Ao Estudo de Pesquisa Operacioal

APONTAMENTOS DE INTRODUÇÃO AO ESTUDO DE PESQUISA
OPERACIOAL
SEBENTA COM PROBLEMAS E EXERCÍCIOS
PARTE UM PROGRAMAÇÃO LINEAR
Professor Doutor José António Fazenda
Luanda 2014
INDECE
1. INTRODUÇÃO A PESQUISA OPERACIONAL

1.1 Breve historial da Pesquisa Operacional
1.2 Modelo de IO
2. ÁLGEBRA LINEAR
2.1 Vectores
2.2 Matrizes
2.3 Sistemas de Equações lineares
3. PROGRAMAÇÃO LINEAR
3.1 Definição
3.2 Fases de estudo de um problema de pesquisa operacional
3.3 Exemplos de problemas de P.L.
3.4 Resolução Gráfica de Problema de P.L.
3.5 Forma Padrão ou standard de um Problema de P.L.
4. O MÉTODO SIMPLEX
4.1 Exemplo de um Problema
4.2 Método Simplex
4.3 Procedimento do Método Simplex (Problema de Maximização)
4.4 Outra forma do Método Simplex
4.5 Método Simplex em Duas Fases
4.6 Outra Forma do Método Simplex em Duas fases
4.7 Exercícios Modelados
4.8 Exercícios Resolvidos
4.9 Exercícios Proposto
5. PROBLEMA DE TRANSPORTE
5.1 Noções Gerais
5.2 Um Exemplo de Problema de Transporte
5.3 Formulação de um Problema de Transporte
5.4 Arranjos a forma genérica
5.5 Propriedade do Modelo de Transporte
5.6 Método de stepping-Stone
5.6.1 O método do custo mínimo por linha
5.6.2 O método do custo mínimo por coluna
5.6.3 Desenvolvimento do método stepping-stone
5.7 Dificuldades do Problema de transporte
5.8 Exercícios para resolver
6. ANÁLISES DE REDE
6.1 Conceito Básico em Teoria de Grafos
6.2 O Problema da Árvore Geradora de Custo Mínimo
6.2.1 O Algoritmo de Kruskal
6.2.2 O Algoritmo de Pri-
6.3 O problema do caminho mais curto
6.3.1 O algoritmo de DIJKSTRA
6.3.2 Outra forma de Resolver o Problema
6.3.3 O algoritmo de Ford
6.3.4 O algoritmo de Floyd
6.3.5 O problema do Fluxo Máximo
6.3.6 Corte de uma Rede
6.3.7 O algoritmo de Ford – Fukerson
6.3.8 Resolução de Problema
6.3.9 Casos especiais do Fluxo Máximo
6.3.10 O Problema do Fluxo de Custo Mínimo
6.3.11 Situação
6.3.12 Formulação do problema
6.3.13 O algoritmo de BUSACRER – GOWEN
6.3.14 Exercícios Proposto
7. TEORIA DOS JOGOS
7.1 Introdução
7.2 Jogo de dois Jogadores e Soma Zero
8. RISCO E INCERTEZA
8.1 Conceito de Risco
8.2 Critério para decisão sob condições de incerteza
FICHA DE AVALIAÇÃO CONTÍNUA
Nome do Aluno……………………………………………………………………………………………..Nº…………………
Primeiro Semestre………………………..Curso…………………………………………………….Ano……………….
Primeiro Mês de Aulas:
1. Exercício de Álgebra Linear
Vectores Matrizes Sistemas de Equações
Classificação___________
2. Teoria de Programação Linear.
Classificação: ___________
Segundo Mês:
Exercício de Programação Linear
Nº· Nº
Classificação: ____________
3. Prova de Frequência: Ex.

4. Exame Ex:
5. Recurso E.:
Classificação ____________
NOTA: A média das classificações do 1º e 2º meses se for igual ou superior a 12 valores e

dividida equivalente a nota da frequência.
NOTA: Os exercícios de exame e recurso devem ser entregues 10 dias antes da data
marcada para prova e defendidos no dia da prova.
1. INTRODUÇÃO A PESQUISA OPERACIONAL
Muitos dos problemas actuais baseiam-se em escolher uma alternativa, a melhor entre, muitas
ou seja, a tomada de decisão. A pesquisa operacional (PO) é um dos ramos da matemática que
utiliza processos numéricos de chegar a melhor alternativa.
Pesquisa Operacional = Investigação das Operações.
Operação = Conjunto de actos necessários para obter determinados resultado.
Investigação = Pesquisa que conduz o resultado que são imediatamente utilizáveis fora do
domínio da ciência (na vida real); ou seja procura resolver um problema e alguns dos objectivo
a atingir são de natureza não científica.
Objectivo de Ensino da P.O.
A P.O. é a ciência aplicada vocacionada na resolução de um problema da vida real, nos quais
se procura trazer para o campo da tomada de decisão (sobre a concepção a planificação ou a
operação de sistema) a altitude e os métodos próprios de outras áreas cientificas.
Através de desenvolvimento de base quantitativa, a PO visa também introduzir elementos de

objectividade e racionalidade nos processos de tomada de decisão sem descurar no entanto os
elementos subjectivos e de enquadramentos organizacional que caracterizam os problemas.
Diz-se que um individuo (ou um grupo) tem um problema se e só se:
 Deseja atingir determinados objectivos,

 Possui modos alternativos de o alcançar
 Ignorar qual a melhor alternativa.
Suponhamos por exemplo, que uma empresa dispõe de diversos recursos (matéria – prima,
mão – de – obra, etc.) que os pode combinar de diversos modos para produzir certo bem.
Admitindo que o problema consiste em determinar a combinação produtiva que permite obter
o bem a um certo custo mínimo, pode sugerir a questão de procurar a técnica matemática
mais eficaz para minimizar certo tipo de função – custo.
1.1 Breve Historial da Pesquisa operacional
A utilização de métodos científicos na preparação de decisão, remota a data muito longínquas.

Por exemplo, no século III A.C. HIERÃO (tirano de Siracusa) pediu a ARQUÍMES que indicasse a
forma mais eficiente de utilizar as armas da época, a fim de romper os cercos da frota romana.
No entanto, o inicio da actividade dachamada Pesquisa Operacional é atribuída, normalmente

aos serviços militares durante a II guerra mundial, quando os aliados se viram confrontados
com problemas (de natureza logísticas, de táctica e estratégia militar) de grande dimensão e
complexidade. Para apoiar os comandos operacionais na resolução desses problemas, foram
então criados grupos multidisciplinares de cientistas em que se incluíam matemáticos, físicos e
engenheiro, a par de outro oriundo das ciências sociais. Esses cientistas mas não fizeram do
que aplicar o método científico, que tão bem conheciam aos problemas que lhes foram sendo
colocados. Desenvolvem então a ideia de criar modelos matemáticos, apoiados em todos os
factos que permitissem perceber os problemas em estudo e ensaiar e avaliar o resultado
hipotético de estratégia ou decisões alternativas. Dos trabalhos realizados durante este
período, destaca-se os seguintes:
 Em 1939 na Inglaterra um pequeno grupo de técnico dedicado o PO começou a trabalhar nos

métodos de emprego dos primeiros radares
 Grupo BLACKETT) para conseguir o aproveitamento óptimo do sistema defensivo britânico.
 Dois anos depois da guerra, os 3 ramos das forças armadas britânicas estavam dotados com
o grupo de PO cujo efectivo não parou de aumentar ate ao final da guerra.
 Nos EUA, desde a sua entrada na guerra, grupo de PO, foram incumbidos pelo exército,
marinha e força aérea de estudarem cientificamente os problemas de cada força armada, a
partir dos quais se destacam resultados como a melhoria da eficiência dos ataques aéreos
aos submarinos, nova disposição dos comboios marítimos, de forma a minimizar as perdas,
organização dos bombardeamentos aéreos sobre Alemanha.
No fim da guerra, incentivados com o aparente sucesso da PO a nível militar os industriais

começaram gradualmente a interessar-se por esse novo campo. Por outro lado, o grupo da PO
gozava de merecido prestígio, uma vez que tinha ficado demonstrado, durante a guerra que as
equipas da PO eram capazes de resolver problemas complexos, envolvendo muitas variáveis, e
os métodos que tinham permitido obter maior eficiência das armas e valiosa economia em
vidas humanas e materiais, eram susceptíveis de serem transferidas do sector militar para o
sector civil.
Os problemas eram basicamente os mesmos que foram tratados pelos militares, mas em
diferente contexto. Assim embora a PO militar não tenha parado de se desenvolver, assistiu-se
no período pós – guerra ao rápido crescimento da PO civil (nas industrias nos negócios e no
sector publico) no sentido de criarem métodos de gestão racionais.
Podem identificar-se pelo menos dois factores, que tiveram um papel essencial no rápido
crescimento da PO durante esse período:
i. Substancial progresso das técnicas matemáticas disponível na PO.
Depois da guerra, vários cientistas sentiam-se motivados em procurar relevante investigação

no campo, resultados aqui avançados importante na área. O primeiro caso é o método de
simplex para resolver problemas de programação linear desenvolvido por George Dantzig em
1947.
ii. Evolução /revolução dos computadores. Normalmente é exigido uma grande

quantidade de cálculos para tratar mais eficientemente, os problemas complexos
considerados típicos pela PO.
No entanto, o desenvolvimento dos computadores com as capacidades para realizar cálculos

aritméticos de milhares ou mesmo de milhões vezes mais rápido do que o homem e trabalhar
enormes volumes de dados sobre as actividades das empresas, foi uma tremenda vantagem da
PO. Hoje todo tipo de computador soa essenciais para resolver problemas de PO do mundo.
Perante um fenómeno, não é geralmente fácil prever qual das disciplinas científicas serão mais
adequadas para o seu estudo. Mas ainda é geralmente duvidoso que o estudo eficiente de um
fenómeno que possa realizar no quadro restrito de um só disciplina. Como consequência
esboça-se actualmente para se encararem os fenómenos da multiplicidade dos seus aspecto.
Esta atitude não significa que se abandone a especialização, indispensável para o progresso em
profundidade do conhecimento, mas sim que a investigação dos fenómenos reais tende
progressivamente a assumir carácter multidisciplinar, sendo realizadas por equipas de
cientistas com diferentes especializações – o carácter multidisciplinar permite encarar os
problemas sob a multiplicidade dos seus aspectos.
Face ao seu carácter multidisciplinar, a PO é uma disciplina científica de características

horizontais, estende os seus atributos por praticamente todos os domínios da actividade
humana, desde a engenharia a medicina, passado pela economia e a gestão.
Uma outra característica é que a PO tenta encontrar a melhor solução (ou ótima) do problema;
isto é, o objectivo de identificar a melhor acção possível – procura de otimização.
Resumindo a PO esta relacionada com a tomada de decisões óptimas e em modelação do

sistema determinístico e probabilístico, que tem origem na vida real. Assim, a PO contribui
para:
 Estruturar a situação da vida real em modelos matemáticos que obtêm os elementos

essenciais de modo a que possa ser procurada uma solução relevante para os objectivos do
decisor; isto implica examinar o problema no contexto do sistema total.
 Explorar a estrutura destas soluções e desenvolver procedimentos sistemático para os obter
desenvolver uma solução que produz o melhor valor para a medida de satisfação do sistema
(ou comando opções alternativas através do calculo da sua medida de satisfação)
1.2 MODELO DE PO
É suposto que um modelo seja uma representação suficientemente precisa de características

essências da situação a analisar (da realidade) de modo que as conclusões (soluções) obtida a
partir dele sejam também validas para o problema real.
O modelo é um esquema simplificado para a interpretação da realidade. Em consequência da

complexidade do mundo real, é necessário formular modelos simplificados que levem a
compreensão de certos fenómenos. A mera acumulação de observação não pode oferecer
explicação satisfatória do fenómeno e, portanto, o investigador tem a necessidade de
sistematizar e racionalizar os factos conhecidos, seleccionando os aspectos mais importantes e
desprezando os que considera irrelevante. Existem 3 tipos de modelos:
Icónicos: São representações reduzidas de estado, objectos ou acontecimentos.

Representam o fenómeno real apenas com uma transformação de escala.
Analógico: Em se entrega uma propriedade para representar outra. Por exemplo utiliza
gráficos a cores e com legendas.
Simbólicos: São aqueles em que as propriedades dos fenómenos reais são expressas
simbolicamente como é o caso dos modelos matemáticos.
Os modelos matemáticos são também apresentadas idealizadas, mas expressas em termos de
símbolos e expressões matemáticas. Este modelo consiste num sistema de equações e de
expressões matemáticas relacionada, que descrevem os aspectos essenciais do problema.
Os modelos matemáticos utilizados na PO são técnicas quantitativas que formam a parte

principal do que é conhecido acerca da PO no entanto, muitas vezes as análises matemáticas
representam apenas uma parte relativamente pequena do esforço total exigido.
PROGRAMAÇÃO LINEAR
3.1. Definição
A programação linear é uma técnica da PO. Esta denominação se atribui porque considera-se
que as restrições e as condições impostas aos problemas tratados são expressas em termos
Lineares.
Ela consiste em dispor os dados de um problema cujas incógnitas guardam relações lineares,
sob a forma de um sistema de equações e/ou inequações composto de uma equação chamada
funçãoobjectivo para qual deseja-se obter um resultado óptimo (máximo ou mínimo) sujeito a
restrições ou condicionamentos, constituído por várias equações ou inequações.
Quando o número de incógnitas é igual a 2 ou 3 o sistema admite uma solução gráfica. Muito
complicada no segundo caso por se tratar de um problema no espaço tridimensional. Os
problemas com 4 ou mais incógnitas pertencendo a um espaço n-dimensional só admitem
soluções algébricas através do cálculo matricial.
Os três principais grupos de problemas que podem ser resolvidos por Programação Linear são:
Misturas de ingredientes com composição e preços conhecidos para atenderem a

determinadas especificações (de composição ou de estoque) a custo mínimo ou lucro máximo:
Rações balanceadas para animais, refeições, abastecimento de comunidades ou tropas,
combustíveis e lubrificantes, fertilizantes e correctivos, defensivos agrícolas, perfumes e
cosméticos, ligas metálicas, Industria de alimentos, etc.
Transporte, distribuição ou alocação, em que se procura determinar as quantidades a

transportar segundo as vias alternativas possíveis a frequência ou períodos de transporte e as
especificações quanto a operação levando em conta os custos (fretes, riscos de capital
empatado, prémios e multas, embalagem, armazenamento, capacidade dos meios, etc.…). A
política de Transporte e o factor a maximizar ou minimizar (custos, quantidades, tempo,
etc.…). Entre as áreas de utilização cita-se: abastecimento, distribuição de produtos,
transporte de cargas ou pessoas, etc..
Programas de Produção ou limitação de recursos nos sectores agrícolas, industrial ou de

serviços.
3.2. FASES DE ESTUDO EM PO (para a resolução de um problema)
1. Formulação do problema;
2. Construção do modelo matemático;
3. Cálculo da solução através do modelo;
4. Avaliação do modelo e da solução;
5. Tomada de decisão sobre a solução encontrada;
6. Implementação e acompanhamento:
Formulação do Problema:
Nesta fase, o problema é analisado a partir de um sistema integrado, no sentido de coloca-lo

de maneira clara e coerente, definindo os objectivos a alcançar e quais os possíveis caminhos
alternativos para que isso ocorra.
Além disso, serão levantadas as limitações técnicas do sistema e as relações desse sistema com
outros, com a finalidade de criticar a validade de possíveis soluções em face destes obstáculos.
Formulação de um problema de PL
Deve determinar os objectivos adequados, as restrições necessárias, as inter-relações entre as

área a estudar e outras áreas afins, a possível acção alternativa, o tempo limite para produzir
uma decisão, etc.
A formulação inicial deve ser continuamente reexaminada, à luz de novos conhecimentos

obtidos durante as ultimas fases.
NOTA: É muito difícil procurar uma solução certa para um problema mal formulado
Construção do Modelo matemático
Um modelo matemático de um problema de optimização é representado por um sistema de

equação ou inequação.
Que represente os aspectos essenciais do problema. Os modelos, ou representações

idealizadas, são uma parte integral, do dia-a-dia.
A estrutura modelo matemático é a seguinte:
 Variáveis de decisão – correspondem as quantidade de decisões a serem tomadas e cujo os

valores são os que se pretendem determinar.
 Função objectiva - corresponde a medida de rendimento apropriado (por exemplo, custo) e
é expressa por uma função matemática envolvendo as variáveis de decisão e os pesos
atribuir a cada uma delas,
 Restrições – correspondem as limitações impostas nos valores das variáveis de decisão que
irão ser determinados; são também expressas matematicamente (normalmente através de
inadequações ou equações); os parâmetros são as constantes presentes nas restrições
(coeficiente da parte direita das restrições).
Um tipo importante de modelos matemáticos é o modelo de programação linear (PL), onde as

funções matemáticas aparecem nas funções objectivo e nas restrições são lineares.
O modelo matemático constitui uma ponte para a utilização de técnicas matemáticas muito
poderosa e da informática para analisar o problema. De facto, começaram a ser utilizadas
muitas aplicações de “software” associadas a modelos matemáticos, como é o caso do
“Solver”
Quando se desenvolve o modelo, deve-se começar com uma versão muito simples, para
depois evoluir-se para modelos mais elaborados e que mais de perto reflicta a complexidade
do problema real. Este processo de enriquecimento de modelo contínua apenas enquanto o
modelo permanecer manejável. Desta forma, o compromisso base a considerar é a entre a
precisão e o manejar do modelo.
NOTA: Um passo importante na formulação de modelo matemático é a construção da função

objectivo, o que exige o desenvolvimento de uma medida quantitativa de rendimento, relativo
a cada objectivo que foi formulado no estudo. Se existir vários objectivos, normalmente a
respectiva medida é então transformada e combinada numa medida composta denominada
por medida de rendimento total. Esta medida pode ser muitas vezes evidente (por exemplo,
custo) correspondendo a uma grande meta, ou pode ser abstracta (por exemplo, “utilidade”).
Neste ultimo caso, a tarefa para desenvolver esta medida tende a ser um certo complexo,
exigindo uma comparação cuidadosa dos objectivos e da sua importância relativa. Exprimindo
esta medida com uma função matemática das variáveis de decisão.
1. Cálculo de uma solução através do modelo.
Depois da construção do modelo matemático para o problema, a etapa seguinte consiste em

obter uma solução a partir do modelo. Existem 2 métodos principais para obter uma solução
óptima (ou vizinha da solução óptima):
O modelo analítico – consiste em obter a solução por via dedutiva, utilizando diversos ramos
da matemática.
O modelo numérico – recorre ao emprego de técnicas de cálculos que permitem obter

indutivamente a solução, quer ensaiando diversos valores nas variáveis de decisão quer
adoptando processos iterativos.
A fase do processo apara obtenção de uma solução são as seguintes:
a) Procura de soluções óptimas
Tem sido desenvolvido muito procedimento para determina estas soluções para certo tipo de
problema. No entanto, é necessário reconhecer que estas soluções são óptimas apenas
relativamente ao modelo utilizando. Uma vem que o modelo é, necessariamente mais uma
idealização do que uma representação exacta do problema real, não existe garantia de que a
solução óptima do modelo seja o melhor possível que possa ser incompleta no problema real.
No entanto, se o modelo estiver bem formulado e testado, a solução resultante tendera a ser
uma boa aproximação da acção real.
Combinada numa medida composta denominada por medida de rendimento total. Esta
medida pode ser muitas vezes evidente (por exemplo, custo) correspondendo a uma grande
meta da organização, ou pode ser abstracta (por exemplo, “utilidade”). Neste ultimo caso, a
tarefa para desenvolver esta medida tende a ser um certo complexo, exigindo uma
comparação cuidadosa dos objectivos e da sua importância relativa. Exprimindo esta medida
com uma função matemática das variáveis de decisão.
b) Optimização vs. Satisfação
Segundo Herbert Simon, a satisfação é muito mais dominante do que é a optimização nas
acções reais. Criou-se o termo satisfação com uma combinação das palavras satisfatória e
optimização a distinção entre optimização e satisfação reflecte a diferença entre as teoria e as
realidades, normalmente tentando implementa aquela teoria na prática. Segundo Samuel
Eilon, “optimização é a ciência do ultimato; satisfação é a arte do admissível.
c) Procedimentos heurísticos para obter boas soluções óptimas
O objectivo de um estudo da PO será conduzir o estudo numa forma óptima. Alem de procurar
a optimização deve-se considerar o custo do estudo, as desvantagens da demora na sua
realização, e depois tentar maximizar os benefícios líquidos resultantes do estudo. No
reconhecimento deste conhecimento, utilizam-se apenas, ocasionalmente, procedimentos
heurísticos (i.e., procedimentos designados intuitivamente que não garantem uma solução
óptima) para encontrar uma boa solução, sub – óptima, isto é muito frequente em casos em
que o tempo, ou custo, para encontrar uma solução óptima de um modelo adequado do
problema deve ser muito elevado.
d) Analise pós - óptimo: análise de sensibilidade para determinar quais os parâmetros

do modelo que se revelam mais críticos
Ate aqui, a discussão tem implicado que, o estudo de um problema em PO procure encontrar
apenas uma solução, que pode ou exigir-se que seja óptima. De facto, normalmente este não é
o caso. Uma solução óptima do modelo original pode estar longe da ideal no problema real.
Por isso, a análise pós - otimal implica é uma parte muito importante da maioria dos estudos
de PO. Em parte, a análise pós - otimal implica conduzir a análise de sensibilidade para
determinar que parâmetros do modelo são mais críticos (os “parâmetro sensíveis”) na
determinação da solução. Geralmente, alguns, ou todos, os parâmetros são uma estimativa de
alguma quantidade (por exemplo, unidade de custo) cujo valor exacto tornasse-a conhecido
apenas depois de a solução ter sido implementada.
Por isso, depois de identificar os parâmetro sensíveis. Em alguns casos, certos parâmetros de
modelo representam decisões interesse (por exemplo, atribuição de recursos). Existe, então,
com frequência alguma flexibilidade nos valore associados àqueles parâmetros. Talvez alguns
possam ser aumentados conforme a diminuição dos outros. A análise pós -óptima inclui a
investigação de tais compromissos.
Em conjunto com o estudo da fase seguinte, a análise pós - otimal também implica uma
obtenção de uma sequência de soluções que incluem uma serie de melhoramentos que se
aproximam da acção ideal. Assim, as aparente fraqueza da solução inicial são utilizadas para
sugerir melhoramentos no modelo, nos seus dados de entrada e, talvez, o procedimento de
obtenção de uma solução. Uma nova solução é então obtida, é o ciclo contínuo, até que o
melhoramento nas sucessivas soluções torne-se demasiado pequeno para justificar a
continuação.
4. Avaliação do modelo e da solução:
Nesta fase, pretende-se avaliação quer do modelo escolhido, como da solução encontrada.
Dependendo da conclusão desta avaliação, determina-se o passo a seguir.
a) Avaliação satisfatória: Proceder a tomada de decisão que prepara as condições para

implementação da solução encontrada, uma situação real.
b) Avaliação não satisfatória: procede-se a reformulação, remodelação e construção do
novo modelo a partir dos resultados encontrados no processo de avaliação e também
na análise de sensibilidade e pós – optimização.
5º Passo - Tomada de decisão sobre a solução encontrada
Concluída a etapa da avaliação, é necessário elaborar um relatório bem documentado que

possibilite a implementação da solução obtida na vida real. Este relatório deve incluir o
modelo e um procedimento para a tomada de decisão, o que significa, que todas acções a
serem realizadas para a implementação dos resultados, devem ser incluídas numa
metodologia bem detalhada com todos os passos que sejam necessário seguir para sua
implementação.
6º Passo- Implementação
Neste passo efectua-se a implementação das soluções obtidas usando a metodologia

elaborada. Neste processo, é preciso envolver activamente todos os componentes que actuam
no sistema em estudo.
Depois de se terem implementado as soluções, tal como se referiu no 2º passo, pode ser
necessário avançar para uma etapa mais complexa, incluindo alguns elementos novos.
Neste caso, inicia-se um novo ciclo para a resolução do problema em causa, só que agora com
um nível de complexidade superior.
Maximiza (minimizar) 𝑍 = 𝐶1 𝑥1 + 𝐶2 𝑥2 + ⋯ + 𝐶𝑛 𝑥𝑛
Sujeito a
𝑎11 𝑋1 + 𝑎12 𝑋2 + ⋯ + 𝑎1𝑛 𝑋𝑛 {≤, =, ≥}𝑏1
𝑎21 𝑋1 + 𝑎22 𝑋2 + ⋯ + 𝑎2𝑛 𝑋𝑛 {≤, =, ≥}𝑏2
. .. .. .
𝑎𝑚1 𝑋1 + 𝑎𝑚2 𝑋2 + ⋯ + 𝑎𝑚𝑛 𝑋𝑛 {≤, =, ≥}𝑏𝑚
𝑋1 , 𝑋2 , … , 𝑋𝑛 ≥ 0
Onde: 𝑎𝑖𝑗(𝑖 = 1, … , 𝑚; 𝑗 = 1, … , 𝑛) →são os coeficiente técnicos ou tecnológicos.
𝑏1 , 𝑏2 , … . , 𝑏𝑚 →são termos independente (constante da restrição ou segundos membro)
𝑐1 , 𝑐2 , … . , 𝑐𝑛 →coeficiente da função objectivo (coeficiente de custo)

𝑋1 , 𝑋2 , … . , 𝑋𝑛 →variáveis de decisão (principais ou controláveis)
𝑍 = 𝐶1 𝑋1 + 𝐶2 𝑋2 + ⋯ + 𝐶𝑛 𝑋𝑛 →função objectivo (economia ou critério)
𝑎11 𝑋1 + 𝑎12 𝑋2 + ⋯ + 𝑎𝑖𝑛 , 𝑋𝑛 {≤, =, ≥}𝑏1

22 𝑋2 + ⋯ + 𝑎2𝑛 , 𝑋𝑛 {≤, =, ≥}𝑏2
{ 𝑎…21 𝑋1 + 𝑎… … …
𝑎𝑚1 𝑋1 + 𝑎𝑚2 𝑋2 + ⋯ + 𝑎𝑚𝑛 , 𝑋𝑛 {≤, =, ≥}𝑏𝑚
 Resolução (restrições funcionais) em que apenas
Existe formas diferentes de apresentar o modelo, conforme se pretende maximizar ou

minimizar, que são as seguintes:
Se verifica uma das relações.
𝑋1 , 𝑋2 , … , 𝑋𝑛 ≥ 0 →condições de não negatividade.
Entretanto o modelo e apresentado com frequência na seguinte forma típica:
1.3 Exemplos de problemas de programação linear
Exemplo 1. Uma empresa KOMFOR, LDA produz mobiliária de escritório e pretende lançar um
modelo de secretaria estantes. Pensa-se que o mercado pode observar toda a produção de
estantes, mas aconselha-se que a produçãomensal de secretaria não ultrapasse 160 unidades.
Ambos os produtos são produzidos nas unidades de estampagem (EU) e de montagem e
acabamento (UMA).
A disponibilidade mensal em cada uma destas unidades é de 720 horas – maquinas na EU e

880 horas maquina na UMA. Cada escritório necessita de 2h – m na EU e 4h – m na UMA. Cada
estante necessita de 4h – m na EU e 4h-m na UMA.
A margem de lucros utilitário os estimado não de 6,00 cuanzas para a secretaria 3,00 cuanzas
as estantes.
PROBLEMA: Qual o plano de produção mensal para as secretaria e estantes que maximiza a
margem de lucros.
1. Formalização do problema:
- Quantidade de secretaria a produzir por mês (𝑋1 )
- Quantidades de estantes a produzir por mês (𝑋2 )
a) Função objectiva
- Maximizar a margem bruta total por mês:
𝑍 = 6𝑥1 + 3𝑥2
b) Restrições
- Disponibilidade mensal de TIE.
- Disponibilidade mensal de UMA.
- Produção mensal de secretarias.
SECRETARIAS ESTANTES CAPACIDADE DIPONIVEL
UE 2h 4h 720 h
UMA 4h 4h 880 h
MERCADO 1 0 160
LUCRO 6 6
Modelação matemática
- Cada secretaria necessita de 2h (UE) pelo que o numero de horas necessária na produção
de𝑋1 secretarias é de 2𝑥1 .
- Cada estante necessita de 4 h (EU) pelo que o numero de horas necessárias na produção
𝑋2 estantes é de 4𝑥2 .
A disponibilidade mensal é de 720 horas.
Logo a restrição relativa a UE é:
Total de horas Total de horas Disponibilidade em

gastos na secretaria gastos nas estantes horas
Algebricamente se traduz na desigualdade linear:
2𝑥1 + 4𝑥2 ≤ 720
OBS: Estas analise e análoga para as restantes restrições. Resumindo o problema consiste em
determinar 𝑥1 𝑒 𝑥2 de forma a maximizar a margem de lucros, isto é:
Maximizar 𝑍 = 6𝑋1 + 3𝑋2 (lucro mensal em kz)
Sujeito a 2𝑋1 + 4𝑋2 ≤ 720 (EU)
4𝑋1 + 4𝑋2 ≤ 880 (UMA)
𝑋1 ≤ 160 (MERCADO)
𝑋1 , 𝑋2 , ≥0 (não negatividade)
Ex.2 Um criador de porco, pretende determinar a quantidade de cada tipo de ração a dar
diariamente a cada animal, para conseguir uma dada quantidade nutritiva a custo mínimo.
Os dados relativo ao custo de cada tipo de ração, as qualidades mínima diária de cada
ingrediente nutritivo básico a fornecer a cada animal, bem como as quantidades destes
existentes em cada tipo de ração (j/kg) constam no seguinte quadro:
Granulado (gr/kg) Farinha (gr. /kg) Quantidade mínima requerida
Hidratos de carbono 20 50 200
Vitaminas 50 10 150
Proteínas 30 30 210
Custo (kz/kg) 10 5
1) Formalização do problema
a) Variáveis de decisão
- Quantidade (kg) de granulado existente na ração diária (𝑋1 ).
- Quantidade de farinha existente na ração diária (𝑋2 ).
b. Função objectivo
Minimizar o custo da ração diária.
𝑍 = 10𝑋1 + 5𝑋2
b) Restrições
- Quantidade mínima diária de hidrato de carbono.
- Quantidade mínima diária de vitaminas.
- Quantidade mínima diária de proteínas.
1) Modelação matemática
Minimizar 𝑍 = 20𝑋1 + 50𝑋2 (custo diário)
Sujeito a 20𝑋1 + 50𝑋2 ≤ 200 (hidrato de carbono)
50𝑋1 + 10𝑋2 ≤ 150 (vitaminas)
30𝑋1 + 30𝑋2 ≤ 210 (proteínas)
𝑋1 , 𝑋2 ≥ 0 (não negatividade)
Ex.3. As caravanas MARCO POLO,LDA, usam dromedários (1 bossa)e camelos (2 bossas)

para transportar figos secos de Bagdade para Meca. Um camelo pode levar no máximo 100
kg e um dromedário 50 kg. Durante a viagem um camelo consome 3 fardos de feno e 100
galões de água. Um dromedário 4 fardos de feno e 80 galões de água.
As estações de MARCO POLO, situada em vário oásis ao longo do caminho, apenas têm
disponíveis 1600 galões de água e 60 fardos de feno.
Os camelos e dromedários são alugados a um pastor de Bagdade a 11 pazuzas por camelo

e 5 pazuzas por dromedário. Se as caravanas MARCO POLO, LDA tiveram uma carga de
1.000 kg de figos secos para transportar, quantos camelos e dromedários devem ser
usados para minimizar a renda a pagar ao pastor?
1) Formulação do problema a) variáveis de decisão
- Quantidade de camelos a usar (𝑋1 )
- Quantidade de dromedários a usar (𝑋2 )
b) Função objectivo
- Minimizar a renda a pagar ao pastor
𝑍 = 11𝑋1 + 5𝑋2
c) Restrições
- Disponibilidade de caravana.
- Disponibilidade de feno.
- Disponibilidade de água.
Camelos Dromedários Capacidade disponível
Capacidade 100 50 1000
Feno 3 4 60
Agua 100 80 1600
Renda a pagar 11 5
2) Modelação matemática
Minimizar 𝑍 = 11𝑋1 + 5𝑋2 (renda)
Sujeito a 100𝑋1 + 50𝑋2 ≤ 1000 (capacidade)
3𝑋1 + 4𝑋2 ≤ 60 (feno)
100𝑋1 + 80𝑋2 ≤ 1600 (água)
𝑋1 , 𝑋2 ≥ 0 (não negatividade)
Exemplo.4. Certa empresa fabrica 2 produtos P1 e P2. O lucro por unidade de P1 é de 100 u.m.
e o lucro unitário de P2 é de 150 u.m. A empresa necessita de 2 horas para fabricar uma
unidade de P1 e 3 hora para fábrica uma unidade de P2. O tempo mensal disponível para essa
actividade é de 120 horas. As demandas esperadas para os 2 produtos levaram a empresa a
decidir que os montantes produzidos de P1 e P2 não devem ultrapassar 40 unidades de P1 e
30 unidade de P2 por mês.
Construa o modelo de sistema de produção mensal com o objectivo de maximizar o lucro da

empresa.
Resolução de exercício
Empresa produz 2 produtos (P1 e P2)
Com relação a P1
Lucro é 100 u.m.
Tempo para produzir é 2 hora
Produção máxima é 40 uni/mês
Tempo disponível para a produção das duas unidades é de 120 horas
Definição das variáveis
- Variável a ser optimizada
Max. Lucro: lucro máximo a ser atingido por mês.
-variáveis básicas
X1: quantidade óptima de produção/mês de P1
X2: quantidade óptima de produção/mês de P2
Função objectivo
Max. Lucro = 100𝑥1 + 150𝑥2
Conjunto de restrições
2𝑥1 + 3𝑥2 ≤ 120

{ 𝑥1 ≤ 40 𝑟𝑒𝑠𝑡𝑟𝑖𝑐õ𝑒𝑠 𝑡é𝑐𝑛𝑖𝑐𝑎𝑠
𝑥1 ≤ 30
𝑥1 ≥ 0 𝑟𝑒𝑠𝑡𝑟𝑖çõ𝑒𝑠 𝑑𝑒 𝑛ã𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒
Exercício 5
Uma empresa de comida canina produz dois tipos de rações: Tobi e Rex.
Para a manufactura das rações são utilizados cerais e carne. Sabe-se que:
 A Tobi utiliza 5 kg de cereais e 1 kg de carne, a ração Rex utiliza 4 kg de carne e 2 kg de

cereais;
 O pacote de ração Tobi custa $ 20 e o pacote de ração Rex custa $ 30;
 O kg de carne custa $ 4 e o kg de cereais custa $ 1;
 Estão disponíveis por mês 10 000 kg de carne e 30 000 kg de cereais.
Deseja-se saber qual a quantidade de cada ração a produzir de modo a maximizar o lucro.
Nosso modelo deseja maximizar o lucro (Z) a partir da quantidade da ração Tobi(𝑥1) e de
ração Rex (𝑥2).
Ração Tobi Ração Rex

Custo de carnes 1 Kg × $ 4 = $ 4 4 Kg × $ 4 = $ 16
Custo de cereais 5 Kg × $ 1 = $ 5 2 Kg × $ 1  $ 2
Custo total $9 $ 18
Preço $ 20 $ 30
Lucro $ 11 $ 12
Função objectivo
𝑍 = 11𝑋1 + 12𝑋2
Conjunto de restrições
1𝑥1 + 4𝑥2 ≤ 10000 (𝑟𝑒𝑠𝑡𝑟𝑖çã𝑜𝑠 𝑑𝑒 𝑐𝑎𝑟𝑛𝑒)

{
5𝑥1 + 2𝑥2 ≤ 30000 (𝑟𝑒𝑠𝑡𝑟𝑖çã𝑜 𝑑𝑒 𝑐𝑒𝑟𝑒𝑎𝑖𝑠)
𝑥1 , 𝑥2 ≥ 0 (𝑟𝑒𝑠𝑡𝑟𝑖çõ𝑒𝑠 𝑑𝑒 𝑛ã𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒)
3.4. RESOLUÇÃO GRÁFICA DE PROBLEMAS DE PL
A resolução gráfica de um problema de PL só é possível quando o problema tem duas ou três

variáveis de decisão. Nós estudaremos apenas problemas com duas variáveis cujo gráfico
ficará representado num plano.
Considera – se um sistema cartesiano com o eixo das abcissas associado a x1 e o eixo das
ordenadas associado a x2.
Relaxando ou enfraquecendo a condição de desigualdade das restrições técnicas, estas passam

a ser equações que definem rectas. Cada uma destas rectas divide o plano em duas regiões
disjuntas verificando – se a relação de desigualdade apenas em pontos de uma das regiões
(sub espaços).
Procedendo desta forma é possível, por interacção, definir o conjunto de pontos – solução do
problema e neste determinar aquele ou aqueles onde a função objectivo tem o seu extremo
(maximizar ou minimizar).
Roteiro básico para resolução de problemas pelo método gráfico
1) Identificar as variáveis de decisão.
2) Montar a função-objectivo.
3) Montar as equações de restrição.
4) Determinar no mínimo 2 pontos para cada recta de restrição.

5) Marcar os pontos e traçar as rectas no plano cartesiano.
6) Seleccionar (marcar) a área viável.
Obs: Se a restrição for:
=, Sobre a recta
>=, Acima da recta e a direita
<=, Abaixo e a esquerda da recta
7) Verificar a área comum entre todas as restrições.
8) Achar o ponto óptimo do problema.
9) Formular a resposta.
O processo baseia – se na representação gráfica da recta Z = F (x1, x2) = const., para um

conjunto de valores, ou seja, traçar rectas Z = constante, até que contenha pelo menos um
ponto da região admissível e esteja o mais distante possível da recta Z = 0 (maximizar) ou o
mais perto possível (minimizar).
Exemplo nº1: (problemas de maximização)
Max Z  4 x1  3x2
3x  4 x2  12
s.a :  1
7 x1  2 x2  14
x1 , x2  0
Nota: A região ou espaço de possibilidades (soluções admissíveis), é o conjunto de soluções

possíveis do problema dado e é formado por todos os pares de valores (x1, x2) que satisfazem
simultaneamente todas as condições ou restrições do problema.
a) Flexibilização das restrições:
Max Z  4 x1  3x2
3x  4 x2  12
s.a :  1
7 x1  2 x2  14
x1 , x2  0
b) Rectas associadas a restrição: 3x1  4x2  12
p / x1  0  4x2  12  x2  3
p / x2  0  3x1  12  x1  4
3
c) A inclinação da recta obtida é de  . Este valor corresponde ao simétrico do
4
quociente entre os coeficientes de x1 e x2.
d) O conjunto de pontos possíveis que esta recta verifica, corresponde a todo o espaço
de pontos a esquerda da recta e sobre ela, uma vez que traduz todas as combinações
de x1 e x2 que multiplicadas por 3 e por 4 respectivamente, sejam menores ou iguais a
12.
e) Recta associada a restrição: 7x1  2x2  14
(o processo é análogo ao anterior)
p / x1  0  2x2  14  x2  7
p / x2  0  7 x1  14  x1  2
7
Inclinação da recta: 
2
Nota: Sendo que, a região de soluções admissíveis corresponderá a uma região limitada pelas
duas restrições e pelos dois eixos, limitando – se assim a uma figura do primeiro quadrante:
Representação gráfica da função objectivo
Ao contrário das restrições, na função objectivo não existe termo constante fixo com o qual
possamos relacionar os coeficientes das variáveis. Assim sendo, escolhe – se um valor
arbitrário para o lucro ou seja, Z = 0 e tenta – se representar a F.O. para esta situação.
Para calcular a inclinação da função objectivo, procura – se a sua forma reduzida, ou seja,
transformar a equação por formas a encontrar a expressão da ordenada que é função da
abcissa.
Max Z  4 x1  3x2
Z  4 x1  3x2  0
4 Z
x2   x1   F .O. reduzida
3 3
4
p / Z  0 tem  se que x2   x1
3
Atribuindo valores a x1, encontramos os valores de x2 que correspondem a pontos dessa recta.
p / x1  0  x2  0
4
p / x1  1  x2  
3
3
OBS: O declive da recta da FO é  que corresponde a razão entre os coeficientes das
4
abcissas e das ordenadas.
Identificação do ponto óptimo. Solução óptima
A maximização da F.O efectua-se deslocando paralelamente a recta do F.O aumentando no

máximo possível o valor do Z. O sentido da deslocação é definido pela própria F.O.: O aumento
do Z consegue-se aumentando se, e X2, uma vez que cada uma dela esta associada a
coeficientes positivos.
Ao logo do gradiente, ou ambos variáveis aumentam ou ambos diminuem conforme o sentido

de deslocação. O sentido de deslocação da FO será escolhido por forma a garantir a max. Z.
A max. Z será atingido no último ponto de contacto com a região de soluções admissíveis que
corresponde a máxima deslocação da FO. A este ponto dá-se o nome de P.O. (ponto óptimo) e
corresponde a um vértice.
A solução óptima corresponde ao vértice da região de solução admissível formada pela

intersecção das duas restrições e será dada pela solução do sistema de equações.
 16
3x1  4 x2  12  x1  11
 
 1
7 x  2 x 2  14  x2 
21
 11
Logo:
16 21 127
Z  4 x1  3x2  4.  3. 
11 11 11
PROBLEMA DE MINIMIZAÇÃO
Min Z  12 x1  14 x2
3x  7 x2  4
s.a :  1
4 x1  2 x2  3
x1 , x2  0
Flexibilidade do sistema
Min Z  12 x1  14 x2
3x  7 x2  4
s.a :  1
4 x1  2 x2  3
x1 , x2  0
Recta associado a 3x1  7 x2  4
4
P / x1  0  x2 
7
4
P / x2  0  x1 
3
Recta associado a 4x1+2x2 = 3
3
P / x1  0  x2 
2
3
P / x2  2  x1 
4
O conjunto de pontos possíveis (região de soluções possíveis) em cada uma das restrições
corresponde aos pontos das próprias rectas e todos os pontos que encontra a direita da
mesma uma vez que estamos perante inequações de tipo “maior ou igual”.
A função objectivo
Z  12 x1  14 x2
12
P / Z  0  12 x1  14 x2  0  x2   x1
14
6
Inclinação:  7
P / x1  0  x2  0
1 3
P / x1   x2  
2 7
Graficamente:
PONTO ÓTIMO. SOLUÇÃO ÓTIMA
Uma vez representada a FO na origem do sistema, a minimização de Z exige a consideração de

valores para x1 e x2, tão pequenos quanto possível. Assim a deslocação paralela da função em
direcção a região de soluções admissíveis, deve limitar – se aquela posição em que toca a
região num primeiro ponto.
Este ponto denomina – se ponto óptimo e corresponde ao par (x1, x2) de menor valor e traduz
a solução óptima.
Uma vez identificada a solução óptima, bastará calcular os valores que a traduzem,
considerando o vértice obtido pela intersecção das duas restrições.
 7
3x1  7 x2  4  x1  22
 
4 x1  2 x2  3  x2  13
 22
Logo:
13 7 127
Z  12 x1  14 x2  12.  14. 
22 22 11
O PROBLEMA DE MISTO
Min Z  x1  2 x2
 15 x1  10 x2  75
s.a : 
 5 x1  5 x2  75
x1 , x2  0
A representação gráfica conduz – nos ao seguinte esquema:
Recta associado a  15x1  10 x2  75
P / x1  0  x2  7,5
P / x2  0  x1  5
Recta associado a 5x1+5x2 = 75
P / x1  0  x2  15
P / x2  0  x1  15
1
Inclinação: 2
1
P / Z  0  x2  x1
2
Obs: Este é um problema de minimização em que a FO tem declive> 0.
Minimização da PO
Para diminuir Z, teremos que diminuir x1 e aumentar x2, isto é, deslocar paralelamente a reta
que traduz a FO para a esquerda, até que esta atinja o ultimo ponto da região de soluções
admissíveis.
Este último ponto em que a FO passa, será o ponto em que x1 é mínimo e x2 é máximo. Este
ponto torna o valor de Z máximo, logo é o ponto óptimo.
Cálculo da solução óptima
O ponto óptimo corresponde a solução do sistema de equações que segue:
 15x1  10 x2  75  x1  3
 
 5 x1  5 x 2  75  x2  12
Substituindo na FO, teremos:
Z  x1  2x2  3  2 12  21
O PROBLEMA DE SOLUÇÕES MÚLTIPLAS
Max Z  10 x1  10 x2
 x2  40

s.a :  x1  20
 2 x  2 x  80
 1 2
x1 , x2  0
Flexibilidade do sistema
Min Z  10 x1  10 x2
 x2  40

s.a :  x1  20
 2 x  2 x  80
 1 2
x1 , x2  0
Recta associado a 2 x1  2 x2  80
P / x1  0  x2  40
P / x2  0  x1  40
Recta associado a x1=20 (recta vertical com abcissa igual a 20); a x2 = 40 (recta horizontal com
ordenada igual a 40)
FO: p/ Z = 0; → x2 = x1
Solução óptima: Max Z
Para aumentar Z, teremos que aumentar x1 e diminuir x2 ou seja, deslocar paralelamente a

recta que traduz a FO para a direita, até ao último ponto possível da região de soluções
admissíveis. Graficamente teremos:
Aqui, a FO deverá ser deslocada até coincidir com a última restrição (2x1 – 2x2 = 80) pois é a
posição que maximiza o lucro ainda dentro da região de soluções admissíveis.
Substituindo na FO, teremos:

Z  10 x1  20 x2  10  40  10  0  400
10  80  10  4  400
Nota: este tipo de solução denomina – se solução óptima múltipla e considera – se um caso
especial.
3.6 FORMA PADRÃO OU STADARD DE UM PROBLEMA DE PL
3.6.1. Variáveis de folga e variáveis de excesso
Seja: a x
ij ij  bi
Esta restrição pode ser convertida numa igualdade pela adição de uma nova variável não
negativa ao primeiro membro da desigualdade. Tal variável será numericamente igual a
diferença entre o segundo membro e o primeiro e designa – se por variável de folga.
A variável de folga, representa o desperdício associado ao recurso modelado pela restrição em

causa.
Exemplo: x1  5x2  4 x3  2 x4  30
Esta desigualdade é transformada na equação x1  5x2  4 x3  2 x4  x5  30 pela adição da

variável de folga x5 ao primeiro membro da desigualdade.
Consideremos agora a restrição linear na forma a x

ij ij  bi
Esta desigualdade pode ser convertida numa equação, bastando subtrair uma nova variável
não negativa ao primeiro membro da desigualdade. Esta tal variável designada por variável por
variável de excesso, representa numericamente a diferença entre o primeiro e o segundo
membro da desigualdade.
Em relação ao recurso modelado pela restrição em questão, esta variável representa o

consumo em excesso, além da disponibilidade.
Exemplo: 2 x1  5x2  x3  50
Esta desigualdade transforma – se na equação 2 x1  5x2  x3  x4  50
pela subtracção da variável de excesso x4 ao primeiro membro.
Solução inicial admissível
Depois de transformadas todas as restrições lineares (com os segundos membros das

desigualdades positivos) em igualdades, pela introdução de variáveis de folga e de excesso
onde necessário, adiciona – se uma nova variável, designada variável artificial,aos primeiros
membros das restrições que não contém a variável de folga.
Assim, todas as equações que representam restrições terão ou uma variável de folga ou uma
variável artificial. Uma solução inicial não negativa para este novo conjunto de restrições,
obtém – se igualando em cada restrição, a respectiva variável de folga ou artificial, ao
correspondente termo independente e igualando – se a zero as restantes variáveis, incluindo
as variáveis de excesso.
Exemplo:
Seja o conjunto de restrições:
 x1  2 x2  3

 4 x1  5 x2  6
7 x  8 x  15
 1 2
Introduzindo as variáveis de folga e de excesso, transformando o sistema de desigualdades em

equações, teremos:
 x1  2 x2  x3 3

 4 x1  5 x2  x4  6
7 x  8 x  15
 1 2
Adicionemos em seguida variáveis artificiais nas restrições que não possuem variáveis de folga,
ou seja:
 x1  2 x2  x3 3

 4 x1  5 x2  x4  x5 6
7 x  8 x  x6  15
 1 2
Nota: Uma solução inicial não negativa para este sistema de equações, será:
x3  3, x5  6, x6  15, x1  x2  x4  0
Nota: x1  0 x2  0, não é uma solução que verifica o conjunto de restrições original.
3.6.3. Custos e penalização
A introdução no sistema de restrições de variáveis de folga e de excesso, não altera a natureza

da função objectivo nem das próprias restrições. Porém, as variáveis artificiais alteram a
natureza das restrições. Tendo em conta que cada variável artificial é adicionada a um dos
membros das restrições, o novo sistema de equações que representa as restrições e o sistema
original coincidirão se e só se as variáveis artificiais tiverem o valor nulo.
Para garantir que isto aconteça na solução óptima (em contraste com a solução inicial), as
variáveis artificiais são incorporadas na função objectivo com coeficientes positivos de valores
muito elevados nos problemas de minimização, designados por M, e coeficientes negativos de
valores muito elevados nos problemas de maximização, designados por – M. estes coeficientes
(M e – M), representam uma penalidade muito severa em que se incorre se a respectiva
variável artificial tomar valor igual a unidade.
3.6.4. Forma padrão
Um problema de PL, diz – se que está na forma padrão, se todas as restrições estiverem
representadas põe equações e se for conhecida uma solução inicial admissível. Na notação
matricial, a forma padrão tem as seguintes características:
Otimizar : Z  C T X
Sujeito a : AX  B
com : X  0
Onde:
X→ È o vector coluna de incógnitas, incluindo todas as variáveis de folga, de excesso e

artificiais.
A→ É a matriz dos coeficientes das equações das restrições
CT → É o vector linha dos custos correspondentes
B→ É o vector coluna dos termos independentes das restrições
Nota: doravante, os vectores serão normalmente representados por matrizes com uma única
coluna e designados apenas por “vectores” , em vez de vector coluna. O expoente T, indica a
transposição.
Se X0 representar um vector que inclui apenas variáveis de folga e variáveis artificiais, então a
solução admissível inicial será dada por X0 = B.
3.5 Classificação das soluções
 Solução única óptima finita;

 Infinitas soluções óptimas finitas;
 Solução no infinito;
 Conjunto factível vazio;
3.5.1 Solução única óptima finita:
 Se a solução é única óptima finita, ela ocorre em ponto extremo
 A região factível não precisa ser necessariamente limitada.

3.5.infinitas soluções óptimas finita
Os dois vértices 𝑥1 e𝑥2 são soluções óptimas, bem como qualquer outro ponto sobre o
segmento que se une.
 Novamente a região factível precisa necessariamente limitada
3.5.5 Solução no infinito:
 Não é possível alcançar o ponto de óptimo, o mesmo encontra-se no infinito.
3.5.6 Conjunto factível vazio:
 Ocorre quando o sistema de equações que define a região viável é inconsciente.
4. MÉTODO SIMPLEX
1.1 – Introdução
O método simplex é a técnica utilizada para se determinar, numericamente, a solução

óptima de um problema de programação linear, na forma padrão, mas com as seguintes
características para o sistema linear de equações:
i) Todas as variáveis são não – negativas:

ii) Todos os 𝑏𝑖 são não – negativos;
iii) Todas as equações iniciais do sistema são do tipo “≤”. Assim, na forma padrão, só
encontra-se variáveis de folga.
Se uma das características vista não ocorrer, então, casos especiais métodos devem ser
considerado como método simplex de duas fases.
1.2 – Introdução e fundamentos teóricos para o método simplex
1.2.1 – Determinação de soluções básicas num sistema de equações lineares m × n, m
≤ n (sistema lineares)
Se ao resolver um sistema Ax= b, onde 𝑨 ⊂ ℝ𝒎×𝒎 ,×∈ ℝ𝒎 𝒆 𝒃 ∈ ℝ𝒎 𝒆 𝑨fosse uma matriz

inversível então a solução seria facilmente determinada.
𝑨 ∈ ℝ𝑚 ×𝑛
Porem, se dado um sistema Ax= b, onde: {𝒃 ∈ ℝ𝑚 𝒎≤𝒏 (3.1)
𝒙 ∈ ℝ𝑛
Tal que m ≤ n, ou seja, sistema é retaguarda, como determinar soluções de Ax= b?

O sistema acima sempre tem solução?
Teorema 4.2.1.1:
Seja a matriz 𝑨 ∈ ℝ𝑚 ×𝑛 com m ≤ n. se a matriz A possui m colunas

𝑎1 , 𝑎2 , … , 𝑎𝑚 linearmente independentes (LI´s) então para qualquer 𝒃 ∈ ℝ𝒎 o sistema
Ax= b, tem ao menos uma solução em ℝ𝒏.
Definição 4.2.1.1:
Seja Ax= b, A ∈ ℝ𝒎×𝒏 , 𝒃 ∈ ℝ𝒎 , 𝒙 ∈ ℝ𝒏 (𝑚 ≤ 𝑛)
Se A possui uma submatrizB∈ ℝ𝒎×𝒏 ondedetB ≠ 0 então diz-se que B é uma submatriz
base de A, o que é equivalente a dizer:
Se A tem m colunas LI então a matriz B formada por estas colunas é uma base paraℝ𝑚,, .
Definição4.2.1.2 - variáveis básicas e não básicas:
Considerando-se o sistema Ax= b definido em (3.1) e 𝑩 ∈ ℝ𝒎×𝒎 uma submatriz base de
A, então, as variáveis associadas a submatriz𝑩 ∈ ℝ𝒎×𝒎 sao denominadas variáveis
básicas.
Notação: variáveis básicas: 𝑿𝑩.
Definida a submatriz base B restam em A (n – m) colunas que chamara-se de submatriz
não base. As variáveis associadas a esta submatrizN são denominadas variáveis não
básicas.
Notação: variáveis não básicas 𝑿𝑵
4.2.1.2 – Uma possível solução para Ax = b da definição acima
Seja o sistemaAx= b e suponha que extrai-se de A uma submatrizB∈ ℝ𝒎×𝒎 .
Pela definições anteriores pode-se fazer o seguintes partições no sistemaAx=
𝒙𝑩
b:[𝑩; 𝑵], 𝒙 = (𝒙 ).
𝑵
Logo pode se escrever:
𝒙𝑩
Ax= b⇔ [𝑩: 𝑵] [𝒙 ] = 𝒃 ⇔ 𝑩𝑿𝑩 + 𝑵𝑿𝑵 = 𝒃.
𝑵
Portanto o sistema Ax= b é equivalente ao sistema:
𝑩𝑿𝑩 + 𝑵𝑿𝑵 = 𝒃
Isto define que𝑥𝐵 = 𝐵−1 𝑏 − 𝐵−1 𝑁𝑋𝑁 é uma possível solução de Ax= b
Definição 4.2.1.3 – solução básica de Ax = b:
Seja o sistema Ax = bdefinido em (3.1) então uma solução 𝑥̅ de Ax = b ou seja A𝑥̅ = b,é
denominada solução básica, se e somente se, em (3.2), Xn = 0, então:
𝐴𝑥̅ = 𝑏 ⇔ 𝑥̅ 𝐵 = 𝐵−1 𝑏
𝑥̅ 𝐵: 𝑢𝑚𝑎 𝑠𝑜𝑙𝑢çã𝑜 𝑏𝑎𝑠𝑖𝑐𝑎
Definição 4.2.1.4 – solução básica factível (viável):
𝑥̅ é combinada a solução básica factível para Ax= b se, e somente se:
𝑥̅𝐵 = 𝐵−1 𝑒 x̅n = 0,para𝑥̅𝐵 ≥ 0(ou seja 𝑥̅𝐵 ≥ 0).
1.3 – Definição e teorema fundamentais
X sera um ponto extremo de S se possuir n-mvariaveis nulas.
Teorema 4.3.1:
“O conjutoS de todas as soluções factíveis do modelo de programação linear, é um

conjunto convexo”.
Prova :
Seja 𝑥 1 𝑒𝑥 2 ∈ 𝑆, 𝜆 ∈ [0,1].
Mostrara-se que:
i) 𝜆𝑥 1 + (1 − 𝜆)𝑥 2 𝑆;
ii) 𝜆𝑥 1 + (1 − 𝜆) ≥ 0
Para se mostrar i) basta notar que,
Se𝑥 1 ∈ 𝑆 𝑒 𝑥 2 ∈ 𝑆 ⇒A𝑥 1 = b;
Assim, A (𝜆𝒙𝟏 + (1 − 𝜆)𝒙𝟐 = 𝜆𝑨𝒙𝟏 + (1 − 𝜆)𝑨𝒙𝟐 = 𝜆 𝒃 + (1 − 𝜆)𝒃 = 𝒃.
Logo, 𝑨(𝜆𝒙𝟏 + (1 − 𝜆)𝒙𝟐 ) = 𝑏.
iii) Para se mostrar ii): 𝑥 1 ≥ 0 𝑒 𝑥 2 ≥ 0 ⇒ 𝜆 𝑥 1 ≥ 0 𝑒 (1 − 𝜆)𝑥 2 ≥ 0;
Assim, ): 𝜆 𝑥 1 + (1 − 𝜆) ≥ 𝑥 2 ≥ 0.
:. 𝜆𝑥 1 + (1 − 𝜆)𝑥 2 ∈ 𝑆.
:. É convexo
Teorema 4.3.2:
“Toda solução básica do sistema Ax= b é ponto extremo do conjunto de soluções

factíveis S”.
Prova:
Seja 𝑥̅ uma solução básica associada a uma submatriz base 𝑩 ℝ𝒎×𝒎 .
𝒙𝑩
Então, sem perda de generalidade, suponha que𝒙 ̅ = (𝒙 )com𝑥̅𝑁 = 0 𝑝𝑎𝑟𝑎 𝑖 = 𝑚 +
𝑵
1, … , 𝑛.
Por contradição, suponha que𝑥̅ não seja ponto extremo ou vértice de S, então
∃𝑥̅ 1 𝑒 𝑥̅ 2 ∈ 𝑺tal que:
𝑥̅ = 𝜆𝑥 1 + (1 − 𝜆)𝑥 2 ; 𝜆 ∈ [0,1] 𝑒 𝑥̅ 1 ≠ 𝑥̅ 2 𝑝𝑜𝑖𝑠 𝑥̅ 2 ≠ 0.
Desde que 𝑥̅𝑖 = 0 𝑝𝑎𝑟𝑎 𝑖 = 𝑚 + 1, … , 𝑛 ⇒
−1 −1
𝜆𝑥𝑖 = 0 𝑥𝑖 = 0
{ −2 𝑝𝑎𝑟𝑎 𝑖 = 𝑚 + 1, … , 𝑛 ⇒ { −2 𝑝𝑎𝑟𝑎 𝑖 = 𝑚 + 1, … , 𝑛.
(1 − 𝜆)𝑥𝑖 = 0 𝑥𝑖 = 0
𝑥𝐵−1 𝑥 −2
Logo, 𝑥 −1 = ( 1 ) 𝑒 𝑥 −2 = ( 𝐵−2 )
𝑥𝑁 𝑥𝑁
1 𝐵𝑥̅ 1 = 𝑏
1 2 𝐴𝑥̅
como𝑥̅ ∈ 𝑆 𝑒 𝑥̅ ∈ 𝑆 ⇒ { 2 = 𝑏 ⇒{ 𝐵
𝐴𝑥̅ = 𝑏
𝐵𝑥̅ 2 = 𝑏
⟹
𝐵𝑥̅𝐵1 − 𝐵𝑥̅𝐵2 = 𝐵(𝑥̅𝐵1 − 𝑥̅𝐵2 ) = 𝑏 − 𝑏 ≡ 0.
Mas𝑥̅𝐵1 ≠ 𝑥̅𝐵2 e então 𝑥̅𝐵1 − 𝑥̅𝐵2 ≠ 0 ⇒ 𝐵 = 0, contradição, pois por hipose B é uma submatriz
base e portanto não singular!
:. “todasolyução básica do sistema Ax= b é um ponto extremo do conjunto de soluções

factíveis”.
Teorema 4.3.3
Seja 𝑥 1 , 𝑥 2 , … , 𝑥 𝑝 ponto extremo do conjunto S e seja S limitado.
Então, ∀𝑥 ∈ 𝑆, 𝑥 pode ser escrito como combinação convexa dos pontos extremo
𝑝 𝑝
𝑥 1 , 𝑥 2 , … , 𝑥 𝑝 de S, ou seja 𝑥 = ∑𝑖=1 𝜆𝑖𝑥 𝑖 𝑒 ∑𝑖=1 𝜆𝑖 = 1
Teorema 4.3.4
Se um problema de programação linear admitir solução óptima, então pelo menos um ponto
extremo(vértice) do conjunto de pontos viáveis é uma solução óptima do problema.
Mostrara-se este teorema admitindo-se que o conjunto S é limitado.
Prova:
Seja 𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒑 pontos dos extremo do conjunto S limitado.
Então, pelo teorema 3.3.3, ∀𝑥 ∈ 𝑆, 𝑥 pode ser escrito como combinação convexa dos pontos
𝑝 𝑝
extremo 𝑥 1 , 𝑥 2 , … , 𝑥 𝑝 𝑑𝑒 𝑆, ou seja, 𝑥 = ∑𝑖=1 𝜆𝑖𝑥 𝑖 𝑒 ∑𝑖=1 𝜆𝑖 = 1.
𝑝
Logo 𝑐 𝑇 𝑥 = 𝑐 𝑇 (∑𝑖=1 𝜆𝑖𝑥 𝑖 )𝜆1 𝑐 𝑇 𝑥 1 + 𝜆2 𝑐 𝑇 𝑥 2 + ⋯ + 𝜆𝑃 𝑐 𝑇 𝑥 𝑃 .
Seja 𝑥 ∗ um ponto extremo tal que 𝑐 𝑇 𝑥 ∗ ≤ 𝑐 𝑇 𝑥 2 (𝑖 = 1, … 𝑝).
Mas𝑐 𝑇 𝑥 = 𝜆1 𝑐 𝑇 𝑥1 + 𝜆2 𝑐 𝑇 𝑥 2 … + 𝜆𝑃 𝑐 𝑇 𝑥 𝑃 ≥
𝑝
𝜆1 𝑐 𝑇 𝑥 ∗ + 𝜆2 𝑐 𝑇 𝑥 ∗ + ⋯ + 𝜆𝑃 𝑐 𝑇 𝑥 ∗ = ∑ 𝜆𝑖 𝐶 𝑇 𝑥 ∗ = 𝑒 𝑐 𝑇 𝑥 ∗
𝑖=1
Então 𝑐 𝑇 𝑥 ∗ ≤ 𝑐 𝑇 𝑥, ∀𝑥 ∈ 𝑆.
:.𝑥 ∗ é um vértice óptimo (solução óptima)do problema.
Corolário 4.3.1:
“ se a função objectivo possui um máximo (mínimo) finito, então pelo menos uma solução é
óptima é um ponto extremo do conjunto convexo S”.
Teorema 4.3.5:
Toda combinação convexa de soluções óptima de um P.P.L. é também uma solução óptima do
problema.
Corolário 4.3.2:
se um P.P.L admitir mais uma solução óptima então admite infinitas soluções óptimas.
Corolário 4.3.3:
“ se uma função objectivo assume o máximo (mínimo) em mais de um ponto extremo, então
ela toma o mesmo valor para qualquer combinação convexa desses pontos extremos”.
1.4 – os passos do método de simplex
O método simplex é um procedimento matricial para resolver problema de programação linear

expressos na forma standard.
Optimizar: 𝑧 = 𝑐𝑇𝑥
Sujeito a: 𝐴𝑋 = 𝐵
Com: 𝑋≥0
Onde B ≥ 0 e se conhece uma solução básica admissível 𝑋0 .
M método simplex começa com a solução básica admissível 𝑋0 e vai sucessivamente,

localizando outras soluções básicas (sempre adimissiveis) correspondentes a melhores valores
de funçaõ objectivo, ate que seja encontrada uma solução óptima
Resumidamente, podemos dizer que o método simplex parte de uma solução básica admissível
não óptima ate encontrar uma solução básica admissível óptima.
Nota: Para problemas de minimização o método utiliza o quadro que se apresenta em baixo,
no qual 𝑋0 designa o vector custo associado as variáveis em 𝑋0 .
𝑋𝑇
𝐶𝑇
𝑋0 𝐶0 B
𝐶 𝑇 − 𝐶0 𝑇 𝐴 −𝐶0 𝑇 𝐵
Nota: Para problemas de maximização o método utiliza um quadro semelhante. A única

diferença encontra-se na última linha do quadro.
𝑋𝑇
𝐶𝑇
𝑋0 𝐶0 B
𝐶0 𝑇 𝐴 − 𝐶 𝑇 𝐶0 𝑇 𝐵
Uma vez obtida esta ultima linha do quadro, a segunda linha e a segunda coluna do quadro.
Corresponde a 𝐶 𝑡 𝑒 𝐶0 , respectivamente, torna-se supérfluas e podem ser eliminadas
𝐶 𝑡 : vector dos custos correspondentes
X: é o vector coluna de incógnita (incluindo variáveis de folga, excesso e artificiais)
A: é a matriz do coeficiente das operações de restrições.
B: é o vector coluna dos vectores a direita das equações representado as restrições.
𝑋0 : é o vector coluna de variáveis de folga e artificiais
𝐶0 : é o vector coluna de custo associado com as variáveis em𝑋0 .
Exemplo 1
Maximizar z= 80 x1 + 60x2
Sujeito a:
0,20 𝑥1 + 0,32 𝑥2 ≤ 0,25

{
𝑥1 + 𝑥2 = 1
com:x1 ex2 não negativos
adicionando uma variável de folga 𝑥3 é uma variável artificial 𝑥4 , respectivamente, as primeira e

segunda restrições.
Maximizar z= 80 x1 + 60x2 + 0x3+ Mx4
Sujeito a:
0,20 x1 + 0,32 x2 + x3 = 0,25
x1 + x2 + x4 = 1
Com todas as variáveis não negativas
Passando para a forma normal matricial teremos:

𝑡 [80 𝑡
𝑋 = [𝑥1 𝑥2 𝑥3 𝑥4 ] 60 0 𝑀]
0,2 0,32 1 0 0,25 𝑋

𝐴=[ ] 𝐵=[ ] 𝑋0 = [ 3 ]
1 1 0 1 1 𝑋4
0,2 0,32 1 0
𝐶 𝑡 − 𝐶0𝑡 𝐴 = [80 60 0 𝑀] − [0, 𝑀] [ ]
1 1 0 1
[80 60 0 𝑀] − [0 + 𝑀0 + 𝑀0𝑀]
[80 60 0 𝑀] − [𝑀 𝑀 0 𝑀]
[80 − 𝑀 60 − 𝑀 00]
0,25
𝐶0𝑡 𝐵 = [0 , 𝑀] [ ] = −𝑀
1
Quadro simplex
x1x2 x3 x4
80 60 0 M
𝑋3 0 0,2 0,32 1 0 0,25

𝑋4 0
1 1 0 1 1
80 -M60 -M0 0 -M
Exemplo: 2
Maximizar z= x1 + 9x2 + x3
Sujeito a:
𝑥1 + 2𝑥2 + 3𝑥3 ≤ 9
3𝑥1 + 2𝑥2 + 2𝑥3 ≤ 15
Todas as variáveis não negativas
Passando para forma matricial

𝑡 [1 𝑡
𝑋 = [𝑥1 𝑥2 𝑥3 𝑥4 ] 9 1 0 0]
1 2 3 1 0 9 𝑋
𝐴=[ ] 𝐵 = [ ] 𝑋0 = [ 4 ]
3 2 2 0 1 15 𝑋5
Quadro simplex
Quadro 1 (quadro inicial completo)
x1x2 x3 x4 x5
1 2 3 1 0 9
𝑋4 3 2 2 0 1 15
𝑋5
-1 -9 -1 0 0 0
𝐶 𝑡 − 𝐶 𝑡 0𝐴 − 𝐶 𝑡 0𝐵
Conjunto de passos que constituem o método simplex:
Passo 1: Localizenumero mais negativo na última linha do quadro simplex, excluída a ultima
coluna, designando a coluna em que este número aparece como coluna de trabalho. Se existir
mais do que um candidato a numero mais negativo, escolha um.
Passo 2: Para cada linha do quadro (exceptuando a ultima) como coeficiente positivo na
coluna de trabalho, divida cada elemento da última coluna pelo correspondente coeficiente da
coluna de trabalho. Designe o coeficiente de trabalho correspondente ao menor coeficiente
por elemento pivot. Se mais de um coeficiente mínimo, escola um.
Se nenhum coeficiente da coluna de trabalho for positivo, o problema não terá solução.
Passo 4: Use operações elementares sobre as linhas para converter o elemento pivot em 1 e,
em seguida, reduzir a zero todos os outro elementos da coluna de trabalho.
Passo 4: Na 1ª coluna, substitua a variável x existente na linha pivot, pela variável x

correspondente a coluna de trabalho (indicada na 1ª linha). A nova 1ª coluna indica o novo
conjunto de variáveis básicas.
Passo 5: Repetir os passos 1 a 4 até ate que não existam nºs negativos na última linha,
excluindo destas apreciações a ultima coluna.
Passo 6: A solução óptima é obtida atribuindo-se a cada variável da 1ª coluna o valor da linha
correspondente, na última coluna.
Todas as outras variáveis são nulas. O valor óptimo da função objectivo associado, 𝑍 ∗ é o valor
indicado na última coluna, para problema de maximização, em problemas de minimização será
o seu simétrico.
Encontrar a 1ª
solução admissível
Teste de Solução
optimalidade: Não
Óptima
Zj – cj< 0 ?
Sim
Seleccionar zj – cj< 0 Com maior valor absoluto

Seleccionar o menor bj/yi
e determinar elemento
“pivot”
Converter a coluna seleccionada

num vector unitário “0…1…0”
com 1 na posição do “pivot”
Recalcular a linha zj -
1.5
cj
1.6
1.7
1.8 Modificação para problemas com variáveis artificiais
Modificação 1: A última linha do quadro 3 – 1 é decomposta em duas linhas, a primeira

linhas, a primeira das quais envolve os termos que não contem M, e a segunda os
coeficientes de M nos restantes termos
Exemplo: a linha
[−9 − 8𝑀 0 − 9 − 9𝑀 0 𝑀 0 − 14 − 2𝑀]
Seria transformada em duas linhas:
[−9 0 − 9 0 0 0 − 14]
[−8 0 − 9 0 1 0 − 2]
Modificação 2: o passo 1 do método simplex é alpicado a ultima linha criada em

modificação 1 (seguida pelos passos 2, 3 e 4) ate que esta linha não contenha elementos
negativos em seguida o passo 1 é aplicado aos elementos da penúltima linha posicionados
sobre os zeros da ultima linha.
Modificação 3: sempre que uma variavel artificial deixa de ser básica, isto é, deixa de
figurar na 1ª coluna do quadro, em resultado do passo 4, a correspondente
coluna(indentificada na linha superior do quadro por essa variavel ) deve ser removida.
Modificação 4: a ultima linha do quadro pode ser eliminada quando for constituída
unicamente por zeros.
Modificação 5: se na solução básica final estiverem presentes variáveis artificiais não

nulas, então o problema original não admitira solução. (pelo contrario, na solução básica
afinal podem aparecer variáveis artificiais na base com valor zero, indicando que uma ou
mais das equações que representam as restrições são redundantes.
Praticando no exercício em análise, teremos:
Primeiro passo:
Coluna de trabalho
x1x2 x3 x4 x5
𝑋4 1 2 3 1 0 9
𝑋5
3 2 2 0 1 15
-1 -9 -1 0 0 0
O número mais negativo
Segundo passo: Coluna de trabalho
x1x2 x3 x4 x5 9
= 4,5
2
15
𝑋4 1 2 3 1 0 9 = 7,5
2
𝑋5
3 2 2 0 1 15
Pivô 0
-1 -9 1 0 0
Terceiro passo (a) Neste passo multiplica-se todos os

elementos da linha do pivô pelo seu
inverso. Recorde-se que o inverso de 2 é
½
x1x2 x3 x4 x5
𝑋4 1
1 31
0 9
2 22
2
𝑋5
3 2 2 0 1 15
-1 -9 -1 0 0 0
Terceiro passo (b)

Neste passo, reduziu-se a zero o nº - 9,
x1x2 x3 x4 x5 multiplicou-se por 9 a linha do pivô,
seguidamente fez-se a soma algébrica
com a linha que contem o elemento – 9.
𝑋4 1
1 31
0 9
2 22
2
𝑋5
3 2 2 0 1 15
7
0 259
0 81
2 22
2
Terceiro passo (b) Neste passo, reduziu-se o elemento 2e

multiplicou-se por -2 a linha que contem
x1x2 x3 x4 x5 o pivô, fazendo-se posteriormente a
soma algébrica com a linha que contem o
elemento 2.
𝑋4 1
1 31
0 9
2 22
2
𝑋5
2 0 -1 -1 1 6
7
0 259
0 81
2 22
2
Quarto passo
x1x2 x3 x4 x5
𝑋4 1
1 31
0 9
2 22
2
𝑋5
2 0 -1 -1 1 6
7
0 259
0 81
2 22
2
Quinto passo
Não é necessário aplicar pois não existe números negativos na ultima linha.
9 81
Sexto passo𝑥2 = 2 , 𝑥5 = 6, 𝑥1 = 𝑥3 = 𝑥4 = 0 𝑍 = 2
Exemplo 2
a) Formulaçao do problema
b) Construção do modelo
c) Resolver graficamente
d) Forma padrão
e) Método simplex
A) Formulação do problema:
Certa empresa fabrica 2 produtos P1 e P2. O lucro unitário do produto P1 é de 1000 unidades
monetárias e o lucro unitário de P2 é de 1800 unidades monetárias. A empresa necessita de 20
horas para fabricar uma unidade de P1 e 30 hora para fábrica uma unidade de P2. O tempo
anual de produção disponível para isso é de 1200 horas. As demandas esperadas para cada
produto é de 40 unidades anuais para P1 e 30 unidades para P2. Qual é o plano da produção
para que a empresa maximize seu lucro nesses itens?
Construa o modelo de programação linear para esse caso.
B) Construção do modelo:
𝒎𝒂𝒙 𝑍 = 1000𝑥1 + 1800𝑥2
20𝑥1 + 30𝑥2 = 1200
𝑺. 𝒂: { 𝑥1 ≤ 40
𝑥2 ≤ 30
𝑥1 , 𝑥2 ≥ 0
C) Resolver graficamente
𝒎𝒂𝒙 𝑍 = 1000𝑥1 + 1800𝑥2

20𝑥1 + 30𝑥2 = 1200
𝑺. 𝒂: { 𝑥1 = 40
𝑥2 = 30
Calculando a inclinação para as rectas das restrições:
Recta associada a:20𝑥1 + 30𝑥2 ≤ 1200

1200
 Para𝑥1 ? 30𝑥2 = 1200? 𝑥2 = 30
? 𝑥2 = 40;
1200
 Para𝑥𝟐 ? 20𝑥1 = 1200? 𝑥1 = 20
? 𝑥1 = 60; ≤
 Recta associada a 𝑥1 = 40 (recta vertical com abcissa igual a 40)
 Recta associada a 𝑥2 = 30 (recta horizontal com ordenadas igual a 30)
Calculando a inclinação da função objectivo:
Para 𝑍 = 20000
Teremos: 1000𝑥1 + 1800𝑥2 = 20000

 Para𝑥1 = 0 ? 1800𝑥2 = 20000? 𝑥2 = ? 𝑥2 = 11.1;
 Para𝑥2 = 0 ? 1000𝑥1 = 20000? 𝑥1 = ? 𝑥1 = 20;
Para Z = 40000
Teremos: 1000𝑥1 + 1800𝑥2 = 40000
 Para𝑥1 = 0 ? 1800𝑥2 = 40000? 𝑥2 = ? 𝑥2 = 22,2;

 Para𝑥2 = 0 ? 1000𝑥1 = 40000? 𝑥1 = ? 𝑥1 = 40;
O ponto óptimo correspondente ao vértice da região admissível formada pela interacção das
duas restrições, a solução é dada pela resolução do sistema de equações abaixo:
20𝑥1 + 30𝑥2 = 1200

{ 𝑥2 = 30
resolvendo teremos:
já temos o valor de X2 = 30, substituindo na 1ª equação temos:

20𝑥1 + 30(30) = 1200
? 20𝑥1 + 900 = 1200
? 20𝑥1 = 1200 − 900 ? 20𝑥1 = 300

300
? 𝑥1 = 20
? 𝑥1 = 15
Terminados os cálculos, temos o conjunto de solução:
𝑥1 = 15&𝑥2 = 30
Logo:
𝑍 = 10000𝑥1 + 1800𝑥2
𝑍 = 10000(15) + 1800(30)
𝑍 = 15000 + 54000
𝑍 = 69000
D) Forma padrão
𝑍 = 1000𝑥1 + 1800𝑥2
20𝑥1 + 30𝑥2 ≤ 1200

𝑺. 𝒂: { 𝑥1 ≤ 40
𝑥2 ≤ 30
𝑥1 , 𝑥2 ≥ 0
Forma padrão:
𝑍 = 1000𝑥1 + 1800𝑥2
20𝑥1 + 30𝑥2 + 𝑥𝟑 = 1200

𝑥
{ 1 + 𝑥4 = 40
𝑥2 + 𝑥5 = 30
𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥4 ; 𝑥5 ≥ 0
E) Método simplex
𝑍 = 1000𝑥1 + 1800𝑥2
20𝑥1 + 30𝑥2 ≤ 1200

𝑺. 𝒂: {𝑥1 ≤ 40
𝑥2 ≤ 30
𝑥1 , 𝑥2 ≥ 0
Realizadas as devidas transformações teremos:
𝑍 = 1000𝑥1 + 1800𝑥2
20𝑥1 + 30𝑥2 + 𝒙𝟑 = 1200

𝑥1 + 𝒙𝟒 = 40
𝑥2 + 𝒙𝟓 = 30
𝑥1 ; 𝑥2 ; 𝒙𝟑 ; 𝒙𝟒 ; 𝒙𝟓 ≥ 0
Construção do quadro simplex
1º Passo
Coluna de Trabalho
Base x1 x2 x3 x4 x5 b
X3 20 30 1 0 0 1200
X4 X5 1 0 0 1 0 40
0 1 0 0 1 30
O nº mais negativo
z -1000 -1800 0 0 0 0
2º Passo
Coluna de Trabalho
1200
= 40
30
X3 20 30 1 0 0 1200
30
= 30
X4 X5 1 0 0 1 0 40 1
0 1 0 0 1 30
Pivô
z -1000 -1800 0 0 0 0
Calculo para transformar a coluna de
trabalho, colocando 1 (um) no pivô e o 0
(zero) nos outros valores.
Obs: sendo que o pivô já é 1 (um), já não será necessário realizar nenhum cálculo para
estalinha, bastando apenas realizar o cálculo para transformar em 0 (zero) as outras linhas.
Calculo para 1ª linha
𝐿𝑥(−30) + 𝐿1 ? 0(−30) + 20 ? 20
X3 20 30 1 0 0 1200
𝐿𝑥(−30) + 𝐿1 ? 1(−30) + 30 ? 0
X4 X5 1 0 0 1 0 40
𝐿𝑥(−30) + 𝐿1 ? 0(−30) + 1 ? 1
0 1 0 0 1 30
𝐿𝑥(−30) + 𝐿1 ? 0(−30) + 0 ? 0
z -1000 -1800 0 0 0 0 𝐿𝑥(−30) + 𝐿1 ? 1(−30) + 0 ? −30
𝐿𝑥(−30) + 𝐿1 ? 30(−30) + 1200 ? 300

OBS: não será realizado calculo algum
para a linha 2 (dois) porque
Calculo já
para 4ª linha
contem 0 (zero)
𝐿𝑥(1800) + 𝐿2 ? 0(1800) + (−1000)? −1000
𝐿𝑥(1800) + 𝐿2 ? 1(1800) + (−1000)? −0
𝐿𝑥(1800) + 𝐿2 ? 0(1800) + 0 ? 0
X3 20 30 1 0 -30 300
𝐿𝑥(1800) + 𝐿2 ? 0(1800) + 0 ? 0
X4 X5 1 0 0 1 0 40
𝐿𝑥(1800) + 𝐿2 ? 1(1800) + 0 ? 1800
0 1 0 0 1 30
𝐿𝑥(1800) + 𝐿2 ? 30(1800) + 0 ? 54000
z -1000 -1800 0 0 0 0 Coluna de Trabalho
OBS: ainda não chegamos na solução
óptima porque ainda existe um valor
negativo, e a coluna em ele está será a
X3 20 0 1 0 -30 300 nossa coluna de trabalho.
X4 X5 1 0 0 1 0 40
0 1 0 0 1 30
O número negativo
z -1000 0 0 0 1800 54000
300
= 15
20
X3 20 0 1 0 -30 300 40
= 40
1
X4 X5 1 0 0 1 0 40
0 1 0 0 1 30
Pivô
z -1000 0 0 0 1800 54000
Calculo para transformar a coluna de
trabalho, colocando 1 (um) no pivô
de 0 (zero) nos outros valores.
𝐿1 20
Base x1 x2 x3 x4 x5 b ? ?1
𝐿𝑥 20
𝐿1 0
? ?0
X3 20 0 1 0 -30 300 𝐿𝑥 20
𝐿1 1
X4 X5 1 0 0 1 0 40 ? ? 0,05
𝐿𝑥 20
0 1 0 0 1 30 𝐿1 0
? ?0
𝐿𝑥 20
z -1000 0 0 0 1800 54000
𝐿1 −30
? ? −1.5
𝐿𝑥 20
𝐿1 300
? ? 15
𝐿𝑥 20
Base x1 x2 x3 x4 x5 b Calculo para 4ª linha
𝐿𝑥(−1) + 𝐿2 ? 1 (−1 ) + 1 ? 0
𝐿𝑥(−1) + 𝐿2 ? 0 (−1 ) + 0 ? 0
𝐿𝑥(−1) + 𝐿2 ? 0.5 (−1 ) + 0 ? −0.5
𝐿𝑥(−1) + 𝐿2 ? 0 (−1 ) + 1 ? 1
𝐿𝑥(−1) + 𝐿2 ? −1.5 (−1 ) + 0 ? −1.5

X3 20 0 0.5 0 -1.5 15
X 4 X5 1 0 0 1 0 40
0 1 0 0 1 30
z -1000 0 0 0 1800 54000
OBS: não será realizado calculo algum para

a linha 3 (três), porque já contem 0 (zero)

𝐿𝑥(1000) + 𝐿4 ? 1 (1000 ) + (−1000)?
𝐿𝑥(1000) + 𝐿4 ? 0 (1000 ) + 0 ? 0
X3 20 0 0.5 0 -1.5 15
𝐿𝑥(1000) + 𝐿4 ? 0.5 (1000 ) + 0 ? 500
X4 X 5 1 0 0 1 0 40
𝐿𝑥(1000) + 𝐿4 ? 1 (1000 ) + (1000) ? 0
0 1 0 0 1 30 𝐿𝑥(1000) + 𝐿4 ? 1.5 (1000 ) + 1800 ? 300
z -1000 0 0 0 1800 54000 𝐿𝑥(1000) + 𝐿4 ? 1 (1000 ) + 54000 ? 69000
OBS: os valores que já não existem
valores negativos na última linha,
concluímos que a nossa solução
X3 20 0 0.5 0 -1.5 15 óptima foi encontrada.
X4 X5 1 0 0 1 0 40
0 1 0 0 1 30 Sendo assim teremos:
z -1000 0 0 0 1800 54000 𝒙𝟏 = 𝟏𝟓; 𝒙𝟐 = 𝟑𝟎; 𝒙𝟑 𝟑; 𝟎; 𝒙𝟒 = 𝟒; 𝒙𝟓 ; 𝒁

= 𝟔𝟗𝟎𝟎𝟎
A solução para𝒙𝟏 = 𝟏𝟓 𝒆 𝒙𝟐 = 𝟑𝟎apresenta

pelo método gráfico, bem como o valor Z = 69000, coincidem com a solução apresentada
pelo método simplex, reforçando assim a resposta para o exercício.
Exercício nº 3
Um fabricante de fantasia tem em stock 32m de brim, 22m de seda e 30m de cetim que
pretende fabricar dois tipos de fantasia. O primeiro modelo (M1) consome 4m de brim, 2m de
seda e 2m de cetim. O segundo modelo (M2) consome 2m de brim, 4m de seda e 6m de cetim.
Se M1 é vendido a 6.000 u.m e M2 a 10.000 u.m quantas peças de cada tipo o fabricante deve
fazer para obter a receita máxima? Elabore o modelo.
- Formulação do problema
Dados
Peças Modelo 1 Modelo 2 Stock
Brim 4m 2m 32m
Seda 2m 4m 22m
Cetim 2m 6m 30m
Venda 6.000 u.m 10.000 u.m
- Objectivo
Determinar as quantidades de cada peça ser produzido no modelo 1 e no modelo 2 de modo a

obter a receita máxima.
- Variáveis de decisão
𝑥1 – Quantidade de cada peça a ser produzido no modelo 1
𝑥2 – Quantidade de cada peça a ser produzido no modelo 2
- Função objectivo
Max 𝑍 = 6.000𝑥1 + 10.000𝑥2
- Restrições
4𝑥1 + 2𝑥2 ≤ 32
𝑺. 𝒂 {2𝑥1 + 4𝑥2 ≤ 22
2𝑥1 + 6𝑥2 ≤ 30
𝑥𝟏 , 𝑥𝟐 ≥ 0
- Construção do modelo
Max 𝑍 = 6.000𝑥1 + 10.000𝑥2
- Restrições
4𝑥1 + 2𝑥2 ≤ 32
𝑺. 𝒂 {2𝑥1 + 4𝑥2 ≤ 22
2𝑥1 + 6𝑥2 ≤ 30
𝑥𝟏 , 𝑥𝟐 ≥ 0
- Flexibilização das restrições
Max 𝑍 = 6.000𝑥1 + 10.000𝑥2
- Restrições
4𝑥1 + 2𝑥2 = 32
𝑺. 𝒂 {2𝑥1 + 4𝑥2 = 22
2𝑥1 + 6𝑥2 = 30
𝑥𝟏 , 𝑥𝟐 ≥ 𝟎
- Recta associada a restrição 𝟒𝒙𝟏 + 𝟐𝒙𝟐 = 𝟑𝟐

32
p/𝑥1 = 0 ⟶ 2𝑥2 = 32 ⟶ 𝑋2 = 2
= 16
32
p/𝑥2 = 0 ⟶ 4𝑥1 = 32 ⟶ 𝑋1 = 2
=8
4
A inclinação da recta obtida é de2 − 2
- Recta associada a restrição 𝟐𝒙𝟏 + 𝟒𝒙𝟐 = 𝟐𝟐

22
p/𝑥1 = 0 ⟶ 4𝑥2 = 22 ⟶ 𝑋2 = = 5,5
4
22
p/𝑥2 = 0 ⟶ 2𝑥1 = 22 ⟶ 𝑋1 = 2
= 11
4 1
A inclinação da recta obtida é de = −
2 2
- Recta associada a restrição 𝟒𝒙𝟏 + 𝟐𝒙𝟐 = 𝟑𝟐

30
p/𝑥1 = 0 ⟶ 6𝑥2 = 30 ⟶ 𝑋2 = 6
=5
30
p/𝑥2 = 0 ⟶ 2𝑥1 = 30 ⟶ 𝑋1 = 2
= 15
4 4
A inclinação da recta obtida é de2 = − 2
Para função objectivo
Max 𝑍 = 6.000𝑥1 + 10.000𝑥2
p/Z = 0
0 = 6.000𝑥1 + 10.000𝑥2
6.000𝑥1 + 10.000𝑥2 = 0
10.000𝑥2 − 6.000𝑥1
6000
𝑥2 = 𝑥
1000 1
3
𝑥2 = − 𝑥1
5
p/𝑥1 = 0 → 𝑥2 = 0
3
p/𝑥1 = 1 → 𝑥2 = − 5 = −0,6
6000 3
O declive da recta da FO é − 10000 = − 5
𝑆1 = (0; 0)
𝑆2 = (8; 0)
𝑆3 = (0; 5)
𝑆4 2𝑥1 + 4𝑥2 = 22 |. (−1)
2𝑥1 + 6𝑥2 = 30
−2𝑥1 − 4𝑥2 = −22

𝑆4 {
2𝑥1 + 6𝑥2 = 30
2𝑥2 = 8
8
2𝑥2 = =4
2
2𝑥1 + 4𝑥2 = 22
2𝑥1 + 4.4 = 22
2𝑥1 + 16 = 22
2𝑥1 = 22 − 16
6
2𝑥1 = 6 ⟶ 𝑥1 = =3
2
𝑆4 = (3; 4)
2𝑥 + 4𝑥2 = 22 |. (−2)
𝑆5 { 1
4𝑥1 + 2𝑥2 = 32
−4𝑥1 − 8𝑥2 = −44
𝑆5 {
4𝑥1 + 2𝑥2 = 32
−6𝑥2 = −12
12
𝑥2 = =2
6
2𝑥1 + 4𝑥2 = 22
2𝑥1 + 4.2 = 22
2𝑥1 + 8 = 22
2𝑥1 = 22 − 8
14
2𝑥1 = 14 ⟶ 𝑥1 = =7
2
𝑆4 = (7; 2)
Substituindo na F.O, teremos:
𝑍 = 6.000𝑥1 + 10.000𝑥2
𝑝/𝑆1 = (0; 0)
𝑍 = 6.000 + 10.000
𝑍=0
𝑝/𝑆2 = (8; 0)
𝑍 = 6.000.8 + 10.000.0
𝑍 = 48000
𝑝/𝑆3 = (0; 5)
𝑍 = 6.000.0 + 10.000.5
𝑍 = 50000
𝑝/𝑆4 = (3; 4)
𝑍 = 6.000.3 + 10.000.4
𝑍 = 18000 + 40000
𝑍 = 58000
𝑝/𝑆5 = (7; 2) → 𝑃. 𝑂
𝑍 = 6.000.7 + 10.000.2
𝑍 = 42000 + 20000
𝑍 = 62000
- Calculo simplex
Max 𝑍 = 6.000𝑥1 + 10.000𝑥2
4𝑥1 + 2𝑥2 ≤ 32
𝑺. 𝒂 {2𝑥1 + 4𝑥2 ≤ 22
2𝑥1 + 6𝑥2 ≥ 30
𝑥𝟏 , 𝑥𝟐 ≥ 0
Max 𝑍 = 6.000𝑥1 + 10.000𝑥2
4𝑥1 + 2𝑥2 + 𝑥2 + 0𝑥4 + 0𝑥5 = 32

𝑺. 𝒂 {2𝑥1 + 4𝑥2 + 0𝑥2 + 𝑥4 + 0𝑥5 = 22
2𝑥1 + 6𝑥2 + 0𝑥2 + 0𝑥4 + 𝑥5 = 30
Max 𝑍 = 6.000𝑥1 + 10.000𝑥2 + 0𝑥3 + 0𝑥4 + 0𝑥5
4𝑥1 + 2𝑥2 + 𝑥2 + 0𝑥4 + 0𝑥5 = 32

𝑺. 𝒂 {2𝑥1 + 4𝑥2 + 0𝑥2 + 𝑥4 + 0𝑥5 = 22
2𝑥1 + 6𝑥2 + 0𝑥2 + 0𝑥4 + 𝑥5 = 30
𝑆. 𝐼 𝑥1 = 32; 𝑥4 = 22; 𝑥5 = 30
𝑥𝟏 = 𝑥𝟐 = 0
Quadro simplex
𝑋𝑡
𝐶𝑡
𝑋 0 𝑋0 A 𝐵
−𝐶 𝑡 + 𝐶 𝑡 0 . 𝐴 𝐶 𝑡0 . 𝐵
X=[ X1 X2 X3 X4 X5 X6 X7 X8 ]t
C=[6000 10000 0 0 0 0 ]T
4 2 1 0 0
𝐴 = [2 4 0 1 0]
2 6 0 0 1
32 𝑋3 0
𝑋
𝐵 = [22] [ 0 = 𝑋4 ] [𝐶0 = 0]
30 𝑋5 0
4 2 1 0 0
−𝐶 𝑡 + 𝐶 𝑡 0 . 𝐴= - [6000 10000 0 0 0 0 ]+ [0 0 0 ].[2 4 0 1 0]
2 6 0 0 1
−𝐶 𝑡 + 𝐶 𝑡 0 . 𝐴= - [6000 10000 0 0 0 0 ]
= [6000 10000 0 0 0 0 ]
32
𝐶 𝑡 0 . 𝐵= - [ 0 0 0 ].[22] = 0
30
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 6000
10000 0 0 0
X3 4 4 1 0 0 32
X4 2 4 0 0 0 22
X5 2 ❻ 0 0 1 30
-6000 -10000 0 0 0 0
32 22 30
= 16; = 5,5; =5
2 4 6
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 4 2 1 0 0 32
X4 2 4 0 1 0 22
X5 2 ❻ 0 0 1 1
30 → 6 𝐿4
-6000 -10000 0 0 0 0
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 4 2 1 0 0 32 → 𝐿2 − 2𝐿4
X4 2 4 0 1 0 22
X5 2 1 5
3
1 0 0 6
-6000 -10000 0 0 0 0
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 10 1 22
3
0 1 0 −3
X4 2 4 0 1 0
X5 1 1 22→ 𝐿3 − 4𝐿4
3
1 0 0 6
5
-6000 -10000 0 0 0 0
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 10 1 22
0 1 0 −
3 3
X4 2 2
3
4 0 1 −3
22
1 1
X5 3
1 0 0 6
5
8000 5000 0 → 𝐿5 + 10000𝐿4

−− 3
0 0 0 3
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 10 1 22
3
0 1 0 −3
X4 2 2
3
4 0 1 −3
1 1
1 0 0
X5 3 6
5
8000 5000 50.000

−− 3
0 0 0 3
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 10 1 22
3
0 1 0 −3
2
X4 3
2
4 0 1 −3
3
2→ 2 𝐿3
1 1
X2 3
1 0 0 6
5
8000 5000 50.000

−− 0 0 0
3 3
22 3 66 2 3 5
10 → 22 = = 6,6; 2 → 2. = 3; 1 → 5.3 = 15
10 10 2
3 3 3
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 10 1 10
3
0 1 0 −3 22→ 𝐿2 3 3
𝐿
X4 3
1 0 0 2
-1
1 1
X2 3
1 0 0 6
5
8000 5000 50.000
−− 0 0 0
3 3
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 0 0 1 -5 3 12
X4 3
1 0 0 -1
2
1 1
3
1 0 0 6
X2
1
5 → 𝐿4 3 𝐿3
8000 5000 50.000

−− 3
0 0 0 3
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 0 0 1 -5 3 12
X4 3
1 0 0 2
-1
1 1
0 1 0 −2 2
X2
4
8000 5000 8000

−− 0 0 0 50.000→ 𝐿5 + 3
𝐿3
3 3
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 0 0 1 -5 3 12
X4 3
1 0 0 2
-1
1 1
0 1 0 −2 2
X2
4
0 0 0 0 4000 - 1000 58.000
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 0 0 1 -5 3 12
X4 3
1 0 0 2
-1
1 1
0 1 0 −2 2
X2
4
0 0 0 0 4000 - 1000 58.000
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 0 0 1 -5 ❸ 1
12→ 3 𝐿2
X4 3
1 0 0 -1 3
2
1 1
0 1 0 −2 4
X2 2
0 0 0 0 4000 - 1000 58.000

12 4
= 4: 1 → 4.2 = 8
3
2
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 1 5 4
0 0 - 1
3 3
X4 3 3→ 𝐿3 + 𝐿2
1 0 0 2
-1
4
1 1
X2 0 1 0 −
2 2
0 0 0 0 4000 - 1000 58.000
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 1 5 4
0 0 - 1
3 3
X4 3 1 7
1 0 - 0
2 6
1
1 1
4 → 𝐿4 − 2 𝐿2
X2 0 1 0 − 2 2
0 0 0 0 4000 - 1000 58.000
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 1 5 4
0 0 3
- 31
X1 3 1 7
1 0 2
-6 0
X2 1 1 1
0 1 0 − 4 → 𝐿4 − 𝐿2
2 2 2
0 0 0 0 4000 - 1000 58.000→ 𝐿5 + 1000𝐿2
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X1 1 1 7
1 0 3
-6 0
1 1 2
0 1 −3 3
0
X2
1000 7000 62.000

0 0 0
3 3
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X5 1 1 4
0 0 3
-3 1
X1 1 1 7
1 0 3
-6 0
X2
1 1
0 1 −3 3
0
2
1000 7000 62.000

0 0 3 3
0
Conclusão:
𝑥1 = 7
𝑥2 = 2
𝑥3 = 0
𝑥4 = 0
𝑥5 = 4
𝑍𝑜𝑡 = 62.000
Para obter a receita máxima o fabricante deve fabricar para o MODELO 1, 7m de cada peça e
para o modelo 2, 2m de cada peça.
1.8.1 OUTRA FORMA DO MÉTODO SIMPLEX
4.5.2 Exemplo de um Problema
O modelo de programação linear pode ser resolvido por um método de solução de sistema de
equações lineares. O processo que será apresentado no exemplo a seguir, retirado de
ANDRADE (2000), é bastante intuitivo e tem por finalidade apresentar a metodologia utilizada
pelo método Simplex.
a) Formulação do problema
"Uma marcenaria deseja estabelecer uma programação diária de produção. Actualmente, a

oficina faz apenas dois produtos: mesa e armário, ambos de um só modelo. Para efeito de
simplificação, vamos considerar que a marcenaria tem limitações em somente dois recursos:
madeira e mão-de-obra, cujas disponibilidades diárias são mostradas na tabela a seguir.
Recurso Disponibilidade
Madeira 12m2
Mão-de-obra 8 H.h O processo de produção é tal que, para fazer

uma mesa a fábrica gasta 2 m2 de madeira e 2
H.h de mão-de-obra. Para fazer um armário, a fábrica gasta 3 m2 de madeira e 1 H.h de mão-
de-obra.
Além disso, o fabricante sabe que cada mesa dá uma margem de lucro de $4.00 e cada armário
de $1.00. O problema é encontrar o programa de produção que maximiza a margem de
contribuição total para o lucro."
b) Montagem do modelo
As variáveis de decisão envolvidas no problema são:
x1: quantidade a produzir de mesas
x2: quantidade a produzir de armários

A função objectivo é: maximizar o lucro: z = 4 x1 + x2
Para as restrições, a relação lógica existente é:
Utilização de recurso ≤ Disponibilidade
Assim temos
Madeira: 2 x1 + 3 x2 ≤ 12
Mão-de-obra: 2 x1 + x2 ≤ 8
x1, x2 ≥0: Restrições de não negatividade
O modelo completo é:
Maximizar: z = 4 x1 + x2
Sujeito a:
2 x1 + 3 x2 ≤ 12
2 x1 + x2 ≤ 8
x1, x2 ≥0
c) Custos e penalidades. Solução inicial admissível

d) Solução do modelo
Já conhecemos o método de solução gráfica para problemas de programação linear de duas

variáveis. Será agora apresentada a solução por sistemas de equações lineares. De forma a
transformar as restrições do problema de programação linear de inequações em equações, são
introduzidas as variáveis de folga. Neste problema, as restrições têm a seguinte estrutura
lógica:
Utilização de recurso ≤ Disponibilidade.
Ao se introduzir o conceito de folga de recurso, a inequação pode ser escrita como
Utilização de recurso + Folga = Disponibilidade.
Isso significa que
Utilização de recurso <Disponibilidade implica Folga> 0;
Utilização de recurso = Disponibilidade implica Folga = 0.
Deste modo, a folga de cada recurso pode ser representada por uma variável de forma
exactamente igual à produção de cada produto. Desse modo, vamos chamar:
f1: folga de madeira;
f2: folga de mão-de-obra.

Introduzindo as variáveis de folga, o problema a ser resolvido passa a ser:
Maximizar: z = 4 x1 + x2
Sujeito a:
2 x1 + 3 x2 + f1 = 12
2 x1 + x2 + f2 = 8
x1, x2, f1, f2≥ 0
O problema se transformou em encontrar a solução do sistema de equações lineares que

maximiza o lucro. Como neste caso o número de variáveis (m = 4) é superior ao número de
equações (n = 2), o sistema é indeterminado, apresentando infinitas soluções.
No entanto, todas as variáveis devem ser maiores ou iguais a zero. Atribuir zero a uma variável
significa não produzir um dos produtos (se a variável for x1 ou x2) ou utilizar toda a
disponibilidade de recursos (se a variável for f1 ou f2). Desta forma, podemos encontrar
soluções para o sistema de equações igualando a zero duas variáveis (n - m = 2) e encontrando
o valor para as duas variáveis restantes. Teremos que resolver então
4!
C42  6
2! 2!
sistemas de equações lineares.
Uma vez resolvido um sistema, serão aplicados na função objectivo os valores encontrados. As
variáveis zeradas são chamadas variáveis não-básicas. Asvariáveis cujos valores são calculados
pelo sistema de equações são chamadas variáveis básicas.
Variáveis não-básicas: x1 = 0 e x2 = 0
Variáveis básicas f1 = 12 e f2 = 8
Dando o lucro z = 0
Variáveis não-básicas: x1 = 0 e f1 = 0
Teremos as variáveis básicas x2 = 4 e f2 = 4
Dando o lucro z = 4
3) Variáveis não – básicas: x1 = 0 e f2 = 0
Temos as variáveis básicas x2 = 8 e f1= -12
Como f1< 0, a solução obtida é INVIÁVEL.
Temos as variáveis básicas x1 = 6 e f2 = -4

Como f2< 0, a solução obtida é INVIÁVEL.
Temos as variáveis básicas x1 = 4 e f1 = 4 dando o lucro z = 16
6) Variáveis não – básicas: f1 = 0 e f2 = 0
Temos as variáveis básicas x1 = 3 e x2 = 2 dando o lucro z = 14
Comparando todas as soluções encontradas por este processo, achamos a solução ótima, ou
seja, x1 = 4, x2 = 0, f1 = 4, f2 = 0, dando um lucro z = 16.
4.6 Desenvolvimento do Método Simplex
Da forma como foi resolvido o problema anteriormente, é necessário que muitos sistemas de
equações sejam resolvidos e suas soluções comparadas. Para problemas reais de programação
linear, esta solução se torna inviável. Desta forma, para termos condições de resolver um
problema de programação linear, precisamos de uma sistemática que nos diga:
Qual o sistema de equações que deve ser resolvido;
Que o próximo sistema a ser resolvido fornecerá uma solução melhor que os anteriores;
Como identificar uma solução óptima, uma vez que a tenhamos encontrado.
Essa sistemática é o método Simplex, e as regras que o método utiliza para atender às três
questões acima são, basicamente, os critérios que desenvolvemos nos itens anteriores. Vamos
voltar ao nosso pequeno problema, já com as variáveis de folga:
Maximizar z= 4 x1 + x2
Sujeito a:
2 x1 + 3 x2 + f1 = 12
2 x1 + x2 + f2 = 8
x1, x2, f1, f2 = 0
Vamos montar um quadro para ordenarmos as operações, colocando nele apenas os

coeficientes das variáveis. No caso da função objectivo, vamos realizar a seguinte
transformação:
de: z= 4 x1+ x2
Quadro
Base x1x2 f1 f2 b
f1 2 3 1 0 17
f2 2 1 0 1 8
z -4 -1 0 0 0
A última coluna corresponde aos termos independentes das equações, e a última linha contém
os coeficientes das variáveis na função objectivo. Nessa última linha teremos sempre a
contribuição que cada variável dá para o lucro total z, por unidade, em cada iteração do
processo de solução. Essa última linha será chamada de função objectivo transformada, ou
função z-transformada.
a) Solução inicial
A solução inicial para o problema será sempre obtida fazendo as variáveis originais do
modelo (no caso x1 e x2) iguais a zero e achando o valor das demais.
Assim, fazendo x1 = x2 = 0 (variáveis não básicas), obtemos do Quadro 1:
f1 = 12
f2 = 8 (variáveis básicas)
z= 0
As variáveis básicas estão indicadas no Quadro 1, para facilitar o acompanhamento das

operações.
b) Segunda solução
Como a primeira solução claramente não é a melhor, vamos procurar outra que dê um valor
maior para z. O problema é descobrir:
 Das duas variáveis não básicas (nulas) na primeira solução, qual deve se tornar
positiva?
 Das duas variáveis básicas (positivas) na primeira solução, qual deverá ser anulada?
Qual variável deverá se tornar positiva?
Vamos observar que na última linha do Quadro 1 temos os coeficientes da função objectivo
que mostram a contribuição para o lucro z de cada unidade produzida de mesa (x1) e de
armário (x2).
Assim, aplicando o critério de que devemos produzir primeiro o produto que mais contribui
para o lucro, vamos começar a produção pela variável x1, já que sua contribuição unitária para
o lucro (4) é maior que a contribuição de x2, igual a 1.
Logo, a variável que deverá se tornar positiva é x1.

Qual variável deverá ser anulada?
Nota-se pelo Quadro 1 que, na primeira equação, o maior valor possível de x1 é 6, quando f1
for igual a zero (note que x2 vale zero por ser variável não básica). Qualquer valor maior de x1
fará com que o valor de f1 fique negativo, o que não é permitido. Na segunda equação, o maior
valor permitido para x1 é 4, quando f2 for igual a zero. Analisando simultaneamente as duas
equações, percebe-se que o maior valor possível para x1 é 4, já que atende às duas equações.
Observe que esta análise pode ser feita directamente do Quadro 1, através da divisão dos
elementos da coluna b pelos correspondentes elementos da coluna x1. O menor quociente
indica, pela linha em que ocorreu, qual a variável básica que deve ser anulada. Assim, como o
menor quociente é dado pela divisão 8 / 2 = 4, a variável básica a ser anulada é f2, que é a
variável positiva na actual solução, cujo valor foi encontrado na segunda linha.
Assim temos:
x2= 0
f2 = 0
E o sistema restante deve ser resolvido para acharmos o valor de x1 e f1. A solução desse
sistema será feita usando o Quadro 1 com as equações completas e usando as operações
válidas com as linhas da matriz, como apresentado no Capítulo 2.
1ª Operação:
Dividir a segunda linha por 2 (L2 L2 / 2)
Quadro 1A
Base x1 x2 f1 f2 b
f1 2 3 1 0 12
x1 1 1/2 0 1/2 4
2ª operação:
z -4 -1 0 0 0 Multiplicar a segunda linha do Quadro 1A por (-2) e

somar com a primeira linha do mesmo quadro,
colocando o resultado na primeira linha (L1 L1 - 2 L2)
Quadro 1B
Base x1 x2 f1 f2 b
f1 0 2 1 -1 4
x1
1 1/2 0 1/2 4
z -4 -1 0 0 0 3ª Operação:
Multiplicar a segunda linha do Quadro 1B por (4) e somar

com a terceira linha do mesmo quadro, colocando o
Quadro 2
Base x1 x2 f1 f2 b
f1 0 2 1 -1 4
x1
1 1/2 0 1/2 4
Como a última linha (função z – transformada) mostra as

contribuições líquidas para o lucro, caso as variáveis x1 e
z 0 1 0 2 16 f2 venha a ter seus valores aumentados de 0 para 1 e
como estas contribuições têm seus valores trocados com
relação ao quadro original, concluímos que a solução
encontrada é óptima.
x1 = 4,
x1 =4
f1 = 4,
f2 = 0 e,
z = 16,
4.6.1 Procedimento do Método Simplex (Problemas de Maximização)
Passo 1: Introduzir as variáveis de folga; uma para cada desigualdade.
Passo 2: Montar um quadro para os cálculos, colocando os coeficientes de todas as variáveis

com os respectivos sinais e, na última linha, incluir os coeficientes da função objectivo
transformada.
Passo 3: Estabelecer uma solução básica inicial, usualmente atribuindo valor zero às variáveis
originais e achando valores positivos para as variáveis de folga.
Passo 4: Como próxima variável a entrar na base, escolher a variável não básica que oferece,
na última linha, a maior contribuição para o aumento da função objectivo (ou seja, tem o
maior valor negativo). Se todas as variáveis que estão fora da base tiverem coeficientes nulos
ou positivos nesta linha, a solução actual é óptima. Se alguma dessas variáveis tiver coeficiente
nulo, isto significa que ela pode ser introduzida na base sem aumentar o valor da função
objectivo. Isso quer dizer que temos uma solução óptima, com o mesmo valor da função
objectivo.
Passo 5: Para escolher a variável que deve deixar a base, deve-se realizar o seguinte
procedimento:
a) Dividir os elementos da última coluna pelos correspondentes elementos positivos da coluna

da variável que vai entrar na base. Caso não haja elemento algum positivo nesta coluna, o
processo deve parar, já que a solução seria ilimitada.
O menor quociente indica a equação cuja respectiva variável básica deverá ser anulada,
tornando-se variável não básica.
Passo 6: Usando operações válidas com as linhas da matriz, transformar o quadro de cálculos
de forma a encontrar a nova solução básica. A coluna da nova variável básica deverá se tornar
um vector identidade, onde o elemento 1 aparece na linha correspondente à variável que está
sendo anulada.
Passo 7: Retornar ao passo 4 para iniciar outra iteração.
4.6.2 Outro exemplo
Vamos resolver pelo método simplex o problema das rações proposto no capitulo 1 cujo o
modelo foi apresentado no capitulo 3.
Maximizar Z= 11 x1 +12 x2
Sujeito a:
x1 + 4 x2≤ 10000
5x1 +2x2≤ 30000
x1, x2≥0
a) Inclusão das variáveis de folga

Com a inclusão das variáveis de folga, o problema torna-se:
Maximizar Z=11 x1 +12 x2
Sujeito a:
x1 + 4 x2 + f1≤ 10000
5 x1 + 2x2 + f2≥ 30000
x1, x2, f1, f2 ≥ 0

a) Solução inicial
Base x1 x2 f1 f2 b
F1 1 4 1 0 10000
f2 5 2 0 1 30000
z -11 -12 0 0 0
b) Primeira interacção
Variável a entrar na base: 𝑥2 (coluna com maior valor negativo na ultima linha)
Variável a sair da base: 𝑓1(o quociente 10000/4 é menor quociente entre a ultima
coluna e a coluna da variável 𝑥2 que vai entrar na base)
𝐿1 → 𝐿1 /4
𝐿2 → 𝐿2 /−2𝐿1
𝐿3 →𝐿3 + 12𝐿1
Base x1 x2 f1 f2 b
F1 1/4 1 1/4 0 2500
f2 4,5 0 -1/2 1 25000
z -8 0 3 0 30000
c) Segunda iteração
Variável a entrar na base: 𝑥1 (coluna com maior valor negativo na última linha)
Variável a sair da base: 𝑓2(o quociente 25000/4,5 é o menor quociente entre a última
coluna e a coluna da variável𝑥1 , que vai entrar na base)
Base x1 x2 f1 f2 b
F1 0 1 0,27 -0,0556 1111,11
f2 1 0 -0,11111 0,2222 5555,56
z 0 0 2,1111 1,7778 74444,44
Solução óptima encontrada
Como todos os valores da última linha (função z-transformada) são positivos ou nulos,
concluímos que a solução encontrada é óptima, ou seja:
𝑥1 = 5555,55
𝑥2 = 1111,11
𝑧 = 74444,44
4.7 Aspecto matemáticos singulares
Na modelagem de um problema de programação linear, algumas situações específicas podem

ocorrer, o que pode levar a casos em uma forma matemática diferente da apresentada ate o
momento. Entretanto, alguns artifícios matemáticos ajudam a reduzir o modelo obtido a
forma padrão estudada.
Este artifícios são mostrado a seguir.
1.3 Minimização de uma função
A minimização de uma função z(x) é matematicamente análogo à maximização da negativa

desta função (-z(x)).
Exemplo: minimizar𝑍 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛
É equivalente a
Maximizar 𝑍´ = −𝑐1 𝑥1 − 𝑐2 𝑥2 − ⋯ − 𝑐𝑛 𝑥𝑛
Essa forma de forma de resolver os problemas de maximização utilizando o mesmo algoritmo.
Caso que queira resolver directamente, devemos alterar o critério de entrada das variáveis na
base. A variável que entra na base passa a ser aquela que tem o maior valor positivo na linha z-
transformada.
Caso todas tenham coeficientes negativo ou nulo, a solução obtida é óptima.
4.7.2 Restrições de limites inferior (≥)
Uma desigualdade em uma direcção (≤ ou ≥) pode ser mudada por uma desigualdade na
direcção oposta, pela multiplicação de ambos os lados da desigualdade por (-1)
Exemplo: 𝑐1 𝑥1 + 𝑐2 𝑥2 ≥ 𝑏
É equivalente a
−𝑎1 𝑥1 − 𝑎2 𝑥2 ≥ −𝑏
4.7.3 Restrições de igualdade
Uma equação pode ser substituída por duas desigualdades de direcção oposta.
Exemplo: 𝑎1 𝑥1 + 𝑎𝑥2 = 𝑏
Equivalente a duas desigualdades simultâneas:
𝑎1 𝑥1 + 𝑎𝑥2 ≤ 𝑏
𝑎1 𝑥1 + 𝑎𝑥2 ≥ 𝑏
4.7.4 Variável irrestrita em sinal
Uma variável irrestrita em sinal (ou seja, pode ser positiva, nula ou negativa) pode ser
substituída pela diferença de duas variáveis não negativas.
Exemplo: se a variável 𝑥1 for irrestrita em sinal pode ser substituída pela diferença (𝑥´1 −
𝑥´´1 )
Com
𝑥´1 ≥ 0 𝑒 𝑥´´1 ≥ 0
4.8 Método Simplex em Duas Fases
O Método Simplex utiliza uma solução inicial viável para começar o processo iterativo,
trabalhando sempre dentro da região viável. Nos casos apresentados até o presente
momento, a solução xi = 0, para i = 1, ..., n era uma solução viável, já que todas as restrições
apresentadas foram do tipo (£). Quando as restrições são do tipo (=) ou (³), esta solução não
existe.
Seja o exemplo abaixo:
Minimizar z = 10 x1 + 4 x2 + 5 x3
sujeito a:
8 x1 + 3 x2 + 4 x3 ³ 10
4 x1 + 3 x2 £ 8
x1, x2, x3 ³ 0
Como temos uma restrição do tipo (³), a variável de folga deve ter coeficiente negativo, tendo
o significado de uma variável de excesso. O problema transformado é:
Minimizar z = 10 x1 + 4 x2 + 5 x3
sujeito a:
8 x1 + 3 x2 + 4 x3 - f1 = 10
4 x1 + 3 x2 + f2 = 8
x1, x2, x3, f1, f2 ³ 0
Onde f1 é uma variável de excesso e f2 é uma variável de folga.
Note que, pelo processo de solução anterior, a variável de excesso (f1) passaria a ter valor
negativo na solução inicial (-10), o que não é permitido. Assim, a solução x1 = x2 = x3 = 0 é
inviável. É necessário então encontrar uma solução viável para que o método Simplex possa
ser iniciado.
A forma de se resolver isto é inventando novas variáveis. Estas variáveis são chamadas de
variáveis artificiais, e representadas por zi. Será colocada uma variável artificial em cada
restrição do modelo, ou seja:
8 x1 + 3 x2 + 4 x3 - f1 + z1 = 10
4 x1 + 3 x2 + f2 + z2 = 8
x1, x2, x3, f1, f2, z1, z2 ³ 0
Como pode-se perceber, o problema com as restrições acima não é o mesmo problema, a não
ser que todas as variáveis 𝑧𝑖 sejam iguais a zero.
Desta forma, podemos resolver o problema em duas fases: na primeira fase, substituímos a
função objectivo original por uma função objectivo auxiliar:
𝑧𝑎𝑢𝑥 = - z1 - z2 = 12 x1 + 6 x2 + 4 x3 - f1 + f2 – 18
Nesse momento, aplicamos o método Simplex de forma a maximizar a função objectivo

auxiliar, com as restrições contendo as variáveis auxiliares. A função objectivo auxiliar será
maximizada quando todas as variáveis𝑧𝑖 forem iguais a zero, já que não podem conter valores
negativos.
A primeira fase do problema, que consiste na maximização da função objectivo auxiliar,

fornecerá uma solução viável para o problema original. A segunda fase consiste em resolver o
problema original tomando como solução inicial os valores obtidos pela primeira fase para as
variáveis xie fi.
d) Solução inicial
Para resolver o problema, monta-se o quadro de forma semelhante à sistemática, colocando-
se a função objectivo artificial na última linha. O quadro do exemplo fica:
Base x1 x2 x3 f1 f2 z1 z2 b
z1 8 3 4 -1 0 1 0 10
z2 4 3 0 0 1 0 1 8
z' = -z 10 4 5 0 0 0 0 0
zaux -12 -6 -4 1 -1 0 0 -18
Obs. Como a função objectivo é de minimização, ele foi transformado em um problema de

maximização através da multiplicação de todos os coeficientes por (-1).
A seguir, aplica-se o método Simplex normalmente, usando como função objectivo a última
linha.
Quando a solução óptima for atingida, dois casos podem ocorrer:
zaux= 0: neste caso foi obtida uma solução básica do problema original e o processo de
solução deve continuar, desprezando-se as variáveis artificiais e os elementos da última linha.
É o início da segunda fase do processo.
zaux¹ 0: neste caso o problema original não tem solução viável, o que significa que as
restrições devem ser inconsistentes.
Fase 1 - Primeira iteração
Variável a entrar na base: x1 (coluna com maior valor negativo na última linha)
Variável a sair da base: z1 (o quociente 10/8 é o menor quociente entre a última coluna e a
coluna da variável x1, que vai entrar na base)
L1 ¬ L1 / 8
L2 ¬ L2 - 4 L1
L3 ¬ L3 - 10 L1
L4 ¬ L4 + 12 L1
x1 1 3/8 ½ -1/8 0 1/8 0 5/4
z2 0 3/2 -2 1/2 1 -1/2 1 3
z' = -z 0 1/4 0 5/4 0 -5/4 0 -12,5
zaux 0 -3/2 2 -1/2 -1 3/2 0 -3
Fase 1 - Segunda iteração
Variável a entrar na base: x2 (coluna com maior valor negativo na última linha)
Variável a sair da base: z2 (o quociente 3/(3/2) é o menor quociente entre a última coluna e a
L1 ¬ L1 - 3 L2 / 8
L3 ¬ L3 - L2 / 4
L4 ¬ L4 + 3 L2 / 2
x1 1 0 1 -1/4 -1/4 1/4 -1/4 ½
x2 0 1 -4/3 1/3 2/3 -1/3 2/3 2
z' = -z 0 0 1/3 7/6 -1/6 -7/6 1/6 -13
zaux 0 0 0 0 0 1 1 0
Como na última linha o valor da função objectivo artificial é zero, a primeira fase terminou e a
solução encontrada é a solução básica inicial para a segunda fase. Removendo a última linha e
as colunas referentes às variáveis artificiais, o quadro se torna:
Base x1 x2 x3 f1 f2 b
x1 1 0 1 -1/4 -1/4 ½
x2 0 1 -4/3 1/3 2/3 2
z' = -z 0 0 1/3 7/6 -1/6 -13
Fase 2 - Primeira iteração
Variável a entrar na base: f2 (coluna com maior valor negativo na última linha)
Variável a sair da base: x2 (o quociente 2/(2/3) é o menor quociente entre a última coluna e a
L2 ¬ 3 L2 / 2
L1 ¬ L1 + L2 / 4
L3 ¬ L3 + L2 / 6
Base x1 x2 x3 f1 f2 b
x1 1 3/8 ½ -1/8 0 5/4

x2 0 3/2 -2 1/2 1 3
z' = -z 0 ¼ 0 5/4 0 -12,5
Solução óptima encontrada
Como todos os valores da última linha (função z-transformada) são positivos ou nulos,
concluímos que a solução encontrada é óptima, ou seja:
x1 = 1,25
x2 = 0
z= -z' = 12,5
4.9 EXERCÍCIOS MODELADOS
Conhecendo o modelo matemático, faça a formulação do problema e resolva-o graficamente
1)Um alfaiate tem, disponíveis, os seguintes tecidos: 16 metros de algodão, 11 metros de seda e 15metros de lã.
Para um terno são necessários 2 metros de algodão, 1 metro de seda e 1 metro de lã. Para um
vestido, são necessários 1 metros de algodão, 2 metros de seda e 3 metros de lã. Se um terno é
vendido por $300,00 e um vestido por $500,00, quantas peças de cada tipo o alfaiate deve fazer, de modo a
maximizar o seu lucro? Encontre a solução óptima do problema, e interprete sua resposta.
Max.Z  300 x1  500 x2

 2 x1  x2  16

s.a :  x1  2 x2  11
 x  3x  15
 1 2
x1 , x2  0
2) Uma companhia de aluguer de caminhões possuía-os de dois tipos: o tipo A com 2 metros cúbicos de espaço
refrigerado e 4 metros cúbicos de espaço não refrigerado e o tipo B com 3 metros cúbicos refrigerados e 3 não
refrigerados. Uma fábrica precisou transportar 90 metros cúbicos de produto refrigerados e
120 metros cúbicos de produto não refrigerado. Quantos caminhões de cada tipo ela deve alugar,
de modo a minimizar o custo, se o aluguer do caminhão A era $0,30 por km e o do B, $0,40 por km. Elabore o
modelo de programação linear.
Min.Z  0,30 x1  0,40 x 2

 2 x  3x 2  90
s.a :  1
 4 x1  3x 2  120
x1 , x2  0
3) Uma confeitaria produz dois tipos de bolos de soverte: chocolate e creme. Cada lote de bolo de chocolate é
vendido com um lucro de 3 u.m. e os lotes de bolo de creme com um lucro de 1 u.m. .Contratos com várias lojas
impõem que sejam produzidos no mínimo 10 lotes de bolos de chocolate por dia e que o total de lotes fabricados
nunca seja menos que 20. O mercado só é capaz de consumir até 40 lotes de bolos de creme e 60 de
chocolate. As máquinas de preparação do sorvete disponibilizam 180 horas de operação, sendo que cada
lote de bolos de chocolate consome 2 horas de trabalho e cada lote de bolos de creme 3 horas.
Formule apenas o modelo do problema.
Max.Z  x1  3x 2
 x1  40
 x2  60

 x2  10
s.a : 
 x1  x 2  203
 x1  2 x 2  180


x1 , x2  0
4)A FashionThings Ltda. é uma pequena empresa fabricante de diversos tipos de acessórios femininos, entre eles
bolsas de modelos diferentes. A empresa foi convencida, pelo seu distribuidor, de que existe mercado tanto para
bolsas do modelo padrão (preço médio) quanto para as bolsas do modelo luxo (preço alto). A confiança do
distribuidor é tão acentuada que ele garante que ele irá comprar todas as bolsas que forem produzidas nos próximos
três meses. Uma análise detalhada dos requisitos de fabricação resultaram na especificação da tabela abaixo, a qual
apresenta o tempo despendido (em horas) para a realização das quatro operações que constituem o processo
produtivo, assim como o lucro estimado por tipo de bolsa:
Produto Corte e coloração Costura Acabamento Inspecção e Empacotamento Lucro por bolsa
Padrão 7/10 1/2 1 1/10 R$10,00De luxo 1 5/6 2/3 1/4 R$9,00Tempo disponível 630 600 700
135
Max.Z  10 x1  9 x 2
 7
 x1  x 2  603
 10
 1 x  5 x  600
2 1 6 2
s.a : 
 x1  2 x 2  700
 3
1 1
 x1  x 2  135
 10 4
x1 , x2  0
5) A indústria Luzilândia S/A iniciou suas operações em Janeiro de 2001 e já vem conquistando
espaço no mercado de laminados brasileiro, tendo contratos fechados de fornecimento para
todos os 3 tipos diferentes de lâminas de alumínio que fabrica: espessuras finas, média ou
grossa. Toda a produção da companhia é realizada em duas fábricas, uma localizada em São
Paulo e a outra no Rio de Janeiro. Segundo os contratos fechados, a empresa precisa entregar
16 toneladas de lâminas finas, 6 toneladas de lâminas médias e 28 toneladas de Lâminas
grossas. Devido à qualidade dos produtos da Luzilândia S/A., há uma demanda extra para cada
tipo de lâminas. A fábrica de São Paulo tem um custo de produção diária de R$ 100.000,00
para cada capacidade produtiva de 8 toneladas de lâminas finas, 1 tonelada de lâminas médias
e 2 tonelada de Lâminas grossas por dia. O custo de produção diário da fábrica do Rio de
Janeiro é de R$ 200.000,00 para cada produção de 2 toneladas de lâminas finas, 1 tonelada de
lâminas médias e 7 tonelada de Lâminas grossas por dia. Quantos diascada uma das fábricas
deverá operar para atender aos pedidos ao menor custo possível? Elabore o modelo.
Min.Z  100.000 x1  200.000 x 2

 8 x1  2 x 2  16

s.a :  x1  x 2  6
 x  7 x  28
 1 2
x1 , x2  0
6) Um vendedor de frutas pode transportar 800 caixas de frutas para sua região de vendas. Ele
já transporta 200 caixas de laranjas a 20 u.m. de lucro por caixa por mês. Ele necessita
transportar pelo menos 100 caixas de pêssegos a 10 u.m. de lucro por caixa, e no máximo 200
caixas de tangerinas a 30 u.m. de lucro por caixa. De que forma deverá ele carregar o
caminhão para obter lucro máximo?
Max.Z  10 x1  30 x 2  4000
 x1  x 2  600
  100
s.a :  x1
 x 2  200

x1 , x2  0
7) Uma rede de televisão local tem o seguinte problema: foi descoberto que o programa A com
20minutos de música e 1 minuto de propaganda chama a atenção de 30.000 telespectadores,
enquanto o programa B, com 10 minutos de música e 1 minuto de propaganda chama atenção
de 10.000 telespectadores. No decorrer de uma semana, o patrocinador insiste no uso de no
mínimo, 5 minutos para sua propaganda e que não há verba para mais de 80 minutos de
música. Quantas vezes por semana cada programa deve ser levado ao ar para obter o número
máximo de telespectadores? Elabore o modelo.
Max.Z  30000x1  10000x 2

 20 x1  10 x 2  80
s.a : 
 x1  x 2  5
x1 , x2  0
8) A empresa HaveFun S/A produz uma bebida energética muito consumida pelos
frequentadores de danceterias nocturnas. Dois dos componentes utilizados na preparação da
bebida são soluções compradas de laboratórios terceirizados – solução Red e solução Blue – e
que provêem os principais ingredientes ativos do energético: extracto de guaraná e cafeína. A
companhia quer saber quantas doses de 10 mil litros de cada solução deve incluir em cada lata
da bebida, para satisfazer às exigências mínimas padronizadas de 48 gramas de extracto de
guaraná e 12 gramas de cafeína e, ao mesmo tempo, minimizar o custo de produção. Por
acelerar o batimento cardíaco, a norma padrão também prescreve que a quantidade de
cafeína seja de, no máximo, 20 gramas por lata. Uma dose da solução Red contribui com 8
gramas de extracto de guaraná e 1 grama de cafeína, enquanto uma dose da solução Blue
contribui com 6 gramas de extracto de guaraná e 2 gramas de cafeína. Uma dose de solução
Red custa R$ 0,06 e uma dose de solução Blue custa R$ 0,08.
Min.Z  0,06 x1  0,08x 2

 8 x1  6 x 2  48

s.a :  x1  2 x 2  12
 x  2 x  20
 1 2
x1 , x2  0
9) Um fabricante de bombons tem estocado bombons de chocolate, sendo 130 kg com recheio
de cerejas e 170 kg com recheio de menta. Ele decide vender o estoque na forma de dois
pacotes sortidos diferentes. Um pacote contém uma mistura com metade do peso dos
bombons de cereja metade em menta e vende por R$ 20,00 por kg. O outro pacote contém
uma mistura de um terço de bombons de cereja e dois terços de menta e vende por R$12,50
por kg. O vendedor deveria preparar quantos quilos de cada mistura a fim de maximizar seu
lucro nas vendas?
Max.Z  20 x1  12,50 x 2
1 1
 x1  x 2  130
s.a :  2 3
 x  2 x  70
1

2
1 2
3
x1 , x2  0
10) Uma mulher tem R$ 10.000,00 para investir e seu corretor sugere investir em dois títulos,
A e B.O título A é bastante arriscado, com lucro anual de 10% e o título B é bastante seguro,
com um lucro anual de 7%. Depois de algumas considerações, ela resolvem investir no máximo
R$ 6.000,00no título A, no mínimo R$ 2.000,00 no título B. Como ela deverá investir seus R$
10.000,00 a fim de maximizar o rendimento anual?
Max.Z  0,10 x1  0,07 x 2

1210.000x1  x 2  16

s.a :  x1  x 2  6000
 x  x  2000
 1 2
x1 , x2  0
11) Uma pessoa precisa de 10, 12 e 12 unidades dos produtos químicos A, B e C,
respectivamente, para o seu jardim. Um produto contém 5, 2 e 1 unidade de A, B e C,
prospectivamente, por vidro; um produto em pó contém 1, 2 e 4 unidades de A, B e C
respectivamente por caixa. Se o produto líquido custa $3,00 por vidro e o produto em pó custa $2,00 por
caixa, quantos vidros e quantas caixas ele deve comprar para minimizar o custo e satisfazer as
necessidades?
Min.Z  3x1  2 x 2
 5 x1  x 2  102

s.a :  x1  2 x 2  12
 x  4 x  12
 1 2
x1 , x2  0
12) Certa empresa fabrica dois produtos P1 e P2. O lucro unitário do produto P1 é de 1000
unidades monetárias e o lucro unitário de P2 é de 1800 unidades monetárias. A empresa
precisa de 20 horas para fabricar uma unidade de P1 e de 30 horas para fabricar uma unidade
de P2. O tempo anual de produção disponível para isso é de 1200 horas. A demanda esperada
para cada produto é de 40unidades anuais para P1 e 30 unidades anuais para P2. Qual é o plano de produção
para que a empresa maximize seu lucro nesses itens? Construa o modelo de programação linear para esse caso.
Max.Z  1000x1  1800x 2

 20 x1  30 x 2  1200
  40
s.a :  x1
 x 2  30

x1 , x2  0
13) Um carpinteiro dispõe de 90, 80 e 50 metros de compensado, pinho e cedro,
respectivamente. O produto A requer 2, 1 e 1 metro de compensado, pinho e cedro,
respectivamente. O produto Brequer 1, 2 e 1 metros, respectivamente. Se A é vendido por $120,00 e B por
$100,00, quantos de cada produto ele deve fazer para obter um rendimento bruto máximo?
Elabore o modelo.
Max.Z  120 x1  100x 2

 2 x1  x 2  90

s.a :  x1  2 x 2  80
 x  x  50
 1 2
x1 , x2  0
14) A Esportes Radicais S/A produz pára-quedas e asa-delta em duas linhas de montagem.
A primeira linha de montagem tem 100 horas semanais disponíveis para a fabricação dos produtos, e a segunda linha
tem um limite de 42 horas semanais. Cada um dos produtos requer 10 horas de processamento na linha 1,
enquanto na linha 2 o pára-quedas requer 3 horas e a asa-delta requer 7 horas. Sabendo que o
mercado está disposto a comprar toda a produção da empresa e que o lucro pela venda de cada
pára-quedas é de R$60,00 e para cada asa-delta vendida é de R$40,00,encontre a programação de produção
que maximize o lucro da Esportes Radicais S/A. Elabore o modelo
Max.Z  60 x1  40 x 2
10 x  10 x 2  100
s.a :  1
 3x1  7 x 2  42
x1 , x2  0
15) No programa de produção para o próximo período, a empresa Beta Ltda., escolheu três
produtosP1, P2 e P3. O quadro abaixo mostra os montantes solicitados por unidade na
produção. Produto Contribuição (lucro por unidade) Horas de trabalho Horas de uso de
máquinas Demanda máximaP1 2.100 6 12 800 P2 1.200 4 6 600P3 600 6 2 600Os preços de venda foram
fixados por decisão política e as demandas foram estimadas tendo em vista esses preços. A firma pode obter um
suprimento de 4.800 horas de trabalho durante o período de processamento e pressupõe-se usar três
máquinas que podem prover 7.200 horas de trabalho. Estabelecer um programa óptimo de
produção para o período. Faça a modelagem desse problema.
Max.Z  2100x1  1200x 2  600x3

 6 x1  4 x 2  6 x3  4800
12 x  6 x  2 x  7200
 1 2 3
s.a :  x1  800

 x2  600
 x 3  600

x1 , x 2 , x3  0
16) Uma pequena metalúrgica deseja maximizar sua receita com a venda de dois tipos de finas fitas de aço que se
diferenciam em qualidade no acabamento de corte. As fitas são produzidas a partir do corte de bobinas de
grande largura. Existem duas máquinas em operação. Uma das máquinas é mais antiga
e permite o corte diário de 4000m de fita. A outra, mais nova, corta até 6000m. A venda das
chapas no mercado varia com a qualidade de cada uma. Fitas produzidas na máquina antiga
permitem um lucro de 3 u.m. por mil metros de produção. Fitas cortadas na máquina mais
moderna produzem um lucro de 5u.m por mil metros de produção. Cada mil metros de fita
cortada na máquina antiga consomem 3 homens x hora de mão-de-obra. Na máquina
moderna são gastos apenas 2 homens x hora. Diariamente são disponíveis 18 homens x hora
para a operação de ambas as máquinas. Determinar a produção que optimiza o lucro da
metalúrgica. Elabore o modelo.
Max.Z  3x1  5 x 2
 x1 4
 x  63
s.a :  2
 x  2 x  15
 1 2
x1 , x2  0
17) Um pequeno entregador pode transportar madeira ou frutas em seu carrinho de mão, mas
cobra 40 reais para cada fardo de madeira e 25 reais para cada saco de frutas. Os fardos pesam
1kg e ocupam 2dm3 de espaço. Os sacos de frutas pesam 3 kg e ocupam 2 dm3 de espaço. O
carrinho tem capacidade de transportar 12 kg e 35 dm3
e o entregador pode levar quantos sacos e quantos fardos desejar. Elabore o modelo para
maximizar o lucro do entregador.
Max.Z  40 x1  25 x 2
 x  3x 2  12
s.a :  1
 2 x1  2 x 2  35
x1 , x2  0
18) Uma companhia de investimento dispõe de R$ 150.000 para investir em acções e letras
imobiliárias. Sua política de aplicação consiste em: aplicar, no máximo, 50% do disponível em acções; aplicar, no
máximo, 65% do disponível em letras imobiliárias. Através de uma pesquisa de mercado, a
companhia verificou que deveria aplicar no máximo 40% do disponível, na diferença entre a quantidade aplicada
em acções e a quantidade aplicada em letras; e aplicar 10%, no máximo, do disponível na soma da sétima parte
aplicada em acções com a quarta parte aplicada em letras. As acções produzem uma rentabilidade de 5% ao mês e as
letras 4% ao mês. Qual é o investimento óptimo que maximiza o lucro da companhia. Formule o modelo do
problema
Max.Z  0,05 x1  0,04 x 2

 x1  75000
 2 x  97500
 2
s.a :  x1  x 2  60000

 1 x  1 x  15000
7
´1 2
4
x1 , x2  0
19) Uma pessoa tem até R$ 15.000,00 para investir e seu corretor sugere investir em dois
títulos, A e B.O título A é bastante arriscado, com lucro anual de 15% e o título B é bastante seguro, com um lucro
anual de 8,2%. Depois de algumas considerações, ela resolve investir no máximo R$ 6.500,00 no título A, no
mínimo R$ 2.500,00 no título B.. Como ela deverá investir seus R$ 15.000,00 a fim de
maximizar o rendimento anual? . Elabore o modelo.
Max.Z  0,15x1  0,082 x 2

 x1  x 2  15000

s.a :  x1  x 2  65000
 x  x  2500
 1 2
x1 , x2  0
20) A empresa de logística Deixa Comigo S/A tem duas frotas de caminhões para realizar transportes de cargas
para terceiros. A primeira frota é composta por caminhões médios e a segunda por caminhões
gigantes, ambas com condições especiais para transportar sementes e grãos prontos para o consumo, como arroz e
feijão. A primeira frota tem a capacidade de peso de 70.000 quilogramas e um limite de volume de 30.000 pés
cúbicos, enquanto a segunda pode transportar até 90.000 quilogramas e acomodar 40.000 pés cúbicos de
volume. O próximo contrato de transporte refere-se a uma entrega de até 100.000quilogramas
de sementes e 85.000 quilogramas de grãos, sendo que a Deixa Comigo S/A pode aceitar levar tudo ou somente
uma parte da carga, deixando o restante para outra transportadora entregar. O volume
ocupado pelas sementes é de 0,4 pé cúbico por quilograma, e o volume dos grãos é de 0,2 pé
cúbico por quilograma. Sabendo que o lucro para transportar as sementes é de R$0,12 por
quilograma e o lucro para transportar os grãos é de R$0,35 por quilograma. Faça a modelagem
do problema com objetivode encontrar a quantidade de quilogramas de sementes e a quantidade de
quilogramas de grãos a Deixa Comigo S/A deve transportar para minimizar o seu lucro. Elabore o
modelo.
Max.Z  0,12 x1  0,35x 2

 x1  x 2  160000
 4 x  0,2 x  70000
s.a : 
1 2
 x1  100000

 x 2  85000
x1 , x2  0
x1 → sementes transportadas (kg) →0,12
x2→ grãos transportados (kg) →0,35
Teremos uma restrição para a carga.
A quantidade de sementes + quantidade de grãos não pode ultrapassar 160.000 (Kg)
ou seja 70.000 +90.000
x1+ x2≤160.000
Temos uma restrição para o volume.
0,4x1+ 0,2x2≤70.000 (30.000 + 40.000)
Temos a restrição do transporte das sementes. Transporta até 100.000 kg de sementes:
x1 ≤ 100.000
Temos a restrição do transporte dos grãos. Transporta até 85.000 kg de sementes:
X2 ≤ 85.000
Modelo:
21) Um fabricante de fantasias tem em estoque 32 m de brim, 22 m de seda e 30 m de cetim e pretende fabricar
dois modelos de fantasias. O primeiro modelo (M1) consome 4m de brim, 2 m de seda e 2 m
de cetim. O segundo modelo (M2) consome 2 m de brim, 4 m de seda e 6 m de cetim. Se M1 é
vendido a6.000 u.m. e M2 a 10.000 u.m., quantas peças de cada tipo o fabricante deve fazer
para obter a receita máxima? Elabore o modelo.
Max.Z  300x1  500x 2

 4 x1  2 x 2  32

s.a :  2 x1  4 x 2  22
 2 x  6 x  30
 1 2
x1 , x2  0
22) Uma determinada confecção opera com dois produtos: calças e camisas. Como trata-se de produtos
semelhantes, possuem uma produtividade comparável e compartilham os mesmos recursos. A programação da
produção é realizada por lotes de produto. O departamento de produção informa que são
necessários 10 homens x hora para um lote de calças e 20 homens x hora para um lote de
camisas. Sabe-se que não é necessária mão-de-obra especializada para a produção de calças,
mas são necessários 10homens x hora desse tipo de mão-de-obra para produzir um lote de
camisas. O departamento de pessoal informa que a força máxima de trabalho disponível é de
30 homens x hora de operários especializados e de 50 homens x hora de não especializados Da
planta de produção, sabemos que existem apenas duas máquinas com capacidade de produzir os dois tipos de
produto, sendo que a máquina 1 pode produzir um lote de calças a cada 20 horas e um lote de camisas a cada 10
horas, não podendo ser utilizada por mais de 80 horas no período considerado. A máquina 2
pode produzir um lote de calças a cada 30 horas e um lote de camisas a cada 35 horas,
não podendo ser utilizada por mais de 130 horas no período considerado. São necessários dois
tipos de matéria-prima para produzir calças e camisas. Na produção de um lote de calças são
utilizados 12 quilos de matéria-prima A e 10 da B. Na produção de um lote de camisas são utilizados 8 quilos da
matéria-prima A e 15 da B.O almoxarifado informa que, por imposições de espaço, só pode fornecer
120 quilos de A e 100 quilos de B no período considerado. Sabendo-se que o lucro pela venda
é de 800 reais nos lotes de camisas e de 500reais nos lotes de calças. Formule o modelo .
Max.Z  800 x1  500 x 2

 20 x1  10 x 2  50
10 x  30
 1
 20 x1  10 x 2  80
s.a : 
 35 x1  30 x 2  130
 8 x1  12 x 2  120

15 x1  10 x 2  100
x1 , x2  0
23) Um fazendeiro está estudando a divisão de sua propriedade nas seguintes actividades produtivas: A
(Arrendamento) – Destinar certa quantidade de alqueires para a plantação de cana-de-açúcar,
a uma usina local, que se encarrega da actividade e paga aluguer da terra $ 300,00 por
alqueire por ano (Pecuária) – Usar outra parte para a criação de gado de corte. A recuperação
das pastagens requer adubação (100 kg/Alq) e irrigação (100.000 litros de água/Alq) por ano.
O lucro estimado nessa actividade é de $ 400,00 por alqueire no ano.S (Plantio de Soja) – Usar
uma terça parte para o plantio de soja. Essa cultura requer 200 kg por alqueire de adubos e
200.000 litros de água/Alq para irrigação por ano. O lucro estimado nessa actividade é de
$500,00 / Alqueire no ano. Disponibilidade de recursos por ano: 12.750.000 litros de água14.000 kg de
adubo100 alqueires de terra. Quantos alqueires deverão destinar a cada actividade para
proporcionar o melhor retorno? Construa o modelo.
Max.Z  300x1  400x 2  500x 3

 x1  x 2  x3  100
 100x 2  200x3  14000
s.a : 
 100000x  200000x  12750000
 2 3
x1 , x 2 , x3  0
24) Uma marcenaria deseja estabelecer uma programação diária de produção. Atualmente, a oficina faz apenas
dois produtos: mesa e armário, ambos de um só modelo. Para efeito de simplificação, vamos
considerar que a marcenaria tem limitações em somente dois recursos: madeira e mão-de-
obra, cujas disponibilidades diárias são mostradas na tabela a seguir. Recurso Disponibilidade Madeira 12m2
Mão-de-obra 8 H.h .O processo de produção é tal que, para fazer 1 mesa a fábrica gasta 2m2de madeira e 2
H.h de mão-de-obra. Para fazer um armário, a fábrica gasta 3m2 de madeira e 1 H.h de mão-
de-obra. Além disso, o fabricante sabe que cada mesa dá uma margem de contribuição para o
lucro de R$4,00 e cada armário, deR$1,00. O problema do fabricante é encontrar o programa
de produção que maximiza a margem de contribuição total para o lucro. Elabore o modelo.
Max.Z  4 x1  x 2
 2 x  3x 2  12
s.a :  1
 2 x1  x 2  8
25) Uma companhia fabrica dois produtos P1 e P2 que utilizam os mesmos recursos
produtivos: matéria prima, forja e polimento. Cada unidade de P1 exige 4 horas de forjaria, 2 h
de polimento e utiliza 100unidades de matéria-prima. Cada unidade de P2 requer 2 horas de
forjaria, 3 h de polimento e 200unidades de matéria-prima. O preço de venda de P1 é 1.900
u.m. e de P2, 2.100 u.m. Toda produção tem mercado garantido. As disponibilidades são de: 20 h de forja;
10 h de polimento e 500 unidades de matéria-prima, por dia. Elabore o modelo linear para o
problema.
4.10 Exercício resolvido
Uma refinaria produz três tipos de gasolina: verde, azul e comum. Cada tipo requer gasolina
pura, octana e aditivo que são disponíveis nas quantidades 9.600.000, 4.800.000 e 2.200.000
litros por semana, respectivamente. As especificações de cada tipo são: - um litro de gasolina
verde requer 0,22 litros de gasolina pura, 0,50 litros de gasolina octana e 0,28 litros de gasolina
aditivo; um litro de gasolina azul requer 0,52 litros de gasolina pura, 0,34 litros de gasolina
octana e 0,14 litros de gasolina aditivo; um litro de gasolina comum requer 0,74 litros de
gasolina pura, 0,20 litros de gasolina octana e 0,06 litros de gasolina aditivo. Como regra de
produção, baseada em demanda de mercado, o panejamento da refinaria estipulou que a
quantidade de gasolina comum deve ser no mínimo igual a 16 vezes a quantidade de gasolina
verde, e que a quantidade da gasolina azul seja no máximo igual a 600.000 litros por semana. A
empresa sabe que cada litro de gasolina verde, azul e comum dá uma margem de contribuição
para o lucro de $0,30, $0,25 e $0,20, respectivamente, e seu objectivo é determinar o
programa de produção que maximiza a margem total de contribuição para o Lucro. Construir o
modelo do problema.
FORMULAÇÃO DO PROBLEMA:
Variáveis de Decisão
Definição de variáveis: Como estamos trabalhando com a maximização do Lucro, o factor

principal neste caso é a quantidade, sendo assim para cada tipo de gasolina nomeamos uma
variável:
X1 – quantidade de gasolina verde a produzir (em litros);
X2 – quantidade de gasolina azul a produzir (em litros);
X3 – quantidade de gasolina comum a produzir (em litros);
Função Objectivo
Pretende-se determinar o programa de produção que maximiza a margem total de

contribuição para o lucro.
A função lucro nada mais é do que o lucro individual de cada tipo de gasolina vezes sua
quantidade:
Lucro = 0,30X1+ 0,25X2+ 0,20X3
Em conclusão, a Função objectivo é traduzida pela seguinte expressão:
Max Z=0,30X1+ 0,25X2+ 0,20X3
 Restrições
As restrições deste problema traduzem as disponibilidades de quantidades de gasolina em

litros por semana. Vejamos:
0,22X1 + 0,52X2 + 0,74X3 ≤ 9.600.000 ( em litros)
0,50X1 + 0,34X2 + 0,20X3 ≤ 4.800.000 ( em litros)
0,28X1 + 0,14X2 + 0,06X3 ≤ 2.200.000 ( em litros)
X3 ≥16X1 → 16X1 - X3≤ 0 ( em litros)
X2≤ 600.000 ( em litros)
X1 ≥ 0, X2 ≥ 0, X3 ≥ 0
Como estamos trabalhando com quantidade, as variáveis não podem assumir valores
negativos por isso dizemos que estes valores são maiores/iguais a zero (Principio de não
negatividade).
 Modelação Matemática
Maximizar Z = 0,30X1 + 0,25X2 + 0,20X3
Sujeito a: 0,22X1 + 0,52X2 + 0,74X3 ≤ 9.600.000 (em litros)
0,50X1 + 0,34X2 + 0,20X3 ≤ 4.800.000 (em litros)
0,28X1 + 0,14X2 + 0,06X3 ≤ 2.200.000
16X1 -X3 ≤ 0
X2≤ 600.000
X1 ≥ 0, X2 ≥ 0, X3 ≥ 0
 Formulação:
Com base nestas considerações, a formulação a que chegamos é a seguinte.
 X1 – quantidade de gasolina verde a produzir;

 X2 – quantidade de gasolina azul a produzir;
 X3 – quantidade de gasolina comum a produzir;
 Maximizar Z = 0,30X1 + 0,25X2 + 0,20X3
Sujeito a: 0,22X1 + 0,52X2 + 0,74X3 ≤ 9.600.000

0,50X1 + 0,34X2 + 0,20X3 ≤ 4.800.000
0,28X1 + 0,14X2 + 0,06X3 ≤ 2.200.000
16X1 -X3 ≤ 0
X2≤ 600.000
X1 ≥ 0, X2 ≥ 0, X3 ≥ 0
 X1 – quantidade de gasolina verde a produzir;

 X2 – quantidade de gasolina azul a produzir;
 X3 – quantidade de gasolina comum a produzir;
 Maximizar Z = 0,30X1 + 0,25X2 + 0,20X3
Sujeito a: 0,22X1 + 0,52X2 + 0,74X3 ≤ 9.600.000

0,50X1 + 0,34X2 + 0,20X3 ≤ 4.800.000
0,28X1 + 0,14X2 + 0,06X3 ≤ 2.200.000
16X1 -X3 = 0
X2≤ 600.000
X1 ≥ 0, X2 ≥ 0, X3 ≥ 0
Para resolver este problema graficamente, apenas podemos ter duas dimensões, ou seja, duas
variáveis.
Neste caso, existem 3 variáveis e 5 restrições, pelo que se optássemos por recorrer ao Dual
também não conseguiríamos apresentar uma resolução gráfica (teríamos, nesse caso, 5
variáveis e 3 restrições).
Repare-se, no entanto, que uma das restrições é uma restrição de igualdade. Ora, neste caso,
é possível transformar o nosso problema, reduzindo as três variáveis a duas:
16X1 - X3 =0 → X3=16X1
Sabendo que X3 pode ser calculado a partir das restantes variáveis, pode-se transformar o
problema numa formulação que considere apenas as duas variáveis X1 e X2. Vejamos então
como ficaria este problema transformado, considerando ZG a nova função objectivo adaptada
para resolução gráfica.
Função Objectivo
Maximizar ZG= 0,30X1 + 0,25X2 + 0,20X3
= 0,30X1 + 0,25X2 + 0,20 (16X1)
= 0,30X1 + 0,25X2 + 3,20X3
= 3,50X1 + 0,25X2
 Restrições
 0,22X1 + 0,52X2 + 0,74X3 ≤ 9.600.000 →12,06 X1 + 0,52X2≤ 9.600.000
 0,50X1 + 0,34X2 + 0,20X3 ≤ 4.800.000 → 3,70X1 + 0,34X2≤ 4.800.000
 0,28X1 + 0,14X2 + 0,06X3 ≤ 2.200.000 → 1,24X1 + 0,14X2≤ 2.200.000
 16X1 -X3 = 0 → Já não deve ser considerada
o X2≤ 600.000 → X2 ≤ 600.000
 X1 ≥ 0, X2 ≥ 0, X3 ≥ 0 → X1 ≥ 0, X2 ≥ 0
Nota: 16X1 - X3 = 0 é uma equação implícita nas restantes restrições e na função objectiva,
pelo que já não deve ser considerada.
Assim, a nova formulação (equivalente à primeira), que iremos utilizar na resolução gráfico, é:
 Maximizar Z = 3,50X1 + 0,25X2
Sujeito a: 12,06X1 + 0,52X2≤ 9.600.000

3,70X1 + 0,34X2≤ 4.800.000
1,24X1 + 0,14X2≤ 2.200.000
X2≤ 600.000
Rectas associadas a restrições:
R1: 12,06X1 + 0,52X2 = 9.600.000
Para X1=0, teremos: 0,52X2 = 9.600.000
X2 = 18.461.569
Para X2=0, teremos: 12,06X1= 9.600.000
X1= 796.020
R2: 3,70X1 + 0,34X2 = 9.600.000
Para X1=0, teremos: 0,34X2 = 4.800.000
X2 = 14.117.647
Para X2=0, teremos: 3,70X1= 4.800.000
X1= 1.297.297
R3: 1,24X1 + 0,14X2 =2.200.000
Para X1=0, teremos: 0,14X2 = 2.200.000
X2 = 15.714.286
Para X2=0, teremos: 1,24X1= 2.200.000
X1= 1.774.194
R4: X2 = 600.000
 A inclinação obtidas das rectas:
18.461.569
R1:−
796.020
14.117.647
R2:− 1.297.297
15.714.286
R3:− 1.774.194
Estes valores correspondem ao simétrico do quociente entre os coeficientes de X1 e X2.
O conjunto de pontos possíveis que esta recta verifica, corresponde a todo o espaço de
pontos a esquerda da recta e sobre ela, uma vez que traduz todas as combinações de X1 e X2
e que seja menores ou iguais aos termos independentes.
REPRESENTAÇÃO GRÁFICA DA FUNÇÃO OBJECTIVO

Para calcular a inclinação da função objectivo, procura-se a sua forma reduzida, ou seja,
transformar a equação por formas a encontrar a expressão da ordenada que é função da
abcissa.
Max ZG = 3,50X1 + 0,25X2
Z - 3,50X1 - 0,25X2 = 0
28
X2 =− 2 1
𝑋 + 4𝑍 → F.O. reduzida
28
Para Z =0 tem-se que X2=− 2 1
𝑋 → X2=−14𝑋1
Atribuindo valores a X1, encontramos os valores de X2 que correspondem a pontos dessa recta.
Para X1= 0 → X1=0
Para X1= 1→ X2=−14
 Ponto Óptimo
ZG* (X1; X2) ↔ R1∩ R4:
12,06X1 + 0,52X2 = 9.600.000 12,06 X1 = 9.600.000 - 0,52(600.000)
X2= 600.000 X2= 600.000
X1 = 770.149,25 litros
X2 = 600.000 litros
 Valor Óptimo
ZG* = 3,50X1 + 0,25X2
=3,50(770.149,25) + 0,25(600.000)
= 2.845.522,38 $
Deve-se lembrar que não se perdeu informação relativamente a quantidade de gasolina

comum ( em litros) a ser produzida, que pode ser agora recuperada.
16X1 - X3 = 0 → X3= 16X1 → X3=16 (770.149,25) → X3= 12.322.388 litros
Utilizando a Função Objectivo inicial, vamos obter o mesmo resultado:
Z* = 0,30X1 + 0,25X2 + 0,20X3
Z* = 0,30 (770.149,25) + 0,25 (600.000) + 0,20 (12.322.388)

Z* = 231.044,78 + 150.000 + 2.464.477,60
Z* = 2.845.522.38$
R: O Lucro total do programa de produção (gasolina: verde, azul e comum) é de 2.845.522$,

em que 231.044,78$ correspondem a gasolina verde, 150.000$ correspondem a gasolina azul e
2.464.477,60 correspondem a gasolina comum.
METODO SIMPLEX
Formulação do problema:
Uma refinaria produz três tipos de gasolina: verde, azul e comum. Cada tipo requer gasolina
pura, octana e aditivo que são disponíveis nas quantidades 9.600.000, 4.800.000 e 2.200.000
litros por semana, respectivamente. As especificações de cada tipo são:
* Um litro de gasolina verde requer 0,22 litros de gasolina pura, 0,50 litros de gasolina octana
e 0,28 litros de gasolina aditivo;
* Um litro de gasolina azul requer 0,52 litros de gasolina pura, 0,34 litros de gasolina octana
e0, 14 litros de gasolina aditivo;
* Um litro de gasolina comum requer 0,74 litros de gasolina pura, 0,20 litros de gasolina
octana e 0,06 litros de gasolina aditivo;
Como regra de produção, com base de demanda de mercado, o planejamento da refinaria

estipulou que a quantidade de gasolina comum deve ser no mínimo igual a 16 vezes a
quantidade de gasolina verde, e que a quantidade da gasolina azul seja no máximo igual a
600.000 litros por semana.
A empresa sabe que cada litro de gasolina verde, azul e comum dá uma margem de
contribuição para o lucro de R$0,30, R$0,25 e R$0,20, respectivamente, e seu objectivo é
determinar o programa de produção que maximiza a margem total de contribuição para o
Lucro.
Definição de variáveis: Como estamos trabalhando com a maximização do Lucro, o factor

principal neste caso é a quantidade, sendo assim para cada tipo de gasolina nomeamos uma
variável:
* X1 – quantidade de gasolina verde a produzir;
* X2 – quantidade de gasolina azul a produzir;
* X3 – quantidade de gasolina comum a produzir;

Função Objectivo:
A função objectivo é a função do Lucro que temos que maximizar:
Lucro = 0,30X1+ 0,25X2+ 0,20X3

A função lucro nada mais é do que o lucro individual de cada tipo de gasolina vezes sua
quantidade.
Restrições:
As restrições são dados que condicionam os resultados:
0,22X1 + 0,52X2 + 0,74X3 ≤ 9.600.000 ( em litros)
0,50X1 + 0,34X2 + 0,20X3 ≤ 4.800.000
0,28X1 + 0,14X2 + 0,06X3 ≤ 2.200.000
16X1 -X3 ≤ 0
X2≤ 600.000
X1 ≥ 0, X2 ≥ 0, X1 ≥ 0
Como estamos trabalhando com quantidade, as variáveis não podem assumir valores
negativos por isso dissemos que estes valores são maiores/iguais a zero.
Forma Padrão Simplex:
Como definimos as fórmulas do problema, definimos as variáveis e a função objectiva, agora

vamos resolver o problema para encontrarmos os valores óptimos para as variáveis através do
Método Simplex.
Maximizar Z = 0,30X1 + 0,25X2 + 0,20X3
Sujeito a: 0,22X1 + 0,52X2 + 0,74X3 ≤ 9.600.000
0,50X1 + 0,34X2 + 0,20X3 ≤ 4.800.000
0,28X1 + 0,14X2 + 0,06X3 ≤ 2.200.000
16X1 -X3 ≤ 0
X2≤ 600.000
X1 ≥ 0, X2 ≥ 0, X1 ≥ 0
Adicionando variáveis de folga para representar o desperdício associado ao recurso modelado

pela restrições em causa, tendo se verificado a condição: ∑ aijbij≤ bi
Maximizar Z = 0,30X1 + 0,25X2 + 0,20X3 +0 X4+0X5+0X6+0X 7+0X8
Sujeito a: 0,22X1 + 0,52X2 + 0,74X3+X4 ≤ 9.600.000
0,50X1 + 0,34X2 + 0,20X3 +X5 ≤ 4.800.000

0,28X1 + 0,14X2 + 0,06X3 +X6 ≤ 2.200.000
16X1 -X3+X 7 ≤ 0
X2 +X8 ≤ 600.000
X1 , X2 , X3, X4,X5,X6,X 7,X8 ≥ 0
Passando para forma normal matricial teremos:
X=[ X1 X2 X3 X4 X5 X6 X7 X8 ]T C=[0,30 0,25 0,20 0 0 0 0 0 ]T
0,22 0,52 0,74 1 0 0 0 0 9.600.000 X4

0,50 0,34 0,200 1 0 0 0 4.800.000 X5
𝐴= 0,28 0,14 0,060 0 1 0 0 𝐵 = 2.200.000 𝑋0 = X 6
160 100 0 1 0 0 X7
[ 0 1 0 0 0 0 0 1 ] [ 600.000 ] [ X8 ]
0,22 0,52 0,74 1 0 0 0 0

0,50 0,34 0,200 1 0 0
Ct+Ct0A=-[0,30 0,25 0,20 0 0 0 0 0 ] +[0 0 0 0 0 ] 0,28 0,14 0,060 0 1 0 0
160 100 0 1 0
[ 0 1 0 0 0 0 0 1 ]
= [-0,30 -0,25 -0,20 0 0 0 0 0 ]
9.600.000
4.800.000
Ct0B= [0 0 0 0 0 ] 2.200.000 = 0
0
[ 600,000 ]
Quadro Simplex
Quadro 1 ( Quadro Inicial Completo)
X1 X2 X3 X4 X5 X6 X7 X8
X4 0,22 0,52 0,74 1 0 0 0 0 9600000
X5 0,50 0,34 0,20 0 1 0 0 0 4800000

X6 0,28 0,14 0,06 0 0 1 0 0 2200000
X7 16 0 -1 0 0 0 1 0 0
X8 0 1 0 0 0 0 0 1 600000
-0,30 -0,25 -0,20 0 0 0 0 0 0
Resolvendo o exercício em análise, teremos:
Primeiro passo:
Coluna de Trabalho
X1 X2 X3 X4 X5 X6 X7 X8
X4 0,22 0,52 0,74 1 0 0 0 0 9600000
X5 0,50 0,34 0,20 0 1 0 0 0 4800000
X6 0,28 0,14 0,06 0 0 1 0 0 2200000
X7 16 0 -1 0 0 0 1 0 0
X8 0 1 0 0 0 0 0 1 600000
-0,30 -0,25 -0,20 0 0 0 0 0 0
O nº mais negativo
Segundo Passo:
Coluna de Trabalho
X1 X2 X3 X4 X5 X6 X7 X8
X4 0,22 0,52 0,74 1 0 0 0 0 9600000
X5 0,50 0,34 0,20 0 1 0 0 0 4800000
X6 0,28 0,14 0,06 0 0 1 0 0 2200000
X7 16 0 -1 0 0 0 1 0 0
X8 0 1 0 0 0 0 0 1 600000
-0,30 -0,25 -0,20 0 0 0 0 0 0
43636364
9600000
7857143
0
Pivô
Terceiro Passo:
X1 X2 X3 X4 X5 X6 X7 X8 Neste passo
X4 0,22 0,52 0,74 1 0 0 0 0 9600000
X5 0,5 0,34 0,2 0 1 0 0 0 4800000 multiplicamos os
X6 0,28 0,14 0,06 0 0 1 0 0 2200000 elementos da linha
X7 1 0 -0,0625 0 0 0 0,0625 0 0 pivô pelo seu
X8 0 1 0 0 0 0 0 1 600000 inverso. O inverso
-0,3 -0,25 -0,2 0 0 0 0 0 0 de 16 é 1/16.
X1 X2 X3 X4 X5 X6 X7 X8
X4 0 0,52 0,75375 1 0 0 -0,01375 0 9600000
X5 0 0,34 0,23125 0 1 0 -0,03125 0 4800000
X6 0 0,14 0,0775 0 0 1 -0,0175 0 2200000
X7 1 0 -0,0625 0 0 0 0,0625 0 0
X8 0 1 0 0 0 0 0 1 600000
0 -0,25 -0,21875 0 0 0 0,01875 0 0
Neste quadro reduzimos a zero todos os

outros elementos da coluna de trabalho:
L2=L2- 0,22L5
L3=L3- 0,50L5
Quarto Passo:
L4=L4- 0,24L5
L7=L7+ 0,30L5
X1 X2 X3 X4 X5 X6 X7 X8
X4 0 0,52 0,75375 1 0 0 -0,01375 0 9600000
X5 0 0,34 0,23125 0 1 0 -0,03125 0 4800000
X6 0 0,14 0,0775 0 0 1 -0,0175 0 2200000
X1 1 0 -0,0625 0 0 0 0,0625 0 0
X8 0 1 0 0 0 0 0 1 600000
0 -0,25 -0,21875 0 0 0 0,01875 0 0
Substituímos a variável X7
existente na linha pivô pela
variável X1 da coluna pivô.
Quinto Passo:
 Repetição dos passos de 1 a 4 por existência de números negativos na última
linha:
Primeiro passo e Segundo Passo:
Coluna de Trabalho
X1 X2 X3 X4 X5 X6 X7 X8
X4 0 0,52 0,75375 1 0 0 -0,01375 0 9600000
X5 0 0,34 0,23125 0 1 0 -0,03125 0 4800000
X6 0 0,14 0,0775 0 0 1 -0,0175 0 2200000
X1 1 0 -0,0625 0 0 0 0,0625 0 0
X8 0 1 0 0 0 0 0 1 600000
0 -0,25 -0,21875 0 0 0 0,01875 0 0
Pivô
O nº mais negativo
Terceiro Passo e Quarto Passo:
X1 X2 X3 X4 X5 X6 X7 X8
X4 0 0 0,75375 1 0 0 -0,01375 -0,52 9288000
X5 0 0 0,23125 0 1 0 -0,03125 -0,34 4596000
X6 0 0 0,0775 0 0 1 -0,0175 -0,14 2200000
X1 1 0 -0,0625 0 0 0 0,0625 0 0
X2 0 1 0 0 0 0 0 1 600000
0 0 -0,21875 0 0 0 0,01875 0,25 150000
Quarto Passo: Terceiro Passo:

Neste quadro reduzimos a zero todos os outros elementos da
Substituimos a variável coluna de trabalho:
X6 existente na linha L2=L2- 0,52L6
pivô pela variável X2 L3=L3- 0,34L6
da coluna pivô. L4=L4- 0,24L6
L7=L7+ 0,25L6
Repetição dos passos de 1 a 4 por existência de números negativos na última linha

Primeiro passo e Segundo Passo:
Pivô Coluna de Trabalho

X1 X2 X3 X4 X5 X6 X7 X8
X4 0 0 0,75375 1 0 0 -0,01375 -0,52 9288000
X5 0 0 0,23125 0 1 0 -0,03125 -0,34 4596000
X6 0 0 0,0775 0 0 1 -0,0175 -0,14 2200000
X1 1 0 -0,0625 0 0 0 0,0625 0 0
X8 0 1 0 0 0 0 0 1 600000
0 0 -0,21875 0 0 0 0,01875 0,25 150000
O nº mais negativo
Terceiro Passo e Quarto Passo:
X1 X2 X3 X4 X5 X6 X7 X8
X3 0 0 1 1,3267 0 0 -0,01824 -0,68988 12322388
X5 0 0 0 -0,3068 1 0 -0,02703 -0,18046 1746448
X6 0 0 0 -0,10282 0 1 -0,01609 -0,08653 1245015
X1 1 0 0 0,082919 0 0 0,06136 -0,04312 770149,3
X2 0 1 0 0 0 0 0 1 600000
0 0 0 0,290216 0 0 0,01476 0,099088 2845522


 Terceiro Passo:
Quarto Passo:
 Neste quadro reduzimos a zero todos os outros elementos da
Substituimos avariável coluna de trabalho:
X4 existente nalinha L3=L2- 0,21L2
 X3
pivô pela variável L4=L3- 0,08L6
da coluna pivô. L5=L5- 0,06L6
 L7=L7+ 0,21875L6

Sexto Passo:
X1 X2 X3 X4 X5 X6 X7 X8
X3 0 0 1 1,3267 0 0 -0,01824 -0,68988 12322388
X5 0 0 0 -0,3068 1 0 -0,02703 -0,18046 1746448
X6 0 0 0 -0,10282 0 1 -0,01609 -0,08653 1245015
X1 1 0 0 0,082919 0 0 0,06136 -0,04312 770149,3
X2 0 1 0 0 0 0 0 1 600000
0 0 0 0,290216 0 0 0,01476 0,099088 2845522
X1=770149,3 Litros
X2= 600000 Litros
X3=12322388Litros
X5=1746448 Litros
X6=1245015 Litros
Z =2.845.522$
O Lucro total do programa de produção (gasolina: verde, azul e comum) é de
2.845.522$.
RESOLUÇÃO PELO SOLVER
X1 X2 X3 Total Sinal b
Restrição 1 0,22 0,52 0,74 9600000 ≤ 9600000
Restrição 2 0,5 0,34 0,2 3053552,239 ≤ 4800000
Restrição 3 0,28 0,14 0,06 1038985,075 ≤ 2200000
Restrição 4 -16 0 1 0 ≥ 0
Restrição 5 0 1 0 600000 ≤ 600000
Lucro 0,3 0,25 0,2 2845522,388
Solução 770149,3 600000 12322388
O Lucro total do programa de produção (gasolina: verde, azul e comum) é de

2.845.522$.
4.11 EXERCÍCIOS PROPOSTOS
1.Considere o seguinte programa linear:
min Z  x1  3x2  x4  2 x5
s.a. : x1  x4  x5  3
 x1  x2  x4  3
5 x1  x3  2 x4  16
x1 , x2 , x3 , x4 , x5  0
Verifique que as colunas associadas às variáveis x1 , x2 e x3 constituem uma base do sistema

de restrições e classifique a correspondente solução básica quanto à admissibilidade.
Justifique se a solução encontrada em a) é a solução óptima.
2.Considere o seguinte problema, formulado em p.l. como:
min Z  2 x1  3x2  4 x3
s.a. : x1  5 x2  3x3  15
x1  x2  x3  5
5 x1  6 x2  4 x3  10
x1 , x2 , x3  0
a) Escreva-o na sua forma canónica e determine a solução básica admissível associada às
variáveis de folga.
b) Mostre que a solução encontrada em a) não é a óptima e indique justificando quais as
variáveis básicas na próxima iteração.
c) Escreva e resolva as equações que levam à obtenção de uma nova S.B.A.
3. Uma fábrica de tintas produz dois tipos de produto: 1 tinta para interiores e uma tinta para
exteriores. Para isso recorre a dois tipos de matéria prima, A e B, das quais possuí,
respectivamente, 6 e 9 toneladas, em stock, stock esse que não pode ser reforçado . Para
produzir uma tonelada de tinta interior são necessárias 1 tonelada de A e 2 toneladas de B. No
caso da tinta exterior, para produzir uma tonelada são necessárias 1 tonelada de A e duas
toneladas de B. Um estudo de mercado indica que a procura de tinta interior não excede em
mais de 1 tonelada de tinta exterior. O preço de venda da tinta interior é de 30$00 por Kg e o
da tinta exterior de 45$00 por kg.
Formule o problema.
Encontre a sua solução óptima, recorrendo ao método do simplex.
4. Considere o seguinte problema de p.l.

max Z  20 x1  12 x2
s.a. : x1  4
x2  5
3x1  x2  16
x1 , x2  0
Determine a sua solução ótima recorrendo à forma matricial do simplex.
5. É possível produzir um determinado tipo de óleo misturando 2 outros tipos disponíveis: A e

B. O óleo a obter tem de obedecer a vários requisitos: possuir um grau de viscosidade não
superior a 60 e um teor de Enxofre que não exceda os 40%.
Os óleos A e B têm as seguintes características e preços:
Óleo A Óleo B
Viscosidade 40 40
(º Baumé)
Teor em Enxofre 30 52
Preço 30 20
(u.m/l)
Pretende-se determinar quais as quantidades de A e de B a misturar para produzir 100 l do

novo óleo, de forma a minimizar os custos com a matéria-prima.
Formule o problema.
Determine graficamente a sua solução óptima.
6.Um fabricante de papel produz três tipos de papel: pesado (P) com um lucro de 6 u.m./ton,
médio (M) com um lucro de 4 u.m/ton e fino (F) com um lucro de 5 u.m./ ton.
Considera-se que para produzir uma tonelada de P são necessários 2 ton de pasta e 2 unidades
de energia eléctrica, para M os valores são 1 e 2 e para F 1 e 5.
O fabricante dispõe de 30 ton de pasta e 40 unidades de energia eléctrica.
Formule o problema
Determine a sua solução óptima.
7.Uma empresa possui uma fábrica de objectos de plástico. Dois dos tipos de matéria prima de
que necessita, designemo-los por A e B, são produzidos internamente, numa linha de
produção parcialmente autónoma, com custo de 16$00/kg e de 24$00/kg, respectivamente.
A produção de A e B destina-se, em primeiro lugar, para satisfazer as necessidades da fábrica

(que requer diariamente 4 toneladas de A e 10 toneladas de B) sendo um eventual excesso de
produção vendido no mercado.
Sabe-se que são necessários 2 trabalhadores para obter uma tonelada de matéria primas A,
enquanto para obter uma tonelada de matéria-prima B é necessário somente 1.
A empresa não pode destacar mais de 30 dos seus trabalhadores para a linha de produção
a) Formule o problema em programação linear e resolva-o graficamente. Caracterize a

solução obtida, referindo se esta é, ou não única e quais restrições activa.
b) Construa o problema dual que lhe está associado e, recorrendo à complementaridade,

determine a sua solução óptima.
c) Uma equipa de consultores de Engenharia propõe à empresa a implementação uma
nova tecnologia que permite reduzir as necessidades de mão de obra da linha de
produção. Indique, justificando, qual deverá ser a resposta da empresa a esta
proposta. (Caso tenha resolvido o problema alternativo, discuta uma eventual
vantagem no aumento do valor de b2)
8.Considere o seguinte programa linear:
max Z  80 x1  60 x2
s.a. : 5 x1  3x2  30
2 x1  3x2  24
x1  3x2  18
x1 , x2  0
a) Obtenha o quadro do simplex no qual se tem como variáveis básicas as variáveis
x1 , y 2 , y3 e prossiga com a aplicação do método até chegar ao valor óptimo do

problema.
b) Discuta as implicações das alterações que a seguir se descrevem na resposta
apresentada em a).
bi) O vector dos termos independentes das restrições passa a ser dado por
30 22 18
T
9. Dado o programa linear:
min Z  2 x1  3x2
s.a. : x1  2 x2  1
x1  x2  2
x1 , x2  0
a) Escreva e resolva o problema auxiliar conducente à obtenção de uma solução

básica admissível.
b) Determine o valor da função objectivo Z para a solução obtida em a) e verifique se
é ou não possível melhorá-lo.
10. Uma fábrica de refrigerantes produz dois tipos de refrescos, A e B. De forma a optimizar o
seu esquema de produção foi construído o seguinte modelo de programação linear:
max Z  1.5 x1  1x2

s.a.20 x1  40 x2  40
45x1  30 x2  60
x1 , x2  0
onde x1 e x2 representam as quantidades (em hectolitros) a produzir de cada um dos
refrigerantes e 40 e 60 representam as disponibilidades das matérias primas destinadas à

produção (em toneladas). Os preços de venda dos refrigerantes são 1.5 e 1 u.m.,
respectivamente.
a) Resolva graficamente o problema indicado.
b) Apresente o seu dual e calcule a respectiva solução óptima.
c) Interprete, em termos económicos, o significado a atribuir aos resultados de a) e b)
11.Considere o seguinte problema, formulado em programação linear, como:
maxZ  x1  x2  x3
s.a. : x1  x3  1
2 x1  x2  x3  8
x1  x2  x3  2
x1 , x2 , x3  0
a) Verifique que as colunas associadas às variáveis x3 , y2 e y3 constituem uma base do
sistema das restrições, quando reduzido à sua forma canónica e encontre a

correspondente solução básica. Justifique que não é óptima para o problema.
b) Construa o quadro do simplexassociado à solução básica encontrada em a) e prossiga
com o método até encontrar a solução óptima.
c) Indique o intervalo de variação para𝑏1 na qual a base mantém admissível.
d) Admita que o valor de𝑐1 é alterado para 4 (se resolveu o problema alternativo considere
𝑐1 = 45) determine a solução óptima do problema modificado.
e) Admita que é introduzida uma nova restrição ao problema, a saber:
𝑥3 ≤ 2
Ou 𝑥2 + 𝑥3 ≤ 30
Para caso de problema alternativo.
Estude as sequências da introdução da referida restrição no plano óptimo determinado.
12. Considere um programa linear de máximo, onde todas as restrições são de tipo ≤. As
variáveis de decisão foram designadas por𝑥1 𝑒 𝑥2 e as variáveis auxiliares por
𝑦1 , 𝑦2 𝑒 𝑦3 .
Após a aplicação do método de simplex chegou-se ao quadro óptimo:
𝒙𝟏 𝒙𝟐 𝒚𝟏 𝒚𝟐 𝒚𝟑
Z 5 0 0 ¼ ¼ 0
𝒙𝟏 3/2 1 0 -1/8 3/8 0
𝒙𝟐 2 0 1 ½ -1/2 0
𝒚𝟑 4 0 0 1 -2 1
Formule matematicamente o problema em causa.
13.Considere a seguinte instância de um problema P, formulado em programação linear como:
(P) : min z   x1  2 x2  3x3

s.a. 3x1  2 x3  5
 x1  x2  x3  7
 x1  x2  x3  2
x1  0, x2 , x3  0
a) Recorrendo à primeira fase do método das duas fases determine uma solução básica
admissível e o seu valor para o problema P
b) Classifique a solução encontrada em a) quanto à optimização. Caso a solução não seja
ainda a óptima, escreva e resolva as equações conducentes à obtenção da próxima
solução.
14.Considere o seguinte problema de programação linear:
max z  600x1  1000x2

s.a. 1x1  1.8 x2  64
0.5 x1  0.6 x2  24
x1 , x2  0
Por aplicação do método do Simplex ao problema assim formulado, chegou-se ao quadro final:
x1 x2 y1 y2
Z 108 800/3 0 0 1400/3 800/3
x1 16 1 0 -2 6
x2 80/3 0 1 5/3 -10/3
a) Descreva a solução obtida, indicando quais as restrições activas.

b) Confirme graficamente os resultados indicados no quadro.
c) Realize uma análise de sensibilidade aos segundos termos das restrições e aos coeficientes
da função objectivo.
d) Escreva o dual problema e, recorrendo à complementaridade, encontre a sua solução
óptima.
e) Suponha que é introduzida uma restrição adicional ao problema
x2  15
Quais as alterações que a introdução de uma tal restrição trará ao quadro óptimo?
15. Considere o seguinte problema formulado em Programação Linear, como:
(P) Min Z   x1  3x 2  x3
s.a : 2 x1  x 2  x3  18
x1  x 2  3x3  36
 x1  3x 2  x3  24
x1 , x 2 , x3  0
a) Determine a solução básica associada às variáveis y1 , y2 e x2 . Justifique que a
solução encontrada é uma solução básica admissível para o problema. ( y i denota a
variável auxiliar associada à restrição i)

b) Mostre que a solução encontrada na alínea a) não verifica o critério da optimalidade.
c) Construa o quadro do simplex correspondente à solução encontrada em a).
d) Prossiga com a aplicação do método até encontrar a solução óptima de P.
16. Considere o seguinte problema:
Numa pequena oficina produzem-se dois tipos de peças: A e B. Para tal, o artesão dispõe de
uma única máquina que pode utilizar até 8h por dia. Para produzir uma peça A o artesão
necessita de utilizar a máquina durante uma hora, enquanto que para produzir uma peça
de B o artesão ocupa a máquina durante duas horas.
Recentemente o artesão recebeu a visita de uma equipa de consultores da região de
turismo que definiu que:
 As peças tipo A serão vendidas por 5 u. m. e as tipo B por 10 u.m.,

respectivamente
 A produção de peças tipo A deve ser pelo menos dupla da produção de peças tipo
B.
 A máquina não deve ser ocupada em mais do que 50% do seu tempo disponível
com cada um dos dois tipos de peça a produzir.
a) Determine o esquema de produção que permite maximizar o valor das receitas.
b) Recorrendo a um processo gráfico, determine a sua solução óptima.
c) Construa directamente o quadro óptimo do Simplex.
17. Considere o seguinte programa linear:
min Z  x1  3x 2  2 x3
s.a. : 2 x1  3x 2  7
5 x1  3x 2  2 x3  8
5 x1  2 x 2  x3  7
x1 , x 2 , x3  0
a)Verifique que as colunas associadas às variáveis y1, y2 e x1 constituem uma base do
sistema das restrições e classifique a correspondente solução básica quanto à admissibilidade)

Construa o quadro do simplexrespeitante à solução básica encontrada em a) e discuta a sua
optimalidade. Caso a solução encontrada não seja ainda a óptima, continue com o método até
à optimalidade.
18. Considere o problema em P.L..
( P) min z  x1  3x 2
s.a. x1  x 2  2
x1 4
x1  x 2  5
x2  6
x1 , x 2  0
a) Represente graficamente o conjunto das soluções admissíveis de P. Identifique as

soluções básicas admissíveis.
b) Indique qual a solução óptima de P e identifique as restrições activas. Determine o
valor associado às variáveis de folga de cada uma das restrições.
c) Construa o dual de (P) e, recorrendo à complementaridade, determine a sua solução
óptima.
19. Numa fábrica podem produzir-se 4 tipos de solventes diferentes. Tendo em vista a
maximização dos lucros, pretende definir-se qual a quantidade de cada um dos produtos xi
(i=1,2,3,4) que se deve produzir mensalmente. Sabe-se que o lucro unitário associado a cada
um dos produtos é de 300, 725, 200 e 450 u.m./Kl, respectivamente.
A quantidade a produzir de cada um destes produtos é limitada por restrições ao consumo de

matéria-prima, à disponibilidade de mão-de-obra e ao espaço de armazenagem destinado ao
produto acabado. Na tabela seguinte apresentam-se as necessidades em cada uma das linhas
de produção, bem como a disponibilidade mensal de cada um dos recursos mencionados:
Produto 1 Produto 2 Produto 3 Produto 4 Disponibilidade
1 3 1 2 60
Matéria-Prima
(Kg/mês)
2 8 2 3 140
Mão-de-obra
(horas homem/mês)
3 5 6 3 100
Espaço de
armazenagem
(m3/mês)
Com base em todas estas informações foi possível formular o problema em termos de
Programação Linear na seguinte forma:
max Z  300x1  725x2  200 x3  450x4

s.a. : x1  3x2  x3  2 x4  60
2 x1  8 x2  2 x3  3x4  140
3x1  5 x2  6 x3  3x4  100
x1 , x2 , x3 , x4  0
Aplicando o método do simplex ao problema obtém-se o seguinte quadro óptimo ( y i

denota a variável de folga associada à restrição i):
x1 x2 x3 x4 y1 y2 y3
14350 0 0 242.5 0 142.5 367.5 47.5

Z
x4 8 0 0 -3/5 1 7/5 2/5 -1/5
x2 14 0 1 -3/10 0 -3/10 3/10 -1/10
x1 2 1 0 31/10 0 -9/10 -1/10 7/10

a) Descreva a solução obtida, indicando o que se produz e em que quantidades. Refira
também o consumo de recursos e indique se há, ou não, vantagem em aumentar a
disponibilidade de algum dos recursos necessários à produção dos solventes.
b) Considere que o lucro unitário do solvente 3 passa para 400 u.m. Averigúe se a solução
óptima se mantém.
c) Imagine, agora, que se estuda a hipótese de passar a produzir um quinto tipo de
solvente. Este novo solvente seria vendido por 250 u.m/kl, sendo as suas necessidades
em matéria-prima, mão-de-obra e espaço de armazenagem de 2, 3 e 5,
respectivamente. Deverá a empresa rever o seu esquema de produção de forma a
passar a produzir este novo tipo de solvente?
20. Uma empresa de refrigerantes está a estudar a possibilidade de passar a produzir dois
novos produtos, cujos preços de venda são 2 e 1 u.m./l, respectivamente. Na produção destes
novos produtos são utilizadas três matérias-primas distintas, a saber: A, B e C.
Por litro de refrigerante 1 produzido são consumidas 3 unidades da matéria-prima A e 1 da

matéria-prima B. Por sua vez, por litro de refrigerante 2 produzido são consumidos 1 unidade
de matéria-prima A, 2 unidades de matéria-prima B e 1 unidade da matéria-prima C. A
empresa tem assegurado um fornecimento de 70 unidades da matéria-prima A, 60 unidades
da matéria-prima B e 25 unidades da matéria-prima C, e pretende planear a produção,
maximizando o valor das vendas sem exceder as disponibilidades.
a) Formule o problema em programação linear.

b) Resolva-o graficamente, indicando a sua solução óptima. Caracterize-a,
descrevendo o que se produz e em que quantidade e refira o consumo de matéria-
prima
c) Formule o problema dual correspondente. Determine e interprete
economicamente a solução óptima dual.
4.12 Soluções Exerc. P.L.:

1)
a) x1  3 , x2  6 e x3  1 . É S.B.A..
b) É óptima visto que os valores dos custos reduzidos das variáveis não básicas mostram
que não é possível melhorar o valor actual da função objectivo.
2)
a) y1  15 , y2  5 e y3  10 . É S.B.A..
b) Novas variáveis básicas: y1 , y 2 , x3 .
c) Nova solução básica: y1  45 / 2 , y2  5 / 2 , x3  5 / 2 .
3)
a) Sejam:
x1  ’Quantidade de tinta para interiores a produzir (kg) ‘
x2  ’Quantidade de tinta para exteriores a produzir (kg) ‘
O problema enunciado pode ser formulado como:
MaxZ  30 x1  45x2
s.a. x1  2 x2  6
2 x1  x2  9
x1  x2  1
x1 , x2  0
b) x *  8 / 3, 5 / 3 ; y *  0, 2,0 ; z *  155 .
4) x *  11 / 3, 5 ; y *  1/ 3,0,0 ; z *  400 / 3 .

5)
a) Sejam:
x1  ’Quantidade de óleo A no novo óleo (l)’
x2  ’Quantidade de óleo B no novo óleo (l)’
MinZ  30 x1  20 x2
s.a. 40 x1  40 x2  60( x1  x2 )
0.3x1  0.52 x2  0.4( x1  x2 )
x1  x2  100
x1 , x2  0
b) x*  0,100 ; y *  2 0 00,10 ; z *  3000 . Logo o novo óleo será constituído por

100% de óleo A e 0% de óleo B.
6)
a) Sejam:
x1  ’Quantidade de papel fino a produzir (ton)’
x2  ’Quantidade de papel médio a produzir (ton)’
x3  ’Quantidade de papel pesado a produzir (ton)’

MaxZ  5 x1  4 x2  6 x3
s.a. x1  x2  2 x3  30
5 x1  2 x2  2 x3  40
x1 , x2 , x3  0
b) x*  0,10,10 ; y *  0, 0 ; z *  100 .
7)
a) Sejam:
x1  ’Quantidade de matéria prima A a produzir (ton)’
x2  ’Quantidade de matéria prima B a produzir (ton)’
MinZ  16 x1  24 x2
s.a. x1  4
x2  10
2 x1  x2  30
x1 , x2  0
A solução óptima obtida é x  4,10 ; y  0, 0,12 e tem valor z * =304.

* *
A solução é única e estão activas as primeira e segundas restrições. O lucro gerado é 304
000$00.
b) Problema Dual:
MaxG  4w1  10w2  30w3
s.a. w1  2w3  16
w2  w3  24
w1 , w2  0
w3  0
A solução óptima dual é w  16,24, 0 e v  0, 0 e tem valor G * =304

* *
.
c) A resposta deverá ser negativa pois o recurso mão-de-obra não é esgotado com o
plano actual.
8)
a) A solução óptima obtida é x  3,5 ; y  0, 3,0 e tem valor z * =540.
* *
b)
i) A solução permanece admissível e, como tal não é necessário reoptimizar. So o
valor de y 2 e alterado passando a valer 2.
ii) A nova solução óptima é x  0,6 ; y  12,6,0 com valor z * =360.
* *
9)
a) S.B.A: x  0,1/ 2; y  0, 3 / 2 .
b) Valor da solução: z =3/2. A solução é óptima.
10)
a) x1 , x2    1,1/ 2  1    4 / 3,0, com   0,1 .
b) Problema Dual:
MinG  40w1  60w2
s.a. 20w1  45w2  1.5
40w1  30w2  1
w1 , w2  0
A solução óptima dual é w  0,1 / 30 e v  0, 0 e tem valor G * =2.

* *
c) Produzem-se 1 hl de refrigerante A e 50l de refrigerante B, consumindo-se as duas

matérias-primas na totalidade. O preço sombra atribuído à matéria-prima 1 é 0, o que
significa que não há vantagem em adquiri-la. Por sua vez, o preço sombra da matéria-
prima 2 é 1/30 u.m., o que significa que é vantajoso para a empresa adquirir uma
quantidade extra de matéria-prima 2, desde que o preço de aquisição seja inferior a
1/30 u.m/unidade adquirida.
11)
a) A solução básica encontrada é x  0,0,1 ; y  0, 7,3 . Trata-se de uma solução
básica admissível.
b) A solução óptima obtida é x  0,3,1 ; y  0, 4,0 e tem valor z * =4.
* *
c) b1  0,3
d) A nova solução óptima é x  1,1,0; y  0,5,0 com valor z * =5.
* *
e) A solução permanece admissível e óptima.
12)
MaxZ  2 x1  x2
s.a. 4 x1  3x2  12
4 x1  x2  8
4 x1  x2  8
x1 , x2  0
13)
a) A solução básica encontrada é x   5 / 3,1/ 3,0 ; y  0, 5 / 2,0 .
b) A solução óptima é x   5 / 3,16 / 3,0 ; y  0, 0,5 e tem valor z *  9 .
* *
14)
a) São básicas as variáveis x1 e x2 e são não básicas as variáveis y1 e y 2 . A solução
óptima de (P) é única e tem valor 108 800/3. Estão activas as restrições 1 e 2.
b)
c) b1 48, 72 ; b2 64 / 3, 32 ; c1 5000 / 9, 2500 / 3 ; c2 720,1080
MinG  64w1  24w2

s.a. w1  0.5w2  600
1.8w1  0.6w2  1000
w1 , w2  0
d)
A solução óptima dual é w  1400 / 3, 800 / 3 , v  0, 0 e tem valor G * =108 800/3
* *
e) A nova solução óptima é x*  30,15 ; y*  7,0,0 e tem valor z*=33 000.

15)
a) A solução básica é x  0,8,21 / 2 ; y  10,28 . É S.B.A. visto que respeita as
restrições de não negatividade.
b) Não é óptima porque é possível melhorar o valor da função objectivo, fazendo entrar
x3 na base.
c)
x1 x 2 x3 y1 y2
Z 24 0 0 2 0 0
y1 10 -5/3 0 2/3 1 0
y2 28 4/3 0 8/3 0 1
x2 8 -1/3 1 1/3 0 0
d) A solução óptima é x*  0, 9 / 2,11 ; y*  3,0,0 e tem valor z*=3.

16)
a) Sejam:
x1  ’Quantidade de peças tipo A a produzir ’
x2  ’Quantidade de peças tipo B a produzir ’
MaxZ  5 x1  10 x 2
s.a. x1  2 x 2  8
x1  2 x 2
x1  4
2 x2  4
x1 , x 2  0 e inteiros
b) A solução óptima é x*  4,2 e tem valor z*=40.

c)
x1 x2 y1 Y2 y3 y4
40 0 0 5 0 0 0
Z
x1 4 1 0 1/2 -1/2 0 0
x2 2 0 1 1/4 1/4 0 0
y3 0 0 0 -1/2 1/2 1 0
y4 0 0 0 -1/4 -1/4 0 1
17)
a) A solução básica encontrada é x  7 / 5,0,0; y  21/ 5,1,0 . Trata-se de uma S.B.A.
b) A solução óptima é x*  1,1,0; y*  2,0,0 e tem valor z*= - 2.
18)
a) O conjunto das soluções admissíveis de P é o poliedro cujos pontos extremos são:
A(0,5); B(0,6); C(4,6); D(4,2) e E(7/2,3/2).
b) A solução óptima é x*  7 / 2,3 / 2 e tem valor z*= 8. Estão activas as primeira e

terceira restrições. Os valores associados às variáveis de folga são: y1  y3  0;
y2  1 / 2 ; y4  9 / 2 .
c) Problema Dual:
MaxG  2w1  4w2  5w3  6w4

s.a. w1  w2  w3  1
 w1  w3  w4  3
w1 , w2 , w4  0
w3  0
A solução óptima dual é w   1,0,2,0 e v  0, 0 e tem valor G * =8.

* *
19)
a) Produzem-se os solventes 1, 2 e 4 nas quantidades de 2Kl, 14 Kl e 8 Kl,
respectivamente. Consomem-se todos os recursos disponíveis, havendo vantagem em
aumentar a sua disponibilidade, desde que esse aumento não traga custos superiores
a 142.5 u.m., 367.5 u.m. e 47.5 u.m, por unidade de matéria-prima, mão-de-obra e
espaço de armazenagem disponibilizados.
b) A solução permanece óptima.
c) Não há vantagem em alterar o plano de produção, logo a solução permanece óptima.
20)
a) Sejam:
x1  ’Quantidade de refrigerante 1 a produzir ’
x2  ’Quantidade de refrigerante 2 a produzir ’
MaxZ  2 x1  x2
s.a. 3x1  x2  70
x1  2 x2  60
x2  25
x1 , x2  0
b) A solução óptima é x*  16,22 e tem valor z*=54. Assim, produzem-se 16 l de

refrigerante 1 e 22 l de refrigerante 2. As matérias-primas A e B são consumidas na
totalidade, havendo um excesso de 3 unidades de matéria-prima C.
c) Problema Dual:
MinG  70w1  60w2  25w3
s.a. 3w1  w2  2
w1  2w2  w3  1
w1 , w2 , w3  0
A solução óptima dual é w  3 / 5,1 / 5,0 e v  0, 0 e tem valor G * =54.

* *
A matéria-prima C não é consumida na totalidade, pelo que o seu preço sombra é zero. As
matéria primas A e B são bens escassos, havendo vantagem em adquirir quantidades extra,
desde que o custo de aquisição não ultrapasse 3/5 u.m. e 1/5 u.m., por unidade adquirida,
respectivamente.
ANEXOS
REFERÊNCIAS BIBLIOGRÀFICAS
1. Mirshawka Victor: Aplicações de Pesquisa Operacional, São Paulo 1981.
2. K. M. Anstreicher: Linear programming in Operations.SIAM Journal on Optimization

Vol. 9, N. 4, pp. 803-812, 1999.
3. Marcos Arenales Vinícios Armentano, Reinado Morabito e Horácio Yanasse: Pesquisa

Operacional para Cursos de Engenharia, 2006.
4. A. Arbel. Exploring Interior-Point Linear Programming: Algorithms

and Software. Foundations of Computing Series, MIT Press, 1993.
5. E. R. Barnes. A variation on Karmarkar’s algorithm for solving Linear

ProgrammingproblemsMathematicalProgramming 36 (1986) 174-182.
6. L. Boldrini, S. I. R. Costa, V. L. Figueiredo e H. G. Wetzler : Algebra

.3a edição, Harbra, 1984.
7. P. F. Bregalda, A. A. F. de Oliveira e C. T. Bornstein. Introdução á

Programação Linear. 3a edição, Campus, 1988.
8. I. I. Dikin. On the convergence of an iterative process. Upravlyaemye

Sistemy 12 (1974) 54-60. (Em Russo.)
9. V. G. Karmanov: Programação Matrmática. Moscovo 1989 ( em russo)
10. M. C. Goldbarg e H. P. L. Luna. Optimização combinatória e Programa

ção Linear: Modelos e Algoritmos. Campus, 2000.
11. P. E. Danko, A. G. Papov e T. Y. Kojevnikova: Matemática Superior “ Elementos de
programação Linear” pp 271 – 293. 6ª edição 2007 ( em russo).
12. Miguel Loureiro : Investigação Operacional – Licenciatura terminal. 2006 – Lisboa.
13. D. Goldfarb e J. K. Reid. A practicable steepest-edge simplex algorithm.

MathematicalProgramming 12 (1977) 361-371.
14. N. Karmarkar. A new polynomial time algorithm for linear programming.

Combinatorica 4 (1984) 373-395.
15. E. L. Lima. Curso de Análise. Volume 2, Projeto Euclides,

IMPA/CNPq, 1981.
16. N. Maculan e M. V. F. Pereira. Programação Linear. Atlas, 1980.
17. N. Maculan. Programação Linear: Método do Simplex. Notas de aula

em 1998.
18. C. A. de J. Martinhon. Programação Linear e Algoritmos de Pontos

Interiores: uma introdução a VI Semana do Instituto de Matemática e
Física da UFG (Minicurso), 27 páginas, 1991.
19. M. A. F. Menezes e R. Vieira. Um protótipo parcial para um sistema

de rações para bovinos. II Encontro de Matemaática Aplicada e
Computacional em Brasília, 2001.
20. M. A. F. Menezes. Um algoritmo de ponto-interior-inviável com

Complexidade O (pnl) iterações para programação linear. Tese de
Doutorado pela COPPE/UFRJ, defendida sob a orientação do
Professor Clóvis C. Gonzaga em 1998.
21. A. A. Namen e C. T. Bornstein. Uma ferramenta para avaliação de

Resultados de diversos modelos de otimização de dietas. Pesquisa
Operacional, v. 24, n. 3, p. 445-465, 2004.
22. R. J. Vanderbei, M. S. Meketon e B. A. Freedman. A Modification of

Karmarkar’s Linear ProgrammingAlgorithm. Algorithmica 1 (1986)
395-407.
23. Richard Brouson e GovindasamiNaadimuthu: Investigação Operacional. 2001.
24. Manuela Hill, Mariana Marques dos Santos e Ana Líbano: Investigação Operacional I, II,
III. 2008
25. Manuel Alberto Ferreira e Isabel Amaral: Matemática – Programação Matemática.

Lisboa 1995.
26. Saul I. Gass: Programação Linear – Métodos e aplicações. 1971, Cidade do México.
27. Jorge Guerreiro Alípio, Manuel Ramalhete, MacGrawn – Hill: Programação Linear I, II.
1998
28. H. Libermen e MacGrawn – Hill :Introducion to operational research. 2009.
29. http//www.ericolisboa.eng.br
30. Documentos do XXIV Encontro Nacional de engenharia de produção – Brasil 2004.
31. Erico Lisboa : Apostila de Pesquisa Operacional – 2006
32. Fernando Martins : Introdução a Pesquisa Operacional – Teoria dos grafos – 2001.
33. BARBIER, Rene. A pesquisa-Ação. Tradução LucieDidio. Brasilia: Liber Livro Editora,
2004.159 p. Serie Pesquisa em Educação. v. 3.
34. BIEMBENGUT, Maria Salett; HEIN, Nelson. Modelagem Matemática no Ensino. São
Paulo:Contexto, 2000. 127 p.
35. CHESLT, Kenneth R; EDWARDS,Thomas G. Does This Line Ever Move?:Everyday
Applicationsof Operations Research. Emeryville, CA: Key Curriculum Press, 2005. 144 p.
ISBN: 1-55953-673-X.
36. COSTA, José de Jesus da. Tópicos de Pesquisa Operacional. 2. ed. Rio de Janeiro:
Editora Rio, 1975. p. 280.
37. LOESCH, Cláudio; HEIN, Nelson. Pesquisa Operacional: Fundamentos e modelos.
Blumenal:Editora da FURB, 1999. 270 p.
38. CUKIERMAN, ZigmundoSalomao. O modelo PERT/COM aplicado a projectos:
panejamento para o futuro. 7. ed. Rio de Janeiro: Reichman&Affonso Editora, 2000. 216 p.
39. HAGUETTE, Teresa M. Frota. Metodologia Qualitativa da Sociologia. 2. ed. Rio de
Janeiro: vozes, 1990. 168 p.
40. HERNANDEZ Fernando. Transgressão e Mudança na Educação: os projectos de
trabalho. Tradução
Jussara Haubert Rodrigues. Porto Alegre: ArtMed, 1998.
41. HILLER, Frederick S; LIEBERMAN, Gerald J. Introdução à Pesquisa Operacional.
Tradução
42. Helena L. Lemos. 1. ed. Rio de Janeiro: Campus; São Paulo: Editora da Universidade de
São Paulo, 1988. 805 p. Tradução de: Introduction to Operations Research. Third edition.
43. LOESCH, Cláudio; HEIN, Nelson. Pesquisa Operacional: fundamentos e modelos.
Blumenau: Editora da FURBE, 1999. 270 p
44. MATOS, João Filipe (Coord.); CAREIRA Paula Susana; SANTOS, Madalena Pinto dos;
AMORIM, Isabel. Modelação Matemática. Lisboa: Universidade Aberta, 1995. 188 p.
45. MORGADO, Augusto C., WAGNER, Eduardo, ZANI. Sheila C. Progressão e Matemática
Financeira. Rio de Janeiro: Sociedade Brasileira de Matemática, 1993. 100 p. Colecção do
Professor de Matemática.
46. MOURA, Dacio Guimarães de, BARBOSA, F. Barbosa. Trabalhando com Projectos:
panejamento e gestão de projectos educacionais. Petropolis, RJ: Vozes, 2006. 246 p.
47. PRADO, Darci Santos do. Programação Linear. Belo Horizonte: INDG Tecnologia e
Serviços Ltda, 2003, 206 p, il.: (Serie Pesquisa Operacional v. 1).
48. STEFE, Rodrigo. Projectos Pedagógicos Interdisciplinares Utilizando Softwares de
Produtividades: uma experiencia no ensino fundamental. Dissertação (Mestrado
Integrado Profissional em Computacao) – Universidade Estadual do Ceara (UECE) e Centro
Federal de EducacaoTecnologica do Ceara (CEFET-CE). Ceara, 2006. 122 p.
49. STANGER, Luiz B. Nocoes Preliminares. Estabelecimento de um Programa de Pesquisa
ou de Producao. Tecnica para Montagem de uma Rede PERT. In: CPM-CPM: tecnica de
planejamento e controle. 1. ed. rev. Rio de Janeiro: Livros Tecnicos e Cientificos, 1976 (cap.
1, 2 e 3).
50. THIOLLENT, Michel. Metodologia da pesquisa-ação. 13. ed. São Paulo: Cortez, 2004.
(Colecção temas básicos de pesquisa-acao).
51. TRALDI JUNIOR, Armando. Sistema de Inequações do 1º. Grau: uma abordagem do
processo
Ensino -aprendizagem focando os registos de representações. Dissertação (Mestrado em
Educação Matemática) -Pontifícia Universidade Católica de São Paulo, São Paulo, 2002.
112 p. Impresso.
52. TRIVINOS, Augusto Nibaldo Silva. Introdução à Pesquisa em Ciências Sociais: a
pesquisa qualitativa em educacao. 1. ed. Sao Paulo: Atlas, 1928. 175 p.
53. SILVA, Carlos Alberto da. Uma metodologia para o ensino Operacional no Ensino
Técnico de Nível médio: Estudo de Caso na UNED- Imperatriz/MA. Dissertação (Mestrado
Integrado Profissional em Computação) – Universidade Estadual do Ceara (UECE) e Centro
Federal de Educação Tecnológica do Ceara (CEFET-CE). Ceara, Fevereiro/2009. 54. WEISS,
Neil; YOSELOFF, Mark. Matemática Finita. Tradução Roberto Angelo de Barros Padilha. Inc.
1975; Rio de Janeiro: Guanabara Dois: 1978. 584 p. Tradução de: FiniteMathematics.Worth
Publishers Inc.: New York.
REFERÊNCIAS DA WEB
55. BRUNER, Jerome S. A Pedagogia de Jerome Bruner. Disponível em:

<ww.eses.pt/usr/ramiro/docs/etica_pedagogia/A%20Pedagogia%20de%20JeromeBruner2
0pdf- > Acesso em: 01 mar.2006.
56. JURKIEWICZ, Samuel. Currículo do Sistema de Currículos Lattes. 2007. Disponivelem:
<http://buscatextual.cnpq.br/buscatextual/visualizacy.isp?id=K4793541D9> Acesso em: 20
ago.2007.
57. MARQUES, Ramiro. A pedagogia de Jerome Bruner. Disponível em:
<www.eses.pt/usr/ramiro/
docs/etica_pedagogia/A%20Pedagogia%20de%20JeromeBruner.pdf > Acesso em: 30
mar.2006.
58. VYGOTSKY, Lev S. Vygotsky e a Educação. Disponível em:
< http://www.centrorefeducacional.com.br/vygotsky.html > Acesso em: 18 Jan. 2007.
59. ANDRADRE, Pedro (1997). A internet e o ensino à distância. [online,
http://student.dei.uc.pt/~pandrade/sf/, capturado em 17/05/2004].
60. ARAÚJO, J. P. de (2001). A Internet na educação especial: algumas considerações
técnicas e pedagógicas, Março de 2001, [online,
http://www.educarecursosonline.pro.br/curso/fenapae.doc].
61. COUTINHO, M.M.S.R.C (2003). Fundamentos da EAD e uma formalternativa de
vivenciar e aprender a engenharia económica. Dissertação de Mestrado em Engenharia de
Produção. Universidade Federal de Itajubá.
tajubá. MG.
62. DRISCOLL, M (1998). Web-based training: using technology to design adult learning
experiences. Jossey-Bass/Pfeiffer. San Francisco. EUA.
63. FREIRE, P (1981). Educação e mudanças, Editora Paz e Terra, Rio de Janeiro.
64. SISSON, G. de A (2003). Gerenciador de alertas para um ambiente de ensino à distância
na internet. Trabalho de diplomação. Universidade Federal do Rio Grande do Sul. Porto
Alegre. RS. [online,
http://www.inf.ufrgs.br/adapt/publicacoes/TD_GustavoSisson.pdf, capturado em
17/05/2004].
65. LANDIM, C.M.M. P. F (1997). Educação à distância: algumas considerações. Rio de
Janeiro. Edição da autora.
66. MOORE, M. G., & KEARSLEY, G (1996). Distance Education: A systems view - (Chapter 1:
Fundamentals of Distance Educations, p.1-18. Wadsworth.
67. MUSA, D.L. (2001). Um sistema de alertas inteligentes para ambientes de ensino na
internet. Dissertação de mestrado em ciência da computação. Universidade Federal do Rio
Grande do Sul. Porto Alegre. RS. [online,
http://www.inf.ufrgs.br/adapt/publicacoes/daniela_msc.pdf, capturado em 17/05/2004].
68. NUNES, I. B (1994). Noções de educação à distância. Revista Educação a Distância, Nº
4/5. Dez/93-Abr/94. Brasília, Instituto Nacional de Educação a Distância, p. 7-25. [online,
http://www.intelecto.net/ead_textos/ivonio1.html, capturado em 15/02/2001].

Ao Estudo de Pesquisa Operacioal

Enviado por

Dados do documento

Título original

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

Ao Estudo de Pesquisa Operacioal

Enviado por

Direitos autorais:

Formatos disponíveis

APONTAMENTOS DE INTRODUÇÃO AO ESTUDO DE PESQUISA

PARTE UM PROGRAMAÇÃO LINEAR

Professor Doutor José António Fazenda

1. INTRODUÇÃO A PESQUISA OPERACIONAL

Vectores Matrizes Sistemas de Equações

2. Teoria de Programação Linear.

Exercício de Programação Linear

3. Prova de Frequência: Ex.

NOTA: A média das classificações do 1º e 2º meses se for igual ou superior a 12 valores e

Pesquisa Operacional = Investigação das Operações.

Operação = Conjunto de actos necessários para obter determinados resultado.

Objectivo de Ensino da P.O.

Através de desenvolvimento de base quantitativa, a PO visa também introduzir elementos de

Diz-se que um individuo (ou um grupo) tem um problema se e só se:

 Deseja atingir determinados objectivos,

1.1 Breve Historial da Pesquisa operacional

A utilização de métodos científicos na preparação de decisão, remota a data muito longínquas.

No entanto, o inicio da actividade dachamada Pesquisa Operacional é atribuída, normalmente

 Em 1939 na Inglaterra um pequeno grupo de técnico dedicado o PO começou a trabalhar nos

No fim da guerra, incentivados com o aparente sucesso da PO a nível militar os industriais

i. Substancial progresso das técnicas matemáticas disponível na PO.

Depois da guerra, vários cientistas sentiam-se motivados em procurar relevante investigação

ii. Evolução /revolução dos computadores. Normalmente é exigido uma grande

No entanto, o desenvolvimento dos computadores com as capacidades para realizar cálculos

Face ao seu carácter multidisciplinar, a PO é uma disciplina científica de características

Resumindo a PO esta relacionada com a tomada de decisões óptimas e em modelação do

 Estruturar a situação da vida real em modelos matemáticos que obtêm os elementos

É suposto que um modelo seja uma representação suficientemente precisa de características

O modelo é um esquema simplificado para a interpretação da realidade. Em consequência da

Icónicos: São representações reduzidas de estado, objectos ou acontecimentos.

Os modelos matemáticos utilizados na PO são técnicas quantitativas que formam a parte

Misturas de ingredientes com composição e preços conhecidos para atenderem a

Transporte, distribuição ou alocação, em que se procura determinar as quantidades a

Programas de Produção ou limitação de recursos nos sectores agrícolas, industrial ou de

3.2. FASES DE ESTUDO EM PO (para a resolução de um problema)

Nesta fase, o problema é analisado a partir de um sistema integrado, no sentido de coloca-lo

Deve determinar os objectivos adequados, as restrições necessárias, as inter-relações entre as

A formulação inicial deve ser continuamente reexaminada, à luz de novos conhecimentos

Construção do Modelo matemático

Um modelo matemático de um problema de optimização é representado por um sistema de

Que represente os aspectos essenciais do problema. Os modelos, ou representações

A estrutura modelo matemático é a seguinte:

 Variáveis de decisão – correspondem as quantidade de decisões a serem tomadas e cujo os

Um tipo importante de modelos matemáticos é o modelo de programação linear (PL), onde as

NOTA: Um passo importante na formulação de modelo matemático é a construção da função

1. Cálculo de uma solução através do modelo.

Depois da construção do modelo matemático para o problema, a etapa seguinte consiste em

O modelo numérico – recorre ao emprego de técnicas de cálculos que permitem obter

A fase do processo apara obtenção de uma solução são as seguintes:

a) Procura de soluções óptimas

c) Procedimentos heurísticos para obter boas soluções óptimas

d) Analise pós - óptimo: análise de sensibilidade para determinar quais os parâmetros

a) Avaliação satisfatória: Proceder a tomada de decisão que prepara as condições para

5º Passo - Tomada de decisão sobre a solução encontrada

Concluída a etapa da avaliação, é necessário elaborar um relatório bem documentado que

Neste passo efectua-se a implementação das soluções obtidas usando a metodologia

𝑎11 𝑋1 + 𝑎12 𝑋2 + ⋯ + 𝑎1𝑛 𝑋𝑛 {≤, =, ≥}𝑏1

𝑎21 𝑋1 + 𝑎22 𝑋2 + ⋯ + 𝑎2𝑛 𝑋𝑛 {≤, =, ≥}𝑏2

𝑎𝑚1 𝑋1 + 𝑎𝑚2 𝑋2 + ⋯ + 𝑎𝑚𝑛 𝑋𝑛 {≤, =, ≥}𝑏𝑚

Onde: 𝑎𝑖𝑗(𝑖 = 1, … , 𝑚; 𝑗 = 1, … , 𝑛) →são os coeficiente técnicos ou tecnológicos.

𝑏1 , 𝑏2 , … . , 𝑏𝑚 →são termos independente (constante da restrição ou segundos membro)

𝑐1 , 𝑐2 , … . , 𝑐𝑛 →coeficiente da função objectivo (coeficiente de custo)

𝑍 = 𝐶1 𝑋1 + 𝐶2 𝑋2 + ⋯ + 𝐶𝑛 𝑋𝑛 →função objectivo (economia ou critério)