 −2 0 0 −4 −8
Quadro óptimo
Solução óptima: (x1 , x2 , y, z)∗ = (2, 0, 0, 2), com z ∗ = 8

Analisemos agora de novo cuidadosamente as restrições do problema:
x − y ≥ 0
y + z ≤ 2
−x + z = 0
x ∈ <
y , z ≥ 0
Da terceira equação pode-se retirar que z = x. Dado que z ≥ 0 então
x ≥ 0 e portanto não é necessário decompor a variável x nas variáveis x1 e
x2 , como foi feito na resolução anterior.
Podemos assim escrever o problema equivalente ao problema dado, mas
de resolução muito mais simples (já na forma standard):
max F = x + 2y + 3z = 4x + 2y
suj. a:
x − y − s1 + a1 = 0
x + y + s2 = 2
x , y , s1 , s2 , a1 ≥ 0
F = 4x + 2y − M (a1 )
= 4x + 2y − M (−x + y + s1 )
= (4 + M )x + (2 − M )y − M s1

4.8 Problema H 119
base x y s 1 s 2 a1 b
⇔ a1 1 −1 −1 0 1 0
s2 1 1 0 1 0 2
−F 4 2 0 0 0 0
+M −M −M 0 0 0

A variável artificial foi retirada da base.
base x y s1 s2 b
x 1 −1 −1 0 0
⇔ s2 0 2 1 1 2
−F 0 6 4 0 0

base x y s1 s2 b
x 1 0 − 12 1
2
1
⇔y 0 1 12 1
2
1
−F 0 0 1 −3 −6

base x y s1 s2 b
x 1 1 0 1 2
s1 0 2 1 1 2
−F 0 −2 0 −4 −8

Quadro óptimo
Solução óptima: (x1 , x2 , y, z)∗ = (2, 0, 0, 2), com z ∗ = 8 (s1 = 2, s2 = 0).


Capı́tulo 5
Programação Inteira
• Dado o conjunto desordenado de nós de uma árvore de pesquisa:
– determinar se o problema é de minimização ou de maximização

– reconstruir a árvore de problemas
– saber e explicar se a árvore está completamente explorada ou não,
e porquê
• Dada uma árvore de pesquisa pelo método ”branch-and-bound”:
– indicar os melhores limites, superior e inferior, conhecidos até ao

momento

122 Programação Inteira
Exercı́cios
5.1 Problema PIA . . . . . . . . . . . . . . . . . . . . . . . . . . 123

5.2 Problema PIB . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.3 Problema PIC . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.4 Problema PID . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.5 Problema Triângulo . . . . . . . . . . . . . . . . . . . . . . . 146
5.6 Problema PIE . . . . . . . . . . . . . . . . . . . . . . . . . . 148

5.1 Problema PIA 123
5.1 Problema PIA

5.1.1 Enunciado
Considere o seguinte problema de Programação Inteira:
Maximizar:
F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0 e inteiras
Resolva o problema graficamente, utilizando o algoritmo de “Branch-and-
Bound”.

Figura 1: Resolução gráfica do problema original (de programação inteira).
5.1.2 Resolução
O problema a resolver é de Programação Inteira (PI) com apenas duas va-
riáveis de decisão. Neste caso é possı́vel obter a solução óptima logo directa-
mente a partir do gráfico, tal como se pode ver na figura 1.
Neste caso especial também se pode usar o algoritmo Branch-and-Bound
graficamente, resolvendo os vários problemas de Programação Linear (PL).
Paralelamente à resolução dos problemas de PL construiu-se uma árvore
onde se representam as várias ramificações geradas durante a aplicação do
método.
O algoritmo Branch-and-Bound começa por resolver o problema de PL
associado ao problema de PI dado, ou seja, retirando as restrições de inte-
gralidade para as variáveis de decisão (problema usualmente designado por
problema relaxado), aqui identificado por PL0.
Problema PL0:
max F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0

Figura 2: Resolução gráfica do problema PL0.
PL0
(solução não inteira)
x = 3.5
y = 3.5
F = 35
Figura 3: Nó inicial da árvore de “Branch-and-Bound”
Na figura 2 pode-se verificar que a solução do problema PL0 se obtém

calculando a intersecção das rectas:
x = 3.5
4
7
x + 2y = 9
Essa intersecção faz-se no ponto (x, y) = (3.5, 3.5). O valor da função
objetivo nesse ponto é F = 35. Na figura 3 está representado o nó inicial da
árvore de “Branch-and-Bound”.
Uma vez que a solução é não inteira, o algoritmo prossegue com a geração
de dois novos problemas, obtidos pela introdução de duas restrições numa das
variáveis cujo valor é não inteiro. Neste caso foi escolhida arbitrariamente
a variável x, tendo sido criados dois problemas, o problema PL01, com a
introdução da restrição x ≤ 3, e o problema PL02, com a introdução da
restrição x ≥ 4.
Deste modo é garantido que, a solução óptima inteira do problema ori-
ginal, que neste caso existe, está necessariamente num destes problemas.

Note-se que a reunião das regiões admissı́veis de PL01 e PL02 contém todas
as soluções inteiras admissı́veis do problema dado, não sendo desta forma ex-
cluı́da qualquer solução inteira. Por outro lado, tratando-se de um problema
de maximização, o valor da função objetivo óptima de v é sempre menor ou
igual que o seu valor para o problema “pai”, PL0 (ou ≥, se se tratar de um
problema de minimização). Prosseguindo, resolvem-se os problemas PL01
e PL02. A ordem de resolução considera-se arbitrária, já que nada permite
concluir à priori qual dos problemas contém a solução inteira óptima.
Problema PL01:
max F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
x = 3
4
7
x + 2y = 9

51
Essa intersecção faz-se no ponto (x, y) = (3, 14 ) ≈ (3, 3.6). O valor da
função objetivo nesse ponto é F = 34.5.
Analisemos agora o problema PL02, já que este pode eventualmente con-
duzir a uma solução inteira, com um valor para a função objetivo superior
ao obtido para PL01. Se isso acontecer, então não é necessário resolver
sub-problemas gerados por PL01, uma vez que qualquer solução desses pro-
blemas, tem necessariamente um valor da funcão objetivo não superior ao de
PL01. Esta operação de “corte”na geração e análise dos problemas de PL é
consequência de valores limite (Bound) impostos pelo algoritmo.
Problema PL02:
max F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≥ 4
Para este problema pode concluir-se facilmente (ver figura 5) que não
existe qualquer solução admissı́vel. Com efeito, as regiões definidas por x ≤
3.5 e x ≥ 4 são disjuntas.
Na figura 6 está representada a árvore de “Branch-and-Bound” construı́da
até ao momento.

PL0
x = 3.5
y = 3.5
F = 35
x <= 3 x >= 4
PL01
(solução não inteira) PL02
x=3 (sem soluções)
y = 3.6
F = 34.5
Figura 6: Árvore de “Branch-and-Bound”
Continuando, é necessário resolver os problemas PL011 e PL012, gera-

dos pela ramificação do problema PL01. A ordem de resolução é arbitrária
(escolha-se primeiro PL011).
Problema PL011:
max F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≤ 3
x = 3
y = 3
Essa intersecção faz-se no ponto (x, y) = (3, 3). O valor da função objetivo
nesse ponto é F = 30. Apesar de ser a primeira solução inteira obtida até

então, não se pode contudo afirmar que ela é a solução óptima do problema
de PI, dado que ainda não se explorou a solução do problema PL012. Pode
no entanto registar-se esta solução inteira como a melhor obtida até aqui.
Dado que se trata de um problema de maximização, o valor correspon-
dente da função objetivo é considerado como um limite inferior para o valor
óptimo de F . Durante a aplicação do algoritmo, qualquer solução (inteira
ou não) que se obtenha com um valor para o objetivo inferior a 30 pode ser
imediatamente desprezada, pois existe já uma solução inteira com esse valor.
Prosseguindo, resolva-se o problema PL012:
max F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≥ 4


4
7
x + 2y = 9
y = 4
Essa intersecção faz-se no ponto (x, y) = ( 74 , 4) ≈ (1.7, 4). O valor da

função objetivo nesse ponto é F = 133
4
≈ 33.2.
Na figura 9 está representada a árvore de “Branch-and-Bound” construı́da
até ao momento.
Uma vez que a solução obtida é não inteira, é necessário comparar o valor
da função objetivo com o seu actual limite inferior, F , que neste momento está
fixado em 30. Como é superior, isso significa que na região admissı́vel deste
problema pode existir ainda uma solução inteira com um valor para a função
objectivo superior ao actual limite inferior. Por este motivo é necessário
prosseguir, gerando dois novos problemas a partir de PL012, introduzindo
as restrições x ≤ 1 e x ≥ 2.
Problema PL0121:
max F = 3x + 7y

PL0
x = 3.5
y = 3.5
F = 35
x <= 3 x >= 4
PL01
y = 3.6
F = 34.5
y <= 3 y >= 4
PL011 PL012
(solução inteira) (solução não inteira)
x=3 x = 1.7
y=3 y=4
F = 30 F = 33.2

suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≥ 4
x ≤ 1

4
7
x+ 2y = 9
x = 1
Essa intersecção faz-se no ponto (x, y) = (1, 59

14
) ≈ (1, 4.2). O valor da
função objetivo nesse ponto é F = 133 4
≈ 32.5 ≥ 30 (valor superior ao da
melhor solução inteira obtida até ao momento).
Problema PL0122:
max F = 3x + 7y

suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≥ 4
x ≥ 2
Analisando a figura 11, pode-se concluir facilmente que o problema PL0122

não tem qualquer solução admissı́vel.
Na figura 12 está representada a árvore do Branch-and-Bound construı́da
até ao momento.
Partindo do problema PL0121 e introduzindo duas novas restrições em
y, y ≤ 4 e y ≥ 5, obtêm-se dois novos problemas, PL01211 e PL0122.
Problema PL01211:
max F = 3x + 7y

PL0
x = 3.5
y = 3.5
F = 35
x <= 3 x >= 4
PL01
y = 3.6
F = 34.5
y <= 3 y >= 4
PL011 PL012
x=3 x = 1.7
y=3 y=4
F = 30 F = 33.2
x <= 1 x >= 2
PL0121
PL0122
x=1
(sem soluções)
y = 4.2
F = 32.5

suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≥ 4
x ≤ 1
y ≤ 4
Na figura 13 pode-se verificar que a solução do problema PL01211 se

obtém calculando a intersecção das rectas:
x = 1
y = 4
Essa intersecção faz-se no ponto (x, y) = (1, 4). O valor da função objetivo
nesse ponto é F = 31.
Problema PL01212:
max F = 3x + 7y

,
,
•
, -- - I ,- ,
h ; 4y - I O
/ ,-,
/
,
,
- - ;
/ 4Ih-2y - 9
,
/
,' , , , , • , •
/
,
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≥ 4
x ≤ 1
y ≥ 5
Analisando a figura 14, pode-se concluir facilmente que o problema PL01212
não tem qualquer solução admissı́vel. Assim, a solução do problema PL01211
é a solução óptima (inteira) do problema dado.
Na figura 15 está representada toda a árvore de “Branch-and-Bound”,
construı́da para resolução deste problema.

PL0
x = 3.5
y = 3.5
F = 35
x <= 3 x >= 4
PL01
y = 3.6
F = 34.5
y <= 3 y >= 4
PL011 PL012
x=3 x = 1.7
y=3 y=4
F = 30 F = 33.2
x <= 1 x >= 2
PL0121
PL0122
x=1
(sem soluções)
y = 4.2
F = 32.5
y <= 4 y >= 5
PL01211
(solução inteira óptima)
PL01212
x=1
(sem soluções)
y=4
F = 31
Figura 15: Árvore final de “Branch-and-Bound”

5.2 Problema PIB

5.2.1 Enunciado
Foi utilizado o algoritmo de “Branch-and-Bound” para resolver um problema
de programação inteira (minimização), tendo sido gerados e resolvidos os
seguintes subproblemas:
A B C D E F G H I
13
x1 5 5 18 − 3 3 12 − 5 3 −
x2 2 2 49 − 3 3 − 2 85 3 18 −
Z −20 −23 23 SSA −21 −22 SSA −23 18 −21 58 SSA
Represente a árvore de problemas correspondente a esta resolução, indi-

cando, em cada um dos ramos, a restrição adicionada em cada ramificação.
Indique também qual é a solução óptima.

5.2 Problema PIB 139
B
Z = -23 2/3 Problema com
x1 = 5 13/18 menor valor de Z
x2 = 2 4/9
Problema x1 <= 5 x1 >= 6

com x 1 <= 5
e menor valor de Z
G
Z = -23 1/8 C
x1 = 5 sem solução admissível
x2 = 2 5/8
A ramificação só
x2 <= 2 x2 >= 3 pode ser em x 2 pois
x1 é inteiro O facto de não haver nenhum
subproblema com x 1>=6 implica que
A a introdução dessa restrição resultou
E
Z = -20 num problema sem solução
Z = -22
x1 = 5 admissível.
x1 = 3 1/2
x2 = 2
x2 = 3
solução inteira
x1 <= 3 x1 >= 4
Problema
com x 1<=3 e x 2>=3 H
e menor valor de Z Z = -21 5/8 F
x1 = 3 sem solução admissível
x2 = 3 1/8
Solução inteira e melhor

do que a obtida em A x2 <=3 x2 >= 4
solução óptima O facto de não haver nenhum
subproblema com x 2>=3 e x 1>=4
D implica que a introdução dessa
Z = -21 restrição resultou num problema sem
I
x1 = 3 solução admissível.
sem solução admissível
x2 = 3
solução inteira
Figura 16: Árvore do “Branch-and-Bound”.
5.2.2 Resolução
Para obtenção da árvore de problemas representada na figura 16, correspon-
dente aos subproblemas apresentados no enunciado, é necessário ter em conta
que o valor da função objetivo “piora” à medida que se desce na árvore (tem
um maior valor neste caso, dado que se trata de um problema de minimi-
zação), dado que a descida na árvore corresponde à introdução de restrições
adicionais.
A primeira ramificação teve que ser feita em x1 , dado que:
• em nenhum dos restantes subproblemas existe uma solução com x1 ∈

]5, 6[ (consequência de se ter imposto x1 ≤ 5 e x1 ≥ 6);

• se a ramificação tivesse sido em x2 , todos os restantes subproblemas

teriam que ter x2 ≤ 2 ou x2 ≥ 3, mas o subproblema G contradiz esse
pressuposto.

5.3 Problema PIC 141
PL1
Z = 100
PL2 PL3
(solução não inteira) (solução não inteira)
Z = 85 Z = 91
PL6 PL7 PL4 PL5

(solução inteira) (solução não inteira) (solução inteira) (solução não inteira)
Z = 70 Z = 79 Z = 60 Z = 75
PL8 PL9
(sem soluções) (solução não inteira)
Z = 65
Figura 17: Árvore de “Branch-and-Bound”.
5.3 Problema PIC

5.3.1 Enunciado
Considere um problema de maximização exclusivamente com variáveis intei-
ras. Resolvendo o problema através de “Branch-and-Bound”, obtém-se, num
determinado passo, a árvore representada na figura 17.
(a) Qual é, nesta altura, o melhor limite superior sobre a solução inteira
óptima?
(b) Qual é, nesta altura, o melhor limite inferior sobre a solução inteira
óptima?
(c) Indique que nós já foram explorados e explique porquê.
(d) Indique os nós que ainda não foram explorados e explique porquê.
(e) Já foi atingida a solução óptima do problema inteiro? Porquê?

(f ) Qual o valor máximo do erro absoluto sobre a solução óptima inteira,

se o algoritmo for terminado neste ponto?

5.3 Problema PIC 143
5.3.2 Resolução
(a) O melhor limite superior sobre a solução inteira óptima no momento
de resolução retratado na árvore é dado pela solução do problema P L5
e é igual a 75. Qualquer solução inteira que surja a partir da exploração
desse nó terá um valor da função objetivo ≤ 75
(b) Os limites inferiores são dados por valores de soluções admissı́veis (va-
riáveis já inteiras) que ainda se desconhece se são ou não óptimas. Neste
caso temos já 2 soluções inteiras, para PL6 e para PL4. A que tem o
maior valor da função objetivo fornece o melhor limite inferior, 70
neste caso.
(c) Já foram explorados os nós P L1, P L2, P L3 e P L7 porque já têm
ramos.
Os nós P L4 e P L6 já foram explorados porque deram origem a soluções
inteiras.
O nó P L8 já está explorado porque corresponde a um problema sem
solução admissı́vel.
O nó P L9 já foi explorado porque pode ser cortado. Corresponde a
um problema com solução óptima não inteira e com um valor para a
função objetivo inferior ao valor da solução inteira do problema P L6.
(d) O nó P L5 ainda não foi explorado, dado que corresponde a um pro-
blema com solução óptima não inteira, mas com um valor para a função
objetivo superior ao valor da melhor solução inteira obtida até ao mo-
mento (problema P L6).
(e) Ainda não é possı́vel saber se já foi obtida a solução óptima do problema
inteiro, porque ainda há nós por explorar (P L5). Só quando os melhores
limites inferiores e superiores coincidirem é que se pode afirmar que a
melhor solução inteira obtida é a óptima.
(f ) Se o algoritmo for terminado neste ponto, o valor máximo do erro abso-

luto sobre a solução óptima inteira será 5, que corresponde à diferença
entre os melhores limites superior e inferior.

Nó 0
93
Nó 1 Nó 2
84 82
Nó 3 Nó 4 Nó 9 Nó 10
79 76 64 81
Nó 5 Nó 6 Nó 11 Nó 12
52 29 71 69
Nó 7 Nó 8 Nó 13 Nó 14
Sem 49 47 38
solução Solução Solução
inteira Inteira
Figura 18: Árvore de “Branch-and-Bound”.
5.4 Problema PID

5.4.1 Enunciado
Para um problema de maximização, foi construı́da a árvore de “Branch-and-
Bound” representada na figura 18.
Na árvore está representada a ordem de criação dos nós, bem como o
valor da função objetivo sempre que exista.
(a) Que informação se pode extrair desta árvore?
(b) Que nós ainda é necessário explorar?

5.4 Problema PID 145
5.4.2 Resolução
(a) Pode-se extrair da árvore da figura 18 que:
• o melhor limite superior até ao momento é 76 (máximo valor da

função objetivo de entre os nós ainda não explorados);
• o melhor limite inferior é 49 (valor da função objetivo da melhor
solução inteira obtida até ao momento).
(b) • Ainda é necessário explorar o nó 4 e o nó 12 pois o melhor limite

inferior existente até ao momento (49 no nó 8) é inferior ao valor
da função objetivo nesses dois nós. Já os nós 6 e 13 não necessitam
de ser explorados porque já existe uma solução inteira com valor
de função objetivo superior.

PL0
Max X1 + X2 Max X1 + X2
Solução
X2 X2
óptima
PL2
PL1 Solução
Solução óptima
óptima
X1 X1
Max X1 + X2 Max X1 + X2
X2 X2
PL3 PL5
Solução Solução
óptima óptima
X1 X1
Figura 19: Passos da resolução por “Branch-and-Bound”de um problema de

Programação Linear Inteira.
5.5 Problema Triângulo

5.5.1 Enunciado
Considere o problema de Programação Linear Inteira representado nas figuras
19 e 20.
Pretende-se maximizar x1 + x2 , tais que x1 e x2 pertencem à zona de
soluções admissı́veis definida pelo 4 e x1 e x2 são inteiros.
Descreva os passos percorridos na resolução do problema, através da in-
terpretação das figuras 19 e 20.

5.5 Problema Triângulo 147
PL 0
4
x1 <= 1 x1 >= 2
PL 1 PL 2
2.5 3.5
x2 <= 1 x2 >= 2
PL3 PL4
3.25 sem soluções
x1 <= 2 x1 >= 3
PL5 PL6
3 sem soluções
solução inteira
Figura 20: A árvore binária com a solução do problema.

5.6 Problema PIE

5.6.1 Enunciado
Foi utilizado o algoritmo de “Branch-and-Bound” para resolver um problema
de programação inteira tendo sido gerados e resolvidos os seguintes subpro-
blemas:
A B C D E F G H I
X1 0.3 0 1 0 0 0 1.4 1
X2 3 3 2 2.7 3 3.6 0.8 1.6
X3 0.45 0.75 0 1 0 0.3 1 0.8
Z 25.8 24 24 22.7 21 26.4 SSA 23.6 24.4
(a) Indique se o problema em questão é de maximização ou de minimização
(b) Represente a árvore de problemas correspondente a esta resolução in-

dicando, em cada um dos ramos, a restrição adicionada em cada rami-
ficação.

5.6 Problema PIE 149
Nó F
Z = 26.4
X1 = 0
X2 = 3.6
X3 = 0.3
X2 <= 3 X2 >= 4
Nó G
Nó A SSA
Z = 25.8
X1 = 0.3
X2 = 3
X3 = 0.45
X1 <= 0 X1 >= 1
Nó B Nó I
Z = 24 Z = 24.4
X1 = 0 X1 = 1
X2 = 3 X2 = 1.6
X3 = 0.75 X3 = 0.8
X3 <= 0 X3 >= 1
X3 <= 0 X3 >= 1
Nó E Nó D Nó C Nó H
Z = 21 Z = 22.7 Z = 24 Z = 23.6
X1 = 0 X1 = 0 X1 = 1 X1 = 1.4
X2 = 3 X2 = 2.7 X2 = 2 X2 = 0.8
X3 = 0 X3 = 1 X3 = 0 X3 = 1
Figura 21: Árvore de Pesquisa do “Branch-and-Bound”
5.6.2 Resolução
(a) Trata-se de um problema de maximização. Caso fosse um problema de
minimização, a raiz da árvore seria o subproblema com menor função
objectivo, que corresponde ao nó E. Como este nó possui solução inteira,
não seria necessário iniciar a ramificação.
(b) A resolução desta alı́nea está representada na árvore de pesquisa da

Figura 21. Note-se que a ramificação no Nó I também poderia ter sido
feita na variável X2 .


Capı́tulo 6
Problemas de Transportes
• Formular um problema como um problema de transportes (formulação
num quadro de transportes) na forma standard, incluindo:
– a criação de origens ou destinos fictı́cios com as disponibilidades
ou as necessidades em falta;
– definição dos custos unitários de transporte apropriados.
• Determinar uma solução inicial:
– pela regra do canto NW;
– pela regra dos custos mı́nimos.
• Gerar uma solução básica inicial acrescentando variáveis básicas dege-
neradas (com valor zero) para tornar o grafo de soluções uma árvore
conexa.
• Fazer iterações do algoritmo de transportes pelo método u−v, incluindo
o cálculo das diferenças e dos custos marginais, a determinação da
variável que entra na base e da variável que sai da base. Atualização
do quadro através da soma e subtração de θ.
• Reconhecer num quadro de transportes:
– se a solução corresponde à solução ótima;
– se há mais soluções com o mesmo valor (ótimos alternativos).
• Calcular o valor (função objetivo) de uma solução.

152 Problemas de Transportes
Exercı́cios
6.1 Reservatórios . . . . . . . . . . . . . . . . . . . . . . . . . . . 153

6.2 Transfronteira . . . . . . . . . . . . . . . . . . . . . . . . . . 156
6.3 Construtora de Aviões . . . . . . . . . . . . . . . . . . . . . 160
6.4 Instituto de Altos Estudos . . . . . . . . . . . . . . . . . . . 162
6.5 UnEng5/FND/UNIFIL no Lı́bano . . . . . . . . . . . . . . 164

6.1 Reservatórios 153
6.1 Reservatórios
6.1.1 Enunciado
Três reservatórios, com capacidades diárias de 15, 20 e 25 milhões de litros de
água, abastecem 4 cidades com consumos diários de 8, 10, 12 e 15 milhões de
litros de água. O custo de abastecimento, por milhão de litros, é apresentado
na tabela 1.
Tabela 1: Custo de abastecimento, por milhão de litros (em ke)

Cidades
A B C D
1 2 3 4 5
Reservatórios 2 3 2 5 2
3 4 1 2 3
O problema consiste em determinar a polı́tica de abastecimento óptima

(aquela com menor custo).
Formule o problema como um problema de transportes e resolva-o usando
o respetivo algoritmo.

6.1.2 Resolução
Solução inicial pela regra dos custos mı́nimos:
A B C D F
1 – – – – 15 15
2 3 4 5 0
2 5 – – 15 – 20
3 2 5 2 0
3 3 10 12 – – 25
4 1 2 3 0
8 10 12 15 15
A cidade F é uma cidade fictı́cia introduzida para equilibrar a oferta com

a procura, isto é, para colocar o problema na forma “standard”.
Para que existam 7 variáveis básicas (número de origens + número de
destinos - 1) é ainda necessário promover uma variável não básica a básica.
A variável x1A foi então considerada como básica com o valor de zero. A
escolha de x1A em concreto seguiu a regra de o grafo representantivo das
variáveis básicas dever ser conexo e sem ciclos.
Resolvendo:
0 -3 -2 -1 -2
2 0+θ – – – 15-θ
2 4 3 4 4 4 5 0
3 5 – – 15 –
3 2 2 4 5 2 -1 0
4 3-θ 10 12 – θ
4 1 2 0 3 -2 0
θ = min{3, 15} = 3
0 -1 0 -1 -2
2 3+θ – – – 12-θ
2 2 3 2 4 4 5 0
3 5-θ – – 15 θ
3 0 2 2 5 2 -1 0
2 – 10 12 – 3
2 4 1 2 2 3 0
θ = min{5, 12} = 5

6.1 Reservatórios 155
0 -1 0 0 -2
2 8 – – – 7
2 2 3 2 4 3 5 0
2 – – – 15 5
1 3 1 2 3 5 2 0
2 – 10 12 – 3
2 4 1 2 1 3 0
Custo = 80
Solução ótima:
Reservatório 1 abastece a cidade A com 8 milhões de litros de água.
Reservatório 2 abastece a cidade D com 15 milhões de litros de água.
Reservatório 3 abastece a cidade B com 10 milhões de litros de água.
Reservatório 3 abastece a cidade C com 12 milhões de litros de água.
Custo total de abastecimento: 80 ke

6.2 Transfronteira
6.2.1 Enunciado
Uma empresa possui duas fábricas (P1 e P2 ) onde produz um produto que
é exportado para 3 locais num paı́s vizinho (L1 , L2 e L3 ). O transporte é
feito através de duas fronteiras (F1 e F2 ) (não se impõem limites máximos
à quantidade que pode atravessar diariamente cada uma delas). Por outro
lado, cada fronteira cobra uma taxa por cada unidade do referido produto
que a atravessa (independentemente de vir de P1 ou P2 ) – Na Tabela 2 são
apresentados todos os dados deste problema.
São conhecidas as disponibilidades diárias em cada fábrica, que são sufici-
entes para satisfazer as necessidades diárias de cada local, também conhecidas
(Tabela 2). Sabe-se também quais são os custos para transportar uma uni-
dade do produto, de cada produtor para cada fronteira e de cada fronteira
para cada destino, indicados na Figura 1.
Tabela 2: Disponibilidades, necessidades e taxas de fronteira.

PRODUTORES P1 P2
Disponibilidades 120 80
LOCAIS DE DESTINO L1 L2 L3
Necessidades 50 70 60
FRONTEIRAS F1 F2
Taxa por unidade 4 3
L1
50
23
P1 34
50 F1
120 40
40 L2
20
52 70
45
P2
55 F2
80 38 L3
60
Figura 1: Rede de transportes.

6.2 Transfronteira 157
(a) Considere o problema que permite encontrar a polı́tica óptima de trans-

porte do produto entre cada produtor, fronteira e local de destino.
Formule-o (sem resolver!) como um problema de transportes na forma
standard.
(b) Considere agora que chegam diariamente às fronteiras F1 e F2 100 e 90

unidades do produto, respectivamente. Usando o algoritmo de trans-
portes, determine quais as quantidades a transportar de cada fronteira
para cada um dos locais de destino, por forma a minimizar o custo
global associado a esse transporte. Considere iguais os restantes dados
do problema.

6.2.2 Resolução
(a) Formulação como problema de transportes:
L1 L2 L3 RP1 RP2 X
P1/F1 77 94 74 0 ∞ 0 120
P1/F2 77 95 81 0 ∞ 0 120
P2/F1 72 89 69 ∞ 0 0 80
P2/F2 92 110 96 ∞ 0 0 80
50 70 60 120 80 20 400
Pi/Fj – quantidade exportada a partir da fábrica Pi através da

fronteira Fj.
X – coluna introduzida para equilibrar a oferta com a procura.
Corresponde às quantidades que ficarão nas fábricas.
RPi – Restrição respeitante à fábrica Pi e que garante que o so-
matório do que atravessa as duas fronteiras, vindo da fábrica Pi,
não excede a oferta em Pi.
(b) Solução inicial pela regra dos custos mı́nimos:
30 – 60 10 100 90 30 0
23 40 20 0
20 70 – – 90 70 0
34 52 38 0
50 70 60 10
20 0 0 0
0
Aplicando o algoritmo de transportes:
0 18 -3 -23
23 30+θ – 60 10-θ
23 -1 40 20 0
34 20-θ 70 – θ
34 52 7 38 -11 0
θ = 10

6.2 Transfronteira 159
0 18 -3 -34
23 40-θ θ 60 –
23 -1 40 20 11 0
34 10+θ 70-θ – 10
34 52 7 38 0
θ = 40
0 18 -2 -34
22 – 40 60 –
1 23 40 20 12 0
34 50 30 – 10
34 52 6 38 0
Quadro óptimo
Solução óptima:
De Para Quantidade
F1 L1 0
L2 40
L3 60
F2 L1 50
L2 30
L3 0
Custo óptimo = 6060

6.3 Construtora de Aviões

6.3.1 Enunciado
Uma companhia construtora de aviões pretende planear a produção de um
motor, durante os próximos 4 meses.
Para satisfazer as datas de entrega contratuais, necessita de fornecer os
motores nas quantidades indicadas na 2a coluna da tabela 3. O número
máximo de motores que a companhia produz por mês, bem como o custo de
cada motor (em milhões de dólares) são dados na 3a e 4a colunas da mesma
tabela.
Dadas as variações nos custos de produção, pode valer a pena produzir
alguns motores um ou mais meses antes das datas programadas para entrega.
Se se optar por esta hipótese, os motores serão armazenados até ao mês de
entrega, com um custo adicional de 0.015 milhões de dólares/mês.
Tabela 3: Encomendas, produção e custos.
Mês Quantidades Produção Custo unitário Custo unitário

a entregar máxima de produção de armazenagem
1 10 25 1.08 —
2 15 35 1.11 0.015
3 25 30 1.10 0.015
4 20 10 1.13 0.015
O director de produção quer saber quantos motores deve fabricar em cada

mês (e para que meses de entrega) por forma a minimizar os custos globais
de produção e armazenagem.
Formule o problema e resolva-o pelo algoritmo de transportes.

6.3 Construtora de Aviões 161
6.3.2 Resolução
A figura e a tabela seguintes representam os custos totais por unidade (soma
dos custos de produção com os custos de armazenamento) para aviões pro-
duzidos no mês i e entregues no mês j.
Produção Entrega
Mês 1.080 Mês

1 1
1.095
Mês 1.110 Mês
2 2
1.125
1.110
1.140
Mês 1.100 Mês
3 3
1.115
1.125
Mês 1.130 Mês

4 4
Mês de entrega
1 2 3 4 X
1 1.080 1.095 1.110 1.125 0 25
Mês de 2 ∞ 1.110 1.125 1.140 0 35
produção 3 ∞ ∞ 1.100 1.115 0 30
4 ∞ ∞ ∞ 1.130 0 10
10 15 25 20 30 100
(segue-se a resolução pelo algoritmo de transportes)

6.4 Instituto de Altos Estudos

6.4.1 Enunciado
Os exames realizados no Instituto de Altos Estudos estão concentrados numa
única semana. Seguindo um modelo usual nos institutos congéneres dos Es-
tados Unidos, todas as provas são de escolha múltipla e têm de ser resolvidas
a lápis.
Os lápis, são fornecidos pelo Instituto de Altos Estudos e são necessários
60, 50, 80, 40 e 50 lápis afiados no inı́cio de cada dia, de segunda a sexta-feira
respetivamente.
Os lápis afiados podem ser comprados por 15$00 cada. Depois de usados
num dia de exame, os lápis podem ser afiados, recorrendo ao serviço da
Afiadora Lda. com um custo de 2$00 a unidade. A Afiadora Lda. devolve os
lápis 2 dias depois.
Isso significa que os lápis usados, por exemplo, na segunda-feira só pode-
rão ser reutilizados (já afiados) na quarta-feira, e assim sucessivamente. No
fim da semana os lápis podem ser revendidos a um preço de 5$00 a unidade.
(a) Formule este problema como um Problema de Transportes, de forma a

que o fornecimento de lápis para o exame seja feito a um custo mı́nimo.
(b) Resolva o problema.

6.4 Instituto de Altos Estudos 163
6.4.2 Resolução
• Formulação como problema de transportes:
Destinos
a a
2 3 4a 5a 6a X
Novos 10 10 10 10 10 0 60+50+80+40+50
Origens Usados na 2a ∞ ∞ 2 2 2 0 60
Usados na 3a ∞ ∞ ∞ 2 2 0 50
Usados na 4a ∞ ∞ ∞ ∞ 2 0 80
60 50 80 40 50 190
• ···

6.5 UnEng5/FND/UNIFIL no Lı́bano

6.5.1 Enunciado
1
O Tenente-Coronel Alves Caetano, responsável pela gestão dos materiais
para a reabilitação de edifı́cios existentes, defronta-se no momento com um
problema de logı́stica. Assim, sabendo que brevemente lhe serão enviadas
50 ton de areia, 15 ton de brita, 20 ton de cimento e 7 ton de terra, espera
decidir que quantidades armazenar em cada um dos dois estaleiros que a sua
base militar, o Ubique Camp, possui. O Estaleiro Norte do Ubique Camp
possui uma capacidade de armazenagem de 40 ton, enquanto que o Estaleiro
Sul possui uma capacidade de 65 ton. Os custos mensais de armazenagem
dos materiais, por tonelada, em cada um dos estaleiros estão indicados na
tabela seguinte:
Material
Areia Brita Cimento Terra
Estaleiro Norte 2,0 e 1,0 e 3,5 e 1,5 e
Estaleiro Sul 2,5 e 1,2 e 3,0 e 2,1 e
Pretende-se então saber que quantidade de cada tipo de material deve ser
armazenada em cada estaleiro de forma a minimizar os custos de armazena-
gem.
(a) (i) Formule o problema como um problema de transportes;

(ii) determine uma solução inicial pela Regra dos Custos Mı́nimos;
(iii) faça uma primeira iteração pelo Algoritmo de Transportes;
(iv) verifique se a solução obtida após essa primeira iteração é óptima
ou não e explique porquê;
(v) apresente a solução obtida;
(vi) calcule o valor da função objetivo para a solução obtida.
(b) Admita agora que o Estaleiro Norte não possui as condições de arma-
zenagem necessárias para garantir a manutenção das propriedades do
cimento e, como tal, não se poderá armazenar o cimento neste. Ad-
mita ainda que se deverá usar a capacidade máxima de armazenagem
do Estaleiro Sul.
Apresente o novo quadro inicial de transporte que apresentou na alı́nea
anterior por forma a contemplar estas restrições.
1
Exame de 2009.01.15 de IO do MIEEC da FEUP

6.5 UnEng5/FND/UNIFIL no Lı́bano 165
Atenção: deve só apresentar o quadro inicial e não deve fazer nenhuma
iteração.

6.5.2 Resolução
(a) (i) Para formular este problema como um problema de transportes
vamos considerar como origens os materiais e como destinos os
estaleiros. É necessário para equilibrar a capacidade de armaze-
nagem com a quantidade a armazenar e acrescentar um material
fictı́cio que absorverá o excesso de capacidade.
Estaleiro Norte Estaleiro Sul

Areia 50
2,0 2,5
Brita 15
1,0 1,2
Cimento 20
3,5 3,0
Terra 7
1,5 2,1
X 13
0,0 0,0
40 65
(ii) Determinando uma solução inicial pela regra dos custos mı́nimos
tem-se:

Areia 18 32 50
2,0 2,5
Brita 15 - 15
1,0 1,2
Cimento - 20 20
3,5 3,0
Terra 7 - 7
1,5 2,1
X - 13 13
0,0 0,0
40 65
(iii) Fazendo uma iteração pelo algoritmo de transportes:
2 2,5
0,0 18+θ 32-θ
2,0 2,5
-1,0 15-θ θ
1,0 1,2
0,5 - 20
3,5 3,0
-0,5 7 -
1,5 2,1
-2,5 - 13
0,0 0,0
Com θ=min(15,32)=15, dando origem ao seguinte quadro:

6.5 UnEng5/FND/UNIFIL no Lı́bano 167
2 2,5
0,0 33 17
2,0 2,5
-1,0 - 15
1,0 1,2
0,5 - 20
3,5 3,0
-0,5 7 -
1,5 2,1
-2,5 - 13
0,0 0,0
(iv) A solução obtida é óptima porque não existem diferenças ∆ij = cij − Ui − Vi
não-negativas, conforme apresentado no quadro abaixo.

2 2,5
0,0 33 17
2,0 2,5
-1,3 - 15
0,3 1,0 1,2
0,5 - 20
1,0 3,5 3,0
-0,5 7 -
1,5 0,1 2,1
-2,5 - 13
0,5 0,0 0,0
(v) O armazenamento deverá ser feito da seguinte forma: Armazem

Norte: 33 ton. de areia; 7 ton. de terra; Armazem Sul: 17 ton.
de areia; 15 ton. de brita; 20 ton. de cimento.
(vi) A função objetivo terá um valor de 197e.
(b) Dado que não é permitida a armazenagem do cimento no Estaleiro

Norte, o problema pode ser reformulado considerando um custo infi-
nito para o armazenamento deste material neste estaleiro. Por outro
lado, dado que a capacidade de armazenamento do Estaleiro Sul deve
ser usada na totalidade, não poderá haver qualquer material fictı́cio
associado a este estaleiro, daı́ se considerar um custo infinito de arma-
zenamento.

Areia 50
2,0 2,5
Brita 15
1,0 1,2
Cimento 20
+∞ 3,0
Terra 7
1,5 2,1
X 13
0,0 +∞
40 65

Capı́tulo 7
Problemas de Afetação
• Formular um problema como um problema de afetação (quadro de afe-
tação) na forma “standard” incluindo:
– transformar um problema de maximização num problema de mi-

nimização;
– criar linhas ou colunas fictı́cias garantindo que número de origens
é igual ao número de destinos;
– atribuir custos a todas as ligações entre as origens e os destinos.
• Usar o Método Húngaro para resolver o problema de minimização.
• Determinar soluções ótimas alternativas.
• Calcular o custo de uma solução.

170 Problemas de Afetação
Exercı́cios
7.1 Desenhadores . . . . . . . . . . . . . . . . . . . . . . . . . . . 171

7.2 Recrutamento . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.3 Romeu e Julieta . . . . . . . . . . . . . . . . . . . . . . . . . 176
7.4 Companhia de Navegação Aérea . . . . . . . . . . . . . . . 179
7.5 Asa de Luxo Lda . . . . . . . . . . . . . . . . . . . . . . . . . 183
7.6 WFP na Costa da Somália . . . . . . . . . . . . . . . . . . . 186

7.1 Desenhadores 171
7.1 Desenhadores
7.1.1 Enunciado
Existem quatro desenhadores para desenhar quatro projectos. Embora todos
possam cumprir essas tarefas, as suas eficiências relativas variam de trabalho
para trabalho.
Com base em desempenhos já conhecidos, produziu-se a seguinte tabela
de custos:
D1 D2 D3 D4
P1 8 7 9 9
P2 5 2 7 8
P3 6 1 4 9
P4 2 3 2 6
O objetivo é afectar os desenhadores aos vários projectos de modo a

minimizar o custo total de desenho.

7.1.2 Resolução
8 7 9 9
5 2 7 8
Primeiro quadro do problema
6 1 4 9
2 3 2 6
1 0 2 2
Subtracção em cada linha do me- 3 0 5 6
nor elemento dessa linha 5 0 3 8
0 1 0 4
1 0 2 0
Subtracção em cada coluna do me- 3 0 5 4
nor elemento dessa coluna 5 0 3 6
0 1 0 2
1 0 2 0
3 0 5 4
1a iteração (3 < 4) 5 0 3 6
0 1 0 2
0 0 1 0
2 0 4 4
2a iteração (3 < 4) 4 0 2 6
0 2 0 3
0 2 1 0
0 0 2 2
Solução óptima (4 = 4)
2 0 0 4
0 4 0 3
O custo da solução óptima (soma dos tempos) é 17.

Uma possı́vel solução óptima seria:
• D4 ⇐⇒ P1
• D2 ⇐⇒ P2
• D3 ⇐⇒ P3
• D1 ⇐⇒ P4

7.2 Recrutamento 173
7.2 Recrutamento
7.2.1 Enunciado
Para o preenchimento de 5 lugares, foi pedido a 5 candidatos que manifes-
tassem as suas preferências. Estas foram expressas da seguinte forma:
• indiferença relativamente ao lugar: ind ;
• preferência positiva: numa escala de +1 a +10;
• inconveniente: numa escala de -1 a -10.
Lugares
Candidatos 1 2 3 4 5
1 -5 +8 -1 ind +4
2 -4 +2 +2 +3 +2
3 ind ind -5 -1 +3
4 -3 +3 +2 -2 -1
5 -1 +5 ind +3 +5
(a) Atribua os lugares aos candidatos por forma a maximizar a satisfação

global das preferências;
(b) Resolva o problema de modo a que o candidato menos satisfeito seja

“colocado”com o mı́nimo de “inconveniência”.

7.2.2 Resolução
(a) Atribuir os lugares aos candidatos por forma a maximizar a satisfação
global das preferências:
Lugares
Quadro inicial.
1 -5 +8 -1 0 +4
Associar um valor zero às afecta-
2 -4 +2 +2 +3 +2
ções ind .
3 0 0 -5 -1 +3
Problema de maximização.
4 -3 +3 +2 -2 -1
5 -1 +5 0 +3 +5
Lugares
Somar +5 a todos os elementos, 1 0 13 4 5 9
para que todos os elementos ≥ 0. 2 1 7 7 8 7
Problema de maximização. 3 5 5 0 4 8
4 2 8 7 3 4
5 4 10 5 8 10
13 0 9 8 4
Problema de minimização. 12 6 6 5 6
Complemento para o máximo 13 8 8 13 9 5
dos elementos da matriz. 11 5 6 10 9
9 3 8 5 3
10 0 8 8 4
Subtracção em cada linha do me- 4 1 0 0 1
nor elemento dessa linha
0 3 7 4 0
Subtracção em cada coluna do me-
3 0 0 5 4
nor elemento dessa coluna
3 0 4 2 0
10 0 8 8 4
4 1 0 0 1
1a iteração (5 = 5) 0 3 7 4 0
Solução óptima
3 0 0 5 4
3 0 4 2 0
O valor da solução óptima é 18.

7.2 Recrutamento 175
• Candidato1 ⇐⇒ Lugar2
(b) A resolução do problema de modo a que o candidato menos satisfeito

seja “colocado”com o mı́nimo de “inconveniência”, corresponde a resol-
ver um problema denominado “Bottleneck Assignment Problem”.
-5 +8 -1 0 +4
Considere-se então uma afectação -4 +2 +2 +3 +2
inicial igual à afectação óptima ob- 0 0 -5 -1 +3
tida na alı́nea (a): -3 +3 +2 -2 -1
-1 +5 0 +3 +5
M in{0, 8, 2, 3, 5} = 0
1 0 1 1 0
Faça-se então a seguinte substitui-
1 0 0 0 0
ção:
1 1 1 1 0
• valores > 0 → 0 1 0 0 1 1
1 0 1 0 0
• valores ≤ 0 → 1
Dado que a primeira coluna do quadro só tem valores = 1, a afectação
óptima para o “Bottleneck Assignment Problem”é a obtida na alı́nea
(a).

7.3 Romeu e Julieta

7.3.1 Enunciado
Dois jovens recém-casados, Romeu e Julieta, querem dividir as tarefas do-
mésticas entre si, de forma a que cada um tenha o mesmo número de tarefas
(duas para cada um) e de forma a que o tempo total gasto por semana seja
mantido no mı́nimo.
(a) Considerando a tabela seguinte, onde se encontram os tempos que cada

um deles gasta a executar cada uma das tarefas, resolva o problema
deste casal.
Compras Cozinha Limpeza Roupa

Romeu 2 6 4 3
Julieta 1.5 8.5 5.5 4
(b) Considere agora que, após uma negociação assaz difı́cil, Romeu conse-
guiu que a restrição das duas tarefas para cada um fosse levantada, isto
é, todas as combinações do número de tarefas atribuı́das a cada um são
possı́veis.
Reformule o problema atendendo a esta nova situação.

7.3 Romeu e Julieta 177
7.3.2 Resolução
(a) Quadro inicial:
Compras Cozinha Limpeza Roupa

Romeu 1 2 6 4 3
Romeu 2 2 6 4 3
Julieta 1 1.5 8.5 5.5 4
Julieta 2 1.5 8.5 5.5 4
0 4 2 1
Subtracção em cada linha do me- 0 4 2 1
nor elemento dessa linha 0 7 4 2.5
0 7 4 2.5
0 0 0 0
nor elemento dessa coluna 0 3 2 1.5
0 3 2 1.5
0 0 0 0
0 0 0 0
1a iteração (3 < 4) 0 3 2 1.5
0 3 2 1.5
1.5 0 0 0
1.5 0 0 0
0 1.5 0.5 0
0 1.5 0.5 0
O custo da solução óptima (soma dos tempos) é 15.5.

• Romeu ⇐⇒ cozinha
• Romeu ⇐⇒ limpeza
• Julieta ⇐⇒ compras
• Julieta ⇐⇒ roupa

(b) Quadro inicial:
Compras Cozinha Limpeza Roupa Nada 1 Nada 2 Nada 3 Nada 4

Romeu 1 2 6 4 3 0 0 0 0
Romeu 2 2 6 4 3 0 0 0 0
Romeu 3 2 6 4 3 0 0 0 0
Romeu 4 2 6 4 3 0 0 0 0
Julieta 1 1.5 8.5 5.5 4 0 0 0 0
Julieta 2 1.5 8.5 5.5 4 0 0 0 0
Julieta 3 1.5 8.5 5.5 4 0 0 0 0
Julieta 4 1.5 8.5 5.5 4 0 0 0 0

7.4 Companhia de Navegação Aérea 179
7.4 Companhia de Navegação Aérea

7.4.1 Enunciado
Uma companhia de navegação aérea assegura, entre três cidades (A, B, C),
os serviços representados na tabela seguinte:
Vôo no Partida às Chegada às

de a
1 A 09h00 B 12h00
2 A 10h00 B 13H00
3 A 15h00 B 18H00
4 A 20h00 C 24H00
5 A 22h00 C 02H00
6 B 04h00 A 07H00
7 B 11h00 A 14H00
8 B 15h00 A 18H00
9 C 07h00 A 11H00
10 C 15h00 A 19H00
O custo de espera de um avião no solo é considerado como proporcional

ao tempo de espera.
Organize os voos (encadeando-os e associando-os aos aviões necessários),
por forma a minimizar os custos globais de espera no solo.
Nota: Considere apenas o caso de definição de um ciclo diário, isto é, faça
o planeamento para um perı́odo de 24 horas.

7.4.2 Resolução
Para resolver o problema proposto, é necessário começar por determinar, para

cada aeroporto, que voo deve realizar um avião que tenha chegado no voo x.
O objetivo será a minimização do tempo de espera em cada aeroporto.
Ter-se-ão então que resolver 3 problemas de afectação (um para cada ae-
roporto). Esses problemas poderão ser resolvidos com quadros independentes
ou então com um quadro único:
Voo de Voo de partida

chegada 1 2 3 4 5 6 7 8 9 10
1 ∞ ∞ ∞ ∞ ∞ 16 23 3 ∞ ∞
2 ∞ ∞ ∞ ∞ ∞ 15 22 2 ∞ ∞
3 ∞ ∞ ∞ ∞ ∞ 10 17 21 ∞ ∞
4 ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 7 15
5 ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 5 13
6 2 3 8 13 15 ∞ ∞ ∞ ∞ ∞
7 19 20 1 6 8 ∞ ∞ ∞ ∞ ∞
8 15 16 21 2 4 ∞ ∞ ∞ ∞ ∞
9 22 23 4 9 11 ∞ ∞ ∞ ∞ ∞
10 14 15 20 1 3 ∞ ∞ ∞ ∞ ∞
∞ ∞ ∞ ∞ ∞ 5 5 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 5 5 0 ∞ ∞
Subtracção em cada ∞ ∞ ∞ ∞ ∞ 0 0 19 ∞ ∞
coluna do menor ele- ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
mento dessa coluna ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
Subtracção em cada li- 0 0 7 12 12 ∞ ∞ ∞ ∞ ∞
nha do menor elemento 17 17 0 5 5 ∞ ∞ ∞ ∞ ∞
dessa linha 12 12 19 0 0 ∞ ∞ ∞ ∞ ∞
17 17 0 5 5 ∞ ∞ ∞ ∞ ∞
12 12 19 0 0 ∞ ∞ ∞ ∞ ∞

7.4 Companhia de Navegação Aérea 181
∞ ∞ ∞ ∞ ∞ 5 5 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 5 5 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 19 ∞ ∞
∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
1a iteração (8 < 10)
0 0 7 12 12 ∞ ∞ ∞ ∞ ∞
17 17 0 5 5 ∞ ∞ ∞ ∞ ∞
12 12 19 0 0 ∞ ∞ ∞ ∞ ∞
17 17 0 5 5 ∞ ∞ ∞ ∞ ∞
12 12 19 0 0 ∞ ∞ ∞ ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 24 ∞ ∞
∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
2a iteração (9 < 10)
0 0 12 12 12 ∞ ∞ ∞ ∞ ∞
12 12 0 0 0 ∞ ∞ ∞ ∞ ∞
12 12 24 0 0 ∞ ∞ ∞ ∞ ∞
12 12 0 0 0 ∞ ∞ ∞ ∞ ∞
12 12 24 0 0 ∞ ∞ ∞ ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 24 ∞ ∞
∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
3a iteração (10 = 10) ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
Solução óptima. 0 0 24 24 24 ∞ ∞ ∞ ∞ ∞
0 0 0 0 0 ∞ ∞ ∞ ∞ ∞
0 0 24 0 0 ∞ ∞ ∞ ∞ ∞
0 0 0 0 0 ∞ ∞ ∞ ∞ ∞
0 0 24 0 0 ∞ ∞ ∞ ∞ ∞
Uma possı́vel solução óptima será:
• Voo de chegada 1 ⇐⇒ Voo de partida 8


Construindo uma“cadeia”por concatenação das soluções encontradas obtém-
se:
1 =⇒ 8 =⇒ 4 =⇒ 9 =⇒ 2 =⇒ 7 =⇒ 3 =⇒ 6 =⇒ 1
5 =⇒ 10 =⇒ 5
O plano diário dos voos está representado na figura seguinte:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Voo Voo Voo Voo

Turno 1 B A A B B A A C
6 1 8 4
Voo
Turno 2 C A
9
Voo
Turno 3 A B
2
Voo Voo
Turno 4 B A B
7 3
Voo Voo Voo

Turno 5 C C A A
5 10 5
Aeroporto de Número do Aeroporto de

partida voo chegada
Voo
X Y
z
São portanto necessários 5 aviões. Contudo, para que se verifique o “en-

cadeamento” óptimo encontrado, 4 aviões deverão rodar nos turnos 1 a 4 e o
5o avião deve fazer o turno 5, num ciclo de 4 dias (Ai , avião i).
Dia
Turno 1 2 3 4 5 ...
1 A1 A4 A3 A2 A1 ...
2 A2 A1 A4 A3 A2 ...
3 A3 A2 A1 A4 A3 ...
4 A4 A3 A2 A1 A4 ...
5 A5 A5 A5 A5 A5 ...

7.5 Asa de Luxo Lda 183
7.5 Asa de Luxo Lda

7.5.1 Enunciado
A empresa de transportes Asa de Luxo comprou 3 novos pequenos aviões.
Após um estudo de mercado foram identificados 4 possı́veis destinos para os
novos voos a estabelecer: Monte Carlo, Ilhas Canárias, Biarritz, e as Ilhas
Gregas. Para cada um dos destinos foi estimado o lucro (em M$) que cada
um dos aviões proporcionaria:
Destino A1 A2 A3
Monte Carlo 8 11 10
Ilhas Canárias 10 9 9
Biarritz 9 4 8
Ilhas Gregas 6 7 5
Numa reunião, o administrador da Asa de Luxo (que possui um aparta-

mento em Biarritz) decidiu que Biarritz seria necessariamente o destino de
um dos três aviões.
Por outro lado, o Director de Marketing considerou que, por uma questão
de estratégia, se deveria atingir o maior número possı́vel de destinos, não
enviando portanto mais do que um avião para cada destino.
O responsável pela manutenção chamou a atenção para o facto de os
aviões A1 e A3 não poderem aterrar nas Ilhas Gregas.
Decida que avião deve seguir para cada destino e ganhe uma viagem
grátis para duas pessoas, para um destino à sua escolha (oferecida pela Asa
de Luxo, claro!...).

7.5.2 Resolução
Quadro inicial. Destino A1 A2 A3 Fictı́cio
Problema de maximização. Monte Carlo 8 11 10 ?
Acrescentou-se um avião fictı́cio Ilhas Canárias 10 9 9 ?
para que número de aviões = nú- Biarritz 9 4 8 ?
mero de destinos. Ilhas Gregas 6 7 5 ?
Destino A1 A2 A3 Fictı́cio
Problema de minimização. Monte Carlo 3 0 1 ?
Complemento para o máximo 11 Ilhas Canárias 1 2 2 ?
dos elementos da matriz. Biarritz 2 7 3 ?
Ilhas Gregas 5 4 6 ?
Para evitar que A1 ou A3 sejam
afectos às Ilhas Gregas, coloca-se
∞ no custo dessa afectação. 3 0 1 0
Para obrigar que um dos aviões re- 1 2 2 0
ais vá para Biarritz, impede-se que 2 7 3 ∞
o avião fictı́cio seja afecto a Biar- ∞ 4 ∞ 0
ritz, colocando ∞ no custo dessa
afectação.

nor elemento dessa coluna 0 2 1 0
Subtracção em cada linha do me- 0 6 1 ∞
nor elemento dessa linha ∞ 4 ∞ 0
2 0 0 0
0 2 1 0
1a iteração (3 < 4) 0 6 1 ∞
∞ 4 ∞ 0
3 0 0 1
0 1 0 0
0 5 0 ∞
∞ 3 ∞ 0
O valor (lucro) da solução óptima é 29 M$.

• A1 ⇐⇒ Ilhas Canárias

7.5 Asa de Luxo Lda 185
• A2 ⇐⇒ Monte Carlo
• A3 ⇐⇒ Biarritz
• Fictı́cio ⇐⇒ Ilhas Gregas

7.6 WFP na Costa da Somália

7.6.1 Enunciado
1
O problema da pirataria ao largo da costa somali não é exclusivo do WFP.
A crescente vulnerabilidade das rotas comerciais levou os governos da UE a
tentarem utilizar os meios já no terreno, a escoltar os barcos do WFP, para
aumentarem a segurança global daquelas águas. Assim, Ramiro Lopes da
Silva recebeu no seu gabinete da Via Cristoforo Colombo uma proposta da
UE de transformar o que, em linguagem futebolı́stica, se poderia designar de
marcação homem a homem numa marcação à zona, isto é, os navios da UE
deixarem de escoltar cada navio do WFP, individualmente, para passarem a
vigiar uma zona marı́tima, contribuindo assim para a dissuasão dos ataques
piratas, não só aos navios do WFP mas também aos navios comerciais que
cruzam aquelas águas. Apesar da degradação da protecção aos seus navios,
Ramiro não tinha argumentos para contrariar esta mudança de táctica.
Figura 1: Mapa da costa da Somália e dos paı́ses vizinhos e zonas de patru-

lhamento marı́timo.
Por questões operacionais, as águas da costa da Somália foram divididas

em 4 zonas (figura 1). No entanto, como já sabemos, apenas 3 navios de
guerra estão alocados a este programa de vigilância: o MV Semlow, o HMS
1
Exame de 2009.01.12 de MD do MIEA da FEUP

7.6 WFP na Costa da Somália 187
Northumberland e o Bouvet. Sabendo que, por questões de eficácia opera-

cional, cada navio apenas pode vigiar uma zona, e querendo o WFP vigiar
o maior número de zonas possı́vel, o Ramiro construiu uma tabela com o
número estimado de ataques piratas que seriam evitados se cada um dos na-
vios fosse afectado a cada uma das zonas. Este trabalho foi desenvolvido em
conjugação com o comando militar da UE, uma vez que as diferentes carac-
terı́sticas dos navios proporcionam eficácias de cobertura e patrulhamento
muito diferentes (Ramiro deu por si a pensar que não era mau se a mari-
nha francesa afectasse outro navio a estas missões... o Bouvet era mesmo
fraquinho fosse qual fosse a zona que lhe fosse atribuı́da...) – tabela 1.
Tabela 1: Estimativa do número de ataques evitados com a afectação de cada

navio a cada zona.
Z1 Z2 Z3 Z4
MV Semlow 20 22 24 23
HMS Northumberland 18 15 16 14
Bouvet 10 8 6 4
(a) Determine que navio deve patrulhar que zona, de forma a maximizar
o número total de ataques piratas evitados. Qual é esse número (o
gabinete de imprensa necessita dele com urgência)?
(b) O Bouvet não gostou da zona que lhe foi atribuı́da e pediu para ser
mudado para outra zona. É possı́vel fazer isso sem diminuir o número
total de ataques evitados?

7.6.2 Resolução
(a) Este é um problema de afectação, de maximização e com uma matriz
não quadrada. Comecemos por transformar o problema de maximiza-
ção num problema de minimização, calculando o complemento para o
máximo da matriz:
Z1 Z2 Z3 Z4 Z1 Z2 Z3 Z4
S 20 22 24 23 S 4 2 0 1
−→
N 18 15 16 14 B 6 9 8 10
B 10 8 6 4 B 14 16 18 20
Agora será necessário acrescentar um barco fictı́cio F para transformar
a matriz num matriz quadrada. A zona que ficar atribuı́da a este barco
fictı́cio será a zona não patrulhada. Os “custos” atribuı́dos ao barco
fictı́cio podem ser quaisquer desde que iguais para todas zonas. Opta-
mos pelo valor 0 para originar menos quadros de resolução. A partir
daı́ aplica-se o método o húngaro nos seus passos habituais, sendo o
primeiro deles a subtracção, em cada linha, do menor elemento da li-
nha. A itálico representa-se o menor valor dos não riscados e a preto
carregado os elementos riscados.
Z1 Z2 Z3 Z4 Z1 Z2 Z3 Z4
S 4 2 0 1 S 4 2 0 1
B 6 9 8 10 −→ B 0 3 2 4
B 14 16 18 20 B 0 2 4 6
F 0 0 0 0 F 0 0 0 0
Z1 Z2 Z3 Z4 Z1 Z2 Z3 Z4
S 4 1 0 0 S 5 1 0 0
B 0 2 2 3 −→ B 0 1 1 2
B 0 1 4 5 B 0 0 3 4
F 1 0 1 0 F 2 0 1 0
Atingidos os 4 riscos obrigatórios estamos perante um conjunto de 4
zeros independentes, que representam a solução óptima do problema (a
preto carregado no quadro seguinte). Esta solução deve ser transposta
para a matriz original de forma a calcular-se o número total de ataques
evitados.
Z1 Z2 Z3 Z4
Z1 Z2 Z3 Z4
S 5 1 0 0
S 20 22 24 23
B 0 1 1 2 −→
N 18 15 16 14
B 0 0 3 4
B 10 8 6 4
F 2 0 1 0
A solução óptima será pois:

• afectar o MV Semlow à zona 3;

• afectar o HMS Northumberland à zona 1;
• afectar o Bouvet à zona 2;
ficando a zona 4 sem patrulhamento, resultando esta solução num total

de ataques evitados de 24 + 18 + 8 = 50.
(b) Apesar do desconforto do Bouvet não é possı́vel afectá-lo a outra zona

sem com isso diminuir o número total de ataques evitados, uma vez
que não há soluções óptimas alternativas, isto é, a escolha dos 4 zeros
independentes no quadro final é única.


Capı́tulo 8
Problemas de Fluxo Máximo
• Formular um problema como uma rede de fluxos.
• Determinar o fluxo máximo que pode atravessar a rede através do algo-

ritmo de adição sucessiva de fluxos desde o nó inicial ao nó final da rede,
incluindo fluxos ”negativos”nalguns ramos já percorridos por fluxos de
sentido contrário.
• Determinar cortes mı́nimos na rede, que provam a optimalidade da

solução.
• A partir da rede na situação de fluxo máximo saber responder a ques-

tões como:
– justifica-se ou não a substituição de um troço?

– que troço da rede ampliar para aumentar o fluxo que a pode atra-
vessar?

192 Problemas de Fluxo Máximo
Exercı́cios
8.1 Exercı́cio dos Depósitos . . . . . . . . . . . . . . . . . . . . . 193

8.2 Exercı́cio Nó 1 a Nó 6 . . . . . . . . . . . . . . . . . . . . . . 198
8.3 Exercı́cio Nó 1 a Nó 7 . . . . . . . . . . . . . . . . . . . . . . 201
8.4 Exercı́cio Nó 0 a Nó 4 . . . . . . . . . . . . . . . . . . . . . . 203
8.5 Exercı́cio Fluxo Máximo no ShopShopping . . . . . . . . . 204
8.6 WFP na Costa da Somália . . . . . . . . . . . . . . . . . . . 206

8.1 Exercı́cio dos Depósitos 193
8.1 Exercı́cio dos Depósitos

8.1.1 Enunciado
De três depósitos A, B e C, dispondo respectivamente de 20, 10 e 35 toneladas
de um dado produto, pretende-se fazer chegar a três destinos D, E e F,
respectivamente 25, 20 e 20 toneladas do produto. As disponibilidades de
transporte em camião entre os diferentes pontos, são as seguintes:
D E F
A 15 10 —
B 5 — 10
C 10 5 5
Estabeleça o melhor plano de transportes.

(Sugestão: considere um nó fictı́cio agregando a oferta e um nó fictı́cio
agregando a procura).

8.1.2 Resolução
O problema proposto é um problema de fluxo máximo. Seguindo a sugestão
do enunciado, acrescentou-se ao problema um nó fictı́cio (X) agregando a
oferta dos depósitos A, B e C e um nó fictı́cio (Y ) agregando a procura dos
destinos D, E e F . A rede inicial está representada na figura seguinte.
A (15,0) D
(10,0)
(20,0) (25,0)
(5,0)
f=0 X (10,0) B (10,0) E (20,0) Y f=0
(5,0)
(35,0) (20,0)
(10,0)
C (5,0) F
Seguindo o algoritmo de fluxo máximo, seleccionou-se um caminho não

saturado entre o nó de entrada e o nó de saı́da. O caminho seleccionado
foi X → A → D → Y . Esse caminho tem uma capacidade máxima de 15
(capacidade do ramo com menor capacidade A → D). Na figura seguinte o
ramo A → D foi representado a traço mais grosso e somou-se 15 ao fluxo de
entrada e de saı́da.
A (15,15) D
(10,0)
(20,15) (25,15)
(5,0)
f=15 X (10,0) B (10,0) E (20,0) Y f=15
(5,0)
(35,0) (20,0)
(10,0)
C (5,0) F
O caminho não saturado seleccionado a seguir foi X → B → F → Y .

Esse caminho tem uma capacidade máxima de 10 (capacidade dos ramos
com menor capacidade X → B e B → F ). Na figura seguinte os ramos com
menor capacidade X → B e B → F foram representados a traço mais grosso
e somou-se 10 ao fluxo de entrada e de saı́da.

A (15,15) D
(10,0)
(20,15) (25,15)
(5,0)
f=25 X (10,10) B (10,0) E (20,0) Y f=25
(5,0)
(35,0) (20,10)
(10,10)
C (5,0) F
O caminho não saturado seleccionado a seguir foi X → A → E → Y .

Esse caminho tem uma capacidade máxima de 5 (capacidade do ramo com
menor capacidade X → A). Na figura seguinte o ramo com menor capacidade
X → A foi representado a traço mais grosso e somou-se 5 ao fluxo de entrada
e de saı́da.
A (15,15) D
(10,5)
(20,20) (25,15)
(5,0)
f=30 X (10,10) B (10,0) E (20,5) Y f=30
(5,0)
(35,0) (20,10)
(10,10)
C (5,0) F
O caminho não saturado seleccionado a seguir foi X → C → D → Y .

menor capacidade C → D). Na figura seguinte o ramo com menor capacidade
C → D foi representado a traço mais grosso e somou-se 10 ao fluxo de entrada
e de saı́da.
A (15,15) D
(10,5)
(20,20) (25,25)
(5,0)
f=40 X (10,10) B (10,10) E (20,5) Y f=40
(5,0)
(35,10) (20,10)
(10,10)
C (5,0) F
O caminho não saturado seleccionado a seguir foi X → C → E → Y .


menor capacidade C → E). Na figura seguinte o ramo com menor capacidade

C → E foi representado a traço mais grosso e somou-se 5 ao fluxo de entrada
e de saı́da.
A (15,15) D
(10,5)
(20,20) (25,25)
(5,0)
f=45 X (10,10) B (10,10) E (20,10) Y f=45
(5,5)
(35,15) (20,10)
(10,10)
C (5,0) F
O caminho não saturado seleccionado a seguir foi X → C → F → Y .

menor capacidade C → F ). Na figura seguinte o ramo com menor capacidade
C → F foi representado a traço mais grosso e somou-se 5 ao fluxo de entrada
e de saı́da.
A (15,15) D
(10,5)
(20,20) (25,25)
(5,0)
f=50 X (10,10) B (10,10) E (20,10) Y f=50
(5,5)
(35,20) (20,15)
(10,10)
C (5,5) F
Corte mínimo
Na figura anterior está representado um corte mı́nimo (que separa to-

talmente a entrada da saı́da). Pode-se então afirmar que o fluxo máximo
nesta rede (a quantidade máxima de toneladas que pode ser transportada
dos depósitos para os destinos) é 50.
O melhor plano de transportes será então:
D E F
A 15 5 —
B 0 — 10
C 10 5 5

Os destinos E e F não são completamente abastecidos, não porque não

exista disponibilidade nos depósitos (C ficou ainda com 15 toneladas), mas
porque a disponibilidade de transporte não o permite. Para resolver este
caso concreto seria necessário incrementar as disponibilidades de transporte
a partir de C, nomeadamente para E e F .

8.2 Exercı́cio Nó 1 a Nó 6

8.2.1 Enunciado
Considere a seguinte rede, em que os números nos arcos representam a capa-
cidade do arco (quantidade de fluxo que o pode atravessar):
10 5 10
1 15 3 12 5 20 6
20 15 5
Determine o fluxo máximo possı́vel (entre os nós 1 e 6) e represente os

fluxos na rede na situação de fluxo máximo.

8.2 Exercı́cio Nó 1 a Nó 6 199
8.2.2 Resolução
A rede inicial está representada na figura seguinte.
(10,0) (5,0) (10,0)
f=0 1 (15,0) 3 (12,0) 5 (20,0) 6 f=0
(20,0) (15,0) (5,0)
Seguindo o algoritmo de fluxo máximo, seleccionou-se um caminho não

saturado entre o nó de entrada e o nó de saı́da. O caminho seleccionado
foi 1 → 4 → 5 → 6. Esse caminho tem uma capacidade máxima de 15
(capacidade do ramo com menor capacidade 4 → 5). Na figura seguinte o
ramo 4 → 5 foi representado a traço mais grosso e somou-se 15 ao fluxo de
(10,0) (5,0) (10,0)
f=15 1 (15,0) 3 (12,0) 5 (20,15) 6 f=15
(20,15) (15,15) (5,0)
O caminho não saturado seleccionado a seguir foi 1 → 2 → 6. Esse

caminho tem uma capacidade máxima de 10 (capacidade dos ramos com
menor capacidade 1 → 2 e 2 → 6). Na figura seguinte os ramos com menor
capacidade 1 → 2 e 2 → 6 foram representados a traço mais grosso e somou-se
10 ao fluxo de entrada e de saı́da.
(10,10) (5,0) (10,10)
f=25 1 (15,0) 3 (12,0) 5 (20,15) 6 f=25
(20,15) (15,15) (5,0)

O caminho não saturado seleccionado a seguir foi 1 → 3 → 5 → 6. Esse

caminho tem uma capacidade máxima de 5 (capacidade do ramo com menor
capacidade → 5 → 6). Na figura seguinte o ramo com menor capacidade
5 → 6 foram representados a traço mais grosso e somou-se 5 ao fluxo de
(10,10) (5,0) (10,10)
f=30 1 (15,5) 3 (12,5) 5 (20,20) 6 f=30
(20,15) (15,15) (5,0)
O caminho não saturado seleccionado a seguir foi 1 → 4 → 6. Esse ca-

minho tem uma capacidade máxima de 5 (capacidade dos ramos com menor
capacidade 1 → 4 e 4 → 6). Na figura seguinte os ramos com menor capa-
cidade 1 → 4 e 4 → 6 foram representados a traço mais grosso e somou-se 5
ao fluxo de entrada e de saı́da.
2
Corte mínimo
(10,10) (5,0) (10,10)
f=35 1 (15,5) 3 (12,5) 5 (20,20) 6 f=35
(20,20) (15,15) (5,5)
Na figura anterior está representado um corte mı́nimo (que separa total-

mente a entrada da saı́da). Pode-se então afirmar que o fluxo máximo nesta
rede é 35.


8.3.1 Enunciado
Considere a seguinte rede, em que os números nos arcos representam a capa-
cidade do arco (quantidade de fluxo que o pode atravessar):
2 2 5
15 4 15
5
1 20 3 15 7
3
10 5 10
4 4 6
Determine o fluxo máximo possı́vel (entre os nós 1 e 7) e represente os

fluxos na rede na situação de fluxo máximo.

8.3.2 Resolução
Corte mínimo
2 (2,2) 5
(15,5) (4,2) (15,9)

(5,5)
34 1 (20,20) 3 (15,15) 7 34
(3,3)
(10,9) (5,3) (10,10)
4 (4,4) 6
Na figura anterior está representado um corte mı́nimo (que separa total-

mente a entrada da saı́da). Pode-se então afirmar que o fluxo máximo nesta
rede é 34.


8.4.1 Enunciado
Determine a quantidade máxima de um produto que pode ser enviada atra-
vés da rede seguinte, entre a origem e o destino 4. Existem limitações nas
quantidades que podem atravessar cada arco, encontrando-se as respectivas
quantidades máximas representadas junto a cada arco. Considere que esse
produto se encontra disponı́vel na origem 0 em quantidade ilimitada.
4
1 2
2 2
3
3
0 1 1 4
1 2
3
Em que arco(s) aumentaria as quantidades máximas admissı́veis, de forma

a conseguir aumentar a quantidade máxima de produto que é possı́vel fazer
passar pela rede?

8.5 Exercı́cio Fluxo Máximo no ShopShop-

ping
8.5.1 Enunciado
Uma parte do ShopShopping vai ser construı́da imitando uma plataforma de
exploração subaquática: duas grandes cúpulas ligadas por um grande corre-
dor. Para que a circulação de pessoas no centro comercial decorra de uma
forma fluida, é necessário que este corredor não restrinja o fluxo máximo que
pode atravessar a secção subaquática do centro comercial. Na figura seguinte
representa-se esquematicamente a planta desta parte do ShopShopping.
1
Cúpula 2
Cúpula 1
3 1
1 1 2 1 3
Entrada 3 4 5 ? 2 2 Saída
2 2 2 1
3 4
Em cada corredor está indicada a respectiva capacidade (em dezenas de

pessoas por minuto). O corredor de ligação entre as duas cúpulas está ainda
por dimensionar, dado o seu elevado custo, crescente com o aumento de
capacidade que se lhe queira atribuir. Note que por questões de segurança
e fluidez de circulação os corredores funcionam como caminhos de sentido
único (ver setas na figura).
Resolvendo este problema como de fluxo máximo indique qual deve ser a
capacidade do corredor de ligação de forma a que o fluxo que atravessa as
cúpulas seja máximo e o custo do corredor de ligação o menor possı́vel.

8.5 Exercı́cio Fluxo Máximo no ShopShopping 205
8.5.2 Resolução
Esta questão pode ser resolvida de duas maneiras diferentes:
(a) Consideram-se duas sub-redes, correspondendo cada uma a uma das

sub-cúpulas, calculam-se os fluxos máximos que podem atravessar cada
uma delas separadamente e dimensiona-se o corredor para o menor
desses fluxos (para ter menor custo).
(b) Considera-se uma rede só, em que o ramo que representa o corredor não
tem uma capacidade máxima pré-definida, e calcula-se o fluxo máximo
que pode atravessar essa rede. O fluxo que atravessar o ramo “corredor”
define a capacidade que lhe deve ser atribuı́da.
Vai-se seguir a segunda hipótese nesta resolução. Apresenta-se de seguida

a rede já na situação de fluxo máximo, com a indicação do corte mı́nimo
(a) que justifica a optimalidade (máximo) do fluxo. Apresenta-se também,
embora não fosse necessário, um segundo corte (b) que também é mı́nimo.
(1,1)
(1,1) (1,1)
(1,2) (2,3)
(0,1) (0,1) (2,3)
F=6 (4,5) (6,?)
(3,3) (3,4) (2,2) (2,2) F=6
(0,2) (0,1)
(2,2) (2,3) (2,2) (2,4)
(a)
(b)

8.6 WFP na Costa da Somália

8.6.1 Enunciado
1
Por mais inacreditável que pareça, mesmo em situações de emergência, como
a que se vive na Somália, podem ocorrer emergências maiores ainda. Sendo
a situação na generalidade do território de pré-rotura na disponibilização de
alimentos às populações, em Moqdisho a rotura tornou-se uma realidade,
com graves crises sociais e facções da população a lutar contra outras facções
por alimentos.
Nesta situação o WFP, para além de utilizar todos os barcos mercantes
disponı́veis, utiliza uma capacidade de carga adicional, que tem a grande
vantagem de estar já no teatro das operações: os navios que fazem parte
da força de guerra naval que assegura a escolta dos navios comerciais e das
organizações humanitárias que cruzam aquelas águas. Estes navios não têm
uma capacidade de carga muito grande, mas podem significar umas toneladas
de alimentos a mais em Moqdisho. No entanto, a sua utilização tem que ser
cuidadosamente planeada para que a sua missão de escolta e patrulhamento
não seja prejudicada e nem um único barco seja atacado e apresado pelos
piratas.
Segundo as orientações estratégicas mais recentes do comando militar da
UE, cada navio tem uma rota dedicada, fazendo o patrulhamento perma-
nente dessa rota. Assim, cada navio liga dois portos e, para fazer chegar os
alimentos a Moqdisho deverá fazer o transbordo da carga para outro navio
de guerra que parta desse porto e assim, sucessivamente, se faz chegar esta
quantidade extra de alimentos a Moqdisho. Na figura 1 são representadas as
ligações entre os portos e na tabela 1 são representada as capacidades (em
toneladas de alimentos) dos navios que asseguram cada uma dessas ligações.
Tabela 1: Capacidade de transporte de alimentos dos barcos de guerra (to-

neladas).
Salalah Adam Boosaaso Bender Beila Moqdisho Chisimato Mombasa Dar es Salam
(1) (2) (3) (4) (5) (6) (7) (8)
(1) Salalah - 27 - 12 - - - -
(2) Adam - - 30 18 - - - -
(3) Boosaaso - - - - 36 - - -
(4) Bender Beila - - - - 50 - - -
(5) Moqdisho - - - - - - - -
(6) Chisimato - - - - 32 - - -
(7) Mombasa - - - - 34 31 - -
(8) Dar es Salam - - - 27 29 24 44 -
1

Figura 1: Rotas dos navios de guerra nas missões de patrulhamento.
(a) Usando o algoritmo de fluxo máximo, determine qual é a quantidade

máxima de alimentos que consegue fazer chegar a Moqdisho a partir
do porto de Dar Es Salam (porto de saı́da da ajuda alimentar vinda da
Europa). Prove que a solução que encontrou é óptima.
(b) Felizmente também o Oriente se mobilizou para acudir a esta catástrofe

e toneladas de alimentos estão a chegar ao porto de Salalah. Pretende-
se agora saber qual é a quantidade máxima de alimentos que se pode
fazer chegar a Moqdisho a partir, simultaneamente, de Dar es Salam e
Salalah. Como resolveria o problema? Conseguiria garantir a optima-
lidade da solução?

8.6.2 Resolução
(a) Representando os dados constantes da figura 1 e da tabela 1 num grafo,
obtém-se a seguinte rede de fluxos. A cada arco (orientado) está asso-
ciado um par de valores que representam, respectivamente, o valor do
fluxo que atravessa o arco e a capacidade desse mesmo arco. A nume-
ração dos nós corresponde á da tabela 1, sendo o nó de entrada na rede
o nó 8 e o nó de saı́da o nó 5.
(0,18)
7 (0,34)
(0,27) 4 2
(0,44)
(0,50)
(0,12)
fin =0 (0,29)
8 5 (0,27)
(0,31)
(0,24) (0,32) (0,36) (0,30)
6 fout = 0 3 1
Em cada iteração, sempre que um arco dor seleccionado por pertencer

ao caminho que se pretende saturar, será representado a carregado e,
caso um arco fique saturado, passará a ser representado a vermelho.
Iteração 1: saturar o caminho 8-7-5, fazendo passar um fluxo de 34.
(0,18)
7 (34,34)
(0,27) 4 2
(34,44)
(0,50)
(0,12)
fin = 34 (0,29)
8 5 (0,27)
(0,31)
(0,24) (0,32) (0,36) (0,30)
6 fout = 34 3 1
Iteração 2: saturar o caminho 8-5, fazendo passar um fluxo de 29.

(0,18)
7 (34,34)
(0,27) 4 2
(34,44)
(0,50)
(0,12)
fin = 63 (29,29)
8 5 (0,27)
(0,31)
(0,24) (0,32) (0,36) (0,30)
6 fout = 63 3 1


(0,18)
7 (34,34)
(27,27) 4 2
(34,44)
(27,50)
(0,12)
fin = 90 (29,29)
8 5 (0,27)
(0,31)
(0,24) (0,32) (0,36) (0,30)
6 fout = 90 3 1

(0,18)
7 (34,34)
(27,27) 4 2
(34,44)
(27,50)
(0,12)
fin = 114 (29,29)
8 5 (0,27)
(0,31)
(24,24) (24,32) (0,36) (0,30)
6 fout = 114 3 1
Iteração 5: saturar o caminho 8-7-6-5, fazendo passar um fluxo de 8.

(0,18)
7 (34,34)
(27,27) 4 2
(42,44)
(27,50)
(0,12)
fin = 122 (29,29)
8 5 (0,27)
(8,31)
(24,24) (32,32) (0,36) (0,30)
6 fout = 122 3 1

Neste momento não parece existir qualquer caminho não saturado entre
o nó 8 e o nó 5. Tal é confirmado pela existência de um corte mı́nimo,
que confirma a garante a optimalidade da solução obtida:
(0,18)
7 (34,34)
(27,27) 4 2
(42,44)
(27,50)
(0,12)
fin = 122 (29,29)
8 5 (0,27)
(8,31)
(24,24) (32,32) (0,36) (0,30)
6 fout = 122 3 1
Corte mínimo
(b) Nesta alı́nea passamos a ter dois nós de entrada, o nó 1 e o nó 8,
mantendo-se o nó 5 como o nó de saı́da da rede. A forma de resolver o
problema seria criando um nó artificial (nó I) que se ligaria aos nós 1
e 8 com uma capacidade suficientemente grande para poder funcionar
como infinita (nesta resolução usou-se o número 500) e resolver depois
o problema maximizando o fluxo entre o nó I e o nó 5, com o algo-
ritmo habitual. Determinar-sei-ia o corte mı́nimo, garantindo-se assim
a optimalidade da solução.
(0,18)
7 (0,34)
(0,27) 4 2
(0,44)
(0,50)
(0,12)
(0,29)
8 5 (0,27)
(0,31)
(0,24) (0,32) (0,36) (0,30)
6 fout = 0 3 1
(0,500) (0,500)
I
fin =0

Capı́tulo 9
Problemas de Caminho Mı́nimo
• Formular um problema como uma rede para a determinação do caminho
entre dois nós que tem “custo” mı́nimo.
• Determinar a distância mı́nima entre um nó e todos os outros nós da

rede através do algoritmo de Dijkstra, quer para redes com ramos não
dirigidos quer com ramos dirigidos (com um sentido).
• Determinar o caminho mı́nimo através da subtração das etiquetas dos

nós da rede.
• A partir das etiquetas determinar, sempre que possı́vel, a distância e o

caminho mı́nimo entre outros dois nós que não os inicialmente conside-
rados.
– Saber em que circunstâncias é que isso pode ser feito e em que

circunstâncias não pode.

212 Problemas de Caminho Mı́nimo
Exercı́cios
9.1 Rede Caminho Mı́nimo Nó 1 ao Nó 6 . . . . . . . . . . . . 213

9.2 Guerra Azuis e Verdes . . . . . . . . . . . . . . . . . . . . . 215
9.3 Ven de Dor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
9.4 Tabuleiro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
9.5 Perseguição ao Ladrão . . . . . . . . . . . . . . . . . . . . . 227

9.1 Rede Caminho Mı́nimo Nó 1 ao Nó 6 213
9.1 Rede Caminho Mı́nimo Nó 1 ao Nó 6

9.1.1 Enunciado
Considere a seguinte rede:
2 2 4
15 21
1 4 3 6 6
9 7
3 16 5
(a) Usando o algoritmo de Dijkstra, determine a distância mı́nima do nó 1

ao nó 6 e indique o respectivo caminho.
(b) Pode, apenas a partir dos cálculos feitos em (a), dizer qual é a distância
mı́nima do nó 1 ao nó 4? Justifique.
(c) Poderia, nas mesmas circunstâncias, indicar qual a distância mı́nima

entre os nós 2 e 6? Justifique.

9.1.2 Resolução
(a) Usando o algoritmo de Dijkstra, obtém-se o seguinte quadro:
Nós
iter 1 2 3 4 5 6
0 0∗ ∞ ∞ ∞ ∞ ∞
1 0∗ 15 9∗ ∞ ∞ ∞
2 0∗ 13 9∗ 12∗ 25 ∞
3 0∗ 13∗ 9∗ 12∗ 18 33
4 0∗ 13∗ 9∗ 12∗ 18∗ 33
5 0∗ 13∗ 9∗ 12∗ 18∗ 25∗
A distância mı́nima entre o nó 1 e o nó 6 é igual a 25. O caminho

mı́nimo (1 → 3 → 4 → 5 → 6) está representado na figura seguinte.
2 2 4
15 21
1 4 6 6
3
9 7
3 16 5
(b) É possı́vel, apenas a partir dos cálculos feitos em (a), dizer qual é a
distância mı́nima do nó 1 ao nó 4, dado que essa distância seria igual
ao valor da etiqueta definitiva do nó 4 (12), uma vez que, por definição,
o valor da etiqueta definitiva do nó i é igual à distância mı́nima entre
o nó i e a origem.
(c) Não é possı́vel, apenas a partir dos cálculos feitos em (a), indicar qual
a distância mı́nima entre os nós 2 e 6, dado que a distância mı́nima
entre os dois nós não é igual à diferença entre as distâncias mı́nimas
desses nós à origem.

9.2 Guerra Azuis e Verdes 215
9.2 Guerra Azuis e Verdes

9.2.1 Enunciado
O Paı́s Azul foi subitamente atacado pelas tropas do Paı́s Verde. O Estado-
Maior das Forças Azuis reuniu de imediato para decidir sobre as movimenta-
ções de tropas que se deviam efectuar, de modo a fazer frente à invasão das
Forças Verdes.
O Estado-Maior das Forças Azuis foi informado que o ataque se estava a
processar em 3 frentes distintas, com nomes de código β1 , β2 e β3 . Chegou-se
de imediato à conclusão que seria necessário transportar duas divisões de
combate para β1 , uma divisão para β2 e uma outra para β3 . As Forças Azuis
dispunham nessa altura de 5 divisões de combate nas cidades mais próximas
da fronteira atacada, duas aquarteladas em α1 (em código, claro!), duas em
α2 e uma aquartelada em α3 . Essas divisões poderiam ser transportadas
para os locais em perigo, contudo os Aviões Verdes já sobrevoavam o Paı́s
Azul, e a movimentação das divisões teria que se fazer com o menor risco
humano possı́vel.
Após uma rápida inspecção do mapa do território fez-se o esquema da
figura seguinte, onde se representam as estradas que podem ser utilizadas
pelas divisões de combate das Forças Azuis (os valores representados nos
troços dos percursos são distâncias em quilómetros).
α1
1 β1
2
3 1
4
2
α2 3
1
3 β2
5
α3 1 2
4 2
β3
Os generais das Forças Azuis, peritos em Investigação Operacional, preci-

savam de decidir de que aquartelamento deviam seguir as divisões necessárias

em β1 , β2 e β3 . O objetivo era a minimização das perdas humanas, relacio-
nado directamente com o perigo de bombardeamento.
Durante a reunião do Estado-Maior das Forças Azuis, o general de 20
estrelas Foj (em código, como não podia deixar de ser) disse: “O perigo
de bombardeamento das divisões em movimento pode ser considerado como
directamente proporcional à distância entre cada α e cada β. Nesse caso
devem-se usar essas distâncias como o perigo que uma divisão corre ao ser
transportada de αi para βi e aplicar um algoritmo de afectação para resol-
ver o problema”. O general Jac acrescentou: “Podı́amos também usar um
algoritmo de transportes para resolver o problema, considerando também as
distâncias como uma medida para o perigo”. Por fim, o general Soj ordenou
“A divisão que sobrar fica no aquartelamento respectivo”.
Siga as instruções dos generais Foj, Jac e Soj e informe-nos quais foram
as decisões tomadas pelo Estado-Maior das Forças Azuis, porque nós somos as Forças
Verdes!!!!

9.2.2 Resolução
Numa primeira fase, vai ser necessário determinar os caminhos mı́nimos entre
os αi e os βj , para depois usar esses valores tanto no algoritmo de afectação
sugerido pelo general Foj como no algoritmo de transportes sugerido pelo
general Jac.
(a) Determinação dos caminhos mı́nimos entre α1 e os βj :
Nós
iter α1 1 2 β1 β2 β3
0 0∗ ∞ ∞ ∞ ∞ ∞
1 0∗ 1∗ 3 ∞ ∞ ∞
2 0∗ 1∗ 2∗ 3 5 ∞
3 0∗ 1∗ 2∗
3 ∗
5 4
4 0∗ 1∗ 2∗ 3∗ 5 4∗
5 0∗ 1∗ 2∗ 3∗ 5∗ 4∗
Resultados:
• caminho α1 → 1 → β1 , com “custo”3;

• caminho α1 → 1 → 2 → β3 , com “custo”4.
(b) Determinação dos caminhos mı́nimos que partem de α2 :
Nós
0 0∗ ∞ ∞ ∞ ∞ ∞
1 0∗ 2∗ 3 ∞ ∞ ∞
2 0∗ 2∗ 3∗ 4 6 ∞
3 0∗ 2∗ 3∗
4 ∗
6 5
4 0∗ 2∗ 3∗
4 ∗
6 5∗
5 0∗ 2∗ 3∗
4 ∗
6∗ 5∗
Resultados:

• caminho α2 → 2 → β3 , com “custo”5.

(c) Determinação dos caminhos mı́nimos que partem de α3 :
Nós
0 0∗ ∞ ∞ ∞ ∞ ∞
1 0∗ ∞ 1∗ ∞ ∞ 4
2 0∗ ∞ 1∗ 4 6 3∗
3 0∗ ∞ 1∗
4 ∗
6 3∗
4 0∗ ∞ 1∗ 4∗ 6∗ 3∗
Resultados:
• caminho α3 → 2 → β3 , com “custo”3.
(d) Seguindo a sugestão do general Foj : “O perigo de bombardeamento
das divisões em movimento pode ser considerado como directamente
proporcional à distância entre cada α e cada β. Nesse caso devem-
se usar essas distâncias como o perigo que uma divisão corre ao ser
transportada de αi para βi e aplicar um algoritmo de afectação para
resolver o problema”.
Utilizem-se então os valores obtidos pelo algoritmo de caminho mı́nimo,
para o algoritmo de afectação. O destino X no quadro abaixo corres-
ponde à ordem do general Soj “A divisão que sobrar fica no aquartela-
mento respectivo”.
Divisões necessárias
Divisões β1 β1 β2 β3
disponı́veis 1 2 3 4 X
α1 1 3 3 5 4 0
α1 2 3 3 5 4 0
α2 3 4 4 6 5 0
α2 4 4 4 6 5 0
α3 5 4 4 6 3 0
1 2 3 4 X
1 0 0 0 1 0
2 0 0 0 1 0
3 1 1 1 2 0 4 traços < 5
4 1 1 1 2 0
5 1 1 1 0 0

1 2 3 4 X
1 0 0 0 1 1
2 0 0 0 1 1 5 traços, solução óptima com custo
3 0 0 0 1 0 3 + 3 + 6 + 3 + 0 = 15.
4 0 0 0 1 0
5 1 1 1 0 1
A conclusão deste estudo é a seguinte:
• as duas divisões aquarteladas em α1 devem ir para β1 (passando

por 1);
• uma das divisões aquarteladas em α2 deve ir para β2 (passando
por 1) e a outra deve-se manter em α2 ;
• a divisão aquartelada em α3 deve ir para β3 (passando por 2).
O custo (perigo) total da solução será 15.
(e) Seguindo a sugestão do general Jac: “Podı́amos também tentar usar

um algoritmo de transportes para resolver o problema, usando também
as distâncias como uma medida para o perigo”.
Utilização dos valores obtidos pelo algoritmo de caminho mı́nimo, para
o algoritmo de transportes:
β1 β2 β3 X
α1 3 5 4 0 2
α2 4 6 5 0 2
α3 4 6 3 0 1
2 1 1 1
Obtenção da solução inicial pela regra dos custos mı́nimos:

1 -- -- 1 /2 /1 0
3 5 4 0
1 1 -- -- /2 /1 0
4 6 5 0
-- -- 1 0 /1 0
4 6 3 0
2/ /1 1/ 1/
1/ 0 0 0
0
Primeiro quadro do algoritmo de transportes:
0 2 0 -3
1+θ -- -- 1-θ
3 0 5 1 4 0
3
1-θ 1 -- θ
4 6 1 5 -1 0
4
-- -- 1 0
1 4 1 6 3 0
3
Do quadro anterior retira-se que θ = 1 e pode-se obter segundo quadro

do algoritmo de transportes:

0 2 -1 -4
2 -- -- --
3 3 0 5 1 4 1 0
0 1 -- 1
4 4 6 2 5 0
-- -- 1 0
4 0 4 0 6 3 0
A conclusão deste estudo é igual à obtida pelo algoritmo de afectação

(como seria de esperar):
• as duas divisões aquarteladas em α1 devem ir para β1 (passando

por 1);
• uma das divisões aquarteladas em α2 deve ir para β2 (passando
por 1) e a outra deve-se manter em α2 ;
• a divisão aquartelada em α3 deve ir para β3 (passando por 2).
O custo (perigo) total da solução será 2 × 3 + 1 × 6 + 1 × 0 + 1 × 3 = 15.

9.3 Ven de Dor

9.3.1 Enunciado
O Sr. Ven de Dor, técnico de vendas, vai comprar um carro novo. Dadas
as caracterı́sticas da profissão do Sr. Ven de Dor, o veı́culo sofrerá uma
utilização muito grande, o que implica que, apesar de o Sr. Ven de Dor se
ir reformar daqui a 3 anos, possa ser economicamente mais favorável trocar
de carro ao fim de 1 ou 2 anos, em vez de o manter durante os 3 anos.
Isto sobretudo porque os custos de utilização e manutenção crescem muito
rapidamente com o envelhecimento dos veı́culos.
O Sr. Ven de Dor sentou-se à sua secretária e calculou o custo total,
preço de um carro novo menos o que o stand dá pelo usado, mais os custos
de utilização e manutenção (oficina...), de comprar um carro novo no ano
i e trocá-lo no fim do ano j (o ano 0 é agora). Na tabela seguinte estão
representados (em milhares de escudos) os custos calculados pelo Sr. Ven de
Dor.
i
0 1 2
1 800
j 2 1800 1000
3 3100 2100 1200
Assim, por exemplo, trocar o carro agora comprado (fim do ano 0) no fim
do ano 1 e depois manter o carro comprado no fim do ano 1 até ao fim do
ano 3, corresponde a um custo de 800 + 2100 = 2900.
O Sr. Ven de Dor tem que decidir quantas vezes deve trocar de carro (se
alguma) de forma a minimizar a sua despesa total com carros durante estes
3 anos.
(a) Formule este problema como um problema de caminho mı́nimo.
(b) Resolva o problema utilizando o algoritmo de Dijkstra.

9.3 Ven de Dor 223
9.3.2 Resolução
(a) A representação do problema do Sr. Ven de Dor como um problema de
caminho mı́nimo está na figura seguinte.
2100
800 1000 1200

1 2 3 4
1800
3100
Fim ano 0 Fim ano 1 Fim ano 2 Fim ano 3
(b) Partindo da figura e utilizando o algoritmo de Dijkstra, obtém-se o

quadro seguinte:
Nós
iter 0 1 2 3
0 0∗ ∞ ∞ ∞
1 0∗ 800∗ 1800 3100
2 0∗ 800∗ 1800∗ 2900
3 0∗ 800∗ 1800∗ 2900∗
O caminho mı́nimo, que corresponde no problema ao custo mı́nimo

para o Sr. Ven de Dor, será 2900. Esse custo corresponde à seguinte
polı́tica óptima de aquisição de automóveis:
O Sr. Ven de Dor deve trocar de automóvel ao fim de 1 ano e deve
manter esse automóvel até ao fim do perı́odo analisado.

9.4 Tabuleiro
9.4.1 Enunciado
Considere um tabuleiro com 3 × 4 quadrı́culas. Cada quadrı́cula contém um
número:
0 4 3 6
7 8 6 8
2 3 1 8
O objetivo do jogo consiste em deslocar um peão desde o canto superior es-

querdo até ao canto inferior direito, através de uma sequência de movimentos
para a direita ou para baixo, de forma a minimizar o somatório dos pontos
correspondentes às quadrı́culas por onde se passou.
(a) Formule este jogo como um problema de caminho mı́nimo.
(b) Resolva-o, usando uma das técnicas estudadas na cadeira.

9.4 Tabuleiro 225
9.4.2 Resolução
(a) A formulação do jogo descrito como um problema de caminho mı́nimo
passa por fazer corresponder a cada quadrı́cula um nó, que será nume-
rado de cima para baixo e da esquerda para a direita: 1, 2, 3, 4, 5, 6 . . .
Entre quadrı́culas adjacentes existirão ramos, orientados de acordo com
os movimentos no tabuleiro. A distância associada a cada ramo será o
número constante na quadrı́cula correspondente ao nó de chegada.
Na figura seguinte está representado o problema de caminho mı́nimo
associado ao jogo descrito.
1 4 2 3 3 6 4
7 8 6 8
5 8 6 6 7 8 8
2 3 1 8
9 3 10 1 11 8 12
(b) A partir da figura e utilizando o algoritmo de Dijkstra, obtém-se o

quadro seguinte:
Nós
iter 1 2 3 4 5 6 7 8 9 10 11 12
0 0∗ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞
1 0∗ 4∗ ∞ ∞ 7 ∞ ∞ ∞ ∞ ∞ ∞ ∞
2 0∗ 4∗ 7∗ ∞ 7 12 ∞ ∞ ∞ ∞ ∞ ∞
3 0∗ 4∗ 7∗ 13 7∗ 12 13 ∞ ∞ ∞ ∞ ∞
4 0∗ 4∗ 7∗ 13 7∗ 12 13 ∞ 9∗ ∞ ∞ ∞
5 0∗ 4∗ 7∗ 13 7∗ 12∗ 13 ∞ 9∗ 12 ∞ ∞
6 0∗ 4∗ 7∗ 13 7∗ 12∗ 13 ∞ 9∗ 12∗ ∞ ∞
7 0∗ 4∗ 7∗ 13∗ 7∗ 12∗ 13 ∞ 9∗ 12∗ 13 ∞
8 0∗ 4∗ 7∗ 13∗ 7∗ 12∗ 13∗ 21 9∗ 12∗ 13 ∞
9 0∗ 4∗ 7∗ 13∗ 7∗ 12∗ 13∗ 21 9∗ 12∗ 13∗ ∞
10 0∗ 4∗ 7∗ 13∗ 7∗ 12∗ 13∗ 21 9∗ 12∗ 13∗ 21∗

A solução mı́nima para o jogo descrito no enunciado é 21, e corresponde

à distância mı́nima entre o nó 1 e o nó 12. O percurso óptimo está
representado a traço grosso na figura seguinte:
1 4 2 3 3 6 4
7 8 6 8
5 8 6 6 7 8 8
2 3 1 8
9 3 10 1 11 8 12

9.5 Perseguição ao Ladrão 227
9.5 Perseguição ao Ladrão

9.5.1 Enunciado
A esquadra da PSP de Cedofeita (Porto) recebeu um pedido muito urgente
para intervir numa tentativa de assalto numa ourivesaria localizada numa
rua próxima.
O Comando Operacional deseja conhecer qual será o melhor trajecto a to-
mar, por forma a minimizar o tempo da viagem até ao objectivo pretendido.
Usando um mapa daquela zona da cidade, representado esquematicamente
na figura, e conhecidos os tempos (médios, em segundos) necessários para
percorrer cada um dos troços de rua representados, utilizaram então o algo-
ritmo de Dijkstra para determinar esse caminho mais curto (e, entretanto os
ladrões...).
Coloque-se no lugar do Comando, e, partindo da rede apresentada, en-
contre esse caminho mı́nimo.

9.5.2 Resolução
Simplificando o mapa da zona da cidade referida, este pode ser representando

esquematicamente tal como na figura seguinte. Repare que os nós 5, 6 e 7
do esquema inicial formam um beco sem saı́da.
1 10 13 13 12
8 6
2 7 14 8
10
3 11
11
12 16
4 14 8 10 Ourivesaria 9 9 4 10
Simplificando ainda um pouco mais a rede da figura, obtém-se a seguinte

rede:
10
11 4
13 21 11 16 9
10 6
1 14 9
8 7
2 46 Ourivesaria
Utilizando o algoritmo de Dijkstra, obtém-se o quadro seguinte:

9.5 Perseguição ao Ladrão 229
Nós
iter 1 2 9 10 11 13 14 Our
0 0∗ ∞ ∞ ∞ ∞ ∞ ∞ ∞
1 0∗ 8∗ ∞ ∞ ∞ 10 ∞ ∞
2 0∗ 8∗ ∞ ∞ ∞ 10∗ 15 54
3 0∗ 8∗ ∞ ∞ 31 10∗ 15∗ 54
4 0∗ 8∗ ∞ ∞ 31∗ 10∗ 15∗ 54
5 0∗ 8∗ 47 42∗ 31∗ 10∗ 15∗ 54
6 0∗ 8∗ 46∗ 42∗ 31∗ 10∗ 15∗ 54
7 0∗ 8∗ 46∗ 42∗ 31∗ 10∗ 15∗ 54∗
A distância mı́nima entre a esquadra e a ourivesaria será então igual a 54

e o caminho mı́nimo será 1 → 2 → Ourivesaria, ou seja, 1 → 2 → 3 → 4 →
8 → Ourivesaria.


Capı́tulo 10
Planeamento e Controlo de
Projetos
• A partir da descrição de um projeto, incluindo a lista de atividades e as
respetivas precedências assim como a duração média e o desvio-padrão
de cada atividade:
– desenhar a rede de atividades, na notação de “atividades nos nós”;

– calcular, para cada atividade, as datas de inı́cio mais cedo e mais
tarde, assim como as datas de fim mais cedo e mais tarde;
– calcular, para cada atividade, as folgas livres e totais;
– determinar o caminho crı́tico do projeto.
• No caso de durações probabilı́sticas (PERT), calcular:
– a probabilidade do projeto ter uma duração diferente da duração

média;
– a duração associada a uma probabilidade dada.
• Face à necessidade de encurtar a duração de um projeto e conhecendo

os custos por unidade de redução de cada uma das actividades, ava-
liar e propor soluções com o objetivo de minimizar o custo total dessa
redução.
• Conhecendo a necessidade de utilização de recursos mais caros/escassos:

232 Planeamento e Controlo de Projetos
– determinar datas de inı́cio das atividades do projeto por forma a

nivelar a utilização desses recursos não ultrapassando a duração
do projeto.
• Conhecendo a disponibilidade máxima de um recurso:
– determinar datas de inı́cio das atividades do projeto por forma

cumprir a restrição de disponibilidade máxima, minimizando o
aumento na duração do projeto.

233
Exercı́cios
10.1 Banco TTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234

10.2 Projeto A a I . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
10.3 Projeto A a J . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
10.4 9 Atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
10.5 Limpeza ShopShopping . . . . . . . . . . . . . . . . . . . . . 247
10.6 UNIFIL no Lı́bano . . . . . . . . . . . . . . . . . . . . . . . . 248
10.7 Estorninhos em Evoramonte . . . . . . . . . . . . . . . . . . 250

10.1 Banco TTM

10.1.1 Enunciado
O banco TTM (Tostão a Tostão se faz um Milhão) decidiu transferir e ampliar
a sua sede e serviços centrais para a cidade do Porto. Este projeto foi dividido
em tarefas, tendo as suas precedências sido estabelecidas e os tempos de
execução médios, e seus desvios-padrão, estimados:
Atividade Descrição Duração Desvio- Atividades

média Padrão imediatamente
(semanas) (semanas) posteriores
LO Obtenção de licenças de obras 5 1 OA, ME RTF
OA Obras de alteração do edifı́cio 21 2 II
ME Medição do espaço 1 0 PAI, PAM
RTF Recrutamento e treino dos funcionários 21 1 M
PAI Planeamento e aquisição de infra-estruturas 24 1 II
II Instalação de infra-estruturas 7 1 IM
PAM Planeamento e aquisição de mobiliário 10 1 IM
IM Instalação de mobiliário 1 0 M
M Mudança 2 0 —
(a) Desenhe a rede de atividades correspondente ao projeto.
(b) Calcule as folgas totais e livres e determine o caminho crı́tico.
(c) Qual é a probabilidade de o projeto se atrasar 2 semanas ou mais?
(d) Durante a execução do projeto conclui-se que as atividades OA e PAM

sofrerão atrasos de 4 e 8 semanas, respectivamente. Será necessário
alterar a execução dessas atividades para que a data prevista para a
conclusão do projeto não seja comprometida? Justifique.

10.1 Banco TTM 235
(a) A rede está representada na figura seguinte.
OA
21
II
7
PAI
LO 24
5 ME
1 IM
1
PAM
10
RTF M
21 2
(b) Na figura seguinte estão representadas as folgas totais e livres de cada

uma das atividades. O caminho crı́tico corresponde às atividades LO →
M E → P AI → II → IM → M
5 OA 26
4 21 4
9 30
30 II 37
0 7 0
6 PAI 30 30 37
0 LO 5 0 24 0
0 5 0 5 ME 6
6 30
0 5 0 1 0 37 IM 38
5 6 0 1 0
6 PAM 16 37 38
21 10 21
5 RTF 26 27 37 38 M 40
12 21 12 0 2 0
17 38 38 40
(c) Duração total do projeto é igual à soma das durações das atividades
do caminho crı́tico:
DT = D1 + D2 + D3 + . . . + Dn = 40
Como as durações das atividades são variáveis aleatórias, DT também

será uma variável aleatória com média µT dada por:
µT = µ1 + µ2 + µ3 + . . . + µn = 40

Admitindo que as durações das atividades são variáveis aleatórias in-

dependentes, a variância da duração total σT2 será:
σT2 = σ12 + σ22 + σ32 + . . . + σn2 = 12 + 02 + 12 + 12 + 02 = 3
Duração total do projeto pode ser descrita por uma distribuição normal
com média µT e variância σT2 .
A probabilidade de o projeto se atrasar 2 semanas ou mais, corresponde
à probabilidade de a duração do projeto ser ≥ 42.

42−µT 42−40
P (D ≥ 42) = P Z ≥ σT
=P Z≥ √
3
= P (Z ≥ 1.15) ≈
0.1251 ≈ 12.5%
(d) Dado que o atraso de 4 semanas na atividade OA, é menor ou igual

que a folga total de OA, esse atraso não compromete a data de fim do
projeto.
Dado que o atraso de 8 semanas na atividade PAM, é é menor ou igual
que a folga total de PAM, esse atraso não compromete a data de fim
do projeto.

10.2 Projeto A a I 237
10.2 Projeto A a I
10.2.1 Enunciado
No quadro seguinte estão representadas as atividades que constituem um de-
terminado projecto. Para cada uma é fornecida a sua duração e as atividades
que lhe são imediatamente posteriores:
Atividade Duração Atividades

média imediatamente
(semanas) posteriores
A 2 G
B 4 —
C 7 E, I, B
D 3 A, F
E 3 G
F 3 I, B
G 4 H
H 5 —
I 9 H
Desenhe a rede de atividades associada a este projecto e determine o

caminho crı́tico e as folgas totais e livres de todas as atividades do projecto.

Aa rede está representada na figura seguinte.
4
F
3 FIM
0
I H
C
9 5
7
INICIO
0 E
G
D 3
4
3
XX
Na figura seguinte estão representadas as folgas totais e livres de cada uma

das actividades. O caminho crı́tico corresponde às atividades C → I → H e
tem uma duração média de 21 semanas.
7,00 4,00 11,00
10,00 B 10,00
3,00 3,00 6,00
17,00 21,00 21,00 0,00 21,00
1,00 F 1,00
4,00 7,00 0,00 FIM 0,00

7,00 9,00 16,00 16,00 5,00 21,00
0,00 7,00 7,00 21,00 21,00
0,00 I 0,00 0,00 H 0,00
0,00 C 0,00
7,00 16,00 16,00 21,00
0,00 0,00 0,00 0,00 7,00
0,00 INICIO 0,00 7,00 3,00 10,00

10,00 4,00 14,00
0,00 0,00 0,00 3,00 3,00 0,00 E 2,00
2,00 G 2,00
0,00 D 1,00 9,00 12,00
12,00 16,00
1,00 4,00
3,00 2,00 5,00
5,00 A 7,00
10,00 12,00
EST D EFT
FL ID FT
LST LFT

10.3 Projeto A a J 239
10.3 Projeto A a J
10.3.1 Enunciado
Considere o seguinte projecto:
Atividade Duração Desvio- Atividades

(semanas) (semanas) precedentes
A 8 3 D
B 1 0 H
C 5 1 —
D 8 2 —
E 10 3 C, D
F 6 2 H
G 4 1 B, I, J
H 5 1 A, E
I 9 2 D
J 2 0 A, E
(a) Trace a rede de atividades para este projecto.
(b) Defina o caminho crı́tico (em termos de durações médias).
(c) Defina as folgas médias (total e livre) das atividades H, J e I.
(d) Determine a probabilidade de o projecto estar concluı́do antes da se-

mana 27 (admita que o projecto arranca no inı́cio da semana 0). Cri-
tique a estimativa da probabilidade obtida.
(e) Qual a probabilidade de o projecto estar concluı́do entre o inı́cio da

semana 27 e o fim da semana 30?
(f ) Que data de conclusão do projecto deverá ser proposta, para que haja
apenas 5% de probabilidade de não a cumprir?
(g) No fim da semana 13, o estado de execução das diferentes atividades é

o seguinte:
• atividades completas: C e D
• atividades em execução:
– E (valor esperado da duração restante: 1 semana)
– A (valor esperado da duração restante: 1 semana)

– I (valor esperado da duração restante: 8 semana)

– atividades não iniciadas: as restantes
Redefina a rede. Indique sobre a rede os valores esperados das datas de

inı́cio mais cedo e das datas de fim mais tarde para as atividades não
terminadas, bem como o(s) caminho(s) crı́tico(s), na nova situação.

D A J
G
8 8 2
4
INICIO
0 B FIM
C E H 1 0
5 10 5
F
XX

uma das actividades. O caminho crı́tico corresponde às atividades D →
E → H → F e tem uma duração média de 29 semanas.
8 I 17
7 9 8
16 25
0 D 8 8 A 16 18 J 20
24 G 28
0 8 0 2 8 2 4 2 5
1 4 1
0 INICIO 0 0 8 10 18 23 25
25 29
0 0 0 23 B 24 29 FIM 29
0 0 0 C 5 8 E 18 18 H 23 0 1 1 0 0 0
3 5 3 0 10 0 0 5 0 24 25 29 29
23 F 29
3 8 8 18 18 23
0 6 0
23 29
EST XX EFT
FL D FT
LST LFT
(c) Ver figura anterior.
(d) A duração total do projeto é igual à soma das durações das atividades
DT = D1 + D2 + D3 + . . . + Dn = 29


µT = µ1 + µ2 + µ3 + . . . + µn = 8 + 10 + 5 + 6 = 29

σT2 = σ12 + σ22 + σ32 + . . . + σn2 = 22 + 32 + 12 + 22 = 18
Duração total do projeto pode ser descrita por uma distribuição normal
com média µT e variância σT2 .
Neste caso teremos então:

P (D ≤ 27) = P Z ≤ 27−µ σT
T
= P (Z ≤ 27−29
4.24
) = P (Z ≤ −0.47) ≈
0.5 − 0.1808 ≈ 0.32
A probabilidade de o projeto estar concluı́do antes da semana 27 é de

aproximadamente 30%.
Foi dito que a duração do caminho crı́tico tinha uma distribuição que
tendia para a distribuição normal. Isso significa que a sua distribuição
não será exactamente normal, tal como nós a consideramos. Estamos
pois perante uma possı́vel fonte de erro para a estimativa da probabili-
dade encontrada. Outro pressuposto que pode falsear os resultados é de
que a duração do projeto é a duração do caminho crı́tico encontrado.
Ora este é o caminho crı́tico quando as atividades demoram exacta-
mente a sua duração média. Se isso não acontecer pode o caminho
crı́tico ser alterado e a duração do projeto não corresponder à duração
do caminho crı́tico “médio”.
(e) A probabilidade de o projeto estar concluı́do entre o inı́cio da semana

27 e o fim da semana 30 corresponde à probabilidade de a duração do
projeto estar entre 27 e 31.
27−29
≤ Z ≤ 31−29

P (27 ≤ D ≤ 31) = P 4.24 4.24
= P (−0.47 ≤ Z ≤ 0.47) =
2 × 0.1808 ≈ 0.36
(f ) Devem-se propor 36 semanas até à conclusão do projecto, para que

haja apenas 5% de probabilidade de não cumprimento.

d−29 d−29

P (D ≥ d) = 0.05 ≡ P Z ≥ = 0.05 ≡
4.24 4.24
= 1.645 ≡ d = 36
semanas
(g) A situação intermédia referida no enunciado, está representada na fi-

gura seguinte:
0 I 8
0 8 0
0 8
0 INICIO 0 0 A 1 1 J 3
8 G 12
0 0 0 0 1 0 5 2 5
0 4 0
0 0 0 1 6 8
8 12 12 FIM 12
6 B 7
0 E 1 1 H 6 0 0 0
1 1 1
0 1 0 0 5 0 12 12
7 8 6 F 12
0 1 1 6 0 6 0
6 12
EST XX EFT
FL D FT
LST LFT
Os caminhos crı́ticos correspondem às atividades E → H → F , A →

H → F e I → G e têm uma duração média de 12 semanas
A semana 0 desta rede corresponde à semana 14 da rede inicial, o que
significa que o projeto pode terminar no inı́cio da semana 26 (ou fim
da semana 25), estando 3 semanas adiantado face à previsão inicial.

10.4 9 Atividades
10.4.1 Enunciado
Um dado projeto envolve as 9 atividades que se caracterizam na tabela se-
guinte:
Atividade Duração Desvio- Atividades

(semanas) (semanas) anteriores
A 10 2 —
B 7 1 —
C 16 3 —
D 12 1 A
E 5 1 B
F 12 2 B
G 8 2 E, D
H 10 2 F, E, D
I 8 2 G, H
(a) Defina os números de ordem das atividades, desenhe a rede correspon-

dente e determine o caminho crı́tico.
(b) Calcule as folgas médias total e livre das atividades F, B e D. Qual o

interesse desses valores no controlo de um projecto?
(c) Calcule a probabilidade de o projeto não estar completo ao fim de 50

semanas. Que confiança tem no valor encontrado?

10.4 9 Atividades 245
16
F FIM
INICIO B 12 0
0 7
H I
10 8
E
G
A
8
10 D XX
12 D
O caminho crı́tico corresponde às atividades A → D → H → I e tem

uma duração média de 40 semanas.
0 C 16
16
24 40
7 F 19 40 FIM 40
0 INICIO 0 0 B 7 12 0
0 7 10 22 40 40
22 H 32 32 I 40
0 0 3 10
10 8
7 E 12
22 32 32 40
5
17 22
22 G 30
0 A 10
8
10 10 D 22 EST XX EFT
24 32
0 10 12 D
10 22 LST LFT

uma das atividades.

0 C 16
24 16 24
24 40
7 F 19 40 FIM 40
0 INICIO 0 0 B 7 3 12 3 0 0 0
0 0 0 0 7 3 10 22 40 40
22 H 32 32 I 40
0 0 3 10
0 10 0 0 8 0
7 E 12
22 32 32 40
10 5 10
17 22
22 G 30
0 A 10
2 8 2
0 10 0 10 D 22 EST XX EFT
24 32
0 10 0 12 0 FL D FT
10 22 LST LFT
(c) A duração total do projecto é igual à soma das durações das atividades
DT = D1 + D2 + D3 + . . . + Dn = 40

µT = µ1 + µ2 + µ3 + . . . + µn = 10 + 12 + 10 + 8 = 40

σT2 = σ12 + σ22 + σ32 + . . . + σn2 = 22 + 12 + 22 + 22 = 13
Duração total do projecto pode ser descrita por uma distribuição nor-
mal com média µT e variância σT2 .
Neste caso teremos então:

51−µT
P (D ≥ 51) = P Z ≥ σT = P (Z ≥ 51−40
3.61
) = P (Z ≥ 3.05) ≈
1 − 0.5 − 0.4989 ≈ 0.0011
A probabilidade de o projecto não estar concluı́do ao fim de 50 semanas

é de aproximadamente 1%.

10.5 Limpeza ShopShopping 247
10.5 Limpeza ShopShopping

10.5.1 Enunciado
1
Quando um centro comercial fecha ao público continua a fervilhar de vida
no seu interior. É preciso limpar, esvaziar contentores, repor stocks nas lojas,
fazer manutenção, etc., para que no dia seguinte tudo brilhe como no dia da
inauguração.
Estas tarefas têm que ser levadas a cabo de uma forma organizada e
respeitando algumas precedências entre elas. A sua duração não é determi-
nı́stica, mas a experiência acumulada de outros centros comerciais permite
estabelecer que a duração de cada atividade segue uma distribuição normal
com média e desvio-padrão conhecidos.
Na tabela seguinte apresenta-se essa informação:
Atividades Atividades imediatamente µ σ

anteriores (horas) (horas)
Recolha de resı́duos (RL) — 2 0.5
Lavagem de vidros e montras (LVM) D,MEA 3 1
Limpeza do chão (LC) LVM,DEC,RS 4 0.5
Desinfestação (D) — 2 0
Montagem de estruturas e andaimes (MEA) — 1 0
Manutenção eléctrica (ME) MEA 2 1
Reposição de stocks (RS) RL 2 1
Decoração (DEC) RL,ME,D,MEA 1 1
(a) Indique o valor esperado para a duração do projecto constituı́do por

estas atividades, indicando as folgas total e livre para cada atividade.
(b) Qual é a probabilidade de este conjunto de atividades não se concluir

nas 10 horas em que o centro comercial está encerrado?
1
Exame de 1999.02.11 de IO da LEEC da FEUP

10.6 UNIFIL no Lı́bano

10.6.1 Enunciado
2
No âmbito das suas atividades de construções verticais, a UnEng5 tem como
missão a reconstrução da escola primária de Naqoura, parcialmente destruı́da
nos confrontos com Israel em 2006.
Este não é um projeto complicado em termos de engenharia mas, dado
o seu carácter urgente, tem lugar de destaque nas prioridades da unidade
portuguesa.
A rede seguinte representa a relação entre as várias atividades identifica-
das como essenciais para concretizar o projeto, bem como as suas durações
(valor médio e desvio padrão).
B E H
A 3 5 2
3 1 1 1
1
C F G I
4 3 4 2
1 1 2 1
D
ES Act EF
5
FS µ TS
2
LS σ LF
(a) Determine a duração e o caminho crı́tico do projeto.
(b) Indique todas as folgas (total e livre) de cada uma das atividades do
projeto.
(c) Um atraso de 2 dias no inı́cio da atividade F comprometerá a duração

total do projeto? Justifique.
(d) Qual a probabilidade do projeto se prolongar por 3 ou mais dias?
2

10.6 UNIFIL no Lı́bano 249
(a) A rede do projecto está desenhada na figura seguinte:
3 B 6 7 E 12 12 H 14
0 A 3 1 3 1 0 5 0 2 2 2
0 3 0 4 1 7 7 1 12 14 1 16
0 1 3
3 C 7 8 F 11 12 G 16 16 I 18
0 4 0 1 3 1 0 4 0 0 2 0
3 1 7 9 1 12 12 2 16 16 1 18
3 D 8
0 5 1
4 2 9
Duração prevista: 18 dias

Caminho crı́tico: A→C→E→G→I
(b) Folgas Totais e Livres indicadas na figura anterior.
(c) Tendo em conta que para a atividade F: FT = FL = 1 dia, um atraso

de 2 dias no inı́cio desta atividade implicaria um atraso de 1 dia na
conclusão do projecto, que demoraria 19 dias a ser concluı́do.
(d) Duração média do projecto:
µT = µA + µC + µE + µG + µI = 18
Variância da duração do projecto:
σT2 = σA2 + σC2 + σE2 + σG

2
+ σI2 = 8
21 − 18
P rob(DT ≥ 21) = P rob(Z ≥ √ ) = P rob(Z ≥ 1, 06) = 0, 1446 ' 14, 46%
8

10.7 Estorninhos em Evoramonte

10.7.1 Enunciado
3
Para resolver os problemas de falha das linhas, devidos aos bandos de estor-
ninhos, foi decidido construir uma linha aérea a 30 kV, EV 30-25-32-08-01,
com 6268 m, com origem no apoio no 13 da linha de MT a 15 kV (EV 15-37-
14-03-01-05) Herdade dos Cortes e término no apoio no 9 da linha de MT a 30
kV (EV 30-03-35-11) Convento da Serra d’Ossa, freguesias de Évoramonte,
Glória e Redondo, concelhos de Estremoz e Redondo. Com esta linha será
possı́vel estabelecer redundância na distribuição de energia e minimizar os
cortes provocados pelos estorninhos.
A construção desta nova linha pressupõe a execução de 5 grandes ativi-
dades:
(U) Estudo sobre os hábitos de nidificação dos estorninhos, a levar a cabo
pelas populações de Azaruja, Vimeiro e Estremoz.
(Y) Levantamento topográfico do território a ser atravessado pela linha.
(K) Ajuste directo da empreitada, por urgência do interesse público.
(Z) Construção da linha.
(W) Construção de zonas de nidificação artificiais, para afastar os estorni-

nhos na nova linha.
A sequência e duração destas atividades estão representadas na figura.
(a) Indique, justificando com os necessários cálculos, os valores das letras

a, b, c, d, e, f , g e h representadas com fundo cinzento na figura.
(b) O levantamento topográfico (atividade Y) é executado pela mesma

equipa que executa o estudo sobre os hábitos de nidificação (atividade
U). Considerando que essa equipa tem 16 elementos e que a atividade
Y ocupa 10 pessoas durante toda a sua duração (15 dias) e que a ati-
vidade U ocupa 8 pessoas toda a sua duração (10 dias), qual seria a
duração mı́nima que se conseguiria para este projeto? Porquê?
(c) Considerando que os valores apresentados na figura para a duração das

atividades são valores médios, sendo as durações uma variável aleatória
com distribuição normal de variância 1, qual seria a probabilidade de
a duração do projeto ser menor ou igual a 29 dias? Justifique.
3

10.7 Estorninhos em Evoramonte 251
(d) O que seria necessário ter em consideração se se quisesse calcular a

probabilidade de o projeto ter uma duração menor ou igual a 27 dias?
0 Y 15
0 15 0
0 15
0 X 0
e Z 30
0 0 0
f 15 0
0 0
0 U 10 10 K 13 15 30 30 T 30
a 10 2 2 3 2 0 0 0
b c 12 d 30 30
ES X EF 10 W 27
FS d TS g 17 3
LS LF h 30

(a) e = ESZ = max(EFY ; EFK ) = max(15; 13) = 15
f = F LZ = LSZ − ESZ = 15 − 15 = 0
d = LFK = EFK + F TK = 13 + 2 = ESZ = 15
c = LFU = EFU + F TU = 10 + 2 = 12
b = LSU = LFU − dU = 12 − 10 = 2
a = F LU = min(ESK ; ESW ) − dU = min(10; 10) − 10 = 0
h = LSW = EST − dW = 30 − 17 = 13
g = F LW = LSW − ESW = 13 − 10 = 3
ES X EF
FS d TS
LS LF
0 Y 15
0 15 0
0 15
0 X 0
15 Z 30
0 0 0
0 15 0
0 0
0 U 10 10 K 13 15 30 30 T 30
0 10 2 2 3 2 0 0 0
2 12 12 15 30 30
10 W 27
3 17 3
13 30
(b) A atividade Y e a atividade U não podem ocorrer em simultâneo.

Representam-se na figura seguinte duas alternativas tendo isso em con-
sideração. Numa primeira alternativa a atividade Y decorre antes da
atividade U e a duração total do projecto seria 43 dias. Alternativa-
mente, se a atividade U decorrer antes da atividade Y a duração total
do projecto seria 40 dias. A duração mı́nima que se conseguiria para o
projecto seriam 40 dias.

0 X 0 0 Y 15 15 U 25 25 K 28 28 Z 43
0 0 0 0 15 0 0 10 0 0 3 0 0 15 0
0 0 0 10 15 15 8 25 25 28 28 43
43 T 43
25 W 42 0 0 0
1 17 1 43 43
26 43
10 Y 25
0 15 0
0 X 0 10 10 25
0 0 0
25 Z 40
0 0
0 U 10 10 K 13 0 15 0 40 T 40
0 10 0 12 3 12 25 40 0 0 0
0 8 10 22 25 40 40
10 W 27
13 17 13
23 40
(c) Na figura seguinte está representada a rede de projecto e as atividades

que estão no caminho crı́tico têm fundo cinza claro.
0 Y 15
0 15 0
0 15
0 X 0
15 Z 30
0 0 0
0 15 0
0 0
0 U 10 10 K 13 15 30 30 T 30
0 10 2 2 3 2 0 0 0
2 12 12 15 30 30
10 W 27
3 17 3
13 30
A duração média do projecto será igual à soma das durações médias

das atividades que pertencem ao caminho crı́tico:
µY + µZ = 15 + 15 = 30
A variância da duração do projecto será a soma das variâncias das
durações das atividades que pertencem ao caminho crı́tico:
τY2 + τZ2 = 1 + 1 = 2

P rob(DT <= 29) = P rob(DT0 < 29−30

√ )
2
= P rob(DT0 < −0.707) ≈
1 − 0.76 ≈ 24%
(d) Repetindo os cálculos para o caminho crı́tico, mas agora para uma
duração inferior a 27 semanas:
P rob(DT <= 27) = P rob(DT0 < 27−30
√ )
2
= P rob(DT0 < −2.121) ≈
1 − 0.9830 ≈ 1.7%
No entanto, há ainda outro caminho que tem uma duração de 28 dias,
maior portanto que os 27 dias. Esse caminho está representado na
figura seguinte a traço grosso.
0 Y 15
0 15 0
0 15
0 X 0
15 Z 30
0 0 0
0 15 0
0 0
0 U 10 10 K 13 15 30 30 T 30
0 10 2 2 3 2 0 0 0
2 12 12 15 30 30
10 W 27
3 17 3
13 30
A duração média desse caminho será igual à soma das durações médias
das atividades que pertencem ao caminho:
µU + µK + µZ = 10 + 3 + 15 = 28
A variância da duração desse caminho será a soma das variâncias das
durações das atividades que pertencem ao caminho:
τU2 + τK2 + τZ2 = 1 + 1 + 1 = 3
P rob(DT <= 27) = P rob(DT0 < 27−28
√ )
3
= P rob(DT0 < −0.577) ≈
1 − 0.7190 ≈ 28, 1%
A probabilidade de o projecto ter uma duração inferior a 27 dias será
pois a probabilidade de o primeiro caminho ter uma duração inferior
a 27 dias e o segundo caminho ter uma duração inferior a 27 dias. Se
os dois acontecimentos fossem estatisticamente independentes, a pro-
babilidade da intersecção seria o produto das duas probabilidades. Mas

estes acontecimentos são dependentes. Basta notar que têm a atividade

Z em comum.
Esta é uma das limitações do método PERT, que não incorpora ins-
trumentos para lidar com estas situações. Mesmo quando se calcula
a probabilidade de um projecto ter uma certa duração com base na
distribuição de probabilidades do caminho crı́tico, está-se a ignorar a
probabilidade de outros caminhos, que em valores médios são mais cur-
tos, se tornarem maiores que o caminho estudado, tornando-se eles o
caminho crı́tico.


Capı́tulo 11
Teoria da Decisão
Dado um problema de decisão:
• Identificar o decisor, as acções alternativas, os estados da natureza e a
sequência de decisões.
• Reconhecer acções alternativas que não sejam mutuamente exclusivas.
• Calcular a consequência de cada par (acção alternativa, estado da na-
tureza).
• Reconhecer acções (decisões) dominadas.
• Representar um problema de decisão por meio de uma Árvore de De-
cisão.
• Identificar a decisão a tomar:
– caso o decisor tenha informação perfeita;
– pelo critério de Laplace;
– pelo critério MaxiMin (ou MiniMax);
– pelo critério de Savage;
– pelo critério de Hurwicz;
– pelo critério do Máximo Valor Esperado;
– pelo critério da mı́nima Perda de Oportunidade Esperada
• Determinar o VEIP (aumento do Valor Esperado se a informação for
perfeita).

258 Teoria da Decisão
Exercı́cios
11.1 Xpt0 Textil . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259

11.2 Nova peça automóvel . . . . . . . . . . . . . . . . . . . . . . 262
11.3 Aquisição de máquinas . . . . . . . . . . . . . . . . . . . . . 264
11.4 Exploração de Gás Natural . . . . . . . . . . . . . . . . . . 267
11.5 Polido Guapo e a Lavandaria Asseada . . . . . . . . . . . . 270
11.6 LEST O, um novo produto . . . . . . . . . . . . . . . . . . . 273
11.7 A História de Chicofredo . . . . . . . . . . . . . . . . . . . . 275
11.8 To be or not to be . . . . . . . . . . . . . . . . . . . . . . . . 278
11.9 Vincennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279

11.1 Xpt0 Textil 259
11.1 Xpt0 Textil

11.1.1 Enunciado
A empresa XptO Lda. é uma empresa têxtil que está actualmente a preparar
a sua colecção de Inverno, a ser lançada no próximo ano. O Eng. Leopoldo,
gestor da empresa, está com dúvidas relativas ao montante de investimento a
ser destinado a esta colecção. Este pondera entre o que considera um grande
investimento, um investimento mediano e um pequeno investimento. Nos
últimos anos, o clima, que tanto influencia o sucesso da colecção, tem-se re-
velado incerto, sendo que o Outono e o Inverno podem ser muito semelhantes,
e às vezes o Inverno é marcado por dias de muito sol e calor. É sabido que,
se o próximo Inverno apresentar muitos perı́odos de sol e calor, a colecção
de Inverno irá ser um fracasso; se, por outro lado, o Inverno for rigoroso, a
colecção trará lucros avultados à XptO; há também a possibilidade de o In-
verno apresentar condições intermédias, correspondendo a um menor sucesso
da colecção.
O gestor da empresa preparou a matriz de decisão que se segue, com o
lucro em milhares de euros:
(Ke) Inverno rigoroso Inverno ameno Inverno quente

Grande investimento 5.000 2.000 -2.000
Investimento mediano 4.600 1.000 -50
Pequeno investimento 800 200 0
(a) Defina o decisor, as acções e os estados da natureza.
(b) Suponha que a instabilidade dos últimos anos torna muito difı́cil definir
as probabilidades de ocorrência dos estados da natureza. Determine
que tipo de investimento deve fazer a XptO com base nos seguintes
critérios:
(i) MaxiMax
(ii) MaxiMin
(iii) Laplace
(iv) Hurwicz (α=0.8)
(v) Savage
(c) Considere agora que apesar da instabilidade se estimam as seguintes

probabilidades de ocorrência dos estados da natureza:

p(Inverno rigoroso)=50%, p(Inverno ameno)=30%, p(Inverno quente)=20%.

Determine que tipo de investimento deve fazer a empresa com base nos
seguintes critérios:
(i) Maximização do valor esperado

(ii) Minimização da perda de oportunidade esperada

11.1 Xpt0 Textil 261
(a) O agente de decisão é o Eng. Leopoldo, gestor da empresa XptO; as
acções são: fazer um grande investimento, um investimento mediano e
um pequeno investimento; os estados da natureza são: Inverno rigoroso,
Inverno ameno, Inverno quente.
(b) (i) A decisão a tomar será a de fazer um grande investimento.
(Ke) Inverno rigoroso Inverno ameno Inverno quente MaxiMax
Grande inv. 5.000 2.000 -2.000 5.000
Inv. mediano 4.600 1.000 -50 4.600
Pequeno inv. 800 200 0 800
(ii) A decisão a tomar será a de fazer um pequeno investimento.

(Ke) Inverno rigoroso Inverno ameno Inverno quente MaxiMin
Grande inv. 5.000 2.000 -2.000 -2.000
Inv. mediano 4.600 1.000 -50 -50
Pequeno inv. 800 200 0 0
(iii) A decisão a tomar será a de fazer um investimento mediano.

(Ke) Inverno rigoroso Inverno ameno Inverno quente Laplace
Grande inv. 5.000 2.000 -2.000 1.667
Inv. mediano 4.600 1.000 -50 1.850
Pequeno inv. 800 200 0 333
(iv) A decisão a tomar será a de fazer um investimento mediano.

(Ke) Inverno rigoroso Inverno ameno Inverno quente Hurwicz
Grande inv. 5.000 2.000 -2.000 3.600
Inv. mediano 4.600 1.000 -50 3.670
Pequeno inv. 800 200 0 640
(v) A decisão a tomar será a de fazer um investimento mediano.

Matriz dos pesares:
(Ke) Inverno rigoroso Inverno ameno Inverno quente MinMax
Grande inv. 0 0 2.000 2.000
Inv. mediano 400 1.000 50 1.000
Pequeno inv.o 4.200 1.800 0 4.200
(c) (i) A decisão a tomar será a de fazer um grande investimento.

(Ke) Inverno rigoroso Inverno ameno Inverno quente MVE
Grande inv. 5.000 2.000 -2.000 2.700
Inv. mediano 4.600 1.000 -50 2.590
Pequeno inv. 800 200 0 460
(ii) A decisão a tomar será a de fazer um grande investimento.

(Ke) Inverno rigoroso Inverno ameno Inverno quente minPOE
Grande inv. 0 0 2.000 400
Inv. mediano 400 1.000 50 510
Pequeno inv.o 4.200 1.800 0 2.640

11.2 Nova peça automóvel

11.2.1 Enunciado
Uma empresa da indústria automóvel pretende apostar no desenvolvimento
de uma nova peça.
Para o desenvolvimento da nova peça a empresa tem como alternativas
a investigação e desenvolvimento (I&D) por conta própria. A direcção da
empresa admite também a possibilidade de formar um consórcio com uma
firma de consultoria em engenharia.
A tabela 1 apresenta os lucros esperados, em valor actual, para os próxi-
mos 5 anos, dependendo do sucesso alcançado e da alternativa escolhida:
Lucros Grande sucesso Sucesso moderado Sem sucesso

(Me) (p1 ) (p2 ) (p3 )
D (desenvolvimento próprio) 300 40 -60
C (consórcio com outra empresa) 200 30 -20
Tabela 1: Lucros esperados (em valor actual) para os próximos 5 anos
Com base em estudos de viabilidade e após diversas consultas a empresas

de marketing e de desenvolvimento, estimaram-se as probabilidades de p1 =
0.2, p2 = 0.4 e p3 = 0.4, para as ocorrências de cada um dos estados da
natureza.
(a) Qual a decisão a que corresponde ao Máximo Valor Esperado?

Apresente uma árvore de decisão.
(b) Qual a decisão a tomar caso se utilize o critério Maximin (pessimista)?
(c) Determine o ganho esperado com informação perfeita, e explique o seu

significado.

11.2 Nova peça automóvel 263
(a) Como se pode ver na figura seguinte, a decisão que corresponde ao
máximo valor esperado (MVE) é a decisão D (fazer o desenvolvimento
próprio). Nesse caso o valor do MVE = 52Me.
(b)
GS SM SS M in
D 300 40 −60 −60
C 200 30 −20 −20
M aximin −20
Utilizando o critério Maximin, deve-se tomar a decisão C.
(c) O ganho esperado com informação perfeita será:

0.2×max (300, 200)+0.4×max (40, 30)+0.4×max (−60, −20)−M V E =
68 − 52 = 16Me.

11.3 Aquisição de máquinas

11.3.1 Enunciado
A empresa Gulas & Gulas que opera na área alimentar, considera a possibi-
lidade de adquirir máquinas para rotulagem das suas garrafas, tal como se
representa na figura.
A empresa deverá decidir se adquire uma ou duas máquinas de rotulagem,

contudo, o custo por máquina será menor se as 2 forem compradas ao mesmo
tempo.
Se for adquirida só uma máquina e a procura do artigo for elevada, a 2a
máquina ainda poderá ser comprada mais tarde.
As probabilidades estimadas para a procura do produto são:
• procura baixa 0.30;
• procura alta 0.70
O valor actual associado aos resultados de compra das 2 máquinas no
inı́cio é de 750Me, se a procura for baixa, e de 1300Me se for alta a procura
do produto.
O valor actual associado aos resultados de compra de uma máquina sob
procura baixa é de 900Me. Se a procura for alta há 3 hipóteses:

11.3 Aquisição de máquinas 265
• nada fazer resulta no valor de 900Me;
• subcontratar dará 1 100Me;
• comprar a 2a máquina permitirá obter 1 000Me.
(a) Construa a árvore de decisão para o problema descrito.
(b) Determine, pelo critério do Máximo Valor Esperado, quantas máquinas

deverão ser adquiridas no inı́cio.

(a) A árvore de decisão para o problema está representada na figura se-
guinte:
(b) Como se pode ver na representação da árvore de decisão, a decisão que

dá origem ao Máximo Valor Esperado (MVE) corresponde à compra
inicial de duas máquinas.
Nesse caso MVE = 1 135Me.

11.4 Exploração de Gás Natural 267
11.4 Exploração de Gás Natural

11.4.1 Enunciado
Uma grande empresa multinacional ligada ao sector energético pretende pa-
gar à empresa Latifúndios e Companhia 60 000e pelos direitos de exploração
do gás natural numa sua propriedade. A oferta da multinacional inclui a
opção para desenvolvimento futuro. Se essa opção se concretizar, caso o gás
natural seja descoberto durante a fase de exploração, a empresa Latifúndios
e Companhia receberá 600 000e adicionais.
A empresa Latifúndios e Companhia considera que o interesse da multi-
nacional é uma boa indicação de que o gás existe e pretende avaliar a possi-
bilidade de avançar ela própria com a exploração. Para isso deverá contratar
uma equipa de especialistas em exploração e desenvolvimento de gás natural.
O custo inicial da exploração é de 100 000e, que serão perdidos se nenhum
gás for encontrado. Se for descoberto gás na fase inicial, o lucro estimado
será de 2 000 000e.
As alternativas de decisão da Latifúndios e Companhia serão então:
• D1 – aceitar a oferta da multinacional;
• D2 – avançar com a exploração.
Os estados da natureza serão:
• S1 – não existe gás natural na propriedade;
• S2 – existe gás natural na propriedade.
A empresa Latifúndios e Companhia estima que há 60% de probabilidade

de ser encontrado gás natural na propriedade.
Os ganhos esperados para cada par (alternativa, estado da natureza) são
apresentados na tabela 2
S1 S2
D1 60 660
D2 -100 2000
Tabela 2: Ganhos esperados (em Me)
Determine as decisões recomendadas pelos seguintes critérios:
(a) Maximin (pessimista)

(b) Laplace
(c) Máximo Valor Esperado

11.4 Exploração de Gás Natural 269
(a)
S1 S2 M in
D1 60 660 60
D2 −100 2000 −100
M aximin 60
Utilizando o critério Maximin, deve-se tomar a decisão D1 .
(b)
S1 S2
D1 60 660 360
D2 −100 2000 950
Laplace 950
Utilizando o critério de Laplace, deve-se tomar a decisão D2 .
(c)
. 60
51 (n30 existe gas na propriedadef
0.4
420 2 (existe gas na propricdade)
0.6 ---_ 660
D,
aceilar ofen a da
___ multi nacional
1160
D2
Explorar • -100
por conta propria S [ (mio cx istc gas na propricdade)
~,
0.4
11 60 2 (exisle gas na propricdade)
0.6 - -_ _ 2000
Utilizando o critério do Máximo Valor Esperado, deve-se tomar a deci-

são D2 (MVE = 1 160).

11.5 Polido Guapo e a Lavandaria Asseada

11.5.1 Enunciado
Polido Guapo dirige a empresa ASSEADA.
Nos últimos tempos o negócio desenvolveu-se e actualmente foi já atingido
o valor máximo de capacidade nas duas actuais lavandarias e não há qualquer
hipótese de crescimento. Polido Guapo não quer no entanto abrir uma nova
lavandaria pois está convicto que o sucesso da sua empresa se deve à boa
localização na cidade. Para Polido Guapo isso é ponto assente, a localização
das lavandarias é o maior valor da sua empresa.
Polido Guapo reconhece, no entanto, que a operacionalidade da sua em-
presa regista dificuldades motivadas pela ocupação exagerada do espaço e,
naturalmente, deseja melhorar o processo de movimentação das peças du-
rante as várias fases do processo (separação, limpeza, passagem a ferro, . . . ).
Uma hipótese que lhe permitiria libertar um pouco o espaço passaria pela
instalação de um sistema de transporte aéreo (transportador) que permitisse
libertar parte do chão da fábrica, actualmente ocupado por caixotes móveis,
que juntam as peças e as movimentam entre fases do processo.
Uma empresa de equipamentos de uma outra cidade propôs deslocar uma
equipa e instalar o transportador adequado, mas Polido Guapo ainda não
se decidiu. A proposta da empresa inclui a instalação de um transportador
numa das instalações, em substituição dos caixotes móveis, por 25 000e. Se
equipar ambas as instalações enquanto as equipas se mantêm na cidade, o
custo total será de apenas de 45 000e. Se não se decidir pela montagem
dos transportadores, então deverá gastar 1 000e para substituir os caixotes
móveis por outros mais modernos.
É claro que Guapo pensa que um transportador poupará tempo aos seus
empregados e que melhorará a eficiência do serviço, estimando ganhos no
valor de 16 000e por instalação. Para além disso o ganho económico poten-
cial estará no consequente crescimento do seu serviço devido ao aumento do
espaço disponı́vel.
A tabela 3 apresenta as estimativas da Asseada para o valor actual do lu-
cro (por simplificação foram apenas considerados três valores para o aumento
do negócio):
É evidente que Guapo poderá encomendar a instalação de um transporta-
dor por agora e, mais tarde, instalar outro (ao preço de 25 000e) se considerar
que a evolução do negócio é favorável (ver tabela 3).
(a) Analise, através duma árvore de decisão, a situação da empresa Asse-

ada.

11.5 Polido Guapo e a Lavandaria Asseada 271
Aumento do negócio Valor actual do lucro Probabilidade de

(%) (por instalação) ocorrência
0 16000e 0.30
3 30000e 0.50
6 50000e 0.20
Tabela 3: Aumento do negócio (lucro e probabilidade de ocorrência
(b) Na perspectiva Máximo Valor Esperado qual deverá ser a decisão de

Guapo?
(c) Qual é o VEIP? Explique qual o seu significado para a ASSEADA.

(a)
(b) Utilizando o critério do Máximo Valor Esperado, devem-se comprar 2

transportadores, MVE = 14.6 Ke.
(c)
P robabilidade 0.3 0.5 0.2
Aumento do negócio 0% 3% 6%
2transportadores −13 15 55
1transportador −9 10 50
0transportadores −1 −1 −1
Valor Esperado com Informação Perfeita, V EIP = [0.3 × (−1) + 0.5 × 15 + 0.2 × 55]−
14.6 = 18.2 − 14.6 = 3.6 Ke.

11.6 LEST O, um novo produto 273
11.6 LEST O, um novo produto

11.6.1 Enunciado
A comercialização do LEST O, um novo produto (que até já tem nome) da
empresa Expedita começa a ganhar forma. Todavia, como é frequente em
situações de lançamento de novas marcas, há um considerável risco associado
– será que o produto se aguentará bem?
Numa postura prudente, a Expedita acha conveniente introduzir o LEST O
apenas a nı́vel regional, para teste de mercado, antes dum lançamento naci-
onal. Portanto, a primeira decisão a tomar respeita à condução (ou não) do
teste de mercado.
A empresa estima o custo de 50 000e para o estudo de mercado. Se for
esta a opção, deverá aguardar os resultados desse teste. Então decidirá, neles
apoiada, se apostará na comercialização do LEST O por todo o paı́s. Por
outro lado, se a opção inicial for não proceder aos testes, então a decisão
final – comercializar ou não o produto a nı́vel nacional, poderá desde já ser
tomada.
A Expedita avalia o sucesso do produto, no mercado nacional, em 1.2Me,
devendo um insucesso derivar num custo para a empresa de 500 000e.
As probabilidades a associar aos vários acontecimentos reflectem o conhe-
cimento cientı́fico existente e a experiência da empresa com produtos simila-
res. Assim a Expedita avalia como sendo de 50% a probabilidade de sucesso
(ou de insucesso) do LEST O a nı́vel nacional, sem qualquer informação pro-
veniente de testes de mercado. Contudo, se um teste for realizado e apontar
para sucesso então a empresa acredita que a probabilidade de sucesso a nı́vel
nacional do produto será de 70%, enquanto que, no caso contrário (o teste
aponta para fracasso), a probabilidade de sucesso no mercado nacional será
apenas de 20%. Finalmente, supõe-se que a probabilidade do teste apontar
para um sucesso é de 60%.
(a) Qual a estratégia conveniente a adoptar (critério Máximo Valor Espe-

rado)?
(b) A função do teste de mercado é a obtenção de informação mais apurada

alusiva ao mercado nacional, sob a forma de probabilidades. Com base
nos dados disponı́veis, qual o máximo que a Expedita deverá pagar por
esse teste de mercado?
(c) Um acréscimo no valor atribuı́do ao sucesso do LEST O (1.2Me) terá

alguma consequência para a resposta em (a)?

(a) MVE = 364 Ke
(b) O valor máximo a pagar seriam 64 Ke(valor de x na equação abaixo).

[(1200 − x) × 0.7 + (−500 − x) × 0.3] × 0.6 − 0.4 × x ≥ 350
(c) A partir de 1375 Ke, comercializar desde já, sem teste (ver equação
abaixo).
[(x − 50) × 0.7 − 550 × 0.3] × 0.6 − 0.4 × 50 ≤ x × 0.5 − 500 × 0.5
(0.42 − 0.5)x ≤ 21 + 99 + 20 − 250
x ≥ 1375

11.7 A História de Chicofredo 275
11.7 A História de Chicofredo

11.7.1 Enunciado
1
Chicofredo tomou um calmante para o ajudar a suportar a ansiedade face

à decisão que teria que tomar dentro de dias e que afectaria toda a sua vida
futura.
Dois anos antes Chicofredo tinha abandonado uma posição invejada por
muitos na Agência Espacial Africana, depois de cinco anos de uma carreira
fulgurante. O motivo para a sua saı́da tinha sido a total falta de apoio da
administração da Agência Espacial Africana ao seu projecto de desenvolvi-
mento de um novo material que poderia revolucionar a indústria aeroespacial
e a indústria automóvel. Dadas as suas caracterı́sticas Chicofredo tinha bap-
tizado o produto de DuroLeve, pois a sua intuição dizia-lhe que seria um
material mais leve e simultaneamente mais resistente do que todos os materi-
ais aplicáveis nessas indústrias. Para além disso, se houvesse um investimento
claro na concepção do processo de produção DuroLeve poderia mesmo ser re-
baptizado de BaratoDuroLeve (Chicofredo sentia-se muito orgulhoso da sua
capacidade inata para conceber nomes de produtos).
Um ano antes de abandonar a Agência Espacial Africana, Chicofredo ti-
nha falado com SuperChefe, na altura o Administrador Executivo da Agência
Espacial Africana e tinha-lhe apresentado a sua ideia para o novo produto.
O apoio de SuperChefe foi nulo, porque a Administração não queria apos-
tar em novos produtos que envolvessem riscos financeiros. O risco na altura
era bastante elevado porque se tratava de um embrião de uma ideia ainda
totalmente por testar, envolvendo tanto o desenvolvimento do produto como
a concepção de um novo processo produtivo. É claro que se tudo corresse
bem o novo produto podia alterar totalmente a posição da Agência Espacial
Africana no seio das Agências Espaciais Mundiais, mas a Agência Espacial
Africana não tinha fundos para financiar a investigação necessária.
Chicofredo não podia desistir do produto e durante todo um ano passou
os seus tempos livres tanto à noite como ao fim-de-semana a desenvolver
a sua ideia. A sua intuição estava correcta e algum tempo depois já tinha
desenvolvido um protótipo para o processo de produção de BaratoDuroLeve e
tinha conseguido mesmo produzir pequenos lotes do produto. Começou então
a reunir algum capital. Investiu 100 000e e conseguiu pedir um empréstimo
para 200 000e adicionais. O passo seguinte foi abandonar a Agência Espacial
Africana para poder dedicar todo o seu tempo ao BaratoDuroLeve.
1
Caso baseado num caso apresentado em Clemen, Robert T., Making Hard Decisions,
An Introduction to Decision Analysis, Duxbury Press, 1996

Entretanto já se tinham passado dois anos, ou melhor, exactamente 20

meses. Durante esse perı́odo tinha feito grandes progressos. Melhorou o pro-
duto e já tinha vários clientes que esperavam impacientemente que ele fizesse
a sua primeira produção. Ainda havia algumas arestas a limar no processo
produtivo, mas Chicofredo tinha 60% de certeza que esses problemas podiam
ser facilmente resolvidos. Ele estava ansioso por obter os primeiros lucros, até
porque o seu capital estava a ficar muito reduzido. Nos momentos de maior
ansiedade tentava acalmar os seus medos relembrando a sua estimativa do
potencial do projecto. A melhor estimativa apontava para vendas no valor
de 40 000 000e nos próximos 10 anos, resultando num valor após custos de
10 000 000e.
Há duas semanas atrás tinha sido surpreendido por um telefonema de
SubChefe, seu colega de trabalho na Agência Espacial Africana, que o con-
vidou para almoçar. Chicofredo, embora apreensivo, não pôde declinar o
convite. Sentia muita pena por ter sido obrigado a abandonar a Agência
Espacial Africana e tinha muita curiosidade em saber como estavam os seus
colegas de trabalho. Depois de contar as últimas anedotas, SubChefe abordou
directamente a questão.
“Chicofredo, na Agência Espacial Africana todos estamos impressionados
com a tua capacidade para desenvolver sozinho o BaratoDuroLeve. Nós agora
sabemos que cometemos um erro ao te negar o financiamento para o desenvol-
vimento interno do produto, mas não te queremos abandonar uma segunda
vez e estamos dispostos a ajudar-te agora e podemos mesmo recompensar-te
por todo o trabalho e investimento que fizeste. Se concederes à Agência Es-
pacial Africana direitos especiais sobre o produto, podes voltar a pertencer
aos nossos quadros. Estamos dispostos a dar-te um vencimento anual de
40 000 e e damos-te 2,5% de royalties sobre a vendas. O que achas desta
proposta?”
Chicofredo não sabia de devia rir ou se se devia zangar. “SubChefe, só
me apetece atirar-te este copo de água à cara. Arrisquei o dinheiro que
tinha e o que não tinha para conseguir desenvolver o produto e agora quero
rentabilizar todos os meus investimentos. Nesta fase do processo nem me
passa pela cabeça vender o meu produto à Agência Espacial Africana!”
A refeição continuou com SubChefe a apresentar propostas tendencial-
mente melhores que foram todas consistentemente recusadas por Chicofredo.
Quando regressou sozinho a casa, Chicofredo sentia-se muito confuso. Vol-
tou a pensar nos tempos em que trabalhava na Agência Espacial Africana e
concluiu que não se importaria de regressar. Aumentaria dessa forma a sua
segurança até à reforma, mas perderia a oportunidade de ter os lucros que
tinha previsto com o BaratoDuroLeve. De qualquer forma, ainda havia uma
probabilidade, ainda que remota, de que todo o projecto falhasse.

11.7 A História de Chicofredo 277
No fim da semana, SubChefe telefonou-lhe de novo com duas propos-

tas alternativas da Agência Espacial Africana. Podia ser contratado por 50
000e anuais com um adicional de 6% de royalties sobre as vendas. Como
alternativa podia receber um total de 500 000e e ainda a opção de compra,
durante 3 anos, de até 70 000 acções da Agência Espacial Africana a 40e cada.
Qualquer que fosse a alternativa aceite por Chicofredo, a Agência Espacial
Africana pagaria todas as dı́vidas de Chicofredo e assumiria desde logo o
controlo do projecto. Depois de completar o desenvolvimento do processo
produtivo, a Agência Espacial Africana passaria a ter direitos exclusivos so-
bre o produto. Nessa altura Chicofredo apercebeu-se de que SubChefe estava
muito empenhado nesse jogo. Se Chicofredo recusasse as duas propostas, a
Agência Espacial Africana podia pôr o assunto em tribunal baseando-se no
facto de que Chicofredo tinha usado indevidamente recursos da Agência Es-
pacial Africana no desenvolvimento do produto.
A disposição de Chicofredo piorou depois de falar com o seu advogado
que lhe disse que teria 60% de probabilidades de perder o caso. Se ganhasse
então a Agência Espacial Africana teria que pagar as custas dele de tribunal,
em contrapartida se perdesse, teria que pagar custas da ordem de 20 000e.
Por outro lado, Chicofredo contactou com o seu contabilista para estima-
rem em conjunto o valor das acções. Se tudo corresse bem no desenvolvi-
mento final do produto, BaratoDuroLeve podia estar no mercado dentro de
18 meses. Se a Agência Espacial Africana ficasse com o projecto e se o desen-
volvimento corresse bem, as acções da Agência Espacial Africana subiriam
para 52e cada. Se por outro o projecto falhasse, então as acções sofreriam
uma pequena redução para 39e.
Chicofredo pensava em todas as alternativas que tinha pela frente. Por um
lado podia voltar a usufruir do espı́rito de equipa que sempre viveu na Agência
Espacial Africana. Estes últimos meses também evidenciaram que ele não era
propriamente um empreendedor, a sua saúde tinha-se ressentido pelos riscos
que ele vinha a enfrentar. O seu médico tinha-lhe mesmo sugerido que levasse
uma vida mais relaxada, sob pena de os seus problemas cardı́acos se virem a
complicar. É óbvio que Chicofredo valorizava muito a sua saúde, mas tinha
que acreditar que seria capaz de suportar a tensão associada à entrada no
mercado de BaratoDuroLeve. Depois disso poderia sempre descansar. Pegou
então num lápis para decidir o que responder a SubChefe.
Faça uma análise completa das decisões que Chicofredo tem que tomar.
Desenhe uma árvore de decisão e calcule o valor de todas as soluções al-
ternativas. O que acha que Chicofredo deve fazer? Porquê? Diga em que
pressupostos se tem que basear para recomendar essa solução a Chicofredo.

11.8 To be or not to be
11.8.1 Enunciado
2
Ser ou n~ao ser... Eis a quest~ao. To be, or not to be: that is the question:
Que é mais nobre para a alma Whether ’tis nobler in the mind to suffer
Suportar os dardos e arremessos do fado sempre adverso, The slings and arrows of outrageous fortune,
Ou armar-se contra um mar de desventuras Or to take arms against a sea of troubles,
E dar-lhes fim tentando resistir-lhes? Morrer--dormir-- And by opposing end them? To die: to sleep;
Mais nada; imaginar que um sono p~ oe remate No more; and by a sleep to say we end
Aos sofrimentos do coraç~ao e aos golpes infinitos The heart-ache and the thousand natural shocks
Que s~ao a natural herança da carne. Essa é a soluç~
ao That flesh is heir to, ’tis a consummation
Para se almejar. Morrer--dormir. Devoutly to be wish’d. To die, to sleep;
Dormir--talvez sonhar: É esse o dilema! To sleep: perchance to dream: ay, there’s the rub;
O n~
ao sabermos que sonhos poderá trazer o sono da morte For in that sleep of death what dreams may come
Quando alfim desenrolarmos toda a meada mortal, When we have shuffled off this mortal coil,
Nos p~oe suspensos. É isso Must give us pause: there’s the respect
Que torna verdadeira calamidade a vida assim t~ ao longa. That makes calamity of so long life;
Pois quem suportaria o escárnio e os golpes do mundo, For who would bear the whips and scorns of time,
As injustiças dos opressores, a insol^encia dos orgulhosos, The oppressor’s wrong, the proud man’s contumely,
A agonia do amor n~ao retribuı́do, a demora da justiça, The pangs of despised love, the law’s delay,
A soberba dos chefes e o desprezo The insolence of office and the spurns
Da inépcia contra o mérito perseverante, That patient merit of the unworthy takes,
Se estivesse em suas m~ aos obter sossego When he himself might his quietus make
Com um punhal? Que fardos suportaria, With a bare bodkin? who would fardels bear,
Gemendo e suando nesta penosa vida, To grunt and sweat under a weary life,
Se n~ao por temer algo após a morte-- But that the dread of something after death,
A terra desconhecida de cujos limites The undiscover’d country from whose bourn
Nenhum viajante regressou--é um enigma para a vontade, No traveller returns, puzzles the will
Fazendo-nos aceitar os males que já temos, And makes us rather bear those ills we have
Do que correr para outros que desconhecemos? Than fly to others that we know not of?
William Shakespeare William Shakespeare
Ser ou n~
ao ser (Hamlet acto 3 cena 1) To be, or not to be (Hamlet act 3, scene 1)
Descreva as decisões de Hamlet. Que opções tem ele? Que riscos prevê?
Construa uma árvore de decisão para Hamlet.
2
Exercı́cio retirado de Clemen, Robert T., Making Hard Decisions, An Introduction to
Decision Analysis, Duxbury Press, 1996

11.9 Vincennes 279
11.9 Vincennes
11.9.1 Enunciado
http://en.wikipedia.org/wiki/USS_Vincennes_(CG-49)
3
Em Julho de 1988, Vincennes, um navio dos Estados Unidos participava

nos combates no Golfo Pérsico. Subitamente surgiu um ponto no écran do
radar, que correspondia à aproximação de um avião. Depois de tentar várias
vezes, sem sucesso, que o avião se identificasse, tudo fazia crer que o avião era
um F-14 iraniano que iria atacar o Vincennes. O capitão Will Rogers teve
muito pouco tempo para tomar decisões. Devia ordenar que fosse lançado
um mı́ssil e assim destruir o avião? Devia esperar mais um pouco por uma
resposta? Se esperasse demasiado tempo e o avião fosse realmente hostil,
então poderia ser impossı́vel evitar o ataque, implicando riscos graves tanto
para o navio como para a tripulação.
O capitão Rogers ordenou que o mı́ssil fosse lançado e o avião foi des-
truı́do. Soube-se depois que se tratava de um avião comercial iraniano, com
290 pessoas a bordo. Não houve sobreviventes.
Quais são os os objetivos fundamentais do capitão Rogers? Quais são os

riscos que ele corre?
Desenhe uma árvore de decisão que represente a sequência de decisões
que tiveram de ser tomadas pelo capitão Rogers.
In 1988 the USS Vincennes was dispatched to the Persian Gulf to help Iraq, under
Saddam Hussein, in its war against Iran. The warship was equipped with AEGIS, the most
3
Exercı́cio retirado de Clemen, Robert T., Making Hard Decisions, An Introduction to
Decision Analysis, Duxbury Press, 1996

sophisticated weapon control system yet developed. It uses 16 mainframe computers and
12 minicomputers to control up to 122 ship-to-air missiles and two six-ton, six-barrelled
automatic machine guns capable of firing 3,000 rounds per minute. On July 3rd the
Vincennes shot down Iranian Airbus Flight 655, killing all 290 on board (more than died in
the Lockerbie bombing). While widely reported in the Third World, the incident received
little coverage in the Western media. The crew of the Vincennes had undergone nine
months of simulated scenarios prior to leaving for the Gulf, all of which were predicated
on hostile encounters. During the crucial minutes in which the airbus was flagged as a
hostile F14, the crew ignored indicators that cast doubt onto the AEGIS interpretation
of events. Because the AEGIS automatically analyses incoming data, there was no way
to directly evaluate the radar blips. The commander of the nearby USS Sides ”wondered
aloud in disbelief”as the Vincennes prepared to fire but did not intervene with the vessel
equipped with AEGIS.
On return to the US, Captain. William Rogers - commander of the Vincennes - recei-
ved the Legion of Merit award for “exceptionally meritorious conduct in the performance
of outstanding service” in the Gulf.

Capı́tulo 12
Multicritério
• Dado um problema de decisão multicritério, identificar as alternativas
e os critérios de decisão.
• Saber passar as escalas de avaliação usadas para os diferentes critérios

para escalas numéricas, conhecendo as consequências de cada uma das
decisões tomadas nesse processo.
• Saber usar o método AHP para determinar pesos relativos dos atributos
e obter uma ordenação das alternativas.

282 Multicritério
Exercı́cios
12.1 Horta da Formiga . . . . . . . . . . . . . . . . . . . . . . . . 283

12.2 VetProducts . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
12.3 Só Phtuere . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
12.4 Abre Latas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
12.5 Designs Alternativos . . . . . . . . . . . . . . . . . . . . . . 290
12.6 Processamento de Dados . . . . . . . . . . . . . . . . . . . . 291
12.7 Localização de Laboratório de Investigação . . . . . . . . . 292
12.8 Sorinfacc & Amigos . . . . . . . . . . . . . . . . . . . . . . . 293
12.9 KK’s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
12.10PATinho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
12.11Selecção de Estágios . . . . . . . . . . . . . . . . . . . . . . . 297
12.12Zé Playboy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 298

12.1 Horta da Formiga 283
12.1 Horta da Formiga

12.1.1 Enunciado
1
Definidos já os tipos de legumes a semear nas hortas-tipo das escolas, foi ne-
cessário tomar decisões quanto ao canteiro das flores que tinha sido previsto.
Foram postas à consideração do grupo de trabalho responsável pela concep-
ção da horta-tipo três misturas de flores, M1 , M2 e M3
, que foram avaliadas segundo os critérios “Preço das sementes”,

“Harmonia de cores” e “Harmonia de aromas”.
Quanto ao critério “Harmonia de aromas”, a comissão recebeu um quadro
com a comparação dos três tipos de misturas. O número 3 na linha M1,
coluna M2 significa que, avaliada segundo o critério “Harmonia de aromas”,
a mistura M1 é “moderadamente melhor” que a mistura M2.
M1 M2 M3
M1 1 3 5
M2 1/3 1 1
M3 1/5 1 1
Na tabela seguinte estão representadas as avaliações de cada uma das
misturas segundo os outros dois critérios:
Preço das sementes Harmonia de cores
M1 50e Média
M2 70e Grande
M3 100e Grande
1

284 Multicritério
(a) Usando o AHP obtenha, a partir do quadro apresentado, uma avaliação

relativa das três misturas para o critério ‘Harmonia de aromas”.
(b) Defina uma escala única para representar cada um dos três critérios e
adapte as avaliações de cada um dos critérios a essa escala. Justifique
detalhadamente todas as suas decisões.
(c) Há alguma forma de a mistura M3 ser a escolhida? Refira-se à escolha

e normalização das escalas, e a todos os outros factores que considere
relevantes.
Folha de Cálculo com Resolução

12.2 VetProducts 285
12.2 VetProducts
12.2.1 Enunciado
2
A administração da empresa “VetProducts”, responsável pela produção e
distribuição de diversos produtos/medicamentos nos parques naturais, in-
cumbiu um grupo de trabalho de realizar uma análise das várias unidades
da empresa. O grupo verificou então que a unidade logı́stica concentrava o
maior número de problemas da empresa.
A “VetProducts” tem cinco rotas de distribuição dos produtos veteriná-
rios, quatro delas com cerca de 300 km cada e uma quinta com 600 km. Essa
rota deve-se fundamentalmente ao Parque Natural do Vale do Guadiana, o
primeiro parque a ser servido pela “VetProducts”, numa parceria com mais de
20 anos. Essa quinta rota dava muito prejuı́zo, pois os custos de transporte
(gasóleo, desgaste das carrinhas, etc. . . ), bem como os custos do pessoal (ho-
ras extra, horas nocturnas, alojamentos, etc. . . ) eram muito elevados. Para
além disso a motivação do pessoal, essencialmente muito jovem, era baixa,
pois não gostavam de fazer essa rota, por implicar muitas horas de trabalho
seguidas e, na maioria das vezes, pernoitar fora.
No seu relatório, o grupo de trabalho indicou como objectivo prioritário
aumentar a rentabilidade (proveitos-custos) dessa quinta rota:
• reduzindo o seu custo operacional;
• aumentando a motivação do pessoal, o que iria permitir certamente um

melhor ambiente de trabalho, pois este descontentamento acabará por
se repercutir na acção dos trabalhadores nas outras rotas;
• procurando aumentar os proveitos desta rota de forma a pelo menos

equilibrar os custos.
O grupo de trabalho encontrou quatro alternativas para solucionar o pro-

blema.
• A distribuição nessa rota poderia ser subcontratada a uma empresa

do sector de distribuição. Esta solução tem como inconveniente dar a
possibilidade à empresa de distribuição de começar a adquirir know-how
e a carteira de clientes e encomendas da “VetProducts”, permitindo-lhe
comercializar produtos de empresas concorrentes da“VetProducts”, tem
no entanto a grande vantagem de reduzir significativamente os custos
associados a esta rota, e seria excelente do ponto de vista motivacional
2
Baseado num problema elaborado por Carlos Carvalho - MT 2005/2006

286 Multicritério
para os trabalhadores que assim deixariam de se ter de deslocar tão

longe e ficar fora de casa.
• Uma outra solução passaria por expedir a mercadoria via correio ou au-
tocarro para os clientes desta rota e estes iriam levantar a mercadoria
aos locais de chegada da mesma. Esta solução iria trazer algum descon-
tentamento aos clientes, pois para além do inconveniente de os obrigar
a deslocar para levantar a mercadoria, muitos dos produtos fabrica-
dos e distribuı́dos pela “VetProducts” são armazenados em garrafas e
garrafões de vidro que, pelo caminho e com muitas mãos a manusear,
poderiam partir facilmente causando custos elevados. Esta é no en-
tanto também uma excelente alternativa no que concerne à motivação
do pessoal.
• Uma outra alternativa apontada pelo grupo de trabalho, será de se ten-

tar arranjar mais clientes para esta rota, criando parcerias com outros
parque naturais existentes no percurso. Esta alternativa seria exce-
lente para aumentar os proveitos desta rota, mantendo os custos pra-
ticamente ao mesmo nı́vel. A dificuldade em encontrar outros parques
naturais interessados nestes produtos é no entanto grande. Do ponto
de vista de motivação do pessoal esta seria uma má alternativa, pois
não só se mantinha a rota, como ainda se iriam arranjar mais clientes
para essas zonas mais distantes.
• Uma quarta alternativa passaria por deixar de fornecer produtos ao

Parque Natural do Vale do Guadiana. Esta medida diminuı́a os custos,
pois a rota número 5 passaria a fazer apenas um trajecto de 200 km.
Os custos de transporte seriam reduzidos e também a necessidade de
horas nocturnas e alojamentos o que faria aumentar a motivação dos
empregados encarregues das distribuições. No entanto um estudo re-
cente divulgado pelo governo conclui que o número de parques naturais
da área geográfica onde se encontra localizado o Parque Natural do
Vale do Guadiana vai aumentar muito, tendo a Comunidade Europeia
já disponibilizado fundos para esse fim.
(a) Desenhe esquematicamente os nı́veis de decisão existentes neste pro-

blema e quais as suas interligações.
(b) Que critérios escolheria para avaliar as alternativas?
(c) Sugira, para cada critério escolhido, uma forma de o medir.

12.2 VetProducts 287
(d) Apresente esquematicamente como poderia construir um sistema que

apoiasse a “VetProducts” neste processo de decisão. Saliente todos os
passos que necessitem de esclarecimentos mais detalhados.

288 Multicritério
12.3 Só Phtuere

12.3.1 Enunciado
3
Para o preeenchimento de um lugar na Só Phtuere Pouco Limitada, apa-
receram dois candidatos, o Marco e o Telmo. A administração da empresa
pretende avaliar os candidatos segundo três critérios: experiência (E), conhe-
cimentos técnicos (T) e qualidades pessoais (P), tendo chegado a um consenso
sobre a importância relativa destes critérios. Assim considerou que:
• E é bastante mais importante do que P;
• T é moderadamente mais importante do que E;
• T é muito mais importante do que P.
Com base nos CVs apresentados, nas cartas de referência e nas entrevis-
tas realizadas, e segundo os critérios indicados, a administração conseguiu
comparar adequadamente os dois candidatos, estabelecendo que:
• quanto à experiência, o Marco é entre moderada e bastante melhor do

que o Telmo;
• quanto a conhecimentos técnicos, o Telmo é moderadamente melhor do

que o Marco;
• quanto às qualidades pessoais, o Marco é ligeiramente mais do que

muito melhor que o Telmo.
(a) Ajude a administração a decidir, utilizando o método AHP para “re-

solver” o problema.
3
Retirado de “Exercı́cios de Análise Multi-critério” do Prof. Jorge Pinho de Sousa

12.4 Abre Latas 289
12.4 Abre Latas

12.4.1 Enunciado
4
Para um novo tipo de “abridor de latas”, foram propostos 3 designs. Fo-
ram feitos estudos cuidadosos para determinar os critérios de avaliação deste
produto e para verificar de que forma cada design satisfaz os requisitos as-
sociados a esses critérios. Alguns atributos são “relativamente” objectivos,
outros são matéria de opinião, naturalmente subjectiva. Para estes últimos
foi usada uma escala tipo AHP, onde valores mais elevados representam maior
preferência.
Atributos Custo Tempo Limpeza Fiabilidade Volume Aspecto Segurança

⇓ ⇓ ⇑ ⇓ ⇑ ⇑
Design A 3,42e 3,3 min 78% 102 cm3 6 7
Design B 5,84e 1,8 min 91% 102 cm3 7 9
Design C 9,88e 3,0 min 99% 320 cm3 9 9
(a) Se aos diferentes atributos não forem associadas importâncias diferenci-

adas, diga, justificando adequadamente, qual dos designs é mais atrac-
tivo?
(b) “Estude” a robustez dessa sugestão.
4

290 Multicritério
12.5 Designs Alternativos

12.5.1 Enunciado
5
Para um novo produto, existem 3 designs alternativos. Foram feitos estudos
cuidadosos para determinar os critérios de avaliação deste produto e para
verificar de que forma cada design satisfaz os requisitos associados a esses
critérios. Alguns atributos são “relativamente” objectivos, outros são matéria
de opinião, naturalmente subjectiva. Para estes últimos foi usada uma escala
de 1 a 10, onde valores mais elevados representam maior preferência. Para o
peso e o custo, valores elevados são naturalmente indesejáveis.
Atributos segurança estética custo peso fiabilidade

⇑ ⇑ ⇓ ⇓ ⇑
importância 30% 13% 27% 10% 20%
valor máximo – – 20,00e – –
Design 1 8 4 17,56e 9,7kg 96%
Design 2 7 9 9,95e 6,2kg 81%
Design 3 7 7 14,47e 6,0kg 90%
(a) Diga, justificando adequadamente, qual é o design mais atractivo?
5

12.6 Processamento de Dados 291
12.6 Processamento de Dados

12.6.1 Enunciado
6
Uma companhia de processamento de dados está a planear uma campanha
de expansão dos negócios e de melhoramento da imagem. Foram propostas
três alternativas: A1 , A2 e A3 . Dadas as actuais limitações orçamentais, ape-
nas uma alternativa poderá ser implementada. Os resultados esperados de
cada alternativa foram estimados para cada uma das caracterı́sticas desejá-
veis, bem como definida a importância de cada critério. Esta importância,
bem como a “eficácia imediata” são medidas numa escala de 0 a 10, sendo 10
o máximo.
Atributos Custo anual Eficácia imediata Eficácia a longo prazo

⇓ ⇑ ⇑
Importância 3 10 6
A1 250 000e 9 boa
A2 150 000e 8 suficiente
A3 180 000e 6 muito boa
(a) Que alternativa recomendaria ?
(b) Estude a “robustez” da solução proposta, e analise as suas debilidades.
6

292 Multicritério
12.7 Localização de Laboratório de Investi-

gação
12.7.1 Enunciado
7
Uma companhia vai instalar um novo laboratório de investigação num de 3
paı́ses. O custo de construção é aproximadamente o mesmo em qualquer dos
locais. Contudo, os custos do terreno e um conjunto de factores intangı́veis,
como por exemplo a disponibilidade de técnicos, depende fortemente do local.
Alguns dos critérios, bem como a sua importância relativa foram medidos
numa escala de 1 a 10, sendo 10 o melhor valor.
Atributos disp. qual. prox. custo potencial clima transportes

técnicos empreit univ. terreno de lazer
⇑ ⇑ ⇑ ⇓ ⇑ ⇑ ⇑
importância 10 8 8 6 4 2 2
Paı́s 1 7 5 10km 300 000e muito bom 6 9
Paı́s 2 10 9 40km 400 000e muito fraco 1 10
Paı́s 3 2 5 30km 50 000e excelente 9 5
(a) Com base na informação do quadro, que resume a apreciação feita sobre
as diferentes alternativas, qual a decisão a tomar?
7

12.8 Sorinfacc & Amigos 293
12.8 Sorinfacc & Amigos

12.8.1 Enunciado
8
A empresa Sorinfacc & Amigos, SA (S&A,SA), dedica-se à produção de
peças para veı́culos da marca internacional Sorin. Uma vez que a comercia-
lização da marca se expandiu, recentemente, ao mercado inter-continental, a
S&A,SA prevê um aumento da procura de peças, igualmente ao nı́vel transna-
cional. A última assembleia geral de accionistas incumbiu a administração de
se preparar convenientemente para o aumento da procura. A administração,
além de preparar outras medidas nesse sentido, e considerando o aumento
mais do que previsı́vel das exportações, está a avaliar a melhor solução para
que nenhuma encomenda das suas peças fique por cumprir. Além do mais,
a S&A,SA terá de fazer face ao aumento das exportações e, assim, conseguir
um transporte internacional de mercadorias sustentado, que é como quem
diz, que permita responder a todas as solicitações. A S&A,SA tem as suas
instalações numa penı́nsula muito bem equipada ao nı́vel das infra-estruturas
viárias, e, além disso, situa-se muito próximo de uma plataforma intermo-
dal que inclui um terminal rodoviário, um porto e um aeroporto e ainda
uma estação ferroviária. Significa isto que, para fazer face ao aumento das
exportações, a administração terá de seleccionar qual ou quais os meios de
transporte adequados ao seu propósito. Os critérios de selecção estabelecidos
pela administração são o custo, a segurança e a capacidade do transporte de
mercadorias. Pretende-se que o meio seleccionado signifique uma minimiza-
ção do seu custo. Por outro lado, pretende-se ainda que o meio de transporte
seja seguro por forma a diminuir os danos materiais e os prejuı́zos contra-
tuais. Por fim, pretende-se que o meio de transporte seleccionado tenha a
maior capacidade de carga possı́vel. Atendendo à sua privilegiada localiza-
ção, a S&A,SA pode optar por utilizar os seguintes tipos de transporte:
• transporte rodoviário (TR ): através dos veı́culos pesados de mercado-

rias da firma Semprarodar, Lda. a Administração conseguiria, sem
dúvida, um meio muito barato, mas com um risco muito elevado, pois
a sinistralidade estradal é, de todas, a mais grave.
• transporte ferroviário (TF ): utilizando os comboios da CêFê - Caminhos
Férreos, a S&A,SA consegue transportar um bom volume de peças,
ainda a um bom preço, e com uma segurança muito boa.
• transporte aquaviário (TAq ): os navios da empresa Vasco da Gama &
Filhos, Lda. (Herdeiros), apesar de já não serem tão baratos, permitem
8
Baseado num problema elaborado por Francisco Marques Vieira - MT 2005/2006

294 Multicritério
a melhor capacidade de transporte de carga com um nı́vel bom de

segurança.
• transporte aeroviário (TAe ): os aviões da NãoAndaVoa, Inc. se bem

que com menor capacidade e o meio de transporte mais caro, tem,
porém, um excelente nı́vel de segurança, pelo menos no que respeita ao
transporte de mercadorias.
Apresenta-se a seguir um quadro-resumo com todas as informações quan-

titativas recolhidas:
um’s/Kg Acidentes/1000Km Ton/m3
TR 1,5 9 1,25
TF 4 4 5,75
TAq 6 6,25 9
TAe 8 2 2
(a) Explicite num esquema o objectivo, critérios e alternativas envolvidos

neste processo.
(b) Descreva detalhadamente como, utilizando o AHP, poderia obter uma

solução a apresentar à Sorinfacc & Amigos, SA.
(c) Obtenha essa solução.

12.9 KK’s 295
12.9 KK’s
12.9.1 Enunciado
9
Considere o problema de decisão caracterizado pela matriz de resultados
junta, onde, para todos os atributos excepto K1 , os valores mais altos são os
preferidos. Os atributos K2 e K3 são medidos numa escala de 1 a 10.
Atributos K1 K2 K3 K4
⇓ ⇑ ⇑ ⇑
X1 10 000e 7 8 bom
X2 12 000e 7 7 muito bom
X3 8 000e 6 5 suficiente
X4 15 000e 9 8 excelente
Qual será a alternativa seleccionada se:
(a) todos os atributos são igualmente importantes?
(b) K2 , K3 e K4 são igualmente importantes, mas K1 é duas vezes mais

importante que os outros?
9

296 Multicritério
12.10 PATinho
12.10.1 Enunciado
A companhia de aviação PATinho pretende criar uma nova rota, para além
da muito procurada rota Corvo ⇔ Berlengas. O seu principal objectivo é
manter o actual nicho de mercado: passageiros do Corvo que pretendem
usufruir de ligações para outras pequenas ilhas. Foi portanto com isso em
mente que foram escolhidos os seguintes quatro destinos alternativos:
• Alt 1 – Selvagens;
• Alt 2 – Ilha dos Amores;
• Alt 3 – Ilha de Faro;
• Alt 4 – Ilha de Almourol.
Para avaliar as quatro alternativas foram definidos cinco critérios:

• Crit 1 – Condições meteorológicas;
• Crit 2 – Custo de adaptação para aeroporto;
• Crit 3 – Previsão da procura (número de clientes por mês);
• Crit 4 – Proximidade de aeroporto alternativo;
• Crit 5 – Quantidade de habitantes disponı́veis para garantir operações

no aeroporto.
Com base na informação resumida no quadro seguinte que decisão deve
ser tomada?
Crit 1 Crit 2 Crit 3 Crit 4 Crit 5

⇑ ⇓ ⇑ ⇑ ⇑
Alt 1 – Selvagens boas 4 100 30 suficientes
Alt 2 – Ilha dos Amores muito más 2 400 20 poucos
Alt 3 – Ilha de Faro razoáveis 5 200 10 muito poucos
Alt 4 – Ilha de Almourol boas 20 300 30 suficientes

12.11 Selecção de Estágios 297
12.11 Selecção de Estágios

12.11.1 Enunciado
O inı́cio do ano aproxima-se e é a altura da selecção de estágios pelos alunos
finalistas. O João passou o fim-de-semana a fazer o seu trabalho de casa e tem
neste momento 4 alternativas para a realização do seu estágio, as empresas
1 a 4, tal como se representa na tabela seguinte, com a respectiva apreciação
segundo 4 critérios:
• Crit 1 – Possibilidade de manter emprego na empresa;
• Crit 2 – Esforço necessário para ter boa nota no estágio;
• Crit 3 – Dificuldade no recrutamento;
• Crit 4 – Custos mensais com deslocações.
Crit 1 Crit 2 Crit 3 Crit 4

escalas (1–10)⇑ (1–10)⇓ ⇓ ⇓
Empresa 1 10 2 elevada 300e
Empresa 2 4 3 baixa 0e
Empresa 3 6 6 muito baixa 400e
Empresa 4 2 9 muito elevada 700e
(a) Os seus critérios de apreciação não são certamente os mesmos do João.

Retire portanto um dos critérios seleccionados pelo João e acrescente
um novo critério que considere mais representativo. Explique as suas
escolhas e indique os cuidados a ter na selecção do novo critério.
(b) Use o método AHP para atribuir importâncias relativas aos critérios.
Apresente todos os cálculos.
(c) Com base nas importâncias relativas dos critérios obtidas na alı́nea
anterior indique, justificando, qual a alternativa mais atractiva.

298 Multicritério
12.12 Zé Playboy
12.12.1 Enunciado
10
O Zé Playboy, aluno da Faculdade de Engenharia, frustrado com a quan-

tidade de relacionamentos de curta duração que tem tido, decide que precisa
de tomar uma atitude diferente e procurar uma namorada para ter uma re-
lação duradoura. Já que é estudante de engenharia, decide utilizar métodos
quantitativos para o ajudar a decidir e a reflectir sobre as suas prioridades.
Depois de se isolar um pouco debaixo das oliveiras da FEUP (pois o Zé
fuma e não podia estar dentro da FEUP), concluiu que havia 5 raparigas que
seriam possı́veis boas companheiras: a Joana, a Lı́gia, a Susana, a Diana e a
Inês.
Durante o perı́odo de meditação com o seu cigarro à sombra das olivei-
ras, elegeu 4 caracterı́sticas que considerou essenciais para a sua escolha:
Personalidade, Inteligência, Ideais e os gastos semanais, estando este último
critério associado ao que seria necessário dispender durante o namoro e even-
tual casamento, dependente do nı́vel de vida e dos hábitos de cada uma das
candidatas.
Construiu então uma matriz com a avaliação das caracterı́sticas para cada
uma das candidatas.
Em relação aos ideais, o Zé pensa que, embora sendo diferentes dos seus,
não seriam antagónicos. A todas atribuiria uma nota positiva quanto a isso.
Já não tem a mesma atitude quanto ao dinheiro necessário pois o Zé sente que
o potencial gasto semanal tem um peso grande se a relação for duradoura.
Por isso sente que consideraria uma candidata como excelente se não tiver
que gastar dinheiro e muito má se implicar gastos semanais muito elevados
(acima de 60e). O Zé Playboy acha no entanto que o dinheiro é o critério
menos importante.
Depois disso o Zé Playboy, como tinha um amigo na cadeira de SAD,
pediu-lhe para o ajudar a resolver o problema de qual seria a mulher mais
adequada para ele.
10
Baseado num problema elaborado por Pedro Serra - SAD 2005/2006

12.12 Zé Playboy 299
Custos Ideais Inteligência Personalidade

Semanais
Joana 20e Suficiente 8 6
Lı́gia 50e Muito Bom 9 7
Susana 20e Bom 7 9
Diana 12e Muito Bom 8 8
Inês 25e Excelente 9 9

300 Multicritério

Capı́tulo 13
Filas de Espera
• A partir da descrição de um problema, verificar se se trata de um
problema de filas de espera M/M/1 ou M/M/S.
• Para estes casos, calcular as medidas de desempenho de uma fila de

espera (L, Lq, W, Wq) e as probabilidades associadas quer à perma-
nência num dado estado (e.g. Pn) quer as associadas às métricas (e.g.
P(W>t) ).
• Avaliar alternativas de configuração de filas de espera (número de ser-

vidores e eficiência de servidores), a partir de custos atribuı́dos quer ao
serviço quer ao tempo dos clientes, e selecionar as melhores.

302 Filas de Espera
Exercı́cios
13.1 Limpeza de autocarros . . . . . . . . . . . . . . . . . . . . . 303

13.2 Pastelaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
13.3 Junta Autónoma das Estradas . . . . . . . . . . . . . . . . . 307
13.4 Cabina telefónica . . . . . . . . . . . . . . . . . . . . . . . . . 309
13.5 Boeingavela . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
13.6 Serviço de emergência . . . . . . . . . . . . . . . . . . . . . . 314
13.7 Serviço de veterinária . . . . . . . . . . . . . . . . . . . . . . 317
13.8 Secção de fotocópias . . . . . . . . . . . . . . . . . . . . . . . 319
13.9 Manutenção . . . . . . . . . . . . . . . . . . . . . . . . . . . . 324
13.10Uma horta na escola . . . . . . . . . . . . . . . . . . . . . . 328
13.11DouryKayak . . . . . . . . . . . . . . . . . . . . . . . . . . . 330

13.1 Limpeza de autocarros 303
13.1 Limpeza de autocarros

13.1.1 Enunciado
Os autocarros de uma empresa chegam para limpeza à garagem central em
grupos de cinco por hora. Os autocarros são atendidos em ordem aleatória,
um de cada vez. Cada um requer 11 minutos para ser completamente limpo
e sai da garagem logo a seguir.
Determine:
(a) o número médio de autocarros na garagem;
(b) o número médio de autocarros esperando para serem limpos;
(c) o tempo médio que um autocarro permanece na garagem.

304 Filas de Espera
Este é um sistema determinı́stico, com autocarros como “clientes” e a equipa
de limpeza como servidor unitário. As chegadas ocorrem uma vez por hora,
mas em grupos, sendo o tempo de atendimento de 11 minutos. Um autocarro
é atendido quando está em serviço de limpeza.
A tabela mostra a história do sistema ao longo do perı́odo de 1 hora, nos
instantes das chegadas e partidas. Como o atendimento é feito em ordem
aleatória, a sequência particular apresentada é uma das muitas possı́veis para
processamento dos autocarros dentro da garagem. As estatı́sticas requeridas,
no entanto, são independentes da sequência. Além disso, como o sistema se
renova a cada hora, as estatı́sticas que caracterizam o sistema ao longo da
primeira hora são também válidas ao longo das seguintes.
Relógio Simulado Clientes sendo Fila

(minutos) atendidos
0 #4 #3,#1, #2, #5
11 #1 #3, #2, #5
22 #5 #3, #2
33 #3 #2
44 #2 ...
55 ... ...
(a) Número médio de autocarros na garagem:

11 11 11 11 11 5
5× +4× +3× +2× +1× +0× = 2.75
60 60 60 60 60 60
(b) Número médio de autocarros esperando para serem limpos:

11 11 11 11 11 + 5
4× +3× +2× +1× +0× = 1.83
60 60 60 60 60
(c) Tempo médio que um autocarro permanece na garagem: nos primeiros

11 minutos estão 5 autocarros na garagem, nos 11 minutos seguintes
estão 4 autocarros na garagem etc. . .
5 × 11 + 4 × 11 + 3 × 11 + 2 × 11 + 1 × 11 + 0 × 5
= 33minutos.
5

13.2 Pastelaria 305
13.2 Pastelaria
13.2.1 Enunciado
Numa pequena pastelaria, apenas uma empregada atende os clientes ao Sá-
bado. O modelo de chegada de clientes nesse dia segue aproximadamente
uma distribuição de Poisson, com uma taxa média de chegada de 10 pessoas
por hora. Os clientes, que são muitos dada a qualidade dos pasteis, são aten-
didos segundo o esquema FIFO. O tempo gasto para atender um cliente é
estimado como sendo exponencialmente distribuı́do, como um tempo médio
de atendimento de 4 minutos. Determine:
(a) a probabilidade de se formar uma fila;
(b) o comprimento médio da fila;
(c) o tempo médio de espera de um cliente na fila;
(d) probabilidade dum cliente estar menos de 12 min. na pastelaria.

306 Filas de Espera
Taxa de chegada:
clientes
λ = 10
hora
Tempo médio de serviço:
1 minutos
=4
µ cliente
Taxa de atendimento:
clientes clientes
µ = 0.25 = 15
minuto hora
λ 2
ρ= =
µ 3
Número de servidores:
S=1 ⇒ Fila M/M/1
(a) Probabilidade de se formar uma fila:

4
1 − P0 − P1 = 1 − (1 − ρ) − ρ(1 − ρ) = ρ2 =
9
P0 – probabilidade de não estar ninguém na loja.

P1 – probabilidade de estar uma pessoa na loja (a ser atendida).
(b) Comprimento médio da fila:

λ2 100 4
Lq = = = clientes.
µ(µ − λ) 15(15 − 10) 3
(c) Tempo médio de espera na fila:

Lq 4
Wq = = horas.
λ 30
1
(d) Probabilidade de um cliente estar menos de 12 minutos = 5
horas na
pastelaria:
1 2 1
1 − P (W > ) = 1 − e−µ(1−ρ)t = 1 − e−15(1− 3 ) 5 = 1 − e−1 = 0.6321
5

13.3 Junta Autónoma das Estradas 307
13.3 Junta Autónoma das Estradas

13.3.1 Enunciado
A Junta Autónoma das Estradas tem três equipas que analisam a segurança
das estradas nacionais. As funções atribuı́das a essas equipas consistem em
analisar as condições das estradas nacionais nas proximidades dos locais onde
ocorrem acidentes graves.
As equipas são igualmente eficientes. Cada uma trabalha uma média de 2
dias (distribuição exponencial) para fazer a investigação no local e preparar
um relatório sobre cada acidente. O número de acidentes graves nas estradas
principais segue aproximadamente um processo de Poisson, com uma taxa
média de 300 por ano.
Determine L, Lq , W e Wq para este processo. Qual o significado de cada
uma destas medidas de desempenho neste caso?

308 Filas de Espera
Taxa de chegada:
acidentes 300 acidentes
λ = 300 =
ano 365 dia
1 dias
=2
µ acidente
Taxa de serviço:
acidentes
µ = 0.5
dia
300
λ 365 600
= = ≈ 1.65
µ 0.5 365
S=3 ⇒ Fila M/M/3
λ 1.65
ρ= = = 0.55
Sµ 3
λ
P0 (retirado da tabela para µ
= 1.65 e S = 3):
0.1872 − 0.1460
0.1872 − = 0.1769
4
S
λ
P0 µ
ρ 0.1769(1.65)3 0.55
Lq = = = 0.3597
S!(1 − ρ)2 3!(1 − 0.55)2
acidentes em fila de espera.
λ
L = Lq + = 0.3597 + 1.65 = 2.00
µ
acidentes em fila de espera e a serem investigados.
Lq 0.3597
Wq = = 300 = 0.4376
λ 365
dias por acidente (espera).
L 2 365
W = = 300 = = 2.43
λ 365
150
dias por acidente (espera e investigação).

13.4 Cabina telefónica 309
13.4 Cabina telefónica

13.4.1 Enunciado
As chegadas a uma cabina telefónica são consideradas “Poisson”, com um
tempo médio entre chegadas de 10 min. Assume-se que a duração de uma
chamada telefónica é distribuı́da exponencialmente, com média de 3 min.
(a) Qual a probabilidade de uma pessoa que chegue à cabina ter de esperar?
(b) Qual o comprimento médio das filas que se poderão formar?
(c) A companhia telefónica poderá instalar uma segunda cabina, caso se

conclua que um cliente espera em média pelo menos 3 minutos. Quanto
é que terá de aumentar o fluxo de chegadas de modo a justificar uma
segunda cabina?

310 Filas de Espera
Tempo médio entre chegadas:
1 minutos
= 10
λ chegada
Taxa de chegada:
chegadas
λ=6
hora
1 minutos
=3
µ chamada
chamadas
µ = 20
hora
λ 6
ρ= =
µ 20
S=1 ⇒ Fila M/M/1
(a) Probabilidade de ter de esperar:
1 − P0 = 1 − (1 − ρ) = ρ = 0.3 = 30%
P0 – probabilidade de não estar ninguém a telefonar.
(b) Comprimento médio da fila:
λ2 36
Lq = = = 0.129 pessoas.
µ(µ − λ) 20 × (20 − 6)
(c) Tempo médio de espera na fila: Wq = 3 minutos = 0.05 horas.
λ µ2 Wq 202 × 0.05 chegadas

Wq = ⇐⇒ λ = = = 10 .
µ(µ − λ) 1 + µWq 1 + 20 × 0.05 hora
Justifica-se uma nova cabine se a taxa de chegada passar de 6 para 10

chegadas por hora.

13.5 Boeingavela 311
13.5 Boeingavela
13.5.1 Enunciado
O Boeingavela, um pronto-a-comer de um aeroporto, tem atualmente ape-
nas uma empregada ao balcão que atende em média 10 clientes por hora.
Verificou-se que os clientes chegam à razão de 7 por hora, seguindo este pro-
cesso de chegada uma distribuição de Poisson. O tempo de atendimento
segue uma distribuição exponencial.
A gerência admite a hipótese de contratar mais uma empregada de bal-
cão o que permitirá, ao duplicar a razão média de atendimento, melhorar a
qualidade de serviço.
(a) Analise o desempenho do sistema de espera no estado atual calculando,

nomeadamente, a taxa de ocupação, a probabilidade do sistema estar
desocupado, o comprimento médio da fila de espera e o tempo que um
cliente aguarda, em média, para ser atendido.
(b) Se as pessoas desistem sempre que já há 3 clientes (no sistema), qual é
a percentagem de potenciais clientes perdidos?
(c) Como melhora o desempenho do sistema de espera, no caso de ser con-

tratada mais uma funcionária? Deverá recorrer ao tipo de indicadores
utilizados na primeira alı́nea.
Faça alguns comentários, que ache oportunos, sobre as situações que es-
tudou nas várias alı́neas.

312 Filas de Espera
Taxa de chegada:
clientes
λ=7
hora
clientes
µ = 10
hora
λ
= 0.7
µ
(a) Número de servidores:
S=1 ⇒ Fila M/M/1
λ
ρ= = 0.7
µ
P0 = 1 − ρ = 0.3
(obs: para S = 1 P0 é a probabilidade de o sistema estar desocupado)
Número médio de clientes na fila:
λ2 49
Lq = = = 1.63 clientes.
µ(µ − λ) 10 × 3
Número médio de clientes no sistema:

λ
L = Lq + = 2.33 clientes.
µ
Tempo médio de espera na fila:
Lq 1.63
Wq = = = 0.2329 horas.
λ 7
Tempo médio de espera no sistema:
L 2.33
W = = = 0.3328 horas.
λ 7

13.5 Boeingavela 313
(b) Se os clientes desistem quando já há 3 pessoas no sistema, este passa a
comportar-se como M/M/1/3. Então convirá calcular P3, a probabili-
dade do sistema se encontrar no estado 3.
Probabilidade de (exactamente) 0 clientes no sistema:
1−ρ
P0 = (se ρ 6= 1)
1 − ρk+1
Virá então P0 = 0.3948
Probabilidade de (exactamente) n clientes no sistema:
n
ρ P0 , se n = 1, . . . , k
Pn =
0, se n > k
Neste caso P3 = 0.1354, pelo que os clientes perdidos serão 13.54%.

(c) Número de servidores:
S=2 ⇒ Fila M/M/2
λ
ρ= = 0.35
S×µ
P0 = 0.4815
λ
(retirado da tabela para µ
= 0.7 e S = 2).
Número médio de clientes na fila:
S
P0 µλ ρ 0.4815(0.7)2 0.35
Lq = = = 0.0977 clientes.
S!(1 − ρ)2 2!(1 − 0.35)2
Número médio de clientes no sistema:
λ
L = Lq + = 0.7977 clientes.
µ
Lq 0.0977
Wq = = = 0.0139 horas.
λ 7
Tempo médio de espera no sistema:
L 0.0977
W = = = 0.1139 horas.
λ 7

314 Filas de Espera
13.6 Serviço de emergência

13.6.1 Enunciado
O serviço de emergência dum pequeno hospital tem um médico em serviço
permanente.
Pode-se dizer que os doentes chegam segundo uma distribuição de Pois-
son com razão média de 2.4 por hora. O médico garante o tratamento de
emergência, até outro médico chegar, a aproximadamente 3 doentes por hora.
A distribuição do tempo de atendimento do médico por doente é, aproxima-
damente, exponencial.
(a) Em média, que parte do tempo do médico é gasta a prestar serviço de

emergência?
(b) Em média, quanto deverá esperar um doente até ser atendido pelo
médico?
(c) Se o hospital melhorar a qualidade do atendimento de emergência, ao

acrescentar um médico ao serviço permanente (sistema M/M/2), qual
passará a ser a utilização do tempo dos médicos?
(d) Com dois médicos disponı́veis, quanto deverá esperar, em média, um

doente até ser atendido?
(e) Quanto, em média, deverá um doente esperar até ser visto por um
médico, numa situação em que um médico e um assistente façam parte
dum sistema do tipo M/M/1, com razão de serviço de 6 doentes por
hora, mantendo a razão de chegada em 2.4 doentes por hora?
(f ) Para as duas situações anteriores: atendimento assegurado por dois mé-

dicos e atendimento assegurado por um médico e um assistente calcule
quanto tempo cada doente passará no serviço de emergência. Discuta
as vantagens e desvantagens de cada um dos sistemas de atendimento.

13.6 Serviço de emergência 315
Taxa de chegada:
doentes
λ = 2.4
hora
doentes
µ=3
hora
λ
= 0.8
µ
S=1 ⇒ Fila M/M/1
λ
ρ= = 0.8
µ
Probabilidade do médico estar ocupado:
1 − P0 = ρ = 0.8
(b) Tempo médio de espera de um doente até ser atendido:
λ 2.4 4
Wq = = = = 1.3333 horas
µ(µ − λ) 3(3 − 2.4) 3
(c) Número de servidores:
S=2 ⇒ Fila M/M/2
λ
ρ= = 0.40
S×µ
Probabilidade do sistema estar desocupado:
1 − ρ = 0.6
O tempo dos médicos será utilizado a 40%.

316 Filas de Espera
(d)
S
λ
P0 µ
ρ 0.4286(0.8)2 0.40
Lq = = = 0.1524 doentes.
S!(1 − ρ)2 2!(1 − 0.40)2
Tempo médio de espera de um doente até ser atendido:
Lq 0.1524
Wq = = = 0.0635 horas.
λ 2.4
(e) Taxa de chegada:

doentes
λ = 2.4
hora
doentes
µ=6
hora
λ
= 0.4
µ
S=1 ⇒ Fila M/M/1
Tempo médio de espera de um doente até ser atendido:

λ 2.4
Wq = = = 0.1111 horas
µ(µ − λ) 6(6 − 2.4)
(f ) Em ambos os casos W , o tempo médio total de um doente no serviço

de atendimento, é obtido somando o tempo médio de atendimento µ1
ao tempo médio na fila Wq .
O tempo médio total de um doente no serviço de atendimento no caso de
o atendimento ser feito por dois médicos é W = Wq + µ1 = 0.0635 + 13 =
0.3968 horas.
No caso de o atendimento ser feito por um médico com um assistente,
o tempo médio total de um doente no serviço de atendimento é W =
Wq + µ1 = 0.1111 + 16 = 0.2777 horas.

13.7 Serviço de veterinária 317
13.7 Serviço de veterinária

13.7.1 Enunciado
Edmundo Terra é um dos crı́ticos do funcionamento do Serviço de Veterinária
da Cooperativa Agrı́cola de Belos Ares. Edmundo afirma que sempre que
chama um veterinário ele nunca vem no mesmo dia.
Atualmente o Serviço de Veterinária tem dois veterinários e cada um
atende em média 5 chamadas por dia. Quanto aos pedidos de apoio a ani-
mais doentes verifica-se que chegam aleatoriamente, seguindo um processo
de Poisson, à razão de 9 por dia. O serviço pode ser neste caso considerado
M/M/2.
Sensı́vel às crı́ticas dos membros da Cooperativa, a direção decidiu discutir
o caso, admitindo mesmo contratar um novo veterinário.
Avalie a situação, contribuindo com informação que possa ser útil para
uma tomada de decisão sobre a referida contratação.
http://www.aasm-cua.com.pt/srv7.html

318 Filas de Espera
Taxa de chegada:
chamadas
λ=9
dia
chamadas
µ=5
dia
λ 9
= = 1.8
µ 5
Objecto do estudo: pretende-se verificar se a afirmação:
“sempre que chama um veterinário ele nunca vem no mesmo dia”
é verdadeira ou não.
S=2 ⇒ Fila M/M/2
λ 1.8
ρ= = = 0.9
S×µ 2
P0 = 0.0528
Número médio de chamadas na fila:
S
P0 µλ ρ 0.0528(1.8)2 0.9 0.1540
Lq = 2
= 2
= = 7.7 chamadas.
S!(1 − ρ) 2!(1 − 0.9) 0.02
Finalmente, o tempo médio de espera na fila:

Lq 7.7
Wq = = = 0.8555 dias.
λ 9
Logo a afirmação de Edmundo Terra é incorrecta, dado que as chamadas
estão menos de um dia à espera para serem atendidas.

13.8 Secção de fotocópias 319
13.8 Secção de fotocópias

13.8.1 Enunciado
A secção de fotocópias de uma empresa, aberta 40 horas por semana, dispõe
3 escudos
de duas fotocopiadoras. Cada fotocopiadora é arrendada por 12 10 semana .
Os utilizadores chegam à razão de 33/hora e o tempo médio de serviço é de
3 minutos.
Suponha verificadas as condições indicadas no estudo das filas de espera.
(a) Determine:
• o número médio de pessoas aguardando a utilização duma fotoco-

piadora;
• o tempo médio duma pessoa na fila;
• o tempo médio duma pessoa no sistema.
(b) O custo horário médio, para a empresa, do pessoal que recorre ao serviço
3 escudos
de fotocopias é de 1, 8 10 semana , incluindo overheads. Será conveniente
aumentar o número de fotocopiadoras arrendadas? E para que número?

320 Filas de Espera
Taxa de chegada:
utilizadores
λ = 33
hora
1 minutos 1 horas
=3 =
µ utilizador 20 utilizador
utilizadores
µ = 20
hora
Custo de cada servidor (fotocopiadora) por hora:
12 103 escudos 103 escudos
= 0.3
40 hora hora
S=2 ⇒ Fila M/M/2
λ 33
= = 1.65
µ 20
0.1111 − 0.0526
P0 = 0.1111 − = 0.0965
4
λ 33
ρ= = = 0.825
2µ 2 × 20
No médio de pessoas aguardando a utilização duma fotocopiadora:
S
P0 µλ ρ 0.0965(1.65)2 0.825
Lq = = = 3.5387 pessoas.
S!(1 − ρ)2 2!(1 − 0.825)2
Tempo médio duma pessoa na fila:

Lq 3.5387
Wq = = = 0.1072 horas = 6.4 minutos.
λ 33
Tempo médio duma pessoa no sistema.
1
W = Wq + = 0.1072 + 0.05 = 0.1572 horas = 9.4 minutos.
µ

(b) • Com o número de fotocopiadoras existente (duas), o custo do ser-

3 escudos 3 escudos
viço é de 2 × 0.3 10 hora = 0.6 10 hora e o custo dos clientes
3 escudos
(espera e atendimento) é de 33 × 0.1572 × 1.8 = 9.3 10 hora .
103 escudos
Assim o custo total para a empresa é 9.9 hora
• Com três fotocopiadoras . . .
S=3 ⇒ Fila M/M/3
λ 33
= = 1.65
µ 20
0.1872 − 0.1460
P0 = 0.1872 − = 0.1769
4
λ 33
ρ= = = 0.55
3µ 3 × 20
S
P0 µλ ρ 0.1769(1.65)3 0.55
Lq = = = 0.3597 pessoas.
S!(1 − ρ)2 3!(1 − 0.55)2

Lq 0.7994
Wq = = = 0.0109 horas.
λ 33
1
W = Wq + = 0.0109 + 0.05 = 0.0609 horas.
µ
3
Com 3 fotocopiadoras, o custo do serviço é de 3 × 0.3 10 hora
escudos
=
3
10 escudos
0.9 hora
e o custo dos clientes (espera e atendimento) é de
3 escudos
33 × 0.0609 × 1.8 = 3.6175 10 hora . Assim o custo total para a
103 escudos
empresa é 4.5175 hora
• Com quatro fotocopiadoras . . .
S=4 ⇒ Fila M/M/4

322 Filas de Espera
λ 33
= = 1.65
µ 20
0.1953 − 0.1616
P0 = 0.1953 − = 0.1899
4
λ 33
ρ= = = 0.4125
4µ 4 × 20
S
P0 µλ ρ 0.1899(1.65)4 0.4125
Lq = = = 0.0701 pessoas.
S!(1 − ρ)2 4!(1 − 0.4125)2

Lq 0.0701
Wq = = = 0.0021 horas.
λ 33
1
W = Wq + = 0.0021 + 0.05 = 0.0521 horas.
µ
3
escudos
=
3
10 escudos
1.2 hora
3 escudos
103 escudos
• Com cinco fotocopiadoras . . .
S=5 ⇒ Fila M/M/5
λ 33
= = 1.65
µ 20
0.2014 − 0.1646
P0 = 0.2014 − = 0.1922
4
λ 33
ρ= = = 0.33
5µ 4 × 20


S
λ
P0 µ
ρ 0.1922(1.65)5 0.33
Lq = = = 0.0144 pessoas.
S!(1 − ρ)2 5!(1 − 0.33)2

Lq 0.0144
Wq = = = 0.0004 horas.
λ 33
1
W = Wq + = 0.0004 + 0.05 = 0.0504 horas.
µ
3
escudos
=
103 escudos
1.5 hora
3 escudos
103 escudos
• A quantidade de fotocopiadoras que minimiza o custo total da
3 escudos
empresa é 4, com um custo de 4.2962 10 hora .

324 Filas de Espera
13.9 Manutenção
13.9.1 Enunciado
O supervisor operacional duma empresa de máquinas eléctricas verificou que
o serviço de manutenção corrente de equipamento sofria atrasos, devido à
espera na secção de ferramentas. Como qualquer atraso na produção obriga
a uma alteração das ordens de fabrico ou mesmo ao recurso a horas extraor-
dinárias, o supervisor requereu um estudo sobre a viabilidade de acrescentar
mais funcionários à secção em questão, para melhorar a resposta às necessi-
dades do serviço de manutenção.
O assunto foi estudado, concluindo-se que o tempo médio entre chega-
das é de 80 segundos e que o tempo médio de atendimento, por parte dum
funcionário, é de 60 segundos.
O custo total dum funcionário na secção de ferramentas é de $8.50 por
hora, enquanto que o custo relativo à espera (equipamento parado) é de
$15.00 por hora. Considera-se que o dia de trabalho tem 8 horas.
A tabela seguinte, parcialmente completa, informa sobre o efeito na fila de
espera de acrescentar mais funcionários (fila tipo M/M/S, S = 2, 3) à secção,
incluindo a análise dos custos diários totais envolvidos nas várias opções.
Complete a tabela. Na perspectiva dos custos totais tabelados, qual é a
melhor opção?
Número de funcionários
1 2 3
Número médio de equipamentos na fila de espera (Lq ) 2.25
Número médio de equipamentos no sistema (L) 3.00
Tempo médio de um equipamento na fila de espera, em min. (Wq ) 3.00
Tempo médio de um equipamento no sistema, em min.(W ) 4.00
Percentagem de tempo de desocupação do serviço 0.25
Custo ($)/dia (funcionários) 68.00
Custo ($)/dia (esperas) 360.00
Custo total diário 428.00

13.9 Manutenção 325
Taxa de chegada:
60 chegadas 602 chegadas maquinas
λ= = = 45
80 minuto 80 hora hora
atendimento atendimentos
µ=1 = 60
minuto hora
• Verificação das contas apresentadas no quadro:
Número médio de máquinas na fila:
λ2
Lq = = 2.25 maquinas.
µ(µ − λ)
Número médio de máquinas no sistema:

λ
L = Lq + = 3 maquinas.
µ

λ 45 horas
Wq = = = 0.05 .
µ(µ − λ) 60 × (60 − 45) maquina
Tempo médio de espera no sistema.

1 horas
W = Wq + = 0.0667 .
µ maquina
Custo por dia dos funcionários = $68.

Custo por dia de espera das máquinas = W × λ × 8 × 15 = $360
Custo total = $428
• Com dois funcionários . . .

S=2 ⇒ Fila M/M/2
λ 45
= = 0.75
µ 60

326 Filas de Espera
P0 = 0.4545
λ
ρ= = 0.375
2µ

S
λ
P0 µ
ρ 0.4545(0.75)2 0.375
Lq = = = 0.1227 maquinas.
S!(1 − ρ)2 2!(1 − 0.375)2
Tempo médio de uma máquina na fila:
Lq 0.1227
Wq = = = 0.0027 horas.
λ 45
Tempo médio de uma máquina no sistema:
1 1
W = Wq + = 0.0027 + = 0.0194 horas.
µ 60
Custo por dia dos funcionários = 2 × 68 = $136.

Custo por dia de espera das máquinas = W × λ × 8 × 15 = $104.7258
Custo total = $240.7258
• Com três funcionários . . .

S=3 ⇒ Fila M/M/3
λ 45
= = 0.75
µ 60
P0 = 0.4706
λ
ρ= = 0.25
3µ

13.9 Manutenção 327

S
λ
P0 µ
ρ 0.4706(0.75)3 0.25
Lq = = = 0.0147 maquinas.
S!(1 − ρ)2 3!(1 − 0.25)2
Tempo médio de uma máquina na fila:

Lq 0.0147
Wq = = = 0.0003 horas.
λ 45
Tempo médio de uma máquina no sistema:

1 1
W = Wq + = 0.0003 + = 0.0170 horas.
µ 60
Custo por dia dos funcionários = 3 × 68 = $204.

Custo por dia de espera das máquinas = W × λ × 8 × 15 = $91.76475
Custo total = $295.7648
A melhor opção é passar a ter dois funcionários no serviço de manuten-

ção.

328 Filas de Espera
13.10 Uma horta na escola

13.10.1 Enunciado
1
Inserido no projeto “Uma Horta na Escola” serão distribuı́dos kits de jar-
dinagem a todas as escolas envolvidas. Para fazer a distribuição dos kits,
que as escolas terão que levantar em postos pré-determinados, estão a ser
estudadas duas alternativas.
A primeira alternativa consiste em ter um único posto de atendimento
na LIPOR, mas com 3 funcionários a atender. Cada funcionário atende em
média 3 escolas por hora, seguindo o tempo de atendimento uma distribuição
de probabilidade exponencial negativa. Espera-se que em média 6 escolas por
hora vão à LIPOR levantar os respetivos kits, sendo que o número de escolas
que levantam os kits segue uma distribuição de probabilidades de Poisson.
A segunda alternativa é ter 3 postos de atendimento, cada um com um
único funcionário a atender, espalhados pela região metropolitana do Porto,
nomeadamente um na cidade do Porto, outro em Valongo e o terceiro em
Gaia. Mantendo-se a capacidade de atendimento de cada funcionário, a pro-
cura é diferente de posto para posto, uma vez que há mais escolas próximas
de alguns postos do que de outros. Para o posto do Porto a procura média
é de 2 escolas por hora, no posto de Valongo é de 1.2 escolas por hora e
no posto de Gaia é de 2.8 escolas por hora. Em todos os casos a procura
continua a seguir uma distribuição de Poisson.
O custo horário de cada funcionário é de 10 e. Considere que o custo de
espera na fila de cada escola é também de 10 e por hora. Além destes custos
considere ainda o custo de deslocação das escolas aos postos de distribuição
dos kits de jardinagem. Caso exista um único posto na LIPOR, as escolas
gastarão, em média, 50 e em cada deslocação. Na alternativa de postos
distribuı́dos, portanto mais próximos das escolas, estas terão um custo de
deslocação de 10 e por escola.
(a) Determine que alternativa minimiza os custos globais de distribuição

dos kits: custo dos funcionários + custo de espera das escolas para
serem atendidas + custo de deslocação das escolas.
(b) Comente outras vantagens e desvantagens, para além das estritamente
económicas abordadas na alı́nea anterior, das duas alternativas, no-
meadamente socorrendo-se, para justificar estes seus comentários, de
cálculos que fez para resolver a alı́nea anterior ou de algum cálculo
adicional que julgue oportuno.
1

13.10 Uma horta na escola 329
(a) .
Posto único 3 postos de atendimento

LIPOR Porto Valongo Gaia
M/M/3 M/M/1 M/M/1 M/M/1
µ 3 3 3 3
λ 6 2 1.2 2.8
λ
µ
2 0.6667 0.4 0.9333
ρ 0.6667 0.6667 0.4 0.9993
P0 0.1111
Lq 0.8888 1.3333 0.2667 13.0667
Custo dos funcionários 30 10 10 10
Custo de espera 8.8880 13.3333 2.6667 130.6667
Custo de deslocação 300 20 12 28
Custo Total 338.88 236.6667
Todos os custos foram calculados para o perı́odo de uma hora. Assim,

o custo de espera é igual ao número de escolas que, em média, está
na fila vezes o custo de uma hora de espera. O custo de deslocação é
simplesmente igual ao número de escolas que se desloca, numa hora,
aos postos de distribuição (os vários λ) vezes o custo de deslocação,
que dependem de posto para posto.
(b) Sendo globalmente mais económica, a alternativa de ter postos distri-
buı́dos representa uma solução muito má para as escolas que usarão o
posto de atendimento de Gaia, onde a tamanho médio da fila é muito
elevado, correspondendo a um tempo de espera médio:
Lq
Wq = = 4.6667 horas
λ
enquanto para os outros postos o Wq seria de 0.6667 e de 0.2222 horas.
Para além de ser uma solução parcelarmente muito má, este desiquilı́-
brio poderá levar as escolas de Gaia a procurar outros postos de aten-
dimento, alterando radicalmente os valores de procura (λ) sobre que
assentaram estes cálculos e tornando-os totalmente desfasados da reali-
dade. Esta situação é particularmente grave uma vez que outros valores
de procura poderiam levar a uma decisão completamente diferente: a
concentração dos 3 postos na LIPOR.

330 Filas de Espera
13.11 DouryKayak
13.11.1 Enunciado
O Rio Douro, com os seus 928 km de extensão, constitui uma das maiores
bacias hidrográficas da Europa Ocidental, que se destaca pelos notáveis va-
lores histórico-culturais, artı́sticos e ambientais. Após o seu lento percurso
pelas planı́cies cerealı́feras da meseta, o Douro forma a fronteira natural entre
Portugal e Espanha. Nesta zona, conhecida como “Douro Internacional” no
nosso paı́s e “Arribes del Duero” em Espanha a natureza foi pródiga na beleza
paisagı́stica e na biodiversidade. [. . . ] O relevo desta zona caracteriza-se pelo
encaixe da sua rede fluvial, onde os vales formam, frequentemente, vertentes
escarpadas e falésias, com até 400 m de altura, produzindo uma paisagem de
beleza impressionante.
in http://dourointernacional.no.sapo.pt/arribasdodouro.html 2007.02.04
Para aproveitar todos estes recursos e partilhá-los com a população inte-
ressada, a empresa DouryKayak proporciona descidas pelo Rio Douro, entre
Miranda do Douro e Freixo de Espada à Cinta em kayaks. A DouryKayak
realiza viagens para grupos de 12 pessoas (obrigatoriamente), sendo que cada
grupo é atendido individualmente (quando um grupo chegar ao destino é en-
viada a informação para que o próximo grupo possa partir). O horário de
funcionamento da empresa é das 7h00 às 17h00, podendo a última partida
ocorrer na hora limite, às 17h00. A chegada dos grupos ao embarcadouro de
partida é aleatória e o número de grupos que chega por dia pode ser descrito
por uma distribuição de Poisson, sendo o seu valor médio de 4.8 grupos/dia.
O problema da empresa é decidir qual a melhor escolha de kayaks, dado
que existem kayaks de 2 lugares, que têm um preço de 95e cada, kayaks de
4 lugares (170e cada) e kayaks de 6 lugares (210e cada). Depois de vários
testes concluiu-se que o tempo de viagem por grupo (12 pessoas), incluindo
o tempo de retorno ao ponto de partida, é aleatório e segue uma distribuição
exponencial negativa. Com 6 kayaks de 2 lugares o tempo médio de viagem
é de 1h30, com 3 kayaks de 4 lugares a viagem demora em média 2h00 e a
viagem de 2 kayaks de 6 lugares demora em média 2h30.
O objetivo da DouryKayak é decidir que tipo de kayaks comprar (2 luga-
res, 4 lugares ou 6 lugares), de forma a gastar o mı́nimo de dinheiro possı́vel
mas com a restrição de os kayaks estarem ocupados um máximo de 80% do
tempo, de forma a poderem contemplar um futuro aumento da procura. Para
a configuração escolhida, calcule o número médio de grupos que estarão na
fila de espera.
Baseado num problema elaborado por Ana Vanessa Duque - 2005/2006

13.11 DouryKayak 331
Neste problema pretende-se analisar um sistema de fila de espera M/M/1.
Quer as chegadas quer o atendimento seguem processos de Poisson (ou ex-
ponencial negativos), os “clientes” são os grupos e o que está em causa é
determinar a configuração do serviço, que tem impacto no custo do mesmo e
no tempo médio de atendimento. Usaremos como unidade de tempo a hora.
Como temos três configurações diferentes e alternativas para o atendimento,
distinguiremos os três casos apondo o ı́ndice A, B e C às variáveis habituais,
representando, respectivamente, as situações de comprar kayaks de 2 lugares,
4 lugares e 6 lugares.
Usando então a nomenclatura habitual das filas de espera:
4.8
λ = = 0.48
10
1 2
µA = =
1.5 3
1
µB = = 0.5
2
1
µC = = 0.4
2.5
Para respeitar a condição dada no enunciado, a probabilidade de o sistema

estar desocupado terá de ser superior ou igual a 20%:
λ ×0.48
P0A = 1 − = 1 − 2 = 1 − 0.72 = 0.28
µA 3
λ 0.48
P0B =1− = 1− = 1 − 0.96 = 0.04
µB 0.5
λ 0.48
P0C =1− = 1− = 1 − 1.2
µB 0.4
Na hipótese C a fila de espera não está em equilı́brio, pois ρC = µλC é

maior que um. Nos outros dois casos, apenas a hipótese A garante a taxa de
desocupação pretendida.
Para esta situação A, o número médio de grupos na fila de espera é dado
por:
λ2 0.482
LA
q = = 2 = 1.851
µA (µA − λ) 3
× ( 23 − 0.48)

332 Filas de Espera

Capı́tulo 14
Simulação
• Dada a descrição de um sistema a simular:
– determinar as entidades, actividades e eventos envolvidos na si-

mulação
– determinar os estados de cada entidade e as regras para ocorrer
uma mudança de estado.
• Executar uma simulação por eventos, representando a evolução do sis-

tema ao longo da simulação através de uma tabela de estados e de uma
lista de eventos.
• Retirar resultados pré-estabelecidos da simulação efectuada, como tem-

pos médios num estado ou número médio de entidades num estado (por
exemplo, numa dada fila de espera).
• Gerar números aleatórios com uma distribuição de probabilidades:
– discreta, através de um histograma ou tabela de probabilidades

dada e a partir de números aleatórios uniformemente distribuı́dos
entre 0 e 1.
– contı́nua, a partir da função inversa da distribuição de probabili-
dade acumulada e a partir de números aleatórios uniformemente
distribuı́dos entre 0 e 1.
• Utilizar os números aleatórios para gerar tempos de ocorrência de even-

tos numa simulação discreta.

334 Simulação
• Utilizar os números aleatórios para fazer uma simulação estatı́stica.
• Retirar resultados pré-estabelecidos da simulação estatı́stica efectuada.

335
Exercı́cios
14.1 Avarias na rede eléctrica . . . . . . . . . . . . . . . . . . . . 336

14.2 ValorSul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338
14.3 Avistamento de Aves . . . . . . . . . . . . . . . . . . . . . . 340

336 Simulação
14.1 Avarias na rede eléctrica

14.1.1 Enunciado
Na reunião camarária de ontem, o presidente da Câmara Municipal de Estre-
moz fez um discurso inflamado contra os frequentes cortes de fornecimento
de energia eléctrica provocados pelos bandos de estorninhos. Uma afirma-
ção, em particular, indispôs os responsáveis pela REN, por a considerarem
falsa: que os habitantes estariam normalmente cerca de 3 horas por dia sem
fornecimento de energia eléctrica.
Os curto-circuitos de causa natural são, evidentemente, fenómenos alea-
tórios e a reposição de serviço, por acção do telecomando da rede, também
não é determinı́stico. É sabido pois que o tempo entre ocorrências de curto-
circuitos segue uma distribuição de probabilidades exponencial negativa, com
um valor esperado de 60 minutos1 , e o tempo de reposição segue uma distri-
buição uniforme, tomando valores entre 1 e 5 minutos.
Através de simulação estatı́stica, calcule o tempo médio diário que os
habitantes estão sem energia eléctrica e conclua se o presidente da Câmara
Municipal tem ou não razão. Faça apenas 5 iterações e utilize os seguintes
números aleatórios uniformemente distribuı́dos entre 0 e 1:
0.2032 0.5163 0.5160 0.0409 0.5993

0.0980 0.6415 0.5301 0.0555 0.4963
1 1
Recorde que E(X) = λ, quando x segue uma distribuição exponencial negativa de
parâmetro λ.

14.1 Avarias na rede eléctrica 337
.
(A) (B) (C) (D) (E) (F) (G)
Tempo entre acidentes (min) Tempo de reposição do serviço (min) Tempo de ciclo (min) Nº de ciclos Tempo total
Nº aleatório Nº aleatório Nº aleatório Nº aleatório acidente/reposição sem serviço
U[0,1] EXP(1/60) U[0,1] U[1,5] num dia (24*60 min) num dia
-LN(1 - (A)) / (1/60) (5-1) * (C) + 1 (B) + (D) (24*60)/(E) (D) * (F)
0.2032 13.6277 0.0980 1.3918 15.0195 95.8752 133.4433
0.5163 43.5727 0.6415 3.5658 47.1385 30.5483 108.9305
0.5160 43.5408 0.5301 3.1203 46.6610 30.8609 96.2941
0.0409 2.5048 0.0555 1.2221 3.7269 386.3780 472.1974
0.5993 54.8715 0.4963 2.9851 57.8567 24.8891 74.2975
Média 177.0326

338 Simulação
14.2 ValorSul
14.2.1 Enunciado
A Valorsul, S.A. é a empresa responsável pelo tratamento e valori-
zação das cerca de 750 mil toneladas de Resı́duos Sólidos Urbanos
produzidas, por ano, nos municı́pios de Amadora, Lisboa, Loures,
Odivelas e Vila Franca de Xira. A sua área de intervenção corres-
ponde a menos de 1% da área total do paı́s, mas valoriza quase
um sexto de todo o lixo doméstico produzido em Portugal. Esta
imensa quantidade de resı́duos é tratada e valorizada pela Valor-
sul através de um moderno Sistema de Gestão Integrada de RSU
adequado ao crescimento e à composição do nosso lixo urbano.
in http://www.valorsul.pt
A Valorsul pretende avaliar um novo sistema de descarga dos camiões que

diariamente chegam ao aterro sanitário de Mato da Cruz, em Calhandriz.
Com este novo sistema o tempo de descarga ´pode ser considerado nulo
uma vez que os camiões são descarregado sem andamento. É sabido que, no
perı́odo de maior tráfego (08h00-11h45), a chegada de camiões ao aterro é
aleatória e segue uma distribuição exponencial com um tempo médio entre
chegadas de 5 minutos. O tipo de camião (tonelagem) que chega é também
uma variável aleatória cuja distribuição de probabilidade, calculada com base
na frequência relativa passada, é representada na Tabela 1.
Tabela 1: Distribuição de probabilidade para o tipo de camião.

Tonelagem Probabilidade
10 0.25
18 0.15
26 0.40
32 0.20
Pretende-se simular o funcionamento do aterro (chegada e atendimento

de camiões) para um perı́odo de 15 minutos.
Utilize a seguinte lista de números aleatórios uniformemente distribuı́dos
entre 0 e 1 como base para a simulação:
0, 4819 0, 2286 0, 1714 0, 3777 0, 7221 0, 7221

0, 6721 0, 4981 0, 4875 0, 8864 0, 9390 0, 6201
0, 9512 0, 9260 0, 6182 0, 4148 0, 1296 0, 6389

14.2 ValorSul 339
Este é um problema de simulação discreta, em que o tempo entre eventos
(chegada de uma camião) é regido por uma distribuição exponencial negativa
com média 5 minutos (o tempo médio entre chegadas é de 5 minutos). Assim,
λ = 0, 2.
Para cada chegada é ainda necessário determinar o tipo de camião (tonela-
gem). Para isso utiliza-se a distribuição de probabilidade dada no enunciado.
Obervações
Números Números aleatórios Números aleatórias com Histograma
aleatórios com distribuição aleatórios distribuição (a 3ª coluna está desalinhada por causa das
exponencial dada pelo regras de utilização do VLOOKUP())
lambda histograma
0,2
0,4819 3,287614 0,4981 26 p(X=x) P(X<=x) X
0,2286 1,297662 0,4875 26 0 10
0,1714 0,939995 0,8864 32 0,25 0,25 18
0,3777 2,371985 0,9390 32 0,15 0,40 26
0,7221 6,403310 0,6201 26 0,40 0,80 32
0,7221 6,403310 0,9512 32 0,20 1,00
0,6721 5,574601 0,9260 32
Tempo Tempo entre Camião

# (minutos) observações (toneladas)
(minutos)
1 0 3,287614 26
2 3,287614 1,297662 26
3 4,585275 0,939995 32
4 5,525270 2,371985 32
5 7,897255 6,403310 26
6 14,300565 6,403310 32
7 20,703875 5,574601 32
O resultado desta simulação é então a chegada de 3 camiões de 26 to-

neladas e 4 de 32 toneladas, num tempo total de 20,7 minutos. Conclusões
estatisticamente significativas apenas poderiam ser retiradas da repetição
(um número suficiente de vezes) desta simulação.

340 Simulação
14.3 Avistamento de Aves

14.3.1 Enunciado
A bacia do Rio Douro, desde Miranda do Douro até quase à sua foz, constitui
um dos últimos refúgios e local de nidificação de várias espécies de aves de
rapina.
Não obstante profundas alterações provocadas no habitat pela acção hu-
mana, quer introduzindo sistemas de monocultivo agrı́colas, quer construindo
barragens e vias de comunicação, uma percentagem considerável da popula-
ção portuguesa de Abutres do Egipto, Grifos, Águias Reais, Águias de Bonelli
e Falcões Peregrinos constroem os seus ninhos nas paredes rochosas das mar-
gens do Rio Douro.
O grupo Quercus tem dedicado um especial carinho ao recenseamento e
protecção destas aves, tendo criado e vindo a manter em funcionamento a
zona de alimentação em Miranda do Douro e, com a ajuda de um núcleo de
ornitólogos amadores, têm feito vários estudos destas espécies.
Em virtude desse trabalho é já hoje possı́vel ter uma ideia aproximada da
população das várias espécies de rapina na bacia do Douro, como podemos
ver na Tabela 2.
Tabela 2: População de aves de rapina no Parque Natural do Douro Inter-

nacional.
Tipo de ave Número de aves no Parque
Abutre do Egipto 30
Grifo 80
Águia Real 18
Águia de Bonelli 21
Falcão Peregrino 23
Total de Aves 172
Da experiência acumulada sabe-se que no Parque do Douro Internacional

a observação das aves de rapina segue uma distribuição exponencial negativa
e que em média se avista uma ave de 2 em 2 horas. O tipo de ave avistado em
cada uma das observações depende, obviamente, da sua frequência relativa
na população do parque.
Pretende-se simular o avistamento de aves de rapina num perı́odo de 5
horas e estimar o número de aves de cada tipo observado nesse perı́odo.
Utilize a seguinte lista de números aleatórios uniformemente distribuı́dos
entre 0 e 1 como base para a simulação:

14.3 Avistamento de Aves 341
0, 4819 0, 2286 0, 1714 0, 3777 0, 7221 0, 7221

0, 6721 0, 4981 0, 4875 0, 8864 0, 9390 0, 6201
0, 9512 0, 9260 0, 6182 0, 4148 0, 1296 0, 6389
Baseado num problema elaborado por Ana Vanessa Duque - 2005/2006

342 Simulação
Este é um problema de simulação discreta, em que o tempo entre eventos
(avistamento de uma ave) é regido por uma distribuição exponencial negativa
com média 2 horas (o tempo médio entre avistamentos é de 2 horas). Assim,
λ = 0, 5.
Para cada avistamento é ainda necessário determinar o tipo de ave que
é avistado. Para isso utiliza-se o número de aves que vive no parque, isto
é, como existem 30 abutres do Egipto, num total de 172 aves de rapina, a
30
probabilidade de a árvore observada ser um abutre do Egipto é de 172 = 0, 17.
O resultado desta simulação é então a observação de 3 Grifos, 2 Fal-

cões Peregrinos e uma Águia Real. Conclusões estatisticamente significativas
apenas poderiam ser retiradas da repetição (um número suficiente de vezes)
desta simulação.


IOExercicios

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

IOExercicios

Enviado por

Direitos autorais:

Formatos disponíveis

FEUP FACULDADE DE ENGENHARIA

3 Utilização do Solver do Excel 79

FEUP FACULDADE DE ENGENHARIA

5 Programação Inteira 121

6 Problemas de Transportes 151

7 Problemas de Afetação 169

8 Problemas de Fluxo Máximo 191

FEUP FACULDADE DE ENGENHARIA

9 Problemas de Caminho Mı́nimo 211

10 Planeamento e Controlo de Projetos 231

11 Teoria da Decisão 257

FEUP FACULDADE DE ENGENHARIA

13 Filas de Espera 301

FEUP FACULDADE DE ENGENHARIA

– Formular esse problema através de uma função objetivo e de um

• Descrever o que significam e fazem um conjunto de restrições, no con-

FEUP FACULDADE DE ENGENHARIA

1.1 Problema da Mistura de Produtos . . . . . . . . . . . . . . 9

FEUP FACULDADE DE ENGENHARIA

1.1 Problema da Mistura de Produtos

Tabela 1: Dados fornecidos pelo departamento de engenharia

O fornecimento de matéria-prima está limitado a 200 quilos/dia. Por dia

FEUP FACULDADE DE ENGENHARIA

xA − produção diária do modelo A (no de unidades)

Passo II Restrições do problema.

7xA + 3xB + 6xC ≤ 150

Aplicando o mesmo raciocı́nio à matéria-prima, obter-se-ia:

4xA + 4xB + 5xC ≤ 200

As restrições que faltam ao problema dizem directamente respeito às variáveis

max LUCRO = 4xA + 2xB + 3xC

O modelo do nosso problema será então:

FEUP FACULDADE DE ENGENHARIA

Encontrar os números xA , xB e xC tais que:

max LUCRO = 4xA + 2xB + 3xC

7xA + 3xB + 6xC ≤ 150

FEUP FACULDADE DE ENGENHARIA

1.2 Publicações Polémicas

Departamento de Impressão O departamento de impressão pode pro-

Departamento de Encadernação O departamento de encadernação po-

Armazém A capacidade máxima do armazém seria de 15 000 exemplares

Pedidos Já existem pedidos de 2 000 exemplares Normal e 1 000 exempla-

Lucro O lucro resultante da venda de um exemplar Normal é de 600UMs

(a) Formule este problema como um Modelo de Programação Linear.

(b) Resolva-o graficamente, ilustrando o conjunto das soluções admissı́veis.

FEUP FACULDADE DE ENGENHARIA

(c) Resolva pelo método Simplex uma versão simplificada do problema, em

(d) Substitua a condição Mı́nimo Luxo pela seguinte: Se houver pro-

FEUP FACULDADE DE ENGENHARIA

xL quantidade de livros a produzir na versão Luxo;

Com essas variáveis de decisão o modelo de Programação Linear será

max Z = 600xN + 720xL (1.1)

A equação (1.2) corresponde à restrição de impressão. As equações (1.3)

max Z = 600xN + 720xL (1.8)

FEUP FACULDADE DE ENGENHARIA

(b) Representação gráfica:

(c) Resolução pelo Algoritmo Simplex

FEUP FACULDADE DE ENGENHARIA

FEUP FACULDADE DE ENGENHARIA

1.3 Montagem duas peças

A carga das máquinas M2 é repartida igualmente pelas 5 máquinas. O

(a) Apresente um modelo matemático para este problema.

(b) Considere agora a situação em que também se pretende manter uma

FEUP FACULDADE DE ENGENHARIA

max Z = min(xA1 + xA2 , xB1 + xB2 )