Universidade Católica de Moçambique

Delegação de Quelimane
Faculdade de Ciências Sociais e Políticas
Curso de Mestrado em Saúde Pública

Programacao linear (desde a origem ate aos exemplos)

Autor: Isidro R. Álvaro Limeme

Codigo: 709220266

Quelimane, Novembro de 2022

1
 Universidade Católica de Moçambique
Delegação de Quelimane
Faculdade de Ciências Sociais e Políticas
Curso de Mestrado em Saúde Pública

Programacao linear (desde a origem ate aos exemplos)

Autor: Isidro R. Álvaro Limeme

Tutor: Ph.D. Luis Tang

Artigo Cientifico da Cadeira de Bioestatística

Apresentado A UCM, Faculdade De Ciências Sociais
e Políticas, Para Obtenção Do Grau Académico de
Mestrado Em Saúde Publica

Quelimane, Novembro de 2022

2
I-Isidro Regina Álvaro Limeme, Técnico de Saúde

Lincenciado Em Biologia, Ano de Formção 2016-2020.

II- Actividades desempenhadas Actualmente

Actuamente desempenho as funções de Supervisor distrital de ITS/ HIV/SIDA, e Director do Centro de

Saúde de Mopeia Sede, no distrito de Mopeia Provincia da Zambézia.

2.1 Funções que desempenho como Supervisor Distrital do programa Nacional de Controlo
de ITS/HIV/SIDA

 Planejamento de estratégias eficazes para alcançar as metas de aconselhamento e testagem

em Saúde, inscrição, inicio de tratamento e seguimento de pacientes vivendo com HIV/SIDA
 Delegar tarefas as pessoas competentes de modo a garantir o alcance das metas
 Distribuição adequada dos recursos disponíveis para cada àrea de actuação de modo a ter
sucessos.
 Definição de metas e objetivos
 Motivar e engajar todos os colaboradores que contribuem para o alcance dos objectivos
 Procurar sempre Gerir conflitos
 Mensurar e monitorar os resultados
Resumindo, as minhas funções como gestor é liderar equipes e tomar as decisões estratégicas
necessárias para atingir os objetivos do programa Nacional de controlo de ITS/HIV/SIDA ao nivel
distrital. Neste contexto actuando como gerente envolve oito grandes funções: analisar, planejar,
tomar decisões, organizar, delegar, coordenar, liderar e monitorar.

2.2 Funções que desempenho como director do centro de Saúde

Eu como líder da unidade sanitaria ,procuro envolver a minha equipe, técnicos de saúde, auxiliaries,
administrativos e outros funcionarios no planejamento e execução das tarefas. Procuro sempre
garantir uma gestão transparente e democrática, e delegar as tarefas de forma a dar conta do
trabalho.
Tenho a responsabilidade de administrar todas as actividades que a instituição realiza.
Resumindo as minhas funcoes básicas são representados em quatro aspectos: Planejamento,
Organização, Direção e Controle.

3
 1. Introducao

Desde a revolução industrial o mundo tem presenciado um grande crescimento no tamanho

e complexidade das organizações e empreendimentos. Por outro lado, é cada vez mais difícil fazer a
atribuição dos recursos disponíveis às diferentes actividades (envolvidas nessas organizações e
empreendimentos) e tomar decisões de âmbito mais geral. Este tipo de problemas e a necessidade
de se encontrar um meio adequado para os resolver criaram o ambiente que viria a proporcionar o
aparecimento da Investigação Operacional (I.O.). As origens da I.O. podem ser encontradas há muitas
décadas, sendo o início da actividade com esta designação atribuída aos Serviços Militares Aliados
durante a 2ª Guerra Mundial.

Os ramos mais importantes da I.O. são: Programação Matemática (P.M.), Análise Estatística,
Teoria dos Jogos, Teoria das Filas, Simulação, Gestão de Stocks, etc.. A P.M. divide-se ainda em:
Programação Linear (P.L.), Programação Não Linear, Programação Dinâmica, Programação Inteira e
Optimização Global.

Neste contexto, a P.L. tem por objecto de estudo a actividade humana dirigida, na qual se
pretende satisfazer da melhor forma determinado objectivo, em que existem limitações (restrições)
ao funcionamento dessa actividade. Está-se na presença de um problema de P.M. quando o
objectivo das restrições podem ser traduzidas por relações funcionais. Se estas forem lineares
constituem um problema de P.L..

1.2.Objectivos

Geral:

 Conhecer a programacao linear desde a origem ate aos metodos de resolucao dos exercicios.

Especificos

 Apresentar uma subclasse especial de problemas de P.M. designada por P.L.;

 Através de relações lineares, nomeadamente equações e inequações lineares, formular um

problema de PL.

1.2.Metodologia

Para a realização deste artigo, o autor aplicou o método de pesquisa bibliográfica.

A pesquisa bibliográfica é o passo inicial na construção efetiva do processo de investigação, quer

dizer, após a escolha de um assunto é necessário fazer uma revisão bibliográfica do tema apontado.
Essa pesquisa auxilia na escolha em um método mais apropriado, assim como em um conhecimento
das variáveis e na autenticidade da pesquisa. (Sousa, Oliveira, & Alves, 2021)

4
 2. Programacao linear
2.1.Primeiros conceitos
À semelhança de outros ramos da Matemática, a P.L. teve a sua origem em aplicações. Dois
mil anos antes de Cristo, exemplos especiais de equações lineares já tinham sido estudados por
egípcios e babilónios (estes últimos já consideravam duas equações lineares em duas variáveis).
Babilónios, gregos e chineses conheciam a ideia de eliminação de variáveis para resolver equações
lineares (ou quadráticas).

Ao longo dos tempos, cientistas tais como Euclides, Newton e Lagrange fizeram a incursão à
pesquisa do “óptimo”. Já no século passado destacamos as investigações feitas por Von Neumann na
Teoria de Jogos, Wassily Leontief no Modelo “input-output” de Economia, entre outros. Até aos anos
30-40 do século passado foi muito reduzido o interesse dos matemáticos pelo estudo de sistemas de
inequações, ao contrário do que se verificou com a resolução de sistemas de equações, descurando-
se assim a procura de uma solução “óptima”. As aplicações em problemas de transporte na década
de 40 (em particular, pelas Forças Armadas durante a 2ª Guerra Mundial) foi um primeiro passo na
criação da P.L..

Entre os pioneiros que fizeram o desenvolvimento da área estão Leonid V. Kantorovich em

Lenigrado (actualmente, S. Petersburg) e George B. Dantzig em Washington. Ambos ilustraram muito
bem as fontes de aplicação da P.L..

Em 1939, o matemático e economista soviético L.V. Kantorovich formulou e resolveu

problemas ligados à optimização na administração das organizações, mas o seu trabalho manteve-se
desconhecido até 1959.

George Dantzig trabalhava como civil, no Pentágono, onde exercia funções de conselheiro
matemático para a administração da Força Aérea Norte Americana, trabalhando no projecto SCOOP
(Scientific Computation of Optimum Programs). Por inerência do respectivo serviço, Dantzig era
frequentemente chamado para resolver problemas de planeamento que envolviam a distribuição de
pessoal, dinheiros, aviões e outros recursos de custo efectivo. Foi no Pentágono que Dantzig recebeu
dos seus colegas D. Hitchcock e M. Wood o desafio de tentar mecanizar o processo de planeamento.
Como a maioria dos problemas diziam respeito a questões de Economia, de uma ou de outra forma,
Dantzig procurou aconselhar-se com o economista Tjalling Koopmans para os resolver (admitindo
que os economistas tivessem já desenvolvido técnicas de resolução). Porém, com grande surpresa
sua, Koopmans confessou-lhe que os economistas também não tinham quaisquer procedimentos
para encontrarem sistematicamente a solução de tais problemas.

5
 No Verão de 1947, Dantzig propôs o Método Simplex que tornou possível a solução de
problemas de optimização de vários tipos : transporte, produção, alocação de recursos e problemas
de escalonamento. Um ano mais tarde, Dantzig e Koopmans encontraram-se na praia de Santa
Monica e Koopmans disse : «”Why not shorten “Programming in a Linear Structure” to “Linear
Programming”?”» ao que Dantzig respondeu : «”That’s it! From now on that will be its name.”».
Nasceu assim a designação de Programação Linear.

Com a apresentação do Método Simplex a P.M., e em particular a P.L., teve um grande

impulso. Foi a partir de então que as suas aplicações não cessaram, envolvendo valiosas
contribuições de economistas e matemáticos. O desenvolvimento da Informática é outro dos
factores que tem contribuído para a evolução acelerada desta ciência nas últimas décadas.

2.2.O que é a programação linear?

Programação  planeamento de actividades

Linear  o problema é representado matematicamente pelo modelo da P.M., onde todas as

funções f(x1, ..., xn) (função objectivo), gi(x1, ..., xn) (restrições) são lineares e x 1, ..., xn são as variáveis
de decisão, com i = 1, ..., m

A P.L. é uma técnica de planeamento que se tem vindo a constituir como uma das mais
poderosas em quase todo o ramo da actividade humana. É um método de maximizar (ou minimizar)
uma função linear (designada função objectivo), definida num dado conjunto convexo, tendo em
conta que as variáveis estão sujeitas a restrições lineares. Estas restrições podem ser do tipo , = ou
 e as variáveis são reais não negativas.

2.3.Aplicação da programação linear

Uma vez que os problemas de P.L. determinam o planeamento óptimo de actividades, ou

seja, um plano óptimo que representa a melhor solução entre todas as soluções possíveis, as suas
principais áreas de aplicação são:

- Económica e especialmente Economia de Empresas, onde se situam as aplicações mais

férteis e os estímulos mais fortes para os desenvolvimentos teóricos da P.L.;

- Matemática, onde a P.L. tem impulsionado a obtenção de importantes resultados

teóricos e o aperfeiçoamento das técnicas de Análise Numérica;

- Militar, onde as aplicações são numerosas mas normalmente pouco divulgadas por
razões de segurança.

Nestes domínios, podemos dividir os problemas de P.L. em três tipos:

6
 1) Problemas de Transporte

Consideremos uma aplicação clássica deste tipo de problema: suponha que um sistema de
distribuição alimenta N armazéns a partir de M grandes unidades produtoras; conhecendo os
custos de transporte, a procura prevista para cada armazém e as capacidades (máximas) de
produção de cada unidade, determinar o programa de distribuição com menor custo.

Outras aplicações: - rentabilização de aeroportos;

- optimização de tráfego interno ou de comunicação de

vários tipos;

- planificação dos semáforos de circulação numa cidade.

2) Problemas de Composição

Neste tipo de problema destaca-se o seguinte exemplo genérico: conhecendo os conteúdos

calóricos e vitamínicos de diversos alimentos, bem como os seus preços, pretende-se
optimizar a composição da dieta a adoptar, de modo a minimizar o seu custo e a satisfazer
níveis mínimos de calorias e vitaminas.

Outras aplicações: - composição de medicamentos;

- blindagem de ligas metálicas e combustíveis;

- rações de animais e adubos;

- gelados e produtos alimentares.

3) Problemas de Formação e Produção

Salienta-se a seguinte aplicação: suponha que uma fábrica é capaz de produzir N produtos
distintos utilizando M recursos limitados, os quais podem ser horas de trabalho ou tempos de
operação de várias máquinas, matérias primas, serviços, etc.; conhecendo-se o lucro unitário
e as quantidades de recurso utilizadas para cada produto, e as quantidades de recursos
disponíveis, determinar o plano óptimo de produção com maior lucro.

Outras aplicações: - corte de barras e chapas;

- designação de pessoas e tarefas (composição de tabelas

de horários);

- planeamento da produção de uma empresa têxtil.

2.4.Conceitos fundamentais da programação linear

7
 Para uma melhor compreensão de um problema de P.L. enunciamos de seguida alguns
conceitos e expressões que vão ser usados ao longo do trabalho:

 Função objectivo (função económica ou função critério) – é uma função linear que vamos
optimizar, maximizando ou minimizando;

 Variáveis de decisão – são os valores de um número n de decisões a serem tomadas e designam-

se por x1, ..., xn e que estão interrelacionadas pela função objectivo;

 Variáveis de folga – são as variáveis que usamos para transformar as inequações em equações;
de salientar que cada variável de folga está associada a uma restrição;

 Restrições – são condições (representadas por equações ou inequações lineares) que se impõem
ao modelo dado; existem dois tipos de restrições:

 Restrições do problema – são restrições do tipo  , = ou  , que relacionam uma

ou mais variáveis do problema;

 Restrições de não negatividade – são desigualdades do tipo x 1  0, ..., xn  0, em

que x1, ..., xn são as variáveis de decisão;

 Forma padrão (standard) – quando as restrições de um problema de P.L. são apresentadas na

forma de equações;

 Forma canónica – quando as restrições de um problema de P.L. são apresentadas na forma de

inequações;

 Solução – é qualquer conjunto de valores para as variáveis x 1, ..., xn que satisfaça as restrições;

 Solução admissível (solução possível) – é qualquer especificação de valores para as variáveis

x1, ..., xn que satisfaça as restrições do problema e as condições de não negatividade;

 Solução ilimitada (unbounded) – é aquela em que a função objectivo pode crescer (no caso da
maximização) ou decrescer (no caso da minimização), indefinidamente, tendo em conta todas as
restrições do problema;

 Solução óptima – é aquela que maximiza ou minimiza a função objectivo sobre toda a região
admissível;

 Região admissível – é o conjunto de todas as soluções admissíveis.

2.5.Formulação de problemas de programação linear

2.5.1. O modelo

8
 Os problemas de Programação Linear são problemas de maximização ou de minimização de
funções lineares (função objectivo), num determinado domínio, normalmente definido por um
conjunto de restrições nas variáveis. Estes problemas são representados matematicamente por
modelos que podem ser apresentados na forma padrão ou na forma canónica (já definidas
anteriormente).

Algebricamente tem-se:

max (min) Z = c1x1 + … + cnxn

sujeito a

a11x1 + a12x2 + … + a1jxj + … + a1nxn {,=,} b1

a21x1 + a22x2 + … + a2jxj + … + a2nxn {,=,} b2

...

ai1x1 + ai2x2 + … + ainxn + … + ainxn {,=,} bi

...

am1x1 + am2x2 + … + amjxj + … + amnxn {  , = ,  } bm

com :

x1  0 , x2  0 , ... , xn  0

i = 1 , ... , m
j = 1 , ... , n

xj – incógnitas, são as variáveis de decisão

aij – coeficientes

bi – termos independentes

cj – coeficientes da função objectivo

É também frequente o modelo de Programação Linear ser apresentado utilizando as notações

cartesiana, matricial e vectorial.

As duas formas apresentadas (padrão e canónica) são equivalentes. Com efeito, mediante as
operações a seguir indicadas, é sempre possível dar a qualquer problema uma destas formas, sem
que o conjunto de soluções se altere.

9
1. Qualquer problema de maximização pode converter-se num problema de minimização, pois:

máximo Z = - mínimo (- Z)

2. Qualquer restrição de desigualdade do tipo “  ” pode ser convertida numa restrição do tipo “  ”
multiplicando por (-1) ambos os seus membros :

ai1x1 + ai2x2 + ... + ainxn  bi  - ai1x1 - ai2x2 - ... - ainxn  - bi

3. Qualquer restrição de igualdade pode ser convertida em duas restrições de desigualdades “  ”

equivalentes àquela :

ai1x1 + ... + ainxn = bi   

ai1x1 + ... + ainxn  bi ai1x1 + ... + ainxn  bi
4. Qualquer restrição de desigualdade pode ser convertida numa restrição de igualdade, através da
i1 1 a x + ... + a x  b ai1x1 + ... + ainxn  - bi
folga) x n+1,inden valor
i
introdução duma nova variável (variável de não negativo:

ai1x1 + ... + ainxn  bi  bi - ai1x1 - ... - ainxn  0 

 xn+1 = bi - ai1x1 - ... - ainxn  0

acrescentando-se a variável de folga xn+1, obtém-se :

ai1x1 + ... + ainxn + xn+1 = bi com xn+1  0

5. Qualquer variável livre (não restringida pela condição de não negatividade) x j, pode ser substituída
por um par de variáveis não negativas x j’  0 e xj’’  0, fazendo xj = xj’ - xj’’ formulando, deste modo,
de novo o problema em função destas duas novas variáveis.

2.5.2. Hipóteses do modelo de programação linear

Qualquer modelo de P.L. deve cumprir as seguintes hipóteses que garantam a linearidade da
função objectivo e das restrições do problema. Estas hipóteses são :

PROPORCIONALIDADE : em cada actividade a quantidade de bens que entram e saem são sempre
proporcionais ao nível da mesma, estando assim na presença de um modelo linear;

10
ADITIVIDADE : o resultado do emprego conjunto de N actividades é a sua adição;

DIVISIBILIDADE E NÃO NEGATIVIDADE : o nível de uma actividade pode assumir qualquer valor
positivo de um dado intervalo, que equivale a supor que os bens são perfeitamente divisíveis, isto é,
susceptíveis de variar em quantidades infinitesimais;

LINEARIDADE DA FUNÇÃO OBJECTIVO : cada actividade contribui para o objectivo global perseguido
pelo sistema ( por exemplo, cada actividade normalmente tem associado um certo lucro ou um certo
custo ). Esta hipótese indica que essa contribuição para a função económica é proporcional ao nível
de actividade. A contribuição total é a soma das contribuições de todas as actividades.

2.6.Formulação dos vários tipos de problemas de programação linear

Formulação:

A- Transporte

min  cijxij
com ij

 xij  ai unidades
j
 xij = bj armazéns receptores
i
xij  0

sendo i = 1, ..., m;
j = 1, ..., n;
ai a capacidade de fornecimento na unidade i e bj a quantidade requerida no armazém j,
cij o custo de transporte de uma unidade de produto da unidade i para o armazém j

B- Composição

min  cixi
i
com  aixi  u Nível calórico
i
 bixi  v Nível calórico
i
xi  0

sendo ai e bi o conteúdo calórico e vitamínico unitário de cada alimento i, respectivamente, c i o custo

unitário de i, e u e v os níveis mínimos exigidos.

11
 C- Produção

max  cjxj
j
com
 aijxj  bi Recursos
j
xj  0

sendo i = 1, ..., m; j = 1, ..., n;

cj o lucro obtido por cada unidade do produto j,

aij a quantidade de recurso i gasta na produção de cada unidade do produto j,

bi a quantidade de recurso disponível.

2.7.Representação gráfica de problemas de programação linear

Quando se inicia o estudo da Programação Linear revela-se de grande utilidade a

representação gráfica de problemas simples. Apesar desta representação só ser possível quando não
estão envolvidas mais de três variáveis, e particularmente simples quando se trata de duas variáveis,
estas permitem pôr em evidência propriedades importantes dos problemas de P.L., bem como a
natureza das suas soluções.

2.7.1. Soluções de um problema de p.l.

Qualquer problema de P.L., em geral, pode apresentar as diferentes formas de soluções:

uma única solução óptima

ou
múltiplas soluções óptimas (uma infinidade)
ou
não ter óptimo finito
ou
não ter nenhuma solução (neste caso o problema é impossível)

A regra prática para a determinação das soluções de um problema de maximização

(minimização) é a seguinte: Trace-se uma qualquer recta de nível e desloque-se paralelamente a si
própria , no sentido de crescimento (decrescimento) de Z, até ao(s) último(s) ponto(s) de contacto
com a região admissível.

2.8.Exemplos a estudar

2.8.1. Exemplo de maximização

12
 A nova fábrica de produtos farmacêutico na África do Sul produz dois tipos de
medicamentos: Parecetamol sólidos e paracetamol em xarope, em três secções de produção:

1. Secção de solidificacao: para produzir Parecetamol sólidos.

2. Secção de liquidificacao : para produzir paracetamol em xarope.

3. Secção de vacina: para produzir paracetamois em vacina.

Devido à diminuição dos lucros, o gerente decidiu reorganizar a produção, e propõe produzir
só os dois produtos que têm maior aceitação entre os clientes.

Estes produtos são:

Produto 1: Parecetamol com estrutura sólida.

Produto 2 : Parecetamol com estrutura líquida (xarope).

O departamento de Marketing da empresa concluiu que a empresa pode vender tanto de

qualquer dos dois produtos, tendo em conta a capacidade de produção disponível.

Como ambos os produtos partilham a capacidade de produção da secção 3, o gerente

solicitou ao Departamento de Investigação Operacional da empresa a resolução deste problema.

O Departamento de I.O. formulou o problema, utilizando os seguintes dados:

 A capacidade de produção por minuto de cada secção a ser utilizada na produção

destes produtos.

 A capacidade de produção por minuto de cada secção, a ser utilizada para

produzir uma unidade de cada produto.

 Os lucros unitários para cada produto em rands.

Estes dados estão resumidos na seguinte tabela:

Capacidade utilizada por unidade de produção

Secção N.º Produto 1 Produto 2 Capacidade

disponível

1 1 0 4
2 0 2 12
3 3 2 18

13
 Lucros unitários 3 5
(em euros)

Quadro 1
A) Formulação Matemática do Problema
O problema, formulado como problema de Programação Linear, consiste em escolher x e y
por forma a:
Maximizar Z = 3x + 5y,
Sujeito a
x4

2y 12

3x + 2y 18

x 0, y 0

onde

x , y representam o número de unidades do produto 1 e 2, respectivamente,

produzidas por minuto

Z representa o lucro total por minuto

B) Representação Gráfica do Problema

1º Passo: Construir um sistema de eixos cartesianos x, y.

2º Passo: Identificar os valores de x e y que satisfaçam todas as restrições.

 Condições de não negatividade:

x  0, y  0 os pontos (x,y) estão situados no 1º Quadrante;

 Restrições:

 x  4  (x,y) estão situados à esquerda ou sobre a recta x = 4;

 2y  12  y  6  (x,y) estão situados abaixo ou sobre a recta y = 6;

 3x + 2y  18  (x,y) estão situados abaixo ou sobre a recta

3x + 2y = 18.

14
 O resultado final encontra-se na Figura abaixo, onde a região sombreada indica o conjunto dos
pontos que satisfazem todas as restrições (conjunto de admissibilidade).

3º Passo: Determinar a solução.

A função objectivo Z = 3x + 5y define uma recta que pode ser deslocada paralelamente no
sentido do seu gradiente (garantindo o crescimento de Z), até se tornar tangente à região admissível.
Os pontos de tangência obtidos (um, nenhum, ou uma infinidade) correspondem aos pontos da
região admissível que optimizam a função objectivo.
A recta escolhida 36 = 3x + 5y, passa pelo ponto (2,6). Pelo que a solução pretendida é x = 2,
y = 6.

Fig. 1 Solução óptima do exemplo

15
 Esta solução corresponde ao seguinte plano de produção:
A nova fábrica de produtos farmacêutico na África do Sul deve fabricar dois kg de paracetamol sólido
(produto 1) e kg de paracetamol liquilquidos (produto 2) por minuto obtendo um lucro de 36 rands
por minuto.

2.9.O método simplex

Como já foi referido, o Método Simplex foi proposto por Dantzig. O primeiro e mais
importante passo na sua descoberta foi a conclusão de que a região admissível é o que se chama um
polítopo (poliedro convexo limitado), e donde concluiu que o ponto óptimo tem que estar sobre
algum dos vértices desse conjunto. Além disso, Dantzig argumentou que a função objectivo tem
geralmente valores diferentes para cada vértice escolhido arbitrariamente, no qual a função
objectivo tem um determinado valor, passando de vértice para vértice, na procura do ponto óptimo.

Inicialmente, Dantzig pensou que tal procedimento poderia ser irremediavelmente ineficaz,
ou seja , divagar durante muito tempo ao longo das arestas, de vértice para vértice, antes de alcançar
o vértice em que a função objectivo atinge o valor óptimo. Mas estava enganado, pois, na realidade
veio a descobrir que, em quase todos os casos, encontrar a solução somente exigia tantos
movimentos quantas as restrições do problema.

2.9.1. Alguns conceitos fundamentais no método simplex

A introdução destes conceitos é fundamental para a apresentação do método simplex. Ao

considerarmos um problema de programação linear, ele terá sempre a seguinte forma padrão:

Optimizar Z = c1x1 + c2x2 + ... +cnxn (1)

Sujeito a a11x1 + a12x2 + ... + a1nxn = b1 (2)

a21x1 + a22x2 + ... + a2nxn = b2
…

am1x1 + am2x2 + ... + amnxn = bn

x1, x2, …, xm, ..., xn ≥ 0 (m ≤ n) (3)

onde:

m = número de restrições funcionais;

n = número de variáveis de restrição.

16
 Supõe-se ainda que os termos independentes são não negativos: b i ≥ 0 (i = 1, 2, ...,
m). Caso contrário pode sempre multiplicar-se por (-1) toda a equação.

O problema pode ser escrito em notação matricial do seguinte modo:

Opt Z = CTX (1’)

Suj a AX = B (2’)

X≥0 (3’)

em que:

X é o vector-coluna das incógnitas;

CT é o vector-linha dos coeficientes correspondentes;

A é a matriz dos coeficientes das incógnitas das restrições;

B é o vector-coluna dos membros direitos das restrições.

Suponha-se que a característica (número máximo de colunas linearmente independentes) da

matriz A é igual a m, ou seja, C(A) = m. Isto significa que existe uma submatriz de A quadrada de
ordem m (Bm x m) com determinante não nulo. Esta submatriz permite efectuar uma classificação das
variáveis em: básicas (as correspondentes às colunas daquela submatriz) e não básicas (as restantes
n-m variáveis).

Um sistema nas condições (2) é um sistema indeterminado de grau n-m, em que m variáveis
podem ser escritas em termos das restantes n-m, e tem, por consequência, uma infinidade de
soluções (correspondente à infinidade de valores que arbitrariamente podem ser atribuídos às n-m
variáveis).

Suponha-se então que X = (x1, x2, …, xm, xm+1, …, xn) é uma solução desse sistema.

Se uma submatriz Bm x m da matriz A do sistema considerado é não singular, isto é, o seu

determinante é nulo, então a submatriz B m x m designa-se por base. Sem perda de generalidade,
suponha-se que a base é composta pelas m últimas colunas, isto é, B = {P 1, P2, …, Pm}.

As m variáveis x1, x2, …, xm correspondentes às colunas de B m x m designam-se por variáveis

básicas. As restantes n-m variáveis xm+1, xm+2, …, xn designam-se variáveis não básicas.

Uma solução básica para o sistema obtém-se atribuindo o valor zero a todas as variáveis não
básicas xm+1, xm+2, …, xn e determinando depois uma solução para as m variáveis básicas restantes x 1,

17
x2, …, xm . Isto é, X = (0, ..., 0, x 1, x2, …, xm), onde X B = (x1, x2, …, xm) é a única solução do sistema de
equações BXB = b.

Se uma solução básica X verifica ainda as condições de não-negatividade (3’), isto é, todas as
variáveis da solução são não negativas então, esta solução é uma solução básica admissível.

Duas soluções básicas que apenas diferem numa variável básica designam-se por soluções
básicas adjacentes.

Uma solução básica admissível é óptima quando nenhuma das soluções básicas admissíveis
adjacentes é “melhor”, isto é, nenhuma melhora o valor da função objectivo.

Se todas as variáveis básicas x 1, x2, …, xm são não nulas, a solução básica designa-se por solução
básica não degenerada. Se alguma variável básica for igual a zero a solução básica designa-se por
solução básica degenerada.

Os simétricos dos coeficientes associados a cada variável na função objectivo (no caso da
maximização) designam-se custos reduzidos.

2.9.2. Algoritmo do método simplex

O que é um algoritmo?

Um algoritmo é um processo que repete (itera) sucessivas vezes um procedimento sistemático até
obter um resultado. Além disso, também inclui um procedimento para iniciar e um critério para
terminar.

O algoritmo do método simplex pode ser sintetizado nos seguintes passos:

1º Obter uma primeira solução básica admissível;

2º Verificar se a solução básica admissível é óptima, isto é, se os coeficientes da função

objectivo, expressa em termos das variáveis não básicas são todos positivos. Se a solução for óptima,
o algoritmo termina;

3º Se algum coeficiente for negativo, considerar o negativo com maior valor absoluto como o
correspondente à variável que deve entrar na base e, portanto, correspondente à coluna do pivot;

18
 4º Determinar o maior valor possível da variável que vai entrar na base, dividindo os termos
independentes pelos coeficientes da variável nas várias restrições, para os casos em que sejam
positivos, e considerando o menor dos quocientes positivos. A linha a que corresponde este menor
quociente é a linha do pivot.

Se todos os quocientes forem negativos, a variável a entrar na base pode tomar um valor
infinitamente grande e o problema diz-se sem solução limitada (ou sem óptimo finito);

5º Manipular as linhas do quadro, de acordo com as operações elementares realizadas com

linhas de matrizes, de modo a obter um quociente unitário no lugar do pivot e valores nulos para os
outros elementos da coluna pivot.

Obtém-se assim uma nova solução básica. Regressar ao 2º passo.

Para tornar mais simples a aplicação deste algoritmo recorre-se à construção de vários quadros.
Uma vez que qualquer problema de maximização pode ser facilmente convertido num problema de
minimização, consideraremos apenas o caso da minimização para facilitar a exposição.

Assim, o problema na forma canónica corresponde ao seguinte quadro:

x1 x2 ... xm ... xn bi
a11 a12 ... a1m ... a1n b1
... ...
am1 am2 ... amm ... amn bm
Z c1 c2 ... cm ... cn 0
Quadro 3

Em que o canto inferior direito representa o simétrico do valor da função objectivo.

Segue-se o algoritmo descrito, registando-se as várias fases em diferentes quadros. No fim do
processo iterativo:
- a solução óptima é obtida atribuindo-se a cada variável não básica o valor zero e a cada
variável básica o valor da linha correspondente ao número 1, da sua coluna, na última
coluna;

19
 - o valor óptimo da função objectivo é o simétrico do número resultante na última linha e na
última coluna. Caso se trata-se de um problema de maximização, seria mesmo o valor e não
o seu simétrico.

2.9.3. Exemplos de aplicação do método simplex

Dado que a representação gráfica da resolução de P.L. com mais de duas variáveis se torna
difícil de interpretar, usa-se nesses casos o método simplex.

Iremos expor de seguida dois exemplos de resolução de problemas usando este método.

Apresentamos primeiramente um problema com duas variáveis (exemplo de maximização, já

exposto anteriormente) pois consideramos que ajuda à compreensão do método. Posteriormente,
apresentamos o problema com três variáveis.

1º Problema

Retomemos o problema de maximização descrito em 2.5.1

Resolução usando o método simplex:

x = x1 = n.º de unidades do Produto 1

y = x2 = n.º de unidades do Produto 2

max Z = 3x1 + 5x2

sujeito a x1 ≤ 4

2x2 ≤ 12

3x1 + 2x2 ≤ 18

Introduzindo as variáveis de folga x3, x4, x5, obtemos:

x1 + x3 = 4

2x2 + x4 = 12

3x1 + 2x2 + x5 = 18

20
 Aplicando o método simplex, obtemos sucessivamente os quadros:

x1 x2 x3 x4 x5 b
x3 1 0 1 0 0 4
x4 0 2* 0 1 0 12
x5 3 2 0 0 1 18
Z -3 -5 0 0 0 0
Quadro 1

A primeira solução básica admissível é (x 1, x2, x3, x4, x5) = (0, 0, 4, 12, 8); onde x 1, x2 são
variáveis não básicas e x3, x4, x5 são as variáveis básicas. Verificamos que esta solução não é óptima,
visto que existem custos reduzidos negativos: -3 e -5.
A variável a entrar na base é x 2, porque entre as variáveis não básicas com custo reduzido
negativo é a que tem menor valor.
A variável de saída é x 4, porque o min  12/2, 18/2 corresponde à linha definida por esta
variável básica.
O pivot neste caso é 2 (assinalado com um asterisco).
A actualização do quadro simplex é feita utilizando as seguintes operações elementares:
L1  L1
L2  1/2L2
L3  L3 – L2
L4  L4 + 5/2L2
x1 x2 x3 x4 x5 b
x3 1 0 1 0 0 4
x2 0 1 0 1/2 0 6
x5 3* 0 0 -1 1 6
Z -3 0 0 5/2 0 30
Quadro 2

Obtemos uma nova solução básica admissível (x 1, x2, x3, x4, x5) = (0, 6, 4, 0, 6); esta solução
ainda não é óptima pois existe um custo reduzido negativo.
Repare-se que para esta solução a função objectivo é 30.
A variável a entrar na nova base é x 1, porque entre as duas variáveis não básicas é a única
que tem um custo reduzido negativo.

21
 A variável de saída é x5, porque o min {4/1,6/3} corresponde à linha definida por x 5.
O novo pivot é 3 (assinalado com um asterisco).
A nova actualização do quadro simplex é feita utilizando as seguintes operações
elementares:
L1  L1 – 1/3L3
L2  L2
L3  1/3L3
L4  L4 + L3

x1 x2 x3 x4 x5 b
x3 0 0 1 1/3 -1/3 2
x2 0 1 0 1/2 0 6
x1 1 0 0 -1/3 1/3 2
Z 0 0 0 3/2 1 36
Quadro 3

A nova solução básica admissível é (x 1, x2, x3, x4, x5) = (2, 6, 2, 0, 0) ; uma vez que neste último
quadro não existem custos reduzidos negativos, esta solução é óptima. Sendo o valor máximo da
função objectivo 36.

3. Conclusão

Terminado este trabalho e após a pesquisa realizada para o mesmo, verifica-se que de facto
a Programação Linear é uma ciência com uma vasta aplicação em problemas reais e do quotidiano e,
por isso mesmo, muito útil.

Tentou-se corresponder ao pretendido, apresentando os conteúdos teóricos do tema em

questão, seguidos de exemplos de situações reais, em que a interpretação gráfica toma principal
destaque. Dada a complexidade inerente ao Método Simplex, não foi possível abordá-lo em toda a
sua extensão; contudo, procurou-se elucidar a sua grande utilidade na resolução de problemas P.L.
com três ou mais variáveis e/ou com muitas restrições.

No entanto, muito mais se poderia falar, pois a P.L. é uma ciência bastante vasta e que
actualmente abrange muitas e variadas áreas de actividades.

Assim, importa realçar o seu contributo na área da Matemática e, em particular, no âmbito

do ensino secundário.

22
4. Bibliografia

CASTI, J. L. (1999). Cinco Regras de Ouro. Lisboa: Gradiva.

DANØ, S. (1972). Linear Programming. Viena.

FERREIRA, M. A., & AMARAL, I. (1995). Programação Matemática. Lisboa: Edições Sílabo.

LIMA, Y., & Gomes, F. (1997). XEQ MAT Matemática 11º ano. Lisboa: Editorial O Livro.

MOKHTAN, S. B., JOHN, J. J., & HANIF, D. S. (1990). Linear Programming and Network Flows (2ª ed.).
Singapura.

RAMALHETE, M., GUERREIRO, J., & MAGALHÃES, A. (1984). Programação Linear (Vol. 1). Alfragide:
McGraw-Hill.

Sousa, A. S., Oliveira, G. S., & Alves, L. H. (2021). A Pesquisa Bibliográfica: Princípios E Fundamentos.
Cadernos da Fucamp.

TAVARES, L. V., OLIVEIRA, R. C., THEMIDO, I. H., & CORREIA, F. N. (1997). Investigação Operacional.
Alfragide: McGraw-Hill.

23