Trabalho Investigação Organizacional Mariana Vicente Rodrigues 22629 - Cópia

INSTITUTO POLITÉCNICO DE PORTALEGRE
ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Estudo de um Problema de Programaçã o Linear

Investigaçã o Operacional para Gestã o
Docente
Joã o Luís de Miranda
Discente
Mariana Vicente
Gestão 2022-2023
Estudo de um Problema de Programação Linear
Lista de Siglas
GESTÃO
INVESTIGAÇÃO OPERACIONAL 2
IO: Investigaçã o Operacional
PL: Programaçã o Linear
Índice de Anexos
GESTÃO
Índice Geral:
Lista de Siglas...........................................................................................................................3
Índice de Anexos.......................................................................................................................4
GESTÃO
Índice Geral...............................................................................................................................5
Índice de Expressões................................................................................................................7
Índice de Quadros.....................................................................................................................8
Índice de Gráficos.....................................................................................................................9
Capítulo I- Programação Linear..........................................................................................11
1.1 Introdução à programação linear.....................................................................12
Índice de Expressões
Expressão 1- Modelo de PL
Expressão 2- Formulaçã o do problema
GESTÃO
Expressão 3- Forma canó nica do Simplex

Expressão 4- Forma canó nica do problema
Expressão 5- Modelo da forma matricial
Expressão 6- Relaçã o primal-dual
Expressão 7- Transformaçã o primal-dual
Expressão 8- Problema Primal na forma algébrica
Expressão 9- Problema Dual na forma algébrica
Expressão 10- Problema Primal na forma matricial
Expressão 11- Problema Dual na forma matricial
Índice de Quadros
Quadro 1- Forma tabular (primeira interaçã o)

Quadro 2- Forma tabular (segunda interaçã o)
Quadro 3- Forma tabular (segunda interaçã o)
Quadro 4- Forma tabular (terceira interaçã o)
GESTÃO
Quadro 5- Forma tabular (terceira interaçã o)

Quadro 6- Evoluçã o do parâ metro c1
Quadro 7- Evoluçã o do parâ metro b1
Índice de Gráficos
Gráfico 1- Representaçã o Grá fica do problema

Gráfico 2- Evoluçã o do parâ metro c1
Gráfico 3- Evoluçã o do parâ metro b1
GESTÃO
Introdução
Muitos dos problemas atuais baseiam-se na escolha de uma alternativa neste

exato caso na melhor alternativa, estas podem ser vá rias mas temos uma que é muito
importante que é a chamada tomada de decisã o. A IO é um dos ramos que utiliza os
métodos ou processos para conseguir chegar à melhor alternativa. A otimizaçã o é uma
necessidade comum tanto na ó tica empresarial quanto na ó tica pessoal, e muitas vezes é
preciso encontrar a soluçã o ó tima para um problema considerando vá rias soluçõ es
possíveis e restriçõ es impostas.
GESTÃO
A Programaçã o Linear é uma técnica utilizada para otimizar funçõ es lineares sob
condiçõ es restritivas mas também lineares. A cadeira de Investigaçã o Operacional para
Gestã o tem uma abordagem teó rico-prá tica que procura conectar os aspetos teó ricos
mais relevantes com a resoluçã o prá tica de problemas. Com a realizaçã o deste trabalho
tenho como principal objetivo desenvolver um problema de programaçã o linear,
utilizando vá rias técnicas e vá rias metodologias desenvolvidas em sala de aula, tais como
a resoluçã o grá fica, método Simplex (forma tabular e matricial), dualidade e relaçõ es
existentes entre os problemas dual e primal. Para a resoluçã o do problema utilizarei
ferramentas de resoluçã o computacional que nã o só validem e verifiquem os valores
obtidos mas que também ajudem na interpretaçã o dos resultados para o meio de
relató rios. No final serã o apresentadas conclusõ es sobres os principais aspetos críticos
da elaboraçã o e desenvolvimento deste trabalho académico.
Abstract
Many of today's problems are based on choosing an alternative in this exact case
the best alternative, these can be several, but we have one that is very important which is
called decision making. IO is one of the branches that uses methods or processes to
arrive at the best alternative. Optimization is a common need in both business and
personal viewpoints, and many times it is necessary to find the optimal solution to a
problem considering several possible solutions and imposed constraints. Linear
Programming is a technique used to optimize linear functions under constrained but also
linear conditions.
GESTÃO
The subject of Operations Research for Management has a theoretical-practical

approach that seeks to connect the most relevant theoretical aspects with practical
problem solving. With this work I have as my main objective to develop a linear
programming problem, using several techniques and methodologies developed in class,
such as graphical solving, Simplex method (tabular and matrix form), duality and
existing relations between dual and primal problems. To solve the problem, I will use
computational solving tools that not only validate and verify the obtained values but also
help in interpreting the results for the reporting environment. At the end, conclusions
will be presented about the main critical aspects of the elaboration and development of
this academic work.
Capítulo I- Programação Linear

1.1 Introdução à programação linear
Um elemento crucial nos problemas relacionados a decisõ es é a otimizaçã o, que

procura determinar as formas mais eficientes de utilizar recursos limitados para
alcançar objetivos específicos. Ao usar esses recursos de forma criteriosa, é possível
melhorar a produtividade e o desempenho do processo em questã o, sendo que a
continuidade do processo muitas vezes depende disso. Normalmente, esses recursos sã o
de natureza econó mica, como capital, matéria-prima, mã o de obra, equipamentos e
tempo, mas também podem ser de outras formas.
GESTÃO
A Programaçã o Linear é um ramo da Investigaçã o Operacional que surgiu durante

a Segunda Guerra Mundial, quando militares enfrentaram problemas logísticos na
manutençã o e alojamento dos exércitos. Foi entã o que George Dantzig, em conjunto com
o grupo de trabalho SCOOP da Força Aérea Americana, desenvolveu o método do
Simplex, um algoritmo eficaz para resolver problemas de otimizaçã o com muitas
variá veis e equaçõ es.
A Programaçã o Linear (PL) tem como principal objetivo encontrar a melhor
soluçã o para problemas que possuem modelos representados por expressõ es lineares. A
PL é amplamente aplicá vel e simples devido à linearidade do modelo. A tarefa da PL é
maximizar ou minimizar uma funçã o linear, chamada de funçã o objetivo, respeitando um
conjunto de igualdades ou desigualdades lineares, que sã o chamadas de restriçõ es do
modelo. As restriçõ es definem uma regiã o chamada de conjunto viá vel, e a melhor
soluçã o viá vel (aquela que maximiza ou minimiza a funçã o objetivo) é chamada de
soluçã o ó tima.
O objetivo da Programaçã o Linear é encontrar a soluçã o ó tima. Para resolver um
problema de Programaçã o Linear, sã o necessá rios dois passos: modelar o problema e,
em seguida, aplicar um método de soluçã o ao modelo. No caso de um problema de
Programaçã o Linear, o método mais comum é o Método Simplex, que será discutido mais
adiante. Nã o há técnicas precisas para estabelecer o modelo de um problema, pois a
modelagem envolve aspetos de arte que podem ser aprimorados com a prá tica e a
observaçã o. Para modelar uma situaçã o geral, é importante ter experiência, capacidade
de aná lise e síntese.
Atualmente, a Programaçã o Linear é uma ferramenta valiosa utilizada por muitas
empresas para obter vantagem competitiva, permitindo a gestã o eficiente de recursos e a
reduçã o dos custos de produçã o, resultando em maior eficiência e produtividade.
Noções fundamentais
Antes de começarmos a abordar um problema de programaçã o linear, é

fundamental termos uma compreensã o clara das noçõ es envolvidas. Neste sentido,
GESTÃO
existem algumas definiçõ es essenciais que devem ser consideradas durante esta
introduçã o à programaçã o linear. Aqui estã o algumas delas:
Função objetivo: uma funçã o linear que se deseja otimizar, seja através da
minimizaçã o ou maximizaçã o;
Restrições funcionais: limitaçõ es lineares que devem ser satisfeitas para
garantir a soluçã o ó tima;
Condições de não-negatividade: restringem as variá veis do problema a valores
positivos ou nulos;
Solução possível: uma soluçã o que satisfaz todas as restriçõ es;
Região possível: a regiã o que abrange todas as soluçõ es possíveis;
Solução impossível: uma soluçã o que viola pelo menos uma das restriçõ es;
Solução ótima: uma soluçã o possível que leva ao melhor valor possível da funçã o
objetivo.
Além das noçõ es fundamentais e abstratas, é essencial entender as características
comuns a todos os modelos de programaçã o linear:
Proporcionalidade: cada atividade contribui proporcionalmente para o objetivo
de acordo com o seu pró prio nível.
Aditividade: o valor global do objetivo ou da utilizaçã o de recursos é a soma das
contribuiçõ es individuais de cada atividade.
Continuidade ou divisibilidade: as variá veis de decisã o podem assumir valores
fracioná rios.
Capítulo II- O Problema da Programação Linear

2.1 Noções fundamentais
No presente capítulo, será apresentado o problema da programaçã o linear

abordado neste trabalho académico. O enunciado do problema será apresentado e
analisado, tendo em conta o contexto específico em que se insere. Serã o destacados os
aspetos mais relevantes do problema, para que seja possível elaborar uma modelaçã o
matemá tica adequada. Também serã o abordados os aspetos mais importantes relativos à
GESTÃO
interpretaçã o e contextualizaçã o do problema, assim como a definiçã o das variá veis de

decisã o.
2.2 Enunciado do problema
As entregas de produtos aos agentes e distribuidores sã o feitas em contentores de

dimensõ es standard. Sabendo que se podem transportar produtos diferentes em
simultâ neo, o gestor da logística visa maximizar o valor da carga transportada em cada
contentor. Note-se que:
 A margem por cada caixa do produto P é 75 Euros, e 65 Euros por caixa do
produto Q;
 A secçã o de armazém está pronta a carregar até 3000 caixas de P;
 Igualmente, até 1500 caixas de Q;
 Existe ainda limitaçã o quanto à tonelagem, sendo que cada caixa do produto P
pesa 7 quilogramas e cada caixa do produto Q pesa 4 quilogramas, num total de
carga até 6,7 toneladas.
Enunciado do problema disponibilizado pelo docente - Problema 8

2.3 Contextualização e objetivação do problema real
A empresa em questã o realiza entregas de produtos a agentes e distribuidores,

utilizando contentores de dimensõ es standard. Com o objetivo de maximizar o valor da
carga transportada em cada contentor, o gestor da logística procura por uma soluçã o que
permita transportar produtos diferentes em simultâ neo. Para isso, é necessá rio
considerar as margens de cada produto e as limitaçõ es de capacidade de armazém e de
tonelagem.
O objetivo deste problema é determinar a quantidade de caixas de produtos P e Q
que devem ser transportadas em cada contentor, de modo a maximizar o valor da carga
transportada. Também é preciso ter em consideraçã o as margens de cada produto e as
limitaçõ es de capacidade de armazém e de tonelagem, garantindo que nã o sejam
GESTÃO
excedidos esses limites e que a carga total do contentor nã o ultrapasse as 6,7 toneladas.
O problema pode ser modelado por meio de um modelo de programaçã o linear que
permita encontrar a soluçã o ó tima.
2.4 Problema específico
O problema específico é maximizar o valor da carga transportada em cada

contentor de dimensõ es standard, considerando que se podem transportar em
simultâ neo dois tipos de produtos, P e Q, com margens de lucro de 75 e 65 Euros por
caixa, respetivamente. A secçã o de armazém está pronta a carregar até 3000 caixas de P
e 1500 caixas de Q, e a carga total nã o pode exceder 6,7 toneladas, sendo que cada caixa
de P pesa 7 kg e cada caixa de Q pesa 4 kg.
2.5 Aspetos significativos do problema específico
Neste problema em específico, o principal objetivo é maximizar o valor da carga

transportada, tendo em consideraçã o as margens de lucro por caixa para os produtos P e Q.
Alguns aspetos significativos deste exercício sã o:
A Margem de lucro: O lucro por caixa é de 75€ para o produto P e 65€ para o produto Q.
Isto significa que cada caixa do produto P contribui mais para o lucro total do que cada caixa do
produto Q.
A Capacidade de armazenamento: A secçã o de armazenagem pode transportar até
3000 caixas do produto P e 1500 caixas do produto Q. Estas restriçõ es de capacidade limitam a
quantidade de cada produto que pode ser carregada.
A Restrição de tonelagem: A carga total nã o pode exceder 6700 Kg. Isso é importante
porque cada caixa do produto P pesa 7 Kg, enquanto cada caixa do produto Q pesa 4 Kg. Esta
restriçã o de tonelagem limita a quantidade total de produtos que podem ser transportados.
GESTÃO
Para maximizar o valor da carga, é necessá rio considerar a combinaçã o ideal de caixas de
produtos P e Q, tendo em conta as margens de lucro e as restriçõ es de capacidade e tonelagem. O
objetivo é encontrar a quantidade de cada produto que maximiza o lucro total dentro dessas
limitaçõ es.
2.6. Variáveis de decisão
As variá veis de decisã o neste exercício sã o:

Variável 1- A Quantidade de caixas do produto P a serem transportadas no contentor.
Variável 2- A Quantidade de caixas do produto Q a serem transportadas no contentor.
Estas variá veis determinam a quantidade de cada produto que será carregada no
contentor para maximizar o valor da carga transportada. O objetivo é encontrar a
combinaçã o ideal de caixas de produtos P e Q que maximize o lucro total, tendo em
consideraçã o as restriçõ es de capacidade de armazenamento e tonelagem.
CAPÍTULO III – FORMULAÇÃO DO MODELO

3.1. Considerações gerais
A formulaçã o de um modelo de programaçã o linear consiste em identificar as

variá veis de decisã o, a funçã o objetivo e as restriçõ es do problema. De seguida irei tentar
cada um destes elementos em detalhe: As variá veis de decisã o representam as
quantidades ou os valores que precisam de ser determinados para otimizar o problema.
Estas sã o representadas por símbolos, como x1, x2, etc. Temos como exemplo: se
estivermos a planear a produçã o de dois produtos, este pode ter duas variá veis de
decisã o: x1 (quantidade do produto 1) e x2 (quantidade do produto 2).
A funçã o objetivo é uma expressã o matemá tica que deve ser maximizada ou
minimizada, é composta pelas variá veis de decisã o e representa a medida de
desempenho que tem como objetivo a otimizaçã o. Temos como exemplo: se o nosso
objetivo for maximizar o lucro, a funçã o objetivo acaba por ser a combinaçã o linear das
GESTÃO
variá veis de decisã o multiplicadas pelos lucros unitá rios de cada produto como:
3x1+4x2. As restriçõ es sã o as condiçõ es que limitam as soluçõ es viá veis do problema,
estas podem ser restriçõ es de capacidade, disponibilidade de recursos, entre outras.
Cada restriçã o é uma expressã o matemá tica que envolve as variá veis de decisã o. Temos
o exemplo: de termos uma restriçã o de capacidade que limita a produçã o total de ambos
os produtos, poderia ser expressa como: 2x1+3x2 ≤ 100.
Apó s identificarmos as variá veis de decisã o, a funçã o objetivo e as restriçõ es,
podemos formular o modelo de programaçã o linear da seguinte forma:
Maximizar ou minimizar: Z=funçã o objetivo
Sujeito a: restriçã o 1 restriçã o 2….restriçã o n
Cada restriçã o é escrita como uma desigualdade (≤, ≥, ou =) ou uma igualdade e
todas as variá veis de decisã o devem ser nã o negativas (x1≥0 , x2≥0,…).
Esta é a estrutura bá sica de um modelo de programaçã o linear. Depois de
formular, podemos resolver o modelo utilizando métodos específicos, como o método
simplex ou algoritmos de programaçã o linear.
3.2 Modelação matemática
3.2.1 Função objetivo
Para fazer a modelaçã o da situaçã o irei utilizar as variá veis seguintes:

P = nú mero de caixas do produto P a serem transportadas
Q = nú mero de caixas do produto Q a serem transportadas
A funçã o objetivo será maximizar o valor da carga transportada em cada
contentor. O valor da carga é dado pela soma dos valores individuais dos produtos.
Valor da carga=( Valor por caixa do produto P∗P ) +(Valor por caixa do produto Q∗Q)
Visto que a margem por cada caixa do produto P é de 75€ e a margem por caixa
do produto Q é de 65€, a funçã o objetivo fica da seguinte forma:
Função objetivo: Maximizar 75P + 65Q
Existem restriçõ es que devemos considerar:
 Restriçã o de capacidade da secçã o de armazém para o produto P: P ≤3000
 Restriçã o de capacidade da secçã o de armazém para o produto Q: Q ≤1500
GESTÃO
 Restriçã o de tonelagem total: ( P∗7 ) + ( Q∗4 ) ≤ 6700

Assim sendo, a modelaçã o matemá tica completa fica da seguinte forma:
Maximize 75P + 65Q
sujeito a:
P ≤3000Q ≤1500 ( P∗7 ) +(Q∗4)≤ 6700
Esta é a funçã o objetivo e as restriçõ es para maximizar o valor da carga
transportada em cada contentor, tendo em consideraçã o as limitaçõ es de capacidade de
armazenamento e tonelagem.
3.2.2 Restrições funcionais
As restriçõ es funcionais sã o um conjunto de limitaçõ es lineares que devem ser

consideradas durante um processo de otimizaçã o. Elas sã o representadas na forma
padrã o por um conjunto de desigualdades, onde usamos o símbolo ≤ quando estamos
lidando com um problema de maximizaçã o e o símbolo ≥ quando estamos lidando com
um problema de minimizaçã o.
As restriçõ es funcionais podem ser expressas da seguinte forma:
 Restriçã o de capacidade da secçã o de armazém para o produto P: P ≤3000
 Restriçã o de capacidade da secçã o de armazém para o produto Q: Q ≤1500
 Restriçã o de tonelagem total: ( P∗7 ) + ( Q∗4 ) ≤ 6700
Estas restriçõ es garantem que o nú mero de caixas de cada produto a serem
transportadas nã o exceda a capacidade da secçã o de armazém e que a carga total nã o
ultrapasse o limite de tonelagem estabelecido.
Portanto, as restriçõ es funcionais sã o:
 Pode-se transportar até 3000 caixas do produto P: P ≤3000
 Pode-se transportar até 1500 caixas do produto Q: Q ≤1500
 A carga total nã o deve exceder 6,7 toneladas: ( P∗7 ) + ( Q∗4 ) ≤ 6700
GESTÃO
Estas restriçõ es devem ser consideradas em conjunto com a funçã o objetivo para a
otimizaçã o da carga transportada em cada contentor, de acordo com as condiçõ es
estabelecidas.
3.2.3 Condições de não negatividade
O problema de programaçã o linear que estamos a estudar reflete uma situaçã o

real, e é importante que todas as manipulaçõ es feitas nele sejam o mais realistas
possível. É necessá rio destacar que, embora seja matematicamente possível realizar
cá lculos e obter resultados, esse nã o é o objetivo principal neste contexto. Tendo isso em
consideraçã o, e considerando que nã o existem unidades negativas de produtos
financeiros na realidade, decidimos adicionar uma restriçã o de nã o negatividade à
funçã o objetivo. Isso significa que as variá veis do produto P e do produto Q devem
obrigatoriamente assumir valores positivos.
As condiçõ es de nã o negatividade do problema sã o:
1. O nú mero de caixas do produto P nã o deve ser negativo, ou seja, P ≥ 0.
2. O nú mero de caixas do produto Q nã o deve ser negativo, ou seja, Q ≥ 0.
Estas condiçõ es garantem que o nú mero de caixas de cada produto nã o pode ser
negativo, pois nã o faz sentido ter um nú mero negativo de caixas.
Maximize 75P + 65Q
sujeito a:
P ≤3000Q ≤1500 ( P∗7 ) +(Q∗4)≤ 6700
3.2.4 Simplificações
As entregas de produtos aos agentes e distribuidores sã o feitas em contentores de

dimensõ es standard. Com o objetivo de tornar a modelagem matemá tica mais uniforme e
compreensível, foi decidido ajustar as unidades dos coeficientes da funçã o objetivo e dos
valores nas restriçõ es.
O gestor da logística procura maximizar o valor da carga transportada em cada
contentor, tendo em consideraçã o o seguinte:
GESTÃO
 A margem por cada caixa do produto P é de 75 unidades monetá rias (em euros),
enquanto a margem por caixa do produto Q é de 65 unidades monetá rias.
 A seçã o de armazém pode carregar até 3000 caixas de P.
 A seçã o de armazém também pode carregar até 1500 caixas de Q.
 Existe uma restriçã o de peso, onde cada caixa do produto P pesa 7 quilogramas e
cada caixa do produto Q pesa 4 quilogramas. O limite total de carga é de 6,7
toneladas (em milhares de quilogramas).
CAPÍTULO IV – RESOLUÇÃO GRÁFICA

4.1. Considerações Gerais
A aná lise grá fica de um problema de Programaçã o Linear oferece uma maneira de
entender o comportamento das variá veis envolvidas e permite identificar a regiã o viá vel,
que é a á rea onde todas as soluçõ es que a compõ em sã o vá lidas de acordo com as
restriçõ es. Além disso, na representaçã o grá fica, é possível determinar a soluçã o ó tima,
ou seja, o melhor valor que a funçã o objetivo pode alcançar dentro do conjunto de
soluçõ es viá veis.
4.2. Problema em Estudo
O modelo construído para a representaçã o grá fica do problema em aná lise é

constituído por duas variá veis o produto Q e o produto P, representadas nos eixos das
abcissas e das ordenadas, respetivamente. Estas variá veis, assumirã o apenas valores
positivos, por cauda das condiçõ es de nã o negatividade, enquadrando-se dessa maneira
no quadrante positivo do sistema de coordenadas cartesiano. No grá fico,
representaram-se as restriçõ es resultantes da formulaçã o do problema:
Restriçã o de capacidade de armazenamento de produtos P: O nú mero de caixas
do produto P deve ser menor ou igual a 3000.
Restriçã o de capacidade de armazenamento de produtos Q: O nú mero de caixas
do produto Q deve ser menor ou igual a 1500.
GESTÃO
Restriçã o de tonelagem: A carga total de caixas de ambos os produtos,

considerando seus pesos individuais, deve ser menor ou igual a 6,7 toneladas.
As restriçõ es garantem que as quantidades dos produtos P e Q a serem
carregadas nos contentores estejam dentro dos limites definidos pela capacidade de
armazenamento do armazém e pela capacidade de carga em termos de tonelagem. O
objetivo do gestor da logística é maximizar o valor da carga transportada em cada
contentor, levando em consideraçã o as margens de lucro associadas a cada caixa dos
produtos P e Q.
GESTÃO
Gráfico 1: Representação gráfica do problema
Quadro 1: Valor da função objetivo
Fonte: Elaboração Própria

O valor má ximo da funçã o objetivo z=1100 ocorre no ponto extremo (60,20).
Assim, a soluçã o ó tima para o problema de LP dado é: x1=60,x2=20 e max
z=1100.
CAPÍTULO V- ALGORITMO DO SIMPLEX
GESTÃO
5.1 Considerações Gerais
No capítulo anterior, examinamos a viabilidade de resolver problemas de

programaçã o linear usando o método grá fico. No entanto, este método é adequado
apenas para problemas com um nú mero limitado de variá veis. Para lidar com problemas
de maior escala, que podem envolver dezenas, centenas ou até milhares de variá veis, foi
desenvolvido o método Simplex, criado por George Dantzig. Este método, de natureza
algorítmica, pode ser apresentado nas formas primal, dual e primal-dual.
5.2 Forma Canónica
Para otimizar um problema de programaçã o linear, é necessá rio primeiro

transformar o conjunto de desigualdades em um conjunto de equaçõ es. Essas
desigualdades representam os limites má ximos e mínimos de recursos ou níveis de
atividade, dependendo se estamos maximizando ou minimizando esses fatores. Esse
processo envolve a introduçã o de variá veis de folga (slack) nas restriçõ es. Em um
problema de maximizaçã o, com restriçõ es do tipo "menor ou igual a", o coeficiente da
variá vel de folga é (+1), enquanto em um problema de minimizaçã o, com restriçõ es do
tipo "maior ou igual a", o coeficiente é (-1).
Para qualquer problema com (n) variá veis e (m) restriçõ es, podemos definir a
seguinte forma canô nica:
Expressão 1: Forma Canónica Simplex
Fonte: Apontamentos da disciplina
A forma canô nica do problema pode ser definida da seguinte maneira:

Variáveis de decisão:
Seja x a quantidade de caixas do produto P a serem transportadas.
GESTÃO
Seja y a quantidade de caixas do produto Q a serem transportadas.

Função objetivo: Maximizar o valor da carga transportada, dado por: 75 x+ 65 y
Restrições:
1. Restriçã o de capacidade da seçã o de armazém para o produto P: x ≤ 3000
2. Restriçã o de capacidade da seçã o de armazém para o produto Q: y ≤1500
3. Restriçã o de capacidade de tonelagem: 7 x +4 y ≤ 6700
4. Restriçã o de nã o-negatividade: x ≥ 0 y ≥ 0
Portanto, o problema pode ser formulado como:
Maximizar: 75 x+ 65 y
Sujeito a:
x ≤ 3000
y ≤1500 7 x +4
y ≤6700 x ≥ 0 y ≥ 0
Essa é a forma canô nica do problema, onde as variá veis de decisã o, a funçã o
objetivo e as restriçõ es sã o definidas.
5.3 Resolução pelo algoritmo do Simplex
Para resolver o problema utilizando o algoritmo Simplex, seja na forma tabular ou

matricial, é necessá rio seguir as etapas seguintes:
1. Inicialização: Encontrar uma soluçã o bá sica viá vel inicial, fazendo com que os
valores das (n - m) variá veis nã o bá sicas sejam iguais a zero.
2. Teste de otimalidade: Verificar se a soluçã o bá sica viá vel atual é ó tima,
verificando se todos os coeficientes da funçã o objetivo (expressa em termos das
variá veis nã o bá sicas) sã o positivos.
Ciclo iterativo:
Escolher a direção da procura: Selecionar a variá vel nã o bá sica que entrará na
base, escolhendo aquela com o maior valor absoluto entre os coeficientes negativos da
funçã o objetivo.
GESTÃO
Determinar o passo: Selecionar a variá vel que sairá da base, utilizando o teste da
razã o mínima para escolher aquela que primeiro atinge zero.
Cálculo da nova solução básica: Utilizando as operaçõ es de eliminaçã o de
Gauss-Jordan em matrizes, obter uma matriz identidade na coluna correspondente à
nova variá vel bá sica.
5.4 Forma Simplex
A forma tabular do algoritmo do Simplex para o problema dado é a seguinte:
Quadro 2:Forma tabular inicial
Fonte: elaboração própria
Nesta forma tabular, cada linha representa uma restriçã o e a ú ltima linha
representa a funçã o objetivo. As colunas correspondem à s variá veis x1, x2, e à s variá veis
de folga S1, S2, S3, respetivamente. A coluna RHS (right-hand side) representa os lados
direitos das restriçõ es.
Na primeira iteraçã o, selecionamos a variá vel nã o bá sica x1 para entrar na base e

a variá vel bá sica S1 para sair da base. Realizamos a operaçã o de pivô para tornar o
elemento da linha x1 e coluna S1 igual a 1, e atualizamos o resto da tabela usando
operaçõ es elementares de linha:
GESTÃO
Quadro 3: 1ªInteração
Na pró xima iteraçã o, selecionamos a variá vel nã o bá sica x2 para entrar na base e
a variá vel bá sica S3 para sair da base. Realizamos novamente a operaçã o de pivô e
atualizamos o restante da tabela:
Quadro 4: 2ª Interação
Neste ponto, todos os coeficientes da funçã o objetivo (linha z) sã o nã o negativos,

indicando que alcançamos a soluçã o ó tima. Portanto, a soluçã o ó tima é x1 = 3000, x2 =
1500, e o valor ó timo da funçã o objetivo é 360000.
Assim, a soluçã o ó tima do problema é obter um valor de carga de 3000 caixas do
produto P e 1500 caixas do produto Q, resultando em um valor total de carga de 360000
Euros.
5.5Forma Matricial
Existe a possibilidade de resolver um problema de programaçã o linear usando o

método Simplex na forma matricial, que envolve o cá lculo com matrizes. Na fase inicial
dessa abordagem, é crucial definir a representaçã o de cada matriz usada durante as
vá rias operaçõ es.
GESTÃO
Cada matriz representa:

A matriz bá sica, chamada de B, é composta pelas variá veis bá sicas do problema.
A matriz cB representa os coeficientes bá sicos da funçã o objetivo.
A matriz AN é a matriz nã o-bá sica do sistema, que contém os coeficientes das
variá veis nã o-bá sicas.
A matriz CN corresponde aos coeficientes nã o bá sicos da funçã o objetivo.
Além disso, temos a matriz b, que representa o lado direito das desigualdades e é
conhecida como matriz de soluçã o.
No contexto do cá lculo matricial, as matrizes mencionadas anteriormente sã o

fundamentais para realizar os cá lculos que levam à determinaçã o da soluçã o ó tima.
Nesta etapa, é importante definir cada matriz usada nessas operaçõ es: A partir da matriz
bá sica (B), é possível obter a matriz inversa (B^(-1)), que contém todos os passos da
eliminaçã o gaussiana. Portanto, para calcular a soluçã o ó tima, é necessá rio multiplicar a
matriz inversa pela matriz de soluçã o (b), resultando na matriz do lado direito atualizada
(xB = B^(-1) * b). Por outro lado, para atualizar o lado esquerdo, ou seja, a matriz nã o
bá sica, é feita a multiplicaçã o da matriz inversa por esta ú ltima (K = B^(-1) * AN).
Quadro 5:Modelo da forma matricial
A resoluçã o de qualquer problema na forma matricial do Simplex deve seguir os

seguintes passos:
1. Escolher vetor das variá veis bá sicas, xB
2. Determinar a matriz base, B
3. Calcular a matriz inversa da base, B−1
4. Determinar a soluçã o bá sica, xB = B−1 ×b ; Z=cB . xB
GESTÃO
5. Atualizar matriz nã o - bá sica: K = B−1 × An

6. Atualizar funçã o objetivo: y=cB . B−1 ; r=cN−cB . B−1 . AN
7. Verificar otimalidade (cN <0)ou selecionar para entrar na base a variá vel de maior
valor positivo nã o - bá sico, ocorrendo na coluna (e);
8. Sai da base a variá vel associada ao valor mínimo de que ocorre na
linha (s); voltar ao passo inicial.
CAPÍTULO VI-MÉTODO DUAL

6.1 Introdução ao método dual
Cada problema de programaçã o linear na forma padrã o possui um problema
relacionado a ele, conhecido como o problema dual. As relaçõ es entre o problema dual e
o problema original, chamado de problema primal, sã o extremamente interessantes e
ú teis. A dualidade tem vá rias aplicaçõ es importantes, incluindo a interpretaçã o e
implementaçã o da aná lise de sensibilidade, bem como a resoluçã o de problemas
econó micos e aná lise econó mica.
As decisõ es tomadas para um problema dual geralmente possuem duas
perspetivas em relaçã o ao problema primal: podem ser opostas ou complementares.
Portanto, dependendo da abordagem adotada no primal ou no dual, podem surgir visõ es
complementares da mesma situaçã o ou visõ es completamente opostas. Essa
complementaridade decorre da troca dos coeficientes independentes. Ambos os
problemas, dual e primal, estã o relacionados de uma maneira muito interessante, pois
cada soluçã o obtida em um deles estabelece um limite para o valor ó timo do outro
problema. Se ambos os problemas possuem uma soluçã o ó tima, entã o o outro problema
também a possui, o que significa que os valores ó timos para ambos os problemas serã o
iguais.
A relaçã o entre o problema primal e o dual é facilmente compreendida, pois o
dual utiliza exatamente os mesmos parâ metros que o problema primal, mas os coloca em
locais diferentes na formulaçã o. Na comparaçã o entre o primal e o dual, é importante
observar que "c" e "y" = [y1, y2, ..., ym] sã o vetores linha, enquanto "x" e "b" sã o vetores
coluna.
GESTÃO
Expressão 2: Relação Dual e primal
Fonte: apontamentos da cadeira
Como resultado dessa relaçã o primal-dual na forma algébrica, observa-se que os

parâ metros das restriçõ es do problema primal (b) se tornam os coeficientes da funçã o
objetivo do problema dual, enquanto os coeficientes da funçã o objetivo do problema
primal (c) se transformam no lado direito do problema dual. Além disso, a matriz das
desigualdades do sistema no primal (A) é transposta e torna-se na matriz das restriçõ es
no dual. É importante ressaltar que o problema primal está na forma de maximizaçã o, e
as restriçõ es padrã o na forma canô nica sã o do tipo menor ou igual (≤), o que se reflete no
problema dual, já que as variá veis duais sã o nã o negativas (yi ≥ 0).
Esta transformaçã o segue, obrigatoriamente, as seguintes regras:
1. Se o problema primal é um modelo de maximizaçã o, o problema dual associado
será um modelo de minimizaçã o, e vice-versa.
2. O nú mero de variá veis no problema dual é igual ao nú mero de restriçõ es no
problema primal, e o nú mero de restriçõ es no dual é igual ao nú mero de variá veis
no primal.
3. Os coeficientes da funçã o objetivo no dual correspondem aos parâ metros
independentes no primal, e os parâ metros no dual correspondem aos coeficientes
da funçã o objetivo no primal.
4. A matriz de restriçõ es no dual é obtida através da transposiçã o da matriz de
restriçõ es correspondente no primal.
GESTÃO
5. Se a variá vel primal associada é nã o restringida em sinal (+ e -), a restriçã o dual

será uma igualdade (=).
6. Se o primal é um modelo de maximizaçã o, a desigualdade dual terá o mesmo
sentido (≥) que o sinal correspondente da variá vel primal (≥ 0).
7. Se o primal é um modelo de minimizaçã o, a desigualdade dual (≤) terá o sentido
oposto ao sinal correspondente da variá vel primal (≥ 0).
8. Se uma restriçã o primal é uma igualdade (=), a variá vel dual associada será nã o
restringida em sinal (+ e -).
9. Se o primal é um modelo de maximizaçã o, a variá vel dual terá o sentido oposto (≥
0) ao sinal correspondente da restriçã o primal (≤).
10. Se o primal é um modelo de minimizaçã o, a variá vel dual terá o mesmo sentido (≥
0) que o sinal correspondente da restriçã o primal (≥ 0).
Esta transformaçã o, também pode ser representada da seguinte forma:

Expressão 3: Transformação dual-primal
Tendo estes aspetos em consideraçã o, procede-se agora à ilustraçã o do problema

em estudo, através da sua representaçã o na forma algébrica e matricial:
O problema primal na forma algébrica é o seguinte:

Maximize 75P + 65Q
sujeito a:
P ≤ 3000
Q ≤ 1500
7P + 4Q ≤ 6700
GESTÃO
O problema dual na forma algébrica é o seguinte:

Minimize 3000Y1 + 1500Y2 + 6700Y3
sujeito a:
7Y1 + Y3 ≥ 75
4Y1 + Y3 ≥ 65
Y1, Y2, Y3 ≥ 0
O problema dual na forma matricial é o seguinte:

Maximize [3000Y1 + 1500Y2 + 6700Y3]
sujeito a:
[-7 -4 1] * [Y1, Y2, Y3]^T ≤ 0
Y1, Y2, Y3 ≥ 0
onde:
c = [75, 65]
y = [y1, y2, y3]^T
A = [[-1, 0, -7], [0, -1, -4]]
b = [-3000, -1500, -6700]
6.2 Solução pelo método dual
Devemos identificar as variá veis primais e as restriçõ es primais.

Variá veis primais: P, Q
Restriçõ es primais:
P ≤ 3000
Q ≤ 1500
7P + 4Q ≤ 6700
GESTÃO
Formulamos o problema dual correspondente. Para isso, vamos introduzir as

variá veis duais Y1, Y2 e Y3 para as restriçõ es do primal:
Minimize 3000Y1 + 1500Y2 + 6700Y3
sujeito a:
-7Y1 - 4Y2 + Y3 ≥ 75
Y1, Y2, Y3 ≥ 0
Agora, podemos resolver o problema dual. Neste caso, iremos utilizar um método
de soluçã o específico para problemas de programaçã o linear.
Apó s a resoluçã o do problema dual, obtemos os valores ó timos das variá veis duais Y1, Y2
e Y3. Esses valores podem ser interpretados como os preços sombra ou os custos
marginais das restriçõ es do problema primal.
Com a soluçã o do problema dual, podemos analisar a sensibilidade do problema
primal à s mudanças nas restriçõ es e nos coeficientes da funçã o objetivo. Além disso, a
soluçã o dual também pode ser ú til para a tomada de decisõ es e interpretaçã o econó mica
do problema.
6.3 Justificação dos valores duais
A justificaçã o dos valores duais obtidos no problema dual está relacionada com a
interpretaçã o econó mica das restriçõ es e dos coeficientes da funçã o objetivo do
problema primal.
No problema primal, temos três restriçõ es:
P ≤ 3000
Q ≤ 1500
7P + 4Q ≤ 6700
GESTÃO
As variá veis duais (Y1, Y2, Y3) no problema dual correspondem a cada uma
dessas restriçõ es. Os valores duais representam o custo marginal de relaxar cada
restriçã o em uma unidade, ou seja, o impacto na funçã o objetivo primal ao permitir um
aumento infinitesimal na respetiva restriçã o.
Ao resolver o problema dual, encontramos os valores ó timos para as variá veis
duais (Y1, Y2, Y3). Esses valores refletem o custo marginal de relaxar cada restriçã o no
problema primal. Vamos analisar cada valor dual correspondente à s restriçõ es do
problema primal:
O valor dual Y1 está relacionado à restriçã o P ≤ 3000. Indica o custo marginal de
permitir que P ultrapasse o limite de 3000. Se Y1 for positivo, significa que é vantajoso
aumentar o valor de P além de 3000. Se Y1 for zero ou negativo, indica que a restriçã o P
≤ 3000 é vinculativa e nã o há benefício em ultrapassar esse limite.
O valor dual Y2 está relacionado à restriçã o Q ≤ 1500. Funciona de maneira
semelhante a Y1, mas para a variá vel Q. Se Y2 for positivo, é vantajoso permitir que Q
ultrapasse o limite de 1500. Se Y2 for zero ou negativo, a restriçã o Q ≤ 1500 é
vinculativa.
O valor dual Y3 está relacionado à restriçã o 7P + 4Q ≤ 6700. Indica o custo
marginal de permitir que a combinaçã o linear de P e Q exceda o limite de 6700. Se Y3 for
positivo, é vantajoso aumentar o valor de 7P + 4Q além de 6700. Se Y3 for zero ou
negativo, a restriçã o 7P + 4Q ≤ 6700 é vinculativa.
Os valores duais fornecem informaçõ es sobre a sensibilidade das restriçõ es do
problema primal e indicam a importâ ncia relativa de cada restriçã o na determinaçã o do
valor ó timo da funçã o objetivo primal. Valores duais positivos indicam que as restriçõ es
correspondentes sã o menos restritivas e têm um impacto positivo na funçã o objetivo
primal quando relaxadas, enquanto valores duais zero ou negativos indicam restriçõ es
vinculativas.
Portanto, os valores duais justificam-se como os custos marginais associados à
relaxaçã o de cada restriçã o do problema primal, fornecendo informaçõ es sobre a
importâ ncia relativa dessas restriçõ es e sua influência no valor ó timo da funçã o objetivo
primal.
GESTÃO
6.4 Comparação primal-dual
A comparaçã o primal-dual envolve relacionar as variá veis, as restriçõ es e os

coeficientes das funçõ es objetivos do problema primal e do problema dual. Vamos
comparar os elementos dos dois problemas:
Variáveis:
No problema primal: P e Q
No problema dual: Y1, Y2, Y3
Função objetivo:
No problema primal: Maximize 75P + 65Q
No problema dual: Minimize 3000Y1 + 1500Y2 + 6700Y3
Restrições:
No problema primal:
P ≤ 3000
Q ≤ 1500
7P + 4Q ≤ 6700
No problema dual:
-7Y1 - 4Y2 - Y3 ≥ -75
-7Y1 - 4Y2 - Y3 ≥ -65
Y1, Y2, Y3 ≥ 0
A relação entre os dois problemas é a seguinte:
As variá veis primais no problema primal (P, Q) estã o relacionadas com as
restriçõ es duais no problema dual (Y1, Y2, Y3).
As variá veis duais no problema dual (Y1, Y2, Y3) estã o relacionadas com as
restriçõ es primais no problema primal (P ≤ 3000, Q ≤ 1500, 7P + 4Q ≤ 6700).
Os coeficientes das funçõ es objetivos estã o relacionados entre si. Os coeficientes
da funçã o objetivo no problema primal (75 e 65) correspondem aos parâ metros
independentes no problema dual (3000, 1500 e 6700).
GESTÃO
As desigualdades no problema primal sã o transformadas em desigualdades

reversas no problema dual.
Essa relaçã o primal-dual permite que as informaçõ es obtidas em um problema
sejam transferidas para o outro. Por exemplo, se encontrarmos uma soluçã o ó tima no
problema primal, podemos usar os valores duais correspondentes para obter
informaçõ es sobre a sensibilidade das restriçõ es e interpretar economicamente o
problema.
Da mesma forma, se encontrarmos uma soluçã o ó tima no problema dual,
podemos usar os valores primais correspondentes para determinar os valores ó timos
das variá veis primais no problema primal.
A comparaçã o primal-dual é ú til para a aná lise e resoluçã o de problemas de
programaçã o linear, fornecendo insights sobre as relaçõ es entre as variá veis, as
restriçõ es e as funçõ es objetivos nos dois problemas.
6.5 Propriedade da relação primal-dual

Uma das propriedades fundamentais da relaçã o primal-dual é conhecida como a
Propriedade da Dualidade Forte, esta afirma que, se o problema primal e o problema
dual tiverem soluçõ es ó timas finitas, entã o os valores ó timos das respetivas funçõ es
objetivo serã o iguais.
Noutras palavras, se um problema primal tem uma soluçã o ó tima com um
determinado valor objetivo, e o problema dual também tem uma soluçã o ó tima, entã o o
valor objetivo dessa soluçã o dual será exatamente igual ao valor objetivo da soluçã o
primal.
Esta propriedade é essencial na teoria da programaçã o linear, pois estabelece
uma relaçã o direta entre os problemas primal e dual, garantindo que os valores ó timos
estejam sempre relacionados. Além disso, a propriedade da dualidade forte permite que
os problemas primal e dual sejam abordados de forma simultâ nea e que informaçõ es
importantes sejam obtidas a partir de um problema e transferidas para o outro.
GESTÃO
A propriedade da dualidade forte é uma das bases da aná lise e resoluçã o de

problemas de programaçã o linear, fornecendo uma relaçã o consistente entre os dois
problemas e permitindo a interpretaçã o econô mica das soluçõ es e dos valores duais.
CAPÍTULO VII-ANÁLISE DE SENSIBILIDADE

7.1 Considerações Gerais
A sensibilidade desempenha um papel crucial na programaçã o linear, pois ajuda a

compreender quais sã o os parâ metros que sã o mais sensíveis e quais sã o as
consequências de alterar os seus valores no objetivo. É importante distinguir entre
parâ metros externos e internos. Os primeiros sã o aqueles que podem ser manipulados,
enquanto os segundos sã o aqueles que nã o podem ser alterados. A aná lise de
sensibilidade também é ú til para gerir um sistema de apoio à tomada de decisõ es, pois
permite identificar as mudanças nos dados e encontrar soluçõ es para as variaçõ es
externas, considerando as variaçõ es internas.
Para que seja possível realizar uma aná lise de sensibilidade, é necessá rio ter em
consideraçã o um conjunto de etapas sequenciais, que agora se apresentam:
1) Revisã o do modelo;
2) Revisã o da tabela final do Simplex;
3) Aplicar a eliminaçã o Gaussiana e converter a tabela para a forma “standard”;
4) Testar se a soluçã o obtida ainda se encontra na regiã o possível;
5) Testar a otimalidade da soluçã o obtida;
6) Reotimizar, caso nã o se verifique a ocorrência da soluçã o ó tima possível.
7.2. Variação na função objetivo, c’

A fim de garantir a otimalidade em um problema de maximizaçã o, como o
abordado neste trabalho acadêmico, os valores do objetivo devem ser menores que zero.
Caso contrá rio, algum desses valores pode aumentar o objetivo ao entrar na soluçã o
bá sica.
GESTÃO
Neste sentido, ao estudar a variaçã o na funçã o objetivo, é considerado um

intervalo ó timo, no qual os valores da funçã o objetivo podem variar para mais ou para
menos, mantendo sempre a soluçã o bá sica e, consequentemente, a sua otimalidade.
Dentro deste contexto, sã o apresentados os cá lculos para determinar a faixa ideal
de variaçã o das variá veis da funçã o objetivo:
Expressão 4: Modelo de aferição da variação na função objetivo
No problema primal, a funçã o objetivo é dada por: Maximize 75P + 65Q

Vamos considerar a variaçã o no coeficiente de P, representado por c1', e no
coeficiente de Q, representado por c2'. Supondo que os coeficientes originais sejam c1 =
75 e c2 = 65, vamos analisar os efeitos das variaçõ es c1' e c2' nos valores ó timos de P e Q.
Se c1' aumentar, significa que o coeficiente de P na funçã o objetivo aumentou.
Isso indica que o valor ó timo de P também aumentará , pois um maior valor de P
contribui para um maior valor na funçã o objetivo. Da mesma forma, se c1' diminuir, o
valor ó timo de P também diminuirá .
Se c2' aumentar, significa que o coeficiente de Q na funçã o objetivo aumentou.
Nesse caso, o valor ó timo de Q também aumentará , pois um maior valor de Q contribui
para um maior valor na funçã o objetivo. Se c2' diminuir, o valor ó timo de Q também
diminuirá .
É importante ressaltar que a aná lise de sensibilidade deve ser realizada levando
em consideraçã o as restriçõ es do problema. Caso as variaçõ es nos coeficientes da funçã o
objetivo levem a violaçõ es das restriçõ es, a soluçã o ó tima pode ser alterada.
GESTÃO
Além disso, a aná lise de sensibilidade também pode ser feita em relaçã o aos
coeficientes das restriçõ es (A) e ao lado direito das restriçõ es (b), para avaliar o impacto
dessas variaçõ es nas soluçõ es ó timas.
A aná lise de sensibilidade da variaçã o na funçã o objetivo (c') permite
compreender como as alteraçõ es nos coeficientes da funçã o objetivo afetam as soluçõ es
ó timas do problema primal. Ela é fundamental para entender a estabilidade das soluçõ es
em relaçã o a mudanças nos parâ metros do problema e para tomar decisõ es informadas
com base nessa aná lise.
7.3. Variação nos parâmetros, b’

A aná lise de sensibilidade da variaçã o nos parâ metros (b') refere-se ao estudo do
impacto de alteraçõ es nos valores das restriçõ es do problema primal nos valores ó timos
das variá veis de decisã o.
No seu problema primal, as restriçõ es sã o dadas por:
P ≤ 3000
Q ≤ 1500
7P + 4Q ≤ 6700
Vamos considerar a variaçã o nos parâ metros b1', b2' e b3', que correspondem aos
lados direitos das restriçõ es. Supondo que os valores originais sejam b1 = 3000, b2 =
1500 e b3 = 6700. Vou analisar como as alteraçõ es em b1', b2' e b3' afetam as soluçõ es
ó timas.
Se b1' aumentar, significa que o lado direito da primeira restriçã o aumentou.
Neste caso, a restriçã o fica menos restritiva e permite um maior valor para P. Assim, o
valor ó timo de P aumentará .
Se b1' diminuir, o lado direito da primeira restriçã o diminui e a restriçã o torna-se
mais restritiva. O pode resultar num valor ó timo menor para P.
O mesmo raciocínio aplica-se à s restriçõ es 2 e 3. Se b2' ou b3' aumentarem, as
restriçõ es tornam-se menos restritivas e permitem maiores valores para Q e P,
respetivamente, resultando em valores ó timos maiores para essas variá veis. Se b2' ou
GESTÃO
b3' diminuírem, as restriçõ es se tornam mais restritivas e os valores ó timos de Q e P

podem diminuir.
É importante notar que a aná lise de sensibilidade também pode ser realizada em
relaçã o aos coeficientes das restriçõ es (A) e à funçã o objetivo (c) para avaliar o impacto
dessas variaçõ es nas soluçõ es ó timas.
A aná lise de sensibilidade da variaçã o nos parâ metros (b') permite compreender
como as alteraçõ es nos valores das restriçõ es afetam as soluçõ es ó timas do problema
primal. Ela é crucial para avaliar a estabilidade das soluçõ es diante de mudanças nos
parâ metros do problema e auxiliar na tomada de decisõ es adequadas com base nessa
aná lise.
CONCLUSÃO
Neste trabalho, explorei os conceitos relacionados com a programaçã o linear e a relaçã o
primal-dual. Di discutindo a formulaçã o do problema primal na forma algébrica e
matricial, identificando as restriçõ es e a funçã o objetivo. Em seguida, apresentamos o
problema dual correspondente, com suas restriçõ es e funçã o objetivo.
Abordamos a propriedade da dualidade forte, que estabelece que, se ambos os

problemas primal e dual têm soluçõ es ó timas finitas, seus valores ó timos serã o iguais.
GESTÃO
Isso mostra a relaçã o intrínseca entre os problemas primal e dual, permitindo que
informaçõ es e propriedades sejam transferidas entre eles.
Explorá mos a aná lise de sensibilidade, que nos permite avaliar o impacto de variaçõ es
nos coeficientes da funçã o objetivo (c') e nos parâ metros das restriçõ es (b') nas soluçõ es
ó timas. Esta ajuda-nos a compreender como as mudanças nos parâ metros afetam as
soluçõ es e a tomar decisõ es informadas com base nesses insights.
Por fim, destaco a importâ ncia destes conceitos na resoluçã o de problemas reais,
tanto na interpretaçã o e implementaçã o da aná lise de sensibilidade quanto na aplicaçã o
em problemas econó micos e de aná lise econó mica.
A programaçã o linear e a relaçã o primal-dual sã o ferramentas valiosas para a
otimizaçã o de problemas complexos. Através destes conceitos, podemos formular e
resolver problemas, analisar sensibilidade e tomar decisõ es com base em dados. A
compreensã o destes princípios fundamentais é fundamental para o estudo e a aplicaçã o
bem-sucedida da programaçã o linear em diversas á reas.
GESTÃO

Trabalho Investigação Organizacional Mariana Vicente Rodrigues 22629 - Cópia

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

Trabalho Investigação Organizacional Mariana Vicente Rodrigues 22629 - Cópia

Enviado por

Direitos autorais:

Formatos disponíveis

INSTITUTO POLITÉCNICO DE PORTALEGRE

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

Estudo de um Problema de Programaçã o Linear

IO: Investigaçã o Operacional

PL: Programaçã o Linear

Expressão 3- Forma canó nica do Simplex

Quadro 1- Forma tabular (primeira interaçã o)

Quadro 5- Forma tabular (terceira interaçã o)

Gráfico 1- Representaçã o Grá fica do problema

Muitos dos problemas atuais baseiam-se na escolha de uma alternativa neste

The subject of Operations Research for Management has a theoretical-practical

Capítulo I- Programação Linear

Um elemento crucial nos problemas relacionados a decisõ es é a otimizaçã o, que

A Programaçã o Linear é um ramo da Investigaçã o Operacional que surgiu durante

Antes de começarmos a abordar um problema de programaçã o linear, é

Capítulo II- O Problema da Programação Linear

No presente capítulo, será apresentado o problema da programaçã o linear

interpretaçã o e contextualizaçã o do problema, assim como a definiçã o das variá veis de

2.2 Enunciado do problema

As entregas de produtos aos agentes e distribuidores sã o feitas em contentores de

Enunciado do problema disponibilizado pelo docente - Problema 8

A empresa em questã o realiza entregas de produtos a agentes e distribuidores,

2.4 Problema específico

O problema específico é maximizar o valor da carga transportada em cada

2.5 Aspetos significativos do problema específico

Neste problema em específico, o principal objetivo é maximizar o valor da carga

2.6. Variáveis de decisão

As variá veis de decisã o neste exercício sã o:

CAPÍTULO III – FORMULAÇÃO DO MODELO

A formulaçã o de um modelo de programaçã o linear consiste em identificar as

Para fazer a modelaçã o da situaçã o irei utilizar as variá veis seguintes:

 Restriçã o de tonelagem total: ( P∗7 ) + ( Q∗4 ) ≤ 6700

3.2.2 Restrições funcionais

As restriçõ es funcionais sã o um conjunto de limitaçõ es lineares que devem ser

3.2.3 Condições de não negatividade

O problema de programaçã o linear que estamos a estudar reflete uma situaçã o

As entregas de produtos aos agentes e distribuidores sã o feitas em contentores de

CAPÍTULO IV – RESOLUÇÃO GRÁFICA

4.2. Problema em Estudo

O modelo construído para a representaçã o grá fica do problema em aná lise é

Restriçã o de tonelagem: A carga total de caixas de ambos os produtos,

Gráfico 1: Representação gráfica do problema

Quadro 1: Valor da função objetivo

Fonte: Elaboração Própria

CAPÍTULO V- ALGORITMO DO SIMPLEX

5.1 Considerações Gerais

No capítulo anterior, examinamos a viabilidade de resolver problemas de

5.2 Forma Canónica

Para otimizar um problema de programaçã o linear, é necessá rio primeiro

Fonte: Apontamentos da disciplina

A forma canô nica do problema pode ser definida da seguinte maneira:

Seja y a quantidade de caixas do produto Q a serem transportadas.

Para resolver o problema utilizando o algoritmo Simplex, seja na forma tabular ou

Quadro 2:Forma tabular inicial

Fonte: elaboração própria

Na primeira iteraçã o, selecionamos a variá vel nã o bá sica x1 para entrar na base e

Fonte: elaboração própria

Fonte: elaboração própria

Neste ponto, todos os coeficientes da funçã o objetivo (linha z) sã o nã o negativos,

Existe a possibilidade de resolver um problema de programaçã o linear usando o

Cada matriz representa:

No contexto do cá lculo matricial, as matrizes mencionadas anteriormente sã o

Fonte: elaboração própria