EaD Pesquisa Operacional

EaD
PESQUISA OPERACIONAL
UNIVERSIDADE REGIONAL DO NOROESTE DO ESTADO DO RIO GRANDE DO SUL UNIJU

VICE-REITORIA DE GRADUAO VRG
COORDENADORIA DE EDUCAO A DISTNCIA CEaD
Coleo Educao a Distncia
Srie Livro-Texto
Martin Ledermann
Nivia Maria Kinalski
PESQUISA
OPERACIONAL
Iju, Rio Grande do Sul, Brasil

2012
EaD
2012, Editora Uniju

Rua do Comrcio, 1364
98700-000 - Iju - RS - Brasil
Fone: (0__55) 3332-0217
Fax: (0__55) 3332-0216
E-mail: [email protected]
www.editoraunijui.com.br
Martin Ledermann N ivia Maria Kinalski
Editor: Gilmar Antonio Bedin

Editor-adjunto: Joel Corso
Capa: Elias Ricardo Schssler
Designer Educacional: Jociane Dal Molin Berbaum
Responsabilidade Editorial, Grfica e Administrativa:
Editora Uniju da Universidade Regional do Noroeste
do Estado do Rio Grande do Sul (Uniju; Iju, RS, Brasil)
Catalogao na Publicao:
Biblioteca Universitria Mario Osorio Marques Uniju
L473p
Ledermann, Martin.
Pesquisa operacional / Martin Ledermann, Nivia
Maria Kinalski. Iju : Ed. Uniju, 2012. 164 p. (Coleo educao a distncia. Srie livro-texto).
ISBN 978-85-7429-988-4
1. O rga niz a es . 2. Administ ra o. 3. Pesq uisa
operacional. 4. Planejamento. 5. Processo decisrio. 6.
Programao linear. I. Kinalski, Nivia Maria. II. Ttulo.
III. Srie.
CDU : 65.012.122
519.248
519.85/.87
EaD
Sumrio
CONHECENDO OS AUTORES ..................................................................................................... 5

APRESENTAO ............................................................................................................................ 9
O QUE VAMOS ESTUDAR ..........................................................................................................11
UNIDADE 1 CONHECENDO A PESQUISA OPERACIONAL ...........................................15
Seo 1.1 Pesquisa Operacional: surgimento e conceito .....................................................15
Seo 1.2 Fases de um Estudo em Pesquisa Operacional ....................................................17
Seo 1.3 Pesquisa Operacional e a Relao com o Processo Decisrio ...........................19
1.3.1 Caractersticas do Processo Decisrio ................................................................19
1.3.2 Classificao das Decises ...................................................................................21
1.3.3 Qualidade das Decises .......................................................................................21
1.3.4 Obstculos a uma Deciso de Qualidade .........................................................22
Seo 1.4 Enfoque Gerencial da Pesquisa Operacional .......................................................23
Seo 1.5 A Natureza da Pesquisa Operacional ....................................................................24
Seo 1.6 Teoria Clssica de Otimizao ................................................................................25
UNIDADE 2 PROGRAMAO LINEAR ................................................................................27
Seo 2.1 Modelo em Programao Linear ............................................................................28
Seo 2.2 O Mtodo Simplex ...................................................................................................38
Seo 2.3 Soluo tima pelo Mtodo Simplex ...................................................................47
Seo 2.4 O Problema da Minimizao ..................................................................................53
Seo 2.5 O Problema da Soluo Bsica Inicial ..................................................................56
Seo 2.6 O Mtodo Grfico de Resoluo de Problemas de Programao Linear ..........68
Seo 2.7 O Uso da Ferramenta Solver ...................................................................................72
Seo 2.8 Anlise de Sensibilidade ..........................................................................................77
Seo 2.9 Dualidade ...................................................................................................................82
Seo 2.10 Interpretao Econmica da Dualidade .............................................................84
Seo 2.11 Anlise Econmica .................................................................................................87
3
EaD
UNIDADE 3 PROBLEMA DO TRANSPORTE .......................................................................91

Seo 3.1 Modelo em Problemas de Transporte .....................................................................93
Seo 3.2 O Caso dos Sistemas no Equilibrados .................................................................95
Seo 3.3 Mtodos para Resoluo de Problemas de Transporte ........................................96
Seo 3.4 Soluo tima em Problemas de Transporte ..................................................... 109
UNIDADE 4 TEORIA DAS FILAS ........................................................................................ 121
Seo 4.1 Aspectos Gerais da Teoria das Filas .................................................................... 121
Seo 4.2 Caractersticas de uma Fila .................................................................................. 123
Seo 4.3 Localizao das Variveis Aleatrias .................................................................. 125
Seo 4.4 Modelo de Fila M/M/1 .......................................................................................... 130
Seo 4.5 Modelo de Fila M/M/C ......................................................................................... 133
UNIDADE 5 PROGRAMAO DINMICA E MODELOS DE ESTOQUE ................... 139
Seo 5.1 Introduo a Programao Dinmica e Modelos de Estoque ........................ 139
Seo 5.2 Principais Caractersticas ..................................................................................... 139
Seo 5.3 Programao Dinmica, Modelos Dinmicos e Problemas de Aplicao ........ 140
UNIDADE 6 SIMULAO ..................................................................................................... 151
Seo 6.1 Introduo Simulao ....................................................................................... 151
Seo 6.2 Vantagens e desvantagens da simulao ........................................................... 152
Seo 6.3 rea de aplicao da Simulao ......................................................................... 153
Seo 6.4 Tipos e modelos de simulao .............................................................................. 154
Seo 6.5 Etapas de um projeto de simulao .................................................................... 154
REFERNCIAS ........................................................................................................................... 163
EaD
Conhecendo os Autores
Martin Ledermann
Natural de Iju, nasceu no dia 14 de maio de 1972. Cursou o
Ensino Fundamental na Escola Estadual de Ensino Fundamental
Giovana Margarita, de Vila Floresta, interior do municpio de Iju.
Aps concluir esta etapa do estudo, ingressou na Escola Estadual
de Ensino Mdio Ruy Barbosa. Graduou-se em Administrao no
ano de 2000 na Uniju. Em 2003 concluiu o curso de Ps-Graduao Lato Sensu em Marketing, tambm na Uniju. No ano de 2007
recebeu o ttulo de Mestre em Desenvolvimento, novamente pela
Uniju.
Enquanto estudava, exerceu vrias atividades. Foi auxiliar
de almoxarifado e controlador de estoques na Indstria de Mquinas Agrcolas Fuchs S.A. Imasa. Tambm atuou como Tcnico
Administrativo na 17 Coordenadoria Regional de Sade, rgo
ligado Secretaria Estadual de Sade do Estado do Rio Grande
do Sul.
Atuou no Programa Diagnstico Empresarial firmado entre
Uniju e Sebrae, quando diagnosticou 149 empresas da Regio
Noroeste do Estado do RS pertencentes aos seguintes setores: txtil, metal-mecnico, moveleiro, alimentcio, construo civil e turismo. Alm disso, desempenhou a funo de negociador de
consultorias e cursos de capacitao por meio do convnio Uniju/
Sebrae no perodo de outubro de 2003 a setembro de 2006. Exerce
a funo de consultor empresarial na rea de marketing. Foi PrReitor da Uniju no campus Trs Passos no perodo de janeiro a
junho de 2011 e no campus Panambi de julho a agosto do mesmo
ano. Atualmente coordenador do curso de Administrao da
Uniju no campus do municpio de Trs Passos.
Foi professor substituto da Universidade Federal de Santa
Maria, no Centro de Educao Superior do Noroeste do Estado
Cesnors situado no municpio de Palmeira das Misses, onde
ministrou as seguintes discipli nas: Marketing A, Pesquisa
5
EaD
Operacional, Economia Rural e Gesto da Produo, Logstica e

Materiais I. professor da Uniju, ligado ao Departamento das
Cincias Administrativas, Contbeis, Econmicas e da Comunicao (Dacec), ministrando as disciplinas de Administrao de
Marketing I, Administrao de Marketing II, Pesquisa Operacional,
Administrao da Produo e Operaes I, Administrao da Produo e Operaes II, Gesto de Produtos e Marcas, Marketing Estratgico, Marketing Industrial e Estratgias de Distribuio e
Logstica.
EaD
Nivia Maria Kinalski

Natural de Iju, nasceu no dia 28 de dezembro de 1975. Cursou o Ensino Fundamental na Escola Estadual de Dr. Bozano, da
cidade de Bozano. Aps concluir esta etapa do estudo ingressou
na Escola Estadual de Ensino Mdio Ruy Barbosa. Graduou-se
em Licenciatura em Matemtica no ano de 2001 pela Uniju. Em
2004 recebeu o ttulo de Mestre em Modelagem Matemtica, novamente pela Uniju, com a defesa da dissertao intitulada Modelagem da produo de vacas leiteiras com utilizao de pastagem e silagem de milho, sob orientao do professor doutor Jorge
Luiz Berto.
No incio de sua vida acadmica j exercia atividades de regncia de classe, coordenadora de estgio e professora auxiliar de
Matemtica, mas foi aps a conquista do ttulo de graduada em
Cincias com Habilitao Matemtica do Ensino Fundamental e
Mdio que passou a se dedicar inteiramente profisso. Em 2001
foi professora substituta de Cincias e de Matemtica para alunos
do Colgio Sagrado Corao de Jesus, em Iju, RS. Em 2003 lecionou Matemtica para alunos do Colgio Gerao Positiva e da
Sociedade Educacional Trs de Maio (Setren).
Em 2004 ingressou no quadro funcional da Uniju, onde permanece at hoje, lecionando para alunos de diferentes cursos, como
Administrao, Agronomia, Engenharia Eltrica, Engenharia Civil, Engenharia Mecnica, Tecnologia em Agronegcios, Biologia,
Cincias da Computao, Cincias Contbeis, Economia, Medicina Veterinria, Nutrio, Fisioterapia, Enfermagem, Farmcia e
Qumica, as disciplinas de: Geometria Analtica e Vetores, Programao de Sistemas de Produo Agropecurios, Mtodos Estatsticos, Clculos I, II, III e IV, Bioestatstica, Estatstica e Probabilidade, Matemtica, Fundamentos da Matemtica, Matemtica Aplicada Administrao, Modelizao de Sistemas Agropecurios, lgebra Linear, Funes II, lgebra Moderna, Matemtica Bsica,
Geometria II, lgebra Vetorial, Geometria Analtica, Matemtica
Bsica II, Estatstica, Matemtica no Ensino Fundamental II.
Sua participao na Universidade, entretanto, no se limita
s atividades docentes, pois participou de projetos de pesquisa,
como do Ncleo de Formao Pedaggica Geral (NFPG), A Unio
7
EaD
faz a Fora (convnio Sicredi x Uniju); do Colegiado do antigo

Departamento de Fsica, Estatstica e Matemtica; e de atividades
de extenso universitria.
Ao longo de todo este tempo tambm atuou como docente
do Senac (2008-2009), ministrando mdulos dos cursos de
Empacotador, Formao do Preo de Venda, Matemtica Comercial
e Financeira, Mdulos de Matemtica, Oficinas de Matemtica e
Operador de Caixa. Participou, inclusive, da elaborao de material
didtico dos referidos cursos.
Sua participao como docente tambm ocorreu no Instituto Federal Farroupilha (IFF), de Santo Augusto, no perodo de 2009
a 2011, e em cursos preparatrios para concursos, como Einsteen
(Carazinho), Potencial (So Luiz Gonzaga), Futuro (Cruz Alta),
Data Work (Cerro Largo). Desde 1997 professora particular de
Matemtica, auxiliando os alunos do Ensino Fundamental e Mdio no aprendizado da disciplina.
Participou da apresentao de inmeros trabalhos em eventos cientficos, oficinas e fruns. Orientou alunos na elaborao
de seus trabalhos de concluso de curso e tem participado, com
frequncia, de eventos em busca de aperfeioamento dos seus conhecimentos.
EaD
Apresentao
Constitumos esta obra com o propsito de provar a aplicabilidade da Matemtica, ou

seja, dos nmeros, na Administrao das empresas. Esperamos com isso quebrar alguns
paradigmas e amenizar um pouco o receio que os atuais e futuros gestores tm quando se
deparam com questes quantitativas.
Inegavelmente o mundo mergulhou profundamente na Era da Informao e do Conhecimento. Criatividade, inteligncia e tecnologia formam um conjunto de elementos que
se constituem na forma ideal para o desenvolvimento das sociedades e das organizaes.
Na rea gerencial, a procura cada vez mais acirrada por maiores participaes de mercado, pela anulao da concorrncia, pela conquista de novos clientes e manuteno dos
atuais, pela qualidade do produto, pela maximizao dos resultados e pela minimizao dos
dispndios, tem levado as empresas a buscarem conhecimentos e tcnicas que vo ao encontro destes objetivos.
Ao elaborarmos este livro-texto temos convico de algumas situaes. Uma delas
que muitos cursos de Administrao, Economia, alm das Engenharias, mantm em seus
Projetos Poltico-Pedaggicos a disciplina de Pesquisa Operacional. Isso remete ideia de
que este componente curricular importante e suas tcnicas so utilizadas para a resoluo
de problemas e encaminhamentos de aes nas mais variadas situaes.
Outra que parte das pessoas que se encaminham para alguns desses cursos tm
grandes dificuldades de assimilar conhecimentos na rea quantitativa. E Pesquisa
Operacional se sustenta basicamente por meio de operaes quantitativas. Podemos afirmar, entretanto, que no existe dificuldade que no possa ser superada.
Diante destes elementos, este livro-texto tem o propsito de desmistificar e mostrar a
aplicabilidade das ferramentas da Pesquisa Operacional, que incluem o uso da Matemtica
e da Estatstica na resoluo de problemas da rea da Administrao. Para atingir este
propsito esta obra emprega uma linguagem simples e de fcil compreenso, com exemplos
prticos que possibilitam o bom entendimento do contedo.
Este um livro-texto para ler, entender e praticar. A partir da leitura desta obra expresses como Programao Linear, Modelo Matemtico, Dualidade, Anlise de Sensibilidade, Problema de Transporte, Teoria das Filas, Programao Dinmica, Modelos de Estoque e Simulao faro parte da rotina profissional daqueles que a lerem. Um grande abrao
a todos e bons estudos.
9
EaD
10
EaD
O Que Vamos Estudar
Para que possamos dar conta do que se prope este componente curricular e atingir os
objetivos estabelecidos, o contedo deste livro est organizado em seis unidades, descritas
no Quadro 1.
Unidade
UNIDADE 1
Ttulo
Conhecendo a Pesquisa
Operacional
UNIDADE 2
Programao Linear
UNIDADE 3
Problema do Transporte
UNIDADE 4
Teoria das Filas
UNIDADE 5
Programao Dinmica e
Modelos de Estoque
UNIDADE 6
Simulao
Contedo
Pesquisa Operacional: surgimento e conceito
Fases de um Estudo em Pesquisa Operacional
Pesquisa Operacional e a Relao com o
Processo Decisrio
Enfoque Gerencial da Pesquisa Operacional
A Natureza da Pesquisa Operacional
Teoria Clssica de Otimizao
Modelos em Programao Linear
O Mtodo Simplex
Soluo tima Atravs do Mtodo Simplex
O Problema da Soluo Bsica Inicial
O Problema da Minimizao
O Uso da Ferramenta Solver
O Mtodo Grfico
Anlise de Sensibilidade
Dualidade
Interpretao Econmica da Dualidade
Anlise Econmica
Modelo em Problemas de Transporte
O Caso dos Sistemas No Equilibrados
Mtodos de Resoluo para Problemas de
Transporte
Soluo tima em Problemas de Transporte
Aspectos Gerais da Teoria das Filas
Caractersticas
Localizao das Variveis Aleatrias
Modelo de Fila M/M/1
Modelo de Fila M/M/C
Introduo Programao Dinmica e Modelos
de Estoque
Principais Caractersticas, Modelos Dinmicos e
Problemas de Aplicao
Introduo Simulao
Vantagens e Desvantagens da Simulao
rea de Aplicao da Simulao
Tipos de Modelos de Simulao
Etapas de um Projeto de Simulao
Exemplo de Modelo de Simulao
Quadro 1: Contedo programtico.

Fonte: Elaborado pelos autores.
11
EaD
UNIDADE 1
A Unidade 1 tem como objetivo proporcionar o suporte terico necessrio para o bom
entendimento dos contedos do componente curricular. Fazem parte desta Unidade o conceito de Pesquisa Operacional, seu surgimento e fases de estudo; a relao da Pesquisa
Operacional com o Processo Decisrio, em que os conceitos de deciso e as peculiaridades
do processo decisrio sero abordados.
UNIDADE 2
O objetivo da Unidade 2 mostrar a resoluo de problemas de Programao Linear. Nesta Unidade os acadmicos aprendero a transformar em modelos matemticos
situaes reais do dia a dia das empresas, para depois resolv-los por meio do Mtodo
Simplex e do Mtodo Grfico, alm de fazer a Anlise de Sensibilidade e a Anlise Econmica. Tambm resolveremos problemas relacionados Soluo Bsica Inicial e problemas de minimizao. Outro tema relacionado a esse captulo do livro-texto o uso
da ferramenta Solver para a resoluo de problemas de Programao Linear. Alm disso,
fazem parte desta Unidade a construo e resoluo de modelos duais e sua interpretao econmica.
UNIDADE 3
A Unidade 3 trata basicamente de situaes de transporte. Resumidamente, esta Unidade busca mostrar aos leitores do livro-texto como e quais mtodos podem ser utilizados
para ajudar as empresas a minimizar os custos com logstica. Para tanto, alm da construo de modelos matemticos, esta etapa mostrar o caso dos sistemas no equilibrados, os
trs mtodos de resoluo desse tipo de problema, que so o Mtodo do Custo Mnimo, o
Mtodo do Canto Noroeste e o Mtodo de Vogel, e a soluo tima em Problemas de Transporte.
UNIDADE 4
A Unidade 4 aborda especificamente a Teoria das Filas. Essa teoria tem sido aplicada
na soluo de problemas relativos de trfego (congestionamento), em programao de trfego areo, em projetos de represas, em programao de produo, em operaes hospitalares,
na resoluo de problemas de filas em bancos e supermercados, entre outras aplicaes. Os
contedos desta Unidade so: introduo pesquisa operacional, aspectos gerais da Teoria
das Filas, caractersticas das filas, localizao das variveis aleatrias, Modelo de fila M/M/
1 e Modelo de fila M/M/C.
12
EaD
UNIDADE 5
A Unidade 5 tem o objetivo de revelar tcnicas de Programao Dinmica e Modelos
de Estoque e est dividida nas seguintes etapas: introduo programao dinmica e
modelos de estoque, principais caractersticas da programao dinmica e dos modelos de
estoque, modelos dinmicos de estoque e problemas de aplicao.
UNIDADE 6
A Unidade 6 apresenta as tcnicas de simulao que, de uma maneira resumida, pressupe o emprego de computadores e gera resultados como potencial de vendas e anlise de
atrasos na expedio de produtos pelo exame de tabelas de nmeros aleatrios que so
essenciais aos programas. Fazem parte desta Unidade os seguintes contedos: introduo
simulao, vantagens e desvantagens da simulao, rea de aplicao da simulao, tipos
de modelos de simulao, etapas de um projeto de simulao e exemplo de modelo de simulao
13
EaD
Unidade 1
CONHECENDO A PESQUISA OPERACIONAL

OBJETIVOS DESTA UNIDADE
Esta unidade tem o propsito de subsidiar, do ponto de vista terico, os contedos das
unidades subsequentes. Para tanto, abordaremos nesta etapa os conceitos de Pesquisa
Operacional, seu surgimento, as fases de um estudo em Pesquisa Operacional, a relao da
Pesquisa Operacional com o Processo Decisrio, os conceitos de deciso e as peculiaridades
do processo decisrio.
AS SEES DESTA UNIDADE

Seo 1.1 Pesquisa Operacional: surgimento e conceito
Seo 1.2 Fases de um Estudo em Pesquisa Operacional
Seo 1.3 Pesquisa Operacional e a Relao com o Processo Decisrio
Seo 1.4 Enfoque Gerencial da Pesquisa Operacional
Seo 1.5 A Natureza da Pesquisa Operacional
Seo 1.6 Teoria Clssica de Otimizao
Seo 1.1
Pesquisa Operacional: surgimento e conceito
Iniciaremos nossos estudos abordando o surgimento da Pesquisa Operacional. De acordo com Andrade (2000), surgiu pela primeira vez durante a Segunda Guerra Mundial, quando pesquisadores procuraram desenvolver mtodos para resolver problemas de operaes
militares. O sucesso dessas aes levou o mundo acadmico e empresarial a utilizar suas
tcnicas em problemas da administrao.
15
EaD
Para voc, afinal, que est lendo este livro, o que Pesquisa Operacional? J ouviu
falar algo sobre esta disciplina? Para Silva et al. (2009), Pesquisa Operacional um mtodo
cientfico para as tomadas de deciso. Consiste basicamente na descrio de situaes reais, que so transformadas em modelos matemticos que, por sua vez, serviro de base para
a utilizao de algumas ferramentas, cujo objetivo alcanar o melhor resultado possvel.
As ferramentas de Pesquisa Operacional geralmente so utilizadas para maximizar lucros
ou minimizar custos.
Para comear a entender para que servem os mtodos de Pesquisa Operacional, utilizaremos um exemplo de maximizao de lucro:
A Pizzas do Sul, empresa localizada no municpio de Trs Passos, Estado do RS, aps
anlise de seu mercado, identificou a possibilidade de produzir dois tipos de produtos: pizzas
tamanho G e pizzas tamanho GG. O lucro de cada unidade de pizza tamanho G de
R$ 8,00. J o lucro de cada unidade de pizzas tamanho GG de R$ 2,00. O tempo necessrio para produzir uma unidade de pizza tamanho G de 2 horas, enquanto que o tempo
necessrio para produzir uma unidade de pizza tamanho GG de 3 horas. Para produzir
uma pizza tamanho G so necessrios 2 funcionrios, enquanto que para produzir uma
pizza tamanho GG utiliza-se apenas 1 funcionrio. Alm disso, uma pesquisa de mercado encomendada pela empresa indicou que a demanda diria para as pizzas tamanho G
de at 20 unidades, enquanto que a demanda diria por pizzas tamanho GG no superior a 28 unidades. Construa o modelo de Programao Linear, indique as quantidades de
cada tipo de pizza que devero ser produzidas e indique o lucro mximo, considerando que
a empresa dispe de at 12 horas dirias e no mximo 8 funcionrios por dia para a produo desses dois produtos.
O resultado deste exemplo indica que a Pizzas do Sul deve produzir 4 unidades de
pizzas G e nenhuma unidade de pizza GG, gerando um lucro mximo de R$ 32,00. A
produo ficou limitada a esta quantidade devido ao nmero de funcionrios disponveis,
que de apenas 8. Alm disso, considerando essa quantidade produzida, sobraram 4 horas
de mo de obra sem serem utilizadas, e uma demanda de 16 unidades de pizzas G ainda a
ser atendida, alm da demanda de 28 unidades de pizzas tamanho GG. E como chegar a
estas concluses? A resposta simples: com o uso das ferramentas de Pesquisa Operacional.
Na segunda seo deste livro utilizaremos este mesmo exemplo e ensinaremos o passo-apasso para chegar a este resultado.
Este apenas um exemplo relacionado aplicabilidade das ferramentas da Pesquisa
Operacional. Programao Linear, Problemas de Transporte, Teoria das Filas, Programao
Dinmica, Modelos de Estoque e Simulao so os contedos que compem o universo da
Pesquisa Operacional.
16
EaD
Seo 1.2
Fases de um Estudo em Pesquisa Operacional
De acordo com Andrade (2000), so seis as fases de um estudo em Pesquisa Operacional,
expostas na Figura 1: definio do problema, construo do modelo, soluo do modelo,
validao do modelo, implementao dos resultados e avaliao final.
Essa sequncia de passos no rgida, mas indica as principais etapas que devem ser
seguidas. Os procedimentos utilizados nessas fases dependem do tipo do problema em anlise e do contexto que o envolve.
PERCEPO DA DEMANDA POR SOLUO

PROBLEMA
DEFINIO DO PROBLEMA
CONSTRUO DO MODELO
SOLUO DO MODELO
SOLUO DO MODELO
VALIDAO DO MODELO
EXPERINCIA
IMPLEMENTAO DOS
RESULTADOS
Figura 1 Fases de um estudo em Pesquisa Operacional
Fonte: Andrade (2000).
a) Definio do problema
A definio do problema baseia-se em trs aspectos: identificao das variveis de deciso, descrio e definio dos objetivos e reconhecimentos das limitaes, restries e exigncias do sistema.
17
EaD
O problema comea a ser resolvido a partir da definio dos objetivos, os quais podem
ser de maximizao ou minimizao de algo. O segundo ponto determinar as variveis de
deciso, que devem estar relacionadas aos objetivos. J o terceiro elemento composto
pelas restries, limitaes ou exigncias existentes.
b) Construo do modelo
O modelo a ser construdo deve estar baseado na definio do problema. Esta a fase
que exige maior criatividade do analista, uma vez que a qualidade de todo o processo depende desta etapa. Modelos matemticos so muito utilizados pelas empresas em seus processos decisrios.
c) Soluo do modelo
Tem por objetivo encontrar uma soluo para o modelo construdo. Em Pesquisa
Operacional algumas tcnicas conhecidas como o Mtodo Simplex, Anlise de Sensibilidade, Dualidade, Simulao, entre outras, so empregadas na soluo de modelos.
d) Validao do modelo
Segundo Andrade (2000), necessrio verificar a validade do modelo. Um modelo
vlido quando for capaz de fornecer uma previso aceitvel do comportamento do sistema e
uma resposta para a qualidade da deciso a ser tomada.
Um sistema pode ser validado por meio da anlise de dados passados do prprio sistema e da utilizao desses dados para verificar se o sistema reproduziu o mesmo comportamento ou comportamento parecido.
e) Implementao da soluo
Avaliadas as vantagens e a validade da soluo obtida, esta deve ser convertida em
regras operacionais. A implementao uma etapa crtica do estudo. importante que seja
controlada por uma equipe responsvel e com poder de deciso, pois a nova soluo, quando colocada em prtica, pode exigir mudanas na empresa, afetando os vrios setores.
f) Avaliao final
A avaliao dos resultados fundamental em qualquer etapa do processo. A avaliao
final possibilita identificar pontos fracos e possveis gargalos que devem ser corrigidos em
aes posteriores. Um fator importante na avaliao final a experincia do pessoal envolvido no estudo.
18
EaD
Seo 1.3
Pesquisa Operacional e a Relao com o Processo Decisrio
As ferramentas de Pesquisa Operacional fornecem instrumentos para as tomadas de
deciso. Dessa forma, importante entender os principais conceitos de deciso. Deciso pode
ser descrita como o curso de ao escolhido por algum (pessoa, instituio) para alcanar os
objetivos desejados, ou seja, para resolver um problema que incomoda (Andrade, 2000).
o resultado de um processo que se desenvolve a partir do momento em que um
problema foi detectado, mediante a percepo de alguns sintomas. O processo de deciso
empresarial se inicia quando uma pessoa ou grupo percebe sintomas de que algo est errado. A partir dessa percepo inicia-se a busca pela identificao do problema. Na sequncia
do livro-texto sero abordadas as caractersticas do processo decisrio, como as decises
so classificadas, a qualidade das decises e os obstculos a uma deciso de qualidade.
1.3.1 CARACTERSTICAS DO PROCESSO DECISRIO

Andrade (2000) destaca quatro caractersticas principais do processo decisrio. So elas:
o processo de deciso sequencial;
um processo complexo;
um processo que envolve valores subjetivos;
um processo desenvolvido dentro do ambiente institucional com regras mais ou menos
definidas e, at certo ponto, inflexveis.
a) Processo sequencial
Parte do pressuposto de que todas as decises so consequncias de uma srie de fatos
anteriores que criaram as bases do processo decisrio. Isso significa que uma deciso um
conjunto de muitas outras decises que se desenvolvem durante um longo perodo de tempo.
b) Processo complexo
Os processos decisrios so extremamente complexos. Vrios so os fatores que conduzem a esta afirmao. Primeiramente, podemos afirmar que quase sempre as informaes
relacionadas ao problema so insuficientes. Alm disso, o processo decisrio envolve interrelacionamento entre pessoas, em que interesses pessoais muitas vezes se sobrepem aos
interesses organizacionais.
19
EaD
O processo decisrio tambm inclui interesses e objetivos diferentes dos participantes.

Em situaes em que h um grande nmero de interesses antagnicos, o processo decisrio
torna-se lento, incerto e, muitas vezes, ineficaz. A complexidade do processo decisrio tambm se confirma pelo estilo de liderana dos administradores, que podem ser centralizadores
ou descentralizadores. Outros fatores que fazem do processo decisrio um processo complexo so:
tamanho do grupo de deciso;
tipos de sistemas de informaes gerenciais;
tipos de decises que devem ser tomadas e
nvel de deciso dentro da empresa.
c) Processo inclui valores subjetivos

Decises so tomadas por pessoas. Por mais que se busque a participao coletiva
no processo decisrio e que esta seja baseada em dados e informaes, quem realmente
decide um conjunto limitado de pessoas. E nesse momento que os fatores intuitivos,
provenientes da experincia pessoal e da personalidade de quem decide, se fazem presentes.
No se quer aqui negar a importncia desses fatores no processo de deciso. Muito
pelo contrrio, o uso desses fatores que diferencia o bom do mau administrador (Andrade,
2000).
d) Processo em ambiente institucional

A estrutura organizacional influencia diretamente o processo de tomadas de deciso
nas organizaes. Qual, entretanto, a estrutura mais indicada para desenvolver decises
eficazes? Aquela centralizada em uma ou poucas pessoas, mais verticalizada? Ou a melhor
estrutura aquela em que todas as pessoas pertencentes empresa tm participao direta
e efetiva no processo?
difcil encontrar uma resposta exata para esses questionamentos. Na Administrao
no existe uma frmula mgica para resolver os problemas empresariais. Algumas experincias, contudo, mostram que aes voltadas Qualidade Total, empowerment, planejamento
estratgico e desenvolvimento de equipes, entre outras, quando desenvolvidas coletivamente, geram bons resultados.
20
EaD
1.3.2 CLASSIFICAO DAS DECISES

As decises em Administrao so tomadas seguindo diversos critrios. No entanto,
como nosso interesse discutir as caractersticas das decises sob a tica da racionalidade,
apresentaremos uma classificao em que as decises so vistas luz do nvel em que ocorrem dentro da empresa e do grau de complexidade envolvido. As decises tm relao direta
com nveis em que so tomadas e com o seu grau de estruturao.
Vrios so os tipos de decises tomadas pelas empresas. Algumas so mais complexas,
envolvem grandes montantes financeiros e alto risco. Outras tm um grau de complexidade
menor se comparadas s primeiras, e risco mdio. E algumas possuem um baixo grau de
complexidade e risco. A quem, contudo, cabe a responsabilidade de decidir? A seguir, apresentaremos os nveis organizacionais e suas responsabilidades no processo de tomadas de
deciso.
Nvel estratgico: decises de nvel estratgico envolvem alto risco, e grandes montantes
financeiros. So de grande importncia e abrangncia. So exemplos de decises de nvel
estratgico a construo de uma nova fbrica, decises de diversificao, lanamento de
uma nova marca e fuso com outra empresa, entre outras.
Nvel ttico: decises de nvel ttico envolvem risco mdio e montantes financeiros menores que os envolvidos nas decises de nvel estratgico, mas maiores dos que so envolvidos no nvel operacional. So exemplos desse tipo de deciso as programaes oramentrias, programao da produo, contratao de um funcionrio.
Nvel operacional: decises de nvel operacional envolvem baixos riscos e pequenos montantes financeiros. So as chamadas decises dirias, corriqueiras. Exemplo: controle de
estoque.
1.3.3 QUALIDADE DAS DECISES

O que significa ter qualidade nas decises? possvel afirmar que existem decises
timas? O que uma deciso de alta qualidade? possvel se obter o consenso sobre decises institudas? Decises irracionais podem ter sucesso? possvel ser totalmente racional
quando se decide sobre algo?
Definir uma deciso como sendo de alta qualidade uma tarefa difcil e discutvel
(Andrade, 2000). s vezes uma deciso aparentemente inadequada e ou at mesmo irracional para algumas pessoas pode tornar-se um grande sucesso e causar admirao pelo fato
de que ningum apostava nela.
21
EaD
importante ressaltar, contudo, que essa situao configura-se como uma grande
exceo e felizmente todas as decises seguem um padro mais perceptvel de racionalidade.
possvel identificar algumas caractersticas do que seria uma deciso de qualidade, na
viso de Andrade (2000):
garantia de realizao dos objetivos preestabelecidos;
adaptao dos meios necessrios aos objetivos buscados;
satisfao dos interesses envolvidos;
consistncia dos cursos de ao.
Dessa forma, podemos afirmar que a qualidade da deciso maior quanto maior for o
grau de participao dessas caractersticas no processo decisrio.
1.3.4 OBSTCULOS A UMA DECISO DE QUALIDADE

Vrios so os obstculos que surgem para complicar o processo de tomada de uma
deciso. Alguns deles dizem respeito ao carter pessoal do administrador, como a fora do
hbito e valores pessoais. o caso da seguinte desculpa: Sempre fizemos dessa forma.
Outro obstculo que se apresenta relaciona-se s questes polticas e s relaes de
poder no ambiente empresarial: No podemos descontentar o Joo porque ele tem muito
poder.
O ambiente econmico tambm pode ser considerado um obstculo a uma deciso de
qualidade. Situaes da economia, incerteza do ambiente e polticas de governo afetam
decisivamente a qualidade das decises.
Outro fator que muitas vezes prejudica a qualidade das decises o tempo. s vezes
a urgncia da deciso faz com que se tome uma deciso equivocada e com conhecimento
incompleto dos dados do problema. Para Andrade (2000), contudo, existem duas dificuldades maiores que so inerentes ao problema e que podem influenciar inevitavelmente a
qualidade da deciso: a escolha do problema certo para resolver e o conhecimento insuficiente.
a) Escolha do problema certo para resolver

Fazer certo as coisas importante, porm fazer as coisas certas mais importante
ainda. E o que isso quer dizer? O primeiro passo para uma deciso de qualidade saber qual
problema requer soluo, pois os mesmos no aparecem com rtulos, pedindo uma soluo.
22
EaD
Eles aparecem por meio de alguns sintomas, como reclamaes, atrasos, prejuzos.
Diante disso, a primeira tarefa do administrador identificar os problemas que causam os
efeitos perturbadores. Peter Drucker, como revela Andrade (2000), afirma que a fonte mais
comum de enganos a nfase em encontrar a resposta certa em lugar de procurar a questo
certa para responder.
b) Conhecimento insuficiente
Para que uma deciso tenha qualidade indiscutvel, necessria a posse de um amplo
e completo conjunto de informaes acerca de todas as alternativas possveis, como tambm possveis consequncias acerca de cada alternativa (Andrade, 2000).
A realidade, entretanto, nos mostra que isso impossvel de acontecer. Na maioria
das vezes os gestores tomam decises baseadas em informaes incompletas e parciais.
Isso ocorre por vrias razes. A primeira relaciona-se ao alto custo das informaes, o que
significa que quanto mais informaes o gestor pedir, mais tempo e dinheiro sero gastos
para sua obteno.
Por outro lado, se poucas informaes criam um ambiente de incerteza para o processo de deciso, muitas informaes tambm podem prejudicar, o que exige tempo e habilidades extras para anlise. Diante disso, o administrador, muitas vezes, decide tendo como
base sua experincia pessoal.
Seo 1.4
Enfoque Gerencial da Pesquisa Operacional
A Pesquisa Operacional tem sido vista, de acordo com Andrade (2000), sob dois
enfoques diferentes quanto abordagem, mas coerentes e complementares na aplicao
prtica: o enfoque clssico e o enfoque atual.
a) Enfoque clssico
Deriva do conceito quantitativo da Pesquisa Operacional. De acordo com esse enfoque,
a Pesquisa Operacional definida como a arte de aplicar tcnicas de modelagem a problemas de deciso e resolver os modelos obtidos por meio da utilizao de mtodos matemticos e estatsticos, visando obteno de uma soluo tima, sob uma abordagem
sistmica.
23
EaD
Para grande parte dos administradores essa definio leva ideia de que Pesquisa
Operacional apenas fornece um conjunto de tcnicas e mtodos que so teis apenas para
a soluo de determinados problemas, quando estes podem ser modelados na forma correta.
Como modelos so representaes simplificadas da realidade, as solues timas obtidas
podem deixar a desejar quanto a sua aplicabilidade.
Apesar de apresentar algumas limitaes, o enfoque clssico tem o mrito de ter sido,
por muito tempo, extremamente til ao desenvolvimento dessa metodologia, pois agregou
um grande contingente de matemticos, engenheiros, fsicos, economistas e profissionais de
diversas reas, pesquisando e desenvolvendo mtodos para a soluo de problemas.
b) Enfoque atual
Decorre de um conceito qualitativo da Pesquisa Operacional. A nfase na construo
de modelos leva a uma compreenso mais profunda do prprio problema, identificando melhor seus elementos internos, suas interaes com o ambiente externo, as informaes necessrias e os resultados possveis de obter.
A importncia da Pesquisa Operacional reside na sua influncia sobre o modo pelo
qual os administradores abordam os problemas, na maneira como os formulam, na relao
com os demais problemas e na forma usada para sua comunicao a outras pessoas.
Perde importncia o rigor matemtico e ganham relevncia o esprito crtico e a sensibilidade para descobrir o problema correto a analisar e quais informaes so determinantes
para a deciso e quais so coadjuvantes.
Seo 1.5
A Natureza da Pesquisa Operacional
Ao abordarmos a natureza da Pesquisa Operacional precisamos recordar a importncia dos modelos matemticos para analisar e compreender o comportamento de uma situao real com o objetivo de lev-lo a apresentar o melhor resultado possvel.
Basicamente, a natureza da Pesquisa Operacional nos revela que, quando da necessidade de resolver um problema, o primeiro passo represent-lo mediante a construo
de um modelo. Nesse modelo devero estar elencadas as principais variveis que afetam a
deciso.
24
EaD
No campo da Administrao, os sistemas com os quais os administradores lidam tm a

caracterstica de serem influenciados por um grande nmero de variveis. Podemos afirmar,
ento, que os sistemas so complexos. Isso torna a tarefa dos gestores cada vez mais difcil.
O agravante que a tendncia o aumento dessa complexidade, em ritmo cada vez mais
acelerado, diante das condies decorrentes das mudanas dos ambientes poltico, econmico, social, ambiental e tecnolgico.
A Pesquisa Operacional, vista como um conjunto de ferramentas que auxiliam os administradores na tomada de deciso, tem evoludo para dar conta dessa complexidade atual.
Seo 1.6
Teoria Clssica de Otimizao
Problemas de otimizao, na sua forma geral, tm como objetivo maximizar ou
minimizar uma funo definida sobre uma certa situao. A teoria clssica de otimizao
trata do caso em que as solues so variadas e infinitas. J no caso dos chamados problemas de otimizao combinatria, as solues so restritas. Alm disso, em geral fcil listar
os seus elementos e tambm testar se um dado elemento pertence ou no a essa soluo.
Ainda assim, a ideia ingnua de testar todos os elementos desta situao na busca pelo
melhor mostra-se invivel na prtica, mesmo para instncias de tamanho moderado.
Como exemplos clssicos de problemas de otimizao combinatria podemos citar o
problema do caixeiro viajante, o problema da mochila, o problema da cobertura mnima por
conjuntos, o problema da floresta de Steiner e o problema de encontrar um conjunto independente mximo em um grfico. No sentido tcnico, todos so problemas no probabilsticos
difceis.
Estes, e diversos outros de mesma natureza so, porm, de grande interesse, pois surgem em aplicaes prticas na indstria, tais como em projetos de redes de telecomunicao e de circuitos, problemas de empacotamento, problemas de localizao de centros distribuidores, problemas de escalonamento, problemas de roteamento de veculos, entre outros.
Outras reas de aplicao incluem estatstica (anlise de dados), economia (matrizes de
entrada/sada), fsica (determinao de estados de energia mnima), biologia molecular (alinhamento de DNA, inferncia de padres).
25
EaD
SNTESE DA UNIDADE 1
Nesta Unidade pudemos perceber a importncia e a aplicabilidade
da Pesquisa Operacional. Aprendemos que Pesquisa Operacional
surgiu durante a Segunda Guerra Mundial para resolver problemas de operaes militares. Descobrimos tambm que a base da
Pesquisa Operacional a Matemtica, onde tudo comea com um
problema a ser resolvido, passando pela construo de um modelo
matemtico, seguido de sua resoluo e posterior teste. Esta Unidade tambm serviu para nos mostrar que as ferramentas de Pesquisa Operacional esto diretamente relacionadas ao processo
decisrio das organizaes, pois suas ferramentas possibilitam s
empresas escolhas de aes mais confiveis e menos incertas.
26
EaD
Unidade 2
PROGRAMAO LINEAR
Nesta etapa do estudo abordaremos a resoluo de problemas de Programao Linear. Para isso importante que os acadmicos aprendam a construir modelos matemticos, que so resultantes de situaes reais do dia a dia das empresas. Aps entender o
processo de construo de modelos, resolveremos os mesmos por meio de dois mtodos,
que so o Mtodo Simplex e o Mtodo Grfico, alm de fazer a Anlise de Sensibilidade
e a Anlise Econmica. Tambm resolveremos problemas relacionados Soluo Bsica
Inicial e problemas de minimizao. Na sequncia explicaremos o uso da ferramenta
Solver para a resoluo de problemas de Programao Linear. Outro elemento que faz
parte desta Unidade refere-se construo e resoluo de modelos duais e sua interpretao econmica.

Seo 2.1 Modelo em Programao Linear
Seo 2.2 O Mtodo Simplex
Seo 2.3 Soluo tima pelo Mtodo Simplex
Seo 2.4 O Problema da Minimizao
Seo 2.5 O Problema da Soluo Bsica Inicial
Seo 2.6 O Mtodo Grfico de Resoluo de Problemas de Programao Linear
Seo 2.7 O Uso da Ferramenta Solver
Seo 2.8 Anlise de Sensibilidade
Seo 2.9 Dualidade
Seo 2.10 Interpretao Econmica da Dualidade
Seo 2.11 Anlise Econmica
27
EaD
Seo 2.1
Modelo em Programao Linear
O primeiro passo para resolver um problema de Programao Linear a construo do
modelo matemtico. A construo do modelo deve seguir o seguinte roteiro, segundo Silva
et. al (2009): determinao das variveis de deciso, determinao da funo objetivo e
determinao das restries.
a) Determinao das variveis de deciso

Consiste em determinar as decises que devem ser tomadas e represent-las mediante
o que chamado de variveis de deciso. Se o problema de programao de produo, as
variveis de deciso so as quantidades a produzir no perodo; se for um problema de programao de investimento, as variveis vo representar as decises de investimento, isto ,
quanto investir em cada oportunidade e em que perodo. As variveis de deciso sero representadas pelos seguintes smbolos: x 1, x 2 e x 3 e assim sucessivamente, dependendo do nmero de variveis de deciso.
b) Determinao da funo objetivo

Nesta etapa devemos identificar o objetivo da tomada de deciso. Eles geralmente
aparecem na forma de maximizao de lucros ou receitas, e na minimizao de custos ou
alguns tipos de perdas. A construo da funo objetivo est diretamente relacionada com
as variveis de deciso previamente determinadas.
c) Determinao das restries

Cada restrio imposta deve ser expressa de forma linear. Restries podem ser definidas como os elementos que limitam o processo decisrio, ou seja, as condies dadas. Por
exemplo, uma empresa de confeces pode limitar a quantidade de peas de roupas a produzir devido disponibilidade de tecido que possui. Nesse caso, a quantidade de tecido pode
restringir o nmero de itens e limitar o lucro da empresa.
Para entendermos melhor o processo de construo de modelos em Programao Linear, utilizaremos dois exemplos, que esto expostos e detalhados na sequncia.
28
EaD
Modelo em Programao Linear: Exemplo 1

o caso da Maximizao de lucro na empresa Pizzas do Sul.
pizza tamanho GG utiliza-se apenas 1 funcionrio. Alm disso, uma pesquisa de mercado
encomendada pela empresa indicou que a demanda diria para as pizzas tamanho G de
at 20 unidades, enquanto que a demanda diria por pizzas tamanho GG no superior
a 28 unidades. Construa o modelo de Programao Linear que possibilite indicar as quantidades de cada tipo de pizza que devero ser produzidas e, como consequncia disso, indicar
o lucro mximo, considerando que a empresa dispe de at 12 horas dirias e no mximo 8
funcionrios por dia para a produo desses dois produtos.
a) Determinao das Variveis de Deciso

A primeira pergunta a fazer qual o objetivo do problema. O objetivo maximizar o
lucro. Para isso acontecer, no entanto, precisamos saber quais so as quantidades de cada
tipo de pizza que devem ser produzidas, pois j conhecemos o lucro unitrio de cada uma
delas. Geralmente, as variveis de deciso vm acompanhadas do lucro, custo e receita unitrios. Ento, determinaremos por x 1 a quantidade de pizzas tamanho G a ser produzida
e por x 2 a quantidade de pizza tamanho GG a ser produzida, ficando esta etapa do
modelo da seguinte forma:
x1: quantidade de pizzas tamanho G a ser produzida
x2: quantidade de pizzas tamanho GG a ser produzida
b) Determinao da Funo Objetivo

O objetivo maximizar o lucro, que pode ser obtido:
Lucro de cada unidade de pizza G: 8.x 1
Lucro de cada unidade de pizza GG: 2.x 2
LUCRO TOTAL: 8.x 1 + 2.x 2
Maximizar L: 8.x1 + 2.x2
29
EaD
c) Determinao das Restries

As restries estabelecidas no problema so:
Primeira restrio: nmero de horas
Horas ocupadas com a produo das pizzas tamanho G: 2.x 1 (uso por unidade X quantidade produzida).
Horas ocupadas com a produo das pizzas tamanho GG: 3.x 2 (uso por unidade X quantidade produzida).
Tempo total em horas ocupadas na produo: 2.x 1 + 3.x 2
Disponibilidade mxima: 12 horas.
Logo 2.x1 + 3.x2 (menor ou igual) 12
Se o nmero de horas disponvel fosse de no mnimo 12 horas, utilizaramos o sinal de

(maior ou igual), e a equao ficaria da seguinte forma: 2.x 1 + 3.x 2 12. Alm disso, se o
nmero de horas disponvel fosse de 12 horas, utilizaramos o sinal de = (igualdade) e a
equao ficaria da seguinte forma: 2.x 1 + 3.x 2 = 12.
Segunda restrio: nmero de funcionrios

Nmero de funcionrios usados na produo das pizzas tamanho G: 2.x 1 (uso por unidade X quantidade produzida).
Nmero de funcionrios usados na produo das pizzas tamanho GG: 1.x 1 (uso por
unidade X quantidade produzida).
Nmero total de funcionrios usados na produo: 2.x 1 + 1.x 2
Disponibilidade mxima: 8 funcionrios.
Por outro lado, se o nmero de funcionrios disponvel fosse de no mnimo 8 colaboradores, utilizaramos o sinal de (maior ou igual), e a equao ficaria da seguinte forma:
2.x 1+1.x 2 8. J se o nmero de funcionrios fosse de 8 colaboradores, usaramos o sinal de
= (igualdade) e a equao ficaria da seguinte forma: 2.x 1 + 1.x 2 = 8.
30
EaD
Terceira restrio: demanda de X1

Demanda para x1 de at 20 unidades. Portanto:
x1 (menor ou igual) 20 unidades

Se a demanda para x1 fosse de no mnimo 20 unidades, utilizaramos o sinal de
(maior ou igual), e a equao ficaria da seguinte forma: x 1 20 unidades. Por outro lado, se
a demanda de x1 fosse de 20 unidades, a equao ficaria da seguinte forma: x 1 = 20.
Quarta restrio: demanda de x2

Demanda para x2 de at 28 unidades. Portanto:
x2 (menor ou igual) 28 unidades
Se a demanda para x 2 fosse de no mnimo 28 unidades, utilizaramos o sinal de

(maior ou igual), e a equao ficaria da seguinte forma: x 2 28 unidades. Por outro lado, se
a demanda para x 2 fosse de 28 unidades teramos de usar o sinal de igualdade e a equao
ficaria assim: x2 = 28.
Resumo do Modelo
Variveis de deciso:
Funo Objetivo:
Restries
Horas
2.x1 + 3.x2 12
Funcionrios
2.x1 + 1.x2 8
Demanda X1
x1 20
Demanda X2
x2 28
31
EaD
Vale salientar que nesta etapa s estamos construindo modelos de Programao Linear. Adiante abordaremos solues possveis dos modelos.
Modelo em Programao Linear: Exemplo 2:

Minimizao de custo na empresa Mveis Madeira.
A indstria de Mveis Madeira produz dois tipos de produtos: mesas para computador e escrivaninhas. A empresa necessita de 4 horas para produzir cada mesa para computador e 6 horas para fabricar cada unidade de escrivaninha. O tempo disponvel para fazer
essas atividades de, no mximo, 480 horas. Alm disso, uma anlise da empresa revela
que a demanda esperada para mesas de computador de, no mnimo, 80 unidades, enquanto que a demanda para escrivaninhas de no mnimo 60 unidades. Construa o Modelo de Programao Linear que possibilite conhecer as quantidades de cada tipo de produto a serem produzidas com o menor custo, considerando que cada mesa para computador tem um custo de produo de R$ 50,00 e cada escrivaninha tem um custo de produo
de R$ 75,00.
a) Determinao das Variveis de Deciso

O objetivo minimizar o custo. Para isso acontecer, precisamos saber quais so as
quantidades de mesas para computador e escrivaninhas que devem ser produzidas, pois j
conhecemos o custo unitrio de cada um desses produtos. Determinaremos por x 1 a quantidade de mesas para computador a ser produzida, e por x 2 a quantidade de escrivaninhas
a ser produzida, resultando esta etapa do modelo da seguinte forma:
x1: quantidade de mesas para computador a ser produzida
x2: quantidade de escrivaninhas a ser produzida
b) Determinao da Funo Objetivo

O objetivo minimizar o custo, ou seja, produzir as quantidades necessrias com o
menor custo possvel:
Custo de cada unidade de mesa para computador: 50.x 1
Custo de cada unidade de escrivaninha: 75.x 2
Custo Total: 50.x 1 + 75.x 2
Minimizar C: 50.x 1 + 75.x 2
32
EaD
c) Determinao das Restries

As restries estabelecidas no problema so:
Primeira restrio: nmero de horas

Horas ocupadas com a produo de cada unidade de mesa para computador: 4.x 1 (uso por
unidade X quantidade produzida).
Horas ocupadas com a produo de cada unidade de escrivaninha: 6.x 2 (uso por unidade
X quantidade produzida).
Tempo total em horas ocupadas na produo: 4.x 1 + 6.x 2
Disponibilidade mxima: 480 horas.
Se o nmero de horas disponvel fosse de no mnimo 480 horas, utilizaramos o sinal
de (maior ou igual), ou seja, 4.x 1 + 6.x 2 480.
Segunda restrio: demanda de X1

Demanda para x 1 de no mnimo 80 unidades. Portanto:
x1 (maior ou igual) 80 unidades

Se a demanda para x 1 fosse de no mximo 80 unidades, utilizaramos o sinal de
(menor ou igual), ou seja, x 1 80 unidades.
Terceira restrio: demanda de x2

Demanda para x 2 no mnimo 60 unidades. Portanto:
x2 (maior ou igual) 60 unidades

Se a demanda para x 2 fosse de no mximo 60 unidades, utilizaramos o sinal de
(menor ou igual), ou seja, x 2 60 unidades.
Resumo do Modelo
Variveis de deciso:
x1: quantidade de mesas para computador a produzir
x2: quantidade de escrivaninhas a produzir
33
EaD
Funo Objetivo:
Minimizar C: 50.x1 + 75.x2
Restries
Horas
4.x1 + 6.x2 480
Demanda X1
x1 80
Demanda X2
x2 60
EXERCCIOS (LISTA 1)
Construa o modelo matemtico de Programao Linear dos problemas descritos a seguir:
1. Uma serralheria deseja estabelecer uma programao diria de produo. Atualmente a
empresa produz apenas dois tipos de produtos: portas e portes, ambos de um s modelo.
Consideraremos o fato de a serralheria ter limitaes de apenas dois recursos produtivos,
que so ferro e horas de mo de obra, cujas disponibilidades mximas so de 120 Kg e 80
horas, respectivamente. Alm disso, sabe-se que para fabricar uma porta so necessrios
20 Kg de ferro e 20 horas de mo de obra, enquanto que para produzir cada unidade de
porto so necessrios 30 Kg de ferro e 10 horas de mo de obra. O lucro unitrio de cada
porta de R$ 200,00, e o lucro de cada unidade de porto de R$ 500,00. Construa o
modelo de Programao Linear que possibilite definir as quantidades de cada tipo de
produto que devem ser produzidas para maximizar o lucro.
2. Uma indstria de confeces produz 2 tipos de jaquetas: adulto feminina (P1) e adulto
masculina (P2). A demanda para P1 de no mximo 120 unidades por trimestre. J para
P2 a demanda de no mnimo 90 unidades por trimestre. So necessrios 6 funcionrios
para produzir uma unidade de P1 e 9 funcionrios para produzir uma unidade de P2. A
mo de obra disponvel para executar tais tarefas no superior a 360 colaboradores. J
o lucro unitrio gerado por cada unidade de P1 de R$ 300,00 e R$ 450,00 para cada
unidade de P2. Construa o modelo de Programao Linear que possibilite indicar a quantidade de cada tipo de produto que deve ser produzida para maximizar o lucro.
3. O restaurante Comer Bem produz dois pratos principais: fils e pizzas. Dentre os diversos
ingredientes utilizados na fabricao desses pratos destacam-se as carnes e os molhos. A
tabela do uso desses recursos encontra-se a seguir:
34
EaD
Produto
Fil
Pizza
Disponibilidade Mxima
Carne (gramas)
900
300
30.000
Molho (gramas)
400
300
10.000
Alm disso, sabe-se que o lucro de cada prato de fil de R$ 12,00 e o lucro de cada
pizza de R$ 9,00. Construa o modelo de Programao Linear que possibilite indicar as
quantidades de cada tipo de prato que devem ser produzidas para maximizar o lucro do
restaurante.
4. A Mercado PC uma loja de computadores que vende dois tipos de microcomputadores:
desktops e laptops. A empresa ganha R$ 600,00 por cada desktop vendido e R$ 900,00 por
cada laptop vendido. Os computadores que a Mercado PC vende so montados por outra
empresa. Esta outra empresa tem outro pedido para atender, de forma que no poder montar
mais do que 80 desktops e 75 laptops no prximo ms. Os funcionrios da Mercado PC
gastam 2 horas instalando softwares e testando os desktops. No caso dos laptops eles gastam
3 horas. No prximo ms os empregados da Mercado PC trabalharo, no mximo, 300 horas
nessas atividades. Construa o modelo de Programao Linear que possibilite indicar a quantidade de desktops e laptops que devem ser montados para maximizar o lucro da empresa.
5. Um aougue pode transportar 15.000 Kg de carne (capacidade do caminho) para a Regio Noroeste do Estado do Rio Grande do Sul. Ele deve transportar 8.000 Kg de carne de
gado a R$ 2,80 de lucro por Kg, no mximo 500 Kg de carne de ovelha a R$ 1,80 de lucro
por Kg. Alm disso, ele necessita transportar no mnimo 3.000 Kg de carne de porco a R$
1,95 de lucro por Kg. Construa o modelo de Programao Linear que possibilite indicar as
quantidades de Kg de cada tipo de carne que devem ser transportadas com o objetivo de
maximizar o lucro.
6. A Agropecuria Biscoito, localizada no municpio de Esperana do Sul, produz trs tipos
de rao:
Rao para Vaca Leiteira;
Rao para Gado de Corte;
Rao para Galinha Poedeira.
Para produzir 1 kg de Rao para Vaca Leiteira so necessrios 0,25 kg de farelo de soja;
0,4 kg de farelo de milho e 0,35 kg de farelo de trigo. Para produzir 1 kg de Rao para Gado de
Corte so necessrios 0,25 kg de farelo de soja e 0,75 kg de farelo de milho. J para produzir 1 kg
de Rao para Galinhas Poedeiras so necessrios 0,25 kg de farelo de soja; 0,65 kg de farelo
de milho e 0,1 kg de calcrio. As disponibilidades dos recursos produtivos necessrios para a
produo dos tipos de raes mencionados encontram-se descritas na tabela a seguir:
35
EaD
Recurso Produtivo
Farelo de Soja
Farelo de Milho
Farelo de Trigo
Calcrio
Disponibilidade Mxima (kg)

1.000
2.750
500
100
Alm disso, o setor financeiro relatou que cada kg de Rao para Vaca Leiteira produzido d um lucro de R$ 0,53; cada kg de Rao para Gado de Corte produzido d um lucro
de R$ 0,52; e cada kg de Rao para Galinhas Poedeiras produzido d um lucro de R$ 0,67.
Construa o modelo de Programao Linear que possibilite indicar as quantidades de cada
tipo de rao que devem ser produzidas para maximizar o lucro da empresa.
7. A Fazenda Vaca Brava cria trs tipos de animais de raa: animais da raa tipo A; animais
da raa tipo B e animais de raa tipo C. Cada animal da raa tipo A d um lucro de
R$ 700,00; Cada animal da raa tipo B d um lucro de R$ 350,00; e cada animal da
raa tipo C d um lucro de R$ 500,00. Para a alimentao dos animais, a empresa tem
disponvel trs recursos produtivos, com suas respectivas disponibilidades dirias: milho
(300 Kg); aveia (200 Kg) e alfafa (400 Kg). Cada animal da raa A consome diariamente
3 Kg de milho e 8 Kg de aveia. Cada animal da raa B consome por dia 3 Kg de milho e
6 Kg de alfafa. J cada animal da raa C consome diariamente 2 Kg de milho, 2 Kg de
aveia e 2 Kg de alfafa. Construa o modelo de Programao Linear que possibilite indicar o
nmero de animais de cada raa que deve ser criado com o objetivo de maximizar o lucro.
8. A Indstria de Rodas dgua Roda Viva produz trs tipos de Rodas dgua: Roda dgua
Tamanho Grande (RG); Roda dgua Tamanho Mdio (RM) e Roda d gua Tamanho
Pequeno (RP). Os custos de produo de cada um dos produtos so os seguintes:
RG: R$ 2.100,00
RM: R$ 1.200,00
RP: R$ 600,00
Para produzir cada unidade de RG utiliza-se 6 Kg de chapa de ferro e 12 horas de
mquina. Para fabricar uma unidade de RM utiliza-se 4 Kg de chapa de ferro e 16 horas de
mquina. J para produzir cada unidade de RP utiliza-se 6 Kg de ferro e 2 horas de mquina. A empresa tem disponibilidade de 4.800 Kg de ferro e 7.200 horas/mquina. Alm disso,
a demanda para RG no ultrapassa a 800 unidades mensais; para RM de 800 unidades
mensais e para RP de, no mnimo, 600 unidades por ms. Construa o modelo de Programao Linear que permita encontrar as quantidades de cada tipo de produto que devem ser
produzidas com o menor custo possvel.
9. A Empresa Agrcola Floresta estuda a possibilidade de dividir sua produo em quatro
atividades produtivas distintas:
36
EaD
S (plantio de soja) destinar certa quantidade de hectares para o plantio de soja. Essa
cultura requer 400 Kg de adubo por hectare e 50 Kg de semente. O lucro dessa atividade
de R$ 800,00 por hectare.
M (plantio de milho) usar uma segunda parte para o plantio de milho. Essa cultura
requer 300 Kg de adubo e 23 Kg de semente por hectare. O lucro dessa atividade de R$
900,00 por hectare.
P (pecuria) usar uma terceira parte para a criao de gado de corte. A recuperao das
pastagens requer adubao de 200 Kg por hectare. O lucro dessa atividade de R$ 400,00.
A (arrendamento) destinar certa quantidade de terra para arrendamento. Essa atividade
gera um lucro de R$ 480,00 por hectare.
Disponibilidade de recursos produtivos:
1.000 hectares de terra;
1.000.000 de Kg de adubo;
20.000 Kg de semente de soja;
10.000 Kg de semente de milho;
Alm disso, a empresa determinou que a quantidade mnima destinada ao plantio de
milho de 200 ha. Construa o modelo de Programao Linear que permita empresa decidir
a quantidade de hectares de terra que dever ser destinada s atividades produtivas para
maximizar o lucro.
10. Na tabela a seguir fornecemos as necessidades alimentares semanais de um certo animal.
Rao
A
B
C
D
E
Unidades mnimas
disponveis
Protenas
(Unidades/Kg)
25
25
45
35
25
200
Carboidratos
(Unidades/Kg)
55
20
10
35
20
250
Custo (R$/Kg)
3,00
2,00
4,00
3,00
3,00
Construa o modelo de Programao Linear que possibilite conhecer as quantidades dos tipos de raes que o animal deve comer para manter-se saudvel com o menor
custo.
37
EaD
Seo 2.2
O Mtodo Simplex
Aps entender como se constri modelos em Programao Linear chegado o momento de resolv-los. E para isso utilizaremos a ferramenta chamada de Mtodo Simplex. Esta
ferramenta normalmente empregada para a resoluo de problemas de alocao de recursos (Andrade, 2000).
Resumidamente, o Mtodo Simplex composto por um conjunto de regras e etapas
que permitem tomar a melhor deciso possvel diante das circunstncias apresentadas. Para
entendermos como utilizar esta ferramenta, seguem-se na sequncia dois exemplos.
O Mtodo Simplex: Exemplo 1

pizza tamanho GG utiliza-se apenas 1 funcionrio. Alm disso, uma pesquisa de mercado
encomendada pela empresa indicou que a demanda diria para as pizzas tamanho G de
at 20 unidades, enquanto que a demanda diria por pizzas tamanho GG no superior
a 28 unidades. Construa o modelo de Programao Linear, indique as quantidades de cada
tipo de pizza que devero ser produzidas e, como conseqncia disso, indique o lucro mximo, considerando que a empresa dispe de at 12 horas dirias e no mximo 8 funcionrios
por dia para a produo desses dois produtos.
Variveis de deciso:
Funo Objetivo:
38
EaD
Restries
Horas
2.x1 + 3.x2 12
Funcionrios 2.x1 + 1.x2 8

Demanda X1
x1 20
Demanda X2
x2 28
1 o passo: reescrever a funo objetivo com todas as variveis de deciso esquerda.

O que antes era Max. L: 8.x1 + 2.x2 passa a ser L 8.x1 2.x2
2o passo: para cada restrio, acrescentar uma varivel de folga (xf) e igualar o sinal:
Horas
2.x 1 + 3.x 2 + xf1 (varivel de folga 1) = 12
Funcionrios
Demanda X1
x 1 + xf3 (varivel de folga 3) = 20
Demanda X2
x 2 + xf4 (varivel de folga 4) = 28
3 passo: montar tabela de resoluo do problema , em que a primeira linha representa a

equao do lucro (funo objetivo), a segunda linha a linha da restrio do recurso produtivo horas, a terceira linha representa a restrio do recurso produtivo funcionrios, a
quarta linha representa a restrio demanda de x 1e a quinta linha representa a restrio
demanda de x 2.
L
1
0
0
0
0
x1
-8
2
2
1
0
x2
-2
3
1
0
1
xf1
0
1
0
0
0
xf2
0
0
1
0
0
xf3
0
0
0
1
0
xf4
0
0
0
0
1
b
0
12
8
20
28
4 passo: isolar a varivel de deciso que apresenta o maior lucro unitrio. Nesse caso
x 1 (quantidade de pizzas tamanho G a produzir) que apresenta um lucro unitrio de
R$ 8,00, superior ao lucro de x 2, que de R$ 2,00. Destacaremos na tabela, ento, a coluna de x 1.
39
EaD
5 passo: encontrar a linha piv. Para isso acontecer preciso dividir cada valor de
b pelo elemento piv de sua respectiva linha, com exceo da primeira linha, que
no participa dessa etapa. O elemento piv da linha aquele que pertence ao mesmo
tempo linha e coluna da varivel de deciso que foi isolada. Nesse caso, o elemento piv da segunda linha 2, da terceira linha 2, da quarta linha 1 e da
quinta linha 0.
L
1
0
0
0
0
x1
-8
2
2
1
0
x2
-2
3
1
0
1
xf1
0
1
0
0
0
xf2
0
0
1
0
0
xf3
0
0
0
1
0
xf4
0
0
0
0
1
b
0
12
8
20
28
12/2: 6
8/2: 4
20/1: 20
28/0: 0
A linha que apresentar o menor valor acima de 0 (zero) como resultado dessa diviso
ser considerada a linha piv.
A linha que apresentou o menor valor acima de zero como resultado da diviso a
terceira (8/2 = 4) e est destacada na tabela anterior e exposta na sequncia:
6 passo: encontrar a nova linha piv . Isso possvel dividindo todos os elementos da linha
pelo respectivo elemento piv. O resultado dessa operao ser a nova linha piv e, nesse
caso, a nova linha trs.
Linha Piv
Dividindo por 2:
0,5
0,5
Linha Piv
7 passo: encontrar a nova linha do lucro (primeira linha). Isso possvel multiplicando
todos os elementos da nova linha piv pelo elemento piv da primeira linha, com o sinal
invertido (8). Ao resultado dessa multiplicao soma-se a primeira linha, resultando na
nova linha do lucro.
40
EaD
Nova Linha Piv
0,5
0,5
Multiplicando por 8 =
32
+ Linha do Lucro
-8
-2
= Nova Linha do Lucro
32
8 passo: encontrar a nova segunda linha. Multiplicar todos os elementos da nova linha
piv pelo elemento piv da segunda linha, com o sinal invertido (-2). Ao resultado dessa
multiplicao soma-se a segunda linha, resultando na nova linha dois.
Nova Linha Piv
0,5
0,5
Multiplicando por -2 =
-2
-1
-1
-8
+ Segunda Linha
12
= Nova Linha Dois
-1
9 passo: encontrar a nova quarta linha. Multiplicar todos os elementos da nova linha piv
pelo elemento piv da quarta linha, com o sinal invertido (-1). Ao resultado dessa multiplicao soma-se a quarta linha, resultando na nova linha quatro.
Nova Linha Piv
0,5
-1
+ Quarta Linha
= Nova Linha Quatro
-0,5 0
-0,5 0
-4
20
-0,5 0
-0,5 1
16
0,5
10 passo: encontrar a nova quinta linha. Multiplicar todos os elementos da nova linha
piv pelo elemento piv da quinta linha, com o sinal invertido (0). Ao resultado dessa multiplicao soma-se a quinta linha, resultando na nova linha cinco.
Nova Linha Piv
0,5
0,5
+ Quinta Linha
28
= Nova Linha Cinco
28
41
EaD
Reescrevendo a tabela:
L
1
0
0
0
0
x1
0
0
1
0
0
x2
2
2
0,5
-0,5
1
xf1
0
1
0
0
0
xf2
4
-1
0,5
-0,5
0
xf3
xf4
0
0
0
1
0
0
0
0
1
b
32
4
4
16
28
Resultado:
L: R$ 32,00
x1 (quantidade de pizzas tamanho G a produzir): 4
xf1 (quantidade de horas de mo de obra que sobrou): 4
xf3 (demanda de pizzas G no atendida): 16
xf4 (demanda de pizzas GG no atendida): 28
x2 (quantidade de pizzas GG a produzir): 0
xf2 (nmero de funcionrios que sobrou): 0
Interpretando o resultado
O valor do coeficiente da primeira linha que ficar logo abaixo de b o valor do lucro.
Por que X1 igual a 4?
Por que XF 1 igual a 4?
Por que X2 igual a 0?
Para determinar o valor de uma varivel preciso verificar nas linhas que esto abaixo
da linha do lucro a existncia do nmero 1. Se este estiver acompanhado de 0 (zero) nas
demais linhas (no caso do exemplo, a linha 3), o resultado indica que desta varivel deve ser
produzida alguma quantidade. No caso de x 1 devem ser produzidas 4 unidades, que o valor
de b que faz parte da mesma linha do nmero 1. A mesma regra vale para as demais
variveis que compem o modelo.
J as variveis de folga indicam se sobraram recursos produtivos ou se os mesmos se
esgotaram. Quando uma varivel de folga apresenta valor igual a 0 (zero), significa que o
recurso produtivo a que ela se refere esgotou-se, ou seja, foi usado na sua totalidade. No
42
EaD
exemplo dado podemos perceber que foram usados os 8 funcionrios disponveis para a
produo de 4 pizzas G. Por isso, xf2 = 0. Por outro lado, quando uma varivel de folga
apresenta valor, significa que daquela restrio houve sobra. Por exemplo: xf1 (horas) = 4.
Isso quer dizer que produzindo 4 pizzas G e nenhuma pizza GG sobraram 4 horas. A
mesma regra vale para as demais variveis.
O Mtodo Simplex: Exemplo 2

Uma serralheria deseja estabelecer uma programao diria de produo. Atualmente
a empresa produz apenas dois tipos de produtos: portas e portes, ambos de um s modelo.
Consideraremos o fato de a serralheria ter limitaes de apenas dois recursos produtivos,
que so ferro e horas de mo de obra, cujas disponibilidades mximas so de 120 Kg e 80
horas, respectivamente. Alm disso, sabe-se que para fabricar uma porta so necessrios 20
Kg de ferro e 20 horas de mo de obra, enquanto que para produzir cada unidade de porto
so necessrios 30 Kg de ferro e 10 horas de mo de obra. O lucro unitrio de cada porta de
R$ 200,00, e o lucro de cada unidade de porto de R$ 500,00. Construa o modelo de
Programao Linear, indique as quantidades de cada tipo de produto que devem ser produzidas e indique o lucro mximo.
Variveis de deciso:
x 1: quantidade de portas a produzir
x 2: quantidade de portes a produzir
Funo Objetivo:
Maximizar L: 200.x 1 + 500.x 2
Restries
Ferro
20.x 1 + 30.x 2 120
Horas Mo de Obra 20.x 1 + 10.x 2 80
Resoluo pelo Mtodo Simplex:
1 o passo: reescrever a funo objetivo com todas as variveis de deciso esquerda.

O que antes era Max. L: 200.x 1 + 500.x 2 passa a ser L 200.x 1 500.x 2
43
EaD
2 o passo: para cada restrio, acrescentar uma varivel de folga (xf) e igualar o sinal:
Ferro
Horas Mo de Obra
20.x 1 +10.x 2 + xf2 (varivel de folga 2) = 80
Observaes importantes:
Quando uma equao apresentar sinal de =, acrescenta-se xf e iguala-se o sinal.
Quando uma equao apresentar sinal de =, acrescenta-se -xf , seguida de uma varivel auxiliar a e iguala-se o sinal.
Quando uma equao apresentar sinal de =, acrescenta-se uma varivel auxiliar a e
iguala-se o sinal.
3 passo: montar tabela de resoluo do problema, em que a primeira linha representa a

equao do lucro (funo objetivo), a segunda linha a linha da restrio do recurso produtivo ferro e a terceira linha representa a restrio do recurso produtivo horas de mo de
obra.
x1
x2
xf1
xf2
-200
-500
20
30
120
20
10
80
4 passo: isolar a varivel de deciso que apresenta o maior lucro unitrio. Nesse caso
x 2 (quantidade de portes a produzir) que apresenta um lucro unitrio de R$ 500,00, superior ao lucro de x 1, que de R$ 200,00. Destacaremos na tabela, ento, a coluna de x 2.
5 passo: encontrar a linha piv. Para isso acontecer preciso dividir cada valor de b pelo
elemento piv de sua respectiva linha, com exceo da primeira linha, que no participa
dessa etapa. O elemento piv da linha aquele que pertence ao mesmo tempo linha e
coluna da varivel de deciso que foi isolada. Nesse caso, o elemento piv da segunda linha
30 e o elemento piv da terceira linha 10.
Obs.: A linha que apresentar o menor valor acima de 0 (zero) como resultado dessa diviso
ser considerada a linha piv.
44
EaD
x1
x2
xf1
xf2
-200
-500
20
30
120
120/30: 4
20
10
80
80/10: 8
A linha que apresentou o menor valor acima de zero como resultado da diviso a
segunda (120/30 = 4) e est destacada na tabela e exposta na sequncia:
0
20
30
120
6 passo: encontrar a nova linha piv. Isso possvel dividindo todos os elementos da linha
pelo respectivo elemento piv.
Linha Piv
20
30
Dividindo por 30:
0,67 1
0,03 0
120
4
Nova
Linha Piv
7 passo: encontrar a nova linha do lucro (primeira linha). Isso possvel multiplicando
todos os elementos da nova linha piv pelo elemento piv da primeira linha, com o sinal
invertido (500). Ao resultado dessa multiplicao soma-se a primeira linha, resultando na
nova linha do lucro.
Nova Linha Piv
0,67
0,03
Multiplicando por 500 =
333,33
500
16,67
2000
+ Linha do Lucro
-200
-500
133,33
16,67
2000
8 passo: encontrar a nova terceira linha. Multiplicar todos os elementos da nova linha
piv pelo elemento piv da terceira linha, com o sinal invertido (-10). Ao resultado dessa
multiplicao soma-se a terceira linha, resultando na nova linha trs.
Nova Linha Piv
0,67
0,033
-6,67
-10
-0,33
-40
+ Terceira Linha
20
10
80
= Nova Linha Trs
13,33
-0,33
40
45
EaD
L
x1
x2
xf1
xf2
133,33
16,67
2.000
0,67
0,03
13,33
-0,33
40
Resultado:
L: R$ 2.000,00
x2 (quantidade de portes a produzir): 4
x1 (quantidade de portas a produzir): 0
xf1 (quantidade de ferro que sobrou): 0
Interpretando o resultado:
O valor do coeficiente da primeira linha que ficar logo abaixo de b o valor do Lucro.
Por que x 2 igual a 4?
Por que xf2 igual a 40?
Por que x 1 igual a 0?
Por que xf1 igual a 0?
Para determinar o valor de uma varivel preciso verificar nas linhas que esto abaixo
da linha do lucro a existncia do nmero 1. Se este estiver acompanhado de 0 (zero) nas
demais linhas (no caso do exemplo, a linha 3), o resultado indica que desta varivel deve ser
produzida alguma quantidade. No caso de x 2 devem ser produzidas 4 unidades, que o valor
de b, que faz parte da mesma linha do nmero 1. A mesma regra vale para as demais
variveis que compem o modelo.
J as variveis de folga indicam se sobraram recursos produtivos ou se os mesmos se
esgotaram. Quando uma varivel de folga apresenta valor igual a 0 (zero), significa que o
recurso produtivo a que ela se refere esgotou-se, ou seja, foi usado na sua totalidade. No
exemplo dado podemos perceber que foi utilizada toda a quantidade de ferro disponvel para
produzir os portes. Por isso, xf1= 0. Por outro lado, quando uma varivel de folga apresenta
valor, significa que daquela restrio houve sobra. Por exemplo: xf2 (horas) = 40. Isso quer
dizer que produzindo 4 portes sobraram 40 horas para serem utilizadas. A mesma regra
vale para as demais variveis.
46
EaD
Seo 2.3
Soluo tima pelo Mtodo Simplex
Um dos pressupostos centrais da Pesquisa Operacional chegar melhor soluo possvel. Neste item mostraremos como identificar se uma soluo a melhor possvel. Para
tanto utilizaremos novamente o exemplo da fbrica de pizzas, que apresentou a seguinte
tabela final, com os respectivos resultados:
L
1
0
0
0
0
x1
0
0
1
0
0
x2
2
2
0,5
-0,5
1
xf1
0
1
0
0
0
xf2
4
-1
0,5
-0,5
0
xf3
xf4
0
0
0
1
0
0
0
0
1
b
32
4
4
16
28
Resultado:
L: R$ 32,00
x1 (quantidade de pizzas tamanho G a produzir): 4
xf3 (demanda de pizzas G no atendida): 16
xf4 (demanda de pizzas GG no atendida): 28
x2 (quantidade de pizzas GG a produzir): 0
xf2 (nmero de funcionrios que sobrou): 0
Para identificar se uma soluo apresentada a melhor possvel, devemos prestar ateno no seguinte aspecto: na tabela, verificar os valores dos coeficientes das variveis de
deciso (linha do lucro). Se estes valores forem maiores ou iguais a zero, significa que a
soluo encontrada a melhor possvel. Por outro lado, se pelo menos uma dessas variveis
de deciso apresentar coeficiente com valor negativo, a soluo apresentada no a melhor
possvel, podendo ser melhorada.
No caso do exemplo citado, a soluo encontrada a melhor possvel, pois x 1 apresentou coeficiente de valor 0e x 2 apresentou coeficiente de valor 2. Na sequncia traremos
um exemplo no qual a primeira soluo apresentada no a melhor possvel.
Exemplo: identificando a soluo tima
Certa empresa fabrica dois produtos: P1 e P2. Para produzir uma unidade de P1 a
empresa utiliza 12 unidades de Recurso Produtivo 1 (R1) e 10 unidades de Recurso Produtivo 2 (R2). Para produzir uma unidade de P2, a empresa utiliza 20 unidades de Recurso
47
EaD
Produtivo 1 (R1) e 14 unidades de Recurso Produtivo (R2). As disponibilidades dos recursos

produtivos so as seguintes: at 3.000 unidades de R1 e at 3.500 unidades de R2. Construa
o modelo de Programao Linear, indique as quantidades de cada tipo de produto que devem ser produzidas e indique o lucro mximo considerando que o lucro unitrio de P1 de
R$ 200,00 e que o lucro unitrio de P2 de R$ 210,00.
Variveis de deciso:
X 1: quantidade de P1 a produzir
X 2: quantidade de P2 a produzir
Funo Objetivo:
Restries
R1
12.x 1 + 20.x 2 3.000
R2
10.x 1 + 14.x 2 3.500
Resoluo:
1 passo: reescrever a funo objetivo com todas as variveis de deciso esquerda.

L-200.x 1-210.x 2
2 passo: acrescentar em cada restrio uma varivel de folga e igualar o sinal.

R1
12.x 1 + 20.x 2 + xf1 = 3.000
R2
10.x 1 + 14.x 2 + xf2 = 3.500
3 passo: montar tabela.
48
x1
x2
xf1
xf2
-200
-210
12
20
3.000
10
14
3.500
EaD
4 passo: isolar varivel que apresenta o maior lucro unitrio.
5 passo: determinar a linha piv.

Linha piv
12
20
3.000
6 passo: encontrar a nova linha piv.

Linha piv
12
20
Dividindo por 20
0,6
0,05 0
3.000
150 Nova linha piv
7 passo: encontrar a nova linha do lucro (primeira linha).

Nova linha piv
0,6
0,05
150
Multiplicando por 210
126
210
10,5
31.500
+ Linha do Lucro
-200
-210
-74
10,5
31.500
8 passo: encontrar a nova terceira linha.

Nova linha piv 0
0,6
0,05 0
150
Multiplicando por -140
-8,4 -14
-0,7 0
+ Terceira Linha 0
10
14
= Nova Linha Trs
1,6
-0,7 1
-2.100
3.500
1.400
x1
x2
xf1
xf2
-74
10,5
3.1500
0,6
0,05
150
1,6
-0,7
1.400
49
EaD
Resultado:
L: R$ 31.500,00
x 1: 0
x 2: 150
xf1: 0
xf2: 1.400
Podemos afirmar que a soluo apresentada no a melhor possvel, ou seja, que o

lucro mximo no de R$ 31.500,00, mas como chegar a esta concluso? Ao analisarmos a
primeira linha da tabela podemos perceber que o valor do coeficiente relacionado varivel
de deciso x 1 negativo (-74) e essa situao indica que a soluo apresentada pode ser
melhorada. Como proceder, no entanto, para chegar melhor soluo? A resposta fcil: a
partir da soluo encontrada, desenvolver o seguinte conjunto de etapas:
1 passo: reescrever a soluo encontrada em forma de tabela.

L
x1
x2
xf1
xf2
-74
10,5
31.500
0,6
0,05
150
1,6
-0,7
1.400
2 passo: isolar a varivel cujo coeficiente apresentou valor negativo. Se mais de uma
varivel apresentar coeficiente com valor negativo, isolar a que possui o menor valor.
No exemplo usado, a varivel que apresenta coeficiente com valor negativo x 1, que j se
encontra destacada na tabela.
3 passo: encontrar a linha piv.

0
0,6
0,05
150

Linha piv
Dividindo por 0,6=0

50
0,6
0,05
150
1,67
0,08
250 Nova linha piv
EaD
5 passo: encontrar a nova primeira linha.

Nova linha piv
1,67
0,08
250
74
123,33
6,17
18.500
+ Linha do Lucro
-74
10,5
31.500
123,33
16,667
50.000
0,08 0
250
6 passo: encontrar a nova terceira linha.

Nova linha piv
1,67
Multiplicando por -1,6
-1,6 -2,67
-0,13 0
-400
+ Terceira Linha
1,6
-0,7 1
1.400
= Nova Linha Trs
-2,67
-0,83 1
1.000
x1
x2
xf1
xf2
123,33
16,67
50.000
1,67
0,08
250
-2,667
-0,833
1.000
Resultado:
L: R$ 50.000,00
x 1: 250
x 2: 0
xf1: 0
xf2: 1.000
Assim sendo, a empresa deve produzir 250 unidades de x 1 (P1), nenhuma unidade de x 2
(P2) tendo, dessa forma, um lucro mximo de R$ 50.000,00. Diante dessa situao foi utilizada toda a disponibilidade do recurso produtivo 1 (xf1), sobrando 1000 unidades do recurso
produtivo 2 (xf2). Veja que o lucro que antes era de R$ 31.500,00 agora passa a ser de R$
50.000,00.
51
EaD
EXERCCIOS (LISTA 2)
Usando o Mtodo Simplex, resolva os seguintes exerccios da Lista 1:
1.
Exerccio 2
2.
Exerccio 3
3.
Exerccio 4
4.
Exerccio 6
5.
Exerccio 7
6. Variveis de deciso:
x 1: Nmero de caixas de cerveja Brahma a transportar
x 2: Nmero de caixas de cerveja Skol a transportar
x 3: Nmero de caixas de cerveja Polar a transportar
Funo Objetivo:
Maximizar L: 10,15.x1 + 10.x2 + 7,23. x3

Restries:
Capacidade do caminho: x 1 + x 2 + x 3 924
Demanda x 1:
x 1 700
Demanda x 2:
x 2 440
Demanda x 3:
x 3 300
7.
Variveis de deciso:
x 1: Quantidade de sapatos masculinos a produzir

x 2: Quantidade de sapatos femininos a produzir
Funo Objetivo:

Restries:
Couro
2.x 1 + x 2 4
Espuma
4.x 1
2.x 2 4
Borracha 2.x 1
2.x 2 5
52
EaD
8.
Variveis de deciso:
x 1: Nmero de unidades de P1 a produzir

Funo Objetivo:
Maximizar L: 2.x1 + 3.x2 + 4. x3

Restries:
R1
x 1 + x 2 + x 3 100
R2
2.x 1 + x 2 210
R3
x 1 80
Seo 2.4
O Problema da Minimizao
At o momento trabalhamos com situaes de maximizao. Nesta etapa do livrotexto abordaremos ocorrncias de minimizao, principalmente de minimizao de custos.
Vejamos o seguinte exemplo:
Variveis de deciso
x1: Quantidade de P1 a produzir
Funo Objetivo
Min C: 10. x 1+ 15. x 2
Restries
Recurso Produtivo 1 (R1): 5. x 1 + 3. x 2 60
Recurso Produtivo 2 (R2): 4. x 1 + 6. x 2 50
O processo de resoluo semelhante ao dos casos de maximizao. A diferena
que, nos casos de minimizao, multiplica-se toda a funo objetivo por (-1). O restante do
processo igual aos casos de maximizao. Vamos resoluo do exemplo:
53
EaD
1 passo: reescrever a funo objetivo, multiplicando-a por (-1).

- C: 10. x 1 15. x 2
2 passo: acrescentar em cada restrio uma varivel de folga e igualar o sinal.
R1
5. x 1 + 3. x 2 + xf1 = 60
R2
4. x 1 + 6. x 2 + xf2 = 50
3 passo: montar tabela.

C
x1
x2
xf1
xf2
-1
-10
-15
60
50
4 passo: isolar a varivel de deciso que apresenta o valor negativo mais distante de
zero .
5 passo: encontrar a linha piv.
C
x1
x2
xf1
xf2
-1
-10
-15
60
50

Linha piv
Dividindo por 6: 0
0,67 1
0,17 8,33 Nova linha piv
50
7 passo: encontrar a nova linha do custo (primeira linha).

Nova linha piv
0,67
0,17 8,33
10,05
15
2,55 124,95
+ Linha do Custo
-1
-10
-15
= Nova Linha do Custo
-1
0,05
2,55 124,95
8 passo: encontrar a nova segunda linha.

Nova linha piv
0,67
0,17
8,33
-2,01
-3
-0,51
-25
+ Segunda Linha
60
= Nova Linha Dois
2,99
-0.51
35
54
EaD
C
x1
x2
xf1
xf2
-1
0,05
2,55
124,95
2,99
-0.51
35
0,67
0,17
8,33
Resultado:
C: R$ 124,95
x 1: 0
x 2: 8,33
xf1: 35
xf2: 0
Dessa forma, a empresa deve produzir 8,33 unidades de x 2 , nenhuma unidade de x 1
tendo, dessa forma, um custo de produo de R$ 124,95. Diante dessa situao, foi utilizada toda a disponibilidade do recurso produtivo 2 (xf2), sobrando 35 unidades do recurso
produtivo 1 (xf1).
EXERCCIOS (LISTA 3)
1.
Variveis de deciso:
x 1: Quantidade de P1 a produzir
Funo Objetivo:
Minimizar C: 20.x 1 + 25.x 2
Restries:
R1
3.x 1 + 3.x 2 4
R2
5. x 1
4. X2 4
R3
8. x 1
7. X2 14
2.
Variveis de deciso:

55
EaD
Funo Objetivo:
Minimizar C: 5.x1 + 6.x2 + 7. x3

Restries:
R1
2. x 1 + 2.x 2 + 2.x 3 80
R2
4.x 1 + 2.x 2 100
R3
x 1 60
Seo 2.5
O Problema da Soluo Bsica Inicial
At esta etapa do livro-texto trabalhamos os problemas de Programao Linear com
restries do tipo = com os termos da direita positivos. O acrscimo das variveis de folga
fornece neste caso uma soluo bsica inicial.
De acordo com Silva et al. (2009), o problema aparece quando:
A restrio do tipo : a varivel de folga subtrada e seu valor negativo, quando se
anulam as variveis de deciso.
A restrio do tipo =: no recebe a varivel de folga.
Neste caso, segundo Silva et al. (2009), a cada uma das restries do tipo = e =
acrescenta-se variveis auxiliares a i com a formao de um novo modelo. A soluo bsica
inicial do novo modelo formada pelas variveis de folga das restries do tipo = e pelas
variveis auxiliares a i . Para explicar a resoluo de problemas com esse tipo de situao,
utilizaremos o exemplo proposto por Silva et al. (2009).
Exemplo: o problema da soluo bsica inicial

Variveis de deciso
56
EaD
Funo Objetivo
Max L: x 1+ x 2 + x 3
Restries
Recurso Produtivo 1 (R1): 2. x 1 + x 2 x 3 10
Recurso Produtivo 2 (R2): x 1 + x 2 + 2.x 3 20
Recurso Produtivo 3 (R3): 2. x 1 + x 2 + 3.x 3= 60
A pergunta que se faz a seguinte: Como resolver problemas com restries do tipo
e =? A seguir apresentaremos duas formas de resolver esse tipo de problema: o Mtodo
do M Grande e o Mtodo da Funo Objetivo Auxiliar.
a) O Mtodo do M Grande
Primeiramente reescreveremos as restries, acrescentando na restrio com sinal
uma varivel de folga; na restrio com sinal acrescentaremos uma varivel de excesso
(-xf), seguida de uma varivel auxiliar (a). J na restrio com sinal de =, acrescentaremos uma varivel auxiliar (a). As equaes das restries resultam na seguinte forma:
R1: 2. x 1 + x 2 x 3 + xf1 = 10
R2: x 1 + x 2 + 2.x 3 xf2 + a2= 20
R3: 2. x 1 + x 2 + 3.x 3 + a3= 60
Em seguida, escrevemos a funo objetivo acrescentando as variveis auxiliares com
coeficientes M2 e -M3, sendo M2 e M3 nmeros grandes.
Max L: x 1+ x 2 + x 3 M2a2 M3a3
medida que o lucro maximizado, as variveis a2 e a3 deixam a base, devido ao grande valor de M2 e M3. O quadro inicial fica da seguinte forma:
L
1
0
0
0
x1
-1
2
1
2
x2
-1
1
1
1
x3
-1
-1
2
3
xf1
0
1
0
0
xf2
0
0
-1
0
a2
M2
0
1
0
a3
M3
0
0
1
b
0
10
20
60
Realizada esta etapa, os prximos passos so os mesmos de quando resolvemos os

exerccios com sinal de .
57
EaD
1 passo: isolar a varivel de deciso que apresenta o maior lucro unitrio . Como nesse
caso todas as variveis de deciso apresentam o mesmo lucro unitrio, escolheremos uma
delas, de forma aleatria. Optaremos por x 3.
L
x1
x2
x3
xf1
xf2
a2
a3
-1
-1
-1
M2
M3
-1
10
-1
20
60
3 passo: determinar a nova linha piv.

Linha piv
-1
0,5
0,5
-0,5 0,5
20
10
Dividindo por 2 =
nova linha piv
4 passo: determinar a nova linha do lucro.

Nova linha piv
0,5
0,5
-0,5 0,5
10
Multiplicando por 1
0,5
0,5
-0,5 0,5
10
+ Linha do lucro
-1
-1
-1
M2
M3
= Nova linha do lucro
-0,5 -0,5 0
-0,5 M2
M3
10
5 passo: determinar a nova segunda linha.

Nova linha piv
0,5
0,5
-0,5 0,5
10
Multiplicando por 1
0,5
0,5
-0,5 0,5
10
+ Segunda linha
-1
10
= Nova linha dois
2,5
1,5
-0,5 0,5
20
-0,5 0,5
10
6 passo: determinar a nova quarta linha.

Nova linha piv
0,5
0,5
Multiplicando por -3 0
-1,5 -1,5 -3
1,5
-1,5 0
+ Quarta Linha 0
0,5
-0,5 0
1,5
-1,5 1
= Nova linha quatro 0
58
-30
60
30
EaD
x1
x2
x3
xf1
xf2
a2
a3
-0,5
-0,5
-0,5
M2
M3
10
2,5
1,5
-0,5
0,5
20
0,5
0,5
-0,5
0,5
10
0,5
-0,5
1,5
-1,5
30
Resultado:
L: R$ 10,00
x1: 0
x2: 0
x 3: 10
xf1: 20
xf2: 0
a2: 0
a3: 30
Como podemos observar, esta soluo no a melhor possvel, pois os coeficientes das
variveis de deciso resultaram em valores negativos. Ento, vamos segunda soluo.
Observao: com a inteno de eliminar as variveis auxiliares, isolaremos agora a
varivel de folga que apresentou coeficiente negativo, no caso xf2.
1 passo: isolar xf2.
L
x1
x2
x3
xf1
xf2
a2
a3
-0,5
-0,5
-0,5
M2
M3
10
2,5
1,5
-0,5
0,5
20
0,5
0,5
-0,5
0,5
10
0,5
-0,5
1,5
-1,5
30

Linha piv
0,5
-0,5
1,5
-1,5
30
0,33
-0,33
-1
0,67
20
Dividindo por 1,5 =

Nova linha piv
59
EaD
4 passo: determinar nova linha do lucro.
Linha piv
0,33
-0,33
-1
0,67
20
Multiplicando por 0,5
0,17
-0,17
0,5
-0,5
0,33
10
+ Linha do lucro
-0,5
-0,5
-0,5
M2
M3
10
-0,33
-0,667 0
M2
M3
20
5 passo: determinar nova segunda linha.
Linha piv
0,33
-0,33
-1
0,67
20
0,17
-0,17
0,5
-0,5
0,33
10
+ Segunda linha
2,5
1,5
-0,5
0,5
20
= Nova linha dois
2,67
1,33
0,33
30
6 passo: determinar nova terceira linha.
Linha piv
0,33
-0,33
-1
0,67
20
0,17
-0,17
0,5
-0,5
0,33
10
+ Terceira linha
0,5
0,5
-0,5
0,5
10
= Nova linha trs
0,67
0,33
0,33
20
Tabela com o resultado:

L
x1
x2
x3
xf1
xf 2
a2
a3
-0,33
-0,667
M2
20
2,67
1,33
M3
0,33
0,67
0,33
0,33
-0,33
-1
Resultado:
L: R$ 20,00
xf1: 30
x 1: 0
xf2: 20
x 2: 0
a 2: 0
x 3: 20
a 3: 0
60
0,33
0,67
30
20
20
EaD
A soluo bsica formada pelas variveis originais. Podemos abandonar as variveis

auxiliares, todas nulas. A tabela fica da seguinte forma:
L
x1
x2
x3
xf1
xf2
-0,33
-0,667
20
2,67
1,33
30
0,67
0,33
20
0,33
-0,33
20
A partir desta nova tabela faz-se todo o procedimento necessrio e j conhecido para
chegar ao lucro mximo e s quantidades que devem ser produzidas de x 1, x 2 e x 3, alm das
sobras de recursos produtivos. A tabela com o resultado final a seguinte:
L
x1
x2
x3
xf1
xf2
0,5
35
0,75
22,5
-0,25
12,5
0,25
27,5
Resultado final:
L: R$ 35,00
xf1: 0
x1: 0
xf2: 27,5
x 2: 22,5
x 3: 12,5
b)Mtodo da Funo Objetivo Auxiliar

De acordo com Silva et al. (2009), como no mtodo anterior, nas equaes e nas
inequaes do tipo , acrescentamos as variveis auxiliares, para compor com as folgas das
inequaes do tipo , a soluo bsica necessria para a aplicao do Simplex.
Construiremos, ento, uma funo objetivo auxiliar, que denominaremos de W,
formada pela soma das variveis auxiliares. A funo W deve ser escrita em termos das
variveis originais e compor o novo objetivo a ser minimizado. Quando as variveis e fun61
EaD
es auxiliares forem no bsicas (a 1:0; a 2:0......) as variveis e funes auxiliares podem ser
abandonadas. O novo objetivo ser dado pela funo objetivo original. Usaremos para explicar este novo mtodo o exemplo desenvolvido no Mtodo do M Grande.
Variveis de deciso
Funo Objetivo
Max L: x 1+ x 2 + x 3
Restries
Recurso Produtivo 1 (R1): 2. x 1 + x 2 x 3 10
Recurso Produtivo 2 (R2): x 1 + x 2 + 2.x 3 20
Recurso Produtivo 3 (R3): 2. x 1 + x 2 + 3.x 3= 60
Acrescentando as variveis de folga e variveis auxiliares, como j fizemos anteriormente, teremos:
R1: 2. x 1 + x 2 x 3 + xf1 = 10
R2: x 1 + x 2 + 2.x 3 xf2 + a 2= 20
R3: 2. x 1 + x 2 + 3.x 3 + a 3= 60
Max L: x 1+ x 2 + x 3 M2a 2 M3a 3
Funo auxiliar W: a 2 + a 3
x2
2.x 3
xf2
20
+ terceira restrio - 2.x 1
x2
3.x 3
60
= W
-2
-5
-80
Segunda restrio
- x1
-3
A tabela contendo a funo auxiliar W fica da seguinte forma:

L
1
0
0
0
-1
-W
62
x1
-1
2
1
2
-3
x2
-1
1
1
1
-2
x3
-1
-1
2
3
-5
xf1
0
1
0
0
0
xf2
0
0
-1
0
1
a2
0
0
1
0
0
a3
0
0
0
1
0
b
0
10
20
60
-80
EaD
A partir desse momento o processo o mesmo que conhecemos, at completar a tabela

com a resoluo final.
1 passo: isolar a varivel de deciso que apresenta o maior lucro unitrio . Como nesse
caso todas as variveis de deciso apresentam o mesmo lucro unitrio, escolheremos uma
delas, de forma aleatria. Optaremos por x 3.
L
x1
x2
x3
xf1
xf2
a2
a3
-1
-1
-1
-1
10
-1
20
60
-1
-3
-2
-5
-80
-W
3 passo: calcular a nova linha piv.
Linha piv
-1
20
0,5
0,5
-0,5
0,5
10
Dividindo por 2 = Nova

linha piv
4 passo: calcular a nova linha do lucro.
Nova linha piv
0,5
0,5
-0,5
0,5
10
Multiplicando por 1
0,5
0,5
-0,5
0,5
10
+ Linha do lucro
-1
-1
-1
-0,5
-0,5
-0,5
0,5
10
5 passo: calcular a nova segunda linha.
Nova linha piv
0,5
0,5
-0,5
0,5
10
Multiplicando por 1
0,5
0,5
-0,5
0,5
10
+ Segunda linha
-1
10
= Nova linha dois
2,5
1,5
-0,5
0,5
20
63
EaD
6 passo: calcular a nova quarta linha.

Nova linha piv
0,5
0,5
-0,5
0,5
10
-1,5
-1,5
-3
1,5
-1,5
-30
+ Quarta linha
60
= Nova linha quatro
0,5
-0,5
1,5
-1,5
30
7 passo: calcular a nova quinta linha.

Nova linha piv
0,5
0,5
-0,5
0,5
10
Multiplicando por 5
2,5
2,5
-2,5
2,5
50
+ Quinta linha
-1
-3
-2
-5
-80
= Nova linha cinco
-1
-0,5
0,5
-1,5
2,5
-30
x1
x2
x3
xf1
xf2
a2
a3
-0,5
-0,5
-0,5
0,5
10
20
-0,5
0,5
0,5
1,5
0,5
-0,5
0,5
10
0,5
-0,5
1,5
-1,5
0
1
2,5
-30
2,5
0
0
-1
-W
-0,5
0,5
-1,5
30
Resultado:
L: R$ 10,00
xf1: 20
x1: 0
xf2: 0
x2: 0
a2: 0
x 3: 10
a3: 30
Como podemos perceber, a soluo ainda no a ideal. Para eliminarmos as variveis

auxiliares, isolaremos xf2 e daremos continuidades ao exerccio.
64
EaD
1 passo: isolar xf2.

x1
x2
x3
xf1
xf2
a2
-0,5
-0,5
-0,5
0,5
b
10
-0,5
0,5
0,5
1,5
0,5
-0,5
0,5
10
0,5
-0,5
1,5
-1,5
0
1
2,5
-30
2,5
0
0
-1
-W
a3
-0,5
0,5
-1,5
20
30

Linha piv
0,5
-0,5
1,5
-1,5
30
0,33
-0,33
-1
0,67
20
Dividindo por 1,5 =

Nova linha piv
4 passo: determinar nova linha do lucro.
Linha piv
0,33
-0,33
-1
0,67
20
0,17
-0,17
0,5
-0,5
0,33
10
+ Linha do lucro
-0,5
-0,5
-0,5
M2
M3
10
-0,33 -0,667
M2
M3
20
5 passo: determinar nova segunda linha.
Linha piv
0,33
-0,33
-1
0,67
20
0,17
-0,17
0,5
-0,5
0,33
10
+ Segunda linha
2,5
1,5
-0,5
0,5
20
= Nova linha dois
2,67
1,33
0,33
30
65
EaD
6 passo: determinar nova terceira linha.

Linha piv
0,33
-0,33
-1
0,67
20
0,17
-0,17
0,5
-0,5
0,33
10
+ Terceira linha
0,5
0,5
-0,5
0,5
10
= Nova linha trs
0,67
0,33
0,33
20
7 passo: determinar nova quinta linha.

Linha piv
0,33
-0,33
-1
0,67
20
0,5
-0,5
1,5
-1,5
30
+ Quinta linha
-1
-0,5
0,5
-1,5
2,5
-30
= Nova linha cinco
-1

L
x1
x2
-0,33
-0,67
2,67
x3
xf1
xf2
a2
a3
0,33
20
1,33
0,33
30
0,67
0,33
0,33
20
0,33
-0,33
-1
0,67
20
-1
Resultado:
L: R$ 20,00
xf1: 30
x1: 0
xf2: 20
x2: 0
a2: 0
x 3: 20
a3: 0
A soluo bsica formada pelas variveis originais. Podemos abandonar as variveis
auxiliares, todas nulas. A tabela, assim como verificado no Mtodo do M Grande, fica da
seguinte forma:
66
EaD
X1
x2
-0,33
-0,667
2,67
0
0
x3
xf1
xf2
20
1,33
30
0,67
0,33
20
0,33
-0,33
20
A partir dessa nova tabela faz-se todo o procedimento necessrio e j conhecido para
chegar ao lucro mximo e s quantidades que devem ser produzidas de x 1, x 2 e x 3, alm das
sobras de recursos produtivos. Observe que o resultado final o mesmo obtido com o Mtodo do M Grande. A tabela com o resultado final a seguinte:
L
x1
x2
x3
xf1
xf2
0,5
35
0,75
22,5
-0,25
12,5
0,25
27,5
Resultado final:
L: R$ 35,00
xf1: 0
x 1: 0 xf2: 27,5
x 2: 22,5
x 3: 12,5
EXERCCIOS (LISTA 4)
1. Resolva pelo Simplex, usando o Mtodo do M Grande para obter a soluo bsica inicial.
Variveis de deciso:
x 1: Quantidade de meias masculinas a produzir
x 2: Quantidade de meias femininas a produzir
Funo Objetivo:
67
EaD
Restries:
L
x 1 + x 2 = 10
Horas Mquina
2.x 1
x 2 = 16
2. Resolva pelo Simplex, usando o Mtodo da Funo Objetiva Auxiliar para obter a soluo bsica inicial.
Variveis de deciso:
Funo Objetivo:

Restries:
R1
2.x 1 + x 2 = 10
R2
x1
5.x 2 = 15
Seo 2.6
O Mtodo Grfico de Resoluo de Problemas de Programao Linear
Esta tcnica consiste em representar num sistema de eixos ortogonais o conjunto das
possveis solues do problema, isto , o conjunto de pontos (x1, x2) que obedecem ao grupo
de restries impostas pelo sistema em estudo. O desempenho do modelo avaliado por
intermdio da representao grfica da funo objetivo. As solues so classificadas de
acordo com sua posio no grfico. A funo objetivo tambm pode ser avaliada calculando-se o seu valor para os pontos que pertencem ao contorno da regio vivel.
Grfico do conjunto de solues

A representao grfica de uma equao linear com duas variveis (x1, x2) uma reta.
A representao grfica de uma inequao linear com duas variveis (x1, x2) uma rea do
grfico limitada pela reta correspondente equao. Vejamos alguns exemplos.
68
EaD
Exemplo 1: Representar graficamente a inequao: x1 + 2x2 > 10

a. Construir a reta correspondente equao: x1 + 2x2 = 10 (acompanhe no grfico da pgina 76).
Para traarmos a reta, precisamos de dois pontos. Determinar os pontos de interseo
da reta com cada um dos eixos mais fcil:
Fazendo x1 = 0, teremos:
0 + 2x2 = 10 (substitumos x1 por 0)
2x2 = 10 (equao a ser resolvida)
x2 = 10/2 (2 que estava multiplicando x2, passa para o outro lado dividindo operao inversa).
Assim,
x2 = 5
Um dos pontos da reta ser: x1 = 0 e x2 = 5, ou seja, o ponto (0, 5).
Procedemos da mesma maneira, agora fazendo x2 = 0. Ento teremos:
x1 + 2.0 = 10 (substitumos x2 por 0)

x1 + 0 = 10 (como 2 vezes 0 igual a 0, temos esta equao a ser resolvida).
Assim,
x1 = 10
O outro ponto da reta ser: x1 = 10 e x2 = 0, ou seja, o ponto (10, 0).
A reta ento traada, conforme o grfico a seguir. Podemos observar que h uma
regio sombreada no grfico, que corresponde regio vivel (regio de solues) limitada
pela inequao x1 + 2x2 > 10. A regio vivel, ento, aquela que se encontra na regio
superior da reta, pois a inequao define que x1 + 2x2 deve ser maior ou igual a 10. No
prximo item vamos verificar esta constatao.
69
EaD
b. Testar a inequao: x1 + 2x2 > 10

Tomamos um ponto qualquer de uma das regies limitadas pela reta. Consideremos o
ponto x1 = 10 e x2 = 5 (conforme mostrado no grfico anterior).
Substituindo na inequao (x1 + 2x2 > 10), teremos:
10 + 2.5 > 10 ou 20 > 10, o que verdadeiro. Assim sendo, a regio das solues da
inequao aquela que contm o ponto testado.
Vamos ainda testar um ponto que no esteja na regio sombreada, como o ponto de
origem, ou seja, x1 = 0 e x2 = 0.
Substituindo na inequao (x1 + 2x2 > 10), teremos:
0 + 2.0 > 10 ou 0 > 10, o que NO verdadeiro. Dessa forma, este ponto e os outros
que se encontram abaixo da reta no pertencem regio das solues.
Exemplo 2: Representar graficamente a soluo do sistema:
x1 + 3x2 < 12
2x1 + x2 > 16
x1 > 0
x2 > 0
Soluo:
Vamos representar cada uma das retas correspondentes:
1. x1 + 3x2 = 12
se x1 = 0, ento 0 + 3 . x2 = 12. Ento, x2 = 12/3 ou x2 = 4.

se x2 = 0, ento x1 + 3 . 0 = 12. Ento, x1 = 12.
Assim, os pontos que utilizamos para traar esta reta so: (0, 4) e (12, 0). A regio
vivel limitada por esta reta aquela que est abaixo da reta, conforme o grfico a seguir,
pois a inequao define que x1 + 3x2 deve ser menor ou igual a 12.
2. 2x1 + x2 = 16
se x1 = 0, ento 2.0 + x2 = 16. Ento, x2 = 16.

se x2 = 0, ento 2.x1 + 0 = 16. Ento, x1 = 16/2 ou x1 = 8.
Os pontos que utilizamos para traar esta reta so: (0, 16) e (8, 0). A regio vivel
limitada por esta reta aquela que est acima da reta, conforme o grfico a seguir, pois a
inequao define que 2x1 + x2 deve ser maior ou igual a 16.
As restries de no negatividade x1 > 0 e x2 > 0 representam o primeiro quadrante do
grfico de solues.
70
EaD
Vamos testar para cada reta qual a regio que corresponde soluo da inequao.
Para isso escolhemos um ponto fora das retas, por exemplo, o ponto (8, 16).
1. x1 + 3x2 < 12; substituindo x1 = 8, x2 = 16, obtm-se:

8 + 3 . 16 < 12 ou 56 < 12; a desigualdade falsa.
Soluo: regio oposta (veja a flecha indicativa).
2. 2x1 + x2 > 16; substituindo x1 = 8, x2 = 16, obtm-se:
2 . 8 + 16 > 16 ou 32 > 16; a desigualdade verdadeira (Flecha indicativa da soluo na
regio do ponto testado).
A regio de solues aparece sombreada no grfico. Esta a regio que contm todas
as possveis solues para o sistema e onde todas as restries so respeitadas. Para encontrarmos a soluo de um problema de programao linear com duas variveis de deciso
mediante o mtodo grfico, podemos adotar os seguintes passos:
1) traar as retas correspondentes a cada restrio, num sistema de eixos x1 e x2;
2) determinar a regio vivel (regio onde se encontram todas as possveis solues para o
problema em questo);
3) determinar os pontos que delimitam a regio vivel;
4) calcular o valor da funo objetivo para cada um dos pontos da regio vivel;
5) a partir dos clculos realizados para Z, determinar o ponto que corresponde otimizao
pretendida (maximizar ou minimizar) e ento determinar o ponto timo.
71
EaD
EXERCCIOS (LISTA 5)
Usando o Mtodo Grfico, resolva os seguintes exerccios:
1. Exerccio 1 (lista 1)
Seo 2.7
O Uso da Ferramenta Solver
Diversas ferramentas para soluo de problemas de otimizao, comerciais ou acadmicos, sejam eles lineares ou no, foram desenvolvidas. Dentre as ferramentas disponveis
esta seo prope-se a apresentar a ferramenta Solver, que acompanha o Microsoft Excel.
Apesar de a ferramenta Solver poder ser utilizada tambm para problemas de programao
no linear, apresentaremos apenas a sua utilizao para a soluo de problemas de programao linear. A utilizao para outros tipos de problemas segue o mesmo padro, sendo por
isso intuitivo ao usurio o seu aprendizado.
a) Definindo e resolvendo um problema

Inicialmente devemos definir o problema na planilha do Excel. Vamos resolver como
exemplo o problema. A formulao do problema a seguinte:
Maximizar L = 11.x 1 + 12.x 2
Sujeito a : 1.x 1 + 4.x 2 10000
5.x 1 + 2.x 2 30000
Para definir o problema na planilha devemos definir clulas para representar as variveis de deciso e uma clula para representar o valor da funo objetivo. Alm disso, as
restries tambm devem ser definidas. Abra um novo arquivo no Microsoft Excel e siga os
seguintes passos:
72
EaD
As clulas A2 e B2 guardaro os valores das variveis de deciso x1 e x2, respectivamente. Vamos agora definir a funo objetivo. As equaes do Excel so sempre precedidas
do sinal de igualdade (=), que indica que nesta clula ser efetuada uma conta. Preencha
as clulas da planilha conforme indicado a seguir:
Na clula B4 ser calculado automaticamente o valor da funo objetivo, a partir da

funo fornecida. Qualquer alterao nos valores das clulas B1 ou B2 far com que o valor
da funo objetivo seja recalculado.
Sero definidas agora as restries do problema: as clulas de restrio devem ser preenchidas da seguinte forma:
Aps preenchidas as clulas, a planilha deve estar igual apresentada na Figura 1.
73
EaD
Figura 1 Planilha com as clulas preenchidas para utilizao da ferramenta Solver

Fonte: Elaborao dos autores.
Para otimizar a funo objetivo, vamos utilizar a ferramenta Solver.

No menu Ferramentas, clique em Solver.
Na caixa Definir clula de destino, selecione a clula da funo objetivo (B4) clicando
sobre ela, ou simplesmente digite B4.
Logo abaixo requerido que se escolha entre trs opes: Mx, para maximizar a funo
objetivo; Mn, para minimizar a funo objetivo, e Valor, que faz com que a funo objetivo tenha determinado valor. No nosso exemplo, como queremos maximizar a funo
objetivo, escolheremos a opo Mx.
Na caixa Clulas variveis, devem ser inseridas as clulas ajustveis, que contm os
valores das variveis de deciso. Deve-se inserir um nome ou uma referncia para cada
clula ajustvel, separando as clulas no adjacentes por ponto e vrgula. As clulas ajustveis devem estar relacionadas direta ou indiretamente clula que contm o valor da
funo objetivo. Podem ser especificadas at 200 clulas ajustveis. Para que o Solver
proponha automaticamente as clulas ajustveis com base na clula de destino, clique
em Estimar.
Na caixa Submeter s restries devem ser inseridas as restries do problema. Para inserir
uma restrio, siga os seguintes passos:
74
EaD
Clique no boto Adicionar .

Na caixa Referncia de clula, selecione a clula contendo a primeira restrio (B6);
Na caixa de seleo, escolha a opo que corresponde ao tipo de restrio, que pode ser
menor ou igual (<=), maior ou igual (>=), igual (=), valor inteiro (nm) ou valor binrio
(bin). No nosso caso a opo a ser escolhida <=;
Na caixa Restrio, defina a clula que contm o valor limite da restrio, ou seja, D6;
Clique em OK para adicionar a restrio;
Repita estes passos at que todas as restries estejam adicionadas.
Aps serem adicionadas as restries, a janela deve estar igual janela da Figura 2, exceto
talvez pela presena dos cifres ($), que indicam que a clula fixa.
Figura 2 Janela contendo os parmetros da ferramenta Solver

Figura 3 Janela para adicionar restries ao problema

75
EaD
Para resolver o problema, clique no boto Resolver . Se tudo estiver correto, a janela
da Figura 4 ser apresentada. Nesta janela podemos escolher entre manter a soluo encontrada pelo Solver ou restaurar os valores originais. Tambm podemos selecionar relatrios, que contm informaes sobre o processo de soluo do problema.
Figura 4 Janela de resultados do Solver

O processo de soluo pode ser interrompido pressionando-se ESC. O Microsoft Excel

recalcular a planilha com os ltimos valores encontrados para as clulas ajustveis.
b) Instalando o Solver
Caso a opo Solver no esteja presente no menu Ferramentas, porque a ferramenta
Solver no foi instalada. Para instal-la, proceda da seguinte maneira:
No menu Ferramentas, clique em Suplementos. Se o Solver no estiver listado na caixa de
dilogo Suplementos, clique em Procurar e localize a unidade de disco, a pasta e o nome
de arquivo para o suplemento Solver.xla (geralmente localizado na pasta Biblioteca\Solver)
ou execute o programa de instalao se no conseguir localizar o arquivo.
Na caixa de dilogo Suplementos, marque a caixa de seleo Solver. Os suplementos que
voc selecionar na caixa de dilogo Suplementos permanecero ativos at que voc os
remova.
76
EaD
Seo 2.8
Anlise de Sensibilidade
Esta seo tem como propsito abordar a Anlise de Sensibilidade. O que , porm,
Anlise de Sensibilidade? Anlise de Sensibilidade relaciona-se aos impactos de uma tomada de deciso. Vejamos o exemplo a seguir.
Exemplo: realizando Anlise de Sensibilidade
Variveis de deciso:
Funo Objetivo:
Restries:
Horas
2.x1 + 3.x2 12
Funcionrios
2.x1 + 1.x2 8
Demanda x1
x1 20
Demanda x2
x2 28
Tabela com a resposta final:

L
1
0
0
0
0
x1
0
0
1
0
0
x2
2
2
0,5
-0,5
1
xf1
0
1
0
0
0
xf2
4
-1
0,5
-0,5
0
xf3
0
0
0
1
0
xf4
0
0
0
0
1
b
32
4
4
16
28
A anlise da tabela revela que o lucro de R$ 32,00, a quantidade de x1 a produzir de 4

unidades; a quantidade de x2 a produzir de 0 (zero) unidades, o valor de xf1 de 4 unidades; o
valor de xf2 de 0 (zero) unidades; o valor de xf3 de 16 unidades e o valor de xf4 de 28 unidades.
Resumidamente, o resultado mostra que no devemos produzir unidades de x 2, mas se
produzirmos 1 (uma) unidade de x2, qual ser a variao em x1, em xf1, em xf3, em xf4 e no Lucro?
Isso fazer Anlise de Sensibilidade. Vamos explicao de como ocorre esse processo.
77
EaD
1 passo: calcular a variao em x 1 com a produo de 1 (uma) unidade de x 2.

Resoluo: localizar o nmero 1 da varivel que sofrer alterao e relacion-lo
com o valor (0,5) que est na varivel que desejamos produzir 1 unidade. Na sequncia,
desenvolver o seguinte clculo:
x 1 + 0,5 = 4 (valor de b)
x 1 = 4 0,5
Novo x 1 = 3,5
x 1= 0,5
Interpretao do clculo: ao produzir 1 unidade de x 2, a quantidade de x 1 a ser produzida passa a ser de 3,5 unidades, ou seja, houve uma variao negativa de 0,5 unidades na
quantidade de x 1.
2 passo: calcular a variao em xf1 com a produo de 1 (uma) unidade de X2.
como valor (2) que est na varivel que desejamos produzir 1 unidade. Na sequncia, desenvolver o seguinte clculo:
xf1 + 2 = 4 (valor de b)
xf1 = 4 2
Novo xf1 = 2
xf1= 2
Interpretao do clculo: a cada unidade de x 2 produzida, xf1 perde 2 unidades. Assim
sendo, ao produzir 1 unidade de x 2, a quantidade de xf1 passa a ser de 2 unidades, ou seja,
houve uma variao negativa de 2 unidades na quantidade de xf1.
3 passo: calcular a variao em xf3 com a produo de 1 (uma) unidade de x 2.
como valor (-0,5) que est na varivel que desejamos produzir 1 unidade. Na sequncia,
desenvolver o seguinte clculo:
xf3 -0,5 = 16 (valor de b)
xf3 = 16 + 0,5
Novo xf3 = 16,5
xf3 = 0,5
78
EaD
Interpretao do clculo: a cada unidade de x 2 produzida acrescenta-se 0,5 unidades

em xf3. Assim, ao produzir 1 unidade de x 2, a quantidade de xf3 passa a ser de 16,5 unidades,
ou seja, houve uma variao positiva de 0,5 unidades na quantidade de xf3.
4 passo: calcular a variao em xf4 com a produo de 1 (uma) unidade de x 2.
como valor (1) que est na varivel que desejamos produzir 1 unidade. Na sequncia, desenvolver o seguinte clculo:
xf4 + 1 = 28 (valor de b)
xf4 = 28 1
Novo xf4 = 27
xf4 = -1
Interpretao do clculo: a cada unidade de x 2 produzida, xf4 perde 1 unidade. Dessa
forma, ao produzir 1 unidade de x 2, a quantidade de xf4 passa a ser de 27 unidades, ou seja,
houve uma variao negativa de 1 unidade na quantidade de xf4.
5 passo: calcular a variao no lucro com a produo de 1 (uma) unidade de x 2.
Resoluo: reescrever a equao do lucro e acrescentar a nova situao, que resulta
das variaes obtidas.
Novo L: 8.Novo x 1 + 2.x 2
Novo L: 8.3,5 + 2.1
Novo L: R$ 30,00
L = R$ -2,00
Interpretao do clculo: a cada unidade de x 2 produzida, perde-se R$ 2,00 no lucro.
Ao analisar a tabela com o resultado final, podemos perceber que este valor fica logo abaixo
da varivel de deciso x 2, na linha do lucro.
EXERCCIOS (LISTA 6)
Faa a Anlise de Sensibilidade dos seguintes casos:
1) Variveis de deciso:
x 1: quantidade de P1 a ser produzida
79
EaD
Funo Objetivo:
Maximizar L: 100.x1 +120.x2
Restries
R1: 2.x1 + 3.x2 12

R2: 2.x1 + 1.x2 8
L
x1
x2
xf1
xf2
100
40
600
1,67
0,33
-0,67
-1,33
x 1: Quantidade de jaquetas adultas femininas a produzir
x 2: Quantidade de jaquetas adultas masculinas a produzir
Funo Objetivo:
Restries:
Demanda:
x1 120
Demanda:
x 2 = 90
Funcionrios: 6.x 1 + 9. x 2= 360

L
1
0
0
0
x1
0
1
-0,67
0,67
x2
0
0
0
1
x 1: Quantidade de fils a produzir
x 2: Quantidade de pizzas a produzir
80
xf1
0
1
0
0
xf2
0
0
1
0
xf3
50
0
-0,11
0,11
b
18000
120
50
40
EaD
Funo Objetivo:
Restries:
Carne:
900.x 1 + 300. x 2 30000
Molhos:
400.x 1 + 300. x 2 10000

L
1
0
0
x1
0
0
1
x2
0
-375
0,75
xf1
0
1
0
xf2
0,03
-2,25
0,0025
b
300
7500
25
Funo Objetivo:
Maximizar L: 700.x1 + 350.x2 + 500. x3

Restries:
R1:
3.x 1 + 3.x 2 + 2. x 3 300
R2:
8.x 1 + 2. x 3 200
R3:
6.x2 + 3. x3 400
L
1
0
0
0
x1
600
1
4
-2
x2
0
0
0
1
x3
0
0
1
0
xf1
0
1
0
0
xf2
162,5
-0,25
0,5
-0,25
xf3
58,33
-0,5
0
0,17
b
55833,33
50
100
16,67
81
EaD
Funo Objetivo:
Restries:
Carne:
2.x 1 + x 2 14
Molhos:
2.x 1 + 3. x 2 24

L
1
0
0
x1
0
1
0
x2
1,5
0,5
2
xf1
4,5
0,5
-1
xf2
0
0
1
b
63
7
10
Seo 2.9
Dualidade
Voc deve estar se perguntando: O que Dualidade? A resposta a seguinte: o objetivo da Dualidade identificar o valor de oportunidade de cada recurso produtivo envolvido
na produo de um bem. pela Dualidade que o administrador decide se produz o bem ou
se retm em estoque os recursos produtivos envolvidos no seu processo de produo. Vamos
ao exemplo.
Exemplo:
Variveis de deciso:
x1: quantidade de portas a produzir
x2: quantidade de portes a produzir
Funo Objetivo:
Restries
Ferro
20.x 1 + 30.x 2 120
Horas Mo de Obra
20.x 1 + 10.x 2 80
82
EaD
Tabela com o resultado (primeira tabela):

L
x1
x2
xf1
xf2
133,33
16,66
2.000
0,67
0,03
13,33
-0,33
40
1 passo: montar o modelo dual correspondente.

Criar equao para cada varivel de deciso envolvida.
Portas: 20.y1 (para produzir 1 porta so necessrios 20 Kg de ferro) + 20.y2 (para produzir 1 porta so necessrios 20 horas de mo de obra) (maior ou igual) 200 (lucro unitrio de cada porta), ou seja, 20.y1 + 20.y2 200
Portes: 30.y1 (para produzir 1 porto so necessrios 30 Kg de ferro) + 10.y2 (para
produzir 1 porta so necessrios 20 horas de mo de obra) (maior ou igual) 500 (lucro
unitrio de cada porto), ou seja, 30.y1 + 10.y2 500.
Determinar as novas variveis de deciso
y1: valor do recurso produtivo 1
y2: valor do recurso produtivo 2
Escrever a nova funo objetivo
Ao invs de Maximizar o Lucro, a nova funo objetivo ser de Minimizar Dualidade,
e ser composta pelas restries, ficando da seguinte maneira:
Min. D: 120. y1 + 80. y2
2 passo: acrescentar uma varivel de folga em cada restrio e igualar o sinal. Em caso de
sinal = (maior ou igual), a varivel de folga negativa.
20.y1 + 20.y2 yf1 = 200
30.y1 + 10.y2 yf2 = 500
3 passo: montar tabela dual correspondente, seguindo as seguintes regras:
Valor de x1 na primeira tabela coeficiente de yf1 na segunda tabela;
Valor de x2 na primeira tabela coeficiente de yf2 na segunda tabela;
Valor de xf1 na primeira tabela coeficiente de y1 na segunda tabela;
Valor de xf2 na primeira tabela coeficiente de y2 na segunda tabela;
Coeficiente de x1 na primeira tabela valor de yf1 na segunda tabela;
83
EaD
Coeficiente de x2 na primeira tabela valor de yf2 na segunda tabela;

Coeficiente de xf1 na primeira tabela valor de y1 na segunda tabela;
Coeficiente de xf2 na primeira tabela valor de y2 na segunda tabela.
Observao importante: como coeficiente, definiremos os elementos que compem a
primeira linha de ambas as tabelas. Como valor, definiremos os elementos que compem a
ltima coluna de cada tabela.
D
y1
y2
yf1
yf2
-1
40
-2000
133,33
16,66
Seo 2.10
Interpretao Econmica da Dualidade
O valor de y1 (16,67) foi obtido do coeficiente xf1, e representa, portanto, o valor de
oportunidade do recurso R1, isto , cada unidade do recurso R1 tem a capacidade de gerar
um lucro de R$ 16,67.
O valor de y2 (0) foi obtido do coeficiente xf2, e representa, portanto, o valor de oportunidade do recurso R2. O resultado coerente, uma vez que o recurso R2 no escasso (xf2
= 40).
O valor de y1 , portanto, o valor de oportunidade por unidade do recurso R1, isto , a
capacidade de o recurso gerar lucro nessa situao.
Na funo objetivo dual cada parcela mede, ento, o valor de oportunidade dos recursos envolvidos na produo. A funo objetivo dual mede, portanto, a capacidade de o
estoque de recursos produtivos gerarem lucro. Na resoluo tima, este valor coincide com
o lucro atribudo aos produtos pelo mercado, isto , o valor de oportunidade dos produtos
no mercado (Silva et al., 2009).
Cada uma das restries compara o valor de oportunidade atribuda aos produtos pelos recursos, com o valor de oportunidade atribudo aos produtos pelo mercado. Para verificar como isso acontece, vamos usar a segunda equao do modelo dual:
84
EaD
30.y1 + 10.y2 500, est indicando que o Produto 2 usa 30 unidades do recurso produtivo 1 e 10 unidades do recurso produtivo 2. O lado esquerdo (500) indica o valor de oportunidade atribudo pelo mercado. Este valor tambm chamado de valor externo, em
contrapartida ao valor atribudo pelos recursos, chamado valor interno.
Quando a remunerao do mercado (valor externo) cobre o valor interno, o produto
fabricado. Se o valor de mercado for menor que o valor interno, o produto poder ser ou no
ser fabricado. Logicamente que dificilmente o produto no ser fabricado, pois isso resultaria em perdas significativas para a empresa, como clientes insatisfeitos e perda de participao de mercado. Quando, no entanto, o valor interno supera o valor externo, podemos
afirmar que alguma coisa no est ocorrendo a contento dentro da empresa, podendo haver
problemas na negociao de preos dos recursos produtivos junto aos fornecedores, ou a
empresa pode estar atuando com margens de lucros muito pequenas. Vamos resoluo do
exemplo:
30.y1 + 10.y2 500
Substituindo 30.16,66 (y1) + 10.0 (y2) = 500. O resultado dessa multiplicao o seguinte: 499,8 = 500. O valor interno, portanto, menor do que o valor externo e o produto
1 deve ser produzido.
EXERCCIOS (LISTA 7)
A partir das situaes a seguir, monte o modelo e a tabela Dual correspondente e faa
a anlise do resultado:
Funo Objetivo:
Maximizar L: 100.x1 +120.x2
Restries
R1: 2.x1 + 3.x2 12

R2: 2.x1 + 1.x2 8
85
EaD
2)
x1
x2
xf1
xf2
100
40
600
1,67
0,33
-0,67
-1,33
x2
0
-375
0,75
xf1
0
1
0
xf2
0,03
-2,25
0,0025
b
300
7500
25
Variveis de deciso:
x 1: Quantidade de fils a produzir

x 2: Quantidade de pizzas a produzir
Funo Objetivo:
Restries:
Carne:
900.x 1 + 300. x 2 30000
Molhos:
400.x 1 + 300. x 2 10000

L
1
0
0
x1
0
0
1
X2: Quantidade de P2 a produzir
X3: Quantidade de P3 a produzir
Funo Objetivo:
Maximizar L: 700.x1 + 350.x2 + 500. x 3

Restries:
R1:
3.x 1 + 3.x 2 + 2. x 3 300
R2:
8.x 1 + 2. x 3 200
R3:
6.x2 + 3. x3 400
86
EaD
L
1
0
0
0
4)
x1
600
1
4
-2
x2
0
0
0
1
x3
0
0
1
0
xf1
0
1
0
0
xf2
162,5
-0,25
0,5
-0,25
xf3
58,33
-0,5
0
0,17
b
55833,33
50
100
16,67
Variveis de deciso:
Funo Objetivo:
Restries:
Carne:
2.x 1 + x 2 14
Molhos:
2.x 1 + 3. x 2 24

L
1
0
0
x1
0
1
0
x2
1,5
0,5
2
xf1
4,5
0,5
-1
xf2
0
0
1
b
63
7
10
Seo 2.11
Anlise Econmica
A anlise econmica baseia-se nos coeficientes das variveis e na funo objetivo final. De acordo com Silva et al. (2009), preciso lembrar que:
O quadro final de um modelo de programao linear apresenta variveis de bsicas (que
apresentam valor) e variveis no bsicas (cujo valor sempre zero);
A funo objetivo est escrita em termos de variveis no bsicas.
Os valores das variveis bsicas esto na coluna b, enquanto que os valores das variveis
no bsicas zero.
87
EaD
Os coeficientes das variveis no bsicas na funo objetivo indicam variao proporcional no objetivo para pequenos aumentos ou diminuies na varivel.
Na tabela final, a soluo tima. Um aumento de zero para 1 na varivel no bsica
prejudica o objetivo (lucros diminuem).
Vamos a um exemplo:
Variveis de deciso:
Funo Objetivo:
Maximizar L: 2.x1 + 3.x2 + 4. x 3

Restries:
R1
x 1 + x 2 + x 3 100
R2
2. x 1 + x 2 210
R3
x 1 80

L
1
0
0
0
x1
2
1
2
1
x2
1
1
1
0
Variveis de folga:
xf1: sobra do Recurso 1
xf2: sobra do Recurso 2
xf3: sobra do Recurso mercado x 1
Soluo:
Produzir 100 unidades de P3;
88
x3
0
1
0
0
xf1
4
1
0
0
xf2
0
0
1
0
xf3
0
0
0
1
b
400
100
210
80
EaD
Ao produzir 100 unidades de P3, o lucro mximo de R$ 400,00.

Ao produzir 100 unidades de P3, utiliza-se toda a disponibilidade do Recurso Produtivo 1;
Assim, foi a disponibilidade de R1 que impediu uma maior quantidade produzida;
A cada unidade de R1 colocada no processo produtivo, o lucro aumenta em R$ 4,00.
Sobraram 210 unidades do Recurso Produtivo 2 e 80 unidades do Recurso Produtivo 3.
A cada unidade de P1 produzida (a tabela mostra que no a melhor alternativa), perdese R$ 2,00 no lucro, pois parte dos Recursos Produtivos direcionados a produzir P3 sero
usados para produzir P1, diminuindo a quantidade de P3 a ser produzida.
A cada unidade de P2 produzida (a tabela mostra que no a melhor alternativa), perdese R$ 1,00 no lucro, pois parte dos Recursos Produtivos direcionados a produzir P3 sero
usados para produzir P2, diminuindo a quantidade de P3 a ser fabricada.
SNTESE DA UNIDADE 2
Nesta Unidade abordamos alguns elementos considerados fundamentais para as empresas que se utilizam das ferramentas de Pesquisa Operacional. Comeamos versando sobre a formao de
modelos em Programao Linear. Modelos que so a base, ou seja,
o incio da resoluo de problemas e do processo decisrio. Abordamos tambm o Mtodo Simplex, que somente pode ser utilizado
aps o desenvolvimento dos modelos matemticos. Por meio do
Mtodo Simplex tambm mostramos como se pode chegar melhor soluo possvel para determinada situao. O Mtodo Simplex
enquanto ferramenta considera as restries impostas pelo sistema que se revelam nos modelos matemticos. Essa ferramenta pode
ser utilizada tanto em casos de maximizao quanto em casos de
minimizao.
Os sistemas computadorizados no ficaram de fora desta Unidade.
Uma das ferramentas mais utilizadas para resoluo de problemas
de Programao Linear a Ferramenta Solver, que compe o pacote do Excel. Outra forma de resolver problemas de Programao
Linear, e que foi mostrada nesta Unidade, o Mtodo Grfico.
Entendemos tambm o que Anlise de Sensibilidade, que projeta
a perda de lucro com a produo de um produto que no deve ser
89
EaD
produzido; Dualidade e sua interpretao econmica, que mostra

o valor de oportunidade dos recursos produtivos envolvidos no processo processo de produo de um bem. A Anlise Econmica do
Mtodo Simplex tambm fez parte desta Unidade.
90
EaD
Unidade 3
PROBLEMA DO TRANSPORTE
Nesta etapa do estudo abordaremos a questo dos transportes. O principal objetivo desta Unidade mostrar mtodos para resoluo de problemas de transporte que
possibilitem transportar as quantidades certas de mercadorias com o menor custo possvel.
AS SEES DA UNIDADE
Seo 3.1 Modelo em Problemas de Transporte
Seo 3.2 O Caso dos Sistemas no Equilibrados
Seo 3.3 Mtodos para Resoluo de Problemas de Transporte
Seo 3.4 Soluo tima em Problemas de Transporte
Pesquisa Operacional tambm se aplica a situaes de transporte e logstica. Para

Andrade (2000, p. 103), os estudos de problemas de transporte tm o objetivo de determinar o carregamento da rede de transporte que minimize o custo total. Em outras palavras,
as ferramentas de problemas de transporte em Pesquisa Operacional tm o objetivo de fazer
com que as empresas transportem as quantidades certas de produtos para seus destinos com
o menor custo possvel (Silva et al., 2009).
Para que isso acontea, trs elementos devem ser considerados: as disponibilidades ou
capacidade produtiva de cada origem; necessidades ou demanda de cada destino e o custo
unitrio de transporte dos produtos de cada origem para cada destino. A Figura 1 expressa
de forma resumida essas afirmaes.
91
EaD
120
Fbrica
Iju
C11 = 25
Panambi
150
C12 = 75
C22 = 65
150
Fbrica
Ajuricaba
Trs
Passos
120
C21 = 30
Figura 1 Exemplo de Problema do Transporte

Pela anlise da Figura 1 podemos evidenciar as seguintes situaes: primeiramente,

possvel perceber a existncia de duas origens e de dois destinos. A origem 1 tem capacidade
de produzir 120 unidades de determinado produto. J a origem 2 possui capacidade produtiva de 150 unidades. Por outro lado, o destino 1 tem uma demanda de 150 unidades, e o
destino 2 tem a necessidade de 120 unidades.
Por outro lado, o custo unitrio de transporte da origem 1 para o destino 1 (c 11) de R$
25,00. J o custo unitrio de transporte da origem 1 para o destino 2 (c 12) de R$ 12,00.
Alm disso, o custo unitrio de transporte do destino 2 para a origem 1(c 21) de R$ 30,00 e
o custo unitrio de transporte do destino 2 para o origem 2 (c 22) de R$ 65,00. Estas informaes tambm so expostas no quadro a seguir.
Origens
Panambi
Iju
25
Ajuricaba
30
Demanda
150
Destinos
(D1)
Trs Passos (D2)
x21
x11
75
65
Disponibilidades/
Capacidade Produtiva
x12
x22
120
x 11 a quantidade a ser transportada de Iju para Panambi;

x 12 a quantidade a ser transportada de Iju para Trs Passos;
x 21 a quantidade a ser transportada de Ajuricaba para Panambi;
x 22 a quantidade a ser transportada de Ajuricaba para Trs Passos;
92
120
150
EaD
25 o custo unitrio de transporte de Iju para Panambi;

75 o custo unitrio de transporte de Iju para Trs Passos;
30 o custo unitrio de transporte de Ajuricaba para Panambi;
65 o custo unitrio de transporte de Ajuricaba para Trs Passos
150 a demanda do municpio de Panambi;
120 a demanda do municpio de Trs Passos;
120 a capacidade produtiva do municpio de Iju;
150 a capacidade produtiva do municpio de Ajuricaba.
Seo 3.1
Modelo em Problemas de Transporte
Para construir modelos em Problemas de Transporte utilizamos as trs etapas que j
foram abordadas em Programao Linear: definio das variveis de deciso, definio da
funo objetivo e definio das restries. Para melhor entender esse contedo, adotaremos
o seguinte exemplo, exposto no quadro a seguir:
Origens
PANAMBI
Fbrica Iju
25
Fbrica Ajuricaba
30
Demanda
150
Destinos
(D1)
TRS PASSOS
(D2)
x11
x21
75
65
Disponibilidades/
x12
x22
120
150
120
a) Determinao das variveis de deciso
O primeiro passo determinar as variveis de deciso. Por variveis de deciso entende-se as quantidades que devem ser transportadas de cada origem para cada destino. No
exemplo dado, as variveis de deciso so as seguintes:
x11 a quantidade a ser transportada da fbrica de Iju para Panambi;
x12 a quantidade a ser transportada da fbrica de Iju para Trs Passos;
93
EaD
x21 a quantidade a ser transportada de Ajuricaba para Panambi;

x22 a quantidade a ser transportada de Ajuricaba para Trs Passos;
b) Determinao da funo objetivo
A funo objetivo sempre se refere maximizao ou minimizao de algo. Nos casos

de Problemas de Transporte, a funo objetivo de minimizar custos. No exemplo citado a
funo objetivo a seguinte:
Minimizar Custos: 25.x 11 + 75. x 12 + 30. x 21 + 65. x 22, em que o mnimo custo a soma
das multiplicaes dos custos unitrios pelas variveis de deciso.

c) Determinao das restries
So duas as restries em Problemas de Transporte: demanda e capacidade produtiva/

necessidades.
Restries de demanda:
Demanda do municpio de Panambi: x11 + x 21 = 150. Isso quer dizer que a quantidade a
ser transportada de Iju a Panambi, somada quantidade a ser transportada de Ajuricaba a
Panambi deve ser de 150 unidades, pois esta a demanda do municpio de Panambi.
Demanda do municpio de Trs Passos: x 12 + x 22 = 120. Significa que a quantidade a

ser transportada de Iju a Trs Passos, somada quantidade a ser transportada de Ajuricaba
a Trs Passos deve ser de 120 unidades, pois esta a demanda do municpio de Trs
Passos.
Restries de disponibilidades/capacidade produtiva:
Capacidade produtiva da fbrica de Iju: x 11 + x 12 = 120. Com base nessa equao,

possvel relatar que a quantidade a ser transportada da fbrica do municpio de Iju para o
mercado de Panambi, somada quantidade a ser transportada da fbrica do municpio de
Iju para o mercado de Trs Passos deve ser de 120, pois esta a capacidade produtiva da
fbrica de Iju, ou seja, sua capacidade de atender o mercado.
Capacidade produtiva da fbrica de Ajuricaba: x 21 + x 22 = 150. Essa equao mostra

que a quantidade a ser transportada da fbrica do municpio de Ajuricaba para o mercado
de Panambi, somada quantidade a ser transportada da fbrica do municpio de Ajuricaba
para o mercado de Trs Passos deve ser de 150, pois esta a capacidade produtiva da fbrica
de Ajuricaba, ou seja, sua capacidade de atender o mercado.
94
EaD
Seo 3.2
O Caso dos Sistemas no Equilibrados
H casos em que os sistemas de transporte no obedecem condio de equilbrio
entre a oferta (capacidade produtiva ou disponibilidade) e a demanda (necessidades dos
destinos).
A adaptao do modelo feita com a criao de origens ou destinos auxiliares para
receber a diferena entre oferta e demanda. Os custos unitrios para origens ou destinos
auxiliares zero (Silva et al., 2009). Na soluo do modelo, as quantidades que eventualmente sejam transportadas de origens auxiliares ficam faltando nos destinos. E as quantidades que so transportadas para destinos auxiliares ficam depositadas nas origens. Vamos
a um exemplo:
Origens
Destinos
D1
10
x12
16
x21
18 x22
27
x31
13
10
x41
16
12
F2
14
F3
F4
18
Disponibilidades/
D3
x11
F1
Demanda
D2
x32
x42
42
8
7
x13
20
x23
30
x33
10
x43
10
70
85
25
Criando-se uma origem auxiliar para receber a diferena (85 70 = 15), teremos o
sistema equilibrado:
Origens
Destinos
D1
D2
D3
Disponibilidades/
F1
12
x11
10 x12
16 x13
20
F2
14 x21
18 x22
x23
30
F3
27
x31
13 x32
x33
10
F4
10
x41
16
0
Demanda
x42
x43
10
15
85
18
42
25
85
95
EaD
Seo 3.3
Mtodos para Resoluo de Problemas de Transporte
Problemas de Transporte podem ser resolvidos de vrias maneiras, contudo trs mtodos se destacam: o Mtodo do Custo Mnimo, o Mtodo do Canto Noroeste e o Mtodo de
Vogel.
a) O Mtodo do Custo Mnimo
Para explicar a resoluo de Problemas de Transporte por meio do Mtodo do Custo

Mnimo, utilizaremos o seguinte exemplo:
Origens
Panambi
Fbrica Iju
25
Fbrica Ajuricaba
30
Demanda
150
Destinos
(D1)
Trs Passos (D2)
x11
x21
75
65
Disponibilidades/
x12
x22
120
120
150
270
Independentemente do mtodo a ser utilizado, a resoluo de um Problema de Transporte inicia-se com a construo do modelo, exposto na sequncia:
Determinao das variveis de deciso
x11 a quantidade a ser transportada de Iju para Panambi;

x12 a quantidade a ser transportada de Iju para Trs Passos;
x21 a quantidade a ser transportada de Ajuricaba para Panambi;
x22 a quantidade a ser transportada de Ajuricaba para Trs Passos;
Determinao da funo objetivo
Minimizar Custos: 25.x 11 + 75. x 12 + 30. x 21 + 65. x 22

Determinao das restries
Demanda do municpio de Panambi: x 11 + x 21 = 150
Demanda do municpio de Trs Passos: x 12 + x 22 = 120
96
EaD

Capacidade produtiva da fbrica de Iju: x 11 + x 12 = 120
Capacidade produtiva da fbrica de Ajuricaba: x 21 + x 22 = 150
Aps construir o modelo, o prximo passo elaborar novamente a tabela, sem os custos de transporte, e preench-la da seguinte forma:
Verificar a varivel que apresenta o menor custo unitrio de transporte. O menor
custo unitrio de transporte da fbrica de Iju para o mercado de Panambi (x 11 ),
que apresenta um valor de R$ 25,00. A seguir, atribuir a maior quantidade possvel
de produtos a serem transportados a esta varivel, ou seja, 120 unidades. Observe
que, dessa forma, da fbrica de Iju para o mercado de Trs Passos no dever ser
transportado nenhum produto, pois a capacidade produtiva da fbrica de Iju de
apenas 120 unidades.
Verificar a varivel que apresenta o segundo menor custo. Nesse caso, a varivel que
apresenta o segundo menor custo unitrio de transporte x 21, com um custo de R$
30,00. Atribuiremos a esta varivel a quantidade de 30 unidades, pois a demanda do
mercado de Panambi de 150 unidades, valor este que resultado da soma da quantidade que deve ser transportada da fbrica de Iju para Panambi e da fbrica de Ajuricaba
para Panambi.
Verificar a varivel que apresenta o terceiro menor custo. Nesse caso, a varivel que apresenta o terceiro menor custo x 12, com um custo unitrio de transporte de R$ 65,00. No
podemos, contudo, atribuir quantidade a essa varivel, pois a capacidade produtiva da
fbrica de Iju de 120 unidades. Se transportarmos qualquer quantidade da fbrica de
Iju para o mercado de Trs Passos, estaremos extrapolando a capacidade produtiva da
fbrica de Iju.
Por fim, resta-nos imputar quantidade x 22, que a quantidade a ser transportada da
fbrica de Ajuricaba para o mercado de Trs Passos. Para atender capacidade produtiva
da fbrica de Ajuricaba, que de 150 unidades, e a demanda do mercado de Trs Passos,
que de 120 unidades, atribuiremos x 22 o valor de 120.
Na sequncia apresentada a tabela com o resultado final. Observe que o resultado
proporcionou atender demanda existente de cada mercado, alm de considerar a capacidade produtiva de cada indstria. Se substituirmos os valores determinados para as variveis em cada equao das restries, verificaremos esta afirmao.
97
EaD
Origens
Panambi
Destinos
(D1)
Trs Passos (D2)
Fbrica Iju
120
x11
x12
Fbrica Ajuricaba
30
x21
120 x22
120
Demanda
150
Disponibilidades/
120
150
270
O resultado tambm nos permite determinar o custo total de transporte dessa situao. Para tanto, basta reescrever a funo objetivo, acrescentando os valores das variveis
encontrados e multiplicando-os pelos respectivos custos unitrios de transporte. A soma de
tais multiplicaes o custo total de transporte.
Custo de Transporte: 25.x 11 + 75. x 12 + 30. x 21 + 65. x 22
Custo de Transporte: 25.120 + 75.0 + 30.30 + 65.120
Custo de Transporte: 3.000 + 0 + 900 + 7.800
Custo de Transporte: R$ 11.700,00.
Resultado final:
x 11: 120
x 12: 0
x 21: 30
x 22: 120
Custo de Transporte: R$ 11.700,00
b) O Mtodo do Canto Noroeste
O segundo mtodo a ser abordado chamado por Silva et al. (2009) de Mtodo do
Canto Noroeste. Esse mtodo consiste na maior atribuio possvel de quantidade x 11.
Vamos ao exemplo descrito no quadro exposto na sequncia:
O rig en s
D e stin os
D estin o 1
(D 1 )
F brica 1 F 1)
F brica 2 F 2)
13
F brica 3 F 3)
F brica 4 F 4)
7
10
D em an d a
98
x 11
x 21
x 31
x 41
D estin o 2
(D 2)
5
12
9
6
32
x12
x22
x 32
x 42
D estin o 3
(D 3)
8
1
5
4
15
x 13
x 23
x 33
x 43
D isp on ib ilid ad es/

C apacid ade P rodu tiva
10
20
12
13
55
EaD
Como j foi referido no mtodo anterior, o primeiro passo a construo do modelo

matemtico.
x11 a quantidade a ser transportada da F1 para o D1;

x43 a quantidade a ser transportada da F4 para o D3.
Minimizar Custos: 6.x 11 + 5. x 12 + 8. x 13 + 13.x 21 + 12. x 22 + 1. x 23 + 7.x 31 + 9. x 32 + 5. x 33 +
10.x 41 + 6. x 42 + 4. x 43
Demanda do D1: x 11 + x 21 + x 31 + x 41 = 8
Demanda do D2: x 12 + x 22 + x 32 + x 42 = 32
Demanda do D3: x 13 + x 23 + x 33 + x 43 = 15

Capacidade produtiva de F1: x 11 + x 12 + x 13= 10
99
EaD
Aps construir o modelo a prxima etapa elaborar a tabela apenas com as disponibilidades de cada fbrica e as demandas de cada mercado, e preench-la considerando o seguinte:
Transportar a maior quantidade possvel da F1 para o D1, ou seja, atribuir a maior quantidade possvel de produtos x 11. Nesse caso, a maior quantidade possvel 8 unidades,
pois esta a demanda de D1.
O prximo transporte ser feito na varivel de deciso contgua ( direita ou abaixo), que
tenha disponibilidade de linha ou coluna correspondente. No caso desse exerccio, devemos transportar 2 unidades de F1 para D2 (x 12).
Os demais transportes tambm so feitos de forma contgua, sempre respeitando as demandas dos destinos e as capacidades produtivas/disponibilidades de cada origem.
A tabela com o resultado final apresentada na sequncia. Observe que assim como
no Mtodo do Custo Mnimo, o resultado apresentado pelo Mtodo do Canto Noroeste
tambm possibilita atender demanda existente de cada mercado, alm de considerar a
capacidade produtiva de cada origem. Se substituirmos os valores determinados para as
variveis em cada equao das restries que definimos anteriormente, confirmaremos tal
afirmao.
Origens
Destinos
Destino 1
(D1)
Fbrica 1 F1)
Fbrica 2 F2)
x12
x13
x21
20
x22
10 x32
x41
Fbrica 4 F4)
Demanda
Destino 3
(D3)
x11
x31
Fbrica 3 F3)
Destino 2
(D2)
x42
32
x23
2
13
15
x33
x43
Disponibilidades/
10
20
12
13
55
Ao reescrever a funo objetivo e acrescentar os valores das variveis de deciso encontrados, e multiplicando-os pelos respectivos custos unitrios de transporte, teremos o
seu custo total.
Custo de Transporte: 6.x 11 + 5. x 12 + 8. x 13 + 13.x 21 + 12. x 22 + 1. x 23 + 7.x 31 + 9. x 32 + 5. x 33
+ 10.x 41 + 6. x 42 + 4. x 43
Custo de Transporte: 6.8 + 5. 2 + 8. 0 + 13.0 + 12. 20 + 1. 0 + 7.0 + 9. 10 + 5. 2 + 10.0 +
6.0 + 4. 13
100
EaD
Custo de Transporte: 48 + 10 + 0 + 0 + 240 + 0 + 0 + 90 + 10 + 0 + 0 + 52
Custo de Transporte: R$ 450,00.

Resultado final:
x11: 8
x31: 0
x12: 2
x32: 10
x13: 0
x33: 2
x21: 0
x41: 0
x22: 20
x42: 0
x23: 0
x43: 13
O Mtodo do Canto Noroeste garante a no formao de circuitos entre as variveis

de deciso que apresentam quantidades, alm de satisfazer as restries impostas pelo sistema (Silva et al., 2009).
c) O Mtodo de Vogel
O Mtodo de Vogel tambm chamado de mtodo das penalidades. Para Silva et al.
(2009), penalidade em uma linha ou coluna a diferena positiva entre os dois custos de
menor valor na linha ou coluna. O objetivo desse mtodo fazer o transporte com prioridade na linha ou coluna que apresenta a maior penalidade. O propsito evitar o transporte
na clula de maior custo. Vejamos um exemplo prtico desse mtodo.
Origens
Destinos
Florianpolis
(D1)
Curitiba
(D2)
Rio de
Janeiro
Disponibilidades/
Capacidade
Produtiva
(D3)
Porto Alegre
(F1)
12
Santos (F2)
13
So Carlos (F3)
Pelotas (F4)
Demanda
x11
x21
x31
x41
12
9
2
30
x12
x22
x32
x42
x13
10
6 x23
20
5
8
17
x33
x43
10
15
55
101
EaD
Como j foi explicado nos dois modelos anteriores, o primeiro passo a construo do
modelo matemtico:

x43 a quantidade a ser transportada da F4 para o D3.

3.x 41 + 2. x 42 + 8. x 43
Demanda do D1: x 11 + x 21 + x 31 + x 41 = 8
Demanda do D2: x 12 + x 22 + x 32 + x 42 = 30
Demanda do D3: x 13 + x 23 + x 33 + x 43 = 17

102
EaD
Aps construir o modelo, a prxima etapa seguir os seguintes passos (recomendaes), apresentados na sequncia:
Primeiro passo: calcular a penalidade para cada linha e cada coluna. Como foi descrito
anteriormente, penalidade a diferena entre os dois menores custos de cada linha ou coluna. Escolha a linha ou coluna com maior penalidade. Caso haja empate, escolha a linha ou
coluna que tiver o menor custo unitrio de transporte.
Segundo passo: transportar o mximo possvel na linha ou coluna escolhida, elegendo a clula de
menor custo unitrio de transporte. Esse procedimento zera a oferta ou demanda da clula correspondente. A linha ou coluna que tenha sua disponibilidade zerada deve ser eliminada.
Terceiro passo: retornar ao primeiro passo at que todos os transportes tenham sido realiza-
dos. Vamos resoluo do exemplo:

a) Primeiro transporte
103
EaD
Maior penalidade
O primeiro transporte dever ser feito na segunda coluna, que apresentou a maior
penalidade (7). O menor custo da segunda coluna de R$ 2,00 e corresponde x 42, ou seja,
quantidade a ser transportada de Pelotas para Curitiba. Nesta clula atribuiremos a maior
quantidade possvel de produtos a serem transportados, que de 15 unidades. Essa quantidade deve-se ao fato de que a capacidade produtiva da fbrica 4 ser de apenas 15 unidades.
Se colocssemos uma quantia superior, extrapolaramos a capacidade de oferta. A resoluo do primeiro transporte fica da seguinte forma:
Origens
Destinos
Curitiba
(D2)
Porto Alegre
(F1)
x11
x12
x13
10
Santos (F2)
x21
x22
x23
20
x31
x32
x33
So Carlos (F3)
Pelotas (F4)
DEMANDA
x41
15
x42
30 15
Rio de
Janeiro
(D3)
Disponibilidades/
Capacidade
Produtiva
Florianpolis
(D1)
17
x43
10
15
55
Ao transportarmos 15 unidades da Fbrica 4 para Curitiba, utilizamos toda a capacidade produtiva da referida unidade de produo. Isso quer dizer que no atribuiremos quantidade para x 41 e x 43, e que o mercado de Curitiba precisa ser atendido em mais 15 unidades.
b) Segundo transporte
Ao atribuirmos 15 unidades x 42, utilizamos toda a capacidade produtiva da Fbrica

4. Assim, ao calcularmos o segundo transporte, ignoraremos a capacidade produtiva da
Fbrica 4, que j foi totalmente utilizada. Vamos ao clculo da segunda penalidade, agora
desconsiderando os valores da quarta linha.
104
EaD
Observe agora que a maior penalidade est na segunda linha (6). Considerando que o
menor custo da segunda linha est em x 23 (quantidade a ser transportada de F2 para Rio de
Janeiro), nesta varivel que colocaremos a maior quantidade.
A resoluo do segundo transporte resulta na seguinte forma:
Origens
Florian polis
(d1)
Destinos
Curitiba
(d2)
Rio de Janeiro
Disponibilidades/
(d3)
Porto Alegre (f1)
x11
Santos (f2)
x21
x22
x31
x32
So Carlos (f3)
Pelotas (f4)
Demanda
x41
x12
15
x42
30 15
17
x13
x23
10
20 3
x33
17
10
x43
15
55
Ao transportarmos 17 unidades da Fbrica 2 para o Rio de Janeiro, atendemos toda a

demanda do referido destino. Isso representa que no atribuiremos quantidade para x 13 e x 33
e, x 43. Alm disso, a capacidade produtiva da Fbrica 2 agora de apenas 3 unidades.
105
EaD
c) Terceiro transporte
Ao atribuirmos 17 unidades x 23, atendemos toda a demanda do mercado da cidade

do Rio de Janeiro. Portanto, ao calcularmos o terceiro transporte, ignoraremos a demanda
do Destino 3, que j foi plenamente atendida. Vamos ao clculo da terceira penalidade,
agora desconsiderando os valores da quarta linha e da terceira coluna.
Observe agora que a maior penalidade est na primeira linha, cujo valor de 5.
Considerando que o menor custo da segunda linha est em x 31 (quantidade a ser transportada de F3 para Florianpolis), nesta varivel que colocaremos a maior quantidade.
A resoluo do terceiro transporte resulta na seguinte forma:
106
EaD
Origens
Destinos
Florianpolis
(D1)
Curitiba
(D2)
Rio de Janeiro
Disponibilidades/
(D3)
Porto Alegre
(F1)
Santos (F2)
So Carlos
(F3)
Pelotas (F4)
Demanda
x11
x12
x21
x22
x31
x32
x13
x23
17
x33
x41
15
x42
x43
30 15
17
10
20 3
10
15
55
Ao transportarmos 8 unidades da Fbrica 3 para Florianpolis, atendemos toda a demanda do referido destino. Isso significa que no atribuiremos quantidade para x 11 e x 21.
Alm disso, a capacidade produtiva da Fbrica 3 agora de apenas 2 unidades.
d) Demais transportes
Ao atribuirmos 8 unidades x 31, atendemos toda a demanda do mercado da cidade de

Florianpolis, e no transportaremos nenhuma quantidade em x 11 e x 21, conforme quadro
exposto na sequncia.
Origens
Destinos
Florianpolis
(D1)
Curitiba
(D2)
Rio de Janeiro
Disponibilidades/
(D3)
Porto Alegre
(F1)
12
Santos (F2)
13
So Carlos
(F3)
Pelotas (F4)
x11
x21
x31
x41
12
x12
x22
x32
x42
x13
x23
x33
x43
10
20
10
15
Demanda
30
17
55
107
EaD
Para executar o restante dos transportes necessrios, basta completar a tabela, atribuindo 10 unidades para x 12, 3 unidades para x 22 e 2 unidades para x 32. O quadro com o resultado final est exposto a seguir.
Origens
Destinos
Florianpolis
(D1)
Curitiba
(D2)
Rio de Janeiro
Disponibilidades/
(D3)
Porto Alegre
(F1)
Santos (F2)
So Carlos (F3)
Pelotas (F4)
x11
x21
10
3
x31
Demanda
x12
x22
17
x32
2
x41
15
x13
x23
30
20
x33
x42
10
17
10
x43
15
55
O resultado nos permite determinar o custo total de transporte dessa situao. Para
tanto, como visto na explicao dos demais mtodos de resoluo de Problemas de Transporte, basta reescrever a funo objetivo, acrescentando os valores das variveis encontrados e multiplicando-os pelos respectivos custos unitrios de transporte. A soma de tais multiplicaes o custo total de transporte.
3.x 41 + 2. x 42 + 8. x 43
Custo de Transporte: 12.0 + 9.10 + 8.0 + 13.0 + 12.3 + 6.17 + 7.8 + 9.2 + 5.0 + 3.0 + 2.15 + 8.0
Custo de Transporte: 90 + 36 + 102 + 56 + 18 + 30
Resultado:
x11: 0
x31: 8
x12: 10
x32: 2
x13: 0
x33: 0
x21: 0
x41: 0
x22: 3
x42: 15
x23:17
x43: 0
108
EaD
Seo 3.4
Soluo tima em Problemas de Transporte
A Pesquisa Operacional se caracteriza basicamente pela construo, soluo e validao de modelos matemticos. Validao significa encontrar a melhor soluo possvel, ou
seja, a soluo tima. Nesta seo mostraremos como se testa uma soluo de Problema de
Transporte e, se esta no for a melhor possvel, exporemos como torn-la a soluo tima.
Vamos ao primeiro exemplo, que ser resolvido pelo Mtodo de Vogel.
Origens
Destinos
D1
F1
F2
F3
Demanda
D2
x11
x21
x31
3
7
2
8
D3
x12
x22
x32
1
3
1
Disponibilidades/
Capacidade
Produtiva
D4
x13
x23
x33
10
2
8
x14
x24
x34
8
4
9
A primeira etapa a construo do modelo matemtico:


109
EaD

Minimizar Custos: 5.x 11 + 3. x 12 + 1. x 13 + 10. x 14 + 5.x 21 + 7. x 22 + 3. x 23 + 2.x 24 + 3.x 31 + 2. x 32
+ 1. x 33 + 8.x 34
Demanda do D1: x 11 + x 21 + x 31 = 4
Demanda do D2: x 12 + x 22 + x 32 = 8
Demanda do D3: x 13 + x 23 + x 33 = 3
Demanda do D4: x 14 + x 24 + x 34 = 6

Capacidade produtiva de F1: x 11 + x 12 + x 13 + x 14= 8
A segunda etapa a resoluo do Problema de Transporte, cujo resultado apresentado na sequncia.
Origens
Destinos
D1
D2
D4
Disponibilidades/
D3
F1
x11
F2
x21
F3
Demanda
x31
3
8

Resultado:
x11: 0
x23: 0
x12: 5
x24: 4
x13: 3
x31: 4
110
x12
x13
x22
x23
x32
x33
x14
4
2
6
x24
x34
8
4
9
EaD
x14: 0
x32: 3
x21: 0
x33: 0
x22:0
x34: 2
A terceira etapa a realizao do teste da otimalidade, que segue as seguintes fases:

identificar as variveis bsicas e no bsicas e aplicar o critrio de otimalidade.
Variveis bsicas so aquelas que apresentam quantidades a serem transportadas. J
as variveis no bsicas no apresentam quantidades a serem transportadas.
Variveis bsicas
Variveis no bsicas
x12
x11
x13
x14
x24
x21
x31
x22
x32
x23
x34
x33
A ltima fase a aplicao do critrio de otimalidade. Por meio desse critrio podemos
identificar se a soluo inicial encontrada pode ou no ser melhorada. Para isso acontecer,
basta isolar as variveis bsicas e as variveis no bsicas e seguir os seguintes procedimentos, em que C ij refere-se ao custo de transporte, Ui refere-se linha e Vj refere-se coluna.
Variveis bsicas
Coeficiente
Substituindo os valores
x12
C 12 U1 V2
3 0 V2
V2=3
x13
C 13 U1 V3
1 0 V3
V3=1
x24
C 24 U2 V4
2 U2 9
U 2= -7
x31
C 31 U3 V1
3 (-1) V1
V1= 4
x32
C 32 U3 V2
2 U3 3
U 3= -1
x34
C 34 U3 V4
8 (-1) V4
V4= 9
importante salientar que o valor de U1 sempre ser 0 (zero). Na sequncia faremos

o mesmo procedimento, s que desta vez com as variveis no bsicas. Para tanto, na substituio utilizaremos os valores dos coeficientes j conhecidos.
111
EaD
Variveis no bsicas
Coeficiente
x11
C 11 U1 V1
5 0 4= 1
x14
C 14 U1 V4
10 0 9 = 1
x21
C 21 U2 V1
5 (-7) 4 = 8
x22
C 22 U2 V2
7 (-7) 3 = 11
x23
C 23 U2 V3
3 (-7) 1 = 9
x33
C 33 U3 V3
1 (-1) 1 = 1
Observe que ao substituirmos os valores, nenhuma varivel no bsica apresentou
valor negativo. Quando isso acontece significa que a soluo encontrada a melhor
possvel, ou seja, no caso do exemplo usado, x12=5; x13=3; x24=4; x31=4; x32=3 e x34=2. Nas
demais variveis no dever haver transporte. O lucro mximo nessa situao de R$
60,00.
Vamos agora ao segundo exemplo, que ser resolvido pelo Mtodo do Canto Noroeste.
Origens
Destinos
SC
PR
SP
MS
Disponibilidades/
Capacidade
Produtiva
Iju
x11
x12
x13
x14
200
Panambi
x21
x22
x23
x24
300
Santa Rosa
Demanda
150
x31
x32
200
x33
100
x34
300
A primeira etapa a construo do modelo matemtico:

x11 a quantidade a ser transportada de Iju para SC;

x12 a quantidade a ser transportada de Iju para PR;
x13 a quantidade a ser transportada de Iju para SP;
x14 a quantidade a ser transportada de Iju para MS;
x21 a quantidade a ser transportada de Panambi para SC;
x22 a quantidade a ser transportada de Panambi para PR;
112
250
EaD
x23 a quantidade a ser transportada de Panambi para SP;

x24 a quantidade a ser transportada de Panambi para MS;
x31 a quantidade a ser transportada de Santa Rosa para SC;
x32 a quantidade a ser transportada de Santa Rosa para PR;
x33 a quantidade a ser transportada de Santa Rosa para SP;
x34 a quantidade a ser transportada de Santa Rosa para MS;
Minimizar Custos: 2.x 11 + 1. x 12 + 5. x 13 + 2. x 14 + 3.x 21 + 1. x 22 + 4. x 23 + 2.x 24 + 1.x 31 + 3. x 32
+ 2. x 33 + 1.x 34
Demanda de SC: x 11 + x 21 + x 31 = 150
Demanda do PR: x 12 + x 22 + x 32 = 200
Demanda de SP: x 13 + x 23 + x 33 = 100
Demanda do MS: x 14 + x 24 + x 34 = 300

Capacidade produtiva da fbrica de Iju: x 11 + x 12 + x 13 + x 14= 200
Capacidade produtiva da fbrica de Panambi: x 21 + x 22 + x 23 + x 24= 300
Capacidade produtiva da fbrica de Santa Rosa: x 31 + x 32 + x 33 + x 34= 250
A segunda etapa a resoluo do Problema de Transporte, cujo resultado apresentado na sequncia.
Origens
SC
Iju
150
Panambi
150
Destinos
SP
x11
50
x12
x21
150
x22
x31
Santa Rosa
Demanda
PR
x13
100
x32
200
MS
x23
x33
100
x14
50
250
x24
x34
Disponibilidades/
200
300
250
300
113
EaD

Resultado:
x11: 150
x23: 100
x12: 50
x24: 50
x13: 0
x31: 0
x14: 0
x32: 0
x21: 0
x33: 0
x22:150
x34: 250
A terceira etapa a realizao do teste da otimalidade, que segue as seguintes fases:

identificar as variveis bsicas e no bsicas e aplicar o critrio de otimalidade.
Variveis bsicas
Variveis no-bsicas
x11
x13
x12
x14
x22
x21
x23
x31
x24
x32
x34
x33
Teste da Otimalidade:
Variveis bsicas
114
Coeficiente
x11
C11 U1 V1
2 0 V1
V1=2
x12
C12 U1 V2
1 0 V2
V2=1
x22
C22 U2 V2
1 U2 1
U2=0
x23
C23 U2 V3
4 0 V3 V 3 = 4
x24
C24 U2 V4
2 0 V4
x34
C34 U3 V4
1 U3 2
V4= 2
U3= -1
EaD
Variveis no-bsicasCoeficiente
x13
C13 U1 V3
504=1
x14
C14 U1 V4
202=0
x21
C21 U2 V1
302=1
x31
C31 U3 V1
1 (-1) 2 = 0
x32
C32 U3 V2
3 (-1) 1 = 3
x33
C33 U3 V3
2 (-1) 4 = -1
Observe agora que ao substituirmos os valores, x33, que se refere quantidade que
deve ser transportada de Santa Rosa a So Paulo apresentou valor negativo. Quando
isso acontece significa que a soluo encontrada no a melhor possvel e pode ser
melhorada. Ento, x11=150; x12=50; x22=150; x23=100; x24=50 e x34=250, com um Custo
Total de Transporte de R$ 1.250,00, no a melhor soluo. Como proceder, ento, para
encontrar a soluo tima? Antes da resposta a esta pergunta preciso fazer a seguinte
observao:
Observao: quando uma varivel no bsica apresentar valor negativo, significa que
teremos de transportar determinada quantidade do destino origem a que a mesma se refere. Quando duas ou mais variveis no bsicas apresentarem valores negativos, destacaremos aquela que apresentar o maior valor negativo. No exemplo usado temos apenas x 33 com
valor negativo.
Agora vamos resposta para encontrar a soluo tima. Primeiramente devemos retomar a primeira soluo, destacando a varivel no bsica que ser transformada em varivel
bsica.
Origens
Destinos
SC
PR
Disponibilidades/
Capacidade
Produtiva
MS
SP
Iju
150
x21
Panambi
50
150
x31
Santa
Rosa
Demanda
x11
x12
x22
x13
100
x32
x23
x14
50
x33
200
100
300
x34
250
150
x24
200
250
300
115
EaD
Aps essa etapa devemos estabelecer o que Silva et al. (2009) chamam de circuito de
compensao. Por circuito de compensao entende-se um conjunto de 3 variveis bsicas
e 1 varivel no bsica. A varivel no bsica que compem o circuito aquela que dever
ser transformada em varivel bsica ou, sendo mais claro, aquela que passar a apresentar
a quantidade a ser transportada. No caso do exemplo usado, x 33. Quais so, contudo, os
demais elementos que compem o circuito?
Os demais elementos do circuito so aqueles que seguem alternadamente na direo
da linha e na direo da coluna. No caso, as quantidades de x 23 (100), x 24 (50) e x 34 (250).
Qual dessas quantidades ir passar para x 33? nesse momento que devemos retomar o significado de x 33. O primeiro 3 do 33 significa que essa varivel est na terceira linha. O
segundo 3 significa que a varivel est na terceira coluna. Assim sendo, dentre os elementos que compem o circuito, passaremos para x 33 a quantidade de x 34, que est na terceira
linha, ou a quantidade de x 23, que est na terceira coluna?
A resposta a seguinte: passar x33 a quantidade de x23, pois menor se comparada x34. Feito isso, resta fazer os ajustes nos demais elementos do circuito para que se
atenda demanda dos destinos e s capacidades das origens. O quadro com a nova soluo resulta na seguinte forma:
Origens
Destinos
SC
Iju
Panambi
Santa Rosa
150
PR
x11
50
x21
150
x31
Disponibilidades/
Capacidade
Produtiva
SP
x12
x22
MS
x13
100
x32
x23
x33
100
DEMANDA
116
150
200
100
50
150
250
150
x14
200
x24
300
x34
250
300
EaD
Temos agora a seguinte soluo:

Resultado:
x11: 150
x23: 0
x12: 50
x24: 150
x13: 0
x31: 0
x14: 0
x32: 0
x21: 0
x33: 100
x22:150
x34: 150
Verifique que, com esta nova soluo, o custo de transporte foi reduzido em R$ 100,00,
pois na primeira soluo tnhamos um custo de R$ 1.250,00. Apesar dessa sensvel reduo,
contudo, preciso testar a nova soluo para verificar se esta a melhor possvel. O procedimento o mesmo j adotado. A diferena que na soluo anterior, x 33 era varivel no
bsica e agora passa a ser varivel bsica. J x 23, que antes era varivel bsica, agora passa
a ser varivel no bsica.
Variveis bsicas
Coeficiente
x11
C11 U1 V1
2 0 V1
V1=2
x12
C12 U1 V2
1 0 V2
V2=1
x22
C22 U2 V2
1 U2 1
U2=0
x24
C24 U2 V4
2 0 V4
V4=2
x33
C33 U3 V3
2 (-1) V3 V3=3
x34
C34 U3 V4
1 U3 2
Variveis no bsicas
U3= -1
Coeficiente
x13
C13 U1 V3
50 3=2
x14
C14 U1 V4
202=0
x21
C21 U2 V1
302=1
x23
C23 U2 V3
403=1
x31
C31 U3 V1
1 (-1) 2 = 0
x32
C32 U3 V2
3 (-1) 1 = 3
117
EaD
Como possvel perceber, nenhuma varivel no bsica teve valor negativo, o que leva
concluso de que a segunda soluo a melhor possvel.
EXERCCIOS (LISTA 8)
1. Resolva os seguintes problemas de transporte por intermdio do Mtodo do Canto Noroeste. Construa o modelo e determine as quantidades que devem ser transportadas de cada
origem para cada destino ao menor custo possvel.
Exerccio 1.1
Origens
Iju
Destinos
Pelotas
Porto Alegre
Panambi
x11
16
x12
28
x13
Condor
14
x21
29
x22
19
x23
Demanda
71
Disponibilidades/
103
197
300
133
96
Exerccio 1.2
Origens
MG
Destinos
RJ
SP
Disponibilidades/
Iju
10
x11
15
x12
20
x13
40
Santa Rosa
12
x21
25
x22
18
x23
100
Trs Passos
16
Demanda
50
x31
14
x32
40
24
x33
60
10
150
Exerccio 1.3
Origens
Trs Passos
Catupe
Santo Augusto
Crissiumal
Disponibilidades/
10
x11
12
x12
x13
12
12
x21
14
x22
15
x23
18
Bozano
Demanda
10
118
Destinos
Tenente
Portela
x31
8
20
x32
10
30
x33
30
60
EaD
Exerccio 1.4
Origens
Destinos
Tenente
Portela
Trs Passos
Crissiumal
Catupe
10
x11
18
x12
16
x13
Santo Augusto
12
x21
20
x22
14
x23
Bozano
15
DEMANDA
200
x31
12
x32
170
150
200
x33
15
Disponibilidades/
520
200
120
2. Resolva os seguintes problemas de transporte por meio do Mtodo de Vogel. Construa o

modelo e determine as quantidades que devem ser transportadas de cada origem para
cada destino ao menor custo possvel.
Exerccio 2.1
Origens
Destinos
RJ
MG
Disponibilidades/
SP
Panambi
x11
Soledade
x21
Uruguaiana
20
Demanda
40
x31
18
x12
x22
x32
x13
x23
50
x33
23
40
50
20
40
120
Exerccio 2.2
Origens
Destinos
D1
D2
D4
D3
F1
10
x11
x12
x13
F2
x21
x22
x23
F3
Demanda
15
x31
3
20
x32
4
30
x33
8
35
x14
x24
x34
Disponibilidades/
Capacidade
Produtiva
25
25
50
100
119
EaD
Exerccio 2.3
Origens
Cruz Alta
Destinos
Cerro Largo
Disponibilidades/
Santo
Augusto
Cachoeirinha
Santa Brbara
do Sul
3
1
Anchieta
Demanda
x11
x21
x31
2
4
2
x12
x22
x32
6
3
5
x13
x23
x33
20
Exerccio 2.4
Origens
MT
Destinos
BA
Disponibilidades/
SP
F1
13
x11
x12
x13
12
F2
12
x21
x22
x23
16
F3
F4
Demanda
x31
x41
4
2
25
x32
x42
9
8
x33
x43
20
10
15
53
SNTESE DA UNIDADE 3
N esta Uni dade e studam os o que chamam os e m Pe squisa
Operacional de Problemas de Transporte. Certamente para muitos, principalmente para aqueles que trabalham com logstica, esse
assunto no desconhecido. Os estudos sobre Problemas de Transporte auxiliam na delimitao da quantidade de produtos que devem ser transportados de suas origens para seus destinos, com o
menor custo possvel. Para atender a esse pressuposto, apresentamos trs mtodos que ajudam a alcanar tal objetivo: Mtodo do
Custo Mnimo, Mtodo do Canto Noroeste e Mtodo de Vogel.
Alm disso, descrevemos os procedimentos adotados para encontrar a melhor soluo de transporte possvel.
120
EaD
Unidade 4
TEORIA DAS FILAS

Esta unidade trata especificamente da Teoria das Filas, em projetos de represas, em
programao de produo, em operaes hospitalares, nas resolues de problemas de filas
em bancos e supermercados, entre outras aplicaes.

Seo 4.1 Aspectos Gerais da Teoria das Filas
Seo 4.2 Caractersticas de uma Fila
Seo 4.3 Localizao das Variveis Aleatrias
Seo 4.4 Modelo de Fila M/M/1
Seo 4.5 Modelo de Fila M/M/C
As filas so a praga do mundo atual. Espera-se em fila no banco, na padaria, no

ponto de nibus, no trnsito, no restaurante. Em sistemas computacionais, h filas por toda
parte: para acessar a CPU, o disco, a memria, a rede, a impressora, os servidores e outros
recursos. As filas surgem porque a demanda de servio maior que a capacidade de atendimento do sistema.
Seo 4.1
Aspectos Gerais da Teoria das Filas
A teoria das filas um mtodo analtico que aborda o assunto por meio de frmulas
matemticas. A abordagem matemtica de filas teve incio no princpio do sculo 20 (1908)
em Copenhague, Dinamarca, com A. K. Erlang, considerado o pai da Teoria das Filas, quan121
EaD
do trabalhava em uma companhia telefnica. Foi somente a partir da Segunda Guerra Mundial que a teoria foi aplicada a outros problemas de filas. Apesar do enorme progresso alcanado pela teoria, inmeros problemas no so adequadamente resolvidos por causa de complexidades matemticas (Prado, 2004).
A teoria das filas envolve o estudo matemtico das filas ou linhas de espera. A formao de filas excede a capacidade de fornecer o servio. Os modelos matemticos tornam-se
complexos porque normalmente utilizam ferramentas que envolvem um tratamento estatstico ou estocstico. Fornecer uma capacidade excessiva de atendimento gera ociosidade;
proporcionar um atendimento deficitrio gera insatisfao, perda de clientes, perda de produo; tudo isto leva a uma relao muito forte entre as condies de um sistema de filas e
a minimizao dos custos no atendimento do mesmo.
Um modelo estatstico ou estocstico uma formalizao das relaes entre as vari-
veis na forma de equaes matemticas. Em termos matemticos, um modelo estatstico

frequentemente pensado como um par (Y, P), onde Y o conjunto de observaes possveis e
P o conjunto de possveis distribuies de probabilidade de Y. Supe-se que h um elemento

distinto de P, que gera os dados observados. Inferncia estatstica nos permite fazer afirmaes sobre que elemento(s) deste conjunto so susceptveis de serem verdadeiros.
O estudo de sistemas de filas tem larga utilidade:
a) No planejamento e controle da produo.
b) No dimensionamento de sistemas de armazenamento.
c) Nos sistemas de transportes.
d) Nos sistemas de trfego (rodo-porto-areo-ferrovirio).
e) Na manuteno de mquinas.
f) Em qualquer sistema em que seja provvel a formao de filas para determinado atendimento.
g) Nos sistemas de sade.
h) Nos sistemas comerciais.
A figura a seguir ilustra os elementos que compem uma fila. Nela pode-se observar
que de certa populao surgem clientes que formam fila e que aguardam por certo tipo de
servio . O termo cliente empregado de uma forma genrica e pode designar tanto uma
pessoa, um navio ou um lingote, por exemplo. O atendimento constitudo de um ou mais

servidores (que podem ser chamados de atendentes ou canais de servio ) e tanto pode
designar um barbeiro, um vendedor ou uma mquina, entre outras denominaes.

122
EaD
Sistemas de filas
Populao
De
clientes
Clientes
chegando
Mecanismo de
atendimento
Fila
Cliente
saindo
Figura 1 Sistema de filas (por exemplo fila de um banco ou supermercado)

Fonte: Adaptado de Prado, 2004.
Observaes:
a populao de clientes pode ser finita ou infinita;

os clientes podem chegar um de cada vez ou em blocos;
a fila pode ter capacidade finita ou infinita;
o mecanismo de atendimento pode ter um posto ou vrios, paralelos;
o sistema engloba os clientes da fila e os clientes em atendimento.
Seo 4.2
Caractersticas de uma Fila
Clientes e tamanho da populao : Um cliente proveniente de uma populao. Quan-
do uma populao muito grande, a chegada de um novo cliente a uma fila no afeta a
taxa de chegada de clientes subsequentes e conclui-se dizendo que as chegadas so independentes. Quando a populao pequena, o efeito existe e pode ser considervel.
Populao infinita => Chegadas independentes
Populao finita => Chegadas interdependentes
Processo de chegadas: Representa o ritmo de chegadas para a realizao de uma ati-
vidade e para quantificar as variveis randmicas (aleatrias) envolvidas podemos definir:
123
EaD
= Ritmo de chegada (exemplo: 4 clientes por minuto)

IC = Intervalo mdio entre chegadas (exemplo: 12 segundos)
No basta fornecer valores mdios, necessrio tambm mostrar como os valores se
distribuem em torno da mdia, i.e., qual distribuio de probabilidades rege o processo. Um
tipo raro de processo de chegada o regular, ou seja, aquele em que no existe nenhuma
variao entre valores para os intervalos de chegada. Esta situao ocorre apenas em processos altamente automatizados.
Processo de atendimento : Representa a realizao da atividade e este processo
quantificado pelas variveis randmicas (aleatrias) definidas a seguir:
= Ritmo de atendimento
TA = Tempo de Atendimento
Nmero de servidores (c): Quantidade de servidores que atendem os clientes.
Disciplinas das filas: Trata-se de uma regra que define qual o prximo a ser atendido
e o comum que o primeiro da fila seja atendido primeiro, ou, de uma maneira mais ampla,
o primeiro a chegar o primeiro a ser atendido (em ingls, diz-se Fifo : First in, first out).
Outras disciplinas podem existir, tais como ltimo a chegar, primeiro a ser atendido (em
ingls diz-se Lifo: Last in, first out), servio por ordem de prioridade, servio randmico (atendimento aleatrio), etc. Assim, uma caracterstica do cliente pode definir sua prioridade de
atendimento.
Tamanho mdio e mximo da fila (TF): Quando os clientes devem esperar, alguma
rea de espera precisa existir (por exemplo: as cadeiras de uma barbearia). O Tamanho Mdio da Fila representa o nmero de clientes que esperam para ser atendidos; ou mdia de
tempo que permanecem nas filas.
Observa-se que os diversos sistemas existentes so dimensionados para uma certa
quantidade mxima de clientes em espera (Tamanho Mximo de Fila) e que se um novo
cliente que chega ultrapassar esta quantidade mxima pode ser recusado, devendo tentar
novamente em outro momento (exemplo: tentativa de conseguir linha telefnica).
Observa-se que se e so constantes => o tamanho da fila oscila em torno de um
valor mdio. Se < a fila aumentar indefinidamente.
Tempo mdio de espera (TF): Esta outra caracterstica capaz de nos causar irritao
quando estamos em uma fila de espera. Representa o tempo mdio de espera na fila para ser
atendido e tambm depende dos processos de chegada e atendimento:
TF = f ( , )
124
EaD
Seo 4. 3
Quando nos referimos a filas, utilizamos variveis randmicas (aleatrias). Assim, para
as principais variveis existe um valor mdio e uma distribuio de probabilidades. Como
um exemplo, a figura a seguir ilustra o tempo de chegada que segue uma distribuio uniforme e ela pode ser encontrada mediante um nmero aleatrio ou probabilidade definida.
Dinmica de uma fila: Imagine-se agora voc instalado em uma poltrona dentro de
um banco, com a finalidade de observar o funcionamento da fila formada por pessoas que
desejam realizar um financiamento. Voc fica observando as pessoas por um perodo de 30
minutos.
Chegada
Cliente
Intervalo
Momento
1
2
3
2
3
6
3
3
9
4
3
12
5
5
17
6
0
17
7
1
18
8
5
23
9
1
24
10
4
28
11
1
29
12
2
31
3
1
4
1
5
3
6
2
7
1
8
4
9
2
10
3
11
1
12
3
= 24 clientes por hora

IC = 3 Segundos
Atendimento
Cliente
Durao
1
1
2
2

TA = 2 Minutos (mdia da durao dos atendimentos)
125
EaD
Cliente
Tempo
de fila
1
0
2
0
3
0
4
0
5
0
6
3
7
4
8
0
9
3
10
1
11
3
12
2
Total de clientes atendidos: 12

Tempo mdio na fila (TMF) = (3+4+3+1+3+2)/12 = 1,33 minuto
Numero mdio na fila (NMF) = (3+4+3+1+3+2)/35 = 0,46 clientes

A capacidade de atendimento () superior ao ritmo de chegada ( )
Preo pago pela aleatoriedade do processo:

O prazo total foi acrescido em 3 minutos
O prazo mdio de atendimento individual (2 minutos) foi acrescido pelo tempo mdio de
fila de 1,33 minuto, ou seja, o tempo gasto por cliente de 3,33 minutos.
Dimensionamento de Filas
A escolha inicial: a qualidade do atendimento
Atendimento para a mdia de chegada.

Atendimento para o pico de chegada.
Atendimento.
Obteno de dados: Tamanho da amostra
Os dados obtidos devem ser confiveis.

O tamanho da amostra fundamental.
126
EaD
Tipo da fila e quantidade de servidores
nica fila e nico servidor.

nica fila e diversos servidores.
Diversas filas e os correspondentes servidores.
Filas especiais.
Alterao dinmica no sistema de atendimento.
Sistemas estveis: Sistema estvel aquele em que e se mantm constantes ao
longo do tempo. Se e so estveis, a anlise do comportamento do sistema pela Teoria

das Filas s possvel se retalharmos o perodo de tempo, o que torna a anlise muito mais
complexa.
Tamanho da amostra: Um estudo sobre um sistema estvel, apresentar sempre os
mesmos resultados desde que adequadamente analisado. O tamanho da amostra fundamental.

Tipos de filas:
1 fila e 1 servidor
1 fila e n servidores
m filas e n servidores
filas especiais (ex: caixas expressos de supermercados)
filas que seguem uma alterao dinmica do sistema de atendimento
Seo 4.3
A seguir apresentamos a localizao das variveis considerando o sistema mostrado
na Figura 1, em situao estvel, na qual clientes chegam e entram na fila e existem n
servidores para atend-los.
127
EaD
Variveis referentes ao Sistema
TS=Tempo Mdio de Permanncia no Sistema

NS=Nmero Mdio de Clientes no Sistema
Variveis Referentes ao Processo de Chegada
= Ritmo Mdio de Chegada

IC = Intervalo Mdio Entre Chegadas
Por Definio IC=1/
Variveis Referentes Fila

TF=Tempo Mdio de Atendimento ou de Servio
NF=Nmero Mdio de Clientes na Fila
Variveis Referentes ao Processo de Atendimento
TA=Tempo
Relaes bsicas
NS = NF + NA (Nmero Mdio de Clientes no Sistema)

TS = TF + TA (Tempo Mdio de Permanncia no Sistema)
Pode-se demonstrar tambm que: NA= / = TA/IC (nmero mdio de clientes que
esto sendo atendidos)
Portanto: NS=NF+NA=NF+ / =NF+TA/IC
Taxa de Utilizao dos Atendentes
Para o caso de uma fila/um atendente = /

Para o caso de uma fila/vrios atendentes = /c, onde c o nmero de atendentes.
Intensidade de Trfego ou Nmero Mnimo de Atendentes
i= | / | = |TA/IC|, onde i o prximo valor inteiro (absoluto), que representa o

nmero mnimo de atendentes necessrio para atender a um dado fluxo de trfego (exemplo: / = 2,5 ?i = 3 erlangs, em homenagem a A. K. Erlang).
128
EaD
Frmulas de Little
J. D. C. demonstrou que para um sistema estvel de filas temos:

NF = .TF
NS = .TS
Resumo das Frmulas
O quadro a seguir apresenta um resumo das frmulas estudadas at agora:
Nome
Intervalo entre chegadas
Tempo de atendimento
Taxa de utilizao dos
atendentes
Intensidade de trfego
Relaes entre fila, Sistema
e atendimento
Frmulas de Little
Frmula
IC=1/
TA= 1/
= /c
i= | /| = |TA/IC|
NS = NF + NA
NA= /?
= TA/IC
NS=NF+NA=NF+ /=NF+TA/IC
TS = TF + TA
NF = .TF
NS = .TS
Exemplo 1:
Em uma fbrica observou-se o funcionamento de um dado setor, em que
=20 clientes por hora, =25 clientes por hora e TS = 0,3 hora. Pede-se o tamanho mdio
da fila.
Soluo:
TA = 1/ = 1/25 = 0.04 horas

TF = TS TA = 0,3 0,04 = 0,26 horas
NF = *TF = 20*0,26 = 5,2 clientes
Exemplo 2:
Para o mesmo sistema anterior, calcular NS e NA

Soluo:
NS = *TF = 20*0,3 = 6 clientes

NA = NS NF = 6 5,2 = 0,8 cliente
129
EaD
Exemplo 3 :
Em uma mineradora, cada caminho efetua um ciclo em que carregado de minrio
por uma das carregadeiras, desloca-se para o britador para o descarregamento e retorna s
carregadeiras. Verificou-se que o tempo mdio (TS) dos caminhes junto as carregadeiras
de 12 minutos e que, em mdia, existem 6 caminhes (NS) no setor. Qual a taxa de chegada
de caminhes?
Soluo:
Considerando o espao do britador como o sistema de estudo e pela lei de Little:
NS = .TS ou =NS/.TS
= 6/12 = 0,5 chegadas por minuto
Seo 4.4
Modelo de Fila M/M/1
A notao de Kendall (David Kendall) define os modelos de fila:
Modelo de fila A/B/c/K/m/Z, onde:
A = distribuio dos intervalos entre chegadas

B = distribuio dos tempo de servio
c = quantidade de servidores (atendentes)
K = capacidade max. do sistema
m = tamanho da populao
Z = disciplina da fila
A notao condensada A/B/c muito usada e se supe que no h limite para o tamanho da fila, a populao infinita e a disciplina Fifo. Para A e B, quando a distribuio for
exponencial negativa, usa-se M (Marcoviana).
O modelo de fila, quando tanto as chegadas quanto o atendimento so Marcovianos,
i.e., seguem a distribuio de Poisson (p/ ritmos) ou Exponencial negativa (p/ intervalos).
Alm disso, existe apenas um servidor.
130
EaD
Quando temos uma populao infinita de clientes, as seguintes frmulas tratam as

principais variveis:
Chamamos de Taxa de Utilizao a relao entre o ritmo mdio de chegada e o ritmo

mdio de atendimento.
= /
Conforme vimos anteriormente, sistemas estveis exigem menor que ou < 1.
Quando tende para 1 a fila tende a aumentar infinitamente, conforme mostramos a seguir.
A expresso anterior nos permite concluir facilmente que, se = temos = 1 e o

tamanho da fila infinito, conforme ilustrado na figura a seguir.
131
EaD
Exemplo 1
Suponhamos que as chegadas a uma cabine telefnica obedeam lei de Poisson,
com ritmo de 6 chegadas por hora. A durao mdia do telefonema de 3 minutos e suponhamos que siga a distribuio exponencial negativa. Pede-se:
a) Qual a probabilidade de uma pessoa chegar cabine e no ter de esperar?
Pelos dados temos: =6 chegadas hora. Portanto IC = 10 minutos
TA = 3 minutos. Portanto = 20 atendimentos/ hora
Po = 1 / = 1 6/20 = 0,7
Ou seja, existe uma probabilidade de 70% de que uma pessoa, ao chegar, no encontre ningum no sistema e possa utilizar imediatamente o telefone. O complemento deste
valor (30%) significa a probabilidade de uma pessoa esperar. Assim, o telefone fica ocupado
30% do tempo e fica 70% do tempo ocioso.
b) Qual o nmero mdio de pessoas na fila?
NF = 2 / (- ) = (6*6)/(20(20-6)) = 0,128
c) Qual o nmero mdio de pessoas no sistema?
NS = (- ) = 0,428
d) Qual o nmero mdio de clientes usando o telefone?
NA = NS NF = 0,48 0,128 = 0,3
e) Qual o tempo mdio de fila?
TF = / (- ) = 6/20(20-6) = 0,021 hora = 1,28 minutos
f) Para qual ritmo de chegada teramos a situao em que o tempo mdio de espera na fila
seria de 3 minutos?
TF = / (- ), para TF = 3 minutos ou TF = 0,05 hora e mantendo o mesmo = 20
clientes hora, temos: = TF* 2 / (1+ *TF) = 10 chegadas/hora
g) Qual a frao do dia durante a qual o telefone est em uso?
A frao do dia durante a qual o telefone est em uso exatamente igual a (1-Po), isto
, a probabilidade de que existam pessoas no sistema. Conforme calculado no primeiro item
este valor 30%.
132
EaD
Exemplo 2
Uma empresa deseja contratar um reparador para efetuar manuteno em suas mquinas, que estragam a um ritmo de 3 falhas por hora. Para tal possui duas opes: um
reparador lento, que capaz de consertar a um ritmo de 4 falhas por hora ou um reparador
rpido, que capaz de consertar a um ritmo mdio de 6 falhas por hora. O salrio/hora do
reparador lento R$ 3,00 e do reparador rpido R$ 5,00. O custo de uma mquina parada
R$ 5,00. Pede-se qual a contratao que deve ser efetuada para que o custo total (reparador mais mquinas paradas) seja mnimo?
Reparador Lento
NS = /( ) = 3/(4-3) = 3 mquinas
Custo das mquinas = 3* 5 = R$ 15,00
Custo do reparador = R$ 3,00
Custo total = R$ 18,00
Reparador rpido
NS = /( ) = 3/(6-3) = 1 mquina
Custo das mquinas = 1* 5 = R$ 5,00
Custo do reparador = R$ 5,00
Custo total = R$ 10,00
Comparando, vemos que o reparador rpido, apesar de ter um custo maior, implica um
custo total menor.
Seo 4.5
Modelo de Fila M/M/C
O modelo de fila M/M/C apresenta uma nica fila e diversos servidores com chegadas
e atendimentos marcovianos (isto , seguem a Distribuio de Poisson ou a Distribuio
Exponencial negativa)
Supe-se aqui que a capacidade de atendimento de cada um dos servidores a mesma
(ou seja, ).
133
EaD
Casos de populao infinita e finita
Figura 2 Sistema de fila nica com vrios atendentes

Para um sistema que tem a estrutura da figura a anterior so vlidas as definies

estudadas anteriormente ( , , IC = 1/ , TA e c = capacidade de atendimento).
Populao finita: O Modelo M/M/c

As frmulas para o modelo M/M/c so complexas e difceis de serem manipuladas e, assim, a preferncia generalizada pelo uso de grficos. A seguir uma ilustrao destes grficos.
Figura 3
Fonte: Prado, 2004.
134
EaD
Geralmente so utilizados grficos (como os ilustrados anteriormente por meio da Figura 3) para se obter o nmero mdio de clientes na fila (NF) em funo do fator de utilizao e tendo como parmetro a quantidade de servidores c.
A taxa de utilizao : = /c
Aps o uso dos grficos, as outras variveis podem ser obtidas pelas frmulas de Little:
TF=NF/ e TS=NS/
O quadro a seguir apresenta as frmulas das diferentes variveis.
Figura 4 Principais indicadores de desempenho do modelo M/M/c

Fonte: Sinay, 2005.
135
EaD
Exemplo 1
No sistema de filas sequenciais descrito na Figura a seguir, admitindo-se que o
ritmo de chegada tenha crescido para =25 peas por minuto, calcule a quantidade de
servidores de cada estao de trabalho tal que o tamanho da fila correspondente (NF)
seja menor que 1.
Concluso: A quantidade de servidores que atende solicitao :

Produo = 3; Inspeo 2 e Reparo = 1.
EXERCCIOS (LISTA 9)
1. Um escritrio tem 3 digitadores e cada uma pode digitar, em mdia, 6 cartas por hora. As
cartas chegam para serem datilografadas com taxa mdia de 15 por hora.
a) Qual o nmero mdio de cartas esperando para serem datilografadas?
b) Quanto tempo em mdia uma carta demora para ficar pronta?
c) Qual a probabilidade de que uma carta demore mais de 20 minutos para ficar pronta?
d) Se cada datilografa recebe de maneira independente (fila individual) 5 cartas por hora,
em mdia, para datilografar, o tempo mdio que uma carta demoraria para ficar pronta
seria maior ou menor que no caso de fila nica?
136
EaD
2. Deseja-se determinar o nmero timo de caixas em uma agncia bancria. O tempo que
cada cliente perde dentro da agncia est estimado em R$ 5/hora e o custo de funcionamento de uma caixa de R$ 4/hora. Se os clientes chegam taxa mdia de 40 clientes/
hora e cada caixa pode atender, em mdia, 30 clientes/hora, qual o nmero mnimo de
caixas que produz o menor custo de operao?
Dica : Ao incrementar o nmero de caixas, o custo de operao diminui at atingir um

mnimo e logo volta a crescer.
3. Uma barbearia com 1 barbeiro tem 6 cadeiras para acomodar fregueses esperando atendimento. Os fregueses que chegam quando as 6 cadeiras esto ocupadas, vo embora sem
esperar. Os fregueses chegam com taxa mdia de 3/h e ficam em mdia 15 minutos na
cadeira do barbeiro.
a) Qual a probabilidade de um fregus chegar e ir direto para a cadeira do barbeiro?
b) Qual o nmero mdio de fregueses esperando atendimento?
c) Qual a taxa de chegada efetiva?
d) Quanto tempo em mdia, um fregus fica na barbearia?
e) Que percentual dos fregueses vai embora sem esperar atendimento?
4. Um mecnico atende 4 mquinas. Para cada mquina o tempo mdio entre os requerimentos de atendimento de 10 horas, com distribuio exponencial. O tempo de reparao segue a mesma distribuio com tempo mdio de 2/horas. Quando uma mquina
para, o custo do tempo perdido de R$ 20/hora. O custo de um mecnico de R$ 50/dia.
a) Qual o nmero esperado de mquinas em operao?
b) Qual o custo esperado de atraso por dia?
c) Valeria a pena ter 2 mecnicos, cada um deles atendendo duas mquinas?
SNTESE DA UNIDADE 4
A Teoria das Filas um ramo da probabilidade que estuda a formao de filas, por meio de anlises matemticas precisas e propriedades mensurveis das filas. Ela prov modelos para demonstrar previamente o comportamento de um sistema que oferea servios cuja
demanda cresce aleatoriamente, tornando possvel dimension-lo
de forma a satisfazer os clientes e ser vivel economicamente para o
provedor do servio, evitando desperdcios e gargalos.
137
EaD
Unidade 5
PROGRAMAO DINMICA
E MODELOS DE ESTOQUE
OBJETIVO DESTA UNIDADE
O objetivo desta unidade revelar algumas tcnicas de programao dinmica e de
modelos de estoque, suas principais caractersticas e alguns problemas de aplicao.

Seo 5.1 Introduo Programao Dinmica e Modelos de Estoque
Seo 5.2 Principais Caractersticas
Seo 5.3 Programao Dinmica, Modelos Dinmicos e Problemas de Aplicao
Seo 5.1
Introduo Programao Dinmica e Modelos de Estoque
Programao dinmica uma tcnica muito empregada em problemas que envolvem
a otimizao de problemas que podem ser modulados por uma sequncia de estados. Pode
ser aplicada indiferentemente tanto a problemas lineares como a problemas no lineares.
Sua aplicabilidade bastante geral, isto , os tipos de problemas de programao solveis
por esta tcnica so muitos, embora o mtodo no seja sempre o mais eficiente.
Seo 5.2
Principais Caractersticas
(i) Etapas So os diferentes nveis naturais em que se pode dividir um problema. Em cada
um deles estabelece-se um plano de decises.
139
EaD
(ii) Estados Cada etapa ter associado um determinado nmero de estados (finito ou
infinito, discreto ou contnuo, dependendo da natureza do problema). Em geral os estados
so as vrias condies possveis nas quais o sistema se pode apresentar numa dada etapa.
(iii) Decises Segundo um determinado plano o seu efeito em cada etapa transformar o
estado corrente num outro estado associado etapa seguinte. Essa transformao pode
eventualmente obedecer a uma distribuio de probabilidade, contudo os casos apresentados so de carcter determinstico e no probabilstico.
(iv ) Princpio de Optimalidade Todo o problema resolvel por Programao Dinmica

tem de obedecer a este princpio, isto , as suas caractersticas tm de ser tais que o conhecimento do estado corrente do sistema contenha toda a informao acerca do seu prvio
comportamento, necessria determinao do plano timo a partir dele.
(v ) Backward O processo de resoluo comea por determinar o plano timo para cada
estado da ltima etapa at encontrar o plano timo para a etapa inicial. Esta a nica
maneira correta de proceder relativamente a problemas cujas etapas correspondem a perodos de tempo. Se tal no for o caso, o processo de resoluo reversvel, ou seja poder-se-
tambm usar o sentido Forward.
(vi) Recursividade uma relao funcional que identifica o plano timo para cada estado
na etapa genrica n , dado o plano timo da etapa seguinte, isto , dado o plano timo para
cada estado da etapa (n +1). Esta relao varia com o problema em causa.
Seo 5.3
Modelos Dinmicos e Problemas de Aplicao
Quando se pretende analisar problemas operacionais, conveniente considerar a ideia
de um sistema, que tem um nmero de estados possveis, e que evolui por estes estados. Por
exemplo, num problema de manuteno e substituio de equipamentos, a mquina pode
ser o sistema, e um estado pode ser definido por sua idade ou conservao.
Problemas operacionais deste tipo podem ser resolvidos mediante a programao dinmica, no entanto percebe-se a existncia de dois tipos de problema solucionados por ela.
No primeiro, as variveis de estados so discretas e o perodo de otimizao finito, ou seja,
problemas reais da Engenharia e das Cincias Sociais que o sistema apresenta um estado
inicial conhecido, sujeito a leis de controle tambm conhecidas. Esse tipo de problema
chamado de determinstico. Em outros, as leis de controle so sujeitas atuao da natureza. Esses so os chamados problemas probabilsticos.
140
EaD
Destaca-se neste exemplo um problema do tipo determinstico que busca a soluo na

programao dinmica. O desenvolvimento do sistema ser controlado, ou ao menos influenciado, pelo tomador de decises, que a cada estado escolhe, de um conjunto de aes
viveis, aquela que lhe parea mais conveniente.
Cabe lembrar que todo problema de programao dinmica pode ser estruturado e
desenvolvido com o auxlio de softwares.
Verifica-se, portanto, que a programao dinmica mostra-se como uma tcnica destinada a otimizar processos de deciso de multiestgios. De acordo com Bronson (1985, p.
160):
Um processo de multiestgios um processo que pode ser desdobrado segundo um certo nmero
de etapas seqenciais, ou estgios, os quais podem ser completados de uma ou de diversas maneiras. As opes para se completarem os estgios so chamadas de decises. Uma poltica
uma seqncia de decises uma deciso para cada estgio de processo. A condio do processo
num dado estgio dita o estado neste estgio. Cada deciso efetua uma transio do estado
corrente para o estado associado ao estgio seguinte. Um processo de deciso multiestgio
finito se houver apenas um nmero finito de estgios no processo e um nmero finito de estgios
associados a cada estgio.
Muitos destes processos de deciso de multiestgios apresentam retornos. Percebe-se,

portanto, que o objetivo da anlise de tais processos a determinao de uma poltica tima
a que resulte no melhor retorno total.
Exemplo 1: Resolvendo o problema de limitao na produo por meio da programao

dinmica: o caso da empresa WK.
Com o intuito de exemplificar a utilizao da programao dinmica, adaptou-se um
exemplo proposto por Martins (1994), no qual se desenvolve a seguinte situao problemtica: a WK uma empresa do ramo txtil e fabrica cobertores e mantas. Sua linha de produtos formada por: cobertor-casal, manta-casal, cobertor-solteiro e manta-solteiro.
Devido s turbulncias do mercado e a expectativa na falta de mo de obra especializada para a confeco deste tipo de produto, os funcionrios da fbrica resolveram fazer
uma greve, o que fez com que a Empresa WK decidisse por uma demisso em massa. Das
800.000 horas de MOD (mo de obra direta) que eram necessrias para a confeco dos
quatro produtos, restaram apenas 300.000 horas. Esta nova situao encontrada pela Empresa WK requer a utilizao de uma estratgia de produo. Slack (1997, p. 89) menciona
que:
141
EaD
Quando uma organizao articula sua estratgia que ela far um conjunto de coisas em vez de
outro que ela tomou decises que comprometem a organizao com um conjunto especfico de
aes. A primeira coisa sobre estratgia, portanto, que ela um compromisso com a ao. Os
gerentes tomam decises o tempo todo, o que presumivelmente os comprometer a fazer alguma
coisa, mas nem todas so decises estratgicas.
A falta de MOD ocasiona, portanto, uma limitao na capacidade produtiva, fazendo

com que a empresa opte pela confeco de apenas alguns produtos, deixando de lado outros. Para Martins (1990, p.171), se no houver limitao na capacidade produtiva, interessa o produto que produz maior Margem de Contribuio por unidade, mas, se existir,
interessa o que produz maior Margem de Contribuio pelo fator limitante da capacidade.
Entende-se por margem de contribuio a capacidade que os produtos tm de cobrir os
custos fixos (e despesas fixas) e ainda contribuir para o lucro do perodo. Dentro desse
arcabouo terico, observando o exemplo proposto, emerge a seguinte pergunta: qual o
produto deve ter suas vendas incentivadas? Consultando os dados da empresa WK foram
obtidas as seguintes informaes sobre os custos e despesas do ltimo ms:
Mo de obra direta: R$ 170/unidade produzida;
Matria-prima: R$ 200/Kg de l utilizada;
Comisso de vendas: R$150/unidade vendida;
Os custos fixos so especficos para cada produto: cobertor-casal R$233.000, manta-casal
R$ 190.000, cobertor-solteiro R$ 221.000, manta-solteiro R$ 316.000.
Os demais dados relevantes sobre os produtos so apresentados no quadro que segue:
Depois de analisados os custos e despesas relacionados aos produtos, bem como alguns aspectos relevantes, pode-se analisar no quadro que segue o lucro por unidade de
cada produto:
142
EaD
Sabe-se que o mercado consome normalmente o volume produzido demonstrado no

Quadro 1. Para isso, seriam necessrias 800.000 horas de MOD, ou seja, 200.000 horas de
MOD para cada produto, no entanto, devido demisso em massa causada pela greve, a
empresa disponibiliza de apenas 300.000 horas de MOD. Com esta nova situao a empresa
entende que poder disponibilizar para cada produto as seguintes quantidades de MOD:
zero hora, 100.000 horas ou 200.000 horas.
Com esta limitao na produo, so calculados os respectivos lucros ou prejuzos de
cada produto associados a cada quantidade de horas disponibilizadas, apresentados no
quadro a seguir:
O lucro ou prejuzo total de cada produto obtido multiplicando o lucro por unidade
pela quantidade produzida de cada produto deduzindo deste resultado os custos fixos totais
do respectivo produto.
Apresenta-se a seguir um exemplo do clculo do lucro ou prejuzo, pegando como
exemplo a disponibilizao de 100.000 horas para o cobertor casal:
Pode-se observar que, se no for disponibiliza nenhuma hora de MOD para os produtos, os mesmos tero prejuzos, ou seja, mesmo no produzindo quantidade alguma de determinado produto este continua incorrendo com os seus custos fixos, ocasionando deste
modo o prejuzo. Pela sua prpria natureza, os custos fixos ocorrero independentemente
dos volumes produzidos, como tambm independentemente da fabricao ou no de um ou
de outro produto.
Na programao dinmica, antes de propor a soluo para o problema faz-se necessrio, inicialmente, a formulao do modelo que compreende a identificao dos seguintes
aspectos: sistema, estgio, estado, ao, retorno, valor do estado, funo de transio, funo de recorrncia e conjunto de aes viveis. A seguir identificado cada um dos aspectos
anteriormente citados:
143
EaD
Depois de formulado o modelo, pode-se representar o problema mediante o uso de

redes, as quais identificaro a melhor ao a ser tomada pelo gerente de produo, ou seja,
deciso de quantas horas de MOD sero disponibilizadas para cada produto. A programao dinmica utilizada para otimizar processos de deciso de multiestgios baseia-se no
princpio da condio de timo de Bellman. Segundo Bronson (1985, p. 161), no princpio
da condio de timo de Bellman uma poltica tima apresenta a propriedade segundo a
qual, a despeito das decises para assumir um estado particular num certo estgio, as decises restantes a partir deste estado devem constituir uma poltica tima. A representao
do problema por meio da utilizao de redes, demonstrando os lucros ou prejuzos a partir
das horas disponibilizadas para cada produto, est identificada na figura a seguir:
Figura 1 Representao do problema da empresa WK

Fonte: Prado, 2004.
144
EaD
Para se instituir o princpio da condio de timo, Bronson (1985, p.161) sugere o

seguinte procedimento:
Parte-se do ltimo estgio de um processo de n estgios e se determina a melhor poltica para se
deixar aquele estado e completar o processo, supondo-se que todos os estgios anteriores tenham
sido completados. Desloca-se, ento, ao longo do processo, de trs para adiante, estgio por
estgio. Em cada estgio determina-se a melhor poltica para se deixar cada estado e se completar o processo, supondo-se que todos os estgios precedentes foram concludos e utilizando-se os
resultados j obtidos para o estgio seguinte.
Com base na representao do problema por meio das redes verifica-se que, se forem
tomadas as decises que visam a otimizar a situao, a empresa chegaria a um resultado
timo de R$ 26.840.000 com a aplicao dos recursos escassos.
A partir da Figura 1 pode-se realizar uma interpretao detalhada do problema. Analisando o ltimo estgio (estgio 1), percebe-se que o tomador de decises poder
disponibilizar, no estado 3, 0 hora, 100.000 horas ou 200.000 horas. Se disponibilizar 0
horas ter um prejuzo de (-) R$ 316.000; se disponibilizar 100.000 horas ter um lucro de
R$ 9.184.000, se disponibilizar 200.000 horas ter um lucro de R$ 18.684.000, neste caso, a
melhor deciso seria a de disponibilizar 200.000 horas e obter um lucro de R$ 18.684.000.
No estado 2, tambm poder disponibilizar 0 hora, 100.000 horas ou 200.000 horas. Assim,
se disponibilizar 0 horas ter um prejuzo de (-) R$ 316.000, se disponibilizar 100.000 horas
ter um lucro de R$ 9.184.000, se disponibilizar 100.000 horas ter um lucro de R$
18.684.000, neste caso, a melhor deciso seria a de disponibilizar 200.000 horas e obter um
lucro de R$ 18.684.000. No estado 1, poder disponibilizar 0 hora ou 100.000 horas. Assim,
se disponibilizar 0 horas ter um prejuzo de (-) R$ 316.000, se disponibilizar 100.000 horas
ter um lucro de R$ 9.184.000. Neste caso, a melhor deciso seria a de disponibilizar 200.000
horas e obter um lucro de R$ 18.684.000. No estado 0, poder disponibilizar apenas 0 hora,
tendo um prejuzo de (-) R$ 316.000, sendo esta a nica soluo existente. A partir desta
anlise, podemos verificar que as melhores decises ficam em destaque, correspondendo,
portanto, ao valor de cada estado, ou seja, R$ 18.684.000 para o estado 3, R$ 18.684.000
para o estado 2, R$ 9.184.000 para o estado 1 e (-) R$ 316.000 para o estado 0.
A anlise do estgio 2 um pouco diferente do ltimo estgio. Neste caso, as melhores
decises seriam obtidas somando-se o valor de cada deciso ao resultado timo obtido em
cada estado do estgio anterior. Por exemplo, para obter o resultado timo de R$ 23.963.000
no estado 3, optou-se por somar o valor de R$ 5.279.000 a partir da disponibilizao de
100.000 horas com o resultado timo de R$ 18.684.000 obtido no estado 2 do ltimo estgio. As outras possibilidades para obter o resultado do estado 3 seria somando (-) R$ 221.000
e R$ 18.684.000, ou somando R$ 10.779.000 e R$ 9.184.000, o que corresponderia a resultados inferiores. O mesmo foi feito para os estados seguintes. A partir desta anlise, pode-se
145
EaD
verificar que as melhores decises ficam em destaque, originando, portanto, o valor de cada
estado, ou seja, R$ 23.963.000 para o estado 3, R$ 18.463.000 para o estado 2, R$ 8.963.000
para o estado 1 e (-) R$ 537.000 para o estado 0.
A anlise do estgio 3 seria de forma idntica do estgio 2. A partir das anlises,
verifica-se que as melhores decises ficam em destaque, originando, portanto, o valor de
cada estado, ou seja, R$ 27.073.000 para o estado 3, R$ 18.273.000 para o estado 2, R$
8.773.000 para o estado 1.
Chega-se, portanto, ao estgio 4 com o valor de R$ 26.840.000, somando-se (-) R$
233.000 e R$ 27.073.000. Para conhecer as aes que devem ser tomadas para chegar ao
resultado de R$ 26.840.000, basta seguir o caminho feito apenas por setas, disponibilizando
0 horas para o cobertor casal, 100.000 para a manta casal, 0 hora para o cobertor solteiro e
100.000 para a manta solteiro.
Cabe ressaltar que neste problema utilizou-se a programao dinmica determinstica,
posto que o resultado de cada deciso (em particular, o estado produzido pela deciso) foi
conhecido exatamente.
Exemplo 2
Um transportador dispe de 8m 3 de espao disponvel num veculo pesado que faz
o trajeto Porto -Lisboa. Um distribuidor com grandes quantidades de trs tipos diferentes de utenslios, todos destinados a Lisboa, ofereceu ao transportador as seguintes
taxas de pagamento para transportar tantos itens quantos o veculo pesado tem para
acomodar:
Taxa
Volume
Euro/Item
m3/Item
11
II
32
III
58
Utenslios
Quantos itens de cada artigo o transportador deveria aceitar para maximizar o lucro
com o frete sem exceder a capacidade disponvel no veculo?
Este problema pode ser encarado como um processo de 3 estgios envolvendo afetaes de espao para os utenslios I, II, III respectivamente. O estado de cada estgio o
nmero de metros cbicos de espao ainda desocupado.
146
EaD
Assim:
f1 ( x )
11
22
33
44
55
66
77
88
f 2( x )
32
32
32
64
64
64
f 3(x )
58
58
58
58
A primeira linha do quadro imediata, uma vez que todo o metro cbico adicional
afetado ao artigo I produz um lucro adicional de 11 euros. Para a segunda linha necessrio ter em conta que cada utenslio do tipo II ocupa 3m 3 e, portanto, a menos que se tenha
pelo menos 3m 3 de espao disponvel nenhum item deste tipo pode ser transportado e nenhum lucro pode ser obtido. Se 3, 4 ou 5m 3 forem afetadas ao utenslio II somente um item
pode ser acomodado, resultando um lucro lquido de 32 euros. Se 6, 7 ou 8m 3 forem afetados, ento podem ser transportados 2 itens, com um lucro lquido de 64 euros. Uma anlise
semelhante aplicada ao item III. Nenhum lucro obtido se menos de 5m 3 forem afetados.
E se 5, 6, 7 ou 8m 3 forem afetados, apenas um utenslio III pode ser transportado com um
lucro lquido de 58 euros.
Ento,
-
m3 (8) = mx{ f 3 (0), f 3 (1), f 3 (2 ), f 3 (3), f 3 (4), f 3 (5), f 3 (6), f 3 (7 ), f 3 (8)} =

= mx{0,0,0,0,0,58,58,58,58} =
= 58
d 3 (8) = 5
-
(escolheu-se o menor maximizante)
m3 (7 ) = mx{ f 3 (0 ), f 3 (1), f 3 (2 ), f 3 (3), f 3 (4), f 3 (5), f 3 (6), f 3 (7 )} =

= mx{0,0,0,0,0,58,58,58} =
= 58
d 3 (7 ) = 5
-
m3 (6 ) = mx{ f 3 (0), f 3 (1), f 3 (2), f 3 (3), f 3 (4), f 3 (5), f 3 (6)} =

= mx {0,0,0,0,0,58,58} =
= 58
d 3 (6 ) = 5
-
m3 (5) = 58
d 3 (5) = 5
147
EaD
Ento,
u
0
m3 (u )
58
58
58
58
d 3 (u )
Continuando
-
m2 (8) = mx{ f 2 (0) + m3 (8), f 2 (1) + m3 (7 ), f 2 (2) + m3 (6), f 2 (3) + m3 (5),
, f 2 (4 ) + m3 (4 ), f 2 (5) + m3 (3), f 2 (6 ) + m3 (2), f 2 (7 ) + m3 (1), f 2 (8) + m3 (0 )} =

= mx{0 + 58, 0 + 58, 0 + 58, 32 + 58, 32 + 0, 32 + 0,
,64 + 0, 64 + 0, 64 + 0} = 90
d 2 (8) = 3
-
m2 (7 ) = mx{ f 2 (0) + m3 (7 ), f 2 (1) + m3 (6 ), f 2 (2 ) + m3 (5), f 2 (3) + m3 (4 ),
, f 2 (4) + m3 (3), f 2 (5) + m3 (2 ), f 2 (6) + m3 (1), f 2 (7 ) + m3 (0)} =

= mx{0 + 58, 0 + 58, 0 + 58, 32 + 0, 32 + 0, 32 + 0, ,64 + 0,
, 64 + 0} = 64
d 2 (7) = 6
-
m2 (6) = mx{0 + 58, 0 + 58, 0 + 0, 32 + 0, 32 + 0, 32 + 0,

,64 + 0} = 64
d 2 (6) = 6
-
m2 (5) = mx{0 + 58, 0 + 0, 0 + 0, 32 + 0, 32 + 0, 32 + 0} =

= 58
d 2 (5) = 0
m2 (4) = mx{0 + 0, 0 + 0, 0 + 0, 32 + 0, 32 + 0} =
= 32
d 3 (4) = 3
-
m2 (3) = mx{0 + 0, 0 + 0, 0 + 0, 32 + 0} =
d 2 (3) = 3
m2 (2 ) = mx{0 + 0, 0 + 0, 0 + 0} = 0
d 2 (2) = 0
m2 (0) = m2 (1) = 0
d 2 (0 ) = d 2 (1) = 0
148
(tomou-se o menor maximizante)
EaD
u
0
m2(u )
32
32
58
64
64
d 2(u )
8
90
3
Finalmente
-
m1 (8) = mx{0 + 90, 11 + 64, 22 + 64, 33 + 58, 44 + 32, 55 + 32,

,66 + 0, 77 + 0, 88 + 0} = = mx{90,75,86,91,76,87,66,77,88} = 9
d1 (8) = 3.
O melhor lucro total para o transportador 91 euros. Para obter, deve afetar 3m 3 ao
utenslio I (d1 (8) = 3). Ficam 5m 3 disponveis para os utenslios II e III. Como d 2 (5) = 0 no
deve ser afetado nenhum espao ao utenslio II. Ficam ento ainda 5m 3 disponveis para o
utenslio III.
Confirmando, f1 (3) + f 2 (0 ) + f 3 (5) = 33 + 0 + 58 = 91.
EXERCCIO (LISTA 10)

Um indivduo dispe de 400.000 euros para investir em trs oportunidades disponveis:
1. Terrenos de pastagens
2. Terrenos de regadio
3. Florestas
Cada um dos investimentos requer depsitos em parcelas de 100.000 euros. O investidor pode afetar todo o dinheiro a um nico investimento ou reparti-lo entre os trs. Os
retornos esperados so apresentados a seguir:
Euros Investidos
0
100 000
200 000
300 000
400 000
Retorno do Investimento 1
200 000
500 000
600 000
700 000
100 000
300 000
600 000
700 000
100 000
400 000
500 000
800 000
Quanto deve ser investido em cada uma das trs opes a fim de se ter o maior retorno global?
149
EaD
SNTESE DA UNIDADE 5
A programao dinmica tem como objetivo analisar problemas
operacionais, considerando a ideia de um sistema, que tem um
nmero de estados possveis, e que evolui por estes estados. Por
exemplo, num problema de manuteno e substituio de equipamentos, a mquina pode ser o sistema, e um estado pode ser definido por sua idade ou conservao. Problemas operacionais deste
tipo podem ser resolvidos por meio da programao dinmica.
150
EaD
Unidade 6
SIMULAO
O objetivo desta Unidade fazer um estudo sobre as tcnicas de simulao suas vantagens e desvantagens, tipos e modelos de simulao, sua rea de aplicao e alguns modelos se simulao.

Seo 6.1 Introduo Simulao
Seo 6.2 Vantagens e desvantagens da Simulao
Seo 6.3 rea de aplicao da Simulao
Seo 6.4 Tipos de modelos de simulao
Seo 6.5 Etapas de um projeto de simulao
Seo 6.1
Introduo Simulao
Uma simulao a imitao, durante determinado perodo de tempo, da operao de
um sistema ou de um processo do mundo real. Feita mo (raramente) ou em um computador
(quase sempre), a simulao envolve a gerao de uma histria artificial do sistema, e a partir
desta histria artificial a inferncia de como o sistema real funcionaria. O comportamento do
sistema estudado pela construo de um modelo de simulao. Este modelo normalmente
toma a forma de um conjunto de consideraes relacionadas operao do sistema.
Estas consideraes so expressas mediante relaes matemticas, lgicas e simblicas entre as entidades, ou objetos de interesse, do sistema. Uma vez construdo e validado,
um modelo pode ser usado para investigar uma grande quantidade de questes sobre o
151
EaD
sistema do mundo real. Alteraes no sistema podem ser inicialmente simuladas para se
prever as consequncias no mundo real. A simulao tambm pode ser empregada para
estudar sistemas no estgio de projeto, ou seja, antes de o sistema ser construdo.
Assim, a simulao pode usada tanto como uma ferramenta de anlise para prever o
efeito de mudanas em sistemas j existentes quanto como uma ferramenta para prever a
performance de novos sistemas sobre as mais variadas circunstncias.
Seo 6.2
Vantagens e Desvantagens da Simulao
As vantagens principais da simulao so:
Novas polticas, procedimentos operacionais, regras de negcio, fluxos de informao,
etc..., podem ser estudados sem se alterar o mundo real.
Novos equipamentos, layouts, sistemas de transporte, etc..., podem ser testados sem se
comprometer recursos na sua aquisio.
Hipteses sobre como e porque certos fenmenos ocorrem podem ser testados visando a
verificar sua praticabilidade.
O tempo pode ser comprimido ou expandido permitindo acelerar ou retardar o fenmeno
sob investigao.
Pode-se entender melhor sob a interao das variveis do sistema.
Pode-se entender melhor a participao das variveis na performance do sistema.
Um modelo de simulao pode ajudar a entender como um sistema funciona como um
todo, em relao a como se pensa que o sistema opera individualmente.
Questes do tipo e se... podem ser respondidas. Isto extremamente til na fase de
design de um projeto.
As desvantagens a serem consideradas so:

A construo de modelos de simulao requer treinamento especial. uma arte que
aprendida com tempo e experincia. Alm disto se dois modelos so construdos por dois
profissionais competentes, eles tero semelhanas, mas ser altamente improvvel que
sejam iguais.
152
EaD
Os resultados de uma simulao podem ser difceis de interpretar. Como a maioria das
sadas de uma simulao so variveis aleatrias (elas esto normalmente baseadas em
entradas aleatrias), difcil determinar se uma observao o resultado do relacionamento entre as variveis do sistema ou consequncia da prpria aleatoriedade.
A construo e anlise de modelos de simulao pode consumir muito tempo e, como
consequncia, muito dinheiro. Economizar, por sua vez, pode levar a modelos incompletos.
A simulao usada em muitos casos em que uma soluo analtica possvel. A simulao no d resultados exatos.
Seo 6.3
reas de Aplicao da Simulao
Existem inmeras reas de aplicao da simulao. A seguir esto listadas algumas
das mais importantes:
Simulao das operaes de uma companhia area para testar alteraes em seus procedimentos operacionais.
Simulao da passagem do trfego em um cruzamento muito movimentado, onde novos
sinais esto para ser instalados.
Simulao de operaes de manuteno para determinar o tamanho timo de equipes de reparo.
Simulao de uma siderrgica para avaliar alteraes nos seus procedimentos operacionais.
Simulao da economia de um setor de um pas para prever o efeito de mudanas econmicas.
Simulao de batalhas militares visando a avaliar o desempenho de armas estratgicas.
Simulao de sistemas de distribuio e controle de estoque, para melhorar o funcionamento desses sistemas.
Simulao de uma empresa como um todo para avaliar o impacto de grandes mudanas
ou como treinamento para seus executivos (business games )
Simulao de sistemas de comunicaes para determinar o que necessrio para fornecer
um determinado nvel de servio.
Simulao de uma barragem em um determinado rio para avaliar os problemas advindos
com a sua construo.
Simulao de uma linha de produo em determinada indstria, para avaliar efeitos de
mudanas previstas no processo produtivo.
153
EaD
Seo 6.4
Tipos de Modelos de Simulao
Modelos de simulao podem ser Estticos ou Dinmicos. Um modelo de simulao
esttica, algumas vezes chamado de Simulao de Monte Carlo, um modelo no qual a
passagem do tempo irrelevante. Modelos de Simulao Dinmicos representam sistemas
cujos resultados variam com a passagem do tempo.
Um modelo de simulao pode ser ainda Determinstico ou Estocstico. Modelos de
simulao que no contm nenhuma varivel aleatria so classificados como determinsticos,
ou seja, para um conjunto conhecido de dados de entrada teremos um nico conjunto de resultados de sada. Um modelo estocstico de simulao tem uma ou mais variveis aleatrias como
entrada. Estas entradas aleatrias levam a sadas aleatrias que podem somente ser consideradas como estimativas das caractersticas verdadeiras de um modelo. Assim, por exemplo, a simulao (estocstica) do funcionamento de uma agncia bancria envolve variveis aleatrias
como o intervalo entre chegadas e a durao dos servios prestados.
Logo, medidas como o nmero mdio de clientes esperando e o tempo mdio de espera
de um cliente devem ser tratados como estimativas estatsticas das medidas reais do sistema.
Os modelos de simulao dinmicos podem ser Discretos ou Contnuos. Em uma simulao discreta, considera-se somente os eventos em que h alterao do sistema, ou seja,
o tempo decorrido entre alteraes do estado do sistema no relevante para a obteno
dos resultados da simulao , embora o tempo nunca pare. Alguns autores a chamam de
Simulao de Eventos Discretos, enfatizando assim que a discretizao se refere apenas
ocorrncia dos eventos ao longo do tempo.
Um exemplo seria a simulao de uma agncia bancria no qual entre a chegada (ou
a sada) de clientes, o estado do sistema no se altera. Numa Simulao Contnua o sistema
se altera a cada frao de tempo. Exemplos clssicos so a simulao de um avio voando e
a passagem de gua por uma barragem.
Seo 6.5
Etapas de um projeto de simulao
As etapas bsicas de um projeto de simulao so:
1. Formulao do problema: Cada projeto deve comear com a definio do problema a ser
resolvido. importante que a definio esteja clara para todos que participam do projeto.
154
EaD
2. Determinao dos objetivos e planejamento global do projeto: O objetivo indica as

questes que devem ser respondidas pela simulao. Neste ponto deve ser considerado se
a simulao a metodologia apropriada para o problema. Nesta fase deve-se fazer tambm uma estimativa do tamanho da equipe envolvida, custo, tempo, etc...
3. Construo do modelo: A construo do modelo de um sistema provavelmente mais arte

que cincia. Embora no seja possvel fornecer um conjunto de instrues que possibilitem
construir a cada vez modelos apropriados, existem algumas linhas mestras que podem ser
seguidas. A arte de modelar melhorada se conseguimos extrair as partes essenciais de um
problema, selecionar e modificar as consideraes bsicas que caracterizam o sistema e
ento enriquecer e elaborar o modelo at a aproximao de resultados teis. Assim melhor
comear com um modelo simples e ir aumentando sua complexidade. A complexidade do
modelo, entretanto, no necessita exceder o necessrio para acompanhar os propsitos para
os quais o modelo foi construdo. No necessrio se ter uma relao de um para um entre
o modelo e o sistema real. Somente a essncia do sistema real necessria. indispensvel
envolver o usurio na construo do modelo. Isto faz com que a qualidade do modelo resultante fique melhor e aumenta a confiana do usurio na sua futura aplicao. Somente
exerccios e a prtica ajudam na construo de modelos melhores.
4. Coleta de dados: H uma interao constante entre a construo de um modelo e a coleta

dos dados de entrada necessrios. Geralmente quanto mais complexo o modelo, mais dados
so necessrios. Como a coleta de dados toma um tempo muito grande do tempo total de
um projeto de simulao, necessrio comear esta coleta o mais cedo possvel.
5. Codificao: Como a maioria dos sistemas do mundo real resulta em modelos que requerem um grande nmero de informaes e de clculos, o modelo deve ser programado em
um computador digital. O modelador deve decidir se programa em uma linguagem de
programao comum como Java, C, Pascal, Basic, etc..., ou se usa um pacote como o
Arena, Simul, Promodel, Crystal Ball, etc... Como codificar um modelo leva, normalmente, muito tempo, mesmo se a equipe possui bons programadores, a tendncia atual no
mercado se trabalhar com pacotes. preciso que mencionar tambm o uso de planilhas
(Excel) para se construir modelos de simulao.
6. Testes: Aps a codificao dos programas necessrio test-los para verificar se eles no
tm algum erro de programao. Deve-se preparar um conjunto de dados com a finalidade
exclusiva de testar os programas.
7. Validao: Nesta fase se verifica se o modelo uma representao precisa do sistema que
se quer modelar. nesta fase que se faz a chamada calibragem do modelo, ou seja, so
feitos ajustes at que os resultados nos deem garantias de que o modelo uma boa representao do problema sendo modelado.
155
EaD
8. Produo: Nesta etapa o modelo colocado em produo e os dados obtidos so analisados. A produo pode envolver a execuo, vrias vezes, do modelo, variando-se os dados
e os parmetros de entrada.
9. Avaliao global dos resultados: Nesta fase avalia-se se os resultados obtidos esto condizentes com os esperados. Caso sejam encontradas discrepncias podemos ter de voltar
etapa de construo do modelo.
10. Documentao e instituio: fundamental, como em qualquer projeto, que a simulao seja documentada de forma clara e concisa. Os resultados obtidos tambm devem ser documentados e arquivados. A execuo, se o usurio participou do processo,
tende a ser bem mais simples do que nos casos em que o usurio no teve uma participao ativa.
Exemplo: quebra de rolamentos

Uma grande mquina industrial tem 3 rolamentos diferentes que quebram de tempos
em tempos. A probabilidade da vida til (em horas de operao) de um rolamento est dada
no quadro a seguir:
Quando um rolamento quebra, a mquina para e um mecnico chamado para instalar um novo rolamento no lugar do que quebrou. O tempo que o mecnico demora para
chegar ao rolamento quebrado tambm uma varivel aleatria, com a distribuio dada
no quadro a seguir:
156
EaD
Cada minuto que a mquina fica parada custa R$ 5 e o custo do mecnico de R$ 1/

minuto trabalhando substituindo rolamento. O mecnico demora 20 minutos para trocar 1
rolamento, 30 minutos para trocar 2 e 40 minutos para trocar os 3. Cada rolamento novo
custa R$ 20. Algum sugeriu que ao quebrar um dos rolamentos, se fizesse logo a troca dos
3. Deseja-se avaliar a situao do ponto de vista econmico.
Soluo
Temos de comparar o custo da alternativa atual e da alternativa proposta. Precisamos
estabelecer um horizonte de tempo para fazer esta comparao. Considerando que a menor
vida til de um rolamento 1.000 horas (mais de 1 ms), vamos estabelecer um horizonte de
20.000 horas (um pouco mais de 2 anos) para fazer a comparao.
Como a vida til dos rolamentos e a espera pelo mecnico so variveis aleatrias que
seguem as distribuies vistas anteriormente, precisamos relacionar aquelas distribuies
com uma tabela de nmeros aleatrios. Assim sendo, vamos imaginar que temos um gerador de nmeros aleatrios capaz de gerar qualquer inteiro entre 0 e 99, ou seja 100 nmeros. Vamos atribuir a cada durao de vida til uma faixa destes nmeros que me garanta
que a distribuio probabilstica seja mantida. Como a 1 vida til (1.000 horas) tem 10% de
probabilidade de ocorrer, vamos atribuir a esta durao a faixa de 0 a 9 inclusive, ou seja, 10
nmeros (10% dos 100 nmeros). Para a 2 durao provvel (1.100 horas), com 13% de
probabilidade de ocorrncia, vamos atribuir a faixa de 10 a 22 inclusive, ou seja, 13 nmeros. Podemos continuar para as demais duraes provveis dos rolamentos, como pode ser
visto no quadro a seguir, ressaltando que a probabilidade acumulada d o limite das faixas
escolhidas.
Quadro semelhante pode ser construdo para a espera pela chegada do mecnico.
157
EaD
Com os dados dos quadros anteriores, podemos executar a simulao que, neste
caso, foi realizada numa planilha Excel , apresentando os seguintes resultados para o rolamento 1:
Podemos observar na planilha que para cada sequncia ou seja, rolamento novo,
gerado um nmero aleatrio que indica qual a vida til daquele rolamento. Tendo quebrado, aps esta vida til, o mecnico chamado e um 2 nmero aleatrio gerado para
definir o tempo de espera at a troca do rolamento ser iniciada.
Quando a vida acumulada ultrapassa 20.000 horas, ou seja, a durao da simulao,
paramos a execuo do processo. Processos semelhantes foram executados para os outros 2
rolamentos, como destacado a seguir.
158
EaD
Com os dados obtidos na simulao, podemos calcular o custo da situao atual:

Custo dos rolamentos = (15 + 16 + 16) R$ 20 = R$ 940,00
Custo da mquina parada esperando pelo mecnico = (120 + 130 + 130) R$ 5 = R$1.900
Custo da mquina parada trocando rolamento = (15 + 16 + 16) 20 R $5 = R$ 4.700
Custo do mecnico = (15 + 16 + 16) 20 R$ 1 = R$ 940
Custo total = 940 + 1.900 + 4.700 + 940 = R$ 8.480

159
EaD
A simulao da situao proposta apresentou os seguintes resultados:
NA = No aleatrio
Feita a simulao da situao proposta, podemos calcular os custos:

Custo dos rolamentos = (18 3) R$ 20 = R$ 1.080
Custo da mquina parada esperando pelo mecnico = 105 R$ 5 = R$ 525
Custo da mquina parada trocando rolamento = 18 40 R$ 5 = R$3.600
Custo do mecnico = 18 40 R$ 1 = R$ 720
Custo total =1.080+ 525 + 3.600 + 720 = R$ 5.925
Assim a simulao nos mostrou que a situao proposta bem melhor em termos econmicos.
EXERCCIO (LISTA 11)

1. Utilizando a planilha Excel, simule o exemplo dos rolamentos para 200.000 horas. Execute vrias replicaes e calcule as mdias dos custos (soluo atual e soluo proposta).
Comente os resultados obtidos.
160
EaD
SNTESE DA UNIDADE 6
A simulao consiste na utilizao de certas tcnicas matemticas, empregadas em computadores, as quais permitem imitar o funcionamento de, praticamente, qualquer tipo de operao ou processo do mundo real, ou seja, o estudo do comportamento de
sistemas reais mediante o exerccio de modelos. um processo de
projetar um modelo computacional de um sistema real e conduzir
experimentos com este modelo com o propsito de entender seu
comportamento e/ou avaliar estratgias para sua operao. Desta
maneira, podemos entender a simulao como um processo amplo
que engloba no apenas a construo do modelo, mas todo o mtodo experimental que se segue, buscando descrever o comportamento do sistema, construir teorias e hipteses considerando as
observaes efetuadas, e usar o modelo para prever o comportamento futuro, isto , os efeitos produzidos por alteraes no sistema ou nos mtodos empregados em sua operao.
161
EaD
Referncias
ANDRADE, E. L. Introduo pesquisa operacional. 2. ed. Rio de Janeiro: LTC, 2000.

BRONSON, R. Pesquisa operacional. So Paulo: McGraw-Hill, 1985.
LACHTERMACHER, Gerson. Pesquisa operacional na tomada de decises . Rio de Janeiro:
Campus, 2002.
PRADO, Darci. Programao linear. Belo Horizonte: DG, 1999.
SILVA, E. M. et al. Pesquisa operacional para os cursos de Economia, Administrao e Cin-
cias Contbeis . So Paulo: Atlas, 1998.

SILVA, E. M. et al. Pesquisa operacional para os cursos de Economia, Administrao e
Cincias Contbeis. So Paulo: Atlas, 2009.
WAGNER, Harvey M. Pesquisa operacional. 2. ed. Rio de Janeiro: Prentice-Hall do Brasil,
1986.
Referncias Complementares
ECK, Roger D. Operations research for business . Wadsworth, Belmont-California, 1976. 757p.
HILLIER, F.; LIBERMAN, G. Introduction to operation research. So Paulo: McGraw-Hill,
1980.
PIDD, Mike. Modelagem empresarial ferramentas para tomada de deciso. Porto Alegre:
Artes Mdicas, 1998.
CHWIF, L.; MEDINA, A. Modelagem e simulao de eventos discretos: teoria & prtica, So
Paulo: Bravarte, 2006.
FREITAS FILHO, P. J. Introduo modelagem e simulao de sistemas. Florianpolis: Visual Books, 2008.
PRADO, S. H. Teoria das Filas e da Simulao. Belo Horizonte: Desenvolvimento Gerencial,
2004.
SALIBY, E. Repensando a simulao: a amostragem descritiva. So Paulo: Atlas, 1989.
BRUNSTEIN, Israel. Controladoria e competitividade. CONGRESSO BRASILEIRO DE
GESTO ESTRATGICA DE CUSTOS, 1., So Leopoldo, 1995. Anais... So Leopoldo:
Unisinos, 1995. p. 20-30.
163
EaD
EHRLICH, Pierre Jacques. Pesquisa operacional: curso introdutrio. So Paulo: Atlas, 1991.
MARTINS, Eliseu. Contabilidade de custos . So Paulo: Atlas, 1990.
MARTINS, Eliseu. Contabilidade de custos: livro de exerccios. So Paulo: Atlas, 1994.
SOUZA, Maria Caroline A. F. de; BACIC, Miguel Juan. Desenvolvimento da cooperao
entre empresas como instrumento para enfrentar os custos da complexidade. CONGRESSO
BRASILEIRO DE GESTO ESTRATGICA DE CUSTOS, 1., So Leopoldo, 1995. Anais...
1995. p. 304-308.
SLACK, Nigel. Administrao da produo. So Paulo: Atlas, 1997.
164

EaD Pesquisa Operacional

Enviado por

Direitos autorais:

Formatos disponíveis

EaD Pesquisa Operacional

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

EaD Pesquisa Operacional

Enviado por

Direitos autorais:

Formatos disponíveis

EaD

UNIVERSIDADE REGIONAL DO NOROESTE DO ESTADO DO RIO GRANDE DO SUL UNIJU

Coleo Educao a Distncia

Iju, Rio Grande do Sul, Brasil

2012, Editora Uniju

Martin Ledermann N ivia Maria Kinalski

Editor: Gilmar Antonio Bedin

CONHECENDO OS AUTORES ..................................................................................................... 5

Martin Ledermann N ivia Maria Kinalski

UNIDADE 3 PROBLEMA DO TRANSPORTE .......................................................................91

Martin Ledermann N ivia Maria Kinalski

Operacional, Economia Rural e Gesto da Produo, Logstica e

Nivia Maria Kinalski

Martin Ledermann N ivia Maria Kinalski

faz a Fora (convnio Sicredi x Uniju); do Colegiado do antigo

Constitumos esta obra com o propsito de provar a aplicabilidade da Matemtica, ou

Martin Ledermann N ivia Maria Kinalski

O Que Vamos Estudar

Teoria das Filas

Quadro 1: Contedo programtico.

Martin Ledermann N ivia Maria Kinalski

CONHECENDO A PESQUISA OPERACIONAL

AS SEES DESTA UNIDADE

Martin Ledermann N ivia Maria Kinalski

PERCEPO DA DEMANDA POR SOLUO

Martin Ledermann N ivia Maria Kinalski

1.3.1 CARACTERSTICAS DO PROCESSO DECISRIO

Martin Ledermann N ivia Maria Kinalski

O processo decisrio tambm inclui interesses e objetivos diferentes dos participantes.

c) Processo inclui valores subjetivos

d) Processo em ambiente institucional

1.3.2 CLASSIFICAO DAS DECISES

1.3.3 QUALIDADE DAS DECISES

Martin Ledermann N ivia Maria Kinalski

1.3.4 OBSTCULOS A UMA DECISO DE QUALIDADE

a) Escolha do problema certo para resolver

Martin Ledermann N ivia Maria Kinalski

No campo da Administrao, os sistemas com os quais os administradores lidam tm a

Martin Ledermann N ivia Maria Kinalski

AS SEES DESTA UNIDADE

Martin Ledermann N ivia Maria Kinalski

a) Determinao das variveis de deciso

b) Determinao da funo objetivo

c) Determinao das restries

Modelo em Programao Linear: Exemplo 1

a) Determinao das Variveis de Deciso

b) Determinao da Funo Objetivo

Martin Ledermann N ivia Maria Kinalski

c) Determinao das Restries

Se o nmero de horas disponvel fosse de no mnimo 12 horas, utilizaramos o sinal de

Segunda restrio: nmero de funcionrios

Terceira restrio: demanda de X1

x1 (menor ou igual) 20 unidades

Quarta restrio: demanda de x2

x2 (menor ou igual) 28 unidades

Se a demanda para x 2 fosse de no mnimo 28 unidades, utilizaramos o sinal de

Martin Ledermann N ivia Maria Kinalski

Modelo em Programao Linear: Exemplo 2:

a) Determinao das Variveis de Deciso