0

Introdu
c
ao `
a Programac
ao Linear (2002): vers
ao 3.3
Le
onidas de Oliveira Brand
ao
http://www.ime.usp.br/leo
http://www.matematica.br
31 de julho de 2012

Sum
ario

Indice Remissivo
I

Conceitos b
asicos
I.1 Convencoes . . . . . . . . . . . . . . . . . . . . . . . . . .
I.1.1 Representando matrizes e vetores . . . . . . . . . .
I.1.2 Limitantes, m
aximos, mnimos, supremos e nfimos
I.2 Demonstrac
oes . . . . . . . . . . . . . . . . . . . . . . . .
I.2.1 Inspec
ao . . . . . . . . . . . . . . . . . . . . . . . .
I.2.2 Logica . . . . . . . . . . . . . . . . . . . . . . . . .
I.2.3 Contradic
ao . . . . . . . . . . . . . . . . . . . . . .
I.2.4 Induc
ao . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

4
4
4
4
5
5
5
6
7

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

8
8
9
10
11
12
13
13
13
13
14

1 Matrizes e Vetores
1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Propriedades e conceitos . . . . . . . . . . . . . . . . . . . . .
1.1.2 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.3 Matriz Adjunta de A . . . . . . . . . . . . . . . . . . . . . .
1.1.4 Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1 Atualizac
ao de base . . . . . . . . . . . . . . . . . . . . . . .
1.3.2 Soluc
oes b
asicas e degeneradas . . . . . . . . . . . . . . . . .
1.3.3 Espacos e transformac
oes vetoriais . . . . . . . . . . . . . . .
1.4 Retas e hiperplanos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 Poliedros e sistemas lineares . . . . . . . . . . . . . . . . . . . . . . .
1.5.1 Transformac
ao de poliedros genericos em poliedros canonicos
1.6 Referencias bibliogr
aficas . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

15
15
15
17
17
18
19
20
20
22
23
24
25
27
28

0 Introdu
c
ao
0.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . .
0.1.1 Um mercado de dois agentes . . . . . . . . . .
0.1.2 Exemplos . . . . . . . . . . . . . . . . . . . . .
0.1.3 Formas de um problema de programacao linear
0.1.4 Hiperplanos e Semi-espacos . . . . . . . . . . .
0.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . .
0.2.1 Exemplo 1: Transporte . . . . . . . . . . . . .
0.2.2 Exemplo 2: Problema de producao . . . . . . .
0.2.3 Exemplo 3: Encontrando o vertice otimo . . .
0.3 Perguntas a serem respondidas . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

Indice Remissivo
(funcao objetivo dual), 9
(funcao objetivo), 9, 12
nfimo [Cap. I]

,4

base [Cap. 1]
base da inducao, 7

, 20

cofator [Cap. 1]
comutatividade [Cap. 1]
contra-exemplo, 5
custos, 13

, 17
, 15

Decomposicao [Cap. 1]
degenerada [Cap. 1]
Delta de Kronecker, 16
Desigualdade de Cauchy-Schwarz [Cap. 1]
Determinante [Cap. 1]
Distancia euclidiana [Cap. 1]
dual, 9

, 16
, 23

elemento neutro [Cap. 1]

elemento neutro do produto, 16
escalonamento [Cap. 1]
Espaco gerado [Cap. 1]
espaco vetorial [Cap. 1]

Leis de De Morgan, 5
limitante inferior [Cap. I]
limitante superior [Cap. I]
linearmente dependente [Cap. 1]
linearmente independente [Cap. 1]
lucro, 13
maximo [Cap. 1]
maximo [Cap. I]
mnimo [Cap. I]
Matriz
decomposicao, 16
produto, 16
matriz [Cap. 1]
matriz adjunta de A [Cap. 1]
Matriz identidade [Cap. 1]
Matriz nula [Cap. 1]
Matrizes
produto, 16
matrizes, 4
maximizacao, 8
modelar, 8

, 19
, 17
, 19

, 15, 16
, 22
, 19
, 23

nao singular [Cap. 1]

passo da inducao, 7
pivoteamento [Cap. 1]
pleno [Cap. 1]
poliedro, 12
posto [Cap. 1]
primal, 9
Princpio da Inducao, 6
princpio do terceiro excluido, 6
produto [Cap. 1]
Produto de matrizes [Cap. 1]
Produto escalar [Cap. 1]

Forma canonica:, 12
Forma geral:, 11
hipoteses, 5
hiperplano, 12
hiperplano [Cap. 1]

, 24

injetora [Cap. 1]
inversvel [Cap. 1]

, 20
, 18

John von Neumann, 8

Kronecker [Cap. 1]

, 16

l.d. [Cap. 1]
l.i. [Cap. 1]

, 19
, 19

semi-espacos, 12
Simplex [Cap. 1]
solucao basica [Cap. 1]
subespaco [Cap. 1]
2

,4
,4
, 19
, 19

, 22
,4
,4

,
,
,
,

15
18
16
15

, 18

, 22
, 22
, 22

, 16
, 16
, 19

, 21
, 23
, 23

3
supremo [Cap. I]
teoria dos jogos, 8
tese, 5
Transposta [Cap. 1]
variaveis artificiais [Cap. 1]
variavel de folga [Cap. 1]
vetor, 4
viaveis, 10

,4

, 15
, 27
, 27

Captulo I

Conceitos b
asicos
I.1
I.1.1

Conven
co
es
Representando matrizes e vetores

Para representar um vetor, utilizaremos sempre um tipo diferente de fonte: v , por exemplo, e um vetor e 00
corresponde ao vetor nulo. Sempre os interpretaremos como sendo vetores-coluna. Ja matrizes, escreveremos da
seguinte forma: A e um exemplo de matriz e O corresponde `a matriz nula.
Sendo assim, cada coluna de uma matriz pode ser entendida como um vetor-coluna que denotaremos como a i , e
cada linha sera interpretada como o tranposto de um vetor-coluna e sera escrita como a i .
Dados dois vetores x , y IRn , dizemos que:
< y hi, x < y ou x = y i (ou equivalentemente: h6 i {1, 2, . . . , n} : x > y i)
x=
i
i
i
i
i
i
< y e x 6= y (se n=1, x y = x < y)
x y x =

I.1.2

Limitantes, m
aximos, mnimos, supremos e nfimos

Resumidamente, podemos dizer que o conceito de m

aximo engloba o de supremo, no sentido de um m
aximo de
determinado conjunto tambem ser seu supremo. Entretanto o inverso nao e verdadeiro. Do mesmo modo, podemos
diferenciar mnimo e nfimo, como ilustra o exemplo I.1.1.
Usando a definicao de limitantes, podemos definir estes termos do seguinte modo Vamos definir os conceitos
relativos a maximo e mnimo para conjunto imagens de funcao real, ja que este sera nosso domnio de aplicac
ao.
n
Considerando f : IR IR,
limitante superior (ls): e um limitante superior de f (A) IR h bb A

< i.
f (bb) =

a A tal que f (a
a) = i.
m
aximo : e um m
aximo de f (A) IR h e ls e a
supremo : e supremo de f (A) IR h e ls e ls de f (A)

< i.
=

limitante inferior (li): e um limitante inferior de f (A) IR h bb A

a A tal que f (a
a) = i.
mnimo : e mnimo de f (A) h e li e a
nfimo : e nfimo de f (A) h e li e li de f (A)
4

<
=

i.

<
=

f (bb) i.

I.2 Demonstra
c
oes

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 5

Destas definicoes poderamos demonstrar alguns corolarios: um maximo e limitante superior e um mnimo e
limitante inferior; o supremo e o menor dos limitantes superior e o nfimo e o maior dos limitantes inferiores.
Uma outra maneira de T
definir supremos e nfimos e usar o calculo: e supremo de f (A) h bb A
f (bb) e  > 0, B( , ) f (A) 6= 1 i.

>
=

O exemplo a seguir ilustra a diferenca entre os conceitos de mnimo e nfimo.

Exemplo I.1.1 Se A := {1/n : n IN}, ent
ao A n
ao tem mnimo, entretando 0 e seu nfimo.

I.2

Demonstra
co
es

Nesta secao apresentaremos uma breve discussao sobre teoremas: demonstracoes e contra-exemplos.
Uma sentenca matem
atica pode estar errada ou correta. No primeiro deve existir um contra-exemplo para a
mesma (um exemplo no qual a sentanca n
ao seja valida), enquanto que no segundo deve ser possvel demonstrar
a inexistencia de contra-exemplos.
teses
Estas sentencas prop
oem uma tese a partir da suposicao de algumas hipo
Teorema: conjunto de hipoteses = tese.
e o processo de demonstrac
ao, consiste em encadear argumentos logicos que comprovem a correcao da tese.
A seguir apresentaremos algumas das tecnicas de demonstracoes mais u
teis.

I.2.1

Inspec
ao

Consiste no exame direto da tese, normalmente empregado quando existe um n

umero finito de possibilidades e
que podem ser facilmente examinados.
Exemplo I.2.1 Resolver qualquer problema do tipo:
max c 0x := max

n
X

x1 , x 2 , x 3 , ..., x n }.
ci xi , x {x

i=1

I.2.2

L
ogica

Nesta tecnica devemos utilizar argumentos logicos baseados em resultados ja conhecidos, definicoes ou axiomas.
Para isso sao u
teis resultados de l
ogica como os seguintes:

A = B B = A.
Leis de De Morgan:
(A e B) A ou B
(A ou B) A e B
1

, ) = B (
) := {bb IRn : k
b k < }, para alguma norma k.k do IRn .
B(

I.2 Demonstra
c
oes

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 6

Cuidados com os quantificadores

Os quantificadores existe () e qualquer () costumam causar grandes problemas em sentencas matem
aticas.
Um tipo de erro muito frequente diz respeito `as suas negacoes. Veremos alguns exemplos:
Exemplo: Considere as seguintes frase e sua negativa
Sentencas
Negativa ERRADA
Negativas corretas
osalunos
foram
aprovados

1 todos os alunos reprovaram todos
nem todos os alunos foram reprovados, ou
alguns alunos foram aprovados
nem todos os n
umeros s
ao pares, ou

n

2 todos os n
umeros s
ao pares todos
os n
umeros
ao s
ao pares

3 a A

aB

alguns n
umeros n
ao s
ao pares
00
a A 6 a B ou

aA a6B

a A : a 6 B 00
Note que na linha 3, a primeira sentenca equivale a A B, a segunda a A B = e a terceira a A 6 B (ou
B \ A 6= ).
Exemplo: A = {x IN : n m
ultiplo de 4} , que colocado na forma de expressoes logica equivale a A
B = {x IN : n par}
(i.e, se x A, entao x B).

.......................................................
.............
.....................
............
..........
..........
........
........
.......
......
......
.
.
.
.
.....
...
.
.
.
.
.....
............................................
.
.
.
.
.
.
.
...
.
.....
.
.
.
.
.
.
........
...
......
.
.
..
.
.
.
.
.
.
.
....
...
....
.
.
.....
.
..
...
....
.
...
.
.
....
.
..
.
...
.
.
......
..
....
.
...
.
.
.........
.
.
.
.
.
.
.....
....................
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
....
.....
...
.....
.....
......
......
.......
.......
........
........
.
..........
.
.
.
.
.
.
.
...
.............
.............
.....................
......................................................

Figura I.1: A est

a contido em B

I.2.3

Contradic
ao

Demonstracoes por contradic

ao est
ao baseadas no princpio do terceiro excluido, isto e, para qualquer
sentenca matematica A, existe apenas duas possibilidades: A e verdadeira ou A e falsa.
A estrutura de uma tal demonstrac
ao e supor o contrario e, atraves de argumentos logicos validos, chegar a um
absurdo.
o) Seja T (n) qualquer propriedade sobre os naturais (IN).
Teorema I.1 (Princpio da Indu
ca


Hb : T (n0 ) vale, e
> n (n IN) i
Se
, ent
ao h T (n) vale para todo n =
0
> n ,
Hp : T (n) = T (n + 1), n =
0
Demonstra
c
ao Supor n IN tal que T (n) nao vale e que n seja o primeiro para o qual isto ocorre. Sabemos
> n + 1, pois por hip
que n =
otese T (n0 ) vale (hipotese Hb ). Sendo assim, n 1 IN e T (n 1) vale (pois n e
0
o primeiro contra-exemplo `
a propriedade T (.)). Da, usando a hipotese Hb , T (n) vale (contradicao !!!!), o que e
uma contradicao com o fato de n ser o primeiro natural no qual T (n) nao e valido.
Logo, nao pode existir um tal n, e da conclui-se a tese.

I.2 Demonstra
c
oes

I.2.4

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 7

Induc
ao

Uma demonstracao por induc

ao e baseada no teorema anterior, Princpio da Inducao (PI), e por isso s
o possvel
utiliza-la quando a tese puder ser indexada pelos naturais. Nestas circunstancias, devemos provar que valem as
o e passo da indu
o.
hipotese Hb e Hp do citado teorema, respectivamente, denominadas base da indu
ca
ca
Assim, uma demonstrac
ao por induc
ao tem a seguinte estrutura:
(Base da induc
ao) Mostrar que T (n0 ) vale (para um n0 IN, e a hipotese Hb do teorema PI);
(Passo da induc
ao) Mostrar que T (n)

> n (correspondente a hip

T (n + 1), n =
otese Hp de PI)
0

Da pode-se concluir, usando o teorema PI:

> n .
Se valem (Hb ) e (Hp ), entao T (n) vale para todo n =
0

Captulo 0

Introdu
c
ao
Resumo
Os conceitos iniciais de Programac
ao Linear apareceram por volta de 1940, motivados por questoes economicas
e belicistas. Entre os primeiros trabalhos que levaram a esta grande area, podemos destacar John von Neumann
que em 1928 publicou um artigo sobre teoria dos jogos1 e George B. Dantzig que de fato formalizou a teoria,
que depois veio a chamar Programac
ao Linear (Linear Programming), em 1951 um artigo tratando da maximi
za
cao de funcoes lineares sujeitas a restric
oes tambem lineares2 . Apesar de nao existir um premio Nobel para a
Matematica, o premio de 1975 foi recebido Koopmans (economista) e Kantorovich (matematico da ent
ao Uni
ao
Sovietica), basicamente por trabalhar sobre a teoria formalizada por Dantzig.

0.1

Introdu
c
ao

Para ilustrar um modelo de problema linear, vamos considerar uma hipotetica fabrica que produz n diferentes
tipos de produtos, utilizando m tipos de insumos. O que poderia interessar aos administradores/planejadores ?
Primeiro e necessario estabelecer qual o problema. Num tal exemplo podemos estar interessados em maximizar
o lucro pela venda dos produtos ou minimizar o gasto na producao (com insumo e eventualmente com estocagem,
dentre outros custos). Resumidamente, podemos ter as seguintes variaveis norteando a producao:
xi
uj
ci
aji
bj

quantidade de produtos tipo i para venda (i {1, 2, . . . , n});

valor unitario para compra de insumo tipo j (j {1, 2, . . . , m});
valor unitario para venda do produto i;
quantidade de insumos tipo j, numa unidade do produto i;
limite para insumo tipo j (total disponvel ou limitacao de estocagem).

A partir destes dados para produc

ao devemos modelar o problema. A partir das descricoes acima podemos
concluir que aij e determinado pela tecnologia/recursos e portanto devem ser pre-fixados. Quanto aos valores
de compra dos insumos ou de venda dos produtos, depende das forcas de mercado e por isso, podemos supor
pre-determinados. Portanto o que sobra como variavel determinante para a producao e a quantidade de cada
produto a ser produzidos.
1

Zur Theorie der Gessellschaftsspiele, Mathematische Annalen, 100:295-320.

Maximization of a Linear Function of Variables Subject to Linear Inequalities, em T.C. Koopmans (editor), Activity Analysis of
Production and Allocation, pp. 339-347, John Wiley & Sons, 1951.
2

0.1 Introdu
c
ao

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 9

Sendo ci o valor unit

ario de venda do produto i e xi sua variavel de producao, poderamos tentar a seguinte
modelagem: buscamos maximizar as vendas, dada por c1 x1 + c2 x2 + + cn xn , respeitando as restric
oes de
< b , para cada tipo de insumo i. O que pode ser re-escrito na
estocagem/insumo: ai1 x1 + ai2 x2 + + ain xn =
i
forma matricial,
n
P
o objetivo)
ci xi
(fun
ca
(P)
max
i:=1

sujeito a:

a11 x1 + a12 x2 + + a1n xn

a21 x1 + a22 x2 + + a2n xn
..
.
am1 x1 + am2 x2 + + amn xn
> 0
(x1 ; x2 ; . . . ; xn ) =
0.

<
=
<
=

b1
b2

<
=

bm

Assim, o objetivo numa tal f

abrica e encontrar uma quantidade nao negativa de producao, xi , para cada produto
i, respeitando as restric
oes acima e que maximize o valor a ser obtido com suas vendas.

0.1.1

Um mercado de dois agentes

Mas antes de discutirmos como resolver o problema acima, vamos pensar que existam apenas dois agentes no
mercado, a fabrica e seus fornecedores. Neste modelo podemos obter uma interpretacao dual `a (P).
Vamos admitir que os fornecedores desejem determinar o melhor preco {uj }m
j=1 para seus insumos. Como os
fornecedores compram toda a produc
ao da f
abrica, precisam levar em consideracao as caractersticas dessa.
Para fazer uma unidade do produto do i, a referida fabrica gastaria em insumos a1i u1 +a2i u2 + +ami um (reais),
sendo que cada unidade deste seria vendida por ci (reais). Logo os fornecedores podem desejar calcular o valor
agregado de seus produtos (insumos), exigindo que o valor gasto pela fabrica numa unidade do produto i, com
insumos, seja ao menos ci , ou seja, os fornecedores desejam que o preco total dos insumos usados na manufatura
de uma unidade do produto i seja tal que
a1i u1 + a2i u2 + + ami um

>
=

ci .

(1)

Alem disso, a fabrica compra no m

aximo bi unidades de insumo i, assim o gasto total da fabrica com insumos e
limitado por
b1 u1 + b2 u2 + + bn un .

(2)

Por outro lado, os fornecedores n

ao desejam quebrar a fabrica, pois esta compra seus insumos e lhes vende seus
produtos. Assim, estabelecem como meta buscar o menor preco a ser cobrado pelos seus insumos ({uj }m
j=1 ), de
modo a garantir o equilibrio com os precos dos produtos que depois irao comprar. Deste modo, como u IRm
+, o
problema, sob o ponto de vista dos fornecedores, pode ser assim resumido
m
P
o objetivo dual)
(D)
min
bi ui
(fun
ca
i:=1

sujeito a:

a11 u1 + a21 u2 + + am1 un

a12 u1 + a22 u2 + + a2n un
..
.
a1n u1 + a2n u2 + + amn un
> 0
(u1 ; u2 ; . . . ; un ) =
0.

>
=
>
=

c1
c2

>
=

cm

Assim, temos um novo problema para ser resolvido e desde ja fica a indagacao das possveis relac
oes existentes
entre ambos os problemas. Nesta formulac
ao, (P) e denominado problema primal e (D) seu dual.

0.1 Introdu
c
ao

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 10

Para entendermos melhor o que ocorre podemos fazer o que e sempre recomendavel numa tal situacao: analisarmos
alguns casos particulares ou inst
ancias dos problemas.

0.1.2

Exemplos

Nesta secao examinaremos dois exemplos de problemas lineares. O primeiro deles e muito simples, permitindo
uma resolucao grafica. O segundo e baseado em um caso concreto vivido pela Digital Equipament Corporation
(DEC) - que hoje faz parte da Compaq (vide Bertsimas&Tsitsiklis-1997).
< b , x > 0 } e D = {u
> c , u > 0 }, sendo
x IR2 : Ax
x=
u IR2 : A0u =
Exemplo 0.1.1 Seja P = {x
=
=


 
 
1
1
4
2
A :=
, b :=
e c :=
.
1 1
2
1

otimo igual a c 0x = 7,
Examinando a figura abaixo podemos concluir que o
otimo em P e x = (3, 1)0 , com valor
enquanto o ponto
otimo em D e u = (3/2, 1/2)0 , com valor
otimo b 0u = 7.
..
......

..
......

.....
.....
.....
.....
.....
.....
.
..
...
..........
.
...............
...
. . ..
.
.. .................
...
.
...... ...............
...
...........................
.
.........
.. .. .. .. .. .....
...
.
.. ...
. ..... ................................ ..........
... .. ... .. ... ... ...................... . . . . . . . .
.
.
.
.
. .. .. ... .. ...... .. .. ...... .....
... . .. .. ...... .. ... ........ ......
.....
. .. .......... ... ... .......
.....
......... . . . .......
.....
.
.....
.....
...
.....
....
.
.
.
.
.
..
... .........
.......
<
....... 1
2 =
...
.
...
.
...
.
... 0
.
...
.

u = (3/2, 1/2)0

c = (2, 1)0
x = (3, 1)0

x1 + x2

x x

<
=

..........
.

.
.
.....
.
.....
.
.....
.
......
.
........
.
......
...........
..... ..
.
...... ..
.
. ......
.
...............
.
... ......
.
.
.
. .....
.... . . ..
.
..... ... .. ...
... ......
.
...... ... .. ... ..
.....
.
.
...... .. .. .. ..
.....
.
...
. ...............................
.....
.
.
.....
...
. ........ ... ... ... ... ... ..
.....
.
..... .. ......................................
...
..... ...... .. .. .. .. .. .. .. ..
........ .. .. .. .. .. .. .. .. .
.
.
.
.
...
.
.
.
. .. .. .. .. .. .. .. ..
.
..... ........... .. .. .. .. .. .. .
....... .......
.....
.....
..... ...........
.....
.
.
.
...
.....
.......
.....
.....
.... ...
.
.
.
.
.....
.
.
..
...
...
.
.....
.
.
.
.
.
...
.....
........
....
.
.
.
.
.
.
.
.
.
..... 1
.
.
.....
...
...
.
0
...
.
...
.
... 0
.

u1 u2

u + u2

>
=

..........
.

>
=

bb = (4, 2)

h : 2h1 + h2 = 0}
H := {h

h : 4h1 + 2h2 = 0}
H := {h

Figura 1: O poliedro e uma intersecca

o finita de semi-espacos e hiperplanos
Do exemplo acima, podemos conjecturar que exista uma forte relacao entre ambos os problemas, parecida com
uma situacao de equilbrio. De fato, veremos no captulo 5 que ambos os problemas mantem um relac
ao estreita
3
veis o valor objetivo dos mesmos coincidira.
e que quando ambos forem via
O exemplo a seguir consta do livro Bertsimas&Tsitsiklis-1997, paginas 6 a 10.
Exemplo 0.1.2 No quarto quadrimestre de 1988, a DEC introduziu uma nova famlia de computadores, denominados GP-1, GP-2, GP-3, WS-1 e WS-2. A tabela abaixo descreve as caractersticas dos sistemas.
Sistema
GP-1
GP-2
GP-3
WS-1
WS-2
3

Preco
$60 000
$40 000
$30 000
$60 000
$60 000

# disk drives # placas de 256K

0.3
4
1.7
2
0.0
2
1.4
2
0.0
1

Um problema (P) (ou (D)), com vari

avel x IRn (yy IRm ), e vi
avel se existir um vetor x IRn (yy IRm ) satisfazendo as retrico
es
de (P) (de ((D))).

0.1 Introdu
c
ao

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 11

A terceira coluna (disk drives - leitores de disquetes), e o n

umero de leitores por unidades vendidas e quarta o
n
umero de placas de mem
orias de 256Kb. Por exemplo, o sistema GP-2 usa 2 placas de mem
oria e, em media,
cada 10 unidades saem com 17 unidades leitoras de disquetes.
Foram levantadas as seguintes dificuldades para o referido quadrimestre:
O fornecedor de UCP pode prover no m
aximo 7000 unidades;
O fornecedor de leitores de disquetes acreditava poder entregar entre 3000 e 7000 unidades;
O suprimento de placas de mem
oria (de 256Kb) era limitado entre 8000 e 16000 unidades.
Quanto `
a demanda, o departamento de marketing determinou que a demanda no primeiro quadrimestre de 1989
seria de 1800 GP-1, 300 de GP-3, 3800 da famlia GP e 3200 da famlia WS. Esta projec
ao incluia os pedidos j
a
feitos de 500 unidades de GP-2, 500 de WS-1 e 400 de WS-2.
No quadrimestre anterior, para reduzir o tempo de produc
ao, a DEC produziu GP-1, GP-3 e WS-2 sem leitor de
disquete e unidades de GP-2 e WS-1 com leitor.
A DEC pode substituir unidades de mem
oria de 256Kb por dois unidades de 128Kb no GP-1, podendo produzir
ate 4000 unidades destas placas menores no pr
oximo quadrimestre.
Resumindo os objetivos dos administradores, podemos dizer que desejavam encontrar a melhor produc
ao para o
pr
oximo quadrimestre, considerando estes dados.
Denotarmos por xi , i {1, 2, . . . , 5} o n
umero de unidades, em milhares, a serem produzidas de GP-1, GP-2,
GP-3, WS-1 e WS-2, respectivamente. Deste modo, como 1000xi representa o n
umero de unidades, deve ser um
n
umero inteiro. Por simplicidade, podemos truncar xi a partir da terceira casa decimal, sem a necessidade de
considerar um problema de programac
ao inteira (aqueles cujas soluc
oes devem ser n
umeros inteiros).
Usando um modelo simplificado, onde n
ao e considerado as mem
orias alternativas, deseja-se resolver o seguinte
problema linear:
max
60x1 + 40x2 + 30x3 + 60x4 + 60x5
sujeito a: x1 + x2 + x3 + x4 + x5
4x1 + 2x2 + 2x3 + 2x4 + x5
x2
+ x4
x1
x3
x1 + x2 + x3
x4 + x5
x2
x4
x5
x1 , x 2 , x 3 , x 4 , x 5

0.1.3

<
=
<
=
<
=
<
=
<
=
<
=
<
=
>
=
>
=
>
=
>
=

7
8
3
1.8
0.3
3.8
3.2
0.5
0.5
0.4
0.

(total de venda em milh

oes de d
olares)
(UCP disponveis)
(mem
orias disponveis de 256Kb)
(leitores disponveis)
(demanda m
axima por GP-1)
(demanda m
axima por GP-3)
(demanda m
axima por GP)
(demanda m
axima por WS)
(demanda mnima por GP-2)
(demanda mnima por WS-1)
(demanda mnima por WS-2)

Formas de um problema de programac

ao linear

Um problema de programac
ao linear pode ser apresentado em sua forma normal ou em sua forma can
onica. Temos,
abaixo, um exemplo para cada tipo de apresentacao:

0.1 Introdu
c
ao

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 12
x
max/min c x

Forma geral:

o objetivo)
(fun
ca

> b1
x=
sujeito a: Ax
x = b2
Bx
< b3
x=
Cx

x {IRn , IRn+ , IRn } ou variantes

max c 0x

nica:
Forma cano

o objetivo)
(fun
ca

x=b
sujeito a : Ax
> 0
x=
0
Para podermos elaborar alguns argumentos geometricos sobre problemas lineares, precisaremos de algumas definicoes, apresentadas na pr
oxima subsec
ao.

0.1.4

Hiperplanos e Semi-espacos

Para melhor entendermos os problemas envolvidos num programa linear, serao necessarios conhecimentos de

Algebra
Linear, Vetores e Geometria e C
alculo. Para comecar precisamos definir o conjunto de restric
oes lineares,
que e um poliedro: uma intersecc
ao (finita) de semi-espacos e hiperplanos.
x : c 0x = z}
Hiperplano Hc ,z = {x
< z}
x : c 0x =
Semi-espaco Sc ,z = {x
Chamamos de hiperplano a generalizac
ao no IRn da nocao que temos de uma reta no IR2 e de um plano no IR3 ,
em que c 0 e um vetor n
ao nulo pertencente ao IRn e z e um escalar. Um hiperplano divide uma regi
ao em dois
semi-espa
cos, cuja uni
ao formaria todo o IRn .
Na figura abaixo, temos um poliedro, ou seja, a interseccao finita de semi-espacos e de hiperplanos:
.....
....

x....1 + x2

<
=

.....
.....
.....
.....
.....
.....
.....
.
.
.....
....
....
.
.
...
..
....
.
.....
.
.
.............
...
.
.
.
.
.
.
.
.
..
..... .............
...
.
.
.
.
.
.
.....
...
....
..
....
.
.
....
.
.
.
..
............
.
.
.....
.....
..... ......... 1
....
....
.
...
.....
.........
....
....
....
.
..
.
.
.
.
.
.
.
.
..
..... .........
..
...
..
..
.
.
.
.
.
.
.
.
.
.
.
.....
.
..
....
.
....
.....
...
....
.......
.....
.....
. ......... .....
.....
.....
.....
...
........... ...
.....
.....
.....
.....
..
.....
.....
.......... ... ..
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
..... ....
.
...
.
.
.
..... ..... ... ..
.
.
.
.
.
.
...
......
...
.
.
.
.
.
.
.
.....
.........
...
.
.
.....
.
.
..
.....
.....
.....
.....
...
.....
.....
.....

x x2

x2

<
=

<
=

Figura 2: O poliedro e uma intersecca

o finita de semi-espacos e hiperplanos

Como exerccio, represente os conjuntos Hc ,1 e Hc ,2 para c =

1
1


. Quais os pontos x 1 Hc ,1 e x 2 Hc ,2 que

minimizam a distancia destes hiperplanos `

a origem ?
Na subsecao 1.4 apresentaremos algumas propriedades u
teis `a Programacao Linear.

0.2 Exemplos

0.2
0.2.1

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 13

Exemplos
Exemplo 1: Transporte

Neste exemplo, temos n pontos de distribuicao e n consumidores. Chamaremos de cij o custo relativo a levar o
produto do ponto de distribuic
ao i ate o consumidor j. Como exemplo, vamos utilizar o de uma companhia que
processa cafe em m f
abricas e distribui o produto para n mercados. Vamos supor, neste caso, que o custo para
transportar o cafe da f
abrica i para o mercado j seja cij . Chamaremos de ai a capacidade de produc
ao da f
abrica
i, e de bj a demanda do produto no mercado j. Temos que encontrar um xij que minimize o custo de transporte,
sendo i = 1, ..., m e j = 1, ..., n.
Temos, abaixo, uma representac
ao gr
afica deste problema:
Fabricas

Consumidores

.........
.............
........... .... ....
.... .... .................
........ .. ..
..................
............
............................................... ............
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.................. ..........
.
.............
..................
... ... ...
.... .... .........
................ .....
............ ......
........
......
......
......
......
......
......
......
......
......
......
......
......
......
........
...............
.
.
.
.
.
.
... ...
........... ..............
..... ....
.
... ...
.............
..... ......
.
....

a1
a2

..
.
.

am

b1
b2

.
.
.

bn

Figura 3: O problema do transporte

Como exerccio sugerimos que o leitor tente modelar matematicamente este problema!!

0.2.2

Exemplo 2: Problema de produc

ao

Neste exemplo, temos 2 tipos de produtos e de insumos. Chamaremos de aij a quantidade de insumo j no produto
i. Os custos estar
ao relacionados ao problema se minimizar c 0x , e o lucro ao de maximizar c 0x .
Qual seria o lucro ? + ? E se trocarmos o problema para maximizar x1 + 2x2 ? Qual seria uma func
ao objetivo
c que resulte numa soluc
ao que n
ao produza o produto tipo 2 ?
pppp

x2

<
=

.....

.....

.....

.....

.....

........
........
.....
.....
.
.
.
.
..
..... ........
.
..........
.....
.....
.....
.....
.....

ppppppp
x1

<
=

.....

.....

.....

Figura 4: O problema de produc

ao

0.2.3

Exemplo 3: Encontrando o v
ertice
otimo

Neste caso retomaremos o exemplo da figura 2, max 2x1 + x2 , sujeito `a x P , onde

x IR2 : x1
P = {x

>
=

0, x2

>
=

0, x2

<
=

2, x1 + x2

<
=

4, x1 x2

<
=

2}.

0.3 Perguntas a serem respondidas




2
Qual a solucao para c =
? E para c =
?
1
 
 
 
 
 
0
0
2
3
2
Sejam x 1 =
, x2 =
, x3 =
, x4 =
, x5 =
0
2
2
1
0
2
1

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 14


x P e x 6= x 4 ! Por que?
Temos que c 0x 4 > c 0x , x
 
1
Se colocarmos c =
?
2
x P . Verifique!
Temos c 0x 3 = 6 > c 0x , x
O ponto de otimo est
a sempre num vertice ? O que e um vertice ?
Pode existir ilimitac
ao ? (apague as restric
oes x1 + x2

0.3

<
=

4 e x1 x2

<
=

2)

Perguntas a serem respondidas

A partir do que foi examinado nos exemplos acima, podemos destacar varias questoes a serem discutidas num
curso de Programac
ao Linear, a saber:
1. Como provar que vertices s
ao os principais candidatos a ponto otimo? (estudo de convexidade)
2. Como reconhecer um ponto
otimo ? E uma ilimitacao ? (condic
oes de otimalidade)
3. Como gerar vertices ? (caracterizac
ao de vertices)
4. Como automatizar a resoluc
ao ? (algoritmo Simplex - depende de 2 e 3)
5. O que ocorre quando mudamos levemente c ou b ? (dual e an
alise de sensibilidade)

Captulo 1

Matrizes e Vetores
Neste texto faremos uma r
apida revis
ao de conceitos fundamentais de matrizes e vetores. Recomendamos `
aqueles
que tiverem d
uvidas que consultem, por exemplo, a secao 1.5 de Bertsekas-1997 ou o captulo 2 de Hadley-1962

(ou Hadley-1982, em Portugues). Para um estudo mais completo do assunto sugerimos textos de Algebra
Linear,
como Monteiro-1969 ou Hoffman&Kunze-1970.

1.1

Matrizes

Uma matriz Am,n com m linhas e n colunas (sobre o corpo dos reais) e uma tabela retangular de escalares [ai,j ].
Representando por a i e por a j , respectivamente, a i-esima coluna e j-esima linha de A, temos

A=

a1,1
a2,1
..
.

a1,2
a2,2

a1,n
a2,n
..
.




= a1 a2 an =

am,1 am,2 am,n

1.1.1

a1
a2
..
.

am

Propriedades e conceitos

1. Sejam A, B e C matrizes do IRmn e IR, entao:

- A = B haij = bij ,

(i, j) {1, 2, . . . , m} {1, 2, . . . , n}i

- A + B = B + A (comutatividade da soma)
- A = A

haij = aij ,

(i, j) {1, 2, . . . , m} {1, 2, . . . , n}i

- Matriz nula : e a matriz O cujas entradas sao todas nulas

A + O = A = O + A (elemento neutro da soma)
- Transposta : a matriz transposta de A e A0 , cuja i-esima linha (coluna) e a i-coluna (linha) de A.
Definindo A := A0 , tem-se
aij = aji (Amn = Anm )
Usando os vetores linha ou colunas, temos que,

15

1.1 Matrizes

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 16

1 0
a )
a1
(a
 1
 .

n
0
a = .. A = ... = [(a
a1 )0 | |(a
am )0 ]
= a | |a
a n )0
am
(a

Amn

- Matriz identidade (de ordem n, In ):




 1

1, i = j
n
Inn = e | |ee = [ij ], onde ij =
0, i =
6 j

( de Kronecker )

2. Produto de matrizes
Sejam A IRmn e B IRnp , se C := Amn Bnp , entao
C IR

mp

, com cij :=

n
X

aik bkj .

k=1

0 0

.. , O
- sendo O = ...
tm A = Otn
.
0 0

e AOnt = Omt

- AI = A = IA (elemento neutro do produto)


Exerccio 1 Dados A =

2 3
1 0

1
2






1 0
2 1
, compute A0 B, B0 A, BC,
e C=
, B=
1 3
0 2
2

CB.
Note que o produto matricial n
ao e comutativo: com matrizes quadradas, AB nao necessariamente equivale
a BA.
Decomposi
c
ao e produto : se tormarmos matrizes Amn e Bnt , tais que m = r + s, n = p + q, t = u + v
e

Crp Drq
Amn :=

Esp Fsq
p

Cpu Dpv

r
s

Bnt :=

Equ Fqv

entao o produto de AB pode ser escrito como

CC + DE CD + DF
AB =

EC + FE ED + FF

mt

Exerccio 2 Considerando as matrizes A e B acima definidas, tomando-se C := F, D := D, E := E e

D := C:
(a) quais devem ser as dimens
oes r, p, s e q para que faca sentido o produto AB ?
(b) supondo as matrizes C, D, E e F simetricas, de a forma reduzida (mais simplificada) de AB e BA.

1.1 Matrizes

1.1.2

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 17

Determinantes

Seja P = {conjunto de permutac

oes de (1, 2, . . . , n)} e s(p) o n
umero de inversoes de p P, sendo que
s(p) = #{(pi , pj ) :

i<j

e pi > pj }.

Determinante e uma func

ao real definida sobre matrizes quadradas, det(A) : IRnn IR, definido por
X
det(A) = |A| :=
(1)s(p) a1p1 a2p2 . . . anpn , sendo A IRnn .
pP

Algumas propriedades de determinantes: fixando-se A IRnn

- det(AB) = det(A)det(B), quaisquer que sejam A e B;
- det(A) = det(A), qualquer que seja IR;
- Trocar pares de linhas ou de colunas inverte o sinal do determinante, por exemplo, se B e obtida de uma
matriz A trocando-se a linha 1 com linha 2, entao det(B) = det(A);
- Somar multiplos de linhas (ou de colunas) nao altera o determinante, isto e, se construirmos A a partir de
A de tal forma que
 k
aj , i = k
a + a
, entao det(A) = det(A);
ai :=
i
a
i 6= k
- Definindo Aij como o cofator de aij , sendo
A ij = (1)i+j det C, sendo C IRn1n1 obtida de A eliminando-se a linha a i e a coluna a j ,
Podemos demonstrar, por induc
ao na ordem n da matriz, que
|A| =

n
X
i=1

1.1.3

aij A ij =

n
X

ajiA ji ,

i {1, 2, . . . , n}.

(1.1)

i=1

Matriz Adjunta de A

Teorema 1.1 Se uma matriz D contem duas linhas (colunas) iguais, ent
ao det(D) = 0.

Demonstra
c
ao Como D tem uma linha (coluna) repetida, sem perda
de generalidade, podemos usar uma matriz auxiliar A para construir D.
Sendo d i e d k as linhas repetidas, podemos escrever D como no exemplo
ao lado, ou seja, d j := a j , j 6= k e d k := a i . Deste modo, a kesima linha da matriz de cofatores de D coincide a corresponde linha de
cofatores de A,

D :=

a1
..
.
ai
..
.
ai
..
.

an
Dkj = A kj

(1.2)

1.1 Matrizes

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 18

Da podemos concluir que

det(D) =

n
X

dkj Dkj

ai
d k =a

j=1

n
X

(1.2)

aij Dkj =

j=1

n
X

aij A kj = 0.

j=1

finalizando a demonstrac
ao.
Este teorema leva a um resultado interessante, que induz a definicao de uma nova matriz que e construida a partir
de uma matriz quadrada qualquer: dada A IRnn , a matriz Adj(A) obtida transpondo-se os cofatores de A e a
matriz adjunta de A , ou seja, se B := Adj(A), entao bij = A ji .
Teorema 1.2 Seja A IRnn , ent
ao
AAdj(A) = det(A)I.
Demonstra
c
ao Fixando-se qualquer linha (coluna) i de A, podemos construir uma matriz D repetindo-se a linha
(coluna) i como no teorema anterior. Deste modo,
n
X

aij A kj =

j=1

n
X

ajiA jk = 0,

para i 6= k.

(1.3)

j=1

Alem disso, da identidade (1.1), temos que

|A| =

n
X

aij A ij =

j=1

e usando a equacao (1.3) acima, segue que

n
n
X
X
aij A kj =
ajiA jk = |A|ki
j=1

n
X

ajiA ji ,

j=1

(ki = 0 quando i 6= k).

j=1

Definindo a matriz B := Adj(A) (bij = aji ), segue que

a ib k =

n
X
j=1

ou seja,

1.1.4

aij bjk =

n
X

(?)

aij A kj = |A|ki ,

j=1

AAdj(A) = |A|In .

Inversa

B = A1 AB = I = BA
- A e inversvel (n
ao singular ) det(A) 6= 0
- B = A1 =

1
Adj(A)
|A|

x = b , qualquer que seja b IRn .

- Se |A| =
6 0, ent
ao A1b resolve Ax

(?)

1.2 Vetores

1.2

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 19

Vetores

- Espa
co gerado
x IRn :
O espaco gerado por a e S = {x

a, IR}.
x = a

x S para todos x e y no IRn e

Exerccio 3 Prove que S e um espaco vetorial (i.e., valem x + y S e x
IR).
x1 , x 2 , . . . , x k } s
Em geral, se V := {x
ao vetores do IRn , o espaco gerado por V e
x IRn :
S = {x

x=

k
X

ix i , IRn }.

i=1

- Soma de vetores c = a + b ci = ai + bi .
..
......
... ..

...
.....
.....
.....
.
.
.
.
....
....
.....
.....
.. .....
..... ..... ..... ..... ..... ..... ..... ..... ..... .....................
....... ...
..... .
..... ...
.....
.
.
...
.
.
..
.
.....
...
.....
.....
.
.
.
.
.
..... ..... ..... ..... ..... .............
...
.
.
.
.
.
.
.
........
.
.
.
.
.
...
... ...
.
.
.
.
.
...
.
.
.
.
.
.
...
..
...
.
.
.
.
.
...
.
.
.
.
.
...
.
..
...
.
.
.
.
.
...
...
.
...
.
.
.
.
...
.
.
.
.
.
...
...
....
.
.
.
.
.
...
.
.
.
.
...
.
.
.
.
...
.
.
.
.
...
.
.
.
.
..
.....
.....
.....
.....
.....

x2
x

..
......
... ..

x2

x1

c = a +b

....
......................
. ..... .........
.. .... .......... ...
... ...
.
.
.
.
.
.
.
.
.
.
.
.....
.... ..
...
.....
..... .
.
......
. .....
..
......
.. ....
.
.... ...
......
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..... ......
.....
.
. ..... .........
.....
...
... ....
.
......
.... ..
..
.
......
..... .
..
...
......
.
.
.
.
.
.
.
.
.
.
.
.
......
.. ....
...
...
... ...
.....
.
...
.... ..
......
...................
..
............
......
............
..
...............
.
.....
.
.
.
.
.
.
.
.
.
.
.
.......
.
.
.
.
.
.......
.......
......
...
..........
.......
......
..........
.......
...
.....
..........
.......
... ......
..........
.......
.. .......... ...................
.......
.
....... ....... ..........
....... ...............
..........
.....
.......

a b
..........
.......

a=

n
X

ai e i

i=1

x1
x

Figura 1.1: Vetores, produto por escalar e soma

- Produto escalar
n
X
0
a, b i = a b =
ha
ai bi
i=1

Propriedades:
> 0
a, a i =
- ha

a, a i = 0 a = 00
ha

> 0
a 0a =
0

a 0 (bb + c ) = a 0b + a 0c

a, b + c i = ha
a, b i + ha
a, c i
- ha

a0 )bb = a 0 (bb)
(a

a, b i = ha
a, bbi = ha
a, b i
- ha
a, b i = ha
a , A0 b i
- hAa

a)0b = a 0 A0b )
(Aa
1

a, b ) = ka
a b k = ha
a b, a bi 2
- Dist
ancia euclidiana : d (a
< ka
a, b i | =
ak kbbk
- Desigualdade de Cauchy-Schwarz : | ha

> 0
a bb, a bbi =
ha

- Dependencia linear
n
n
a1 2
Um conjunto de vetores do IR
Pn, V :=i {a , a , . . . , a }, e linearmente dependente (l.d. ) se, e somente
n
IR : 6= 00 e
se,
0. Ou seja, V e l.d. se, e somente se o vetor nulo pode ser escrito
i=1 ia = 0
como uma combinac
ao linear (a coeficiente nao nulos) de V .

ai }ni=1 n
Se o conjunto {a
ao e l.d., e linearmente independente (l.i. ).

1.3 Bases

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 20

a1 , a 2 , a
a1 } e l.d. se 6= 0.
Exerccio 4 Prove que {a
a1 = (1 + 3 )a
a 1 + 2 a 2
Solu
c
ao: 0 = 1a 1 + 2a 2 + 3 a
1
Seja 2 = 0 e 3 = .

a1 , a 2 , . . . , a n }, seja A a matriz cuja i-esima coluna e a i . Prove (pela definic

Exerccio 5 Dado V := {a
ao)
n
n
x) := Ax
x e injetora
que, se V e l.i., ent
ao a transformac
ao T : IR IR definada por T (x
x) 6= T (yy )).
(T : IRn IRn e injetora x 6= y T (x
a1 , a2 , . . . , an } e A := [a
a1 |a
a2 | . . . |a
an ].
Alguns resultados importantes: considerando o espaco IRn , seja V := {a
1. Se V e l.i., ent
ao |A| =
6 0.
2. Se |A| =
6 0, ent
ao V e l.i.
3. Se V e l.i., ent
ao V gera o IRn .
Ou seja, se V tem n vetores doe IRn e e l.i. entao forma uma base do IRn como discutido a seguir.

1.3

Bases

Sendo E um espaco vetorial qualquer:

a1 , a 2 , . . . , a n } gera E n x
x E n ,
IRn :
{a

1a 1 + . . . + na n = x ;

a1 , a 2 , . . . , a n } e base de E n gera E n e sao l.i.

{a
..
......
... ..

...
.....
.....
.....
.
.
.
.
....
....
.....
.....
..... .........
.
..... ..... ..... ..... ..... ..... ..... ..... ..... .............
.
....... ...
..... .
..... ...
....
.
.
.
.
.
...
...
.....
...
.....
.....
.
..... ..... ..... ..... ..... .................
...
.
.
.
.
.
.
.........
.
.
.
.
.
...
... ...
.
.
.
.
.
...
.
.
.
.
.
...
...
...
.
.
.
.
.
...
.
.
.
.
.
...
.
..
...
.
.
.
.
.
...
...
.
.
...
.
.
.
...
.
.
.
.
.
...
...
....
.
.
.
.
.
...
.
.
.
.
...
.
.
.
.
...
.
.
.
.
...
.
.
.
.
...
.....
.....
.....
....
.....

x2
x

..
......
... ..

x2

x1

c = a +b

...
...............
..... ...............
. ..... .......... ..
.
.. ....
.
.
.
.
.
.
.
.
.
.
.
.....
.... ..
...
.....
..... .
.
......
. .....
..
......
.. ....
.
......
... ...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..... ........
......
.
. ..... ..........
.....
...
... ....
......
..
.... ..
.
......
..... .
...
...
.....
.
.
.
.
.
.
.
.
.
.
.
.
......
.. ....
...
...
... ...
......
...
.
.... ..
.....
...................
.....
......
...
............
....................
.
.....
.
.
.
.
.
...
.
.
.
.
.
.
.
.
.......
...
....
.......
..........
...
......
.......
..........
.......
... ..........
..........
.......
..
..........
..
.......
.. .......... ....................
.
.......
.
....... ..........................
....... ...............
...........
.....
......

a b
...........
......

a=

n
X

aie i

i=1

x1
x

Figura 1.2: Exemplo de vetores que geram IR2

1.3.1

Atualizac
ao de base

a1 , . . . , an } e base do IRn , ent

Se {a
ao para qualquer que seja o vetor x do IRn existe uma u
nica representac
ao do
vetor x nesta base:
n

x E , !
IR :
x

x=

n
X
i=1

i a i

1.3 Bases

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 21

6= , ent
(por contradicao, suponha
ao 00 = x x =

n
X

ai , com 6= 00 |).
(i i )a

i=1

a1 , a 2 , . . . , a n } uma base de IRn e =

Teorema 1.3 Seja V := {a

n
X

aj }j6=i
j a j . Se i 6= 0, ent
ao {a

} e
{

j=1

l.i.
Demonstra
c
ao Por simplicidade, suporemos que seja i = n, entao qualquer que seja IRn , como V e l.i., se

n1
n1
n
n1
X
X
X
X
a j + n n a n ,
00 =
j a j + n =
j a j + n
j a j =
(j + n j )a
j=1

j=1

j=1

j=1

entao,
j + n j = 0,
n n = 0.

j {1, 2, . . . , n 1} e

(?)
(??)

Como n 6= 0, por hip

otese, segue que n = 0 em
S (??), que substitudo em (?), resulta em j = 0,
aj }j6=i {
} e l.i. como queramos demonstrar.
{1, 2, . . . , n 1}. Ou seja, = 00 e portanto {a

Como veremos mais tarde, este e um resultado importante para o metodo Simplex , principalmente por responder
a questao seguinte:
a1 , . . . , a m } e um base do IRm e := a k (k 6 B), como escrever
sendo B um conjunto de ndices tais que {a
m
a1 , . . . , a m1 , }?
b IR na base {a
Observa
c
ao 1.3.1 Vamos aplicar o teorema acima em um caso em que desejamos trocar de base: sejam
P B :=
{1, 2, . . . , m 1, m} e B := {1, 2, . . . , m 1, k} ndices de colunas de A que formam base, sendo a k = iB ia i
e m 6= 0,
x = b , com i = 0, para todo i 6 B, e
conhecemos uma soluc
ao x = para Ax
, com i = 0, para todo i 6 B.
desejamos uma soluc
ao x =
Seja IRn , tal que b =

ia i =

1 k
1
a
m
m
b=

m1
X
i=1

ak =
Note que ha

i a i =

i=1

iB

segue que a m =

m
X

m1
X

m1
X

ia i + ma m . Como a k =

i=1

X
iB

ia i =

m
X

ia i , com m 6= 0,

i=1

ia i . Logo,

i=1

i i + m

m1
1 X
1 k
a
ia i
m
m
i=1

!
=

m1
X
i=1


m
m k
i
i a i +
a .
m
m

(1.4)

k
B = A1
ai }iB base). Deste modo, uma vez conhecida
ia i = AB B i h
otese: {a
B a i (hip

iB

x = AB x B , podemos encontrar a soluc

para o sistema b = Ax
x=
a soluca
o x = para o sistema b = Ax
ao x =
AB x B de modo r
apido: basta definir segundo a equac
ao (1.4),
i := i
m :=

m
m .

m
m i ,

i B \ {m},

1.3 Bases

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 22

Esta operacao, se aplicada na matriz todo, corresponde a um pivoteamento (ou escalonamento ). Na figura
abaixo, representamos graficamente a operacao de escalonamento acima: vamos escalonar a matriz IRnn+2 ,
1
k
e1 | |eem1 | |eem | |A1b ], sendo
[AB | |akk | |bb] para obtermos [ee1 | |eem | |A1
B a | |AB b ] e depois [e
B
* A = b = A1b
+
B
B
1
AB = a k = AB a k .
b
AB = b = A1
B
.....
.....
.....
.....
.....
.....
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................

AB

ak

A1
B pppp

k
A1
B a
1
q

AB b

Im1

pppppp

.....
.....
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
.....
.....
....................................................................
...................................................................
....................................................................
...................................................................
..............
.....
....................................................................
...................................................................
..
.
..

....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................

entra a k
sai a m pp pp
pppp

Im1 e m

li li

...
...
........

i
m lm

entra a k
sai a m pp pp
pppp
lm

1
m lm

m 6= 0

1
AB
b

...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................
....................................................................
...................................................................

Figura 1.3: Duas etapas de escalonamento, para mudanca de base

1.3.2

Soluc
oes b
asicas e degeneradas

ai }ni=1 ).
O posto de uma matriz Amn (r(A) rank) e o n
umero maximal de colunas l.i. da matriz ({a
Quando r(A) = m, dizemos que o posto e m
aximo ou pleno .
ai }ni=1 podemos conseguir?
Se Amn e m < n, quantos subconjuntos l.i. de {a
n
umerototal
combinacoes (1 , 
1 , . . ., n ),
i {0, 1}, e
 de 
n
n
n
n
+
= 2n
+ ... +
+
2
n1
n
1
(i = 1 = coluna i esta no subconjunto)
Usando os resultados da sec
ao anterior e f
acil mostrar que: se Amn tem posto P
maximo, entao para todo b IRn ,
m
i
a }iB e l.i. e iB xia i = b .
existe B {1, 2, . . . , n} e um u
nico x IR tais que #B = m, {a
x = b na forma
Neste caso pode-se re-escrever o sistema Ax


xB
x = [AB |AN ]
b = Ax
= AB x B + AN x N ,
xN
que equivale a forma: b =

n
X
i=1

xi a i =

X
iB

xi a i +

xi a i ,

B N = {1, 2, . . . , n}.

iN

1
x = b x B = A1
A partir desta identidade devemos notar que: Ax
B b + AB AN x N .

1.3 Bases

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 23

ai }iB , mostre que: qualquer que seja x IRn

Exemplo 1.3.1 Supondo {a
1
x = b x B = A1
Ax
B b + AB AN x N

(1.5)

x = b a partir da express
Da identidade (1.5), e possvel notar a maior facilidade de obtencao de solucao para Ax
ao
`a direita: basta chutar x N = 00 e pegar o x B dado pela expressao.
x = b, se {a
ai }iB e l.i., entao x, definido por xB = A1
Para qualquer sistema Ax
0, e denominada
B b e xN = 0
solu
c
ao b
asica .
Se, para algum i B, xi = 0 ent
ao a soluc
ao basica e degenerada .
Uma consequencia relevante sobre soluc
oes degeneradas, junto com o teorema (1.3), e a possibilidade de existencia
de diferentes bases para uma mesma soluc
ao. Isto e, podem existirem bases B e B tais que B 6= B, mas x = x ,
1
x
b
x
x
b xN := 00i.
sendo hx B := AB N := 00i e hx B := A1
B
Podemos apresentar um exemplo disso usando o exemplo discutido na secao 1.3.1.

1.3.3

Espacos e transformac
oes vetoriais

Dizemos que S e espa

co vetorial se, e somente se (x, y) S 2
xS
x

e IR, tivermos

e x + y S.

(1.6)

Um subespa
co de S e qualquer subconjunto S de S fechado em relacao `a soma e ao produto por escalar, i.e, se
para todo elemento de S vale a equac
ao (1.6) - trocando-se S por S .
Teorema 1.4 Se S e um subspaco qualquer, ent
ao o vetor nulo pertence a S .

=0

Exemplo 1.3.2 Uma reta passando pela origem e subespaco vetorial do IRn .
x, para algum x IRn , logo x + y = x + x
x=
Sejam x e y da reta r e IR, como a reta tem dimens
ao 1, y = x
x r e x
xr
(1 + )x
Exerccio 6 Como gerar o subespaco do IRn tal que x2 = x3 ?
Solu
c
ao: Basta tomar x := x1e 1 + x2 (ee2 + e 3 ) + x4e 4 + . . . + xne n , para todo (x1 , x2 , x4 , x5 , . . . , xn ) IRn1 .

Sejam E e F espacos vetoriais. Ent

ao
x + y ) = T (x
x) + T (yy ), (x, y) E 2
T : E F tal que T (x
x) = T (x
x),
T (x
IR
Assim, uma matriz Amn pode ser encarada como uma transformacao linear do IRn em IRm . Mais que isso,
qualquer transformac
ao linear do IRn em IRm e dada por uma matriz m por n.
Exerccio 7 Quando uma tranformac
ao linear tem inversa ? (sob quais condic
oes)

1.4 Retas e hiperplanos

1.4

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 24

Retas e hiperplanos

Para um dado c IRn e um IR,

x IRn :
Hc , = {x

c 0x = } e um hiperplano do IRn .

No IR2 , dois vetores l.i. definem unicamente um hiperplano. Podemos escrever este hiperplano de modos, diretamente como os x tais que c 0x = ou como a soma vetorial de um ponto com n 1 vetores l.i., como indicada a
seguir.
Seja x := x + (yy x ). Se tomarmos um c IR2 tal que c 0 (yy x ) = 0,
= c0x
ent
ao IR : = c 0x , IR.
0
0
0
c x = c x + cc (yy x ) = c 0x

ppppp

x
ppppppp
p
pp
ppppp.p y
pp p
pppppp ppppppp p.p...
ppp p p pppppppppp pppppppppp pppp ....
...
p ppppppppp
pppppppp
.ppppp
.
..
. ppppppppp
p
..
..
p
p
.
p
p
.
p
.
pppppppppp
...
.
pppppppppp ...
.
...
ppp..
... .p
...
..... .. y x
.
.
.
.
.
.
..
...
.... ...

O argumento acima pode ser generalizado para o IRn , tomando-se n

x1 , x 2 , . . . , x n } e definindo, por exemplo, x := x 1 + (x
x1
vetores l.i. {x
i+1
x ), para cada i {1, 2, . . . , n 1}.

..... .
.
.. ..... .....
...
....... ..

Figura 1.4: Linhas e hiperplanos.

Assim, definindo os vetores h 1 := x 1 x 2 , h 2 := x 1 x 3 , ate h n1 :=

x1 xn , e facil ver1 que existe um c 6= 00, para o qual, c0hi = 0, para
todo i {1, 2, . . . , n 1}. Entao tomando := c 0x 1 , tem-se que

Hc , = x 1 + 1h 1 + 2h 2 + + n1h n1 ,

para todo IRn1 .

Exerccio 8 Mostre que, de fato, e possvel construir um tal c (cc0h i = 0, i {1, 2, . . . , n 1}).
Dica: Note que hcc0h i = 0, i {1, 2, . . . , n 1}i equivale ao sistema linear H0c = 00, sendo que H0 IRn1n e
h i := x 1 x i+1 .
x Rn : c 0x = } um hiperplano do IRn . Vamos comparar H e H2 para c fixo. Qual a relac
Seja Hc , = {x
ao ?
x : x H }, pois c 0 (2x) = 2cc0x = 2
H2 = {2x
x + (h
h2 h 1 ) : x H , pois c 0 (x
x + h 2 h 1 ) = c 0x + c 0h 2 c 0h 1 = + 2 = 2
H2 = {x
z H0 : kzz k = 1
h1 + z : z H0 } = {h
h1 + zz , IR}
H = {h
2
h + z : z H0 } = {h
h2 + zz , IR}.
H2 = {h
ao l.d. (e portanto c = cc, com 6= 0), ent
ao
Exerccio 9 Se c e c s
x IRn :
para todo IR, existe IR para o qual {x
Solu
c
ao: = c 0x = (cc)0x = cc0x = .

c0x = } = {x
x IRn :

c0x = }.
2

x Hc, .
Exerccio 10 Se x Hc, ent
ao x
x = x Hc, .
Solu
c
ao: x Hc, c 0x = (cc0 )x
1

H0c = 00 tem soluc

ao c 6= 00, pois H IRnn1 , logo H0 IRn1n , ou seja, as colunas de H0 devem ser l.d. (n colunas no IRn1 ).

1.5 Poliedros e sistemas lineares

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 25
ppppp

.
...
.

...
.

...
.

...
.

...
.

.
.....
.....
....
.
.
...
....
........
.
...
..... ....
.
....
.....
....
.
.... .. ....
...
....
.
....
...
...
...
.
.
....
...
.
...
...
.
.
...
.
...
.
....
...
.
....
...
.

p pp p p
cppppppppp p
p
ppppp
ppppp
p
p
p
p
ppp
ppppp

c 0x = > kcck2
pppppppp

c0x = kcck2

Figura 1.5: Hiperplanos como curvas de nvel

1.5

Poliedros e sistemas lineares

Nossa maior preocupac

ao nesta sec
ao e providenciar uma interpretacao grafica de poliedros e sistemas lineares.
x : Ax
x=
Nossa primeira discuc
ao foi sobre as diferencas em interpretar a matriz A do poliedro canonico X := {x
>

b , x = 0 }. E possvel olhar como um vetor (de dimensao n) de produtos escalares com as linhas de A, e inclinac
ao
definida por b . Mas tambem e possvel examinar b como combinacao a coeficientes das colunas de A (e portanto
de dimensao m).
< 0
x IRn : Ax
x = b, x =
Assim, se X := {x
0}, A IRmn , podemos:

Por linhas: espaco IRn

Olhar X como o conjunto dos pontos do IRn nos m hiperplanos a ix = bi (i {1, 2, . . . , n}) interceptado pelo
ortante positivo.

a11 a12 a1n

a21 a22 a2n

x=
Ax
..

.
am1 am2 amn

a1

a2
x =
=

a
m
xn
x1
x2
..
.

b1
b2
..
.

bm

Por coluna: espaco IRm

ai ( IR+ ) que geram v .
Olhar X como os multiplicadores das semi-retas (cones) a

a11 a12 a1n

a21 a22 a2n

x=
Ax
..

.
am1 am2 amn

x1
x2
..
.

= x1a 1 + x2a 2 + + xna n = b

xn

Para ilustrar a diferenca entre as representacoes, vamos examinar um exemplo no IR2 . Seja X definido por
ax1 + bx2 = 1
cx1 + dx2 = 0.
Assim, a matriz A ficaria na forma

A=

a
c

b
d

1.5 Poliedros e sistemas lineares

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 26

e o sistema de igualdade assume a forma matricial

   

1
x1
a b
.
=
0
x2
c d
Se olharmos para essa matriz da maneira usual, por linhas, verificamos que ela representa um sistema de equac
oes.
2
Como estamos em IR , esse sistema de equacoes representa a interseccao de dois hiperplanos, caracterizando um
poliedro. Mas se olharmos a matriz como colunas, verificamos o sequinte:
   
 
1
b
a
=
+ x2
x1
0
d
c
Sendo entao uma combinac
ao linear, e mais que isso: como xi
parcelas como geradores de cones.

>
=

0, i {1, 2}, podemos olhar cada uma das

x :
Generalizando, nessa interpretac
ao de matriz por coluna, para qualquer poliedro canonico na forma X := {x
1
n
>
x = b , x = 0 }, deve-se notar que x1a + + xna gera um cone de dimensao igual a quantidade de colunos l.i.
Ax
em A. Logo, para que um vetor x pertenca ao poliedro canonico X, e necessario e suficiente que b esteja dentro
a1 , a 2 , . . . , a n }.
do cone gerado pelos vetores {a
x) := {i {1, 2, . . . , n} : xi 6= 0}, fixando a matrix Amn e um vetor x em X, teremos
Assim, sendo I(x
X
X
X
x=
b = Ax
xi a i =
xi a i +
xi a i .
i{1,2,...,n}

i6I(x)

iI(x)

Como xi = 0, para todo i {1, 2, . . . , n} \ I(x) ( i 6 I(x)), entao

X
x=
b = Ax
xi a i .

i6I(x) xia

= 0 e portanto

iI(x)

Usando uma ideia parecida com a decomposicao acima, podemos separar as colunas de A segundo qualquer
x=b
subconjunto de {1, 2, . . . , n}. Assim, tomando qualquer B {1, 2, . . . , n}, podemos escrever o sistema Ax
na forma separada
b = AB x B + AN x N = AB x B .
ai }iI e l.i., podemos computar
Mais que isso, se tivermos um subconjunto I {1, 2, . . . , n} tal que #I < m e {a
um x que resolve o sistema do seguinte modo: sejam2
B := I(x) J
N := {1, 2, . . . , n} \ (I(x) J)
ai }iB seja l.i. e k + #I(x) = m
J := {i1 , i2 , . . . , ik } : {a
1
A := AB ,

ai }iB e base do IRm )

(ou seja, {a

basta definir x como


x B = Abb e x N = 00, isto e, xi =

a ib , i B
0,
i N.

Sugest
ao de aprendizado: Para quem n
ao ficou satisfeito com as equivalencias acima, sugerimos que coloque
a mao na massa. Por exemplo, pegue o exemplo inicial, e substitua a, b, c, d por 1, 1, 1, 1. Trace a intersecc
ao
dos hiperplanos em IR2 . Ver
a que isto resulta em um u
nico ponto, que e um poliedro unitario (o ponto encontrado
e um vertice do poliedro - como veremos futuramente). Tente interpretar a matriz como coluna, trace os cones e
teste numericamente o u
ltimo resultado.
2

Note que, trabalhando com colunas de A estamos considerando o espaco onde o vetor lado-direito b se encontra, o IRm .

1.5 Poliedros e sistemas lineares

1.5.1

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 27

Transformac
ao de poliedros gen
ericos em poliedros can
onicos

Um resultado bastante u
til de PL e que qualquer poliedro (interseccao finita de hiperplanos e semi-espacos) pode
ser transformada na forma can
onica. A tecnica de transformacao se resume a dois casos, abaixo expostos.
Transformar restric
oes de desigualdade em restricoes de igualdade introduzindo uma vari
avel de folga n
ao
negativa:
< b i h(x
x IRn : a ix =
x; xri ) IRn IR+ : a ix + xri = bi i
hx
i
> b i h(x
x IRn : a ix =
x; xri ) IRn IR+ : a ix xri = bi i
hx
i

Transformar vari
aveis livres de sinal3 em variaveis nao negativas, trocando cada uma por um par de vari
aveis
artificiais : sejam a+ := max(a, 0) e a := min(x, 0) (entao a = a+ a ),


 +

xi IR e xj , j {1, 2, . . . , n}\{i}
(xi , xi ) IR+ IR+ e xj , j {1, 2, . . . , n}\{i}

i
i
n
x1a1 + + xiai + + xnan x2 = b
x1a1 + + x+
i a xi a + + xn a x2 = b
< b . Queremos transform
x=
a-lo em um poliedro
Para ilustrar a tecnica, consideremos um poliedro na forma Ax
>
x : Ax
x = b , x = 00}). A primeira coisa a fazer, e criar uma variavel de folga para produzir a
canonico (X := {x
identidade (= b),
xri = bi a i x .

Note que xri

>
=

0, desta forma, acertamos o problema da desigualdade, pois

a i x + xri = bi ,

com

xi

>
=

0,

introduzindo uma nova vari

avel (que ao menos esta necessariamente no ortante positivo como desejamos).
A seguir, devemos eliminar as vari
aveis livres de sinal: para cada xi IR devemos associar dois diferentes pares
+

>
>
de variaveis artificiais, xi e xi (x+
ecnica de criacao de vari
aveis
i = 0 e xi = 0). Desta forma, aplicando a t
artificiais: definindo

x+
i := max(xi , 0) e xi := min(xi , 0),

teremos xi = x+
i xi .

Para um melhor entendimento das duas tecnicas expostas, e conveniente aplica-las a um exemplo. Considere o
< y + y < 1}. Devemos inicialmente eliminar as desigualdade: y + y > 0 e
poliedro Y = {yy IR2 : 0 =
1
2 =
1
2 =
<
y1 + y2 = 1. Aplicando a primeira tecnica de transformacao, obtemos as variaveis artificiais,
x1 := b1 a1y = 1 y1 y2

a1y + x1 = b1 , x1
ha

x2 := b2 + a 2y = y1 + y2 ,

a2y x2 = b2 ,
ha

>
=

>
x2 =

0 a1y

<
= b1 i,

0 a 2y

>
= b2 i.

Como y1 e y2 sao livres de sinal, e necess

ario definirmos variaveis artificiais correspondentes para cada uma delas
> 0
(no ortante positivo, z =
0),
hx3 := y1+ e x4 := y1 i = y1 = x3 x4
hx5 := y2+ e x6 := y2 i = y2 = x5 x6
Deste modo, definindo

A :=
3

1
1
1 1


, A :=

Com sinal invertido e simples, basta trocar xi

<
=

1 0
1 1
1 1
0 1 1
1 1
1

0 por xi

>
=

0, fazendo xi = xi .


e b :=

1
0

1.6 Refer
encias bibliogr
aficas

[PL - Vers
ao 3.3 - 31 de julho de 2012 ] 28








< 1
y1 + y2 =

x
+
x

x
+
x

x
=
1
2

1
3
4
5
6
6
= y IR :
X = x IR+ :
< 0
y1 y2 =
x2 x3 + x4 x5 + x6 = 0




2
<
x
=
x

I
R
:
Ax
=b
= y IR : Ayy = b
+

Com estas definicoes, gere pontos em cada um dos poliedros e, aplicando as regras, obtenha o ponto correspondente
no outro.

1.6

Refer
encias bibliogr
aficas
Hadley-1962 George Hadley; Linear programming. Reading, Mass., Addison-Wesley Pub. Co., 1962.

Hoffman&Kunze-1970 Kenneth Hoffman e Ray Kunze; Algebra

linear, Sao Paulo, Edusp, 1970.

Hoffman&Kunze-1979 Kenneth Hoffman e Ray Kunze; Algebra

linear, seg. ed., Rio de Janeiro, LTC Editora,
1979.

linear, sexta ed., Sao Paulo, Nobel, 1969.

Monteiro-1969 Luis Henrique Jacy Monteiro; Algebra
Hoffman&Kunze-1971 Kenneth Hoffman e Ray Kunze; Linear algebra, seg. ed., Englewood Cliffs, N.J.,
Prentice-Hall, 1971.
Hadley-1982 George Hadley; Programacao linear, Rio de Janeiro, Ed. Guanabara Dois, 1982.
Dorfman,et.al.-1987 Robert Dorfman, Paul A. Samuelson e Robert M. Solow, Linear Programming and
Economic Analysis, (prim. ed. McGraw-Hill, 1958), Dover Publ. Inc., Nova Yorque, 1987.
Bertsimas&Tsitsiklis-1997 Dimitris Bertsimas e John N. Tsitsiklis, Introduction do Linear Optimization,
Belmont, Massachusetts, Athena Scientific, 1997.