Apostila Pesquisa Operacional Unip 2013 Aluno

1
PESQUISA OPERACIONAL
APOSTILA DE PESQUISA
OPERACIONAL
Prof. Dr. Almir Volpi
UNIP
2013
UNIP
APOSTILA E MATERIAL DIDTICO TEORIA E EXERCCIOS
Pesquisa Operacional
Todos os direitos reservados

PROIBIDA A REPRODUO E DISTRIBUIO SEM PRVIA AUTORIZAO DO AUTOR
Prof. Dr. Almir Volpi - avolpi@terra.com.br
2013
UNIP
NDICE
Conceitos Centrais
Histrico da Pesquisa Operacional
Natureza da Pesquisa Operacional
Fases de Estudo da Pesquisa Operacional.
Tcnicas Matemticas na Pesquisa Operacional
PROGRAMAO LINEAR
Introduo e Conceitos Centrais
Caracterstica da Programao Linear
Formulao de Problemas
Modelagem
Exerccios Propostos
Teoremas da Programao Linear
Soluo Grfica
Soluo tima
Exerccios Propostos
REVISO DE MATRIZES
Tipos de Matrizes
Determinantes
Regra de SARRUS
REVISO DE SISTEMA LINEAR
Regra de CRAMER
Algoritmo de GAUSS-JORDAN
MTODO SIMPLEX
Conceitos Centrais
Variveis
Roteiro do Mtodo
Exerccios Propostos
UNIP
CONCEITOS CENTRAIS
A Pesquisa Operacional tem sua origem antes da II Guerra Mundial na Inglaterra com o objetivo de auxiliar a
defesa do pas e identificar oportunidades para Maximizar os resultados de suas aes. O desafio dos
estrategistas da poca estava centrado na distribuio de recursos escassos buscando uma soluo tima para o
problema, que neste caso se destinava a avaliar e reposicionar os radares do sistema areo de defesa da GrBretanha em 1938 prestes ao inicio da guerra. Baseado em problemas matemticos a Pesquisa Operacional se
torna um modelo de tomada de deciso.
Devido aos bons resultados alcanados pelos ingleses os EUA passam a utiliza-la em atividades semelhantes.
Com o final da II GM a P.O. se popularizou e passou a ser aplicada no campo de gerenciamento de negcios e da
administrao da produo. Baseada em sofisticados conceitos da Matemtica e da Estatstica a P.O. apresenta
grandes benefcios na resoluo de problemas complexos de transportes, alocao de recursos, Maximizao e
minimizao. Em 1947 George Dantzig desenvolveu o processo metodolgico mais importante do perodo psguerra intitulado "MTODO SIMPLEX" proporcionando um "roteiro" para a resoluo de problemas de
Programao Linear1.
Para Marins (2011, p. 14) o rpido crescimento da PO no ps-guerra deve-se ao desenvolvimento de tcnicas
especficas, tais como o Mtodo SIMPLEX para a Programao Linear, e ao grande progresso alcanado no
desenvolvimento dos computadores eletrnicos. A expanso da PO no mundo acadmico se deu inicialmente nos
departamentos de Engenharia Industrial e de Engenharia de Produo, e nas escolas de Administrao das
Universidades norte-americanas.
No Brasil, a P.O. iniciou na dcada de 1960. O primeiro Simpsio Brasileiro de Pesquisa Operacional (SBPO) foi
realizado em 1968 no ITA e inclua alguns pesquisadores do pas. Em seguida, foi criada a Sociedade Brasileira de
Pesquisa Operacional (SOBRAPO) em 1969.
A Pesquisa Operacional uma cincia aplicada voltada para a resoluo de problemas reais. Tendo como foco a
tomada de decises, aplica conceitos e mtodos de vrias reas cientficas na concepo, planejamento ou
operao de sistemas. A Pesquisa Operacional usada para avaliar linhas de ao alternativas e encontrar as
solues que melhor servem aos objetivos dos indivduos ou organizaes2. Para Silva (1998; p.12) a Pesquisa
Operacional um mtodo cientfico de tomada de decises que em linha gerais, consiste na descrio de um
sistema organizado com o auxlio de um modelo, e atravs da experimentao com o modelo, na descoberta da
melhor maneira de operar o sistema.
A NATUREZA DA PESQUISA OPERACIONAL

Um estudo de Pesquisa Operacional consiste em construir um "modelo" a partir de um sistema real existente com
o objetivo de compreender o comportamento dessa situao, com o objetivo conforme resentar o resultado que se
deseja. A complexidade de um sistema real resulta do fato de que seu comportamento influenciado por um
nmero muito grande de elementos variveis, sendo estas "variveis" influenciadas pelas "restries" que so a
parte comum em todos os problemas de P.O.
1
uma ferramenta matemtica que permite encontrar a soluo tima para certos tipos de problemas. O termo "linear" se refere a
linearidade das equaes do problema. Tambm pode ser considerada como uma srie de operaes matemticas que so
utilizadas para "alocar" recursos escassos em operaes simultneas na busca de soluo tima para um nico objetivo.
2 Disponvel em: < http://www.sobrapo.org.br/o_que_e_po.php >. Acesso em 05/12/2012.
UNIP
Problemas de P.O. so normalmente apresentados na forma de uma funo objetivo (por exemplo, Maximizar o
lucro da empresa, minimizar o custo de produo, determinar quantidades mnimas e mximas em misturas,
determinar rotas de transportes, etc.) e diversas restries (associadas, por exemplo, disponibilidade de
matrias-primas, mo de obra, etc.) e possuem as seguintes caractersticas:

O problema possui um conjunto de variveis manipulveis no procedimento de busca pelo timo; essas
so as variveis de deciso do problema.
Uma funo objetivo compe o critrio de otimalidade, sendo escrita em termos das variveis de deciso
do problema. A funo objetivo uma funo linear das variveis de deciso, devendo ser Maximizada ou
minimizada.
Os valores assumidos pelas variveis de deciso devem satisfazer um conjunto de restries, que
compem a regio de solues viveis do problema.
As variveis de deciso podem assumir valores pr-estabelcidos no domnio dos nmeros reais (isto ,
valores positivos, negativos ou ambos).
FASES DE ESTUDO DA P.O.

Cinco fases num projeto de PO:

Formulao do problema (identificao do sistema)

Construo do modelo matemtico
Obteno da soluo
Teste do modelo e avaliao da soluo obtida
Estabelecimento de controles da soluo
Implantao
1- Formulao do Problema: Para se formular corretamente um problema necessrio que o mesmo seja bem
identificado e seu sistema seja explanado, desta forma so necessrias algumas informaes bsicas, como qual
o objetivo do problema, quais os caminhos que definem suas restries, quais as limitaes tcnicas do sistema
e qual a medidas de eficincia para o sistema para "ordenar" as solues encontradas concluindo o processo de
deciso
2- Construo do Modelo Matemtico: Um modelo matemtico de um problema real uma representao
atravs de expresses matemticas que descrevem a essncia do problema. Se existirem n decises
quantificveis, elas sero representadas por n variveis de deciso ou de controle. As relaes e limitaes a que
esto sujeitas as variveis de deciso so expressas por meio de equaes e inequaes, denominadas
restries. O objetivo que se pretende atingir formulado como uma funo (ou mais de uma), colocada em
termos das variveis de deciso, denominada funo objetivo. Se o modelo elaborado tem a forma de um modelo
conhecido, a soluo pode ser obtida atravs de mtodos matemticos convencionais. Por outro lado, se as
relaes matemticas so muito complexas, talvez se faa necessria a utilizao de combinaes de
metodologias.
3- Obter a soluo: Uma vez construdo o modelo matemtico parte-se para a obteno de uma soluo.
Diversos so os mtodos matemticos utilizados em P.O., associados s vrias reas que compe a P.O. como
Programao Linear, Teoria das Filas. A rea de T.I. vem desenvolvendo diversos softwares, que disponibilizam
mtodos importantes da Pesquisa Operacional tornando vivel e eficiente a soluo de problemas complexos.
Podemos citar o SOLVER do Excel que atua com planilhas eletrnicas, o LINDO Linear Discrete Optimizer
(www.lindo.com). Ao contrrio das outras fases, que no possuem regras fixas, a soluo do modelo baseada
geralmente em tcnicas matemticas existentes. No caso de um modelo matemtico, a soluo obtida pelo
UNIP
algoritmo mais adequado, em termos de rapidez de processamento e preciso da resposta. Isto exige um
conhecimento profundo das principais tcnicas existentes. A soluo obtida, neste caso, dita "tima".
4- Teste do Modelo e Avaliao da Soluo: Dada a complexidade dos problemas existe a possibilidade de
erros na elaborao do modelo. Essa distoro levar a solues que no se ajustaro realidade. Dessa forma, o
modelo precisa ser testado. Em alguns casos o modelo pode ser testado atravs da reconstruo do passado (uso
de dado histricos), verificando-se a adequao do modelo s informaes disponveis. Em cada situao
especifica pode ser definida uma sistemtica para testar o modelo e sua soluo. Um modelo vlido se, levandose em conta sua inexatido em representar o sistema, ele for capaz de fornecer uma previso aceitvel do
comportamento do sistema.
5- Estabelecimento de controles da soluo: A construo e experimentao com o modelo identificam
parmetros fundamentais para a soluo do problema. Qualquer mudana nesses parmetros deve ser controlada
para garantir a validade da soluo. Caso ocorra qualquer modificao nestes parmetros (alm do permitido) uma
nova soluo ou at mesmo um novo modelo dever ser considerado.
6- Implementao: A ltima fase de um estudo de P.O. implementar a soluo final, uma vez que esta seja
aprovada. uma fase crtica, pois neste momento que os clculos sero efetivados e, portanto aptos a gerar
resultados sobre os objetivos desejados inicialmente.
TCNICAS MATEMTICAS EM PESQUISA OPERACIONAL

A formulao do modelo depende diretamente do sistema a ser representado. A funo objetivo e as funes de
restries podem ser lineares ou no- lineares. As variveis de deciso podem ser contnuas ou discretas (por
exemplo, inteiras) e os parmetros podem ser determinsticos ou probabilsticos.
O resultado dessa diversidade de representaes de sistemas o desenvolvimento de diversas tcnicas de
otimizao, de modo a resolver cada tipo de modelo existente. Estas tcnicas incluem, principalmente:
programao linear utilizada para analisar modelos onde s restries e a funo objetivo so lineares;
programao inteira se aplica a modelos que possuem variveis inteiras (ou discretas), programao dinmica
utilizada em modelos onde o problema completo pode ser decomposto em subproblemas menores, programao
estocstica aplicada a uma classe especial de modelos onde os parmetros so descritos por funes de
probabilidade e programao no- linear utilizada em modelos contendo funes no- lineares.
Uma caracterstica presente em quase todas as tcnicas de programao matemtica que a soluo tima do
problema no pode ser obtida em um nico passo, devendo ser obtida iterativamente. escolhida uma soluo
inicial (que geralmente no a soluo tima). Um algoritmo3 especificado para determinar, a partir desta, uma
nova soluo, que geralmente superior anterior. Este passo repetido at que a soluo tima seja alcanada
(supondo que ela existe).
Algoritmo uma sequencia lgica e finita de instrues definidas e no ambguas que devem ser seguidas para a realizao de
uma tarefa na busca de uma soluo. Sequncia finita de regras, raciocnios ou operaes que, aplicada a um nmero finito de
dados, permite solucionar classes semelhantes de problemas.
3
UNIP
PROGRAMAO LINEAR
INTRODUO - Definies e Conceitos
A Programao Linear tem como objetivo encontrar a soluo tima para problemas que tenham seus modelos
representados por expresses lineares. A sua simplicidade apresentada devido a linearidade do modelo. A
aplicabilidade da Programao Linear consiste na Maximizao ou Minimizao de uma funo linear, denominada
Funo Objetivo, respeitando-se um sistema linear de igualdades ou desigualdades, que recebem o nome de
Restries do Modelo.
Normalmente neste tipo de deciso os recursos disponveis no so suficientes para que todas as atividades
sejam executadas no nvel mais elevado que se pretende; desta forma, a soluo neste caso encontrar a melhor
distribuio dos recursos entre as diversas tarefas ou atividades de forma que seja possvel atingir um valor timo
do objetivo estabelecido. Uma caracterstica deste problema que ele pode ser representado por um modelo de
otimizao onde as relaes matemticas so lineares.
Funo Objetivo: uma funo linear que se pretende otimizar, ou seja, ser a funo a ser Maximizada ou
minimizada.
Restries: So as atividades e ou quantidades que devem ser respeitadas de acordo com os recursos
disponveis ou a serem utilizados. So normalmente escritos sob a forma de inequaes4 ou equaes lineares.

Restries de no negatividade - quando as variveis que entram na formulao no podem assumir

valores negativos.
Restries do Problema - lista ou "rol" de restries que implique na possvel soluo do problema. As
restries do problema originam a chamada regio da admissvel de soluo.
Soluo: Soluo qualquer especificao de valores (dentro do domnio da funo-objetivo, f) para as variveis de
deciso, independente de se tratar de uma escolha desejvel ou permissvel.
Soluo vivel: Soluo vivel uma soluo em que todas as restries so satisfeitas
Soluo Impossvel: aquela que no h qualquer valor que satisfaa ao conjunto de restries.
Soluo ilimitada: aquela que a funo objetivo aceita valores indefinidamente, e estes atendem a todas as
restries do problema.
Soluo tima: a soluo possvel que faz com que os objetivos do problema seja "mais favorvel" ou seja, que
otimiza a funo objetivo.
Variveis de deciso: So as variveis, ou seja, as incgnitas a serem determinadas pela soluo do modelo.
So as variveis reais x1, x2, x3, x4 .... Xn.
Variveis de folga: uma varivel auxiliar, no negativa e de coeficiente unitrio que se introduz no modelo para
reduzir uma restrio na forma de igualdade as demais restries.
Inequao toda a desigualdade literal que apenas satisfeita por certos valores, as letras ou incgnitas que nela figuram, por
outras palavras, apresentam os sinais de maior (>) ou menor (<) ao invs do sinal de igualdade que o caracteriza as equaes.
Disponvel em: < http://aprendermmatematica.blogspot.com.br/p/inequacoes.html >. Acesso em: 10/12/2012.
4
UNIP
CARACTERSTICA DA PROGRAMAO LINEAR

Para representar um problema de otimizao como um programa linear, diversas caractersticas necessitam ser
previamente discutidas e analisadas junto formulao do problema de programao linear. Segundo
Lechtermacher (2007, p. 20) todo problema de Programao Linear parte de algumas hipteses que so
assumidas quando tentamos resolv-los:
Proporcionalidade: O valor da funo-objetivo diretamente proporcional ao nvel de atividade de cada varivel
de deciso.
Aditividade: Considera as atividades (variveis de deciso) do modelo como entidades totalmente independentes,
no permitindo que haja interdependncia entre as mesmas, isto , no permitindo a existncia de termos
cruzados, tanto na funo-objetivo como nas restries.
Divisibilidade: Assume que todas as unidades de atividade possam ser divididas em qualquer nvel fracional, isto
, qualquer varivel de deciso pode assumir qualquer valor fracionrio.
Certeza: Assume que todos os parmetros do modelo so constantes conhecidas. Em problemas reais, a certeza
quase nunca satisfeita, provocando a necessidade de anlise de sensibilidade dos resultados.
FORMULAO DE PROBLEMAS DE PROGRAMAO LINEAR

No eXiste uma forma nica para formular ou desenvolver um problema de P.L. porm, possvel estar atento aos
seguintes aspectos:

Identificao das variveis de deciso

Identificao da funo objetivo
Identificao das Restries
Formulao matemtica
De posse das informaes acima se torna vivel a soluo do problema. O mtodo de P.L. permite a soluo
grfica e a soluo algbrica que permite mais facilmente tomar decises mais acertadas no domnio da gesto de
aplicaes como: Planejamento agregado, anlise de produtividade de servios, planejamento de produtos,
otimizao do fluxo de produo e de processos produtivos, e so tambm aplicadas em outros setores como:
medicina, agricultura, campo militar, setor de transportes, poltica florestal etc..
ROTEIRO PARA MODELAGEM

Os problemas de Programao Linear esto entre as aplicaes mais bem-sucedidas comercialmente da
Pesquisa Operacional; proporcionando considervel impacto econmico. Quando se estrutura problema sob a
forma de um modelo matemtico, tem-se como objetivo auxiliar o processo de deciso. Normalmente o problema
resume-se na Maximizao (ou minimizao) de uma funo linear, a funo objetiva, sujeita a restries tambm
lineares. No existe uma forma bsica para modelar problemas de P.L., mas podemos estabelecer alguns passos
capazes de "simplificar" a modelagem, sendo:
Passo I. Quais as variveis de deciso?
Identifique as variveis desconhecidas a serem determinadas (elas so denominadas variveis de deciso) e
represente-as atravs de smbolos algbricos (por exemplo, x e y ou x1 e x2).
UNIP
Passo II. Qual o objetivo?

Identifique o objetivo ou critrio de otimizao do problema, representando-o como uma funo linear das variveis
de deciso. O objetivo pode ser Maximizar lucros ou minimizar custos e perdas. A funo objetivo a expresso
que calcula o valor do objetivo (lucro, custo, receita, perda etc.), em funo das variveis de deciso.
Passo III. Quais as restries?

Liste todas as restries do problema e expresse-as como equaes (=) ou inequaes (, ) lineares em termos
das variveis de deciso definidas no passo anterior. Cada restrio imposta na descrio do sistema deve ser
expressa como uma relao linear (igualdade ou desigualdade), montadas com as variveis de deciso.
Um modelo de Programao Linear um modelo matemtico de otimizao no qual todas as funes so lineares.
Estes modelos so compostos por uma funo objetivo linear e por restries tcnicas representadas por um
grupo de inequaes tambm lineares.
Exemplo 1:
Uma empresa fabrica dois produtos P1 e P2. O lucro unitrio de P1 de 1.000 unidades monetrias; e o lucro de
P2 de 1.800 unidades monetrias. A empresa precisa de 20 horas para fabricar uma unidade de P1 e de 30
horas para fabricar uma unidade de P2. O tempo anual de produo disponvel para isso de 1200 horas. A
demanda esperada para cada produto de 40 unidades anuais para P1 e 30 unidades anuais para P2. Qual o
plano de produo para que a empresa Maximize seu lucro nesses itens? Construa o modelo de programao
linear para esse caso. (SILVA, 2010, p. 6).
Soluo:
a) Quais as variveis de deciso?
O que deve ser decidido o plano de produo, isto , quais as quantidades anuais que devem ser produzidas de
P1 e P2. Portanto, as variveis de deciso sero x1 e x2, onde:
x1 quantidade anual a produzir de P1.
x2 quantidade anual a produzir de P2.
b) Qual o objetivo?
O objetivo Maximizar o lucro, que pode ser calculado por:
Lucro devido a P1: 1000.x1 (lucro de P1 multiplicado pela quantidade produzida de P1).
Lucro devido a P2: 1800.x2 (lucro de P2 multiplicado pela quantidade produzida de P2).
Os lucros acima so obtidos multiplicando-se o lucro unitrio pela quantidade produzida (xi). Assim, o lucro total
ser dado por:
Lucro total: L = 1000.x1 + 1800.x2
Portanto o objetivo ser Maximizar L = 1000.x1 + 1800.x2
c) Quais as restries?
As restries impostas pelo sistema so:
Disponibilidade de horas para a produo: 1200 horas.
horas ocupadas com P1: 20.x1 (uso por unidade multiplicado pela quantidade produzida de P1).
horas ocupadas com P2: 30.x2 (uso por unidade multiplicado pela quantidade produzida de P2).
UNIP
10
As horas acima so obtidas multiplicando-se o nmero de horas utilizadas na produo de uma unidade do
produto (Pi) pela quantidade produzida xi.
Assim, o total de horas utilizadas na produo ser dado por: 20x1 + 30x2
Como a disponibilidade de 1200 horas, temos a primeira restrio: 20x1 + 30x2 1200
Disponibilidade de mercado para os produtos (demanda):

Disponibilidade de P1: 40 unidades e a quantidade a produzir de P1: x1
Logo, temos a seguinte restrio: x1 40
Disponibilidade de P2: 30 unidades e a quantidade a produzir de P2: x2
Logo, temos a seguinte restrio: x2 30
Resumindo, o modelo de Programao Linear para o problema proposto ser:

Max L = 1000x1 + 1800x2
Sujeito a:
Restries tcnicas
20x1 + 30x2 1.200

x1 40
x2 30
Restries de no negatividade
x1 0
x2 0
Exemplo 2:
Para uma boa alimentao, o corpo necessita de vitaminas e protenas. A necessidade mnima de vitaminas de
32 unidades por dia e a de protenas de 36 unidades por dia. Uma pessoa tem disponvel carne e ovos para se
alimentar. Cada unidade de carne contm 4 unidades de vitaminas e 6 unidades de protenas. Cada unidade de
ovo contm 8 unidades de vitaminas e 6 unidades de protenas.Qual a quantidade diria de carne e ovos que deve
ser consumida para suprir as necessidades de vitaminas e protenas com o menor custo possvel? Cada unidade
de carne custa 3 unidades monetrias e cada unidade de ovo custa 2,5 unidades monetrias.
Soluo:
a) Quais as variveis de deciso?
Devemos decidir quais as quantidades de carne e ovos a pessoa deve consumir no dia. As variveis de deciso
sero, portanto:
x1 quantidade de carne a consumir no dia.
x2 quantidade de ovos a consumir no dia.
b) Qual o objetivo?
O objetivo minimizar o custo, que pode ser calculado por:
Custo devido carne: 3.x1 (custo por unidade multiplicado pela quantidade a consumir de carne).
Custo devido aos ovos: 2,5.x2 (custo por unidade multiplicado pela quantidade a consumir de ovos).
Os custos acima so obtidos multiplicando-se o custo unitrio de cada produto pela quantidade do produto a ser
consumida (xi). Assim, o custo total ser dado por:
UNIP
11
Custo total: C = 3x1 + 2,5x2

Portanto o objetivo ser minimizar C = 3x1 + 2,5x2
c) Quais as restries?
As restries impostas pelo sistema so:
Necessidade mnima de vitamina: 32 unidades
Vitamina de carne: 4.x1 (quantidade por unidade multiplicado pela unidade de carnes a consumir).
Vitamina de ovos: 8.x2 (quantidade por unidade multiplicado pela unidade de ovos a consumir).
As quantidades de vitamina so obtidas multiplicando-se quantidade de vitamina fornecida por cada alimento pela
quantidade a ser consumida (xi). Assim, o total de vitaminas consumido ser dado por: 4x1 + 8x2
Como a necessidade mnima de 32 unidades, temos a primeira restrio: 4x1 + 8x2 32
Necessidade mnima de protena: 36 unidades

protena de carne: 6.x1 (quantidade por unidade multiplicado pela unidade de carnes a consumir).
protena de ovos: 6.x2 (quantidade por unidade multiplicado pela unidade de ovos a consumir).
As quantidades de protena so obtidas multiplicando-se quantidade de protena fornecida por cada alimento pela
quantidade a ser consumida (xi). Assim, o total de protenas consumido ser dado por: 6x1 + 6x2
Como a necessidade mnima de 36 unidades, temos a segunda restrio: 6x1 + 6x2 36
Resumindo, o modelo de Programao Linear para o problema proposto :
Min C = 3x1 + 2,5x2
Sujeito a:
Restries tcnicas
4x1 + 8x2 32
6x1 + 6X2 36
Restries de no negatividade
x1 0
x2 0
UNIP
12
Exerccios Propostos:
1) Um sapateiro faz 6 sapatos por hora, se fizer somente sapatos, e 5 cintos por hora, se fizer somente cintos. Ele
gasta 2 unidades de couro para fabricar 1 unidade de sapato e 1 unidade de couro para fabricar uma unidade de
cinto. Sabendo-se que o total disponvel de couro de 6 unidades e que o lucro unitrio por sapato de 5
unidades monetrias e o cinto de 2 unidades monetrias, pede-se: o modelo do sistema de produo do
sapateiro, se o objetivo Maximizar seu lucro por hora.
2) Um empresa fabrica 2 produtos P1 e P2. O lucro por unidade de P1 de 100 u.m. e o lucro unitrio de P2 150
u.m. A empresa necessita de 2 horas para fabricar uma unidade de P1 e 3 horas para fabricar uma unidade de P2.
O tempo mensal disponvel para essa atividade de 120 horas. As demandas esperadas para os 2 produtos
levaram a empresa a determinar que os montantes produzidos de P1 e P2 no devem ultrapassar 40 unidades de
P1 e 30 unidades de P2 por ms. Construa o modelo do sistema de produo mensal com o objetivo de Maximizar
o lucro da empresa.
3) Uma empresa produz 2 produtos em uma de suas fbricas. Na fabricao dos 2 produtos, 3 insumos so
crticos em termos de restringir o nmero de unidades dos 2 produtos que podem ser produzidas: as quantidades
de matria prima (tipos A e B) disponveis e a mo de obra disponvel para a produo dos 2 produtos. Assim, o
Departamento de Produo j sabe que, para o prximo ms, a fbrica ter disponvel, para a fabricao dos 2
produtos, 4.900 quilogramas da matria prima A e 4.500 quilogramas da matria prima B. Cada unidade do
produto tipo I, para ser produzida consome 70 quilogramas da matria prima A e 90 quilogramas da matria prima
B. Por sua vez, cada unidade do produto tipo II para ser produzida, utiliza 70 quilogramas da matria prima tipo A e
50 quilogramas da matria prima tipo B. Como a produo dos 2 produtos utiliza processos diferentes, a mo de
obra especializada e diferente para cada tipo de produto, ou seja no se pode utilizar a mo de obra disponvel
para a fabricao de um dos produtos para produzir o outro. Assim, para a produo do produto tipo I a empresa
ter disponvel, no prximo ms, 80 homens-hora. J para o produto tipo II ter 180 homens-hora. Cada unidade
do produto tipo I, para ser produzida, utiliza 2 homens-hora enquanto que cada unidade do produto tipo II utiliza 3
homens-hora. Reduzindo do preo unitrio de venda todos os custos, chega-se a concluso de que cada unidade
do produto tipo I d um lucro de $20 e cada unidade do produto tipo II d um lucro de $60. Dada a grande procura,
estima-se que todas as unidades a serem produzidas, dos 2 produtos, podero ser vendidas. O objetivo da
empresa obter o maior lucro possvel com a produo e a venda das unidades dos produtos tipo I e II.
4) Um vendedor de frutas pode transportar 800 caixas de frutas para sua regio de vendas. Ele necessita
transportar 200 caixas de laranjas a R$ 20 de lucro por caixa, pelo menos 100 caixas de pssego a R$ 10 de lucro
por caixa, e no mximo 200 caixas de tangerinas a R$ 30 de lucro por caixa. De que forma dever ele carregar o
caminho para obter o lucro mximo? Construa o modelo do problema.
5) Uma rede de televiso local tem o seguinte problema: foi descoberto que o programa A com 20 minutos de
msica e 1 minuto de propaganda chama a ateno de 30.000 telespectadores, enquanto o programa B com 10
minutos de msica e 1 minuto de propaganda chama a ateno de 10.000 telespectadores. No decorrer de uma
semana, o patrocinador insiste no uso de no mnimo, 5 minutos para sua propaganda e que na h verba para mais
de 80 minutos de msica. Quantas vezes por semana cada programa deve ser levado ao ar para obter o nmero
mximo de telespectadores ? Construa o modelo do sistema.
6) Uma empresa fabrica 2 modelos de cinto de couro. O modelo M1, de melhor qualidade, requer o dobro do
tempo de fabricao em relao ao modelo M2. Se todos os cintos fossem do modelo M2, a empresa poderia
UNIP
13
produzir 1.000 unidades por dia. A disponibilidade de couro permite fabricar 800 cintos de ambos os modelos por
dia. Os cintos empregam fivelas diferentes, cuja disponibilidade diria de 400 para o modelo M1 e e 700 para o
modelo M2. Os lucros unitrios so de R$ 4 para M1 e R$ 3 para M2. Qual o programa timo de produo que
Maximiza o lucro total dirio da empresa? Construa o modelo do sistema descrito.
7) Um fazendeiro est estudando a diviso de sua propriedade nas seguintes atividades produtivas:
A (Arrendamento): Destinar certa quantidade de alqueires para a plantao de cana-de-acar, a uma
usina local, que se encarrega da atividade e paga aluguel da terra $ 300,00 por alqueire por ano.
P (Pecuria): Usar outra parte para a criao de gado de corte. A recuperao das pastagens requer
adubao (100 kg/Alqueire) e irrigao (100.000 litros de gua/Alqueire) por ano. O lucro estimado nessa
atividade de $ 400,00 por alqueire no ano.
S (Plantio de Soja): Usar uma tera parte para o plantio de soja. Essa cultura requer 200 kg por alqueire
de adubos e 200.000 litros de gua/alqueire para irrigao por ano. O lucro estimado nessa atividade de
$ 500,00 por alqueire no ano.
Disponibilidade de recursos por ano:
12.750.000 litros de gua
14.000 kg de adubo
100 alqueires de terra.
Quantos alqueires dever destinar a cada atividade para proporcionar o melhor retorno? Construa o modelo de
deciso.
8) Um fbrica de fundio deseja Maximizar sua receita na venda de suas ligas. A tabela abaixo ilustra a
composio dos materiais produzidos, seus preos e as disponibilidades de matria prima:
Liga Tipo A
Liga Tipo B
MP disponvel
Cobre
16
Zinco
11
15
Chumbo
Preo Venda Unitrio
$ 30,00
$ 50,00
Construa o modelo para soluo de forma que a empresa maximize sua receita
9) Uma rede de depsitos de material de construo tem 4 lojas que devem ser abastecidas com 50 m3 (loja 1), 80
m3 (loja 2), 40 m3 (loja 3) e 100 m3 (loja 4) de areia grossa. Essa areia pode ser carregada em 3 portos P1, P2 e
P3, cujas distncias esto no quadro (em km):
L1
L2
L3
L4
P1
30
20
24
18
P2
12
36
30
24
P3
15
25
20
Abastecer
50m3
80m3
40m3
100m3
O caminho pode transportar 10 m3 por viagem. Os portos tm areia para suprir qualquer demanda. Estabelecer
um plano de transporte que minimize a distncia total percorrida entre os pontos e as lojas e supra as
necessidades das lojas. Construa o modelo linear do problema.
UNIP
14
10) Uma marcenaria precisa estabelecer um programa de produo diria para seus 2 produtos "mesa" e "armrio"
ambos de 1 s modelo. A empresa deve se preocupar com dois insumos principais - madeira e mo de obra - cuja
disponibilidade segue no quadro abaixo. Para fazer uma mesa a marcenaria gasta 2m2 de madeira e 2h/homem
de trabalho; e para fazer o armrio ela gasta 3m2 de madeira e 1h/homem para realizar o trabalho. A empresa
sabe que a mesa proporciona um lucro de $ 40 e o armrio proporciona um lucro de $ 10. Encontre o programa de
produo que Maximize o lucro total de acordo com as disponibilidades.
Mesa
Armrio
Disponib.
Madeira
12
MOD
Lucro
$ 40
$ 10
UNIP
15
SOLUO GRFICA
A tcnica da soluo grfica de equaes lineares com "duas" variveis uma "reta". A representao grfica de
uma inequao linear com duas variveis um dos semiplanos definidos pela reta correspondente equao.
Quando o problema se restringe a "apenas duas variveis" de deciso a soluo tima pode ser encontrada
graficamente. Se o problema envolver mais de duas variveis no possvel elaborar uma soluo grfica, e
assim, devemos formular e resolver os problemas apenas algebricamente.
Exemplo 1
Para definir uma "nica" reta segundo o Axioma5 de Incidncia n 2 de Euclides6 temos que dados dois pontos
distintos, existe uma nica reta que contm ambos os pontos.
Vamos representar graficamente a inequao 2x1 + 3x2 6
Para x1 = 0 temos que: 3x2 = 6 x2 = 6/3 x2 = 2
Para x2 = 0 temos que: 2x1 = 6 x1 = 6/2 x1 = 3
X2
2X1 + 3X2
Campo de permissividade
(3,2)
2
X1
(0,0)
3
Exemplo 2
Represente graficamente a soluo do seguinte sistema
x1 + 3x2 12
2x1 + x2 16
x1 0
x2 0
Soluo:
Vamos a representao das retas correspondentes:
1) x1 + 3x2 =12
Se x1 = 0, logo X2 = 12/3 ou x2 = 4
Se x2 = 0, logo x1 = 12
2) 2x1 + x2 =16
Se x1 = 0, logo x2 = 16
Se x2 = 0, logo x1 = 16/2 ou x1 = 8
Axioma uma premissa cuja fundamentao emprica dispensvel, ou seja, premissa considerada necessariamente
evidente e verdadeira; o fundamento de uma demonstrao.
6 Euclides foi um grande matemtico que em 300 a.C. escreveu o livro "Os Elementos" que baseava todos os conhecimentos gregos
e com grande contribuio para a Matemtica e principalmente na geometria.
UNIP
16
X2
16
(8, 16)
1
4
(0,0)
12
X1
Exemplo 3
Represente graficamente a soluo do seguinte sistema
Max Z = x1 + x2
x1 + 3x2 9
x1 2x2 1
2x1 + x2 10
2x1 + x2 5
1) x1 + 3x2 = 9
Se x1 = 0, logo x2 = 9/3 ou x2 = 3
Se x2 = 0, logo x1 = 9
2) x1 2x2 = 1
Se x1 = 0, logo x2 = 1/2
Se x2 = 0, logo x1 = 1
3) 2x1 + x2 = 10
Se x1 = 0, logo x2 = 10
Se x2 = 0, logo x1 = 10/2 = 5
4) 2x1 + x2 = 5
Se x1 = 0, logo x2 = 5
Se x2 = 0, logo x1 = 5/2 = 2,5
UNIP
17
Soluo Grfica
X2
10
4
3
-9
(0,0)
1
- 1/2
2,5
X1
Soluo tima
Conforme alegado anteriormente se um problema apresenta apenas duas variveis de deciso a soluo tima de
um problema de programao linear pode ser encontrada graficamente. A soluo tima encontra de forma
simples, atribuindo-se valores a Z, tornando a funo objetivo uma equao de uma reta. Se considerarmos x1
como varivel independente e x2 como varivel dependente (pois funo de x1) a equao da reta dada por:
X2 = aX1 + b, onde a o coeficiente angular da reta e b o coeficiente linear.
Exemplo 4
Imagine o seguinte problema de programao linear: (Lachtermacher, p.28)
Max Z = 5x1 + 2x2
Sujeito a:
x1 3
x2 4
x1 + 2x2 9
x1 0 e x2 0
x1 + 2x2 9
Se x1 = 0, logo x2 = 9/2 ou x2 4,5

Se x2 = 0, logo x1 9
UNIP
18
Soluo Grfica
X2
x1 3
5
4,5
D (1,4)
x2 4
E (0,4)
C (3,3)
Soluo
Vivel
x1 + 2x2 9
x2 0
A (0,0)
B (3,0)
x1 0
X1
21 = 5x1 + 2x2
20 = 5x1 + 2x2
10 = 5x1 + 2x2
Por um processo de tentativa e erro, podemos chegar ao valor timo de Z verificando a existncia e pontos da reta
que fazem parte do conjunto de solues viveis. No caso de maximizao, ao encontrarmos o MAIOR valor de Z
possvel, estaremos encontrando o valor mximo para a funo objetivo.
Escolheremos um valor arbitrrio para Z, por exemplo, 10.
Z = 10 10 = 5x1 + 2x2
Se x1 = 0, logo x2 = 5
Z = 20 20 = 5x1 + 2x2
Se x1 = 0, logo x2 = 10
Z = 21 21 = 5x1 + 2x2
(x1 = 3) e (x2 = 3)
(5.3) + (2.3) = 21
UNIP
19
TEOREMAS - PROGRAMAO LINEAR

Ao longo da aprendizagem da pesquisa operacional, conceitos matemticos como matrizes e vetores so
largamente utilizados. Os conceitos aqui discutidos tm como objetivo apresentar uma reviso desses
fundamentos matemticos, de modo que o curso possa ser compreendido.
A rea marcada como sendo uma regio de permissividade indica que o conjunto de solues possveis est
contido nesta situao, ou seja, ali se encontram o "conjunto de solues" que satisfaz as restries. Esta regio
pode ser convexa ou no convexa.
Conjunto Convexo
Conjunto No-convexo
O conjunto convexo um conjunto de pontos em que todos os segmentos de reta que unem dois de seus pontos
so internos ao conjunto, ou seja, todos os pontos de cada segmento de reta tambm pertencem ao conjunto
original. Se pelo menos "uma" unio de dois pontos no pertencerem ao conjunto ele considerado no-convexo.
Polgono convexo limitado
Polgono convexo limitado
Obviamente que essa visualizao possvel com duas variveis. Se considerarmos a equao:
a1x1 + a2x2 + a3x3 + ..... + anxn = b Estamos nos referindo a semi-espaos.
Uma soluo como esta divide o espao Rn de dimenso n em um hiperplano. Os semi-espaos so sempre
convexos, ou seja, o segmento de reta que une os pontos de um semi-espao pertencem inteiramente ao mesmo
semi-espao.
z
Poliedro Convexo
y
x
UNIP
20
Teorema 1
O conjunto de todas as solues viveis de um modelo de P.L. um conjunto convexo.
Teorema 2
Toda soluo compatvel bsica (soluo bvia) do sistema de equaes lineares de um modelo de P.L. um
ponto extremo do conjunto de solues viveis, isto , do conjunto convexo de solues.
Teorema 3
Se uma funo objetivo possui um nico ponto timo finito, ento este um ponto extremo do conjunto convexo de
solues viveis.
Teorema 4
Se a funo objetivo assume o valor timo em mais de um ponto do conjunto de solues viveis (solues
mltiplas), ento ela assume este valor para pelo menos dois pontos extremos, isto , todos os pontos do
segmento de reta unem estes dois extremos, ou seja, a aresta do polgono que contem estes extremos.
UNIP
21
Exerccios: Resolver graficamente o modelo de programao linear:

1) (Max) Z = 3x1 + 5x2
Sujeito a:
x1 4
2x2 12
3x1 + 2x2 18
x1 0
x2 0
2) (Max) Z = 2x1 + x2
Sujeito a:
x2 10
2x1 + 5x2 60
x1 + x2 18
3x1 + x2 44
x1 0
x2 0
3) (Max) Z = 2x1 2x2
Sujeito a:
3x1 4x2 18
8x1 3x2 24
6x1 + 8x2 24
3x1 + 5x2 21
x1 3
x2 0
4) (Max) Z = 2x1 8x2
Sujeito a:
4x1 + 2x2 8
3x1 + 6x2 6
6x1 + 6x2 18
x2 2
x1 2
5x1 + 3x2 15
x1 0
UNIP
22
5) (Max) Z = 4x1 2x2

Sujeito a:
x1 + x2 8
8x1 + 3x2 24
6x1 + 8x2 48
3x1 + 5x2 15
x1 4
x2 0
6) (Max) Z = 2x1 5x2
Sujeito a:
2x1 2x2 10
7x1 + 3x2 21
2x1 + 3x2 6
3x1 + 9x2 27
x1 1
x2 4
7) (Min) Z = 4x1 2x2
Sujeito.a:
x1 + x2 8
8x1 + 3x2 24
6x1 + 8x2 48
3x1 + 5x2 15
x1 3
x2 0
8) Max L = 2x1 + 3x2
Sujeito a:
x1 + 2x2 4
x1 + 2x2 6
x1 + 3x2 9
x1 0
x2 0
UNIP
23
9) Min Z = 8x1 + 11x2

Sujeito a:
12x1 + 5x2 60
x1 + x2 10
x1 + x2 12
x1 0
x2 0
10) Min Z = 3x1 + 4x2

Sujeito a:
x1 + 2x2 8
x1 x2 3
x1 1
x2 1
UNIP
24
REVISO: MATRIZES
Uma matriz pode ser definidas como uma tabela com linhas e colunas usadas principalmente na resoluo de
sistemas de equaes lineares e transformaes lineares. As linhas so indicadas pela letra m e as colunas pela
letra n, o que permite que a matriz seja representada pela forma m x n. Em lgebra linear podemos chamar
matriz de um conjunto de vetores colocados lado a lado.
Matriz m por n
aij =
Linhas = i
Colunas = j
a1,1
a2,1
a1,2
a2,2
a1,3 ... a1n

a2,3 ... a2n
am,1
am,2
am,3 ... amn
Ao trabalhar matrizes importante ter conhecimento das linhas horizontais (linhas) e verticais (colunas) e
dominar a identificao dos mesmos. Observe que a matriz onde aparecem a11, a12, . o que chamamos de
Matriz Genrica. Ela indica o conjunto, as linhas e colunas como aij onde a representa o conjunto, i o nmero da
linha e j o da coluna.
Para encontrar os valores de uma matriz preciso ter a Regra de Formao e a Ordem. De posse da ordem
possvel elaborar a matriz genrica e atravs da regra de formao atribuir valores a cada um dos espaos.
Observe os exemplos.
Seja A2x2 onde aij = 2i + j
A=
a1,1
a2,1
a1,2
a2,2
A=
3
5
4
6
B=
0
1
3
2
a1,1= 2(1)+1= 3
a1,2= 2(1)+2= 4
a2,1= 2(2)+1= 5
a2,2= 2(2)+2= 6
aij = 2i + j
Seja b2x2 onde aij = i j2

B=
bij = i + j2
a1,1
a2,1
a1,2
a2,2
b1,1= (1) 12= 0
b1,2= (1) 22= 3
b2,1= (2) 12= 1
b2,2= (2) 22= 2
UNIP
25
TIPOS DE MATRIZES
Matriz Quadrada: uma matriz onde o numero de linhas (m) igual ao numero de colunas (n).
Matriz Identidade: uma matriz quadrada na qual: (A) todos os elementos na diagonal principal igual a "1"; (B)
todos os elementos fora da diagonal principal igual a "0". Exemplo:
A=
1 0 0
0 1 0
0 0 1
Matriz Transposta: AT ou A' considerada transposta se o elemento aij de A for o elemento aji da Transposta AT;
para todo o elemento "i" e "j". Exemplo
A=
1 3 6
2 5 -8
7 -3 0
AT
1 2 7
3 5 -3
6 -8 0
Matriz Nula: Uma matriz considerada nula quando TODOS os elementos aij = 0
Matrizes Iguais: Duas matrizes aij e bij sero iguais exclusivamente se: (1) A e B forem matrizes da mesma ordem
(m x n) e (2) se todos os elementos de "A" forem obrigatoriamente iguais aos correspondentes de "B". Exemplo
A=
2
3
1
X=
x1
x2
x3
x1= 2
x2= 3
x3= 1
DETERMINANTE DE UMA MATRIZES

O determinante de uma matriz dado pelo valor numrico resultante da subtrao do produto dos termos da
diagonal principal ao somatrio do produto dos termos da diagonal secundria. Para uma matriz de ordem 3
podemos utilizar a regra de Sarrus7.
15 -4 0
-4
2
-1
1 0 -3
1 0 -3 1 0
A=
B=
4 5 2
4 5 2 4 5
4
-5
-1 -2 0
-1 -2 0 1 -2
- 10
0 0 24
Det. (A)= - 10 - (- 4) = D= - 6
Det. (B)= 24 (15) + (- 4) =
24 15 + 4 = 13
Pierre Frdric Sarrus (1789-1861) foi responsvel pela regra prtica de resoluo de determinantes de ordem 3. Essa regra diz
que para encontrar o valor numrico de um determinante de ordem 3, basta repetir as duas primeiras colunas direita do
determinante e multiplicar os elementos do determinante. Disponvel em: < http://www.mat.ufmg.br/~elaine/GAAL/matriz.pdf >.
Acesso em 02/02/2013.
7
UNIP
26
SISTEMAS LINEARES
um conjunto de m equaes lineares de n incgnitas (x1, x2, x3, ... , xn) do tipo:
a11x1 + a12x2 + a13x3 + ... + a1nxn = b1
a21x1 + a22x2 + a23x3 + ... + a2nxn = b2
a31x1 + a32x2 + a33x3 + ... + a3nxn = b3
OBS 1: Dois sistemas lineares so EQUIVALENTES quando possuem as mesmas solues.
Exemplo: Os sistemas lineares so equivalentes, pois ambos admitem o par ordenado (3, 2) como soluo.
2x + 3y = 12
S1 =
5x - 2y = 11
e
3x - 2y = 5
S2 =
6x + y = 20
OBS 2: Se um sistema de equaes possuir pelo menos uma soluo, dizemos que ele possvel ou
compatvel.
OBS 3: Se um sistema de equaes no possuir soluo, dizemos que ele impossvel ou incompatvel.
OBS 4: Se o sistema de equaes compatvel e possui apenas uma soluo, dizemos que ele
determinado.
OBS 5: Se o sistema de equaes compatvel e possui mais de uma soluo, dizemos que ele
indeterminado.
OBS 6: Se os termos independentes de todas as equaes de um sistema linear forem todos nulos, ou seja
b1 = b2 = b3 = ... = bn = 0, dizemos que temos um sistema linear HOMOGNEO.
Exemplo:
S1 =
x + y + 2z = 0
2x - 3y + 5z = 0
5x - 2y + z = 0
Quando os sistemas se apresentam de forma de uma matriz quadrada podemos utilizar a regra de Gabriel
Cramer para sua soluo. Veja que temos o sinal de igualdade no final de cada linha o que diferente da P.O.
Ao utilizar a regra de Cramer temos que estar atentos pois ela s valida para sistemas em que o numero de
incgnitas igual ao numero de equaes. No um mtodo indicado para isso, pois imagine se tivermos um
sistema de (20 x 20) seria um tdio a soluo.
Exemplo: Solucione o Sistema abaixo:
A=
2x1 2x2 + 4x3 = 6

-3x1 + 2x2 + x3 = 1
x1 + 2x2 3x3 = 5
UNIP
27
DA =
2 -2 4
-3 2 1
1 2 -3
-18
2 -2 4 2 -2
-3 2 1 -3 2
1 2 -3 1 2
-12 -2 -24
Det. (A)= (-12) +(-2) + (-24) (8) + (4) + (-18) -12 - 2 - 24 - 8 - 4 + 18 = Det. (A)= 32
40 12
Dx1 =
6 -2 4
1 2 1
5 2 -3
6 -2 4 6 -2
1 2 1 1 2
5 2 -3 5 2
-36 -10 8
Det. (x1)= (- 36 - 10 + 8) (40 + 12 + 6) - 38 - 58 = Det. (x1)= 96

4
Dx2 =
2 6 4
-3 1 1
1 5 -3
10 54
2 6 4 2 6
-3 1 1 -3 1
1 5 -3 1 5
-6
-60
Det. (x2)= (-6 + 6 - 60) (4 + 10 + 54) - 60 - 68 = Det. (x2)= 128

12 4
Dx3 =
2 -2 6
-3 2 1
1 2 5
30
2 -2 6 2 -2
-3 2 1 -3 2
1 2 5 1 2
20 -2 -36
Det. (x3)= (20 - 2 - 36) (12 + 4 + 30) - 18 - 46 = Det. (x3)= 64

Determinando valores:
Dx1
x1 =
x1 = (- 96 - 32)
DA
x1 = 3
Dx2
x2 =
x2 = (- 128 - 32)
x2 = 4
x1 = (- 64 - 32)
x1 = 2
DA
Dx3
x1 =
UNIP
28
DA
ALGORITMO DE GAUSS JORDAN
O algoritmo de Gauss-Jordan corresponde a sistematizao da sequencia de aes que permite reduzir uma
matriz a forma escalonada reduzida. O Mtodo de Gauss-Jordan a parte principal de um procedimento para a
resoluo de sistemas de equaes lineares. Seu objetivo o de escalonar uma matriz para obter a sua forma
escalonada reduzida por linhas. Por meio de operaes elementares com matrizes aplica-se os passos
repetidamente at que ele seja reduzida a uma forma elementar da matriz identidade.
As operaes elementares sobre as linhas de uma matriz compreendem:
L1. Troca entre si de duas linhas da matriz: Li Lk
L2. Multiplicao ou diviso de uma linha da matriz por um escalar no nulo: Li Li
L3. Substituio de uma linha pela sua soma com um mltiplo escalar de outra linha: Li + . Lk Li
A determinao da matriz escalonada reduzida relevante explicitamente para a resoluo de sistemas de
equaes e inverso de matrizes, e est implicitamente na base de praticamente todos os algoritmos que
envolvem processamento matricial.
Definio: Uma matriz est na forma escalonada reduzida quando ela satisfaz as seguintes condies:

O primeiro elemento no-nulo de cada linha no-nula (chamado o piv da linha) igual a 1.
O piv da linha i + 1 ocorre direita do piv da linha i.
Se uma coluna contm um piv, ento todas os outros elementos desta coluna so iguais a 0.
Todas as linhas nulas ocorrem abaixo das linhas no-nulas.
PROCESSO ELIMINAO DE GAUSS-JORDAN:

Passo 1: Dividir a linha do elemento que chamamos de piv, cujo coeficiente se deseja unitrio, pelo valor de seu
coeficiente.
Passo 2: Adicionar mltiplos adequados e apropriados a esta nova linha de modo seja possivel anular os
coeficientes correspondentes (os outros elementos da coluna) em todas as outras linhas.
Passo 3: Repita os passos 1 e 2 a todos os elementos da diagonal principal tomadas sucessivamente com os
pivs.
Exemplo: Transformar a matriz abaixo em sua forma reduzida por linhas.
Seja:
2x1 2x2 + 4x3 = 6
3x1 + 2x2 + x3 = 1
x1 + 2x2 3x3 = 5
x1
x2
x3
-2
-3
-3
(A) Dividir a primeira linha por (2) transformando-a em piv.
UNIP
29
x1
x2
x3
-1
-3
-3
(B) Zerar coluna de x1:

1 Operao: Multiplicar a 1 linha por (3) e somar com a 2 linha.
x1
x2
x3
-1
-1
10
-3
2 Operao: Multiplicar a 1 linha por (- 1) e somar com a 3 linha.

x1
x2
x3
-1
-1
10
-5
(C) Transformar elemento da 2 linha de x2 em piv, dividindo a 2 linha por (- 1).

x1
x2
x3
-1
-7
- 10
-5
(D) Zerar coluna de x2 abaixo do piv.

1 Operao: Multiplicar a 2 linha por (- 3) e somar com a 3 linha
x1
x2
x3
-1
-7
- 10
16
32
(E) Transformar elemento da 3 linha de x3 em piv, dividindo a 3 linha por (16).

x1
x2
x3
-1
-7
- 10
(F) Com o final das linhas j zeradas, devemos agora "zerar" os elementos acima dos pivs,
UNIP
30
1 Operao: Multiplicar a 3 linha por (7) e somar com a 2 linha.

x1
x2
x3
-1
2 Operao: Multiplicar a 2 linha por (-2 ) e somar com a 1 linha.

x1
x2
x3
-1
-1
(G) Transformar elemento da 2 linha de x2 em piv, zerando o elemento acima dele.

1 Operao: Somar a 2 linha com a 2 linha.
x1
x2
x3
Neta situao; conclumos que a soluo do sistema : (x1 = 3); (x2 = 4) e (x3 = 2).
Exerccios: Resolva por escalonamento
Uma empresa de transportes tem trs tipos de caminho I, II, e III, que carregam cargas com trs tipos de
embalagens A, B e C tambm diferentes. O nmero de embalagens por caminho dado pelo quadro:
Embalagem
Caminho I
Caminho II
Caminho III
A
2
4
4
B
2
3
2
C
2
4
3
Quantos Caminhes de cada tipo I, II e III, so necessrio se a empresa necessita transportar 38 embalagens
do tipo A, 24 do tipo B e 32 do tipo C? (x = 2; x = 6; x = 3)
1
Modelagem:
x1 quantidade de Caminhes I
x2 quantidade de Caminhes II
x3 quantidade de Caminhes III
S1 =
2x1 + 4x2 + 4x3 = 38

2x1 + 3x2 + 2x3 = 24
2x1 + 4x2 + 3x3 = 32
UNIP
S2 =
x1 2x2 + 3x3 = 0
2x1 + 5x2 3x3 = 1
x1 + 3x2 2x3 = 5
S3 =
2x1 + 4x2 2x3 = 2

3x1 5x2 + x3 = 7
2x1
5x3 = 16
S4 =
x1 2x2 + x3 = 4
2x1 + x2 x3 = 1
x1 + 3x2 4x3 = 3
S5 =
3x1 x2 x3 = 1
x1
+ x3 = 2
2x1 + x2 x3 = 3
31
UNIP
32
METODO SIMPLEX
O Mtodo Simplex uma tcnica utilizada para se determinar, numericamente, a soluo tima de um modelo de
Programao O Mtodo Simplex procura nos vrtices da regio de permissividade at encontrar uma soluo
tima. A soluo tima pode no existir em dois casos: (1) quando no h nenhuma soluo vivel para o
problema, devido a restries incompatveis; ou (2) quando no h mximo (ou mnimo), isto , uma ou mais
variveis podem tender a infinito e as restries continuarem sendo satisfeitas, o que fornece um valor sem limites
para a funo objetivo.
VARIVEIS DE FOLGA
possvel resolver os problemas de Programao Linear por algum mtodo de soluo de sistemas de equaes.
Para tanto alguns mtodos exigem que as desigualdades lineares das restries sejam transformadas em
equaes lineares de modo que tais mtodos possam ser aplicados. No problema da P.O. normalmente a
disponibilidade est em descompasso com os recursos, fator esse que elege as restries. Para Andrade (1998, p.
39) as restries apresentam a seguinte lgica:
Utilizao de recurso Disponibilidade
Ao se introduzir o conceito de FOLGA de recurso possvel concluir que:
Utilizao + Folga = Disponibilidade
Considerando a hiptese anterior temos que:
Folga > 0
Utilizao < Disponibilidade
Utilizao = Disponibilidade
Folga = 0
A folga de cada recurso pode ser representada por uma varivel de forma exatamente igual produo de cada
produto, ou seja, para cada desigualdade. Para ser submetido ao mtodo Simplex, o modelo no pode ter
nenhuma das suas restries com sinais de "" ou "", somente sinais de igualdade. Como na realidade isso
praticamente impossvel devido a natureza dos problemas, algumas estratgias so adotadas. Desta forma, para
que um modelo possa ser normalizado, so adicionadas ao modelo algumas variveis que auxiliam este processo.
Variveis de Folga: Para restries com sinal de , adiciona-se uma varivel que ser conhecida como varivel
de folga. Nas funes de restries, esta varivel inserida com o coeficiente +1. Um detalhe que merece
ateno, que esta varivel tambm deve ser inserida na funo objetivo com o coeficiente 0;
Variveis de Excesso: Para restries com sinal de adiciona-se uma varivel que ser conhecida como varivel
de excesso. Nas funes de restries, esta varivel inserida com o coeficiente -1. Essa varivel tambm deve
ser inserida na funo objetivo com o coeficiente 0;
Variveis de Artificiais: Aps a anlise da necessidade de variveis de Folga ou de Excesso, adiciona-se a todas
as restries que no receberam variveis de folga uma varivel que ser conhecida como varivel artificial. Nas
funes de restries, esta varivel inserida com o coeficiente +1, j na funo objetivo ela inserida com o
coeficiente M (+M para problemas de minimizao e M para problemas de maximizao).
UNIP
33
ROTEIRO DO MTODO SIMPLEX

1) Introduzir as variveis de folga, uma para cada desigualdade.
2) Montar um quadro para os clculos, colocando os coeficientes de TODAS as variveis com os respectivos
sinais e, na ltima linha incluir os coeficientes da funo objetivo.
3) Estabelecer uma soluo bsica inicial, usualmente atribuindo o valor "zero" as variveis originais e achando
valores positivos para as variveis de folga.
4) Como prxima varivel a entrar base; escolher a varivel no-bsica que fornece na ltima linha, o maior
contribuio para a funo objetivo (ou seja, tem o maior valor negativo).

Se TODAS as variveis que esto fora da base tiverem coeficientes nulos ou positivos nesta linha, a
soluo atual tima.
Se ALGUMAS destas variveis tiverem coeficientes nulos, isto significa que ela pode ser introduzida na
base sem aumentar o valor da funo objetivo. Isso quer dizer que temos outra soluo tima, com o
mesmo valor da funo objetivo.
5) Para escolher a varivel que deve sair da base, deve-se realizar o seguinte procedimento:

Dividir os elementos da ltima coluna pelos correspondentes elementos positivos da coluna da varivel
que vai entrar na base. Caso no haja elemento algum positivo nessa coluna, o procedimento deve
parar, j que a soluo seria ilimitada.
O menor quociente indica a equao cuja respectiva varivel bsica devera ser anulada, tornando-se
varivel no-bsica.
6) Usando operaes validas com linhas da matriz, transforma o quadro de clculos de forma a encontrar a
nova soluo bsica. A coluna da nova varivel bsica dever se tornar um vetor identidade, onde o elemento 1
aparece na linha correspondente varivel que esta sendo anulada.
7) Retornar ao passo 4 para iniciar outra iterao.
UNIP
34
Exemplo:
Resolver utilizando o algoritmo Simplex.
Max Z= 3x1 + 5x2
Sujeito a:
x1 4
x2 16
3x1 + 2x2 18
Passo 1: Inserir as variveis de folga
Variveis de folga = "0" para no alterar "Z".
Z= 3x1 + 5x2 + 0x3 + 0x4 + 0x5

x1
x2
3x1 + 2x2
Transformou em igualdade
= 4
= 6
+ 1x5 = 18
+ 1x3
+ 1x4
Elemento neutro
Passo 2: Montagem do quadro de clculos, transformando Z = - Z (ver variveis artificiais)

Quadro 1
Base
x3
x4
x5
Z
x1
x2
x3
x4
x5
18
-3
-5
Passo 3: Estabelecer soluo bsica vivel inicial

Variveis no-bsicas: x1 = x2 = 0
Variveis bsicas:
1 linha: x3 = 4
2 linha: x4 = 6
3 linha: x5 = 18
Funo Objetivo Z= 0
Passo 4: Varivel que deve entrar na base:
Identificar o maior valor na ltima linha neste caso = (5) coeficiente de x2 na funo objetivo, portanto; x2 deve
entrar na base, pois fornece maior contribuio por unidade.
Passo 5: Varivel que deve sair da base:
Fazer as divises da coluna b pela coluna de x2 que entrou na base no passo anterior.
Divises:
UNIP
35
1 linha: No se efetua diviso o valor do coeficiente de x2 nessa linha "0".

2 linha: 6 1 = 6
3 linha: 18 2 = 9
Como o menor valor ocorreu na 2 linha, a varivel que deve sair da base x4 .
Base
x3
x4
x5
Z
x1
x2
x3
x4
x5
18
-3
-5
Passo 6: Transformao da Matriz.

Devero ser realizadas operaes com as linhas da matriz de forma que a coluna de x2 venha a se tornar um vetor
identidade, com o elemento 1 na 2 linha e os demais e coeficientes = 0.
1 Operao: Substituir a 3 linha pela soma da 2 linha multiplicada por (- 2).
( - 2)
e soma
Base
x3
x4
x5
Z
x1
x2
x3
x4
x5
18
-3
-5
Base
x3
x4
x5
Z
x1
x2
x3
x4
x5
-2
-3
-5
Quadro 1A.
2 Operao: Substituir a 4 linha do quadro 1A por sua soma com a 2 linha multiplicada por 5.
Quadro 2.
Base
x3
x2
x5
Z
x1
x2
x3
x4
x5
-2
-3
30
Nova soluo obtida:
UNIP
36
Variveis bsicas:
1 linha: x3 = 4
2 linha: x2 = 6
3 linha: x5 = 6
Funo Objetivo Z= 30
2 ITERAO
Passo 4: Nova varivel a entrar na base.
Identificar o maior valor na ltima linha neste caso = (- 3) coeficiente de x1 na funo objetivo, pois a nica
varivel no-bsica com coeficiente portanto; x1 deve entrar na base, pois fornece maior contribuio por unidade
Passo 5: Varivel que deve sair da base:
Fazer as divises da coluna b pela coluna de x2 que entrou na base no passo anterior.
Divises:
1 linha: 4 1 = 4
2 linha: No se efetua diviso o valor do coeficiente de x2 nessa linha "0".
3 linha: 6 3 = 2
Como o menor valor ocorreu na 3 linha, a varivel que deve sair da base x5.
Base
x3
x2
x5
Z
x1
x2
x3
x4
x5
-2
-3
30
Passo 6: Transformao da Matriz.

Devero ser realizadas operaes com as linhas da matriz de forma que a coluna de x1 venha a se tornar um vetor
identidade, com o elemento 1 na 3 linha.
1 Operao: Dividir a 3 linha (3):
Quadro 3
Base
x3
x2
x5
Z
x1
x2
x3
x4
x5
- 2/3
1/3
-3
30
2 Operao: Substituir a 1 linha pela soma dela mesma com a 3 linha multiplicada por (-1).
UNIP
37
Quadro 3A
Base
x3
x2
x1
Z
x1
x2
x3
x4
2/3
1
2/3
-3
x5
- 1/3
b
2
1/3
30
3 Operao: Substituir a 4 linha pela soma dela mesma com a 3 linha multiplicada por (3).
Quadro 3B
Base
x3
x2
x1
Z
x1
x2
x3
x4
2/3
1
2/3
x5
- 1/3
b
2
1/3
36
Nova soluo obtida:

Variveis bsicas:
1 linha: x3 = 2
2 linha: x2 = 6
3 linha: x1 = 2
Funo Objetivo Z= 36
3 ITERAO
Ao procurarmos a prxima varivel que deve entrar na base, verificamos que TODOS os coeficientes da 4 lina
so positivos ou nulos, o que significa que encontramos a soluo tima.
X2
Soluo tima
(x1 = 2) e (x2 = 6)
6
A
D
(0,0)
X1
UNIP
38
Vale realar que a soluo tima foi obtida no menor numero de iteraes possveis. O critrio que garante a
ocorrncia desse fato a escolha da varivel que entra na base contribuindo positivamente para o valor da
funo objetivo. A escolha de x2 na interao 1 como varivel a entrar na base fez com que o processo de
soluo se limitasse aos pontos A e B. Caso tivssemos escolhido x1 para entrar na base obrigatoriamente
teramos que pesquisar os pontos D, C e B o que obviamente alongaria o processo.
Exerccios
Max Z= 5x1 + 2x2
Resposta (x1= 3; x2= 0; Z= 15)
Sujeito a:
2x1 + 3x2 6
x1 2x2 9
Max Z= 3x1 + 2x2
Sujeito a:
2x1 + 4x2 22
x1 + 4x2 10
2x1 x2 7
x1 3x2 1
x1 , x2 0
Max Z= 4x1 + 3x2 + 6x3
Sujeito a:
3x1 + x2 + 3x3 30
2x1 + 2x2 + 3x3 40
xi 0
Max Z= 2x1 x2 + x3
Sujeito a:
3x1 + x2 + x3 60
x1 x2 + 2x3 10
x1 + x2 x3 20
xi 0
Max Z = 5x1 + 3x2 + 2x3 + 4x4
Sujeito a:
5x1 + x2 + x3 + 8x4 = 10
2x1 + 4x2 + 3x3 + 2x4 = 10
xi 0
UNIP
39
UNIP
40
UNIP
41
UNIP
42
UNIP
43
UNIP
44
UNIP
45
UNIP
46
UNIP
47
REFERENCIAS BIBLIOGRFICAS
ANDRADE, E.L. Introduo a Pesquisa Operacional. 2. ed. Rio de Janeiro: LTC, 1998
COLIN, E.C. Pesquisa Operacional: 170 aplicaes em estratgia, finanas, produo, logstica, marketing
e vendas. Rio de Janeiro: LTC, 2007.
GOLDBARG, M.C.; LUNA, H.P. Otimizao Combinatria e Programao Linear: Modelos e Algoritmos. Rio
de Janeiro: Editora Campus, 2000.
HILLIER, F.S. e LIEBERMAN G.J. Introduo Pesquisa Operacional. 8a edio. So Paulo: McGraw-Hill,
2006.
LACHTEMACHER, G. Pesquisa Operacional na Tomada de Decises. Rio de Janeiro: Campus, 2002.
MOREIRA, D.A. Pesquisa Operacional: Curso Introdutrio. 2. ed. So Paulo: Cengage Learning, 2010.
SILVA, E.M. et al. Pesquisa Operacional para os cursos de engenharia e administrao: Programao
Linear: simulao. 4. ed. So Paulo: Atlas, 2010.
Sites consultados:
http://www.sobrapo.org.br
http:// www.lindo.com
http://www.mat.ufmg.br
http://www.mec.ita.br/~rodrigo/Disciplinas/MOQ43/S02.pdf
http:// www.producao.uff.br/conteudo/rpep/.../relpesq_303_10.doc
http://www.producao.ufrgs.br/arquivos/disciplinas/382_po_apostila_completa_mais_livro.pdf
UNIP

Apostila Pesquisa Operacional Unip 2013 Aluno

Caricato da

Informazioni sul documento

Descrizione originale:

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Apostila Pesquisa Operacional Unip 2013 Aluno

Caricato da

Copyright:

Formati disponibili

1

Prof. Dr. Almir Volpi

Prof. Dr. Almir Volpi

APOSTILA E MATERIAL DIDTICO TEORIA E EXERCCIOS

Todos os direitos reservados

Prof. Dr. Almir Volpi

Prof. Dr. Almir Volpi

A NATUREZA DA PESQUISA OPERACIONAL

Prof. Dr. Almir Volpi

FASES DE ESTUDO DA P.O.

Formulao do problema (identificao do sistema)

TCNICAS MATEMTICAS EM PESQUISA OPERACIONAL

Prof. Dr. Almir Volpi

Restries de no negatividade - quando as variveis que entram na formulao no podem assumir

Prof. Dr. Almir Volpi

CARACTERSTICA DA PROGRAMAO LINEAR

FORMULAO DE PROBLEMAS DE PROGRAMAO LINEAR

Identificao das variveis de deciso

ROTEIRO PARA MODELAGEM

Prof. Dr. Almir Volpi

Passo II. Qual o objetivo?

Passo III. Quais as restries?

Prof. Dr. Almir Volpi

Disponibilidade de mercado para os produtos (demanda):

Resumindo, o modelo de Programao Linear para o problema proposto ser:

20x1 + 30x2 1.200

Prof. Dr. Almir Volpi

Custo total: C = 3x1 + 2,5x2

Necessidade mnima de protena: 36 unidades

Prof. Dr. Almir Volpi

Prof. Dr. Almir Volpi

Preo Venda Unitrio

Prof. Dr. Almir Volpi

Prof. Dr. Almir Volpi

Prof. Dr. Almir Volpi

Prof. Dr. Almir Volpi

Prof. Dr. Almir Volpi

Se x1 = 0, logo x2 = 9/2 ou x2 4,5

Prof. Dr. Almir Volpi

TEOREMAS - PROGRAMAO LINEAR

Polgono convexo limitado

Polgono convexo limitado

Prof. Dr. Almir Volpi

Prof. Dr. Almir Volpi

Exerccios: Resolver graficamente o modelo de programao linear:

Prof. Dr. Almir Volpi

5) (Max) Z = 4x1 2x2

Prof. Dr. Almir Volpi

9) Min Z = 8x1 + 11x2

10) Min Z = 3x1 + 4x2

Prof. Dr. Almir Volpi

a1,3 ... a1n

am,3 ... amn

Seja b2x2 onde aij = i j2

Prof. Dr. Almir Volpi

DETERMINANTE DE UMA MATRIZES

Prof. Dr. Almir Volpi

2x1 2x2 + 4x3 = 6

Prof. Dr. Almir Volpi

Det. (x1)= (- 36 - 10 + 8) (40 + 12 + 6) - 38 - 58 = Det. (x1)= 96

Det. (x2)= (-6 + 6 - 60) (4 + 10 + 54) - 60 - 68 = Det. (x2)= 128

Det. (x3)= (20 - 2 - 36) (12 + 4 + 30) - 18 - 46 = Det. (x3)= 64

PROCESSO ELIMINAO DE GAUSS-JORDAN: