Dualidade

OUTUBRO de 2017 DUALIDADE E ANÁLISE
DE SENSIBILIDADE
TRABALHO DE INVESTIGAÇÃO
INVESTIGAÇÃO OPERACIONAL
GRUPO 1
Dualidade e Análise de Sensibilidade
ÍNDICE
SUMÁRIO
1. INTRODUÇÃO ............................................................................................................................................ 2
2. OBJECTIVOS ............................................................................................................................................... 3
2.1. Gerais........................................................................................................................................................ 3
2.2. Específicos .............................................................................................................................................. 3
3. METODOLOGIA ......................................................................................................................................... 3
4. DUALIDADE................................................................................................................................................ 4
4.1. A ESSÊNCIA DA TEORIA DA DUALIDADE .................................................................................. 6
4.2. Origem do Problema Dual ................................................................................................................ 7
4.2.1. Relações Entre o Par de Problemas Duais......................................................................... 7
4.2.2. propriedades ................................................................................................................................ 8
4.3. Algoritmo Dual Simplex ................................................................................................................. 13
4.3.1. Algoritmo Dual Aplicado ao Problema Primal.............................................................. 13
4.4. Interpretação económica............................................................................................................... 15
4.4.1. Propriedade dos Desvios Complementares................................................................... 15
5. ANÁLISE DE SENSIBILIDADE ........................................................................................................... 20
6. CONCLUSÃO ............................................................................................................................................ 29
7. REFERÊNCIAS BIBLIOGRÁFICAS .................................................................................................... 30
1. INTRODUÇÃO
O presente documento refere-se ao trabalho de investigação científica da disciplina de

Investigação Operacional, dado pelo docente com o objectivo de melhorar as habilidades dos
estudantes a busca de informação de caracter científico.
O trabalho tem como tema Dualidade e análise de Sensibilidade. Uma das descobertas mais
importantes nos primórdios do desenvolvimento da programação linear foi o conceito da
dualidade e suas diversas ramificações importantes.
Essa descoberta revelou que todo problema de programação linear tinha associado a ele outro
problema de programação linear chamado dual. As relações entre o problema dual e o problema
original (denominado primal) provam ser extremamente úteis de uma série de maneiras.
Uma das questões-chave da teoria da dualidade reside na interpretação e implementação da

análise de sensibilidade. A análise de sensibilidade é uma parte muito importante de quase todo
estudo de programação linear. Pelo facto de a maioria dos valores dos parâmetros usados no
modelo original ser apenas estimativas de condições futuras, o efeito na solução óptima, caso
outras condições prevaleçam, precisa ser investigado. Além disso, os valores de certos
parâmetros (como as quantidades de recursos) podem representar decisões gerenciais em cujo
caso a escolha dos valores dos parâmetros pode ser a principal questão a ser estudada, o que pode
ser feito por meio da análise de sensibilidade.
2. OBJECTIVOS
2.1. GERAIS
Este trabalho foi dado com objectivo de aperfeiçoar as capacidades dos estudantes na
investigação de temas de caracter científico e na sua aplicação no dia-a-dia.
2.2. ESPECÍFICOS
Identificar os parâmetros sensíveis que afectam a solução óptima;

Estimar esses parâmetros sensíveis de forma mais precisa;
Selecionar uma solução que permaneça válida ao longo do intervalo de valores prováveis
dos parâmetros sensíveis.
3. METODOLOGIA
4. DUALIDADE
Todo problema de programação linear tem associado a si um problema de programação linear

dual. Há uma série de relações extremamente úteis entre o problema original (primal) e seu
problema dual que melhoram nossa capacidade de análise do problema primal. Por exemplo, a
interpretação econômica do problema dual fornece os preços-sombra que medem o valor
marginal dos recursos no problema primai e fornece uma interpretação do método simplex. Pelo
facto de o método simplex ser aplicado diretamente a qualquer um dos problemas de modo a
solucioná-los simultaneamente, algumas vezes uma grande quantidade de processamento é
poupada lidando-se diretamente com o problema dual. A teoria da dualidade, inclusive o método
simplex dual para trabalhar com soluções básicas super-óptimas, também desempenha papel
fundamental na análise de sensibilidade.
Definições/ Conceitos
a) Função objectivo (f.o.) é uma função matemática que descreve o objectivo que se
pretende alcançar.
b) Dualidade significa a existência de um outro problema de PL, associado a cada problema

de PL.
Os problemas primal (P) e dual (D) são conhecidos por par de problemas duais (𝑷) − (𝑫)
(𝑷) − (𝑫) são suportados pelo mesmo sistema de parâmetros;

A resolução de um deles constitui a resolução simultânea do outro;
A solução de um, está completamente determinada pela solução do outro.
c) O par de problemas duais (𝑷) − (𝑫) não é mais do que um par de representações
matemáticas do mesmo problema real.
d) Linha pivot é a linha que contem o menor termo independente negativo no quadro.
e) Coluna pivot é a coluna que contem o mínimo quociente positivo entre os custos
reduzidos negativos pelos respectivos negativos da linha pivot.
f) Zj é a coluna correspondente a variáveis de folga, variáveis sedentários ou artificiais.

4.1. A ESSÊNCIA DA TEORIA DA DUALIDADE
O termo dualidade refere-se ao facto de que cada modelo de programação linear consiste de duas
formas. A primeira, sendo a original, é chamada primal e a segunda forma do modelo é chamada
de dual. Os modelos primal e dual são completamente inter-relacionados de tal maneira que a
solução óptima de um fornece informações completas sobre o outro.
Em determinadas situações, a quantidade de cálculos necessários para resolver um modelo linear

pelo método simplex pode ser reduzida. O modelo primal pode ser substituído por um modelo
dual com solução mais rápida.
Observações:
i. Variáveis de decisão do modelo dual: indicam o valor do recurso por unidade.

ii. Função objectivo: calcula o valor total do stock de recursos.
iii. Variáveis de decisão do modelo dual: o modelo dual permite determinar o valor mínimo;
por exemplo, o stock total pelo menos iguais lucros unitários fornecidos (Silva, 1998).
No quadro óptimo primal podemos ler a solução óptimo dual e ela encontra-se na linha Zj e com
sinal simétrico na linha dos custos reduzidos (colunas correspondentes as variáveis de decisão).
4.2. ORIGEM DO PROBLEMA DUAL
4.2.1. RELAÇÕES ENTRE O PAR DE PROBLEMAS DUAIS
Um Problema O Outro Problema

1 Uma restrição Uma variável
2 Uma variável Uma restrição
3 Matriz A Matriz A transposta
4 Um coeficiente da f.o Um termo independente
5 Um termo independente Um coeficiente da f.o
6 Um problema de maximização com Um problema de minimização com restrições
restrições de desigualdade do tipo (≤) de desigualdade do tipo (≥)
7 Um problema de minimização com restrições Um problema de maximização com
de desigualdade do tipo (≥) restrições de desigualdade do tipo (≤)
Seja o seguinte problema de programação linear, em forma literal:
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + 𝑐3 𝑥3
Sujeito a:
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 ≤ 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 ≤ 𝑏2
𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 ≤ 𝑏3
Com 𝑥𝑖 ≥ 0 para 𝑖 = 1,2 𝑒 3
O dual desse problema pode ser escrito da seguinte maneira:

𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑊 = 𝑏1 𝑦1 + 𝑏2 𝑦2 + 𝑏3 𝑦3
Sujeito a:
𝑎11 𝑦1 + 𝑎12 𝑦2 + 𝑎13 𝑦3 ≥ 𝑐1
𝑎21 𝑦1 + 𝑎22 𝑦2 + 𝑎23 𝑦3 ≥ 𝑐2
𝑎31 𝑦1 + 𝑎32 𝑦2 + 𝑎33 𝑦3 ≥ 𝑏3
Com 𝑦𝑖 ≥ 0 para 𝑖 = 1,2 𝑒 3
De acordo com PRADO (1999), para modelos que as restrições são desigualdades do tipo ≤
(menor ou igual), o modelo dual é constituído a partir do primal da seguinte maneira:
i. Cada restrição em um problema corresponde a uma variável no noutro.

ii. Os elementos do lado direito das restrições são os coeficientes da função objectivo do
outro problema.
iii. Se o objectivo é maximizar, do outro será minimizar.
iv. O problema de maximização tem restrições com sentido ≥ (maior ou igual).
v. As variáveis de ambos os problemas são não negativas.
4.2.2. PROPRIEDADES
4.2.2.1. Formas Canónica e Padrão de Dualidade
Problema Primal Problema Dual
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 𝑐 𝑡 𝑋 𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑊 = 𝑏 𝑡 𝑌
Sujeito a Sujeito a
𝐴𝑋 ≤ 𝑏 𝐴𝑡 𝑌 ≥ 𝑐
X≥ 0 Y≥ 0
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 𝑐 𝑡 𝑋 𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑊 = 𝑏 𝑡 𝑌
Sujeito a Sujeito a
𝐴𝑋 = 𝑏 𝐴𝑡 𝑌 ≥ 𝑐
X≥ 0 Y 𝑙𝑖𝑣𝑟𝑒
4.2.2.2. Teorema 1- Fraco de Dualidade
Considerando um par de problemas duais na forma canónica:
 O valor da função objectivo de qualquer solução admissível do problema primal, não

excede o valor da função objectivo do problema dual.
4.2.2.3. Teorema 2- Relações Entre as Soluções Óptimas Primal e Dual
Se o primal tem solução óptima (i.e. tem óptimo finito) então o respectivo dual também tem e os
correspondentes valores óptimos z* e w* coincidem.
4.2.2.4. Teorema Fundamental da Dualidade
i. Um problema de PL tem óptimo finito se e só existirem soluções admissíveis para os

problemas primal-dual.
ii. Se algum dos problemas não tem óptimo finito, então o outro não possui soluções
admissíveis, i.e., é impossível.
Segundo o Teorema fundamental da dualidade para os problemas primal-dual, verifica-se uma e

só uma das seguintes situações:
Ambos têm soluções óptimas X* e Y* e os valores óptimos das respectivas funções

objectivo coincidem:
𝒛 ∗ = 𝒘 ∗;
Se um problema não tem óptimo finito, então o outro é impossível;
Ambos os problemas são impossíveis.
4.2.2.5. Restrições Saturadas e não Saturadas
Uma restrição encontra-se saturada caso se verifica a igualdade.

 Se 𝑷𝒊 𝑿 = 𝒃𝒊 para o problema primal.
 Se 𝒀𝒕 𝑷𝒋 = 𝒄𝒋 para o problema dual
Caso contrário a restrição, encontra-se não saturada.

 Se 𝑷𝒊 𝑿 < 𝒃𝒊 para o problema primal.
 Se 𝒀𝒕 𝑷𝒋 > 𝒄𝒋 para o problema dual
4.2.2.6. Teorema 3 - Propriedade dos Desvios Complementares
Se X* e Y* são soluções óptimas para o primal (P) e dual (D), respectivamente, então verificam
a seguinte propriedade designada como propriedade dos desvios complementares ou
complementaridade das slacks:
i. Se uma variável de decisão de qualquer dos problemas for não nula na solução óptima,
então, no outro problema a restrição associada a essa variável encontra-se saturada, i.e., a
variável de folga correspondente é nula.
ii. Se uma restrição de qualquer dos problemas não se encontra saturada na solução óptima
desse problema (se uma variável de folga é positiva) então, no outro problema, a variável
de decisão associada a essa restrição é nula.
Em síntese a propriedade dos desvios complementares pode resumir-se pelas seguintes

expressões:
𝒙∗𝒋 = (𝒀∗𝒕 𝑷𝒋 − 𝑪𝒋 ) = 𝟎; ∀𝒋 = 𝟏; … ; 𝒏
𝒙∗𝒋 ∗ 𝒀∗𝒎+𝒋 = 𝟎; ∀𝒋 = 𝟏; … ; 𝒏 → é nulo o produto da j-ésima variável de decisão do primal

pela j-ésima variável de folga do dual.
𝒚∗𝒋 = (𝑪𝒊 − 𝑿∗𝒕 𝑷𝒊 ) = 𝟎; ∀𝒊 = 𝟏; … ; 𝒎
𝒚∗𝒊 ∗ 𝑿∗𝒏+𝒊 = 𝟎; ∀𝒊 = 𝟏; … ; 𝒎 → é nulo o produto da i-ésima variável de decisão do dual

pela i-ésima variável de folga do primal.
I. Se a variável de decisão do primal é positiva então a variável de folga correspondente

do dual é nula.
𝒙∗𝒋 > 𝟎 → 𝒀∗𝒎+𝒋 = 𝟎
 A restrição do problema dual associada a essa variável encontra-se saturada

 A variável de folga do problema dual associada a essa restrição é nula
 ∗
𝐘𝐦+𝐣 =𝟎
II. Se a variável de folga do dual é positiva então a variável de decisão correspondente

do primal é nula.
𝒀∗𝒎+𝒋 > 𝟎 → 𝒙∗𝒋 = 𝟎
 A restrição do problema dual associada encontra-se não saturada → 𝒀∗𝒎+𝒋 > 𝟎
III. Se a variável de decisão do dual é positiva então a variável de folga correspondente

do primal é nula.
𝒚∗𝒋 > 𝟎 → 𝑿∗𝒎+𝒋 = 𝟎
IV. Se a variável de folga do primal é positiva então a variável de decisão correspondente

do dual é nula.
𝑿∗𝒎+𝒋 > 𝟎 → 𝒚∗𝒋 = 𝟎
A variáveis de decisão primais positivas correspondem restrições duais saturadas (i.e. Variáveis
de folga duais nulas, slacks nulas);
As restrições duais não saturadas (i.e., variáveis de folga duais positivas, slacks positivas)
correspondem variáveis de decisão primais nulas; e reciprocamente:
A variáveis de decisão duais positivas correspondem restrições primais saturadas (i.e.,

variáveis de folga primais nulas, slacks nulas);
A restrições primais não saturadas (i.e., variáveis de folga primais positivas, slack
positivo) correspondem variáveis de decisão duais nulas.
4.3. ALGORITMO DUAL SIMPLEX
O algoritmo dual Simplex consiste em partir duma solução básica admissível dual (SBAD), a
que corresponde uma solução básica não admissível primal (SBNAP),prosseguindo até:
i. Se atingir uma solução básica admissível primal (SBAP) e concluir que o problema tem
óptimo finito.
ii. Nunca se atingir uma solução básica admissível primal, e concluir que o problema dual
não tem óptimo finito, sendo então o primal impossível.
4.3.1. Algoritmo Dual Aplicado ao Problema Primal
Caso 1: Óptimo Finito
No caso de óptimo finito o algoritmo Dual aplicado ao problema primal consiste em partir de
uma solução básica admissível dual, à que corresponde uma solução básica não admissível
primal, prosseguindo de solução básica admissível dual (solução básica não admissível primal)
em solução básica admissível dual (solução básica não admissível primal) até obter um par de
soluções admissíveis do primal e do dual (SBAP e SBAD) que são soluções óptimas para os
respectivos problemas.
Caso 2: Problema Impossível
No caso de problema impossível o algoritmo Dual aplicado ao problema primal consiste em

partir de uma solução básica admissível dual, a que corresponde uma SBNAP, prosseguindo de
solução básica admissível dual (SBNAP) em solução básica admissível dual (SBNAP) sem
nunca atingir uma solução básica admissível primal, e concluir que o dual não tem óptimo finito,
sendo então o primal impossível.
4.3.2. CRITÉRIO DE OPTIMALIDADE
Um quadro dual simplex denomina-se óptimo se não existe algum termo independente negativo,
caso contrario ele não é óptimo.
Caso não seja óptimo, a base associada também não é óptima daí que é preciso proceder-se a
mudança da base.
4.3.2.1. MUDANÇA DA BASE

Para a mudança de base, devera se cumprir os seguintes procedimentos.
PROCEDIMENTOS
Encontrar a linha pivot, a linha pivot contem a variável que abandona a base.
Encontrar a coluna pivot, a coluna pivot contem a variável que entra na base.
Encontrar o pivot, que esta na intersecção da linha pivot e coluna pivot.
Depois da mudança da base é necessário realizar o preenchimento do novo quadro.
PREENCHIMENTO DO QUADRO
Dividir a linha pivô pelo elemento pivô

Transformar os elementos da coluna pivô em zero “0”
Verificar a optimalidade.
O Algoritmo Dual Simplex envolve:
Uma SBAD como ponto de partida à qual corresponde uma SBNAP;

Um mecanismo que determina a passagem para uma nova SBAD "melhor" do que a
anterior;
Critérios de paragem que indicam se o problema primal tem óptimo finito (solução
óptima) ou se o problema primal é impossível (neste caso o problema dual não tem
óptimo finito).
4.4. INTERPRETAÇÃO ECONÓMICA
4.4.1. PROPRIEDADE DOS DESVIOS COMPLEMENTARES
i. Se a variável de decisão do primal é positiva então a variável de folga correspondente do

dual é nula.
Se interpretar a valorização interna
atribuída aos recursos gastos numa
𝒙∗𝒋 > 𝟎 → 𝒀∗𝒎+𝒋 = 𝟎 actividade como um “custo interno”, esta

restrição significa que “custo=lucro”, pelo
𝒙∗𝒋 > 𝟎 → que é rentável que esta actividade esteja
𝒂𝟏𝒋 𝒚𝟏 + ⋯ + 𝒂𝒎𝒋 𝒚𝒎 = 𝒄𝒋
activada a um nível positivo.
Sempre que uma actividade j seja activada a um nível estritamente positivo, a

valorização interna atribuída aos recursos que utiliza deve ser igual ao lucro unitário
que se obtém dessa actividade, i.e., a perda de oportunidade para esta actividade é nula
ii. Se a variável de folga do dual é positiva então a variável de decisão correspondente do

primal é nula. Se interpretar a valorização
interna atribuída aos recursos
𝒀∗𝒎+𝒋 > 𝟎 → 𝒙∗𝒋 = 𝟎 gastos numa actividade como um
“custo interno”, esta restrição
𝒂𝟏𝒋 𝒚𝟏 + ⋯ + 𝒂𝒎𝒋 𝒚𝒎 > 𝒄𝒋 significa que custo> lucro, pelo

𝒀∗𝒎+𝒋 > 𝟎 →
que não é rentável activar esta
actividade.
Se a valorização interna atribuída aos recursos gastos numa actividade j é maior do que o
seu lucro unitário, então com a activação dessa actividade não se está a fazer uma utilização
óptima destes recursos, i.e., essa actividade não é rentável pelo que não deve ser activada.
iii. Se a variável de folga do primal é positiva então a variável de decisão do dual é nula.
𝑿∗𝒎+𝒋 > 𝟎 → 𝒚∗𝒋 = 𝟎 Esta restrição não está saturada,
𝒂𝟏𝒋 𝒚𝟏 + ⋯ + 𝒂𝒎𝒋 𝒚𝒎 > 𝒄𝒋 i.e., que este recurso não está

𝑿∗𝒎+𝒋 > 𝟎 →
esgotado, é abundante.
Se a capacidade não utilizada do recurso i é positiva, então a valorização interna (preço

sombra) deste recurso é nula, i.e., este recurso é abundante ("mercadoria grátis"), o
preço das mercadorias que estão em excesso, deve cair até zero por lei da oferta-procura.
iv. Se a variável de folga do primal é nula então a variável de decisão do dual é positiva.
𝑿∗𝒎+𝒋 = 𝟎 → 𝒚∗𝒋 > 𝟎
Como a variável de folga é

nula, esta restrição está
𝑿∗𝒎+𝒋 = 𝟎 →
𝒂𝟏𝒋 𝒚𝟏 + ⋯ + 𝒂𝒎𝒋 𝒚𝒎 = 𝒄𝒋 saturada, i.e., este recurso
está esgotado, é escasso.
Se a capacidade não utilizada do recurso i é nula, então a valorização interna (preço

sombra) deste recurso é positiva, i.e., este recurso é escasso ("não há sobras“).Por cada
unidade extra que seja incrementado este recurso i, obtém-se um incremento de 𝒚𝒊* na f.o.
(lucro total).
Par de problemas Primal

(unidades físicas) (unidades monetárias)
As variáveis de folga primais As variáveis de decisão duais

m
representam a capacidade não representam os preços
RECURSOS utilizada dos recursos sombras dos recursos
As variáveis de decisão primais As variáveis de folga duais

n
representam os níveis das representam a perda de
ACTIVIDADES actividades oportunidade das actividades
Lucro total das Valorização interna total dos

f.o. actividades → maximizar
recursos gastos pelas
actividades→ minimizar
4.5. EXEMPLO
PROBLEMA:
A empresa CONSMART,LDA é uma empresa dedicada na produção de artigos de madeira e

vidro (janelas e portas). A empresa decidiu organizar a produção em 3 sectores, nomeadamente:
I. Sector 1: dedicada na produção de portas, recebe uma porta e tem a capacidade máxima
disponível de 4portas/min.
II. Sector 2: produção de janelas recebe duas janelas e tem capacidade máxima disponível de
12janelas/min.
III. Sector 3: sector de acabamentos; realiza acabamentos de portas e janelas e monta vidros.
A secção 3 tem uma capacidade máxima disponível de 18. Lucro de uma porta esta estimada em
3 meticais e de uma janela em 5 meticais.
RESOLUÇÃO:
Sendo que o objectivo da empresa é maximizar o lucro:
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 3𝑥1 + 5𝑥2

Sendo:
Sujeito a:
𝑥1 →Portas
𝑥1 ≤ 4
𝑥1 →Janelas
2𝑥2 ≤ 12
3𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0
Quadro simplex Optimo
Cj 3 5 0 0 0
CB Xb X1 X2 X3 X4 X5 b
0 X3 0 0 1 1⁄ 1⁄ 2
3 3
5 X2 0 1 0 1⁄ 0 6
2
3 X1 1 0 0 −1⁄ 1⁄ 2
3 3
Zj 3 5 0 3⁄ 1 36
2
Cj-Zj 0 0 0 −3⁄ -1
2
Transformação para dual
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑊 = 4𝑦1 + 12𝑦2 + 18𝑦3

Sujeito a:
𝑦1 + 3𝑦3 ≥ 3
2𝑦2 + 2𝑦3 ≥ 5
𝑦𝑖 ≥ 0 para 𝑖 = 1,2 𝑒 3
Quadro Dual Óptimo
Cj 4 12 18 0 0
18 Y3 1⁄ 0 1 0 0 1
3
12 Y2 −1⁄ 1 0 1⁄ −1⁄ 3⁄
3 2 2 2
Zj 2 12 18 −2 -6 36
Zj- Cj -2 0 0 −2 -6
É notável que usando os dois métodos, simplex e dual, a solução do problema é a mesma, neste
caso Zóptimo é 36.
Sendo que a empresa devera passar a produzir 2 portas e 6 janelas por minuto de modo a
ter o máximo lucro.
5. ANÁLISE DE SENSIBILIDADE
De acordo com SILVA (1985), a análise de sensibilidade é uma técnica para avaliar os impactos
que o programa sofre quando existem modificações nas condições de modelagem. A análise de
sensibilidade pode ser definida como o estudo de um modelo de programação matemática
submetido a mudanças em suas condições iniciais.
5.1. A ESSÊNCIA DA ANALISE DE SENSIBILIDADE
Um modelo linear de programação inclui dados cujos valores dependem do mercado e do

processo usado na elaboração dos produtos. Estes dados podem sofrer variações com o tempo ou
com inclusão de novas informações. É importante pesquisar a estabilidade de solução adoptada,
em face dessas variações.
Contudo, a análise de sensibilidade pode ser considerada (e é também chamada) de análise de

Pós-Optimalidade, é o estudo do efeito da solução óptima de alterações efectuadas nos
parâmetros de determinado modelo. Por ser demorada e cara, a análise feita resolvendo-se
novamente o modelo só é adoptada em último caso.
As diferentes categorias de alterações que podem ser analisados são:
Alteração nos termos independentes;

Alterações nos coeficientes da função objectivo;
Introdução de uma nova variável;
Alteração nos coeficientes da matriz das restrições
Introdução de uma nova restrição.
5.1.1. PROCEDIMENTO GENÉRICO

Quando se está testando para verificar quão sensível é uma solução ótima original para os
diversos parâmetros do modelo, a metodologia comum é verificar individualmente cada
parâmetro. Além de encontrar intervalos possíveis essa verificação poderia incluir mudar o valor
do parâmetro de sua estimativa inicial para outras possibilidades no intervalo de valores
possíveis (inclusive os pontos extremos desse intervalo). A seguir, podem ser investigadas
algumas combinações das mudanças simultâneas de valores de parâmetros (por exemplo,
modificar uma restrição funcional inteira).
5.2. ORIGEM DA ANALISE DE SENSIBILIDADE
Quando a solução óptima esta sendo implementada pela empresa várias situações podem ocorrer
na empresa ou no mercado (podendo ser algo interno ou então externo), tais como:
1. A empresa decide aumentar/diminuir a capacidade de produção.- Alteração nos termos

independentes.
2. Devido ao aumento/diminuição da procura no mercado os lucros da empresa vejam-se

aumentados/diminuídos- Alteração nos coeficientes da função objectivo.
3. A empresa decide aumentar/diminuir a capacidade produtiva de alguns dos produtos que

produz- Alteração nos coeficientes do matiz das restrições.
4. A empresa decide introduzir mais um produto na sua linha de produção – Introdução de

uma nova variável.
5. A empresa decide introduzir nova secção/departamento de produção – Introdução de

uma nova restrição.
Com a ocorrência de algum desses casos, deve-se preocupar com a optimalidade

da solução (saber se ainda continua óptima). Essa nessa vertente que surge a
análise de sensibilidade para testar a ate que ponto pode ser sensível a solução
adoptada perante as possíveis alterações na empresa ou então no mercado.
5.2.1. ALTERAÇÃO NOS TERMOS INDEPENDENTES
Implica a alteração os termos independentes e alteração o valor da função objectivo. Se algum

novo termo independente for negativo deve se aplicar o algoritmo dual simplex ate a nova
solução óptima.
PROCEDIMENTO
i. Determinar a nova coluna dos termos independentes segundo a fórmula:

𝒃′𝒋 = 𝒃𝒋 + 𝑩−𝟏 ∗ ∆𝒃𝒋
𝑏𝑗→ Antiga coluna dos termos independentes no quadro óptimo
𝐵 −1 →Inversa da base
ii. Introduzir a nova coluna no quadro óptimo

iii. Recalcular o valor da função objectivo.
iv. Verificar a optimalidade
5.2.2. ALTERAÇÕES NOS COEFICIENTES DA FUNÇÃO OBJECTIVO
No quadro óptimo simplex é alterada a linha dos custos reduzidos

A admissibilidade da solução primal mantém-se, mas pode deixar de ser óptima
A solução dual complementar pode deixar de ser admissível
Pode ocorrer para uma variável básica ou para uma variável não básica.
5.2.2.1. VARIÁVEL NÃO BÁSICA
Altera o correspondente custo reduzido se o novo custo reduzido for positivo.
PROCEDIMENTO
i. Introduzir o novo coeficiente da função objectivo no quadro óptimo.

ii. Calcular o correspondente custo reduzido
iii. Verificar a optimalidade.
5.2.2.2. VARIÁVEL BÁSICA
Altera toda linha 𝑍𝑗 e todos custos reduzidos.

Se existir um novo custo reduzido positivo deve aplicar o algoritmo simplex ate a nova
solução óptima.
PROCEDIMENTO
i. Introduzir um novo coeficiente da função objectivo no quadro óptimo. Introduzir o novo

coeficiente da função objectivo na base.
ii. Recalcular a linha 𝑍𝑗 e a linha dos custos reduzidos
EXEMPLO:
Considerando que a empresa CONSMART,LDA veja os lucros da porta aumentando para 7

meticais e da janela diminuindo para 1 metical. Verificar se a solução continua óptima.
RESOLUÇÃO:
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 7𝑥1 + 𝑥2
Sujeito a: Cj 3 5 0 0 0
𝑥1 ≤ 4 1⁄ −1⁄
0 X3 0 0 1 3 3 2
2𝑥2 ≤ 12 1 X2 0 1 0 1⁄ 0 6
2
7 X1 1 0 0 −1⁄ 1⁄ 2
3𝑥1 + 2𝑥2 ≤ 18 3 3
Zj 7 1 0 1⁄ 7⁄ 20
6 3
𝑥1 , 𝑥2 ≥ 0 −1⁄ −7⁄
Cj-Zj 0 0 0 6 3
RESPOSTA:
A solução continua sendo óptima, a empresa poderá continuar a produzir 2 portas e 6 janelas por
minuto de modo a ter o máximo lucro.
5.2.3. INTRODUÇÃO DE UMA NOVA VARIÁVEL
PROCEDIMENTO
i. Introduzir uma nova coluna no quadro óptimo correspondente a nova variável.

ii. Calcular o correspondente 𝑍𝑗 e o custo reduzido.
EXEMPLO:
Supondo que a empresa CONSMART,LDA decida introduzir um novo produto na sua linha de
produção que terá três unidades produtivas na secção 1 e dois na secção 2 e uma na secção 3. o
lucro unitário esta estimado em 4 meticais.
RESOLUÇÃO:
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 3𝑥1 + 5𝑥2 + 4𝑥6
Sujeito a:
𝑥1 + 2𝑥6 ≤ 4
Cj 3 5 0 0 0
2𝑥2 + 3𝑥6 ≤ 12 CB Xb X1 X2 X3 X4 X5 X6 b
0 X3 0 0 1 1⁄ −1⁄ 2 2
3𝑥1 + 2𝑥2 + 𝑥6 ≤ 18 3 3
1 X2 0 1 0 −1⁄ 0 3 6
2
𝑥1 , 𝑥2 , 𝑥6 ≥ 0 7 X1 1 0 0 −1⁄ 1⁄ 1 2
3 3
Zj 3 5 0 3⁄ 1 18 36
2
Cj-Zj 0 0 0 −3⁄ −1 −14
2
RESPOSTA:
A solução continua sendo óptima, a empresa poderá continuar a produzir 2 portas e 6 janelas por
minuto de modo a ter o máximo lucro e o Zóptimo não altera.
5.2.4. ALTERAÇÃO NOS COEFICIENTES DAS MATRIZ DAS RESTRIÇÕES
PROCEDIMENTO
Determinar a nova coluna da variável cujos coeficientes foram alterados usando a

fórmula:
𝑿′𝒋 = 𝒙𝒋 + 𝑩−𝟏 ∗ ∆𝒙𝒋
𝒙𝒋 é a antiga coluna da variável onde houve alterações no quadro óptimo.
Introduzir a nova coluna no quadro óptimo
Transformar a nova coluna na coluna identidade
EXEMPLO:
Supondo que a empresa CONSMART,LDA decida alterar a capacidade produtiva de janelas na

secção 2 e 3 respectivamente de duas para quatro e de duas para seis. Será que a solução
continua óptima?
RESOLUÇÃO:
0−0 0
∆𝑥2 = (4 − 2) = (2)
6−2 4
𝑋𝑗′ = 𝑥𝑗 + 𝐵 −1 ∗ ∆𝑥𝑗
1 1⁄ −1⁄ −2⁄
0 3 3 0 3
(1) + 0 1⁄ 0 ∗ ( 2 ) = ( 2 )
2
0 −1⁄ 1⁄ 4 2⁄3
(0 3 3)
𝐶𝑗 3 5 0 0 0
CB Xb X1 X2 X3 X4 X5 𝑏
0 X3 0 −2⁄ 1 1⁄ −1⁄ 2
3 3 3
5 X2 0 2 0 1⁄ 0 6
2
3 X1 1 2⁄ 0 −1⁄ 1⁄ 2
3 3 3
A solução deixa de ser óptima…
0 X3 0 0 1 1⁄ −1⁄ 4
2 3
5 X2 0 1 0 1⁄4 0 3
3 X1 1 0 0 −1 ⁄2 1⁄ 0
3
𝑍𝑗 3 5 0 1⁄ −1⁄ 4
2 3
𝐶𝑗 − 𝑍𝑗 0 0 0 1⁄4 -1 15
0 X4 0 0 2 1 −2⁄ 8
3
5 X2 0 1 −1⁄ 0 1⁄ 1
2 6
3 X1 1 0 1 0 0 4
𝑍𝑗 3 5 1⁄ 0 5⁄ 17
2 6
𝐶𝑗 − 𝑍𝑗 0 0 −1⁄ 0 −5⁄
2 6
RESPOSTA:
A solução, não contínua óptima, contudo a empresa devera passar a produzir quatro portas e
uma janela por minuto de modo a ter um lucro total de 17 meticais.
5.2.5. INTRODUÇÃO DE UMA NOVA RESTRIÇÃO
PROCEDIMENTO
Transformar a nova restrição para a forma padrão, isto é, adicionar a nova variável de
folga se for do tipo’ ≤ ‘ou ′ <.’
Subtrair a variável excedentária se for do tipo’ > ′ou ′ ≥ ′ ou ainda, adicionar a variável
artificial se for do tipo’ = ′.
Introduzir a nova restrição no quadro óptimo como uma nova linha na tabela. Introduzir
uma nova coluna na tabela correspondente a variável de folga. Transformar às anteriores
colunas identidades em linhas identidades.
EXEMPLO:
Supondo que a empresa CONSMART,LDA devido ao sobre carregamento da secção se

acabamento a empresa decida adicionar nova secção de acabamento, com duas unidades de
capacidade produtiva de portas, 3 de janelas e com uma capacidade máxima disponível de 30.
Será que a solução continua óptima. Deve-se continuar a produzir 2 janelas e 3 portas por
minuto?
RESOLUÇÃO:
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 3𝑥1 + 5𝑥2

Sujeito a:
𝑥1 ≤ 4
2𝑥2 ≤ 12
 3𝑥1 + 2𝑥2 + 𝑥6 = 30
𝑥1 , 𝑥2 ≥ 0
𝐶𝑗 3 5 0 0 0 0
CB Xb X1 X2 X3 X4 X5 X6 𝑏
0 X3 0 −2⁄ 1 1⁄ −1⁄ 0 2
3 3 3
5 X2 0 2 0 1⁄2 0 0 6
3 X1 1 2⁄ 0 −1⁄ 1⁄ 0 2
3 3 3
0 X6 2 3 0 0 0 1 30
A solução deixa de ser óptima…
0 X3 0 0 1 1⁄ −1⁄ 0 2
3 3
5 X2 0 1 0 1⁄2 0 0 6
3 X1 1 0 0 −1⁄ 1⁄ 0 2
3 3
0 X6 0 0 0 −5⁄ −2⁄ 0 8
6 3
𝑍𝑗 3 5 0 3⁄ 1 1 36
2
𝐶𝑗 − 𝑍𝑗 0 0 0 −3⁄ -1 0
2
RESPOSTA:
A solução, não contínua óptima, contudo a empresa devera passar a produzir duas portas e seis
janelas por minuto de modo a ter um lucro máximo de 36 meticais por minuto.
6. CONCLUSÃO
O modelo de programação linear reduz um sistema real a um conjunto de equações ou

inequações onde pretendemos optimizar uma função objectivo. E uma das grandes contribuições
a programação matemática, segundo Goldbarg e Luna (2000) é o algoritmo simplex. O estudo
desse algoritmo na opinião dos autores é inexplicável para quem deseja dominar as técnicas
quantitativas de análise e solução de problemas em um contexto razoavelmente avançado. Deste
modo, eles definem simplex como um algoritmo que utiliza um ferramental baseado na álgebra
Linear para determinar, por método iterativo, a solução óptima de um PPL. Em suma, simplex é
um algoritmo.
De acordo com os autores, dualidade é um conceito amplo que engloba a possibilidade do

tratamento de duas naturezas distintas de uma mesma entidade, ou seja, eles definem duais como
um par de modelo de programação matemática primal e dual. Este par de modelos preservam as
seguintes condições: as funções objectivos são simétricas, isto é, se o primal for de minimização
o dual será de maximização, reciprocamente; são simétricas as descrições das restrições, ou seja,
se na forma canónica o primal possui restrições ≤ então o dual terá restrições ≥; os termos
independentes no primal surgem como os coeficientes da função objectivo no dual,
reciprocamente; a matriz de restrição do primal é a transposta da matriz de restrição do dual,
reciprocamente.
7. REFERÊNCIAS BIBLIOGRÁFICAS
Hillier, Frederick S. INTRODUÇÃO À PESQUISA OPERACIONAL/ Frederick S.

Hillier, Gerald J. Lieberman; tradução Ariovaldo Griesi; revisão técnica João Chang
Junior. - São Paulo: McGraw-Hill, 2006.

Dualidade

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Dualidade

Încărcat de

Drepturi de autor:

Formate disponibile

OUTUBRO de 2017 DUALIDADE E ANÁLISE

O presente documento refere-se ao trabalho de investigação científica da disciplina de

Uma das questões-chave da teoria da dualidade reside na interpretação e implementação da

Identificar os parâmetros sensíveis que afectam a solução óptima;

Todo problema de programação linear tem associado a si um problema de programação linear

b) Dualidade significa a existência de um outro problema de PL, associado a cada problema

(𝑷) − (𝑫) são suportados pelo mesmo sistema de parâmetros;

f) Zj é a coluna correspondente a variáveis de folga, variáveis sedentários ou artificiais.

4.1. A ESSÊNCIA DA TEORIA DA DUALIDADE

Em determinadas situações, a quantidade de cálculos necessários para resolver um modelo linear

i. Variáveis de decisão do modelo dual: indicam o valor do recurso por unidade.

4.2. ORIGEM DO PROBLEMA DUAL

4.2.1. RELAÇÕES ENTRE O PAR DE PROBLEMAS DUAIS

Um Problema O Outro Problema

Seja o seguinte problema de programação linear, em forma literal:

𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 ≤ 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 ≤ 𝑏2

𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 ≤ 𝑏3

Com 𝑥𝑖 ≥ 0 para 𝑖 = 1,2 𝑒 3

O dual desse problema pode ser escrito da seguinte maneira:

𝑎11 𝑦1 + 𝑎12 𝑦2 + 𝑎13 𝑦3 ≥ 𝑐1

𝑎21 𝑦1 + 𝑎22 𝑦2 + 𝑎23 𝑦3 ≥ 𝑐2

𝑎31 𝑦1 + 𝑎32 𝑦2 + 𝑎33 𝑦3 ≥ 𝑏3

Com 𝑦𝑖 ≥ 0 para 𝑖 = 1,2 𝑒 3

i. Cada restrição em um problema corresponde a uma variável no noutro.

4.2.2.1. Formas Canónica e Padrão de Dualidade

Problema Primal Problema Dual

Problema Primal Problema Dual

4.2.2.2. Teorema 1- Fraco de Dualidade

Considerando um par de problemas duais na forma canónica:

 O valor da função objectivo de qualquer solução admissível do problema primal, não

4.2.2.3. Teorema 2- Relações Entre as Soluções Óptimas Primal e Dual

4.2.2.4. Teorema Fundamental da Dualidade

i. Um problema de PL tem óptimo finito se e só existirem soluções admissíveis para os

Segundo o Teorema fundamental da dualidade para os problemas primal-dual, verifica-se uma e

Ambos têm soluções óptimas X* e Y* e os valores óptimos das respectivas funções

4.2.2.5. Restrições Saturadas e não Saturadas

Uma restrição encontra-se saturada caso se verifica a igualdade.

Caso contrário a restrição, encontra-se não saturada.

4.2.2.6. Teorema 3 - Propriedade dos Desvios Complementares

Em síntese a propriedade dos desvios complementares pode resumir-se pelas seguintes

𝒙∗𝒋 ∗ 𝒀∗𝒎+𝒋 = 𝟎; ∀𝒋 = 𝟏; … ; 𝒏 → é nulo o produto da j-ésima variável de decisão do primal

𝒚∗𝒋 = (𝑪𝒊 − 𝑿∗𝒕 𝑷𝒊 ) = 𝟎; ∀𝒊 = 𝟏; … ; 𝒎

𝒚∗𝒊 ∗ 𝑿∗𝒏+𝒊 = 𝟎; ∀𝒊 = 𝟏; … ; 𝒎 → é nulo o produto da i-ésima variável de decisão do dual

I. Se a variável de decisão do primal é positiva então a variável de folga correspondente

𝒙∗𝒋 > 𝟎 → 𝒀∗𝒎+𝒋 = 𝟎

 A restrição do problema dual associada a essa variável encontra-se saturada

II. Se a variável de folga do dual é positiva então a variável de decisão correspondente

III. Se a variável de decisão do dual é positiva então a variável de folga correspondente

𝒚∗𝒋 > 𝟎 → 𝑿∗𝒎+𝒋 = 𝟎

IV. Se a variável de folga do primal é positiva então a variável de decisão correspondente

A variáveis de decisão duais positivas correspondem restrições primais saturadas (i.e.,

4.3. ALGORITMO DUAL SIMPLEX

4.3.1. Algoritmo Dual Aplicado ao Problema Primal

Caso 1: Óptimo Finito

Caso 2: Problema Impossível

No caso de problema impossível o algoritmo Dual aplicado ao problema primal consiste em

4.3.2. CRITÉRIO DE OPTIMALIDADE

4.3.2.1. MUDANÇA DA BASE

Depois da mudança da base é necessário realizar o preenchimento do novo quadro.

Dividir a linha pivô pelo elemento pivô

O Algoritmo Dual Simplex envolve: