Baixe o app para aproveitar ainda mais
Prévia do material em texto
PESQUISA OPERACIONAL Pesquisa Operacional Roberta Fernandes Mendiondo Nunes Roberta Fernandes Mendiondo Nunes GRUPO SER EDUCACIONAL gente criando o futuro A pesquisa operacional (PO) trata de resolver problemas para os quais se deseja encontrar a melhor solução possível, ou seja, a solução ótima. Ela se relaciona com a Matemática e a Estatística e é de extrema relevância para diversas áreas profissionais, inclusive no campo da gestão financeira. As técnicas utilizadas em estudos de pesquisa operacional são variadas, e po- demos citar como as mais conhecidas e utilizadas a simulação, a programação linear, a análise PERT, CPM, teoria das filas, dentre outras. Atualmente, a resolução dos problemas, em geral, ocorre por meio de aplicati- vos, e em PO alguns são muito utilizados, como o Solver, do Excel (programação linear), ProModel e Arena (simulação), dentre outros. Para que você construa conhecimentos consistentes em PO, é importante es- tudar e entender os conceitos, construir modelos matemáticos que reflitam o problema real e desenvolver competências relacionadas ao uso de ferramentas computacionais adequadas. PESQUISA OPERACIONAL Capa_formatoA5.indd 1,3 09/02/2021 13:05:58 © Ser Educacional 2021 Rua Treze de Maio, nº 254, Santo Amaro Recife-PE – CEP 50100-160 *Todos os gráficos, tabelas e esquemas são creditados à autoria, salvo quando indicada a referência. Informamos que é de inteira responsabilidade da autoria a emissão de conceitos. Nenhuma parte desta publicação poderá ser reproduzida por qualquer meio ou forma sem autorização. A violação dos direitos autorais é crime estabelecido pela Lei n.º 9.610/98 e punido pelo artigo 184 do Código Penal. Imagens de ícones/capa: © Shutterstock Presidente do Conselho de Administração Diretor-presidente Diretoria Executiva de Ensino Diretoria Executiva de Serviços Corporativos Diretoria de Ensino a Distância Autoria Projeto Gráfico e Capa Janguiê Diniz Jânyo Diniz Adriano Azevedo Joaldo Diniz Enzo Moreira Roberta Fernandes Mendiondo Content DADOS DO FORNECEDOR Análise de Qualidade, Edição de Texto, Design Instrucional, Edição de Arte, Diagramação, Design Gráfico e Revisão. SER_GESTFIN_ PESOP_UNID1_novo.indd 2 09/02/2021 12:13:56 Boxes ASSISTA Indicação de filmes, vídeos ou similares que trazem informações comple- mentares ou aprofundadas sobre o conteúdo estudado. CITANDO Dados essenciais e pertinentes sobre a vida de uma determinada pessoa relevante para o estudo do conteúdo abordado. CONTEXTUALIZANDO Dados que retratam onde e quando aconteceu determinado fato; demonstra-se a situação histórica do assunto. CURIOSIDADE Informação que revela algo desconhecido e interessante sobre o assunto tratado. DICA Um detalhe específico da informação, um breve conselho, um alerta, uma informação privilegiada sobre o conteúdo trabalhado. EXEMPLIFICANDO Informação que retrata de forma objetiva determinado assunto. EXPLICANDO Explicação, elucidação sobre uma palavra ou expressão específica da área de conhecimento trabalhada. SER_GESTFIN_ PESOP_UNID1_novo.indd 3 09/02/2021 12:13:56 Unidade 1 - Funções de várias variáveis: limite, continuidade e derivadas parciais Objetivos da unidade ........................................................................................................... 12 Definição de pesquisa operacional (PO) ......................................................................... 13 Evolução da PO ................................................................................................................ 14 Como a pesquisa operacional pode ser definida? ..................................................... 16 Fases de um estudo de PO .................................................................................................. 17 Elaboração do problema ................................................................................................ 19 Construção do modelo e desenvolvimento dos cálculos ......................................... 19 Elaboração do problema ................................................................................................ 19 Testagem do modelo e da solução e controle das soluções ................................... 19 Implantação e acompanhamento ................................................................................. 20 Problemas clássicos e práticos em PO ........................................................................... 20 Problemas de mistura ..................................................................................................... 20 Problemas de mix de produção .................................................................................... 22 Problemas práticos ......................................................................................................... 22 Problemas clássicos e práticos em PO ........................................................................... 23 Programação linear ........................................................................................................ 23 Outras técnicas ................................................................................................................ 31 Sintetizando ........................................................................................................................... 36 Referências bibliográficas ................................................................................................. 37 Sumário SER_GESTFIN_ PESOP_UNID1_novo.indd 4 09/02/2021 12:13:56 Sumário Unidade 2 - Sistemas lineares Objetivos da unidade ........................................................................................................... 39 Sistemas de equações lineares ........................................................................................ 40 Equações lineares ........................................................................................................... 40 Sistemas lineares ............................................................................................................ 41 Sistemas lineares equivalentes .................................................................................... 45 Discussão de sistemas lineares ........................................................................................ 46 Determinantes .................................................................................................................. 46 Sistemas homogêneos ................................................................................................... 54 Escalonamento de sistemas lineares ............................................................................... 56 Método de Gauss e Gauss-Jordan ............................................................................... 56 Método da matriz inversa .............................................................................................. 60 Sintetizando ........................................................................................................................... 65 Referências bibliográficas ................................................................................................. 66 SER_GESTFIN_ PESOP_UNID1_novo.indd 5 09/02/2021 12:13:56 Sumário Unidade 3 - Otimização linear, otimização discreta e o método Simplex Objetivos da unidade ........................................................................................................... 68 Otimização linear ................................................................................................................. 69 Definição dos problemas: formulação geral ............................................................... 69 Problemas na forma padrão .......................................................................................... 72 Resolução gráfica de problemas .................................................................................. 73 MétodoSimplex.................................................................................................................... 75 Forma tabular .................................................................................................................. 79 Forma não padrão .......................................................................................................... 83 Problema dual .................................................................................................................. 84 Resolução de problemas de programação linear no computador ......................... 88 Otimização discreta ............................................................................................................. 91 Problemas de otimização inteira .................................................................................. 91 Problemas de otimização binária ................................................................................. 92 Sintetizando ........................................................................................................................... 96 Referências bibliográficas ................................................................................................. 97 SER_GESTFIN_ PESOP_UNID1_novo.indd 6 09/02/2021 12:13:56 Sumário Unidade 4 - Teoria dos Jogos Objetivos da unidade ........................................................................................................... 99 Teoria dos Jogos ................................................................................................................. 100 Classificações ................................................................................................................ 102 Estratégias mistas ......................................................................................................... 104 Jogos com informação completa .................................................................................... 105 Jogos estáticos com informação completa .............................................................. 105 Jogos dinâmicos com informação completa ............................................................ 108 Jogos com resultados incertos ....................................................................................... 114 Incerteza exógena em jogos estáticos ...................................................................... 114 Incerteza exógena em jogos dinâmicos .................................................................... 116 Jogos com informação incompleta ............................................................................... 118 Jogos estáticos com informação incompleta .......................................................... 118 Jogos dinâmicos com informação incompleta ........................................................ 119 Sintetizando ......................................................................................................................... 125 Referências bibliográficas ............................................................................................... 126 SER_GESTFIN_ PESOP_UNID1_novo.indd 7 09/02/2021 12:13:56 SER_GESTFIN_ PESOP_UNID1_novo.indd 8 09/02/2021 12:13:56 Olá, alunos e alunas! A pesquisa operacional (PO) trata de resolver problemas para os quais se deseja encontrar a melhor solução possível, ou seja, a solução ótima. Ela se relaciona com a Matemática e a Estatística e é de extrema relevância para di- versas áreas profi ssionais, inclusive no campo da gestão fi nanceira. As técnicas utilizadas em estudos de pesquisa operacional são variadas, e podemos citar como as mais conhecidas e utilizadas a simulação, a programa- ção linear, a análise PERT, CPM, teoria das fi las, dentre outras. Atualmente, a resolução dos problemas, em geral, ocorre por meio de apli- cativos, e em PO alguns são muito utilizados, como o Solver, do Excel (progra- mação linear), ProModel e Arena (simulação), dentre outros. Para que você construa conhecimentos consistentes em PO, é importante estudar e entender os conceitos, construir modelos matemáticos que refl itam o problema real e desenvolver competências relacionadas ao uso de ferramen- tas computacionais adequadas. Bons estudos! PESQUISA OPERACIONAL 9 Apresentação SER_GESTFIN_ PESOP_UNID1_novo.indd 9 09/02/2021 12:13:56 Dedico esse trabalho à minha família, que constantemente me apoia, ama e colabora para que meus dias sejam felizes e cheios da presença de Deus. A professora Roberta Fernandes Mendiondo Nunes é graduada em Matemática desde 2000, pela Universi- dade Federal do Rio Grande do Sul. É mestre em Engenharia pelo Instituto Federal Fluminense (2012) e especialis- ta em Educação a distância e em Educa- ção Profi ssional e Tecnológica pelo Ins- tituto Brasileiro de Formação ( 2020). Ministra disciplinas de Pesquisa Opera- cional, Estatística e Probabilidade, Ma- temática Aplicada, Cálculo Diferencial e Integral, Álgebra Linear, dentre outras, nas graduações em Engenharia, Siste- mas da Informação, Economia, Admi- nistração e pós-graduações na área. Currículo Lattes: http://lattes.cnpq.br/8359063230116377 PESQUISA OPERACIONAL 10 A autora SER_GESTFIN_ PESOP_UNID1_novo.indd 10 09/02/2021 12:13:57 FUNÇÕES DE VÁRIAS VARIÁVEIS: LIMITE, CONTINUIDADE E DERIVADAS PARCIAIS 1 UNIDADE SER_GESTFIN_ PESOP_UNID1_novo.indd 11 09/02/2021 12:14:12 Objetivos da unidade Tópicos de estudo Descrever o que é pesquisa operacional; Identificar problemas na administração, onde as teorias matemáticas e as técnicas e métodos utilizados em pesquisa operacional podem ser aplicadas; Conhecer as fases necessárias de um estudo em pesquisa operacional para a resolução de problemas reais; Descrever um modelo de programação linear. Definição de pesquisa opera- cional (PO) Evolução da PO Como a pesquisa operacional pode ser definida? Fases de um estudo de PO Elaboração do problema Construção do modelo e de- senvolvimento dos cálculos Testagem do modelo e da solu- ção e controle das soluções Implantação e acompanha- mento Problemas clássicos e práticos em PO Problemas de mistura Problemas de mix de produção Problemas práticos Técnicas e métodos utilizados em PO Programação linear Outras técnicas PESQUISA OPERACIONAL 12 SER_GESTFIN_ PESOP_UNID1_novo.indd 12 09/02/2021 12:14:12 Definição de pesquisa operacional (PO) A PO aborda a modelagem matemática de fenômenos estáticos ou dinâ- micos de diferentes áreas e com diversos objetivos associados à otimização. Podemos dizer que a PO se divide em dois campos, o que trata de problemas estáticos e o que trata de problemas dinâmicos. Os problemas estáticos são chamados de problemas determinísticos. O que signifi ca dizer que todos os elementos são conhecidos previamente e não são admitidas aleatoriedades em suas ocorrências. Trata-se de um problema que pode ser resolvido por meio do famoso método Simplex, modelado por meio da programação linear, a qual trata de problemas determinísticos. Já nos problemas dinâmicos, que são chamados de problemas estocás- ticos, os seus componentes apresentam alguma probabilidade de ocorrência em uma certa forma. O Diagrama 1 associa os tipos de fenômenos aos tipos de problemas em PO. DIAGRAMA 1. TIPOS DE PROBLEMAS EM PO Fenômenos estatísticos Problemas determinísticos Fenômenos dinâmicos Problemas estocásticos PO A PO emergiu da necessidade de uma gestão efi ciente das operações milita- res, durante a Segunda Guerra Mundial, ou seja, das exigências de otimização da tática e estratégias militares. PESQUISA OPERACIONAL 13 SER_GESTFIN_ PESOP_UNID1_novo.indd 13 09/02/2021 12:14:12 Evolução da PO Um dos métodos mais difundidos de PO é a programação linear, por sua simplicidade e efi ciência, embora ela já utilize métodos que envolvam, inclusi- ve, Inteligência Artifi cial. A expressão pesquisa operacional (PO)deriva de operational research, ter- mo que foi usado, inicialmente, em 1939, na Inglaterra, associado ao surgimen- to do radar, que reconhecia inimigos nas terras britânicas. Atualmente, PO é traduzida como Business Analytics (BA). Durante a Segunda Guerra Mundial, a PO contou com rápida evolução, quan- do foi empregada por grupos de cientistas multidisciplinares que resolviam pro- blemas de natureza militar no que se referiam à logística, tática e estratégia. Ao longo do tempo, com inovações metodológicas e computacionais, alia- das às demandas de diferentes campos, a PO passou a tratar de diversos tipos de problemas. A PO é uma ferramenta da Matemática Aplicada, permitindo que: • Problemas reais sejam resolvidos; • Ocorram tomadas de decisão baseadas em fatos, dados e correlações quantitativas; • Sistemas sejam concebidos, planejados, analisados, implementados, ope- rados e controlados por meio da tecnologia e de métodos de outros campos do conhecimento; • Custos sejam minimizados e lucros maximizados; • A solução ótima seja encontrada, isto é, a melhor solução para um proble- ma seja conhecida previamente. CURIOSIDADE As palavras tática e estratégia são usadas como se fossem sinônimos, mas são diferentes. A estratégia pode ser entendida como a elaboração do planejamento contemplando os objetivos maiores de uma organização, por exemplo. O planejamento tático trata da implementação de ações nas diferentes áreas da organização, de forma que se atinja os objetivos defi - nidos no planejamento estratégico. No campo militar, podemos considerar que a estratégia trata do planejamento para vencer uma guerra, enquanto a tática trata de como ocorrerão cada uma das batalhas. PESQUISA OPERACIONAL 14 SER_GESTFIN_ PESOP_UNID1_novo.indd 14 09/02/2021 12:14:12 Um outro exemplo de represen- tação que pode ser usado em es- tudo de PO, inclusive de natureza militar, são os grafos. Um grafo é uma representação gráfica das re- lações existentes entre elementos, onde cada vértice (ponto de interes- se) é representado por um círculo, e uma trajetória é representada por um segmento de reta. Se uma curva possuir indicação de sentido (uma seta), ela é chamada de arco, caso contrário, é chamada de linha. Figura 1. Exemplo de grafo. Fonte: Shutterstock. Acesso em: 20/09/2020. Com o final da guerra, a evolução da PO continuou, em função da aplicação do método científico, ou seja, da formulação de modelos matemáticos, que permitiam a identificação de problemas em estudo, bem como de ensaios e avaliações dos resultados hipotéticos estimados pelas estratégias ou decisões alternativas, sendo todo o processo baseado em dados e fatos. Em 1947, o Pentágono implantou, nos EUA, um pro- jeto cujo objetivo era o de apoiar os processos de to- mada de decisões operacionais da Força Aérea Ame- ricana. George Dantzig desenvolveu o método Simplex para a resolução de problemas de programação linear. Vinte anos depois, em 1967, o periódico Operational Research propôs uma de- finição para PO: Uma aplicação de métodos científicos a problemas complexos para auxiliar no processo de tomadas de decisão, tais como pro- jetar, planejar e operar sistemas em situações que requerem alo- cações eficientes de recursos escassos(ARENALES et al., 2007). No Brasil, em 1968, no Instituto Tecnológico da Aeronáutica, ocorreu o pri- meiro Simpósio Brasileiro de Pesquisa Operacional e, em 1969, surgiu a Socieda- de Brasileira de Pesquisa Operacional - SOBRAPO. PESQUISA OPERACIONAL 15 SER_GESTFIN_ PESOP_UNID1_novo.indd 15 09/02/2021 12:14:21 Como a pesquisa operacional pode ser definida? Não existe uma única defi nição para PO, e sim várias defi nições apresentadas por diferentes autores. A PO pode ser considerada uma ideia muito abrangente acerca da busca de um melhor uso (em termos técnicos, econômicos, sociais e políticos) de recur- sos (que são escassos) e processos diversos, por meio da implementação de métodos científi cos com o objetivo de satisfazer o cliente (usuário, público) defi nido em um contexto. A PO é uma área de conhecimento que trata do estudo, desenvolvimento e aplicação de métodos analíticos que contribuam com um processo de tomada de decisões mais acuradas, em diversos campos da atuação humana. Sob uma perspectiva acadêmica, as inovações tecnológicas possibilitam a abordagem de problemas cada vez maiores e mais complexos, e isso impulsiona o desenvolvimento de métodos analíticos mais sofi sticados, que estão em contí- nua evolução, permitindo novas áreas de implementação. Podemos observar no Diagrama 2 aspectos envolvidos no estudo de um pro- blema a partir da PO. DIAGRAMA 2. ASPECTOS DA PO Método científi co Modelagem de sistemas Abordagem interdisciplinar Tecnologias Pragmatismo Pesquisa operacional Decisões mais precisas PESQUISA OPERACIONAL 16 SER_GESTFIN_ PESOP_UNID1_novo.indd 16 09/02/2021 12:14:21 Um projeto de PO segue algumas etapas que podem ser implementadas por meio de diferentes métodos matemáticos. De forma geral, o início do estudo trata do problema real, que modelado matematicamente, permite encontrar uma solução que otimiza os resultados. O fl uxo de um projeto de PO, em linhas gerais, pode ser observado no Fluxo- grama 1. FLUXOGRAMA 1. PROJETO DE PO Problema real Solução do modelo matemático Solução aceitável/ótima Modelo matemático Validação do modelo Hipóteses simplifi cadoras Métodos de solução Fases de um estudo de PO Podemos considerar seis etapas para a resolução de um problema por meio da PO: 1. Elaboração do problema; 2. Construção do modelo matemático; 3. Desenvolvimento dos cálculos com uso do modelo; 4. Testagem do modelo e da solução; 5. Controle das soluções; 6. Implantação e acompanhamento. PESQUISA OPERACIONAL 17 SER_GESTFIN_ PESOP_UNID1_novo.indd 17 09/02/2021 12:14:21 O estudo de um problema por meio desse percurso em seis fases tem como objetivo encontrar uma solução ótima. O Fluxograma 2 mostra, de acordo com Belfiore e Favero (2013), como as fases de um estudo de PO podem ser repre- sentadas. FLUXOGRAMA 2. FASES DE UM ESTUDO DE PO Sistema real Definição do problema Construção do modelo matemático Solução do modelo Validação do modelo Implementação dos resultados Avaliação final Fonte: BELFIORE; FAVERO, 2013, p. 6. (Adaptado). PESQUISA OPERACIONAL 18 SER_GESTFIN_ PESOP_UNID1_novo.indd 18 09/02/2021 12:14:21 Elaboração do problema Nessa fase, os objetivos são determinados, as restrições são identifi cadas e são esboçadas as possibilidades de percursos para resolução. Também são verifi cados os registros, momento em que as informações são coletadas com a maior precisão e consistência possíveis. Construção do modelo e desenvolvimento dos cálculos Predominantemente, a construção do modelo ocorre por meio da modela- gem matemática, ou seja, com uso de equações e inequações, tanto na função objetivo, quanto nas restrições. Nesse momento, é preciso decidir quais são as variáveis de decisão, e quais não são controláveis no problema real. Por exemplo, em um contexto de produ- ção, a quantidade produzida é uma variável controlável, já a demanda e o preço são exemplos de variáveis não controláveis, pois são defi nidas no mercado. A resolução ou cálculo do modelo é a fase na qual encontramos a solução por meio da aplicação de diversas técnicas, das mais simples até as mais complexas, que são escolhidas dependendo das características e complexidade de cada problema. Atualmente, são usados aplicativos para a resolução dos problemas em PO. Eles resolvem matematicamente problemas bastante complexos de forma rápi- da, confi ável e acurada. EXEMPLIFICANDO Alguns exemplos de aplicativos utilizados em PO são: • Suplemento Solver, do Microsoft Excel; • What’sBest!, LINGO e LINDO API, da LINDO Systems; • MapleSim, Bordo, Global Optimization Toolbox, da Maplesoft. Testagem do modelo e da soluçãoe controle das soluções Na fase de testagem, verifi ca-se se os resultados encontrados satisfazem o modelo real do problema. Depois da implantação, uma simulação pode identifi - car a eventual necessidade de outras soluções, buscando melhorias. PESQUISA OPERACIONAL 19 SER_GESTFIN_ PESOP_UNID1_novo.indd 19 09/02/2021 12:14:22 Na fase de controle das soluções, parâmetros e valores fi xos que envolvem o problema precisam ser identifi cados, pois com esse controle é possível verifi car possíveis desvios ocorridos ao longo do processo. Se houver variações nos parâ- metros, devem ser realizadas correções no modelo matemático. Testagem do modelo e da solução e controle das soluções Nessa última fase são avaliadas as vantagens e validados os resultados da solução obtida para que eles sejam convertidos em regras operacio- nais. A implementação é uma das etapas críticas do estudo porque altera uma atividade ou processo de uma situação existente requerendo, muitas vezes, a realização de ajus- tes. Dessa forma, os resultados obtidos na fase anterior devem ser avaliados e, caso necessário, o modelo matemá- tico deve ser ajustado. Problemas de mistura Problemas de mistura consistem em combinar materiais obtidos da natureza (ou sobras de outros já previamente combinados) para gerar novos materiais ou produtos com características convenientes. Nesse sentido, uma indústria pro- duz diversos tipos de rações e tem como objetivo minimizar os custos de produ- ção, atendendo às restrições com relação à composição determinada para cada tipo de ração. Problemas clássicos e práticos em PO Alguns modelos de programação linear podem ser adaptados a diversos contextos práticos. Tais modelos são chamados de clássicos ou típicos, pelo fato de serem aplicados a diferentes setores produtivos. Problemas clássicos Aqui, vamos considerar duas famílias de problemas clássicos: • Problemas de mistura; • Problemas de mix de produção. PESQUISA OPERACIONAL 20 SER_GESTFIN_ PESOP_UNID1_novo.indd 20 09/02/2021 12:14:22 Outra questão pode ser a de determinar níveis de uso de insumos na com- posição de um tipo de ração, e nesse caso, as restrições se referem às carac- terísticas nutricionais que o produto acabado deve possuir, às quantidades de matérias-primas e insumos disponíveis, e à demanda. Exemplo: mistura Vamos tomar como exemplo uma ração que deve ser formulada a partir da mistura de três tipos de grãos. Esses grãos possuem quatro tipos de nutrientes, que são considerados no produto final. As informações sobre os grãos e nutrien- tes constam na Tabela 1, bem como os custos por unidade de peso de cada tipo de grão, e as variáveis de decisão associadas a cada tipo de grão. Nutrientes Grão 1 Grão 2 Grão 3 Necessidade mínima A 2 3 7 1250 B 1 1 0 250 C 5 3 0 900 D 0,6 0,25 1 232,50 Custo por unidade de peso (R$) 41 35 96 Variáveis de decisão X1 X2 X3 TABELA 1. PROBLEMA CLÁSSICO EM PO. “MISTURA” Nesse contexto, as três variáveis de decisão são restritas a valores não ne- gativos. Um segundo conjunto de restrições poderia ser acrescentado a essa formulação: restrições relacionadas às quantidades disponíveis de cada tipo de grão. Da mesma forma que as restrições foram escritas diretamente das linhas da Tabela 1, as restrições de disponibilidade de grãos seriam obtidas das colunas da mesma tabela. PESQUISA OPERACIONAL 21 SER_GESTFIN_ PESOP_UNID1_novo.indd 21 09/02/2021 12:14:22 Problemas de mix de produção Problemas sobre mix de produção tratam da decisão sobre quais produtos devem ser fabricados e quanto fabricar de cada um em um certo período. Nesse sentido, considerando a capacidade de produção limitada de máquinas, recur- sos humanos, capital, armazenagem, dentre outros, e os diferentes produtos que compõem o mix da empresa, o objetivo é defi nir quais dos produtos devem ser fabricados e quanto fabricar de cada um, de forma que a empresa obtenha o maior lucro possível (maximização) em certo período. Exemplo: mix de produção A empresa Essencial precisa planejar a produção de suas essências. Para isso, são necessários dois tipos de insumos, a mão de obra e os materiais. A Essencial produz três tipos de essências, A, B e C, cada uma com necessidades diferentes, quantidades de mão de obra e de materiais, por unidade produzi- da, conforme dados: • Essência A: 7 horas de mão de obra, 4 gramas, lucro de R$ 4; • Essência B: 3 horas de mão de obra, 4 gramas, lucro de R$ 2; • Essência C: 6 horas de mão de obra, 5 gramas, lucro de R$ 3. A disponibilidade de mão de obra é de 15 horas por dia e a disponibilidade de materiais é de 200 gramas por dia. Qual modelo de programação linear pode representar a intenção da Essen- cial de maximizar seu lucro, determinando quanto deve ser produzido de cada tipo de essência? Um modelo matemático (programação linear) apresenta uma resposta à se- guinte questão: qual a quantidade de cada uma das essências (A, B e C) que deve ser produzida para maximizar o lucro? Problemas práticos A PO trata de problemas de diferentes áreas, problemas reais que são resolvidos por meios de diferentes técnicas. Citaremos três técnicas de PO (programação linear, modelos de rede e teoria das fi las), e para cada uma indicaremos alguns tipos de problemas que podem ser resolvidos por seu intermédio: PESQUISA OPERACIONAL 22 SER_GESTFIN_ PESOP_UNID1_novo.indd 22 09/02/2021 12:14:22 • Programação linear: mix de produção, mistura de matérias-primas, mode- los de equilíbrio econômico, carteiras de investimentos, roteamento de veículos, jogos entre empresas; • Modelos de rede: rotas econômicas de transporte, distribuição e transpor- te de bens, alocação de pessoal, monitoramento de projetos; • Teoria das fi las: congestionamento de tráfego, operações de hospitais, di- mensionamento de equipes de serviço. Importante: a associação da técnica ao tipo de problema não é fi xa, isto é, um mesmo problema pode ser estudado por meio de mais de uma técnica de PO. DICA Há diferentes métodos quantitativos para resolver problemas de um mes- mo tipo e caberá ao profi ssional escolher o método mais adequado e a ferramenta que utilizará, dependendo do tipo de informação disponível. Durante sua formação e vida profi ssional, você aprenderá sobre diversos métodos e ferramentas computacionais e será fundamental que saiba mobilizar os conhecimentos, habilidades e competências que sejam rele- vantes para a resolução de cada problema. Técnicas e métodos utilizados em PO A programação linear é uma das principais técnicas utilizadas na PO, que se popularizou no período da Segunda Guerra Mun- dial. Nesse sentido, por meio de funções matemáticas, Dantzig colaborou para a minimização de vários custos militares dos Estados Unidos, ou seja, otimizou os resultados. Programação linear A programação linear é uma técnica simples e eficiente, embora não seja o único método de otimização que a PO aplica. A questão central na construção do modelo matemático de PO é escolher os valores das variáveis de decisão, de modo que você obtenha o melhor resultado da função objetivo, sujeita às restrições especificadas. PESQUISA OPERACIONAL 23 SER_GESTFIN_ PESOP_UNID1_novo.indd 23 09/02/2021 12:14:23 A característica principal do modelo matemático que define a progra- mação linear é a linearidade de equações e inequações que compõem o modelo. Assim, uma equação linear, nos modelos de PO, tem a forma: c1 x1 + c2 x2 + c3 x3 + ⋯ + cn xn = c1 Onde: c1, c2, c3, …, cn: coeficientes (conhecidos) x1, x2, x3, …, xn: variáveis (desconhecidas) Em Matemática, chamamos de sistemas lineares os conjuntos de equa- ções lineares sobre as mesmas variáveis, sendo que o modelo de programa- ção linear é um exemplo desse sistema. O modelo matemático de progra- mação linear é formado por três componentes básicos: • Variáveis de decisão; • Função objetivo; • Restrições. A estrutura de um modelo de programaçãolinear (PL) é sempre a mes- ma, seja ele um problema sobre mix de produção, mistura, transporte ou alocação, dentre outros. Conhecendo essa estrutura, será mais fácil cons- truir o modelo matemático (PL), porque seja qual for o contexto, a estrutura se repete. A Figura 2 sintetiza a estrutura do modelo de PL. Figura 2. Estrutura da programação linear (modelo matemático). Variáveis de decisão Função objetivo Restrições PESQUISA OPERACIONAL 24 SER_GESTFIN_ PESOP_UNID1_novo.indd 24 09/02/2021 12:14:23 Variáveis de decisão As variáveis de decisão representam as variáveis que devem ser encon- tradas como solução do modelo, e os parâmetros (coeficientes) represen- tam os valores dados no problema. Função objetivo É uma função matemática que define a qualidade da solução em função das variáveis de decisão. É um critério de escolha das variáveis de decisão, representado por uma função. Restrições As restrições representam as limitações do sistema, às quais o processo de maximização da função objetivo deve estar submetido. Como mencionado, a forma geral de um modelo matemático de progra- mação linear apresenta a seguinte estrutura: declaração das variáveis de decisão, função objetivo e restrições. Como o modelo recai em um sistema linear, que posteriormente será resolvido por métodos baseados em ma- trizes, alguns coeficientes do modelo podem ser denotados com índices, como identificamos os elementos das matrizes, indicando a posição na ma- triz (linha, coluna). Conforme Corrar e Garcia (2011), matematicamente, um modelo de programação linear é indicado como na Figura 3. Figura 3. Modelo de programação linear. Fonte: CORRAR; GARCIA, 2011, p. 6. (Adaptado). Máx. ou mín. Z = C1X1 + C2X2+ ........... Cn Xn (1) Sujeito a: a11X1 + a12X2 + ............... a1nxn < b1 a21X1 + a22X2 + ............... a2nxn < b1 ....................................................... am1X1 + am2X2 + ............... amnxn < bm Onde: xi ≥ 0 e bj ≥ 0, para i = 1, 2 ... n e j = 1, 2,..., m (1) É a função matemática que codifica o objetivo do problema e é denominada função objetivo. (2) São as funções matemáticas que codificam as principais restrições identificadas. (2) PESQUISA OPERACIONAL 25 SER_GESTFIN_ PESOP_UNID1_novo.indd 25 09/02/2021 12:14:23 EXPLICANDO • As variáveis de decisão são aqueles elementos em função dos quais pode-se obter lucro ou gerar custo (são as variáveis que estarão na sua função objetivo e nas restrições); • Ao definir as unidades de medida de cada variável de decisão, faça-o com precisão; • Não confundir variáveis de decisão com os parâmetros do problema. Por exemplo, a quantidade de mesas ou cadeiras que devem ser produzidas são variáveis de decisão, enquanto madeira e parafusos são parâmetros do problema, os quais são limitados. A seguir, você vai acompanhar a apresentação de um problema, com a descrição de cada um dos elementos de um modelo de programação linear, envolvendo investimentos. Primeiro, temos a descrição do caso e, em seguida, a explicação e a identificação de quais são as variáveis de decisão, função objetivo e restrições. Não se preocupe, neste momento, com a formulação matemática, e sim em entender quais as informações definem os elementos do modelo (variáveis de decisão, restrições e o que queremos maximizar). Problema Um investidor possui R$ 200.000 para aplicar em ações. Esse investidor está avaliando as ações de duas empresas: TeleX, cujas ações custam R$ 60 cada e o retorno esperado é de R$ 6 ao ano. TeleY, cujas ações custam R$40 cada e o retorno esperado é de R$5 ao ano. O investimento não deve ultrapassar R$60.000 em uma única empresa. Desse modo, como ele deve planejar seu investimento, de modo a maximi- zar seu lucro anual? Precisamos entender o contexto. Variáveis de decisão Se o objetivo é maximizar o lucro, temos que pensar em função de quem ocorre esse lucro. Essas serão as variá- veis de decisão. • Quantidade de ações da TeleX; • Quantidade de ações da TeleY. PESQUISA OPERACIONAL 26 SER_GESTFIN_ PESOP_UNID1_novo.indd 26 09/02/2021 12:14:23 Função objetivo Função (equação) que representa o que se deseja maximizar, nesse caso, maximizar a função de lucro. Restrições Limites aos quais a função objetivo deve se sujeitar no processo de ma- ximização. Como o investimento não deve ultrapassar R$60.000 em cada empresa, isso é restrição do modelo, que será representada por inequa- ções. As variáveis de decisão são quantidades de ações, e como não podem ser negativas, as variáveis de decisão serão maiores ou iguais a zero, sendo outra restrição do modelo. Nesse sentido, a abordagem de um problema por meio da programação linear envolve duas etapas: • Formulação do modelo matemático; • Resolução. Na etapa de formulação, transformamos o problema real em um mode- lo matemático (linear), simplificando o problema. Na etapa de resolução, aplicamos as técnicas de programação linear no modelo e encontramos a solução ótima. Qual a relevância de cada uma dessas etapas? Quanto a isso, podemos fazer algumas ponderações: • Muitos livros de PO focam na resolução do modelo matemático, rele- gando a etapa de formulação; • Na etapa de formulação de modelos, é preciso coletar os dados es- pecíficos de cada organização, o que não pode ser realizado por qualquer pessoa, mas por alguém que realmente conheça o negócio da organização; • Para a etapa de resolução do problema, podemos pedir ajuda para al- gum especialista em programação linear ou para uma consultoria; • Quando o modelo matemático já foi construído, qualquer pessoa com conhecimentos das técnicas de programação linear pode encontrar a solu- ção do problema. Os modelos podem ser formulados por caminhos diferentes, isto é, não há um modo único para a formulação, que é uma tarefa complexa depen- dente de diversos fatores. Contudo, as informações necessárias para for- mular os modelos, em geral, apresentam as seguintes características: PESQUISA OPERACIONAL 27 SER_GESTFIN_ PESOP_UNID1_novo.indd 27 09/02/2021 12:14:23 • Estão em diversos lugares de uma organização, ou seja, não estão con- centradas; • Não são precisas; • São informações que não estão prontas para uso, precisam ser coleta- das ou estimadas. Embora seja uma etapa complexa, a sequência de passos que será des- crita no próximo tópico é uma maneira que pode facilitar a formulação de problemas. Assim, para construir o modelo matemático, precisamos responder às questões: • Qual é o objetivo? • O que maximizar (ou minimizar)? • Quais são as variáveis de decisão? • Quais são as restrições do problema? Por exemplo: Uma indústria de móveis produz três produtos: cadeiras, mesas e es- tantes. Esses produtos consomem tempo nos processos de montagem e de acabamento. Os tempos neces- sários para cada produto, em cada processo, e a respectiva disponibili- dade de tempo, são: Cadeira: 4 horas de montagem e 6 horas de acabamento; Mesa: 3 horas de montagem e 3 horas de acabamento; Estante: 2 horas de montagem e 1 hora de acabamento. Disponibilidade de 36 horas de montagem e 50 horas de acabamento. Sabendo que cada cadeira será vendida por R$ 100 cada mesa por R$ 180 e cada estante por R$ 150 quantas unidades de cada tipo de produto devem ser produzidas para atingir o maior lucro possível? PESQUISA OPERACIONAL 28 SER_GESTFIN_ PESOP_UNID1_novo.indd 28 09/02/2021 12:14:29 Observe o modelo de programação linear que representa esse problema na Figura 4. Figura 4. Modelo de programação linear do problema. Variáveis de decisão X1 = quantidade de cadeiras X2 = quantidade de mesas X3 = quantidade de estantes Função objetivo Maximizar L = 100 · X1 + 180 · x2 + 150 · x3 Restrições Montagem 4 · x1 + 3 · x2 + 2. x3 ≤ 36 Acabamento 6 · x1 + 3 · x2 + 1 · x3 ≥ 50 Definir o objetivo pode não ser tão óbvio, pois em um determinado con- texto o objetivo de uma empresa pode ser o de aumentaro número de clien- tes, mesmo obtendo menor lucro. Em outro contexto, o objetivo pode ser a maximização do lucro, dependendo da estratégia da empresa. As variáveis de decisão podem ser escolhidas por quem está formu- lando o problema, em função de sua relevância no caso em estudo. Já as restrições estão postas, em geral, e não podem ser escolhidas pelo gestor. O aplicativo mais difundido para tratar problemas de PO é o Excel e seu suplemento Solver. Há, inclusive, livros de PO que usam o Excel na resolução dos problemas. De qualquer forma, a modelagem matemática sempre será uma tarefa a ser cumprida por quem está realizando o estudo do caso: o analista. Ne- nhum software vai abstrair o problema da realidade, decidir quais serão as variáveis e restrições para então traduzi-lo em linguagem matemática. PESQUISA OPERACIONAL 29 SER_GESTFIN_ PESOP_UNID1_novo.indd 29 09/02/2021 12:14:29 O pensar sobre o caso real e a construção do modelo permanecem sob domínio do profissional que realiza o estudo em PO. Então, o que os aplicativos fazem? Como em muitas outras áreas, os softwares que tratam de problemas abordados pela PO realizam as operações matemáticas necessárias para resolver o problema previamente modelado pelo profissional. No caso da aplicação da técnica de programação linear, por meio do su- plemento Solver do Excel, o profissional registra em uma planilha a estrutura do problema (modelagem matemática), composta pelas variáveis de decisão, função objetivo (equação) e restrições (inequações). Só depois disso abrirá o suplemento Solver para registrar alguns parâmetros da programação linear. A Figura 5 apresenta a modelagem matemática de um problema em que se aplicou a técnica da programação linear em uma planilha Excel. Figura 5. Modelo matemático (programação linear) no Excel. Veja que a função objetivo (descrita no Fluxograma 1 no campo superior fx) foi escrita em função das células C4 e C5, que são as células que guardam os valores assumidos pelas variáveis de decisão L1 e L2, ou seja, a solução do problema. Como este ainda não foi resolvido, costuma-se colocar zero nas células destinadas às variáveis de decisão (C4 e C5). Como as variáveis de decisão estão zeradas, as células que contêm as expressões matemáticas das restrições do modelo também ficam zeradas até que o problema seja resolvido. PESQUISA OPERACIONAL 30 SER_GESTFIN_ PESOP_UNID1_novo.indd 30 09/02/2021 12:14:30 Na Figura 6, vemos o suplemento Solver, do Excel. Nessa janela, temos que entrar com alguns argumentos extraídos do problema para o Solver resolvê-lo. Na Figura 6, o problema já foi solucionado pelo Solver. Figura 6. Modelo matemático de programação linear resolvido no Solver Excel. Outras técnicas Há outras técnicas que costumam ser aplicadas na resolução de pro- blemas. Esses métodos quantitativos de resolução de PO são baseados em conceitos matemáticos e estatísticos. Dessa forma, algumas outras técnicas aplicadas em estudos de PO são: • Simulação: a simulação é uma das técnicas mais utilizadas em PO. É uma ferramenta bastante fl exível, poderosa e intuitiva, que vem se popula- rizando. Essa técnica consiste no uso de um computador para imitar (simu- lar) a operação de um processo ou sistema. Existem alguns softwares que realizam simulações, como o Arena e o Pro- Model. A Figura 7, apresenta uma tela de simulação realizada no ProModel. PESQUISA OPERACIONAL 31 SER_GESTFIN_ PESOP_UNID1_novo.indd 31 09/02/2021 12:14:33 Figura 7. Exemplo de modelo para simulação Mfg_Cost.MOD. Fonte: Belge Engenharia (CDROM). Belge Consultoria. Acesso em: 13/10/2020. • Análise PERT (Program Evaluation and Review Technique): esse méto- do, técnica de avaliação e revisão de projetos, surgiu em 1958 na Marinha americana, sendo aplicado no planejamento e controle do projeto Polaris (míssil norte-americano). É considerado como uma técnica de redes, basea- do na teoria dos grafos, sendo classificado como modelo pictórico de pes- quisa operacional (ROBERTO, 2007). O modelo PERT, que é probabilístico, pode auxiliar na definição de estimati- vas em tarefas para as quais temos dificuldade em determinar um valor exato da atividade (custo, esforço ou duração). É uma técnica de fácil implementação, que pode ser realizada no MS Project, no Excel, ou em aplicativos específicos; • CPM: o CPM (Critical Path Method), elaborado na multinacional Dupont, foi pensado para realizar paradas preventivas (setup), ou não, nas linhas de produção de uma indústria, dentro do menor prazo possível. No momento em que o gestor define uma sequência de atividades e determina indivi- dualmente quanto tempo cada uma demanda, pode encontrar tarefas que impactam mais ou menos o prazo final de entrega. Sendo assim, a proposta do CPM é a de indicar as atividades e apontar quais tarefas de uma sequência não podem ser alteradas em seu tempo de execução, sem que impliquem alteração na duração total de um projeto; o que é feito graficamente. PESQUISA OPERACIONAL 32 SER_GESTFIN_ PESOP_UNID1_novo.indd 32 09/02/2021 12:14:34 Figura 8. Rede PERT com caminho crítico (CPM) do projeto. Fonte: BASTOS et al., 2014, p. 11. (Adaptado). A 4 B 11 F 31 U 16 V 72 AD 16 AE 40 AF 64 C 4 D 7 D 27 G 16 N 24 W 16 H 8 O 24 X 16 I 8 P 96 Y 16 J 8 Q 16 Z 8 K 16 R 216 AA 16 M 80 T 40 AC 8 L 8 S 72 AB 16 0 0 4 4 15 15 42 42 73 73 369369 153 153 385 385 457 457 473 473 489 489 529 529 593 593 1 2 4 6 7 8 9 10 11 12 133 5 Ao construir os gráficos, podemos aplicar o diagrama de redes. Os grá- ficos apresentam ligações e dependências entre tarefas por meio de flechas sólidas, flechas pontilhadas, círculos e de informações, como a direção das flechas e o tempo entre as atividades. A Figura 8 apresenta uma rede PERT com o caminho crítico do projeto em amarelo. Diferença entre o PERT e o CPM A diferença básica entre PERT e CPM consiste no modo como são reali- zadas as estimativas de tempo, considerando três estimativas. O PERT é um modelo probabilístico que utiliza três estimativas de tem- po e a distribuição de probabilidade Beta para a determinação do tempo mais provável. Nesse sentido, o tempo previsto de conclusão de um proje- to será a soma de todo o tempo esperado de atividades no caminho crítico. O CPM é um modelo determinístico, que considera uma sequência de atividades com tempo fixo e postula que os tempos de atividade são conhe- cidos e podem ser variados, alterando o nível dos recursos utilizados. No Diagrama 3, temos uma comparação entre as duas técnicas, análise PERT e CPM. PESQUISA OPERACIONAL 33 SER_GESTFIN_ PESOP_UNID1_novo.indd 33 09/02/2021 12:14:34 DIAGRAMA 3. TÉCNICAS PERT E CPM PERT Modelo probabilístico Média ponderada de 3 tempos possíveis: Otimista Provável Pessimista CPM Modelo determinístico Caminho crítico • Teoria das filas: consiste no estudo do tempo de espera, por meio de modelos que representam os diferentes tipos de sistemas de filas (sistemas que envolvem filas do mesmo tipo) emergentes da prática. Esses modelos de filas são eficientes na determinação de como operar um sistema de fi- las da melhor forma. Uma capacidade de atendimento excessiva envolve custos majorados, enquanto não ter capacidade de atendimento suficiente gera excesso de espera e implicações negativas. Os modelos de filas podem determinar um ponto de equilíbrio entre o custo e o tempo de espera. O Fluxograma 3 mostra um sistema com uma fila e múltiplos canais. FLUXOGRAMA 3. SISTEMA COM UMA FILA E MÚLTIPLOS CANAIS Chegada de clientes Fila de clientes Canais de serviço Saída O caso do banco Itaú A Figura 9 apresenta um modelo de simulação construído e rodado no software ProModel, utilizado para simular filas nos atendimentos de agên- cia do Banco Itaú. Nesse caso, mesmo estudando um problema envolvendo filas, foi aplicada a técnica da simulação, por meio do ProModel. PESQUISAOPERACIONAL 34 SER_GESTFIN_ PESOP_UNID1_novo.indd 34 09/02/2021 12:14:35 Segundo publicado no site da Belge Consultoria, o modelo permitiu ao gerente planejar o atendimento diário, o que os bancos costumam fazer ba- seados na experiência (sem estudo algum). Esse projeto fez parte do pro- grama interno do banco chamado de Agir, que estabeleceu metas de tempo máximo de espera. O analista encarregado do banco Itaú, Messias dos Santos, informou à Belge que as experiências piloto já estavam iniciando e que a meta seria implementar o programa nas 900 agências do Itaú, e em 1,1 mil postos de atendimento para, posteriormente, aplicar nas redes do Banerj e do Bemge. Figura 9. Modelo de simulado de agência do banco Itaú. Fonte: Belge Consultoria. Acesso em: 13/10/2020. PESQUISA OPERACIONAL 35 SER_GESTFIN_ PESOP_UNID1_novo.indd 35 09/02/2021 12:14:35 Sintetizando Nessa unidade, você estudou que a PO é uma área de estudo que envol- ve métodos para tomada de decisões, abordados por diferentes técnicas. Por meio de um exemplo, podemos entender o que ocorre quando solucionamos problemas sem o uso da PO: as soluções encontradas não são tão boas, impli- cando lucros menores e consumo desnecessário de recursos. O estudo de um problema por meio da PO é realizado, basicamente, em seis fases: elaboração do problema, construção do modelo matemático, desenvol- vimento dos cálculos com uso do modelo, testagem do modelo e da solução, controle das soluções e implantação e acompanhamento. Em geral, o objetivo é resolver o problema de forma que lucros, produtivida- de ou outra variável sejam maximizadas, e os custos, perdas e ou outras variá- veis negativas sejam minimizadas, submetendo esse objetivo a alguns limites (restrições), na busca da melhor solução possível (solução ótima). Vimos que na PO o método principal é a programação linear, já que é o método mais conhecido e aplicado nessa área. Ademais, estudamos que a PO envolve conhecimentos de matemáticos e estatísticos, embora possua sua pró- pria relevância na resolução de problemas de otimização. Bons estudos! PESQUISA OPERACIONAL 36 SER_GESTFIN_ PESOP_UNID1_novo.indd 36 09/02/2021 12:14:35 Referências bibliográficas ARENALES, M. et al. Pesquisa operacional para cursos de engenharia. Rio de Janeiro: Elsevier, 2007. BASTOS, L. S. L. et al. Rede PERT/CPM como instrumento de análise do sequencia- mento de projetos em uma empresa de sistemas integrados de ERP. In: Simpósio de Engenharia de Produção, 21., 2014, Bauru. Anais... Bauru: UEPEA, 2014. [n.p.]. BELFIORE, P.; FÁVERO, L. Pesquisa Operacional para cursos de Engenharia. Rio de Janeiro: Elsevier, 2013. BELGE CONSULTORIA. Case Itaú. Disponível em: <https://www.belge.com.br/ serhos_itau_Port.php>. Acesso em: 13 out. 2020. COHEN, E. et al.Teoria de filas aplicada na solução de transportes. In: OLIVEIRA, R. D. et al. Pesquisa operacional no contexto das organizações. 1. ed. São Luís: Editora Motres, 2018. CORRAR, L. J.; GARCIA, E. A. da R. Programação linear: uma aplicação à contabi- lidade de custos no processo de tomada de decisão. In: Congresso Internacional de Custos, 7., 2011, León. Anais... Léon: Universidade de Léon, 2001. [n.p.]. FOGLIATTI, M. C.; MATTOS, N. M. C. Teoria de filas. Rio de Janeiro: Editora Inter- ciência, 2007. HILLIER, F.S.; LIEBERMAN, G. J. Introdução à pesquisa operacional. 9. ed. São Paulo: McGraw Hill, 2013. LACHTERMACHER, G. Pesquisa operacional na tomada de decisões. 5. ed. Rio de Janeiro: Editora LTC, 2018. ROBERTO, M. Pert CPM. Administradores.com, [s.l.], 18 ago. 2007. Disponível em: <https://administradores.com.br/artigos/pert-cpm>. Acesso em: 11 out. 2020. PESQUISA OPERACIONAL 37 SER_GESTFIN_ PESOP_UNID1_novo.indd 37 09/02/2021 12:14:35 SISTEMAS LINEARES 2 UNIDADE SER_GESTFIN_ PESOP_UNID2.indd 38 09/02/2021 11:25:47 Objetivos da unidade Tópicos de estudo Aprender a resolver problemas descritos por sistemas de equações lineares; Aplicar a regra de Cramer na resolução de sistemas lineares; Aplicar os métodos de Gauss e Gauss-Jordan na resolução de sistemas lineares. Sistemas de equações lineares Equações lineares Sistemas lineares Sistemas lineares equivalentes Discussão de sistemas lineares Determinantes Sistemas homogêneos Escalonamento de sistemas lineares Método de Gauss e Gauss-Jordan Método da matriz inversa PESQUISA OPERACIONAL 39 SER_GESTFIN_ PESOP_UNID2.indd 39 09/02/2021 11:25:47 Sistemas de equações lineares Nessa unidade, você estudará os sistemas lineares, que podem representar muitos problemas do mundo real, como os apresentados nas áreas fi nanceiras, biológicas, industriais, comerciais e das engenharias. Sistemas lineares são sistemas de equações algébricas lineares, e consti- tuem um dos mais importantes temas da álgebra linear. São aplicados em mo- delos de programação linear, um dos métodos mais simples, efi cazes e difundi- dos da pesquisa operacional. Iremos estudar os métodos para a resolução de sistemas, por isso aborda- remos ao longo do texto problemas que encontram a sua modelagem matemá- tica no sistema linear. A partir do entendimento do que um sistema linear pode representar e de métodos para resolvê-lo, você terá agregado à sua bagagem de conhecimen- tos algumas estratégias fundamentais de resolução de problemas em distintos campos profi ssionais. Equações lineares Para defi nir sistemas lineares, que são sistemas compostos por equações lineares, vamos conceituar o que são equações lineares. Uma equação linear com n incógnitas (x1, x2, x3, …, xn) é uma equação da forma: a1 . x1 + a2 . x2 + a3 . x3 + … + an . xn = b (1) Os números a1, a2, a3, …, an pertencem ao conjunto dos números reais e são denominados coefi cientes. b também é real e é chamado de termo independente. Exemplos: x1 + 2 . x2 - x3 = 10 (2) 5 . x1 - 2 . x2 - x3 = 0 (3) x1 + x2 + x3 = -7 (4) 5 . x1 + 2 . x2 - x3 = 0 (5) Observações: • Equação linear homogênea é aquela que possui o termo independente igual a zero (Equações (3) e (5)); • Toda equação linear tem o expoente de todas as incógnitas igual a um; PESQUISA OPERACIONAL 40 SER_GESTFIN_ PESOP_UNID2.indd 40 09/02/2021 11:25:47 • Uma equação linear não apresenta termos mistos (xy, xz, …) nem raízes; • x1 . x2 + x3 =2 e x1 . x2 + x3 = 0 2 , por exemplo, não são equações lineares. Sistemas lineares Um sistema linear é formado por um conjunto de equações lineares, e pode ser resolvido por métodos que envolvem matrizes. As matrizes são estruturas matemáticas que podem ser encontradas como representações de muitos problemas cotidianos, como os problemas resolvi- dos por programação linear, por exemplo. A Figura 1 apresenta uma matriz com três linhas e três colunas: Figura 1. Matriz 3 × 3. Fonte: Shutterstock. Acesso em: 22/12/2020. Matrizes, de forma geral, são denotadas por letras maiúsculas. Assim, se chamamos uma matriz de A, seus elementos serão denotados por letras mi- núsculas aij, em que i e j correspondem aos números de linha (i) e de coluna ( j), justapostos e subscritos à letra que representa o elemento (a). Se uma matriz possui m linhas e n colunas, dizemos que a matriz ordem m × n a Figura 1, mostra uma matriz de ordem 3 × 3. Uma matriz m × n é um quadro retangular com um número de elementos igual ao produto entre m e n, dispostos em m linhas e n colunas. Assim, uma matriz A pode ser representada pela Figura 2: 1 1 1 PESQUISA OPERACIONAL 41 SER_GESTFIN_ PESOP_UNID2.indd 41 09/02/2021 11:25:47 Figura 2. Matriz m × n. Figura 3. Sistema linear S. Desse modo, a matriz A, de ordem m × n, possui um número de elemen- tos igual ao produto entre m e n, sendo seus elementos da forma aij, com i = 1, …, m. e j = 1, …, n. Outras formas de representar uma matriz A são: A = [aij ]m × n ou A = (aij )m × n. Agora que você já relembrou o que é umamatriz, podemos estudar uma definição de sistema linear fundamentada no conceito de matriz. Um sistema de equações lineares, geralmente denominado sistema li- near, é um conjunto de m (m ≥ 1) equações lineares com incógnitas x1, x2, ..., xn, ou seja, é um conjunto de equações conforme o mostrado na Figura 3: S é um sistema linear que pode ser escrito como a equação matricial: A . X = B (6) A = a11 a21 ⋮ ⋮ ai1 am1 a1j a2j ⋮ ⋮ aij amj a12 a22 ⋮ ⋮ ai2 am2 ⋯ ⋯ ⋱ ⋱ ⋯ ⋯ ⋯ ⋯ ⋱ ⋱ ⋯ ⋯ a1n a2n ⋮ ⋮ ain amn a11 x1 + a12 x2 + a13 x3 + ⋯ + a1n xn = b1 a21 x1 + a22 x2 + a23 x3 + ⋯ + a2n xn = b2 a31 x1 + a32 x2 + a33 x3 + ⋯ + a3n xn = b3 am1 x1 + am2 x2 + am3 x3 + ⋯ + amn xn = bm ⋯ ⋯ ⋯ ⋯ ⋯ S: PESQUISA OPERACIONAL 42 SER_GESTFIN_ PESOP_UNID2.indd 42 09/02/2021 11:25:47 Em que: • A matriz A é formada pelos coeficientes das variáveis de cada equação; • A matriz X representa as variáveis do sistema; • A matriz B é formada pelos termos independentes das equações. Vamos a um exemplo: O sistema linear 2 . x + y = 10 x + 3 . y = 15 pode ser representado matricialmente por: . =A . X = B → 1 3 2 1 y x 15 10 (7) A solução de um sistema linear A . X = B é uma matriz coluna de números reais: S = [s1 s2 ⋮ sn ], de forma que todas as equações que compõem o sistema são satisfeitas, simultaneamente, quando ocorrem as substituições: x1 = s1, x2 = s2 , x3 = s3 , ..., xn = sn. Logo, S satisfaz a equação matricial A . S = B, e o conjunto de todas as solu- ções do sistema é chamado de conjunto solução do sistema. Veja como isso se aplica ao sistema: 5 . x1 + 4 . x2 = 180 4 . x1 + 2 . x2 = 120 (8) (9) Sua representação matricial matricial A . X = B é: . =4 2 5 4 x2 x1 120 180 (10) Esse sistema possui uma solução única, X = [20 20], que satisfaz as duas equa- ções que compõem o sistema linear. Vamos verificar isso substituindo x1 = 20 e x2 = 20 em cada uma das equações. Figura 4. Matrizes da equação (8). , X = x1 x2 ⋮ xn e B = b1 b2 ⋮ bm A = a12 ⋯ a1n a22 ⋯ a2n ⋮ ⋱ ⋮ a11 a21 ⋮ am1 am2 ⋯ amn PESQUISA OPERACIONAL 43 SER_GESTFIN_ PESOP_UNID2.indd 43 09/02/2021 11:25:48 Em 5 . x1 + 4 . x2 = 180: 5 . 20 + 4 . 20 = 100 + 80 = 80 (11) O conjunto solução X = [20 20] satisfaz a Equação (8). Em 4 . x1 + 2 . x2 = 120: 4 . 20 + 2 . 20 = 80 + 40 = 120 (12) O conjunto solução X = [20 20] satisfaz a Equação (9). EXPLICANDO A notação de um sistema linear pode ser feita de formas diferentes no que diz respeito às variáveis. Você pode escolher usar letras (x, y, z etc.) ou usar a letra x com um índice subscrito (x1, x2, x3 etc.) para representar as variáveis. Não existe certo ou errado. Entretanto, usar a letra x com um índice subscrito é bastante adequado para sistemas de qualquer dimensão, já que notações que usam letras do alfabeto se limitam à quantidade de letras desse mesmo alfabeto. A equivalência de sistemas lineares envolve, também, o conceito de matriz aumentada ou ampliada do sistema. Considerando um sistema linear A . X = B, chamamos de matriz aumentada (denotada por Au), ou ampliada do sistema, a matriz obtida ao acrescentarmos a matriz dos termos independentes (B) à direita da matriz dos coeficientes (A). A sua notação é Au = [A ⋮ B]. Au é uma matriz de ordem m × (n + 1), sendo as n primeiras colunas iguais às da matriz A (dos coeficientes) e a última coluna igual à da matriz B (dos termos independentes). Dessa forma, se um sistema linear é formado por quatro variáveis e quatro equações, a matriz ampliada que representa esse sistema será de ordem 4 × 5. Essa ordem ocorre porque o sistema apresenta quatro equações (o que corres- ponde a quatro linhas) e quatro variáveis (o que corresponde a quatro colunas de coeficientes), o que determina que a matriz dos coeficientes tem ordem 4 × 4 (quatro linhas por quatro colunas). Já a matriz ampliada tem uma coluna a mais, onde ficam os termos independentes das equações. Portanto a ordem da matriz ampliada será 4 × 5 (quatro linhas e cinco colunas). Por exemplo, a matriz aumentada do sistema x + y + z = 7 - x + y + z = 6 2 . x - y - z = -4 é: PESQUISA OPERACIONAL 44 SER_GESTFIN_ PESOP_UNID2.indd 44 09/02/2021 11:25:48 (13)-1 2 1 ⋮ ⋮ ⋮ 6 -4 7 1 1 -1 1 1 -1 Realizando operações elementares na matriz Au, também alteramos os ele- mentos da matriz B, obtendo uma matriz equivalente Ãu = [à ⋮ ~B]. Dessa forma, o sistema inicial será alterado para o sistema à . X = ~B.̃ Sistemas lineares equivalentes Dois sistemas de equações lineares são denominados equivalentes se as suas matrizes aumentadas Au = [A ⋮ B] e Ãu = [à ⋮ ~B ̃] são equivalentes. Duas matrizes A e à são chamadas de matrizes equivalentes se uma delas for obtida ao realizarmos operações elementares na outra. Veja o exemplo: Considere A = [1 2 3 0 0 1 1 2 0 ]. Se fi zermos as seguintes operações elemen- tares (Li = Linha i): (14)0 0 1 0 2 0 1 3 -3 L3 = L3 - L1 → à = (15)L33 → à =L3 = 00 1 0 2 0 1 3 -1 (16)L3 = L3 + L2 → à = 0 0 1 0 2 0 1 3 0 Teremos que A = [1 2 3 0 0 1 1 2 0] e à = [1 2 3 0 0 1 0 0 0] são matrizes equivalentes, pois à foi obtida de A por meio de operações elementares. Agora que você já sabe o que são matrizes equivalentes, podemos voltar a falar em sistemas equivalentes. Importante lembrar que sistemas lineares equivalentes possuem a mesma solução. Interpretação geométrica do sistema linear Cada uma das equações do sistema de três variáveis (x, y, z) representa um plano. A solução do sistema é o conjunto de valores que x, y e z devem assumir, de modo que satisfaçam, simultaneamente, as três equações que formam o sistema. Isso, geometricamente, signifi ca a intersecção dos três planos. Essa intersecção, a solução do sistema, geometricamente é representada por um ponto, cujas coordenadas são iguais à solução do sistema linear. PESQUISA OPERACIONAL 45 SER_GESTFIN_ PESOP_UNID2.indd 45 09/02/2021 11:25:48 Discussão de sistemas lineares Discutir sistemas lineares consiste em classifi car os sistemas analisando os tipos de soluções que apresentam. Um sistema linear pode ter uma única solu- ção, infi nitas soluções ou não ter solução alguma. Classifi cação de sistemas lineares Podemos classifi car os sistemas lineares em: • Sistema possível e determinado (SPD); • Sistema possível e indeterminado (SPI); • Sistema impossível (SI). Para classifi car um sistema linear, observam-se os coefi cientes das equa- ções em relação ao determinante da matriz que representa os coefi cientes das equações. Determinantes À toda matriz quadrada pode ser associado um nú mero real chamado de- terminante. Pode-se dizer que o determinante é uma função matricial que associa um escalar à cada matriz quadrada, representando a matriz por um número real. Vejamos como calcular determinantes. Determinante de matriz 1 × 1 O determinante de uma matriz quadrada de primeira ordem é igual ao pró- prio elemento da matriz. Dessa forma, para cada matriz A = [a] o determinante de A, denotado por det(A), é igual a a. Portanto, det(A) = a. Por exemplo, a matriz A de ordem 1 × 1, A = [-20], tem como determinante -20. Uma das formas de visualizar esses planos e a solução do sistema é imple- mentar as equações em softwares de matemática dinâmica, como o GeoGebra. DICA O GeoGebra é um software gratuito, robusto e efi ciente para estudar matemática e estatística. Para ter acesso a ele, basta visitar o site da GeoGebra e baixar o aplicativo, que também está disponível on-line e para smartphones. PESQUISA OPERACIONAL 46 SER_GESTFIN_ PESOP_UNID2.indd 46 09/02/2021 11:25:49 Determinante de matriz 2 × 2 O determinante da matriz A = [a11 a12 a21 a22] é dado por: det (A) = |A| = a11 . a22 - a12 . a21 (17) O determinante da matriz quadrada de ordem dois é igual à diferença entre o produto dos elementos da diagonal principal e o produto dos elementos da diagonal secundária. O determinante da matrizA = [2 1 -1 -1] é calculado por: det (A) = |A| = a11 . a22 - a12 . a21 = 2 . (-1) - 1 . (-1) = -2 - (-1) = -2 + 1 = -1→ det (A) = -1 (18) Determinante da matriz 3 × 3 A introdução ao cálculo de determinantes de matrizes de ordem 3 × 3, em geral, é realizada no Ensino Médio, utilizando a regra de Sarrus. O método proposto pela regra de Sarrus consiste em efetuar os passos: 1. Copiar as duas primeiras colunas, no lado direito da matriz; 2. Multiplicar os elementos da diagonal principal e, na mesma direção da diagonal principal, multiplicar os elementos das outras duas paralelas à diago- nal principal à sua direita; 3. Multiplicar os elementos da diagonal secundária e, na mesma direção, os elementos das outras duas paralelas à sua direita; 4. O determinante da matriz é a diferença entre o produto obtido no passo 2 e o produto obtido no passo 3. Vejamos um exemplo, em que o determinante da matriz A é calculado pela regra de Sarrus. Dada a matriz A = [1 2 3 0 2 4 -1 3 5], observe a Figura 5 e as equações que a seguem. Figura 5. Passos da regra de Sarrus para cálculo do determinante da matriz A. det(A) = 1 0 -1 2 2 3 3 4 5 1 0 -1 2 2 3 PESQUISA OPERACIONAL 47 SER_GESTFIN_ PESOP_UNID2.indd 47 09/02/2021 11:25:49 det(A) = |1 2 3 0 2 4 -1 3 5| 1 2 0 2 -1 3 → 1 . 2 . 5 + 2 . 4 . (-1) - [3 . 2 . (-1) + 1 . 4 . 3 + 2 . 0 . 5] = 10 - 8 - [-6 + 12 + 0] → det det (A) = -4 (19) Para as notações de determinante temos: • det(A) ou |A|; • Na forma matricial, as duas barras (com ou sem colchetes internos) deno- tam que se trata do determinante da matriz, como em |a11 a12 a21 a22|, ou seja, o que se está considerando é o número associado à matriz (determinante), e não especificamente à matriz correspondente. A regra de Cramer é baseada em determinantes, sendo utilizada para re- solver sistemas de equações lineares cujos números de equações e variáveis são iguais, sendo mais adequada para a resolução de sistemas pequenos, por- que implica no cálculo de determinantes que será tanto maior quanto maior for a dimensão do sistema. Assim, considere um sistema de equações lineares em que o número de equações é igual ao número de incógnitas (isto é, m = n), o que implica em A (matriz dos coeficientes) ser uma matriz quadrada. Se det (A) ≠ 0, o sistema será possível e determinado e terá uma solução única, sendo a solução do sistema A . X = B dada por: det(Ai ) det(A)xi = , i = 1, 2, 3, ..., n (20) Em que det(A) é o determinante da matriz obtida da matriz A, substituindo- -se a sua i - ésima coluna pela matriz B dos termos independentes. Exemplo: Vamos resolver o sistema x1 + x2 = 63 . x1 - x2 = 2 pela regra de Cramer: (21)det(A) = = 1 . (-1) - 1 . 3 = -43 1 -1 1 Como det (A) ≠ 0, o sistema possui uma solução única. Nesse caso, prosseguiremos com a resolução, mas, caso det(A) = 0, o sistema seria impossível, já que, con- forme a regra de Cramer, com det(A) = 0, seria exigida uma divisão por zero, o que não é pos- sível. Por isso, o sistema é chamado de impos- sível ou indefinido. PESQUISA OPERACIONAL 48 SER_GESTFIN_ PESOP_UNID2.indd 48 09/02/2021 11:25:49 Para encontrar x1, temos A1 sendo obtida a partir da matriz A, substituindo a primeira coluna de A pela matriz B, dos termos independentes. Ou seja: det(A1) det(A) -8 -4= -6 - 2 = -8 → x1 = = = 2 (22)2 6 -1 1det(A1) = Para encontrar x2, temos A2 sendo obtida a partir da matriz A, substituindo a segunda coluna de A pela matriz B, dos termos independentes. Ou seja: det(A2) det(A) -16 -4= 2 - 18 = -16 → x2 = = = 4 (23)3 1 2 6det(A2) = Portanto, o conjunto solução do sistema x1 + x2 = 63 . x1 - x2 = 2 é S = {2, 4}. Determinantes de matrizes de qualquer ordem Para definir o determinante de uma matriz quadrada de ordem superior a dois, podemos utilizar menores e cofatores. Dada uma matriz quadrada A = [aij ]n, a menor da matriz A, chamada de Mij, é uma submatriz de ordem (n - 1) obtida ao excluir a linha i e a coluna j. Veja a Figura 6. Figura 6. Matriz A e sua menor, Mij. A = ⟹ Mij = [aij ](n - 1) a11 a21 ⋮ ⋮ ai1 an1 a1j a2j ⋮ ⋮ aij anj a12 a22 ⋮ ⋮ ai2 an2 ⋯ ⋯ ⋱ ⋱ ⋯ ⋯ ⋯ ⋯ ⋱ ⋱ ⋯ ⋯ a1n a2n ⋮ ⋮ ain anm Se: Com: a1(j - 1) ⋮ ⋮ a(i - 1)(j - 1) a(i + 1)(j - 1) an(j - 1) a11 ⋮ a(i + 1)1 a(i - 1)1 an1 ⋮ ⋱ ⋯ ⋯ ⋱ ⋯ ⋯ a1(j + 1) ⋮ ⋮ a(i - 1)(j + 1) a(i + 1)(j + 1) an(j + 1) ⋱ ⋯ ⋯ ⋱ ⋯ ⋯ a1n ⋮ ⋮ a(i - 1)n a(i +1)n ann Mij = PESQUISA OPERACIONAL 49 SER_GESTFIN_ PESOP_UNID2.indd 49 09/02/2021 11:25:51 Figura 7. Resolução do exemplo da menor, M34, da matriz A. Cofatores dos elementos de uma matriz O cofator Aij do elemento na posição (i, j) de uma matriz A é calculado pelo produto do determinante de Mij pelo valor de (-1) i + j, ou seja: Aij = (-1) i + j . det (Mij) (24) Exemplo: Vamos determinar os cofatores Aij dos elementos da matriz A = [1 2 3 0 2 4 -1 3 5], e a respectiva matriz de cofatores de A. Veja a Figura 8 com o passo a passo. Exemplo: A (matriz) menor da matriz A, sendo M34 (que pode ser vista na Figura 7b), é: A = 2 0 2 1 0 5 3 2 1 -1 3 0 -1 1 0 6 4 0 1 0 4 1 3 1 0 A B Resolução 2 0 1 0 5 3 1 -1 3 0 1 0 4 1 1 0 A = 6 4 1 0 2 2-1 3 0 M34 = 2 0 1 0 3 0 1 0 4 1 1 0 6 4 1 0 PESQUISA OPERACIONAL 50 SER_GESTFIN_ PESOP_UNID2.indd 50 09/02/2021 11:25:52 Logo, a matriz de cofatores de A é denotada por: A11 A21 A31 A12 A22 A32 A13 A23 A33 -2 -1 2 -4 8 -4 2 -5 2 Cof(A) = = (25) O determinante de uma matriz quadrada A, de ordem n ≥ 2, é igual à soma dos produtos dos elementos de uma linha (ou de uma coluna) qualquer pelos seus respectivos cofatores. Considerando uma matriz A de ordem n, A = [aij ]n, no geral, o cálculo do de- terminante referido a qualquer linha k é dado por: |A|= ∑ i = 1 n akj . Akj (26) Em que k é uma linha fixa. Por outro lado, o cálculo do determinante referido a qualquer coluna k é dado por: |A| = ∑ i = 1 n aik . Aik (27) Figura 8. Passo a passo do exemplo da determinação dos cofatores Aij dos elementos da matriz A. A11 = (-1)1 + 1 . = 1 . (2 . 5 - 4 . 3) = -2 2 4 3 5 A = 0 2 4-1 3 5 1 2 3 A21 = (-1)2 + 1 . = -1 . (2 . 5 - 3 . 3) = -1 2 3 3 5 A = 0 2 4-1 3 5 1 2 3 A12 = (-1)1 + 2 . = -1 . (0 . 5 - 4 . (-1)) = -4 0 4 -1 5 A = 0 2 4-1 3 5 1 2 3 A13 = (-1)1 + 3 . = 1 . (0 . 3 - 2 . (-1)) = 2 0 2 -1 3 A = 0 2 4-1 3 5 1 2 3 A22 = (-1)2 + 2 . = 1 . (1 . 5 - 3 . (-1)) = 8 1 3 5 A = 0 2 4-1 3 5 1 2 3 -1 A23 = (-1)2 + 3 . = -1 . (1 . 3 - 2 . (-1)) = -5 1 2 3 A = 0 2 4-1 3 5 1 2 3 -1 A31 = (-1)3 + 1 . = 1 . (2 . 4 - 3 . 2) = 2 2 3 4 A = 0 2 4-1 3 5 1 2 3 2 A32 = (-1)3 + 2 . = -1 . (1 . 4 - 3 . 0) = -4 1 3 4 A = 0 2 4-1 3 5 1 2 3 0 A33 = (-1)3 + 3 . = 1 . (1 . 2 - 2 . 0) = 2 1 2 2 A = 0 2 4-1 3 5 1 2 3 0 PESQUISA OPERACIONAL 51 SER_GESTFIN_ PESOP_UNID2.indd 51 09/02/2021 11:25:54 DIAGRAMA 1. CLASSIFICAÇÃO DE SISTEMAS LINEARES Em que k é uma coluna fixa. O desenvolvimento mostrado para o cálculo do determinante (usando linhas ou colunas) é comumente conhecido como desenvolvimento, ou teorema, de Laplace. Vamos a um exemplo: Considerando o exemplo anterior, calcularemos o determinante da matriz A = [1 2 3 0 2 4 -1 3 5]. Sabemos, pelo desenvolvimento do exemplo anterior, que a matriz dos cofato- res de A é Cof(A)= [-2 -4 2 -1 8 -5 2 -4 2], então, para calcular o determinante da matriz A basta eleger uma linha ou uma coluna da matriz A, e calcular o somatório dos produtos dos elementos dessa linha ou coluna por seus correspondentes cofatores. Tomando a linha 2 para realizar o cálculo do determinante, temos: |A| = 0 . (-1) + 2 . 8 + 4 . (-5) = -4 → det(A) = -4 (28) Você pode verificar que o valor do determinante é o mesmo, independente- mente da linha ou coluna escolhida. Agora que você conhece o conceito de determinante e sabe como fazer o cálculo de determinantes, poderá analisar os coeficientes das equações dos sistemas lineares e seus determinantespara discutir sobre o tipo de solução que apresentam, o que permite que você classifique cada sistema como possí- vel e determinado, possível e indeterminado ou impossível. O Diagrama 1 sintetiza a classificação de sistemas lineares quanto ao nú- mero de soluções. Det(A)≠0 Sistema Det(A)=0 Sistema Possível e determinado Possível e indeterminado Infinitas soluções Impossível Não tem solução Solução única PESQUISA OPERACIONAL 52 SER_GESTFIN_ PESOP_UNID2.indd 52 09/02/2021 11:25:54 Observe a discussão dos sistemas que se segue: 1º sistema: x - y + z = 3 2 . x + y - 3 . z = 4 3 . x - y + 2 . z = 6 (29)S1 : Temos três equações e três variáveis, m = n, e o determinante da matriz dos coeficientes do sistema S1 é: 1 2 3 -1 1 -1 1 -3 2 det = = 7 ≠ 0 (30) Como det ≠ 0, o sistema é possível e determinado (uma única solução). 2º sistema: (31)x + 2 . y = 1 3 . x + 6 . y = 3 ⤸ 3 . (x +2y = 1)S1 : Temos duas equações e duas variáveis, m = n, e o determinante da matriz dos coeficientes do sistema S1 é: 1 3 2 6 = 1 . 6 - (2 . 3) = 6 - 6 = 0 (32) Como det(A) = 0, o sistema é possível e indeterminado (há infinitas soluções). Como um exercício, vamos ver qual o valor de a para que o sistema a . x - y = 82 . x + 4 . y = 6 seja possível e determinado (SPD)? Para que o sistema seja SPD, o determinante da matriz dos coeficientes de- verá ser diferente de zero. Dessa forma: (33)a . x - y = 8 2 . x + 4 . y = 6 → (SPD) ⇒ D = a 2 -1 4 ≠ 0 4 . a - (-2) ≠ 0 (34) 4 . a ≠ -2 (35) a ≠ - 1 2 (36) DICA Você pode calcular os determinantes por outros métodos, como pela regra de Sarrus, por exemplo, mas nesse caso, a regra se aplica somente a matrizes 3 × 3. Por outro lado, usando a menor e cofatores você calcula o determinante para qualquer matriz quadrada. Atualmente, o cálculo de determinantes é realizado por meios computacionais, então é necessário que você saiba como é feito o cálculo, mas, especialmente, saiba no que o determinante pode ajudá-lo na hora de resolver um problema. Como vimos, ele pode indicar o número de soluções que um sistema possui. PESQUISA OPERACIONAL 53 SER_GESTFIN_ PESOP_UNID2.indd 53 09/02/2021 11:25:56 Sistemas homogêneos Sistema homogêneo é aquele cujos termos independentes de todas as equações que o compõem são nulos. A forma geral do sistema homogêneo é indicada na Figura 9. Figura 9. Forma geral do sistema homogêneo. • Qualquer sistema homogêneo de n variáveis admite, pelo menos, a sequên- cia ordenada 0, 0, ..., 0 como solução, porque essa sequência ordenada satisfaz a todas as equações do sistema, chamada de solução nula, trivial ou imprópria; • Um sistema homogêneo é sempre possível, porque possui, ao menos, a solução trivial; • Se o sistema homogêneo possui apenas a solução nula, ele é possível e determinado; • Se o sistema homogêneo possui outras soluções além da nula, ele é possí- vel e indeterminado. Essas soluções são próprias ou não triviais. Posto Uma outra forma de discutir sobre as soluções de um sistema linear é ba- seada no conceito de posto da matriz. Se A é uma matriz de ordem m × n, na forma escalonada, o posto da matriz é determinado pelo seu número de linhas não nulas. Sua notação é p(A). EXPLICANDO As linhas não nulas obtidas ao reduzir uma matriz à sua forma escada são denominadas linhas linearmente independentes. a11 x1 + a12 x2 + a13 x3 + ⋯ + a1n xn = 01 a21 x1 + a22 x2 + a23 x3 + ⋯ + a2n xn = 0 a31 x1 + a32 x2 + a33 x3 + ⋯ + a3n xn = 0 am1 x1 + am2 x2 + am3 x3 + ⋯ + amn xn = bm ⋯ ⋯ ⋯ .. ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ S: PESQUISA OPERACIONAL 54 SER_GESTFIN_ PESOP_UNID2.indd 54 09/02/2021 11:25:56 Nulidade de uma matriz Considere uma matriz A de ordem m × n. A nulidade da matriz é dada pela diferença entre o número de colunas e o seu posto. Sua notação é nul(A) - p, em que n = número de colunas da matriz A. Vamos a um exemplo: Vamos encontrar o posto e o espaço nulo da matriz A = [1 2 1 0 -1 0 3 5 1 -2 1 1 ]. Escalonando a matriz A, temos a matriz equivalente, na forma escalonada à = [1 0 0 -7/8 0 1 0 -1/4 0 0 1 11/8], então o posto e o espaço nulo da matriz são dados por p(A) = 3. Assim, nul(A) = 4 – 3 = 1. Classificação de sistema linear usando o conceito de posto de matriz Aplicando o conceito de posto e considerando as notações: • Au: matriz ampliada do sistema; • p(A): posto da matriz A; • p(Au): posto da matriz aumentada do sistema A . X = B; • n: número de colunas da matriz dos coeficientes (igual ao número de va- riáveis do sistema). As soluções de A . X = B apresentam as características sintetizadas no Diagrama 2. DIAGRAMA 2. CLASSIFICAÇÃO DE SISTEMAS LINEARES Se p(A) ≠ p (Au); Sistema Se p(A) = p (Au); Sistema Se p(A) = n Se p(A) < n Possível e determinado Possível e indeterminado Impossível PESQUISA OPERACIONAL 55 SER_GESTFIN_ PESOP_UNID2.indd 55 09/02/2021 11:25:56 Escalonamento de sistemas lineares O escalonamento de matrizes pode ser aplicado para simplifi car a resolução de um sistema linear, por meio de operações sobre os elementos pertencentes às linhas da matriz ampliada que representa o sistema, chegando a uma ma- triz equivalente. Essa matriz equivalente, na parte referente aos coefi cientes das equações do sistema, estará na forma escalonada, como a matriz da Figura 10. Método de Gauss e Gauss-Jordan Método de Gauss Um método mais simples, mais fácil de ser programado e de menor custo computacional é baseado no escalonamento de matrizes, que transforma o sistema linear original em um sistema linear equivalente, apresentando uma matriz dos coefi cientes na forma escalonada. O método de Gauss consiste em reescrever um sistema de equações na forma escalonada por linhas, o que geralmente envolve uma série de siste- mas equivalentes, usando as operações elementares para obter cada sistema equivalente. Esse processo é chamado de eliminação de Gauss, ou elimina- ção gaussiana, em homenagem ao matemático alemão Carl Friedrich Gauss (1777–1855). Figura 10. Matriz na forma escalonada. A regra de Cramer para cálculos de determinantes não é adequada para resolução de sistemas grandes, em função da quantidade de cálculos de deter- minantes necessários para utilizá-la. Por exemplo, um sistema 5 × 5 demanda o cálculo de seis determinantes de ordem 5. -2 3 ⋮ 9 1 3 ⋮ 5 0 2 ⋮ 4 1 0 0 PESQUISA OPERACIONAL 56 SER_GESTFIN_ PESOP_UNID2.indd 56 09/02/2021 11:25:57 Uma forma de iniciar o método é a partir do canto esquerdo de cima do sistema, mantendo o x1 no canto esquerdo de cima e eliminando os outros ter- mos em x1 da primeira coluna (devem ficar iguais a zero). Em seguida, passamos para a segunda coluna, buscando eliminar os termos em x2, abaixo da segunda linha. As operações elementares permitidas para se escalonar uma matriz são: • Trocar de posição duas linhas da matriz que representa o sistema; • Substituir uma equação pela mesma equação multiplicada por um escalar diferente de zero; • Substituir uma equação pela mesma equação somada a outra equação multiplicada por um escalar. As matrizes A e B (Figura 11) estão representadas na forma escalonada (ou escada): Figura 11. Matrizes A e B na forma escalonada. Vamos a um exemplo: Vamos resolver o sistema x - 2 . y + 3 . z = 9 -x + 3 . y = -4 2 . x - 5 . y + 5 . z = 17 pelo método de Gauss. Associando uma matriz ampliada ao sistema, temos: (37) 1 -1 2 -2 3 -5 3 0 5 9 -4 17 ⋮ ⋮ ⋮ Realizando as operações elementares necessárias (considerando Li = cada linha i): Para eliminar o a21 = -1: 1 0 2 -2 1 -5 3 3 5 9 5 17 ⋮ ⋮ ⋮ L2 = L2 + L1 → (38) 2 3 1 1 0 2 1 0 0 A = , B = 1 2 2 3 4 2 0 0 5 0 7 2 1 0 0 0 PESQUISA OPERACIONAL 57 SER_GESTFIN_ PESOP_UNID2.indd 57 09/02/2021 11:25:58 Para eliminar o a31 = 2: 1 0 0 -2 1 -1 3 3 -1 9 5 -1 ⋮ ⋮ ⋮ L3 = L3 - 2L1 → (39) Para eliminar o a32 = -1, temos a Figura 12. Figura 12. Eliminação de a32 = -1. Nessa
Compartilhar