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

i
Estudo de um Problema de Programação Linear

ii
 Estudo de um Problema de Programação Linear

Lista de Siglas

IO: Investigaçã o Operacional

PL: Programaçã o Linear

iii
 Estudo de um Problema de Programação Linear

Índice Geral:

Lista de Siglas..........................................................................................................................iii
Índice Geral:.............................................................................................................................iii
Índice de Gráficos....................................................................................................................vi
Índice de Expressões..............................................................................................................vii
Índice de Quadros.................................................................................................................viii
Capítulo I- Programação Linear..........................................................................................10
1.1 Introduçã o à programaçã o linear.............................................................................10
Capítulo II- O Problema da Programação Linear.............................................................12
2.1 Noçõ es fundamentais...............................................................................................................12
2.2 Enunciado do problema..........................................................................................................12
2.3 Contextualizaçã o e objetivaçã o do problema real.......................................................13
2.4 Problema específico..................................................................................................................13
2.5 Aspetos significativos do problema específico...............................................................13
2.6. Variá veis de decisã o.................................................................................................................. 14
CAPÍTULO III – FORMULAÇÃO DO MODELO........................................................................15
3.1. Consideraçõ es gerais.................................................................................................................15
3.2 Modelaçã o matemá tica..............................................................................................................16
3.2.1 Funçã o objetivo.....................................................................................................................................16
3.2.2 Restriçõ es funcionais...........................................................................................................................17
3.2.3 Condiçõ es de nã o negatividade...........................................................................................................17
3.2.4 Simplificaçõ es.......................................................................................................................................18
CAPÍTULO IV – RESOLUÇÃO GRÁFICA..................................................................................19
4.1. Consideraçõ es Gerais................................................................................................................ 19
4.2. Problema em Estudo................................................................................................................ 19
CAPÍTULO V- ALGORITMO DO SIMPLEX..............................................................................21
5.1 Consideraçõ es Gerais................................................................................................................. 21
5.2 Forma Canó nica............................................................................................................................ 21
5.3 Resoluçã o pelo algoritmo do Simplex.................................................................................22
5.4 Forma Simplex.............................................................................................................................. 23
5.5.................................................................................................................. Forma Matricial
..................................................................................................................................................................... 24
CAPÍTULO VI-MÉTODO DUAL................................................................................................26

iv
 Estudo de um Problema de Programação Linear

6.1 Introduçã o ao método dual.....................................................................................................26

6.2 Soluçã o pelo método dual........................................................................................................ 29
6.3 Justificaçã o dos valores duais.................................................................................................30
6.4 Comparaçã o primal-dual..........................................................................................................31
6.5 Propriedade da relaçã o primal-dual...................................................................................32
CAPÍTULO VII-ANÁLISE DE SENSIBILIDADE........................................................................33
7.1 Consideraçõ es Gerais................................................................................................................. 33
7.2. Variaçã o na funçã o objetivo, c’..............................................................................................34
7.3. Variaçã o nos parâ metros, b’...................................................................................................35
CONCLUSÃO.............................................................................................................................37
Bibliografia e Webgrafia......................................................................................................38
ANEXOS.....................................................................................................................................39

v
 Estudo de um Problema de Programação Linear

Índice de Gráficos

Gráfico 1: Representaçã o grá fica do problema...................................................................................20

vi
 Estudo de um Problema de Programação Linear

Índice de Expressões

Expressão 1: Forma Canó nica Simplex...................................................................................................21

Expressão 2: Relaçã o Dual e primal.........................................................................................................26
Expressão 3: Transformaçã o dual-primal.............................................................................................28
Expressão 4: Modelo de aferiçã o da variaçã o na funçã o objetivo..............................................34

vii
 Estudo de um Problema de Programação Linear

Índice de Quadros

Quadro 1: Valor da funçã o objetivo..........................................................................................................20

Quadro 2:Forma tabular inicial.................................................................................................................. 23
Quadro 3: 1ªInteraçã o.................................................................................................................................... 23
Quadro 4: 2ª Interaçã o................................................................................................................................... 24
Quadro 5:Modelo da forma matricial...................................................................................................... 25

viii
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.

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.

8
 Estudo de um Problema de Programação Linear

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.
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.

9
 Estudo de um Problema de Programação Linear

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.
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

10
 Estudo de um Problema de Programação Linear

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,
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.

11
 Estudo de um Problema de Programação Linear

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 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

12
 Estudo de um Problema de Programação Linear

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 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

13
 Estudo de um Problema de Programação Linear

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.
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.

14
 Estudo de um Problema de Programação Linear

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 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,…).

15
 Estudo de um Problema de Programação Linear

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
 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.

16
 Estudo de um Problema de Programação Linear

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
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

17
 Estudo de um Problema de Programação Linear

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:
 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

18
 Estudo de um Problema de Programação Linear

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.
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.

19
 Estudo de um Problema de Programação Linear

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.

20
 Estudo de um Problema de Programação Linear

CAPÍTULO V- ALGORITMO DO SIMPLEX

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

21
 Estudo de um Problema de Programação Linear

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.
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:

22
 Estudo de um Problema de Programação Linear

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.
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:

23
 Estudo de um Problema de Programação Linear

Quadro 3: 1ªInteração

Fonte: elaboração própria

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

Fonte: elaboração própria

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.
Cada matriz representa:
A matriz bá sica, chamada de B, é composta pelas variá veis bá sicas do problema.

24
 Estudo de um Problema de Programação Linear

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

Fonte: elaboração própria

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
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

25
 Estudo de um Problema de Programação Linear

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.

26
 Estudo de um Problema de Programação Linear

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.
5. Se a variá vel primal associada é nã o restringida em sinal (+ e -), a restriçã o dual
será uma igualdade (=).

27
 Estudo de um Problema de Programação Linear

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

Fonte: apontamentos da cadeira

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

O problema dual na forma algébrica é o seguinte:

28
 Estudo de um Problema de Programação Linear

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

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:

29
 Estudo de um Problema de Programação Linear

-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
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:

30
 Estudo de um Problema de Programação Linear

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.

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

31
 Estudo de um Problema de Programação Linear

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).
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.

32
 Estudo de um Problema de Programação Linear

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.
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

33
 Estudo de um Problema de Programação Linear

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.
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

34
 Estudo de um Problema de Programação Linear

Fonte: apontamentos da cadeira

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.
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

35
 Estudo de um Problema de Programação Linear

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 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

36
 Estudo de um Problema de Programação Linear

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. Falei na formulaçã o do problema primal na forma algébrica e
matricial, identificando as restriçõ es e a funçã o objetivo. Em seguida, apresentei o
problema dual correspondente, com as suas restriçõ es e funçã o objetivo.
Abordei a propriedade da dualidade forte, que estabelece que, se ambos os
problemas primal e dual tiverem soluçõ es ó timas finitas, nos seus valores ó timos
serã o iguais. Isso mostra a relaçã o intrínseca entre os problemas primal e dual,
permitindo que informaçõ es e propriedades sejam transferidas entre eles.
Explorei 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')

37
 Estudo de um Problema de Programação Linear

nas soluçõ es ó timas. Esta ajuda na compreensã o como as mudanças nos parâ metros
afetam as soluçõ es e a tomar decisõ es informadas com base nestes 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.

Bibliografia e Webgrafia

Apontamentos da unidade curricular

https://cbom.atozmath.com/CBOM/Simplex.aspx?
q=gm&q1=2%603%60MAX%60z
%60x1%2cx2%6075%2c65%601%2c0%3b0%2c1%3b7%2c4%60%3c%3d%2c
%3c%3d%2c%3c%3d%603000%2c1500%2c67000%60%60D%60false%60true
%60false%60true%60false%60false%60true%601&dp=4&do=1#PrevPart

38
 Estudo de um Problema de Programação Linear

ANEXOS

39
Estudo de um Problema de Programação Linear

40
Estudo de um Problema de Programação Linear

41
Estudo de um Problema de Programação Linear

42