Sunteți pe pagina 1din 100

UNIVERSITATEA „EFTIMIE MURGU” REŞIŢA

FACULTATEA DE ŞTIINŢE ECONOMICE ŞI


ADMINISTRATIVE
CENTRUL DE ÎNVĂŢĂMÂNT LA DISTANŢĂ

ALGEBRĂ
LINIARĂ

Prof.univ.dr. Constantin Popp

- 2001 -
1
Prefaţă
Pentru a uşura urmărirea materialului, se vor utiliza următoarele
semne cu semnificaţii speciale, în partea exterioară a paginii:

!
Important
! Important. Cu acest simbol sunt marcate elementele esenţiale
pentru înţelegerea materialului.

" Sfat
" Sfat. Acest semn sugerează comentarea unor noţiuni,
dându-se mai multe detalii, precum şi prezenţa unor teoreme sau
proprietăţi..

#
Avertizare
# Avertizare. Va fi avertizat cititorul asupra unor greşeli tipice,
multe desprinse din experienţa personală.

$ Detalii
$ Detalii. Sunt furnizate detalii suplimentare, pentru a creşte
gradul de detaliere al explicaţiilor.
Pentru a realiza autocontrolul însuşirii noţiunilor prezentate,
subcapitolele sunt însoţite de întrebări şi exerciţii. Răspunsurile şi
soluţiile acestora se pot trimite la sediu Centrului ID prin poşta, sau se
pot trimite prin e-mail, la adresa c.popp@uem.utt.ro.
Există şi două teste de control, câte unul la sfârşitul fiecărei părţi,
care verifică capacitatea de sintetizare a materialului acumulat.

2
Cap. 1. ELEMENTE DE ALGEBRĂ LINIARĂ
În prima parte, a cărei parcurgere necesită circa două ore, sunt
reamintite cunoştinţele despre matrice învăţate în clasa a XI-a, la
disciplina de Algebră. Aceste prime trei subcapitole nu reprezintă un
scop în sine, ci ţelul lor este de a pregăti cititorul pentru introducerea
noţiunilor noi din paragrafele următoare.

1.1. Generalităţi despre matrice.


Se numeşte matrice o mulţime de mn numere (elemente) aranjate
într-un tablou cu m linii şi n coloane (de tipul m×n). Astfel, o matrice
dreptunghiulară este:
%
Matrice

 a11 a12 ! a1n 


 
a a 22 ! a2n 
A =  21
" " " 
 
a am2 ! a mn 
 m1

Folosind elementul generic aij (i = 1, m; j = 1, n) , matricea se


notează prescurtat: A = (a ij ) m×n , elementele sale fiind numere reale %
Matrice pătrată
sau complexe. Dacă m=n, atunci matricea este pătratică (pătrată).
Unei matrice pătrate (aij ) n×n i se asociază un număr numit

determinant, care se calculează după regulile curente din algebra de


a
%
liceu (clasa a XI ) Determinant

a11 # a1n
det A =
a n1 # a nn

Dacă A≥a, a∈R înseamnă că toate elementele matricei sunt mai


mari ca a; la fel dacă A≥0, elementele matricei sunt nenegative.
O matrice cu toate elementele nule se numeşte matrice nulă sau
matrice zero: Om×n. Matricea de dimensiune 1×n se mai numeşte %
Matrice nulă
vector linie iar cea de tipul m×1 se numeşte vector coloană.
Vector linie
Elementele aii , i = 1, n formează diagonala principală a matricei Vector coloană
Urma maricei
iar suma elementelor de pe diagonala principală se numeşte urma
matricei.

3
Dacă A este o matrice pătrată şi det A≠0, atunci A se numeşte

!
Matrice nesingulară
nesingulară sau nedegenerată, iar dacă det A=0 se numeşte singulară
sau degenerată.
(cea cu determinant
O matrice pătrată este triunghiulară dacă toate elementele sale

!
Matrice triunghiulară.
situate de o parte a diagonalei principale sunt nule, iar determinantul ei
este egal cu produsul elementelor de pe diagonala principală. Dacă
Matrice diagonală
elementele situate de ambele părţi ale diagonalei principale sunt nule,
Matrice scalară
Sibolul lui Kronecker atunci matricea se numeşte matrice diagonală.
Dacă într-o matrice diagonală elementele sunt egale între ele,
aii=k, avem o matrice scalară şi se poate scrie prescurtat: K=(kδij)n
unde δij este simbolul lui Kronecker:
0, i ≠ j
δ ij = 
1, i = j

!
Matricea scalară în care k=1 se numeşte matricea unitate şi se
notează de obicei cu E, U sau I indicându-se şi ordinul (dimensiunea).
Matrice unitate Fiecărui ordin de matrice pătrată îi corespunde o matrice unitate:
En=(δij)n sau Un sau In. De exemplu:

1 0 0 0
 
0 1 0 0
U4 =  
0 0 1 0
 
0 0 0 1

!
Matricea opusă
Matricea -A=(-aij)m×n se numeşte opusa matricei A=(aij)m×n.
Dacă A=(aij)n×n=(aij)n atunci: det (-A)=(-1)ndet A.
O matrice pătrată este simetrică dacă aij = a ji (∀) i, j = 1, n şi

antisimetrică dacă aij = - a ji (∀) i, j = 1, n . Din aii=-aii rezultă aii=0,

! Matrice
adică elementele de pe diagonala principală a unei matrice
antisimetrice sunt nule.
simetrică
Matrice
Două matrice A şi B de acelaşi tip sunt egale dacă elementele lor
antisimetrică
analoge aij şi bij sunt egale, adică:

A = B ⇔ aij = bij , ( ∀ ) i = 1, m şi j = 1, n

Egalitatea matricelor reducându-se la egalitatea a mn numere


(elementele matricelor) are aceleaşi proprietăţi ca şi egalitatea

4
numerelor. Dacă două matrice pătrate sunt egale, determinanţii lor
sunt egali (reciproc nu!).

Teme
1. Definiţi noţiunile de matrice, matrice pătrată, matrice nulă,
vector linie şi vector coloană.
2. Daţi exemplu de matrice singulară şi unul de matrice
nedegenerată.
3. Precizaţi pentru fiecare dintre următoarele matrice dacă este
scalară, diagonală şi triunghiulară.

2 0 0 0
 2 1 3   4 0 0 2 0 1
  0 3 0 0    
A =  0 2 3 , B =  , C =  0 4 0 , D =  0 0 2 
 0 0 5 0 0 4 0  0 0 4  0 0 4
       
0 0 0 0 

1.2. Operaţii cu matrice


1) Suma şi diferenţa a două matrice de acelaşi tip este tot o
matrice de acelaşi tip. Fie A=(aij)m×n, B=(bij)m×n. Avem A+B=C, unde
%
C=(cij)m×n şi cij = aij + bij (∀) i = 1, m; j = 1, n . Zicem că adunarea este
Suma şi diferenţa
matricelor

o operaţie internă (interioară) în mulţimea M a matricelor de acelaşi


tip.

"
Proprietăţile adunării:
1. A+B=B+A (comutativitate)
Proprietăţile
2. (A+B)+C=A+(B+C) (asociativitate) adunării
3. A+0=0+A=A (matricea 0 - neutră la adunare)
4. A+(-A)=(-A)+A=0 (matricea opusă)

Vedem deci, că mulţimea matricelor de acelaşi tip formează grup


aditiv abelian (comutativ).
$
Grup este un
Diferenţa matricelor A şi B de acelaşi tip este A-B=A+(-B)=D, ansamblu format
dintr-o mulţime şi o
unde D=(dij)m×n, d ij = aij − bij (∀) i = 1, m; j = 1, n . În particular, suma operaţie definită
între elementele ei,
sau diferenţa a două matrice triunghiulare (superior sau inferior) este ce are proprietea de
asociativitate, un
tot o matrice triunghiulară. La fel şi în cazul a două matrice diagonale. element neutru şi
orice element este
2) Înmulţirea unei matrice cu un scalar (număr algebric). inversabil
5
Fie A=(aij)m×n şi λ un scalar. Avem λA=(λaij)m×n. În particular,

!
Înmulţirea
dacă λ=-1 se obţine opusa lui A. Fie M mulţimea matricelor de

matricelor cu un acelaşi tip şi S mulţimea scalarilor. Operaţia λA este o operaţie


scalar
externă a mulţimii M definită prin intermediul mulţimii S.

"
Proprietăţi: 1. λ(A+B)=λA+λB (dubla distributivitate
2.(λ 1+λ 2)A=λ 1A+λ 2A în M şi S)
Proprietăţile 3.(λ 1λ 2)A=λ 1(λ 2A)=λ 2(λ 1A) (asociativitate în S)
înmulţirii cu
scalari 4.(∃)1∈S astfel încât 1⋅A=A⋅1=A (element unitate în S)

$
Pe baza proprietăţilor (axiomelor) adunării şi respectiv înmulţirii

cu un scalar, tragem concluzia că mulţimea M formează spaţiu liniar


Spaţiul vectorial
este un ansablu (sau vectorial).
format din grupul
prezentat pe 3) Înmulţirea matricelor A şi B are sens dacă numărul de coloane
pagina
precedentă şi ale lui A este egal cu numărul de linii ale lui B, adică: A=(aij)m×n şi
corpul scalarilor
B=(bij)n×p.

!
Se defineşte A⋅B=C=(cij)m×p, unde:

n
Înmulţirea cij = ai1 b1j + ai 2 b2j + # + ain b nj = ∑ aik bkj ; i = 1, m; j = 1, p
matricelor k =1

În general: AB≠BA. Mai mult, dacă AB este o operaţie posibilă,


operaţia BA este posibilă numai dacă numărul liniilor lui A este egal
cu numărul coloanelor lui B.

"
Proprietăţi:
1. A(BC)=(AB)C - asociativitate
Proprietăţile
înmulţirii 2. A(B+C)=AB+AC - distributivitate faţă de adunare
matricelor
3. λ(AB)=(λA)B=A(λB) - asociativitate faţă de un scalar
4. A⋅0=0

Observaţie: Dacă A şi B sunt matrice pătrate de acelaşi ordin,

#
Înmulţirea
atunci AB şi BA sunt posibile dar în general AB≠BA. Dacă totuşi
AB=BA, matricele A şi B sunt permutabile, de exemplu:
matricelor nu este a − b  a b a2 + b2 ab 
comutativă A =  , B =   ⇒ AB = BA =  
 b 2a   − b 0  − ab b 2 

6
Produsul dintre o matrice scalară şi o matrice pătrată, de acelaşi
ordin, este egal cu produsul dintre scalarul k (de pe diagonala
principală) şi matrice.
În particular, dacă k=1 atunci K=U şi UA=AU=A, adică matricea
unitate este elementul unitate (sau de efect nul) la înmulţirea
matricelor pătrate.
Dacă A=(aij)n şi B=(bij)n atunci det(AB)=det A⋅ det B.
Produsul a două matrice pătrate nesingulare este o matrice pătrată
nesingulară şi reciproc. Spre deosebire de cazul determinanţilor,
produsul a două matrice pătrate poate fi nul fără ca una din matricele
factori să fie nulă. De exemplu:

 0 0  0 0  0 0
A ⋅ B =   ⋅   =   = 0 2
 1 0   2 3   0 0 
În acest caz, zicem că A şi B sunt divizori ai lui zero. Deoarece
BA≠0, A este divizor la stânga şi B divizor la dreapta. %
Divizori ai lui
Teme zero
1. Efectuaţi A+C, A⋅D. Se poate efectua A+B ? Dar A⋅B ? Dar
B⋅A ?
2 0 0 0
 2 1 3    4 0 0 2 0 1
  0 3 0 0    
A =  0 2 3 , B =  , C =  0 4 0 , D =  0 0 2 
 0 0 5 0 0 4 0   
  
0

  0 0 4  0 0 4 
 0 0 0

1.3. Matricea transpusă şi matricea inversă.


Fie A=(aij)m×n. Transpusa matricei A se obţine schimbând liniile
cu coloanele, adică: AT=(aij)n×m.
%
Transpusa
T T T T T
matricei
Proprietăţi: 1. (A+B) =A +B 3. (A ) =A
T
2. (kA) =k⋅A
T

T
T
4. (AB) =B A

Dacă A=(aij)n este simetrică, atunci A =A i reciproc. Dacă A este


T T

"
Proprietăţile
transpusei
antisimetrică, atunci: AT+A=0. matricei
O matrice este inversabilă dacă este pătrată şi nesingulară. Fie A=(aij)n
şi det A=k≠0 Atunci (∃) A-1 astfel încât AA-1=A-1A=Un. Determinarea %
Matrice
matricei inverse presupune efectuarea următoarelor operaţii: inversabilă
- se calculează det A=k≠0 (în caz contrar nu are sens A -1)

7
T
- se scrie A

"
Calculul inversei
*
- se scrie A (matricea asociată sau adjuncta lui A), înlocuind
toate elementele aij ale transpusei prin complementele lor algebrice Aij
unei matrice i+j
unde Aij=(-1) Mij (Mij fiind minorul elementului aij)
- se împart elementele matricei asociate cu k.
1
Deci : A −1 = A*
k
-1 -1 -1

"
Proprietăţi: 1.AA =A A=U (permutabile) şi detA⋅detA =1(reciproce)
2. Dacă A=(aij)n şi B=(bij)n iar AB=U atunci matricele
Proprietăţile sunt nesingulare şi una este inversa celeilalte.
inversei matricei
-1 -1 -1 -1 -1 -1
3. (A⋅B) =B ⋅A şi în general:(A1A2 … An) =An … A1
-1 T T -1
4. (A ) =(A )
-1 -1
5. (A ) =A

Teme
1. Calculaţi inversa matricei A. Este matricea B inversabilă ?
2 0 0 0
 2 1 − 3  
  0 3 0 0
A =  0 2 3 , B = 
0 0 1  0 0 4 0
   
0 0 0 0 

Rezumat
Matricea unitate este matricea care are toate elementele de pe
diagonala principală egale cu 1, iar celelalte egale cu 0.
Matricea ce are determinantul nenul se numeşte inversabilă sau
nedegenerată. Inversa ei se poate calcula conform metodei studiate în
cala a XI-a şi este acea matrice care înmulţită cu matricea iniţială
furnizează ca rezultat matricea unitate.
Suma şi produsul matricelor se calculează, aşa cum s-a studiat în
liceu „element cu element”.
Produsul a două matrice, dacă are sens, se calculează însumând
produsul câte unui element din fiecare linie a primei matrice cu câte
un element din fiecare coloană a celei de-a doua matrice.

Test de evaluare
1. Daţi exemplu de o matrice care nu este inversabilă 25 puncte
2. Daţi exemplu de două matrice care nu se pot înmulţi 25 puncte
3. Daţi câte un exemplu de matrice triunghiulară, diagonală,
pătratică şi scalară 40 puncte
8
1.4. Operaţii cu matrice prin partiţionare
Acest subcapitol, al cărui studiu necesită circa două ore propune o
abordare alternativă a noţiunilor prezentate în primele trei. Scopul său
este desprinderea treptată a cititorului de tiparele din liceu.
Prin partiţionarea unei matrice A=(aij)m× n se înţelege împărţirea
acesteia în submatrice (blocuri) Aij, prin linii orizontale şi verticale.
De exemplu,
!
Partiţionarea
matricei
 2 - 1 ! 1 0
 
 - 1 1 ! 0 1
   A11 A12 
A =  " " " " " =  
 
   A21 A22 
 1 0 ! 2 - 1
 
 0 1 ! - 1 1

 2 - 1
unde: A11 = A22 =   , A12=A21=U.
 - 1 1
 A11 # A1q 
 
În general, A=(aij)m×n se poate partiţiona în A =  ! A pq 
A 
 p1 # A pq 
unde A11, …, A1q, …, Ap1, …, Apq sunt blocurile sau submatricele lui A.
În particular, are loc descompunerea în linii (vectori linii),
 L1 
 
 L1 = ( a11" a1n )

A =  !  unde: """"""",
"
Partiţionarea
L   = ( a "a ) matricei în linii
 m  Lm m1 mn

precum şi descompunerea în coloane (vectori coloane):

 a11 
 
 a1n 
 
A=(K1 … Kn) unde: K 1 =  !  ," , K n =  ! 
"
Partiţionarea
a  a  matricei în
 m1   mn 
coloane
Operaţiile cu matrice sunt valabile şi în cazul partiţionării.
Operaţiile cu matrice prin partiţionare, în special determinarea
inversei, sunt avantajoase de aplicat atunci când unele din submatrice
sunt matrice zero sau unitate.
Două matrice sunt egale când se pot partiţiona în submatrice
egale.

9
Suma a două matrice partiţionate în acelaşi mod este egală cu
matricea care are ca submatrice suma submatricelor termeni. În cazul
operaţiei de înmulţire prin partiţionare, partiţionarea matricelor trebuie
făcută astfel încât să se poată efectua înmulţirea submatricelor
"
Calcularea sumei
(blocurilor).
De exemplu, pentru :
a două matrice
prin partiţionare  a11 a13 
a12 !
 
 a 21 a 23 
a 22 !
 A11 A12 
A=# # ##  =  ;
   A21 A22 
 a31 a33 
a32 !
 
 a 41 a 42 !
a 43 
 b11 b12 ! b13 
 
 b21 b22 ! b23   B11 B12 
B= = 
# # # #   B21 B22 
 
b 
 31 b32 ! b33 
Avem:

 A11 B11 + A12 B21 A11 B12 + A12 B 22 


AB =  
 
 A21 B11 + A22 B21 A21 B12 + A22 B 22 

Determinarea inversei prin partiţionare se bazează pe posibilitatea


partiţionării unei matrice unitate în submatrice unitate şi submatrice
zero şi pe proprietatea că produsul dintre o matrice şi inversa sa este o
matrice unitate.

U m 0 

"Calcularea
Din AB calculat mai sus şi AB = 
 0
se obţine sistemul de ecuaţii matriceale:
 , prin identificare,
U n −m 

produsului a două
matrice prin
partiţionare  A11 B11 + A12 B 21 = U m

 A11 B12 + A12 B 22 = 0

 A21 B11 + A22 B 21 = 0
 A21 B12 + A22 B 22 = U n -m

din care se deduc blocurile B11, B12, B21, B22. Calculul se simplifică
dacă cunoaştem inversa matricei A11, care este nesingulară de ordinul
m<n.
În particular, determinăm matricea inversă a unei matrice pătrate
B=(bij)n+1,
10
 A 0
B =  ,
V 1 
obţinută prin bordarea matricei nesingulare A=(bij)n cu vectorul linie
"
Calcularea
V1×n şi vectorul coloană 0n×1 completaţi cu un ultim element egal cu 1. inversei unei
matrice prin
Notând: partiţionare

 B11 V 2 
B =  
-1

α 
 V1 

sistemul devine:
AB11=Un, AV2=0, VB11+V1=0, VV2+(α)=(1), de unde:
-1 -1
B11=A , V2=0, V1=-VA , α =1.
Rezultă:

 A −1 0
B =  
-1

 − VA −1 1
Exemplu: Să se calculeze B-1 dacă:

 1 0 - 1 ! 0
 
 2 1 0 ! 0
 
B=  1 -1 0 ! 0
 
 " " " " "
 
 1 -2 3 ! 1

Matricea este de forma:

 A 0
B =  
V 1

unde:

 1 0 - 1
   A-1 0 
A =  2 1 0  ,V = ( 1 - 2 3 ), iar B = 
-1 
   
 - VA 1 
- 1

 1 - 1 0 

Mai întâi determinăm A-1. Det A=3≠0

11
 1 1 
0 
1 2 1  0 +1 +1  3 3 
  *   −1  1 2
A =  0 1 − 1, A =  0 + 1 − 2 , A = 0
T
− 
 3 3
−1 0 0  − 3 +1 +1 
    1 1 
−1 
 3 3 
Apoi:

 
 0 1 1
 
 3 3
   
VA = ( 1 - 2 3 )  0
-1
1 2 = - 3 2 8
-   
 3 3  3 3
 
−1 1 1
 
 3 3

Deci:

 0 1 1 0
 
 3 3 
 
 0 1 2 0
 - 
 3 3 
-1
B = 
- 1 1 1 0
 
 3 3 
 
 3 2 8 1
 - - 
 3 3 

Teme
1. Calculaţi inversa matricei A, prin partiţionarea propusă. Apoi
calculaţi A⋅B prin partiţionare.
 2 1 − 3 2 0 1
   
A =  0 2 3 , B =  0 − 1 6 
0 0 1  1 0 1
   
2. Calculaţi pentru matricele din exerciţiul precedent produsul
B⋅A. Verificaţi dacă A⋅B=B⋅A.

Rezumat
Operaţiile cu matrice prezentate în subcapitolele precedente pot fi
efectuate prin partiţionare adică prin divizarea matricelor în blocuri,
iar calculele se vor face între acestea.

12
Câteodată, se pot obţine soluţiile mai uşor prin partiţionare, cu un
număr mai mic de calcule (cum ar fi, de exemplu, calcularea inversei
anumitor matrice).
Pentru a se putea efectua calculele, partiţionarea nu poate fi făcută
întâmplător, ci în aşa fel încât între blocurile rezultate să aibă sens
operaţiile necesare (adunări, înmulţiri de matrice, etc.).

Test de evaluare

1. Daţi exemplu de o două matrice care se pot înmulţi, însă găsiţi


o partiţionare care nu permite aceasta 25 puncte
2. Este posibilă calcularea inversei unei matrice, partiţionând-o
astfel încât partiţiile să conţină fiecare câte o linie întreagă ? Justificaţi.
25 puncte
3. Calculaţi, prin partiţionare X+Y şi X⋅Y pentru :

 3 2 0  2 1 3 
   
X =  − 2 1 3 , Y =  − 2 − 1 − 3 
 2 0 1  1 1 1 
  
40 puncte

13
1.5. Rangul unei matrice
Acest capitol, după ce reaminteşte câteva noţiuni studiate în liceu,
introduce o nouă metodă pentru calcularea rangului unei matrice.
Scopurile sale sunt prezentarea unei metode cunoscute, precum şi a
unei metode noi de a calcula rangul unei matrice. Studiul
subcapitolului curent necesită circa două ore.

!
Rangul matricei
Definiţie. Fie A=(aij)m×n. Se numeşte rang al matricei A, ordinul
maxim al unui determinant minor diferit de zero. Se notează:
rang A=r.
Din definiţie, deducem că rang 0n=n. De asemenea, rangul unei
matrice pătrate nesingulare este egal cu ordinul matricei.

!
Determinant
Definiţie: Orice minor diferit de zero (δ≠0), de un ordin egal cu
rangul r al matricei, se numeşte determinant principal sau minor

(minor) principal.
În general, o matrice are mai mulţi determinanţi principali; doar în
cazul unei matrice pătrate nesingulare, determinantul ei este singurul
minor principal.
Rangul matricei se poate determina fie cu ajutorul minorilor, fie
prin transformări elementare.

Teoremă. Dacă toţi minorii de ordinul p sunt nuli, atunci şi toţi


minorii de ordinul p+1 sunt nuli.
Teorema rezultă din faptul că în dezvoltarea după elementele unei
linii sau coloane a unui minor de ordinul p+1, toţi determinanţii
minori sunt de fapt minori de ordinul p ai matricei, deci nuli.
Pentru a determina Rang A, A≠0, calculăm minorii de ordinul 2
până când obţinem unul diferit de zero sau arătăm că toţi minorii de
ordinul 2 sunt nuli. În primul caz, rang A≥2 şi trecem la minorii de
ordinul 3. Dacă toţi δ3=0 atunci r=2. Dacă (∃)δ3≠0, atunci r≥3 şi
trecem la minorii de ordinul 4, etc. În al doilea caz, r=1.

"
Teorema lui
Calculul poate fi simplificat folosind teorema lui Kronecker: Dacă
δp≠0 este un minor al matricei A şi toţi minorii de ordin (p+1) obţinuţi
Kronecker pentru
calculul rangului prin bordarea lui δp sunt nuli, atunci orice minor de ordin (p+1) este nul.

14
Observaţie: Metoda de mai sus presupune calculul multor
determinanţi minori, mai ales când matricea este de dimensiune mare.
În cazul unor matrice de dimensiune mare, care conţin submatrice de
structuri deosebite (unitate, diagonale, triunghiulare etc.), rangul se
poate determina utilizând proprietăţi ale determinanţilor şi rangurilor
cunoscute ale unor submatrice.

#
De exemplu, să determinăm rangul matricei:

 1 0 0 ! 1 0 0
  Determinarea
 0 1 0 ! 0 1 0 rangului unei
  matrice
 0 0 1 ! 0 0 1   U 3 U 3 
A=  = 
 " " " " " " "  M 1 M 2
 1 1 1 ! 0 0 0
 
 0 0 0 ! 1 1 1 

Observăm că A se poate partiţiona în 4 blocuri, cele din linia întâi


fiind U3. De asemenea, vedem că suma primelor trei linii este egală cu
suma ultimelor două (L1+L2+L3=L4+L5), deci toţi minorii de ordinul
5 sunt nuli. Suprimând linia a 4-a, matricea formată cu primele patru
coloane este triunghiulară şi are toate elementele de pe diagonala
principală egale cu 1, deci este nesingulară (det A=1≠0). Rangul
matricei este r=4.
Generalizând, considerăm matricea:

 U n U n " U n
M = ,
 
M 1 M 2 " M m

unde Un sunt matrice unitate de ordinul n, iar M1, … , Mm matrice de


tipul (m×n) cu elemente de pe liniile respectiv 1, 2, …, m egale cu 1,
iar celelalte nule. Matricea A se obţine din M pentru n=3 şi m=2.
Aplicând procedeul de mai sus, de determinare a rangului matricei
A, rezultă că rang M=m+n-1.
Transformări elementare. Fie matricele Am×n şi Tm×n. Prin TA=B
înţelegem transformarea matriceală a matricei A prin matricea T în
matricea B. Două transformări T1 şi T2 sunt egale dacă: (∀) A, Transformări
$
matriceale
T1A=T2A. Evident, pentru matricea unitate U avem: T1=T2.
Transformările pot fi înmulţite: (T1T2)A=T2(T1A) şi se bucură de

15
proprietăţile egalităţii şi înmulţirii matricelor. U (sau E, I) reprezintă
transformarea identică.
Dintre toate transformările, un rol deosebit îl au acelea care se pot
obţine ca un produs de trei transformări (numite transformări
elementare).
Introducem notaţiile:

U1   U 1 = (1 0 " 0)
  
U =  !  unde : """"""
   = (0 0 " 1)
U m  U m
Transformările elementare sunt următoarele:

!
Transformări
T1: Înmulţirea unei linii cu un număr c≠0.

elementare  ! 
Înulţirea unei  !   
1.   -1  1  -1 -1
linii cu un T 1 =  cU i  , T 1 =  U i  , T 1 T 1 = T 1 T 1 = U
număr nenul  !  c
   
2. Adunarea  ! 
unei linii la
ală linie
3. Schimbarea T2: Adunarea la o linie a unei alte linii înmulţite cu c≠0.
locului a două
linii  !   ! 
   
 Ui   Ui 
  -1   , -1 = -1
T2 =  ! ,
 T2 
= !
 T 2 T 2 T 2T 2
=U
 cU i + U j   - cU i + U j 
   
 !   ! 

T3: Schimbarea locului a două linii.

 ! 
 
E j
  -1 -1
T 3 =  ! , T 3 T 3 = T 3 T 3 = U
 Ei 
 
 ! 

"
Prin aplicarea unei
Observaţii 1) Transformările de mai sus se pot opera şi cu coloane.
2) Transformarea T3 poate fi exprimată ca un produs de
transformări transformări elementare de tipul T1 şi T2. În acest
elementare se
păstrează rangul sens, T3 nu este „elementară”, totuşi din motive de
matricei
ordin aplicativ, T3 este prin definiţie o transformare
elementară.

16
3) Două matrice obţinute una din alta prin transformări
elementare se numesc echivalente (A~B).
Aplicând transformări elementare asupra unui determinant diferit
de zero, el rămâne diferit de zero, pe când un determinant nul îşi
păstrează valoarea. Rangul unei matrice fiind legat de noţiunea de
determinant minor diferit de zero, rezultă că două matrice echivalente
au acelaşi rang.
Pentru a determina rangul unei matrice prin transformări
elementare, aducem matricea la o formă mai simplă pe care să putem
„citi” rangul ei.
Una din aceste forme este forma canonică diagonală, în care în
colţul din stânga sus apare o matrice unitate, celelalte elemente fiind
nule.

"
Exemplu: Să se determine rangul matricei:

 - 3 0 - 1 3
  Calcularea
A =  2 2 0 - 1 rangului unei
  matrice prin
 1 4 - 1 1 transformări
elementare
Avem succesiv:
 - 3 0 - 1 3   1 4 - 1 1   1 4 - 1 1
     
A =  2 2 0 - 1 ~  2 2 0 - 1  ~  0 - 6 2 - 3
     
 1 4 - 1 1  - 3 0 - 1 3   0 12 - 4 6 
(L1 schimbă cu L3) (L2-2L1 şi L3+2L1)

 1 0 0 0 1 0 0 0
   
~ 0 - 6 2 - 3 ~ 0 1 1 1 ~
   
 0 12 - 4 6  0 -2 -2 - 2 
1 0 ! 0 0
 1 0 0 0  
  0 1 ! 0 0
 0 1 1 1 ~  
  
# # #

0 0 0 0  0 0 0 0 

(C2-4C1,C3+C1,C4-C1) (C2/(-6),C2/2,C4/(-3)) (L3+2L2)


(C3-C2,C4-C2)
deci: rang A=r=2.
Observaţii:

17
1. Rangul unui produs de matrice, nu poate depăşi rangul fiecăreia
dintre matricele factori (fără demonstraţie)
2. Rangul unei matrice nu se schimbă dacă o înmulţim la stânga
sau la dreapta cu o matrice pătrată nesingulară (consecinţă a primei
observaţii).

Teme
1. Calculaţi rangurile matricelor A şi B prin transformări
elementare.
2 0 0 1
 2 1 − 3  
  1 3 0 0
A =  0 2 3 , B = 
1 0 1  0 0 4 0
   
3 3 4 1 

Rezumat
Petru calcularea rangului unei matrice se poate utiliza metoda
învăţată în liceu, anume determinarea celui mai mare minor nenul,
rangul fiind egal cu numărul de linii al acestuia.
Se mai poate utiliza şi metoda transformărilor elementare.
Transformările elementare seamănă cu metoda utilizată „de a face
zerouri pe linii sau coloane” utilizată la calcularea determinanţilor de
ordin mare, prin reducerea acestora la determinanţi de ordin mai mic.
Deosebirile sunt următoarele :
Se poate înmulţii o linie (coloană) cu o constantă nenulă, fără a
modifica rangul.
Se pot inversa două linii (coloane) fără a modifica rangul.

Test de evaluare
1. Calculaţi rangul matricei A prin ambele metode.
 1 −1 2 
 
A =  2 1 − 3 30 puncte
1 0 1 

2. Calculaţi rangul matricei B prin ambele metode.
2 1 3 2
 
4 6 5 2
B= 40 puncte
1 − 3 −1 2
 
3 2 1 2 

18
1.6. Rezolvarea matriceală a sistemelor de ecuaţii
liniare
Şi în acest subcapitol se continuă reamintirea unor noţiuni
cunoscute din liceu abordându-se această problematică şi din alt punct
de vedere. Acest subcapitol necesită circa 2 ore pentru a fi parcurs.
1. Forma generală a unui sistem de m ecuaţii cu necunoscutele,
xi, ce intervin la gradul I este următoarea:
!
Sistem de ecuaţii
liniare
 a11 x1 + a12 x 2 + ! + a1n x n = b1

 a 21 x1 + a 22 x 2 + ! + a 2n x n = b 2
 (1.6.1)
!!!!!!!!!!!!!!!!
 a m 1 x1 + a m 2 x2 + ! + a mn x n = b m

Matricea A=(aij)m×n este matricea sistemului şi rang A este rangul


sistemului iar minorul δp al matricei este determinantul principal al
!
Matricea
sistemului
sistemului.

Notând: B=(b1 b2 … bm)T - vectorul coloană al termenilor liberi şi


T
X=(x1 x2 … xn) - vectorul coloană al necunoscutelor, sistemul (1.6.1)
!
Forma matriceală a
se scrie matriceal sub forma: AX=B. sistemului

!
Dacă B≠0 sistemul este neomogen, iar dacă B=0 sistemul este
omogen (fără termeni liberi). Orice vector X care verifică ecuaţia
matriceală respectiv sistemul (1.6.1) este soluţie a sistemului. Sistem omogen şi
neomogen
Un sistem care admite cel puţin o soluţie este compatibil.
Dacă soluţia sistemului este unică, sistemul este compatibil
determinat iar dacă sistemul admite o infinitate de soluţii este
!
Sistem compatibil
(determinat,
compatibil nedeterminat. Dacă sistemul nu admite soluţie (deci nu nedeterminat) şi
este compatibil) zicem că este incompatibil. incompatibil

În legătură cu sistemele liniare, se pun, deci, două probleme mai


importante: discuţia (natura soluţiilor) şi rezolvarea lor.
2. Sisteme de n ecuaţii cu n necunoscute.
Forma matriceală este AX=B cu A=(aij)n.
Dacă Δ=det A≠0 (A - nesingulară) atunci (∃)A-1 şi soluţia va fi:
-1
X=A B. În acest caz deci, sistemul este compatibil determinat (de tip
Cramer). Regula lui Cramer cunoscută din liceu este exprimarea sub
!
Soluţia sub forma
-1 matriceală
formă de determinanţi a formulei X=A B, cele două metode

19
comportând practic aceleaşi calcule. Metoda scrierii matricei inverse
este de preferat totuşi datorită unei scrieri mai concentrate.
De exemplu:

 x1 + 2x 2 - x3 = -3

3x1 + x3 = -3 ,
 2x + 2x - x = -5
 1 2 3

are soluţia:

- 1 0 1
 x1   
     - 3   - 2 
5 1 - 2
X =  x 2  = A-1 B =    - 3  =  1  = (-2 1 3 )T
   2 2    
x     5   3 
 3  3 1 - 3
 

adică: x1=-2, x2=1, x3=3.


3. Sisteme de m ecuaţii cu n necunoscute
Fie AX=B , unde A=(aij)m×n , X=(xi)n×1 , B=(bi)m×1 şi
presupunem rang A=p≤inf(m,n) iar δp un determinant principal al
sistemului. Determinanţii obţinuţi prin bordarea lui δp cu liniile
rămase din A şi coloana termenilor liberi sunt de ordinul P+1 şi se
numesc determinanţi caracteristici ai sistemului.

"
Teorema lui
Teorema lui Rouché: condiţia necesară şi suficientă ca un sistem
de m ecuaţii liniare cu n necunoscute să fie compatibil este ca toţi
Rouche determinanţii caracteristici să fie nuli. Aceasta este echivalentă cu
rang A=rang à (matricea extinsă) exprimată de teorema lui
Kronecker-Capelli (exprimarea în limbaj matriceal a teoremei lui
Rouché).
Matricea à se obţine din A la care se adaugă coloana B şi se scrie
Ã=(AB).
Rezolvarea sistemelor. Presupunem sistemul compatibil, având
" rang à =rang A=p≤inf(m,n), iar P formată din primele p linii şi
Rezolvarea coloane ale lui A este nesingulară, adică det P=δp (determinant
sistemelor liniare
principal). Prin intermediul lui P (sau δp) ecuaţiile sistemului se
împart în: ecuaţii principale şi ecuaţii secundare. În cazul acesta,
primele p ecuaţii (formate cu elemente din P) sunt principale iar

20
celelalte (m-p) ecuaţii (care nu conţin elemente din P) sunt ecuaţii
secundare. La fel, primele p necunoscute sunt principale şi celelalte
sunt secundare.
Se păstrează numai ecuaţiile principale, matricea sistemului
devenind (Ps), unde S este matricea formată cu coeficienţii
necunoscutelor secundare. Obţinem X=(XpXs)T, Xp=vector coloană
al necunoscutelor principale şi Xs=vectorul coloană al necunoscutelor
secundare. Notând cu Bp primele p linii din B sistemul AX=B devine:
p p p
PX =B -SX

Înmulţim la stânga cu P-1 şi obţinem:


p -1 p -1 s
X = P B - ( P S) X , (1.6.2)

relaţie matriceală care exprimă necunoscutele principale în funcţie de


necunoscutele secundare. Atribuind valori arbitrare reale
necunoscutelor secundare, obţinem diferite soluţii ale sistemului
iniţial.
Dacă rang A=n, atunci toate necunoscutele sunt principale şi
sistemul este compatibil determinat. Dacă rang A<n, sistemul este
compatibil nedeterminat.
Exemplul 1: Să se discute şi să se rezolve sistemul:

 2 x1 - x 2 + 3 x 3 = 1
 3 +2 - = 2
 x1 x 2 x3

 5 x1 + x 2 + 2 x 3 = 3
 x1 + x 2 + x3 = 1

Matricea sistemului este:

 2 - 1 3
 
 3 2 - 1
A=  
5 1 2
 
 1 1 1

iar matricea extinsă:

21
2 -1 3 1
 
~ 3 2 -1 2
A= 
5 1 2 3
 
1 1 1 1

Prin transformări elementare se arată că rang A=rang Ã=3, deci


sistemul este compatibil determinat (n=3), conform teoremei lui
Kronecker-Capelli. La fel, după teorema lui Rouché: căutăm un
determinant minor principal de ordin 3, cât este rangul lui A. Fie:

1 1 1
δ = 2 -1 3 = 13 ≠ 0
3 2 -1

Calculăm determinantul caracteristic:

1 1 1 1
2 -1 3 1
∆c = = 0,
3 2 -1 2
5 1 2 3

deci sistemul este compatibil.


Ecuaţiile principale vor fi:

 x1 + x 2 + x 3 = 1

 2 x1 - x 2 + 3 x 3 = 1 ,
3 x + 2 x - x = 2
 1 2 3

cu soluţia:

6 2 5
x1 = , x2 = , x3 = (Conform regulii lui Cramer)
13 13 13

Exemplul 2: Să se determine parametrul a∈R astfel ca sistemul:

 x1 + 2 x 2 - 3 x 3 + x 4 = 1

 3 x1 + x2 + x3 - 2 x4 = 3 ,
3 x - 4 x + 11 x - 7 x = a
 1 2 3 4

să fie compatibil şi apoi să se rezolve.


Aplicăm teorema lui Kronecker:

22
1 2 -3 1 1  1 0 0 0 0
~    
A = 3 1 1 - 2 3  ~  0 - 5 10 - 5 0
   
3 -4 11 - 7 a   0 - 10 20 - 10 a - 3 
1 0 0 0 0
 
~ 0 1 0 0 0
 
0 0 0 0 a - 3 

Transformările elementare s-au aplicat numai coloanelor. Matricea A


fiind conţinută în matricea extinsă Ã simultan determinăm şi rang A,
deci: rang Ã=rang A=2 dacă a-3=0, a=3. Deoarece r<n, sistemul este
compatibil nedeterminat.
Avem:

12  x1 + 2 x2 = 1 + 3 x3 - x4
δ= şi ecuatiile principale : 
31 3 x1 + x2 = 3 - x3 + 2 x4

Notând x3=λ şi x4=μ, (λ, μ∈R) şi rezolvând sistemul de mai sus,


obţinem: x1=1-λ+μ, x2=2λ-μ. Deci, sistemul este compatibil dublu -
nedeterminat şi are soluţiile:(1-λ+μ, 2λ-μ, λ, μ).
4. Sisteme liniare omogene
Aceste sisteme au termenii liberi nuli, adică sunt de formă
matriceală: AX=0 unde A=(aij)m×n. În acest caz rang A=rang Ã, deci
"
Sistemele
un sistem liniar şi omogen este totdeauna compatibil, admiţând soluţia omogene au
întodeauna o
banală X=0. soluţie
Sistemul omogen admite şi soluţii diferite de soluţia banală dacă
este compatibil nedeterminat, adică rang A<n. Dacă m=n atunci
matricea A trebuie să fie singulară, adică det A=0.
Exemplul 1: Să se determine parametrul λ∈R astfel ca sistemul

(1 - λ ) x1 + x2 + x3 = 0

 x1 + (1 - λ ) x 2 + x3 = 0 ,

 x1 + x 2 + (1 - λ ) x3 = 0
să admită soluţii diferite de soluţia banală.

Avem: Δ2=-λ2(λ-3)=0 pentru λ1=0 şi λ2=3.


Dacă λ=0, sistemul se reduce la ecuaţia: x1+x2+x3=0.

23
Notând x1=α,x2=β rezultă soluţia dublu nedeterminată:
(α,β,-(α+β))
Dacă λ=3, considerând primele două ecuaţii ca principale,
sistemul devine:

- 2 x1 + x2 + x3 = 0
 ,
 x1 - 2 x 2 + x 3 = 0

cu soluţia: x1=x2=x3=k.
Exerciţiul 2: Să se rezolve sistemul:

 A1 x + B1 y + C 1 z = 0

 A2 x + B2 y + C 2 z = 0

Fiecare ecuaţie a sistemului omogen reprezintă câte un plan ce


trece prin origine. Intersecţia lor este o dreaptă în spaţiu ce trece prin

origine având ecuaţiile sub forma canonică x = y = z , unde l, m, n


l m n
sunt parametrii directori daţi de relaţiile (determinanţii):

B1 C 1 C 1 A1 A1 B1
l= , m= , n=
B2 C 2 C 2 A2 A2 B2

Făcând abstracţie de această interpretare geometrică, sistemul se


rezolvă cu una din necunoscute (de exemplu z), presupunând că rangul
matricei sistemului este r=2. Apoi notăm pe z cu o literă (λ, μ, …)
care joacă rol de parametru real.

Teme
1. Rezolvaţi sistemele următoare :
2 x1 + x 2 − x3 = 0  x1 + 2 x 2 − x3 = 0 − 2 x1 − x 2 + 3 x3 = 2
  
 x1 + 3 x 2 + x3 = 1 ; 2 x1 + x 2 + x3 = −1 ;  − x1 + x 2 + x3 = 1
 x − x + x = −1  x − x + 2 x = −1  x + 2 x − 2 x = 1
 1 2 3  1 2 3  1 2 3

 x1 + x 2 − x3 = 0  x1 + 2 x 2 − x3 = 0
   − 2 x1 − x 2 + 3x3 = 1
 x1 + 3 x 2 + x3 = 0 ; 2 x1 + x 2 + x3 = 0 ; 
 x − 2 x + x = 0  x − x + 2 x = 0 − x1 − 2 x 2 + 2 x3 = −1
 1 2 3  1 2 3

 x1 + 2 x 2 = 2

 2 x1 + x 2 = 3
 x − x =1
 1 2

2. Rezolvaţi, în funcţie de valorile parametrului α, sistemul


următor
24
 αx1 + x 2 − x3 = 0

 x1 + 3αx 2 + x3 = 0
 x − 2x + x = 0
 1 2 3

Rezumat
Sistemele de ecuaţii liniare se pot rezolva atât prin intermediul
metodei lui Cramer, cât şi matriceal.
Soluţia prin metoda Cramer presupune determinarea rangului
matricei sistemului şi rangul matricei extinse. Dacă cele două coincid,
sistemul este compatibil, în caz contrar este incompatibil. Dacă sistem
este compatibil şi rangul este egal cu numărul de necunoscute, atunci
sistemul este compatibil determinat (are soluţie unică), altfel este
compatibil nedeterminat (are o infinitate de soluţii).
Matriceal, sistemul se poate rezolva înmulţind vectorul coloană al
termenilor liberi la stânga cu inversa matricei sistemului (dacă există).
Sistemele omogene (cele la care toţi termenii liberi sunt nuli) sunt
întotdeauna compatibile.

Test de evaluare

1. Rezolvaţi şi discutaţi sistemele următoare :


− 2αx1 − αx 2 + 3 x3 = 1
a)  45 puncte
 − 2 x1 − x 2 + 2 x3 = −1
 x1 + 2 x 2 = 2

b) 2 βx1 + βx 2 = 3 45 puncte
 βx − βx = 1
 1 2

25
1.7. Spaţiu vectorial (liniar). Dependenţă liniară
Următoarele trei paragrafe realizează o introducere în

"
Spaţiul vectorial este o
problematica spaţiilor liniare. Cu aceste capitole se începe, de fapt,
prezentarea materialului cu aspect de noutate. Cele trei paragrafe au ca
structură algebrică, ce scopuri imediate prezentarea noţiunilor de spaţiu liniar, vectori,
include două mulţimi, ale
căror elemente satisfac dependenţă şi independenţă liniară, însă aceste noţiuni servesc ca
diferite proprietăţi.
Prima mulţime (V), suport teoretic noţiunilor din paragrafele următoare, precum şi celor
denumită de vectori, este
înzestrată cu o operaţie de
din capitolul doi.
adunare a elementelor Pentru studierea acestor trei subcapitole se recomandă alocarea a
sale, faţă de care
formează o structură de circa trei ore.
grup abelian.
Cea de-a doua mulţime Mulţimea matricelor linii cu n elemente (vectori linii), formează o
(K), denumită de scalari, structură algebrică în raport cu operaţia de adunare (internă) şi în
este înzestrată cu operaţi-
ile de adunare şi raport cu operaţia de înmulţire a matricei cu un scalar (externă),
înmulţire, faţă de care
formează o structură de numită spaţiu vectorial n-dimensional (sau spaţiu liniar) şi pe care-l
corp.
Elementele celor două notăm cu S(n).
mulţimi sunt legate între
Spaţiul vectorial poate fi real sau complex după cum câmpul
ele printr-o operaţie
externă, de înmulţire a scalarilor este real sau complex. Mai general, orice structură izomorfă
vectorilor cu scalari, cu
proprietăţile : cu S(n) se numeşte spaţiu vectorial n-dimensional. Spaţiul real
1. ∀ a,b ∈ K, ∀ v ∈V
(a ⋅ b) ⋅ v = a ⋅ (b ⋅ v) n-dimensional se mai notează şi cu Rn. Axiomele adunării şi înmulţirii
2. ∀ a,b ∈ K, ∀ v ∈V cu un scalar s-au evidenţiat la § 1.2. (operaţii cu matrice).
(a + b) ⋅ v = (a ⋅ v)+(b ⋅ v)
3. ∀ a ∈ K, ∀ u,v ∈V Considerăm vectorii V i = ( v1i v2i ! vni )T , i = 1, m din spaţiul S(n).
a ⋅ (u + v) = (a ⋅ u)+(a ⋅ v)
4 ∀ V 1 Zicem că Vi sunt liniar dependenţi dacă există m scalari nu toţi

!
Liniar independenţă
nuli, λi, astfel încât să aibă loc relaţia:

λ 1 V 1 + λ 2 V 2 + !+ λ m V m = θ (1.7.1)

În caz contrar, adică dacă (1.7.1) are loc numai pentru toţi λi=0 sau
λ 1V 1 + λ 2 V 2 + ! + λ m V m ≠ θ , ( λ i ≠ 0) , vectorii se numesc liniar
independenţi.
Din definiţie rezultă că dacă vectorul nul (θ) face parte din sistem,
vectorii Vi sunt liniar dependenţi şi că sistemul format dintr-un singur
vector nenul este liniar independent. Dacă are loc relaţia (1.7.1) atunci
orice vector Vi cu λi≠0 se poate exprima ca o combinaţie liniară de
ceilalţi (m-1) vectori. De exemplu, dacă λ1≠0 atunci:

26
λ2 λ
v1 = − v2 − ! − m vm = α 2 v2 + ! + α m vm
λ1 λ1
Dacă doi vectori V1≠0, V2≠0 sunt liniar dependenţi, din relaţia

λ1V1+λ2V2=0 cu λ1≠0, λ2≠0, rezultă V1=kV2 unde k = - λ 2 este un


λ1
scalar nenul. Deci, coordonatele a doi vectori liniar dependenţi sunt
proporţionale.
Explicitând relaţia (1.7.1), prin înlocuirea coordonatelor
vectorilor, obţinem un sistem liniar omogen de n ecuaţii cu m
necunoscute λ1, λ2, … ,λm:

 x11 λ 1 + x12 λ 2 + ! + x1m λ m = 0  v11 v12 ! v1m 


  
 x 21 λ 1 + x 22 λ 2 + ! + x2m λ m = 0  v 21 v22 ! v 2m 
 , cu matricea : V =  
!!!!!!!!!!!!!! 
"" "

 x n1 λ 1 + x n 2 λ 2 + ! + x nm λ m = 0  ! 
 v n1 v n 2 v nm 
(1.7.2)

Dacă rang V=m atunci sistemul admite numai soluţia banală


(λ1=λm=0) şi vectorii sunt liniar independenţi (şi reciproc).
Deci: condiţia necesară şi suficientă ca un sistem de vectori să fie
liniar independent este ca rangul matricei sistemului să fie egală cu
numărul de vectori. Deoarece rang V≤inf(n,m), rezultă că într-un
spaţiu vectorial S(n) există cel mult n vectori liniar dependenţi, în
sensul că dacă sistemul de vectori conţine un număr mai mare de
vectori decât dimensiunea spaţiului, cei care sunt în plus vor fi liniar
dependenţi.
Dacă rang V=p<m, atunci orice subsistem de p vectori ai
sistemului iniţial a cărui matrice are rangul p este format din vectori
liniar independenţi şi sistemul (1.7.2) admite soluţii diferite de soluţia
banală (nu toate vor fi nule).
Numărul maxim de vectori liniar dependenţi, ai unui sistem de
vectori este egal cu rangul sistemului.
T T
Exemplu: Să se arate că vectorii: V1=(3 0 -2 3) , V2=(1 2 1 2) ,
V3=(-3 6 7 0)
T
sunt liniar dependenţi şi să se afle relaţia de #
Determinarea relaţiei
dependenţă.
de dependenţă
Calculăm rangul matricei sistemului de vectori:

27
 3 1 - 3  1 0 0
   
 0 2 6  0 1 0
V = ~   , rangV = 2
 - 2 1 7  0 0 0
   
 3 2 0  0 0 0

Deoarece rang V=2 mai mic decât m=3, vectorii daţi sunt liniar
dependenţi şi există între ei o relaţie de dependenţă de forma (1.7.1).
În calculul rangului matricei V, nu s-a schimbat ordinea
coloanelor deci primii doi vectori (unde apar elementele 1 pe coloană)
sunt liniar independenţi. Aşa că, scriem relaţia (1.7.1) numai pentru
primele două coordonate care intervin în ecuaţiile principale:

3λ1 + λ 2 − 3λ3 = 0

 2λ 2 + 6λ 3 = 0
Rezultă: λ1=2λ3, λ2=-3λ3 pe care îi înlocuim în relaţia
λ1V1+λ2V2+λ3V3=θ, adică: 2λ3V1-3λ3V2+λ3V3=θ.
Împărţim cu λ3≠0 şi deducem relaţia de dependenţă dintre cei trei
vectori: 2V1-3V2+V3=θ.

Teme
1. Definiţi noţiunea de liniar dependenţă.
2. Să se arate că vectorii: V1=(2 1 1 2)T, V2=(-1 2 -1 -3)T,
V3=(1 3 0 -1)T sunt liniar dependenţi şi să se afle relaţia de
dependenţă.

1.8. Bază în spaţiul vectorial S(n). Exprimarea unui


vector într-o bază dată.

!
Bază a spaţiului
Definiţie. Se numeşte bază a spaţiului S(n) orice sistem de n
vectori liniar independenţi ai spaţiului.
vectorial Fie vectorii Vi=(a1i a2i … ani)T care formează o bază în S(n) şi pe
care o notăm B=(v1 v2 … vn)T. Vectorii bazei fiind liniar independenţi,
matricea sistemului de vectori care formează baza (pe care o notăm tot
cu B) este nesingulară.
Orice vector arbitrar X=(x1 x2 … xn)T al spaţiului S(n) se exprimă
în funcţie de vectorii bazei, ca o combinaţie liniară.

Astfel, deoarece sistemul ( V i X) i = 1, n , de (n+1) vectori este


liniar dependent are loc o relaţie de forma: λ1V1+ … +λnVn+λn+1X=0

28
unde nu toţi λi sunt nuli. Vectorii bazei fiind liniar dependenţi, λn+1≠0
şi avem:

λ1 λn
x= - v1 - ! - v n = α 1 v1 + ! + α n v n
λ n+1 λ n+1

Coeficienţii α i , i = 1, n se numesc coordonatele vectorului x în

baza B. Dacă xiB , i = 1, n sunt coordonatele lui x în baza B, putem $


Coordonatele
scrie: vectorului

n
X = x v1 +!+ x v n = ∑ xiB vi
B
1
B
n
i=1 (1.8.1)

Termenii xiVi se numesc componentele vectorului X în baza B şi


ele sunt tot vectori. Deci un vector arbitrar X are componente $
Componentele
vectoriale şi coordonate scalare. Zicem că (1.8.1) reprezintă scrierea vectorului
analitică a unui vector X într-o bază B.
Notând: XB=(x1B … xnB)T, relaţia (1.8.1) devine:

X = BX B (1.8.2)

Înmulţind la stânga cu B-1 obţinem o relaţie care ne permite să


calculăm coordonatele unui vector într-o bază dată:

B -1
X =B X (1.8.3)

Observaţie: Vom numi bază a unei matrice Am×n de rang p, orice


sistem de p vectori liniar independenţi ai matricei. Dacă rang A este
egal cu dimensiunea spaţiului S(n), adică p=n, atunci bazele matricei A
vor fi baze în S(n).
Definiţie: Se numesc vectori unitari în spaţiul Rn, vectorii:

 1
 
0 
 
0 
 
$
0   1 0  Vectorii unitari
E 1 =   , E 2 =   ,! , E n =   ,
" " "
     
0  0   1
     
matricea sistemului fiind matricea unitate E (sau U sau I), deci
vectorii unitari formează o bază a spaţiului numită bază iniţială.

29
Denumirea se justifică deoarece fiind dat un vector X=(x1 …xn)T
el se exprimă: X=X1E1+ … xnEn şi coordonatele lui sunt coordonate
în baza formată de E i , i = 1, n.
Notă: Din (1.8.3) rezultă că dacă un vector face parte dintr-o bază
B, coordonatele lui în baza B formează un vector unitar.
Soluţii de bază ale unui sistem de ecuaţii liniare. Fie AX=D un
sistem compatibil, cu Am×n, n>m şi rang A=m (adică din sistem am
eliminat ecuaţiile secundare). Notăm A=(V1 V2 … Vn), unde Vi sunt
vectorii coloană ai matricei A aparţinând spaţiului Rn. Sistemul se
poate scrie deci:

x1 V 1 + x 2 V 2 + ! + x n V n = D (1.8.4)

Un vector X = ( x1 x 2 ! x n )T este soluţie a sistemului (1.8.4)


dacă:

x1 V 1 + x 2 V 2 + ! + x n V n = D

Vectorul X este soluţie de bază a sistemului (1.8.4) dacă vectorii


!
Soluţii de bază
corespunzători coordonatelor lui nenule sunt liniar independenţi.
Deoarece Vi∈Rm, o soluţie de bază are cel mul m coordonate
diferite de zero şi zicem că este nedegenerată. În caz contrar, dacă are
mai puţin de m coordonate nenule, zicem că ea este degenerată.
Dacă B este o bază a matricei A, deci a spaţiului Rm, notând cu S
matricea formată cu vectorii care nu fac parte din bază, cu XB
variabilele principale sau bazice (însoţesc vectorii din bază) şi cu XS
vectorul variabilelor secundare sau nebazice, sistemul dat se poate
scrie sub forma:

B S
BX + SX = D

Înmulţind la stânga cu B-1, deducem:

B -1 -1 S
X = B D - ( B S) X (1.8.5)

Relaţia (1.8.5) exprimă variabilele principale în funcţie de


variabilele secundare, adică soluţia sistemului. Dacă Xs=0, atunci:

B -1 -1 S
X = B D - ( B S) X (1.8.6)

30
unde DB sunt coordonatele vectorului D în baza B.
Soluţia particulară obţinută din DB completat cu vectori pentru
variabilele secundare este o soluţie de bază (vectorii din B fiind liniar
independenţi) corespunzătore bazei B. Ea este nedegenerată dacă toate
coordonatele vectorului DB sunt diferite de zero. În caz contrar este
degenerată. Rezultă că fiecărei baze din matricea A îi corespunde o
soluţie de bază. Numărul maxim al soluţiilor de bază ale unui sistem
de m ecuaţii cu n necunoscute (presupunând rang A=m) este Cnm.
Numărul lor poate fi mai mic deoarece în A pot exista sisteme de m
vectori liniar independenţi.
Reciproca nu este adevărată, o soluţie de bază putând să
corespundă mai multor baze.
Exemplu: Să se determine soluţiile de bază ale sistemului:

2 x1 + x 2 - 4 x 3 + 5 x 4 = 4

#
Determinarea
 x1 + x 2 - 2 x 3 + 2 x 4 = 2 soluţiilor de bază

Avem:

2 1 - 4 5
A =  
11 - 2 2 

Determinăm bazele matricei din cele C42=6 combinaţii (Vi Vj)


posibile. Pentru fiecare bază anulăm variabilele nebazice şi rezolvăm
sistemul:
T
B1 = ( V 1 V 2 ), det B1 = 1 ≠ 0, X1 = (2 0 0 0 )
B2 = (V1 V3), det B2 = 0 - nu este baz ă
T
B3 = (V1 V 4), det B3 = -1 ≠ 0, X3 = (2 0 0 0 )
T
B4 = (V2 V3), det B4 = 2 ≠ 0, X 4 = (0 0 - 1 0 )
2 2 T
B5 = (V 2 V4), det B5 = -5 ≠ 0, X5 = (0 0 )
3 3
T
B6 = (V3 V 4), det B6 = 2 ≠ 0, X6 = (0 0 - 1 0 )

S-au obţinut astfel 5 baze. Dintre soluţiile de bază doar X 5 este

nedegenerată. Cele degenerate, egale două câte două, corespund la


câte două baze distincte.

31
Teme
1. Definiţi noţiunile de bază şi soluţie de bază degenerată.
2. Daţi exemplu de bază în spaţiul vectorial al matricelor cu două
şi două coloane.

1.9. Schimbarea bazei


Fie X∈Rn şi XA, XB coordonatele lui X în bazele A şi B, deci:

X = AX A , X B = B-1 X,

de unde:

!
Coordonatele lui X
B -1 A
X = ( B A) X , (1.9.1)
în baza B relaţie care exprimă coordonatele lui X în baza B funcţie de
coordonatele lui X în baza A.
Exemplu: Se dau bazele:

 1 - 1 2  1 2 - 1
   
A =  1 3 2  , B =  3 0 1
   
 2 1 - 1  2 2 - 1

şi vectorul V=(0 4 -2)T. Se cere:


a) Să se afle VA
b) Din VA să se determine VB.
Soluţie: a) Aplicăm (1.8.3) şi rezultă VA=A-1V=(-1 1 1)T
b) Aplicăm (1.9.1): VB=(B-1A)VA=(-2 6 10)T
Modificarea unui singur vector coloană din bază.
Fie baza B=(V1 … Vh-1 Vh Vh+1 … Vn)⊂Rn şi vectorul Vk∈Rn cu
coordonatele în baza B, aik (i = 1, n ) , necunoscute. În baza B înlocuim
vectorul Vh cu vectorul Vk. Se obţine o nouă matrice B1 care formează
o bază dacă ahk≠0. Zicem că Vh iese din bază şi Vk intră în bază.
Fie un vector X=(X1B … XnB)T∈Rn cu coordonatele XiB
cunoscute. Să calculăm coordonatele xiB1 . Avem:

V k = ∑ aik V i = ∑ aik V k + a hk V h (1.9.2)


i∈B i∈B \{h}

Din (1.9.2) scoatem pe Vh şi-l înlocuim în X:

32
1 1
Vh=
a hk
Vk -
a hk

i∈B \{h}
aik V k , a hk ≠ 0

X = ∑ xiB V i = ∑ B
xiB V i + xh V h ,
i∈B i∈B \{h}

adică:
B
1 xh
X=
a hk i∈B1
∑ ( xiB ahk - xhB aik )V i + a hk
Vk
(1.9.3)
Din (1.9.3) deducem coordonatele lui X în noua bază B1:

 xh
B

 , dac_ i = h
 a hk
xiB1 =  ( a hk ≠ 0) (1.9.4)
 B B
 xi a hk - x h a ik , dac_ i h

 a hk

Formulele (1.9.4) se reţin mai uşor dacă formăm un tabel care să


conţină pe coloane vectorii din baza B, coordonatele vectorului Vh
care iese din bază, coordonatele vectorului Vk care intră în bază şi
coordonatele vectorului XB:
B
B Vh Vk X
B
V1 0 a1k x1
B
V2 0 a2k x2
" " " "
B B
Vi 0 aik xi aik xi
" " " "
B B
Vh 1 ahk xh ahk xh
" " " "
B
Vn 0 ank xn
Coordonata ahk din tabloul de mai jos se numeşte element pivot
sau pivot şi joacă un rol fundamental în transformarea coordonatelor
vectorului X.
Formulele (1.9.4) exprimă operaţiile:
- coordonatele de pe linia h (a pivotului) se împart cu pivotul ce
trebuie să fie diferit de zero (în caz contrar problema nu este posibilă,
$
Metoda pivotului

B1 nu formează o bază);

33
- se determină coordonata xiB1 , când i≠h, formându-se
dreptunghiul din dreapta tabloului, cu coordonate ale
vectorilor Vk şi XB, având ca vârfuri opuse pivotul şi
coordonata xiB. Se aplică formula (1.9.4) Aceasta este regula
dreptunghiului.

Teme
1. Determinaţi un element pivot pentru a înlocui vectorul V2 cu
un alt vector. Precizaţi care vector va putea intra în bază, V1,
V3 ? Poate intra vectorul V2 în locul V2 ? are sens ?
B V1 V2 V3
E1 2 0 -2
V2 0 1 -2
E3 2 0 1
2. Se poate înlocui vectorul V2 cu V3 în matricea următoare ?
B V1 V2 V3
E1 2 0 -2
V2 0 1 1/6
E3 2 0 1

Rezumat
Spaţiul vectorial este o structură algebrică complexă.
O mulţime de vectori este liniar dependentă, dacă se poate găsi o
combinaţie liniară (o sumă a vectorilor, eventual înmulţiţi cu scalari,
din care cel puţin unul să fie nenul) care să aibă ca rezultat vectorul
nul. În caz contrar, vectorii se zic liniar independenţi.
O mulţime de vectori liniar independenţi, care are atâţia vectori
cât este dimensiunea spaţiului, este o bază. Numărul de vectori se
numeşte dimensiunea spaţiului.
Într-un spaţiu vectorial sunt mai multe baze, existând un algoritm
de trecere dintr-o bază în alta.

Test de evaluare
Să se decidă dacă vectorii: V1=(-3 2 1 2)T, V2=(-1 -2 1 1)T,
V3=(2 -4 0 -1)T sunt liniar dependenţi şi să se afle relaţia de
dependenţă în caz afirmativ. 90 puncte

34
1.10. Forma redusă a unei matrice corespunzătoare
unei baze.
Următoarele două paragrafe pun în valoare noţiunile introduse în
precedentele trei. Paragraful 1.11 va ilustra câteva aplicaţii ale metodei
pivotului, deocamdată punând la dispoziţie o nouă metodă pentru
calcularea diferitelor caracteristici ale unei matrice (rangul, inversa),
precum şi rezolvarea sistemelor de ecuaţii liniare, metodă care are
calitatea de permite obţinerea rezultatelor prin aplicarea unor operaţii
aritmetice simple şi printr-un procedeu mai simplu, fără să necesite
calcule complicate cum ar fi calcularea unor determinanţi.
Acest subcapitol necesită circa două ore pentru a putea fi asimilat
şi constituie un bun exerciţiu pentru partea a doua a cursului, care va
extinde aceste noţiuni şi va introduce o metodă (cu mai mute variante)
pentru rezolvarea câtorva probleme cu specific economic (căutarea
rutei de transport minim, obţinerea profitului maxim sau a costurilor
minime, etc.).
Considerăm o matrice A=(aij)m×n cu rang A=p şi o bază B a ei.
Exprimând vectorii coloană Vi ai matricei în funcţie de vectorii bazei,
obţinem o nouă matrice AB de acelaşi tip, numită matricea redusă a
matricei A corespunzătoare bazei B.
Dacă n>m şi rang A=m, baza B a matricei A este bază a spaţiului
!
Matricea redusă
vectorial Rm şi coloanele lui AB sunt coordonatele vectorilor Vi în
baza B daţi de relaţia B-1Vi=ViB. Deci: AB=B-1A.
Forma redusă a matricei A conţine o matrice unitate Um formată
din coloanele corespunzătoare vectorilor care formează baza B.
Dacă rang A=p<m, baza B a matricei A nu este bază a spaţiului
m
R , dat toţi vectorii Vi se exprimă liniar în funcţie de vectorii bazei B.
Forma redusă a matricei A conţine p vectori unitari şi (m-p) linii
formate din zerouri. Pentru a determina forma redusă, putem aplica
metoda schimbării unui singur vector din bază, eliminând succesiv un
vector Eh din bază şi introducând în locul lui un alt vector Vk. Pentru
aceasta, alcătuim un tabel care conţine o coloană B cu vectorii bazei,
matricea A cu vectorii coloană V1, … ,Vn şi baza iniţială:

35
B V1 V2 … Vk … Vn E1 E2 … En … Em
E1 a11 a12 … a1k … a1n 1 0 … 0 … 0
E2 a21 a22 … a2k … a2n 0 1 … 0 … 0
! ! ! ! ! ! ! ! !
Eh ah1 ah2 … ahk … ahn 0 0 … 1 … 0
! ! ! ! ! ! ! ! !
Em am1 am2 … amk … amn 0 0 … 0 … 1

Elementul pivot este ahk≠0 şi aplică formulele (1.9.4). Continuă


" procedeul până la eliminarea tuturor vectorilor Ei din bază
Elementul pivot este
un număr nenul. (rang A=m) sau până obţinem un tabel în care eliminarea unui vector
unitar din bază devine imposibilă deoarece toţi pivoţii sunt nuli.
(rang A<m).
Acest procedeu, de modificare succesivă a unui vector din bază, îl
numim metoda pivotului datorită rolului important al elementelor ahk
în transformarea tabelelor.

1.11. Aplicaţii ale metodei pivotului în algebră.

1. Determinarea rangului unei matrice.


În forma redusă a unei matrice A=(aij)m×n se poate pune în
evidenţă atât rangul matricei cât şi un determinant principal al ei.
Deoarece vectorii bazei B în general nu sunt nominalizaţi, vom alege
pivoţii în aşa fel încât să avem calcule cât mai puţine, de preferinţă +1
sau -1.

Exemplul 1: Să se determine rangul matricei:


#  2 1 3 - 2
Determinarea  
rangului matricei A = - 1 1 - 4 1
prin metoda  
i l i  2 2 - 1 1

Formăm tabelul menţionat:

36
B V1 V2 V3 V4 E1 E2 E3
E1 2 1 3 -2 1 0 0 2 1
E2 -1 1 -4 1 0 1 0 -1 1
E3 2 2 -1 1 0 0 1 −1− 2
⇒ = −3
1
V2 2 1 3 -2 0 0
E2 -3 0 -7 3 1 0
E3 -2 0 -7 5 0 1
V2 0 3 -5 0 0 simplificăm cu 3
V4 -3 0 -7 3 0
E3 9 0 14 0 1 elementele matricei
V2 0 1 -5/3 0 0
V4 -1 0 -7/3 1 0
E3 3 0 14/3 0 1
V2 0 1 -5/3 0
V4 -1 0 -7/9 1
V1 1 0 14/9 0

Matricea unitate fiind de ordinul 3 înseamnă că rang A=3 şi


sistemul de vectori (V2 V4 V1) reprezintă o bază a matricei iar vectorul
5 7 14
V3 se exprimă în funcţie de aceştia: V 3 = - V 2 - V 4 + V 1 .
3 9 9

La rezolvarea problemei s-au folosi trei iteraţii.

Exemplul 2: Să se determine rangul matricei:

 2 1 - 3 0
 
A =  1 3 1 - 5
 
 - 1 0 2 - 1
Avem:

37
B V1 V2 V3 V4 E1 E2 E3
E1 2 1 3 0 1 0 0
E2 1 3 1 -5 0 1 0
E3 -1 0 2 -1 0 0 1
V2 2 1 -3 0 0 0
E2 -5 0 10 -5 1 0
E3 -1 0 2 -1 0 1
V2 0 1 1 -2 0
E2 0 0 0 0 1
V1 1 0 -2 1 0

Elementele liniei a doua fiind nule, rang A=2. Sistemul de vectori


(V2 V1) reprezintă o bază a matricei iar ceilalţi doi vectori se exprimă
ca o combinaţie liniară de V1 şi V2: V3=V2-2V1 şi V4=-2V2+V1. S-au
folosit două iteraţii (3 tabele succesive).

2. Determinarea inversei unei matrice.

# Fie A=(aij)n cu det A≠0. Prin metoda pivotului, în ultimul tablou,


în locul matricei A apare forma redusă a ei — o matrice formată din
Determinarea
inversei matricei prin vectori unitari, iar în dreptul matricei unitate din primul tablou apare
metoda pivotului
inversa bazei înscrisă în coloana B.

Exemplu:
Să se calculeze inversa matricei:

0 - 1 2
 
A =  1 0 - 1
 
 2 3 - 4 

Vom avea succesiv:

38
B V1 V2 V3 E1 E2 E3
E1 0 -1 2 1 0 0 a11=0, a12=-1≠0 (pivot)
E2 1 0 -1 0 1 0
E3 2 3 -4 0 0 1
V2 0 1 -2 -1 0 0
E2 1 0 -1 0 1 0
E3 2 0 2 3 0 1
V2 0 1 -2 -1 0 0
V1 1 0 -1 0 1 0
E3 0 0 4 3 -2 1 (:4)
1 1
V2 0 1 0 -1
2 2
3 1 1
V1 1 0 0
4 2 4
3 1 1

V3 0 0 1 4 2 4

Matricea din ultimul tabel situată în dreptul matricei unitate este


inversa bazei (V2 V1 V3). Inversa matricei A=(V1 V2 V3) se obţine
schimbând între ele primele două linii, deci:

3 1 1
 
4 2 4
   3 2 1
1 -1 1 1 
-1
A =  =  2 - 4 2 
2 2 4
 3 - 2 1 
   
3 1 1 
4 -
 2 4 

3. Rezolvarea unui sistem de n ecuaţii liniare cu n necunoscute.


Fie sistemul AX=D cu A=(aij)n nesingulară. Soluţia sistemului
#
Rezolvarea unui
-1 A sistem de ecuaţii
este X=A D=D (coordonatele vectorului D în baza A). În tabelul de liniare prin metoda
mai sus adăugăm coloana vectorului D (termen liber) şi-i calculăm pivotului

coordonatele în bazele succesive obţinute prin introducerea în bază a


câte unui vector din A.

39
Exemplu: Să se rezolve sistemul:

 x1 + 2 x 2 - x3 = -3

 3 x1 + x3 = -3
2 x + 2 x - x = -5
 1 2 3

Avem:
B D V1 V2 V3 E1 E2 E3
E1 -3 1 2 -1 1 0 0
E2 -3 3 0 1 0 1 0
E3 -5 2 2 -1 0 0 1
V1 -3 1 2 -1 0 0
E2 6 0 -6 4 1 0
E3 1 0 -2 1 0 1
V1 -2 1 0 0 0
E2 2 0 2 0 1 (:2)
V3 1 0 -2 1 0
V2 -2 0 0 0
V1 1 0 1 0
V3 3 0 0 1

Rezultă: X=(-2 1 3)T=DA - soluţia sistemului, respectiv: x1=-2,


x2=1, x3=3.

4. Discuţia şi rezolvarea unui sistem de m ecuaţii liniare cu n


necunoscute
Fie sistemul AX=D, A=(aij)m×n şi rang A=p≤inf{m,n}. Aplicând
# metoda pivotului, după introducerea în bază a p vectori Vi* din A se
Discuţia şi
rezolvarea unui
obţine forma redusă a vectorului A corespunzătoare bazei B, formată
sistem de ecuaţii
din vectorii Vi*, având (m-p) linii formate din zerouri. Dacă în ultimul
liniare prin metoda
i l i tablou coordonatele lui D de pe liniile formate din zerouri sunt nule,
rang (AD)=rang A=p şi sistemul este compatibil. În caz contrar,
dacă nu toate coordonatele lui D de pe aceste linii sunt nule, rang
(AD)>rang A şi sistemul este incompatibil.

40
Dacă sistemul este compatibil, prin eliminarea celor (m-p) linii
formate din zerouri se obţine un sistem de forma AX=D cu rangA=p
şi A=(aij)p×n.
Baza B a matricei A=(aij)p×n este bază în Rn şi sistemul se scrie:

BX = D - ∑ V j x j
B
,
j∈S

unde j∈S înseamnă că j ia toate valorile indicilor vectorilor care nu fac


parte din bază.
Înmulţim cu B-1 şi obţinem soluţia sistemului dat, sub formă
matriceală:

X = D - ∑ V Bj x j
B B
(1.11.1)
j∈B

Transcrisă în coordonate, aceasta devine:

xi = d i - ∑ aijB x j , i ∈ B
B B

j∈S
(1.11.2)

Exemplu: Să se discute şi să se rezolve sistemul:

 x1 + 2x 2 - 3x3 + x 4 = 1

 3x1 + x 2 + x3 - 2x 4 = 3
3x - 4x + 11x - 7x = a
 1 2 3 4

B D V1 V2 V3 V4 E1 E2 E3
E1 1 1 2 -3 1 1 0 0
E2 3 3 1 1 -2 0 1 0
E3 a 3 -4 11 -7 0 0 1
V1 1 1 2 -3 1 0 0
E2 0 0 -5 10 -5 1 0
E3 a-3 0 -10 20 -10 0 1 se împarte cu pivotul
V1 1 1 0 1 -1 0
V2 0 0 1 -2 1 0
E3 a-3 0 0 0 0 1
Elementele liniei a treia din A fiind nule, rang A=2 şi sistemul
este compatibil dacă a-3=0, a=3 (atunci rang A=rang (AD)).
Înmulţind vectorii Vi din ultimul tabel, cu xi şi sumând avem:

41
 x1 + x 3 - x 4 = 1

 x 2 - 2 x3 + x4 = 0
(ecuaţii principale cu x1, x2 necunoscute principale)
de unde:
 x1 = 1 - λ - µ
 = 2λ - µ
 x2
 ; λ, µ ∈ R
 x3 = λ
 x4 = µ

Sistemul este compatibil dublu - nedeterminat, având soluţia:


(1-λ+μ, 2λ-μ, λ, μ)

5. Determinarea soluţiilor de bază nenegative ale unui sistem


liniar.
Considerăm sistemul AX=D cu A=(aij)m×n şi rang A=m. Ne
# propunem să aflăm soluţiile de bază X ≥ 0 , având coordonatele:
B

Determinarea
soluţiilor de bază ale B d iB , dacă i ∈ B
x =
i  (1.11.3)
unui sistem de
ecuaţii liniare prin
 0, dacă i ∉ B
metoda pivotului Dacă X B ≥ 0 atunci DB≥0 şi reciproc. Presupunem D≥0 şi DB≥0.
Dacă Vk intră în bază şi Vh iese din bază se obţine o nouă bază B1 şi
din relaţiile ce dau coordonatele vectorului în noua bază B1,

 x hB
 ,i = h
 a hk
xi =  B
B1
B
 xi a hk - x h a ik , i ≠ h
 ahk
obţinem:

 d hB
 B
,i = h
 a hk
d iB 1 =  B B B B
(1.11.4)
 d i a hk - d h aik , i ≠ h
 B
a hk

Condiţia d iB 1 ≥ 0, ( ∀ )i ∈ B1 devine: a hk
B
> 0, d iB a hk
B
- d hB a ikB ≥ 0 şi
este satisfăcută pentru:

d hB  d iB 
= inf  B , (∀) i ∈ B (1.11.5)
a hkB  aik  a B >0
hk

42
Deci, pentru a ne păstra în cadrul soluţiilor de bază nenegative
trebuie repetat criteriul de ieşire din bază: dacă Vk intră în bază se
scoate din bază vectorul pentru care este îndeplinită condiţia (1.11.5).
Dacă (1.11.5) se realizează pentru doi indici p şi q se introduce în
bază unul din vectorii Vp sau Vq şi soluţia X B1 este degenerată,

deoarece d qB 1 = 0 sau d Bp 1 = 0 . Dacă X B ≥ 0 este o soluţie degenerată

cu d hB = 0 , introducând în bază orice vector Vj∈B cu ahjB≠0, soluţia

X nu se modifică.
B

Observaţie: Pentru determinarea soluţiilor de bază nenegative se


consideră pivoţi pozitivi. Singura excepţie este cea semnalată când
soluţia X B este degenerată.

Exemplu: Să se determine soluţiile de bază nenegative ale


sistemului:

2 x1 + x 2 - 4 x 3 + 5 x 4 = 4

 x1 + x 2 - 2 x 3 + 2 x 4 = 2
B
În tabelul obişnuit adăugăm o coloană cu d i pentru aikB>0.
B
aik
B
di
B D V1 V2 V3 V4 E1 E2 B
aik
E1 4 2 1 -4 5 1 0 4 2
 ,  (I)
E2 2 1 1 -2 2 0 1 2 1 
1 5  
V1 2 1 -2 0  2 0 
2 2
1 , 1 (II)
1 1  
E2 0 0 0 1  2 2 
2 2
V1 2 1 0 -2 3 2
  (III)
V2 0 0 1 0 -1 3
2 1 2
V4 0 - 1
3 3 3
(IV)
2 1 2
V2 1 - 0
3 3 3

În (I) se pot introduce în bază doar unul din vectorii V1, V2, V4 şi
nu V3 care are toate coordonatele negative. Se introduce V1.
Rapoartele fiind egale se scoate din bază E1 sau E2. S-a scos E1.

43
În (II) soluţia este degenerată. Se pot introduce V2 sau V4 în locul
lui E2. S-a introdus V2.
În (III) baza aparţine matricei A; eliminarea lui V2 din bază nu
modifică soluţia. Dacă eliminăm pe V1, singurul vector care poate fi
introdus în bază este V4 şi se obţine tabelul (IV).
Soluţiile de bază nenegative sunt aşadar: X1=(2 0 0 0)T care
T
 2 2
corespunde bazelor (V1 V2), (V1 V4) şi X 2 =  0 0  ce
 3 3
corespunde bazei (V2 V4).

Aplicaţie în economie: Modelul matematic al „balanţe”.

#
Una dintre cele mai importante aplicaţii ale matricelor şi respectiv
sistemelor de ecuaţii liniare în economie, este balanţa legăturilor dintre
Modelul matematic
al balanţei
ramurile de producţie. Modelul matematic al balanţei numit model
input-output elaborat de Leontief, consideră economia naţională
descompusă în n ramuri de producţie, care se stabilesc convenţional:
industria construcţiilor de maşini, industria uşoară, agricultura,
industria metalurgică, etc. Aceste n ramuri le notăm cu primele n
numere naturale (abstract). Producţia se poate exprima într-o formă
naturală sau într-o formă valorică, legătura între cele două expresii
fiind realizată prin preţurile exprimate în unităţi monetare. Să
considerăm expresia valorică a producţiei. Producţia totală (brută) xi
a oricărei ramuri i are două destinaţii:

• parte, ce conţine producţiile intermediare în cantităţile

xij , j = 1, n , trece în cele n ramuri pentru a fi folosită la


realizarea producţiei ramurii respective;
• altă parte, yj, producţia finală, se consumă în afara ramurilor,
în primul rând prin fondul de consum.
Astfel, se poate scrie sistemul de ecuaţii liniare:

n
xi = ∑ xij + y i , i = 1, n
j=1

44
care caracterizează repartiţia. Notând cu z j , j = 1, n , valoarea

producţiei nete constituită în primul rând din venitul naţional, se poate


scrie un sistem de ecuaţii liniare echivalent cu cel de sus:

n
x j = ∑ xij + z j , j = 1, n
i=1

Presupunând consumurile xij proporţionale cu producţiile brute xj,


se pot introduce coeficienţii de proporţionalitate:

xij
aij = ; i, j = 1, n ,
xj

numiţi coeficienţii cheltuielilor directe şi în locul primului sistem de


ecuaţii liniare putem scrie:

n
xi = ∑ aij x j + yi , i = 1, n
j=1

sau matriceal: X=AX+Y, adică (E-A)X=Y.


Dacă pentru vectorul produs final (Y) dat, sistemul este compatibil
atunci se obţine vectorul producţiei brute corespunzătoare, X.
Acest model al lui Leontief se foloseşte (ca instrument matematic)
mai ales în planificare, în stabilirea balanţei după un ciclu de lucrări
trimestriale sau anuale, de aceea modelul detaliat, în formă dinamică
prin care se reflectă variaţia în timp a „balanţei” se studiază la
disciplina de specialitate utilizând un aparat matematic mai complex.

Teme
1. Folosind metoda pivotului, calculaţi rangul matricei :
 1 −2 7 
 
A = −3 4 5
 − 1 0 19 
 
Verificaţi rezultatul, folosind alte metode calculare a rangului
matricei.
2. Folosind metoda pivotului, calculaţi inversa matricei :
 2 3
B =  
 7 1
Verificaţi rezultatul obţinut.
45
3. Folosind metoda pivotului, rezolvaţi sistemul de ecuaţii liniare :
 2x + 3y − z = 2

− x + 2 y + 2 z = 1
 x + 5y + z = 3

Verificaţi rezultatul, folosind alte metode de rezolvare a
sistemului de ecuaţii.

Rezumat
Metoda pivotului este o metodă eficientă pentru determinarea
rangului şi inversei unei matrice, precum şi pentru rezolvarea şi
discutarea sistemelor de ecuaţii liniare, întrucât pune la dispoziţie o
metodă unică ce foloseşte doar operaţiile aritmetice fundamentale :
adunare, scădere, înmulţire şi împărţire. În plus această metodă este
potrivită pentru a fi programată, deci o bună stăpânire a sa coroborată
cu anumite cunoştinţe de programare poate genera un program eficient
şi general pentru soluţionarea multor probleme algebrice.
În finalul ultimului paragraf s-a prezentat o aplicare în domeniul
economic a noţiunilor prezentate în decursul subcapitolelor
precedente.

Test de evaluare
1. Folosind metoda pivotului, calculaţi şi discutaţi în funcţie de
parametrul α, rangul matricei :
1 2 
A =   30 puncte
2 α 
2. Folosind metoda pivotului, rezolvaţi şi discutaţi, în funcţie de
valorile parametrilor α şi β, sistemul de ecuaţii liniare :
 x + αy − z = 2

− x + βy + 2 z = 1 60 puncte
 x + 5y + z = 3

46
Testul nr. 1
1. Folosind partiţionarea să se calculeze AB, unde :
 1 −1 2 − 2  2 1 − 1 − 2
   
 −1 2 −2 1  1 −1 − 2 2
A= ,B =
2 −2 1 − 1 −1 − 2 2 1
   
− 2 1 − 1 2  − 2 2 1 − 1 
   
2. Să se calculeze inversa matricei :
2 4 3
 
C = 0 1 1
 2 2 − 1
 
3. Să se rezolve ecuaţia matriceală AX=B, unde :
1 1 − 1  1 − 1 3
   
A = 2 1 0  şi B =  4 3 2
 1 −1 1  1 − 2 5
  
4. Să se rezolve sistemul :
2 −1 1 x   − 1
    
 1 2 − 3  y  =  − 5 
3 1 4  z   − 4 

5. Să se determine λ, µ∈R astfel încât matricele următoare să fie liniar dependente :
 −1 2 3  0 −1 1 − 5 λ µ
     
A =  − 3 4 − 1 , B =  − 3 5 − 2  , C =  − 9 10 − 1
 0 1 − 2  1 0 − 5 − 2 5 0 
    
6. Se dau bazele :
 1 − 1 2  1 2 − 1
   
A =  1 3 2 , B =  3 0 1
2 1 − 1  2 2 − 1
  
şi vectorul v = (0 4 − 2 )
T

a) să se afle vA ; b) Din vA să se determine vB


7. Folosind metoda pivotului să se calculeze rangul matricei :
 1 − 2 7
 
A = − 3 4 5
 −1 0 19 

 2 3
8. Utilizând metoda pivotului să se afle inversa matricei B =   şi să se
 7 1
verifice rezultatul obţinut.
9. Cu metoda pivotului să se rezolve sistemul de ecuaţii liniare :
 2x + 3y − z = 2

− x + 2 y + 2 z = 1
 x + 5y + z = 3

Notă :
Din oficiu se acordă 10 puncte. Fiecare subiect este notat cu maxim 10 puncte.
(Astfel o lucrare perfectă obţine 100p, adică nota 10).
Testele rezolvate se predau la prima întâlnire de lucru sau prin poştă.
Titular de disciplină,
Prof. univ. dr. Constantin Popp

47
1.12. Spaţiu euclidian
În finalul primului capitol sunt prezentate noţiuni legate de
problematica spaţiilor euclidiene (transformări liniare, forme
pătratice), care îşi găsesc şi ele aplicabilitatea în domeniul economic.
Pentru o bună asimilare a cunoştinţelor din acest subcapitol se
recomandă alocarea a circa trei ore de studiu.
1. Produsul scalar a doi vectori n-dimensionali. Fie vectorii din
! spaţiul Rn, X=(x1, x2, … ,xn)T. Definim (analitic) produsul scalar al
Produsul scalar vectorilor X şi Y prin scalarul:

X ⋅ Y = x1 y1 + x2 y 2 + ! + x n y n (1.12.1)

sau matriceal: XY=XTY, unde XTY este elementul matricei (XTY).


Din (1.12.1) deducem uşor proprietăţile produsului scalar:

"
Proprietăţile
1) X⋅Y=Y⋅X (comutativ)
2) X⋅(y+Z)=X⋅Y+X⋅Z (distributiv faţă de adunarea vectorilor)
produsului scalar 3) (λX)⋅Y=λ(X⋅Y) (asociativ la înmulţirea cu un scalar)
4) X⋅Y=0 dacă X sau Y sunt nuli sau dacă X ⊥ Y (ortogonali)
!Vectori
Dacă Y=X, din (1.12.1) obţinem:
ortogonali
X ⋅ X = X 2 = x12 + x 22 + ! + x 2n , de unde:

! Norma
X = x12 + x 22 + ! + x 2n (1.12.2)

reprezintă norma sau mărimea sau lungimea vectorului X.

Proprietăţile normei:
a) X=0 dacă X=0 şi X>0 dacă X≠0
b) λX=λ⋅X
c) X+Y≤X+Y

Definiţie: Un spaţiu vectorial Rn în care am definit produsul scalar


a doi vectori, adică am introdus o metrică prin norma unui vector, se
numeşte spaţiu euclidian n-dimensional şi-l notăm En.

48
2. Sisteme ortogonale de vectori. Considerăm în En un sistem de
T
m vectori X i = ( x1i , x 2i ,! , xni ) , i = 1, m . Dacă vectorii Xi sunt #
Sistem ortogonal
ortogonali doi câte doi, zicem că sistemul de vectori este ortogonal.
Între vectorii Xi şi Xj are loc relaţia:

X i ⋅ X j = X i ⋅ X j ⋅ δ ij (1.12.3)

unde δij este simbolul lui Kronecker.


Se arată uşor că vectorii sistemului sunt liniar independenţi şi dacă
n
m=n ei formează o bază în E , numită bază ortogonală.
Astfel, considerând relaţia: λ1X1+ … +λmXm=0, înmulţim
#
Bază ortogonală

succesiv cu vectorii bazei şi ţinem seama de (1.12.3) şi

că X i > 0 , ( ∀ )i = 1, m . Rezultă că λ 1 = λ 2 = ! = λ m = 0

Considerând versorii sistemului (vectorii unitate), baza obţinută


(ortogonală şi normată) se numeşte ortonormată. De exemplu baza
iniţială formată cu vectorii unitari Ei este o bază ortonormată.
#
Bază
ortonormată
Matricea unei baze ortonormate se numeşte matrice ortogonală,

#
T T
A=(V1 V2 … Vn), ViVj=δij _i A⋅A =A A=Un, adică inversa unei
matrice ortogonale coincide cu transpusa, iar det A=±1.
Matrice
ortogonală
Teme
1. Să se calculeze produsul scalar şi normele următorilor vectori
v1=(1 0 –1) ; v2=(2 0 2). Sunt ortogonali ?
2. Fie vectorii :
v1 = (1 2 01 2 ) , v 2 = (1 2 0 -1 2 ) , v3 = (0 1 0) .
Formează ei o bază ortogonală ? Dar un ortonormată ?
3. Car este diferenţa între o matrice ortogonală şi o bază
ortogonală ?

1.13. Transformări liniare.


1. Definiţii.
Se numeşte formă un polinom omogen. Polinomul este omogen
dacă toţi termenii săi au acelaşi grad.
n
Numim formă liniară în R o expresie omogenă de gradul întâi în
#
Formă liniară

n variabile:

49
f = c1 x1 + c2 x2 +!+ c n xn (1.13.1)

Introducând vectorii: X=(x1 x2 … xn)T şi C=(c1 c2 … cn)T - numit


vector al formei liniare, forma f se scrie matriceal:

f = C ⋅ X = C T X, (1.13.2)
T
f fiind elementul matricei (C X)1×1. Din (1.13.2) rezultă
corespondenţa biunivocă dintre formele liniare f în n variabile şi
vectorii C∈Rn.
Ansamblul a m forme liniare în n variabile se numeşte sistem de

!
Sistem de forme
n
forme liniare în R :

liniare f i = ci1 x1 + ci 2 x 2 + ! + cin x n , i = 1, n (1.13.3)

Matricea C=(cij)m×n se numeşte matrice a sistemului de forme

!
Transformare
liniare, iar rangul ei este rangul sistemului. Dacă m=n sistemul de
forme liniare se numeşte transformare liniară.
liniară Fie transformarea liniară:

 y 1 = c11 x1 + c12 x 2 + ! + c1n x n



 y 2 = c 21 x1 + c 22 x 2 + ! + c 2n x n
 (1.13.4)
 !!!!!!!!!!!!
 y n = c n1 x1 + c n 2 x 2 + ! + c nn x n

T T
unde: f i = y i , C = ( cij )n , Y = ( y1 y 2 ! y n ) , X = ( x1 x 2 ! xn ) .

!
Matricea
Sub formă matriceală, transformarea (1.13.4) se scrie, deci:

Y = CX, (1.13.5)
transformării.
Modulul matricea C fiind matricea transformării iar μ=det C modulul ei.
transformării
Dacă C este nesingulară (μ≠0), transformarea este nedegenerată

!
(sau inversabilă), iar în caz contrar (rang C<n) transformarea este
degenerată.
Matrice Transformarea liniară (1.13.5) transformă un vector X∈Rn într-un
degenerată
alt vector Y∈Rn deci este o transformare internă a spaţiului vectorial
n

!
R.
În particular, dacă C=Un atunci Y=X şi transformarea este
Transformare identică.
internă, identică.
Omotetie
50
Dacă C este o matrice scalară, atunci Y=kX şi transformarea este o
omotetie.
2. Operaţii cu transformări liniare
1) Suma transformărilor liniare Y=AX, Z=BX este transformarea
V=(A+B)X=SX unde:
#
Suma
transformărilor
S=A+B (1.13.6)
2) Produsul transformărilor liniare Y=AX, Z=BY este o
transformare care permite trecerea directă de la X la Z, adică aplicarea
succesivă a celor două transformări:
#
Produsul
transformărilor
Z=B⋅AX=(BA)X (1.13.7)
Aceasta este tot o transformare liniară, nedegenerată dacă
transformările factori sunt nedegenerate.
3) Transformarea inversă a unei transformări liniare. Fie Y=CX
nedegenerată (C - nesingulară ⇒(∃)C-1). Înmulţind la stânga cu C-1, #
Transformarea
obţinem inversa transformării liniare date:
inversă
-1
X=C Y, (1.13.8)

#
care transformă pe Y în X din Rn.
3. Tranformări ortogonale. Zicem că transformarea liniară Y=AX
Transformare
este ortogonală dacă matricea A este ortogonală. Inversa ortogonală
transformării, deoarece A-1=AT este X=ATY, tot o transformare
ortogonală.
Vom arăta în continuare că produsul scalar a doi vectori este un
"
Inversă
transformării
invariant al transformărilor ortogonale. Astfel, fie X1 şi X2 din Rn şi ortogonală este
respectiv transformările ortogonale Y1=AX1, Y2=AX2. Avem: egală cu transpusa

T T T T T -1 T
Y 1 Y 2 = Y 1 Y 2 = ( AX 1 ) AX 2 = X 1 ( A A) X 2 = X 1 ( A A) X 2 = X 1 X 2 = X 1 X 2

În particular, transformările ortogonale păstrează mărimile "


Produsul scalar este
vectorilor şi ortogonalitatea a doi vectori.
un invariant al
transformărilor
De exemplu, transformarea:
ortogonale

 x′ = x cosθ - y sin θ

 y′ = x sin θ + yxosθ

este ortogonală. Inversa ei, "


Rotaţie de unghi θ a
axelor de
coordonate

51
 x = x′ cos θ + y′ sin θ

 y = -x′ sin θ + y′ cos θ

este tot o transformare ortogonală (det A=cos2θ+sin2θ=1)


Din (x')2+(y')2=x2+y2 rezultă că mărimea vectorului X'=(x'y')T
T
este egală cu mărimea vectorului X=(xy) . Tranformarea
exemplificată reprezintă o rotaţie de unghi θ a axelor de coordonate
din plan, în jurul originii.
4. Valori proprii ale unei matrice. Fie transformarea liniară
Y=AX cu A=(aij)n şi punem condiţia ca X să fie paralel cu
transformatul său (Y) adică Y=sX (s - scalar). Deci:

Y = AX ⇒ sX = AX ⇒ (A - sU)X = 0 , (1.13.9)

sau dezvoltat:

 ( a 11 - s) x1 + a12 x 2 + ! + a1n x n = 0

 a 21 x1 + ( a 22 - s) x 2 + ! + a 2n x n = 0
 (1.13.10)
 !!!!!!!!!!!!!!
 a n1 x1 + a n 2 x 2 + ! + ( a nn - s) x n = 0

Condiţia ca sistemul omogen (1.13.10) să admită şi soluţie diferită


de soluţia banală este:

a11 − s a12 " a1n


a21 a22 − s " a2 n
=0 (1.13.11)
# # #
an1 an 2 " ann − s

Ecuaţia (1.13.11) de gradul n în s, se numeşte ecuaţie

!
Ecuaţie caracteristică
caracteristică a transformării sau a matricei A, iar rădăcinile sale se
numesc valori proprii ale matricei A.
Valori proprii
O matrice pătrată de ordinul n are n valori proprii (reale sau
complexe).
Se demonstrează că dacă A este simetrică atunci toate valorile
proprii sunt reale.
Vectorii Xi obţinuţi prin înlocuirea succesivă a lui s cu valorile
! proprii, în sistemul (1.13.10), se numesc vectori proprii ai matricei A.
Vectori proprii Exemplu: Să se afle valorile proprii ale matricei:

52
5 5 0
 
A = 5 8 - 3
 
 0 - 3 13 

Avem ecuaţia caracteristică:

5-s 5 0
$
Pentru devoltarea
5 8-s - 3 = 0 care se scrie (s-1)(s-10)(s-15)=0. determinantuli, se
observă că dacă se
0 - 3 13 - s adună linnile a doua şi
a treia la pima linie, se
obţine de trei ori 10-s
Deci valorile proprii sunt: s1=1, s2=10, s3=15. pe linia întâi, care se
poate scoate factor
Teme comun, iar apoi se va
dezvolta determinantul
1. Să se calculeze valorile şi vectorii proprii ai matricei :
1 2 1
 
A =  0 5 9
 0 0 3
 

1.14. Forme pătratice


1. Expresia generală şi rangul unei forme pătratice.
Se numeşte formă pătratică o expresie algebrică omogenă, de #
Formă pătratică
gradul doi în variabilele x1, x2, … ,xn:

f = a11 x12 + a 22 x 22 + ! + a nn x 2n + 2 a12 x1 x 2 + 2 a13 x1 x3 + ! + 2 a n-1,n x n-1 x n =

n n
= ∑ ∑ aij xi x j ; aij = a ji
i=1 j=1
(1.14.1)

Această expresie se poate scrie:

f = x1 ( a11 x1 + a12 x 2 + ! + a1n xn ) + x 2 ( a12 x1 + a 22 x 2 + ! + a2n x n ) +

+ ! + xn ( a1 n x1 + a 2 n x 2 + ! + a nn xn ) + (1.14.2)

Introducem notaţiile:

 y 1 = a11 x1 + a 12 x 2 + ! + a 1n x n

 y 2 = a12 x1 + a 22 x 2 + ! + a 2n x n
 (1.14.3)
 !!!!!!!!!!!!
 y n = a1n x1 + a 2n x 2 + ! + a nn x n

53
Se obţine astfel o transformare liniară (1.14.3) cu matricea
simetrică:

 a11 a12 " a1n 


 
 a12 a22 " a2 n 
!
Matricea formei
A=

a
# # # 
 n1 an 2 " ann 


(1.14.4)

pătratice
numită matricea formei pătratice iar rangul ei - rangul formei
pătratice.
Determinantul Δ=det A se numeşte discriminantul formei

!
Discriminantul formei
pătratice
Dacă rang A=n, forma pătratică este nedegenerată iar în caz
pătratice
Formă pătratică contrar, când rang A<n, forma pătratică este degenerată.
nedegenerată
Notând: X=(x1 x2 … Xn)T, Y=(y1 y2 … yn)T, transformarea liniară
(1.14.3) se poate scrie Y=AX iar forma pătratică (1.14.1):
n
f = ∑ xi y i = X ⋅ Y = X T Y sau f = X T AX, (1.14.5)
i=1

sub formă matriceală.


2. Aplicarea unei transformări liniare asupra variabilelor dintr-o

!
Aplicarea unei
formă pătratică.
Aplicăm formei (1.14.5) transformarea liniară X=BY. Deoarece
transformări liniare
T T T T
asupra variabilelor X =(BY) =Y B , forma pătratică f devine:
dintr-o formă pătratică
f = Y T ( BT AB)Y = Y T CY (1.14.6)

iar (BTAB)T=BTAT(BT)T=BTATB=BTAB, adică în urma aplicării


transformării liniare, se obţine o nouă formă pătratică cu matricea
T
C=B AB unde B este matricea transformării liniare.
Dacă B este nesingulară, rang C=rang A, adică rangul formei

"
Rangul formei pătratice
pătratice nu se schimbă dacă asupra variabilelor aplicăm o
transformare liniară nedegenerată.
nu se schimbă dacă se
aplică o transformare Notând cu Δ şi respectiv Δ' discriminanţii formei pătratice
liniară nedegenerată
(1.14.5) şi formei pătratice (1.14.6) iar cu μ - modulul transformării

"
liniare, avem:

Teorema ∆′ = µ 2 ∆ , (1.14.7)
di i i tl i
54
relaţie numită teorema discriminantului. Dacă transformarea liniară
este unimodulară, Δ'=Δ.
Exerciţii: Se dă forma pătratică:

f = 2 x12 + 3 x22 + 9 x32 + 4 x1 x2 - 4 x1 x3 , asupra căreia se aplică

transformarea liniară:

 x1 = y 1 - y 2 + 3 y 3

 x2 = y 2 - 2 y3

 x3 = y3

Să se scrie forma pătratică transformată.


Avem:

 2 2 - 2  1 - 1 3
   
A =  2 3 0  , B =  0 1 - 2  şi:
   
- 2 0 9 0 0 1 

2 0 0
 
C = BT AB =  0 1 0 
 
 0 0 3 
2 2 2
Forma transformată va fi deci: f = 2 y1 + y 2 + 3 y 3 .
3. Forma canonică a unei forme pătratice.

#
Forma canonică a unei forme pătratice este o sumă algebrică de
cel mult n pătrate şi se poate aplica fie metoda lui Gauss fie metoda
Forma canonică a unei
transformărilor liniare. Reţinem că forma canonică a unei forma f pătratice
pătratice nu este unică, aşa cum va rezulta mai jos.
a) Metoda lui Gauss. În forma (1.14.1) presupunem a11≠0 şi
formăm un pătrat din termenii care conţin variabila x1: "
Metoda lui Gauss de
1 2 2 obţinere a formei
f= [ a x + 2 a11 x1 ( a12 x 2 + ! + a1n x n )] + f 1 '
11 1
a11 canonice a unei forme
pătratice
1
f = [a11x1 + a12 x2 + ! + a1n xn ]2 + f1 , (1.14.8)
a11

unde f1 este o formă pătratică în (n-1) variabile.


Aplicăm transformarea liniară:

55
 X 1 = a 11 x1 + ! + a1n x n
 (T1)
 x i = x0 , ∀ i = 2,n

şi forma pătratică devine:

1
X 1 + α 22 x 2 + 2 α 23 x2 x3 +!+ 2 α 2n x2 xn +!+α n-1,n x n-1 x n
2 2
f=
a11

Presupunem acum α22≠0 şi procedăm analog:

1 1
f= 2
X1+ ( α 22 x 2 +α 23 x3 +!+α 2n x n )2 + f 2
a11 α 22 unde f2 este o
formă liniară în (n-2) variabile. Apoi, aplicăm transformarea:

X 1 = X 1

 X 2 = α 22 x 2 + α 23 x 3 + ! + α 2n x n (T2)

 xi = x i , ∀ i = 3,n

şi forma devine:

1 2 1 2
f= X1+ X 2+ f 2
a11 α 22

Procedeul continuă până la epuizarea tuturor variabilelor


obţinându-se o sumă algebrică de cel mult n pătrate, numită forma
canonică a formei pătratice:

f = k 1 X 12 + k 2 X 22 +!+ k n X 2n , (1.14.9)

unde Xi sunt forme liniare în variabilele x1, x2, … ,xn.


Observaţie: S-a presupus iniţial că a11≠0. În caz contrar,
considerăm altă necunoscută xi pentru care aii≠0. Dacă forma nu
conţine termeni pătratici, aplicăm transformarea liniară nedegenerată:

 x1 = y 1 + y 2

 x2 = y1 - y 2 (1.14.10)

 x i = y i , i = 3,n

şi procedeul poate fi aplicat.


Exemplul 1: Să se aducă la forma canonică:

f = 2 x12 + 3 x22 + 9 x32 + 4 x1 x2 - 4 x1 x3 .

56
Avem succesiv:

f = 2[ x12 + 2 x1 ( x2 - x3 )] + 3 x 22 + 9 x32
f = 2( x1 + x2 - x3 )2 + x 22 + 7 x32 + 4 x 2 x3
f = 2( x1 + x 2 - x3 )2 + ( x 2 + 2 x3 )2 + 3 x32
f = 2 X 12 + X 22 + 3 X 32 ,

unde: X 1 = x1 + x 2 - x3 , X 2 = x 2 + 2 x3 , X 3 = x3
Exemplul 2: Să se aducă la forma canonică:

f = x1 x 2 + 2 x1 x 3 + x 2 x 3

Aplicăm transformarea (1.14.10) pentru că forma nu conţine


termeni pătratici.

 x1 = y 1 + y 2

(T) x 2 = y 1 - y 2 ⇒ f = y 12 - y 22 + 3 y 1 y 3 + y 2 y 3

 x3 = y3

Prin metoda lui Gauss avem succesiv:

3 2 9 2 2
f = ( y1 + y3 ) - y3 - y2 + y2 y3
2 4
3 1 1 9
f = ( y1 + y 3 )2 - ( y 2 - y 3 )2 + y 32 - y 32
2 2 4 4
3 1
f = ( y1 + y 3 )2 - ( y 2 - y 3 )2 - 2 y 32
2 2

Transformarea inversă va fi:


1 1
y1 = ( x1 + x 2 ), y 2 = ( x1 - x2 ), y 3 = x3
2 2
şi revenind la variabilele xi:
1 1
f = ( x1 + x 2 + 3 x3 )2 - ( x1 - x 2 - x3 )2 - 2 x32
4 4 .
b) Metoda transformărilor liniare (Jacobi). Rangul unei forme
pătratice fiind un invariant în aplicarea unei transformări liniare asupra "
Metoda lui Jacobi de
variabilelor, rangul formei canonice (1.14.9) este egal cu rangul obţinere a formei
matricei Δ. Rezultă că numărul de pătrate din forma canonică a unei canonice a unei forme
pătratice
forme pătratice este egal cu rangul ei. Se demonstrează că printr-o
transformare liniară, o formă pătratică poate fi adusă la forma
canonică:

57
f = s1 X 12 + s 2 X 22 + !+ s m X 2m , (1.14.11)

unde si sunt valorile proprii ale matricei A.


De asemenea, folosind transformarea Jacobi, forma canonică a
unei forme pătratice nedegenerate devine:

f = ∆0 X 12 + ∆1 X 22 +!+ ∆ n-1 X 2n ,
∆1 ∆2 ∆n (1.14.12)

unde:

a 11 a12 a 13
a11 a 12
∆0 = 1 , ∆1 =| a11 | , ∆ 2 = , ∆ 3 = a 12 a 22 a 23 ,! , ∆ n = detA
a 12 a 22
a13 a 23 a 33

sunt determinanţii principali ai matricei A.


Exemplu: Considerăm forma pătratică din exemplul precedent,

f = 2 x12 + 3 x22 + 9 x32 + 4 x1 x2 - 4 x1 x3 . şi aplicăm (1.14.12).

Avem:

22-2
22
∆ 0 = 1 , ∆1 = 2 , ∆ 2 = = 2 , ∆3 = 2 3 0 = 6
23
-20 9
1 2 2 2 2 2 1 2 1 2
⇒f = 2
X 1+ X 2+ X 3 = X 1+ X 2+ X 3
2 2 6 2 3

4. Forme pătratice pozitiv definite.


Definiţie: Forma pătratică f=XTAX este semipozitiv definită

!
Forme pătratice
dacă: X T AX ≥ 0 , ( ∀ )X ∈ R n şi pozitiv definită dacă: XTAX>0 (∀)
T
pozitiv, semipoitiv,
X≠0, adică X AX=0 ⇒ X=0. În aceste situaţii, zicem că matricea A, a
negativ, seminegativ formei, este semipozitiv definită respectiv pozitiv definită.
definite şi nedefinite
Asemănător se definesc formele şi matricele seminegativ definite sau
negativ definite.
Din definiţie, rezultă că în forma canonică (1.14.9) toţi coeficienţii
ki sunt pozitivi sau negativi. În caz contrar, forma nu este pozitiv
definită (respectiv negativ definită). De exemplu, forma pătratică
2 2 2 2
f=2x1 +4x1x2+x2 =2(x1+x2) -x2 este nedefinită, semnul ei depinzând
de vectorul X∈R2. Dacă X=(0 1)T atunci f>0 iar dacă X=(-2 4)T

58
atunci f<0.

Proprietăţi:
1) O formă pătratică pozitiv (negativ) definită este nedegenerată "
Proprietăţi ale naturii
2) O formă pătratică este pozitiv definită dacă toate valorile formei pătratice

proprii ale matricei ei sunt pozitive


3) O formă pătratică este pozitiv definită dacă toţi Δi>0. Pentru ca
* n
f să fie negativ definită trebuie să avem Δi =(-1) Δi>0(∀)i=1,n

Exerciţiu: Să se arate că forma pătratică

f = x12 + 5 x 22 + 10 x32 - 4 x1 x 2 - 6 x 2 x3 este pozitiv definită.

Avem:

 1 - 2 0
 
A =  - 2 5 - 3  şş ∆1 = 1 , ∆ 2 = 1 , ∆ 3 = 1 Deci: ∆i > 0 pentru
 
 0 - 3 10 
i=1, 2, 3 ⇒ f>0 iar forma canonică este:
f = X 12 + X 22 + X 32

Teme
1. Să se aducă la forma canonică atât prin metoda Guass cât şi
prin metoda Jacobi forma pătratică următoare :
f = 5 X 12 + X 22 + 10 X 32 + 4 X 1 X 2 + 6 X 1 X 3

Rezumat
Un spaţiu euclidian este un spaţiu vectorial înzestrat cu operaţia
de produs scalar. Pe baza produsului scalar se poate defini norma unui
vector.
Doi vectori sunt ortogonali, dacă produsul scalar al lor este nul.
O bază este ortogonală dacă toţi vectorii săi sunt ortogonali.
O bază ortogonală, în care toţi vectorii au norma egală cu 1, este
ortonormată.
Matricea unei baze ortonormate, se numeşte ortogonală. Inversa
unei matrice ortogonale este egală cu transpusa ei.

59
Transformarea liniară este o aplicaţie (funcţie) liniară între două
spaţii vcetoriale.
Matricea asociată sistemului de ecuaţii ce definesc transformarea
liniară, se numeşte matricea transformării liniare. Determinantul
acestei matrice se numeşte modulul transformării.
Formă pătratică este o funcţie de la un spaţiu vectorial la R, care
este un polinom care are toţi termenii de gradul doi.
Forma pătratică se poate transforma prin mai multe metode
(Gausss, Jacobi, a valorilor proprii) în aşa fel încât să fie doar o sumă
algebrică de variabile la puterea a doua (forma canonică).
Dacă în forma canonică toţi termenii au semnul plus atunci forma
pătratică este pozitiv definită (dacă numărul termenilor este egal cu
dimensiunea spaţiului) sau semipozitiv definită (dacă sunt mai puţini),
respetiv negativ sau negativ definită dacă toţi termenii au semnul
minus. Dacă există cel puţin câte un termen cu semnul plus şi unul cu
semnul minus, forma pătratică este nedefinită.
Valorile proprii ale unei matrice A, sunt soluţiile sistemului de
ecuaţii AX=X, unde X este un vector.

Test de evaluare
1. Să se aducă la forma canonică forma pătratică următoare :
f = 5 X 12 + X 22 + 9 X 32 + 4 X 1 X 2 + 6 X 1 X 3
Precizaţi natura sa. 35 puncte
2. Calculaţi valorile şi vectorii proprii ai matricei :
 2 1 3
 
X = 1 4 1
 3 1 2
 
55 puncte

60
Cap. 2. PROGRAMARE LINIARĂ

2.1. Introducere
Se ştie că unui sistem de ecuaţii liniare i se poate asocia o
singură ecuaţie matriceală AX=B. Rezolvarea ei se face prin reducerea
matricei [A,B] în raport cu matricea A. O problemă ceva mai
complicată, derivată din această metodă este rezolvarea condiţionată a
sistemului de ecuaţii liniare astfel ca necunoscutele xi , i = 1, n , să fie
nenegative şi în acelaşi timp să se optimizeze (maximizeze sau
minimizeze) o funcţie liniară de forma:

f( x1 , x2 ,! , x n ) = c1 x1 + c 2 x 2 +!+ cn x n - d

Funcţia se poate scrie prescurtat sub forma: f=CX-d, unde !


Funcţia obiectiv
C=[c1,…,cn] este matricea coeficienţilor, X=[x1,…,xn] este matricea
necunoscutelor iar d termenul liber.
Problema formulată mai sus este o problemă de programare
liniară.
Acest al doilea capitol propune o incursiune în această
problematică ce are implicaţii profunde în economie. În primele două
paragrafe, a căror studiere necesită circa două ore, se propune o
introducere în terminologie şi problematica studiată.
Datele problemei pot fi trecute într-o matrice de forma:

 A B
S= 
C d 

La o problemă de programare liniară, soluţia sistemului AX=B,


X≥0, numită soluţie posibilă, se deosebeşte de soluţia problemei de
programare liniară, pentru care în afară că este o soluţie posibilă, avem !
Soluţie posibilă
şi fopt=CV-d (max. sau min.) La fel cum soluţia sistemului de ecuaţii
liniare, AX=B, se obţine prin reducerea matricei [A,B] şi soluţia
problemei de programare liniară se obţine printr-o reducere de tip
special a matricei S. Metoda respectivă se numeşte metoda simplex, pe
care o prezentăm în continuare.

61
2.2. Noţiunea de matrice simplex

"
Definiţia 1: se numeşte matrice simplex o matrice de forma:

 A B
Matrice simplex S= 
C d 
formată dintr-o matrice oarecare Am× n, o matrice coloană Bm× 1, o
matrice linie C1× n şi un număr d.

Orice matrice pătrată de ordin cel puţin doi se poate organiza ca


o matrice simplex.
După natura submatricelor A, B şi C deosebim mai multe
"
Cazurile în care
cazuri:
1) Matricea linie C se află într-unul din următoarele trei cazuri:
se poate situa
matricea a) C≤0 (nepozitivă)
simplex
b) Conţine cel puţin un element cj>0, pentru care coloana
corespunzătoare Kj a matricei A este nepozitivă (Kj≤0).
c) Conţine elemente pozitive cj>0 şi oricare ar fi cj>0 coloana
corespunzătoare Kj a matricei A conţine cel puţin un element pozitiv (aij>0).
2) Matricea coloană B se află într-unul din următoarele două cazuri:
a) B≥0 (nenegativă) şi oricare ar fi elementul bi=0, primul
element diferit de zero din linia Li a matricei A este pozitiv.
b) Conţine cel puţin un element bi<0 sau un element bi=0 astfel
ca primul element diferit de zero din linia Li a matricei A este negativ.
 A
#
Dacă matricea A
3) Matricea   se află într-unul din următoarele trei cazuri:
C 
a) Este redusă în raport cu matricea A.
include toate
coloanele celei mai b) Matricea A este redusă, dar C nu este redusă în raport cu A.
mari matrice unitate
ce se pot îngloba în c) Matricea A nu este redusă.
ea, indiferent de
Cele opt cazuri simple determină pentru matricea simplex în
ordinea în care apar,
atunci matricea A total 3⋅2⋅3=18 cazuri compuse: (1a,2a,3a),(1a,2a,3b), …
este redusă.
Dacă pe linia C, sub Exemplul 1. Matricea simplex
fiecare coloană a
matricei unitate
identificată ca mai - 1 2 1 " - 1
înainte este valoarea  
 1 -3 -2 " - 2
0, atunci C este S= ,
redusă în raport cu A  ! ! ! ! !
 
- 2 1 -2 " - 6 
62
cu submatricele:

- 1 2 1  - 1
A=   , B =   , C = [-2 1 - 2] , d = -6 , se încadrează în
 1 - 3 - 2 - 2 
cazul (1c,2b,3c), deoarece:
- linia C conţine elementul c2=1>0 (singurul element pozitiv) şi
2
coloana K 2 =   a matricei A conţine elementul pozitiv a12=2.
- 3 
- coloana B conţine elemente negative, de exemplu b1=-1
- matricea A nu este redusă
Exemplul 2: Matricea simplex

 1 0 1 " 7
 
 0 1 1 " 3
S= ,
! ! ! ! !
 
 0 - 3 - 4 " - 4 
cu submatricele:
1 0 1 7 
A=   , B =   , C = [0 - 3 - 4] , d = -4 ,
0 1 1 3 
este în cazul (1a,2a,3b), deoarece: C≤0, B>0, primele două coloane
ale matricii sunt reduse, dar c1=0 şi c2=-3≠0. Astfel matricea
1 0 1
 
A  
C  = 0 1 1
   
0 - 3 - 4 
este în situaţia când A este redusă, dar linia C nu este redusă în raport cu A.
Exemplul 3: Matricea simplex:

 1 0 0 0
 
S = 0 - 3 1 2  ,
0 1 0 3

cu submatricele:

1 0 0 0 
A=   , B =   , C = [0 1 0] , d = 3 ,
0 - 3 1 2
este în cazul (1b,2a,3a), pentru că linia C conţine elementul c2=1>0
0
pentru care K 2 = [ ] ≤ 0 , coloana B este nenegativă (B≥0) iar pentru
-3

63
elementul b1=0 , primul element diferit de zero , a11 din linia L1=[1 0
0] a matricei A este pozitiv (a11=1) şi în fine matricea
1 0 0
  
A 
C  = 0 - 3 1 este redusă în raport cu A (coloanele 1 şi 3)
  
0 1 0 

Din punct de vedere aplicativ, prezintă o importanţă deosebită


cazurile (1a,2a,3a) şi (1b,2a,3a), pentru care dăm următoarea:

"
Matrice simplex
Definiţie 2. Matricea simplex

 A* B* 
*
redusă =
S  * *
C d 
se numeşte matrice simplex redusă, dacă sunt îndeplinite condiţiile :
*
- linia C este în cazul 1 a) sau 1 b)
*
- coloana B este în cazul 2 a)
 A* 
- matricea  *  este în cazul 3 a)
C 

În cazul particular când elementele pivot cu coloană redusă au


perechile de indici (1,1), (2,2), …, (m,m), matricea simplex redusă are
următoarea formă:

1 # 0 a1*, m +1 # a1*n b1* 


 
" " " " "
S =
*
0 # 1 a m ,m +1
* *
# a mn bm* 
 * 
0 # 0 c m +1 # c n* d * 
unde B*≥0 şi în cazul 1a) C*≤0, iar în cazul 1b) de exemplu c*m+1>0,
dar K*m+1≤0, unde:

 b*1   a*1,m+1 
*   *   * * *
B =  "  , K m+1 =  "  , C = [0 ! 0 c m+1 ! c n ]
b*m  a*m,m+1
 

"
Matrice simplex
Dacă o matrice simplex neredusă S admite matrice simplex
redusă S*, aceasta se poate obţine printr-o transformarea E*, produs de
se poate reduce transformări elementare.
Exemplul 4: Matricea simplex S, din exemplul 2, prin adunarea
la linia a treia a liniei a doua înmulţită cu trei (transformare E*), trece în
matricea simplex redusă S*=E*S:

64
1 0 1 7 
 

$
*
S = 0 1 1 3,
0 0 - 1 5
 
Matrice simplex şi
cu submatricele: reducerea lor

1 0 1 * 7  *
*
A =  , B =   , C = [0 0 - 1] , d * = 5 .
0 1 1 3 

Linia C* este nepozitivă, deci este în cazul 1a). Coloana B* este


pozitivă, deci este în cazul 2a), iar matricea:

 1 0 1
 A*   
 *  = 0 1 1
C   
0 0 - 1

este redus_ în raport cu matricea A, deci este în cazul 3a). Coloanele


reduse sunt coloana întâi şi coloana a doua. Rezultă că S* este o matrice
simplex redusă.
Transformarea E*, prin care matricea simplex S trece în matricea
simplex redusă S*, nu poate fi oarecare ci numai una convenabilă.
Astfel, reducerea matricelor simplex este o problemă specială de
reducere, ce se rezolvă prin metoda simplex, potrivit căreia, cazurile
simple (1a,b,c;2a,b;3a,b,c) se reduc la o parte din ele, conform
schemei:

1c) 2b) 3c)


_ _ ↓ ↓
1a) 1b) 2a) 3b)

3a)

de unde se vede că cele 18 cazuri compuse se reduc la cele două care


caracterizează o matrice simplex redusă şi prin urmare pe această cale se
rezolvă şi problema reducerii.

Rezumat
Orice matrice S se poate organiza ca o matrice simplex,
partiţionând-o astfel încât să fie puse în evidenţă ultima linie

65
(denumită C), ultima coloană (denumită B) şi ultimul element
(denumit d). Partea rămasă este notată cu A.
Când toate elementele lui C sunt mai mici sau egale cu 0,
matricea S este în cazul 1 a). Dacă printre elementele strict pozitive
ale lui C există cel puţin unul care are întreaga coloană situată
deasupra sa mai mică sau egală cu 0, atunci matricea S este în cazul
1 b). Dacă nu e în nici unul din cazurile precedente, matricea S este în
cazul 1 c).
Când toate elementele lui B sunt strict mai mari ca zero, atunci
matricea S este în cazul 2 a). Tot în cazul 2 a) este atunci când B are
pe lângă elemente strict pozitive şi zerouri, iar linia situată în stânga
fiecărui element egal cu 0 al liniei B, are primul element (diferit de
zero) un număr pozitiv. În caz contrar (fie B are cel puţin un element
strict mai mic ca zero, fie un linia situată în stânga unui element egal
cu zero are primul element nenul strict mai mic decât zero), matricea S
este în cazul 2 b).
Dacă matricea A nu este redusă (nu include toate coloanele
matricei unitate), atunci matricea S este în cazul 3 c). Dacă matricea A
este redusă, dar C nu este redusă în raport cu A (sub cel puţin o
coloană a matricei unitate înglobată în A există un element nenul în
linia C), atunci matricea este în cazul 3 b). Dacă C est redusă în raport
cu A, matricea S este în cazul 3 a).
Matricea simple S este redusă dacă este într-unul din cazurile
1 a) 2 a) 3 a) sau 1 b) 2 a) 3 a)

Test de evaluare
1. Să se decidă în ce cazuri sunt matricele următoare :
0 1 0 1 0 −1 0 1 2 − 2 0 0
     
0 0 1 1 0 2 1 0 0 −1 1 0
A=  ; B= ; C =
1 0 0 2 1 0 0 2 1 0 0 2
     
0 0 0 2  1 2 0 2   2 2 0 2
   
(fiecare va fi notată cu câte 30 de puncte)

66
2.3. Algoritmul simplex
Cele patru paragrafe ce sunt cuprinse în acest modul descriu
algoritmul simple de aducere o matrice simple la forma redusă a ei.
Se recomandă alocarea a minim trei ore pentru înţelegerea
algoritmului simplex.
Întrucât ultimul modul conţine un set bogat de exerciţii,
recomandăm utilizarea sa ca suport pentru uşurarea înţelegerii noţiunilor
din acest modul.
Considerăm două matrice linie oarecare:
X=[x1 … xn;x] şi Y=[y1 … yn;y]
Zicem că linia X este mai mică decât linia Y, X<Y, dacă
comparând elementele corespunzătoare în ordinea x,y;x1,y1; … xn,yn
!
Definirea
comparaţiei
prima valoare mai mică este un element din linia X. întredoi vectori

De exemplu, X=[1 1 2;4] < Y=[10 0 1;7] deoarece x=4<7=y. La


fel, X=[2 3 -1;6] < Y=[2 5 -3;6] deoarece x=6=y, x1=2=y1,x2=3<5=y2.
Dacă X<Y, linia Y este mai mare ca linia X adică Y>X.
Dacă elementele corespunzătoare sunt egale, liniile sunt egale:
X=Y.
O astfel de ordonare a liniilor se numeşte ordonare
lexicografică. Pe baza ordonării lexicografice, toate liniile cu un acelaşi
număr de elemente pot fi comparate cu linia 0 formată numai din
!
Ordonare
lexicografică
elemente egale cu zero.
Observaţie: Matricea S* s-a notat cu asterisc ca şi matricea
redusă, dar în general aceasta nu este o matrice redusă.
Fie aij elementul pivot fixat în matricea simplex S':

 ! !
 -1 -1

 aij Li aij bi 
 
 A′ B ′  ! ! 
S′ =   =  
C ′ d ′  L p - a pj aij-1 Li b p - a pj a-ij1 bi 
 
 ! !
 
 c - c j aij-1 Li d - c j a-ij1 bi 

Condiţia că matricele simplex sunt egale în cazul 2a) înseamnă


că liniile sunt negative şi linia pivot chiar pozitivă, adică:
67
[ aij-1 Li , a-1ij bi ] > 0 _ aij > 0 , iar din: [ L p - a pj aij-1 Li , b p - a pj aij-1 bi ] ≥ 0 ,
rezultă fie apj≤0, fie, prin împărţirea inegalităţii cu apj, apj>0, să avem:

[ L i , bi ] [ Lp ,bp ]

aij a pj

Astfel, pentru alegerea elementului pivot dintr-o coloană fixată


Kj a matricei A trebuie să determinăm linia minimă (sau una oarecare
dintre liniile minime când există mai multe), a-1ij[Li,bi], dintre liniile
-1
a pj[Lp,bp]:

"
Condiţia de
[ L i , bi ]
aij
= min
[ L p ,bp ]
a pj
,
alegere a
elementului pivot
unde p parcurge mulţimea de indici pentru care apj>0.
Să presupunem cj>0. Comparând liniile [C',d'] şi [C,d]
constatăm că [C,d]>[C',d']. Într-adevăr, dacă bi≠0, atunci în virtutea
condiţiilor cj>0 şi aij>0 rezultă: d'=d-cja-1ijbi<d, iar dacă bi=0, atunci în
baza aceloraşi condiţii şi a condiţiei că primul element air≠0 din linia Li
este pozitiv, air>0, rezultă:

-1
cr ′ = c r - c j aij air < c r ′

unde c'r este primul element în linia C', care diferă de elementul
corespunzător al liniei C. În concluzie, inegalitatea stabilită pentru
ultimele două linii are loc.
Dacă matricea S' încă nu este în cazul 1a) sau 1b), transformarea
de mai înainte se repetă schimbând locul matricei S cu S', a lui S' cu S",

… ,obţinându-se un şir de matrice simplex: S', S", …, căruia îi


corespunde un şir de inegalităţi de linii:

[C , d] > [C ′ , d ′] > [C" , d" ] > "

Se poate arăta că şirul de matrice simplex construit este finit cu


un ultim element S* care este o matrice simplex aflată în cazul 1a) sau
1b) şi în concluzie: algoritmul simplex descris mai sus este finit şi
conduce la matricea S*.
Pentru ca numărul matricelor simplex construit să fie minim, nu
se cunoaşte nici un criteriu, dar se acceptă „apriori“ criteriul de alegere
a coloanei de redus (costuri marginale) : pentru ca numărul matricelor
68
simplex intermediare să fie minim, considerând un mare număr de
cazuri de aplicare a algoritmului simplex, este suficient ca la fiecare
etapă ultima linie a matricei simplex să descrească cu valoarea maximă.
Pentru ca diferenţa:

[ ,b ]
[C , d] - [C ′ , d ′] = c j Li i
aij

să fie maximă, trebuie să alegem acel indice de coloană j pentru care are
loc relaţia:
!
Condiţia de
[ Li , bi ] [ ,b ]
cj = max ( c q Li i ) , alegere a
aij q aiq coloanei de redus

unde q parcurge mulţimea de indici pentru care cq>0.


Formularea algoritmului simplex: Pentru a transforma matricea

!
simplex S, aflată în cazul (1c,2a) într-o matrice simplex S*, aflată în
cazul (1a,2a) sau (1b,2a) se procedează în felul următor:
Algoritmul
1) Se alege un element pivot aij>0. Operaţia se poate efectua în
simplex
două moduri:
- fără aplicarea criteriului de alegere a coloanei de redus,
determinând indicele i potrivit relaţiei:

[ L i , bi ] [ L p ,bp ]
= min ,
aij a pj

unde j este un indice pentru care cj>0 ales în mod arbitrar şi p parcurge
mulţimea de indici pentru care apj>0,
- cu aplicarea criteriului menţionat, determinând perechea de indici (i,j)
potrivit relaţiei:

[ Li , bi ] [ Lp ,bp ]
cj = max ( c q min ),
aij q p a pq

unde q _i p (pentru q fixat) parcurg mulţimea de indici pentru care cq>0,


respectiv apq>0.
2) Se trece, prin reducerea coloanei de indice j cu elementul
pivot ales, la o matrice simplex S'.
3) Se reiau operaţiile de la punctele precedente, schimbând locul
matricei S cu S', a lui S' cu S", … până ce termenul S* al şirului de

69
matrice simplex astfel construit, va fi o matrice simplex care se găseşte
în cazul 1a) sau 1b).
Observaţie: În cazul când pentru fiecare coloană Kq există un
singur raport pozitiv minim c-1iqbi, relaţiile prin care se determină
elementul pivot iau următoarele forme simple:

bi bp b bp
= min _i c j i = max ( c q min )
aij p a pj aij q p a pq

2.4. Aplicaţii ale algoritmului simplex


Algoritmul simplex se aplică îndeosebi în două cazuri
particulare:
 A
1) Matricea   este redusă în raport cu matricea A.
C 
În acest caz şi matricele:

 A′  A"   A* 
C ′ , C"  , " ,  *
    C 
vor fi reduse în raport cu matricea corespunzătoare: A', A", … , A*.
2) Matricea [C,d] este suma acelor linii ale matricei [A,B], care
nu sunt linii pivot cu coloană redusă.
În acest caz se poate scrie:

C = ∑ Lk , d = ∑b , k
k∈K k∈K

unde K este mulţimea indicilor liniilor care se însumează. Matricea


simplex în acest caz are forma:

 A B

S =  ∑ Lk ∑b  k
 k∈K k∈K 

Teoremă. Dacă există o matrice X≥0, pentru care are loc egalitatea

#
Teorema de
AX=B, atunci prin aplicarea algoritmului simplex, se obţine o matrice
redusă de forma (fără demonstraţie) :
existenţă
 A* B* 
*
=
S  
0 0 

70
2.5. Algoritmul simplex modificat
Pentru a transforma matricea simplex S cu coloana B nenegativă
şi cu linia C aflată în cazul 1c) într-o matrice simplex S* cu coloana B*
nenegativă şi cu linia C* aflată în cazul 1a) sau 1b), se procedează în
felul următor:

#
1) Se alege un element pivot aij>0. Operaţia se poate efectua cu
cele două procedee amintite la formularea algoritmului simplex:
- fără aplicarea criteriului (modificat) de alegere a coloanei de Algoritmul
simplex
redus, determinând indicele i potrivit relaţiei: modificat

bi b
= min p ,
aij p a pj

unde j este un indice ales în mod arbitrar a_a ca cj>0, iar p parcurge
mulţimea de indici pentru care apj>0,
- cu aplicarea criteriului, determinând perechea de indici (i,j)
potrivit relaţiilor:

bi b
c j = max c q , = min p ,
q aij p a pj

unde q parcurge mulţimea de indici pentru care cq>0, iar pentru i fixat p
parcurge mulţimea de indici pentru care apj>0
2) Se trece prin reducerea coloanei de indice j cu elementul pivot
ales la o matrice simplex S'
3) Se reiau operaţiile de la punctele precedente, schimbând locul
matricei S cu S', a lui S' cu S", … până ce termenul S* al şirului astfel
construit va fi o matrice simplex care se găseşte în cazul 1a) sau 1b) sau
se constată că s-a produs fenomenul de ciclare: au apărut două matrice
simplex identice.
Avantajele algoritmului simplex modificat.
- Condiţia B≥0 este mai simplă decât condiţiile cuprinse în cazul
2a), care, pentru liniile cu elemente bi egale cu zero, cer ca primul #
Avantajele
element diferit de zero din linia respectivă să fie pozitiv.
algoritmului
- Criteriul de alegere a elementului pivot este mai simplu simplex
modificat
deoarece se determină numai rapoarte simple şi nu rapoartele unor linii.
Totodată maximul elementelor pozitive cq se poate aprecia la vedere,

71
fără a fi nevoie de calcularea mai multor coloane de rapoarte.
Dezavantajele algoritmului simplex modificat.

#
Dezavantajele
- Considerând numai condiţia B≥0, pot fi elemente bi=0.
Aplicând algoritmul simplex modificat, poate să apară fenomenul de
algoritmului
simplex
ciclare. Matricea simplex, dacă conţine elemente bi=0, se numeşte
modificat matrice simplex degenerată şi dacă nu conţine elemente bi nule, se
numeşte matrice simplex nedegenerată. Astfel, are loc cazul de
degenerare, respectiv nedegenerare, după cum în şirul S, S', S", … sunt
sau nu sunt matrice degenerate.
- Un dezavantaj datorat renunţării la cazul 2a) constă în aceea

 A
că, la aplicaţia a doua de la paragraful 2.4, matricea   poate să nu se
C 
reducă. Criteriul de alegere a coloanei de redus în cazul de faţă asigură
într-o măsură şi mai mică, decât criteriul corespunzător de la algoritmul
simplex (nemodificat), ca numărul matricelor intermediare să fie minim.
Comparând avantajele şi dezavantajele prezentate mai sus,
bilanţul înclină în direcţia avantajelor.
Odată cu folosirea noţiunii de algoritm simplex modificat se
modifică şi noţiunea de matrice simplex redusă.
Definiţie: Se numeşte matrice simplex redusă modificată,

"
Matrice simplex
matricea simplex S* care se găseşte în cazul (1a,3a) sau (1b,3a) şi are
coloană B* nenegativă.
redusă
modificată
2.6. Algoritmul reducerii simplex.
Pentru a determina în cazul unei matrice simplex,

 A B
S= 
C d 

matricea simplex redusă,

*
 A* B* 
S =  * * ,
C d 

se parcurg următoarele trei etape:

"
Algoritmul
I) Matricea simplex S se transformă, prin înmulţirea cu (-1) a
liniilor negative ale matricei [A,B], într-o matrice simplex S1, care este
reducerii simplex
în cazul 2a):
72
 A1 B! 
S1 =  ,
Cd 
II) Matricea simplex S1 se transformă într-o matrice simplex S3:
 A*1 B*1
S3  * * ,
=
C d 
aflată în cazul 3a), după cum urmează:
1) Se asociază matricei S1 o matrice simplex S2:

 A1 B1
 
S2 =   ,
 k∑ L1k ∑ b1k 
 ∈K k∈K 
în care ultima linie este suma acelor linii [L1k,b1k] ale matricei [A1,B1]
care nu sunt linii pivot cu coloana redusă în raport cu matricea A1.
Matricea simplex S2, prin aplicarea algoritmului simplex, se reduce la o
matrice simplex:

*
 A*1 B*1
S =
2  ,
0 0 

2) Ultima linie a matricei S2*, formată din zerouri, se înlocuieşte


cu linia [C,d] a matricei simplex S1, obţinând matricea simplex S2**:

* *
** A1 B1
S =[
2 ],
C d

aflată în cazul 3b).


3) Se adună la ultima linie a lui S2**, combinaţia liniară:

- c j [ L*1i , b*1i ] - c q [ L*1p , b*1p ] - "

a celor r linii pivot cu coloană redusă ale matricei [A*1,B*1], unde


(i,j),(p,q),… sunt perechile de indici ale elementelor pivot cu coloană
redusă. Ca rezultat se obţine matricea simplex redusă S*.
Observaţii:
1) Dacă matricea simplex S se găseşte în cazul 2a), respectiv
B≥0, atunci S1=S. Dacă S1 se găseşte în cazul 3b) atunci S1=S2 . Dacă
**

S2 se găseşte în cazul 3a) atunci S2 =S3. Dacă S3 se găseşte în cazul


** **

*
1a) sau 1b) atunci S3=S .
2) Toate transformările care se aplică sunt produse de
73
transformări elementare, deci transformarea E*, prin care matricea
simplex S se reduce la matricea S*, E*S=S* este tot un produs de
transformări elementare.
3) În cazul r<m, liniile egale cu zero ale matricei [A*1,B*1] pot fi
omise.

Rezumat

1. Matricea simplex S se transformă, prin înmulţirea cu (-1) a


liniilor negative ale matricei [A,B], într-o matrice simplex S1, care este
în cazul 2a). Se asociază matricei S1 o matrice simplex S2:

 A1 B1
 
S2 =   ,
 k∑ L1k ∑ b1k 
 ∈K k∈K 

în care ultima linie este suma acelor linii [L1k,b1k] ale matricei [A1,B1]
care nu conţin valoarea 1 a unei coloane a matricei unitate, ce are 0 sub
ea (coloană redusă). Matricea simplex S2, prin aplicarea algoritmului
simplex, se reduce la o matrice simplex:

*
 A*1 B*1
S =
2  ,
0 0 

2) Ultima linie a matricei S2*, formată din zerouri, se înlocuieşte


cu linia [C,d] a matricei simplex S1, obţinând matricea simplex S2**:

**
 A*1 B*1
S2 =  ,
C d 

aflată în cazul 3b).


3) Se adună la ultima linie a lui S2**, combinaţia liniară:

- c j [ L*1i , b*1i ] - c q [ L*1p , b*1p ] - "

a acelor linii care au valoarea 1 a unei coloane a matricei unitate, ce nu are


0 sub ea (nu e redusă). Ca rezultat se obţine matricea simplex redusă S*.

74
Test de evaluare
1. Să se aplice algoritmul studiat matricei următoare :
 1 1 −2 1 
 
 1 1 1 − 2
X =
−2 1 1 1 
 
 1 −2 1 1 

90 de puncte

75
2.7. Formularea problemei canonice.
Acest ultim modul, a cărui dimensiune este justificată printr-un
bogat set de exemple aflat la finalul său, prezintă diferite variante ale
algoritmului simplex, precum şi aplicaţiile sale în diferite situaţii
concrete (probleme de transport, etc.).
În funcţie de cititor studiul său necesită 2–4 ore.
În limbajul sistemelor de ecuaţii liniare, problema canonică
!
Problema
generală sau mai simplu problema canonică se poate formula astfel:
Să se determine acele soluţii nenegative x1, x2, … ,xn ale
canonică
sistemului de ecuaţii liniare:

 a11 x1 + ! + a1n x n = b1

!!!!!!!!!! ,
 a 1 x +!+ a x = b
 m 1 mn n m

pentru care funcţia liniară f=-d+c1x1+ … +cnxn, devine maximă.


Formularea matriceală: Să se determine acele soluţii X≥0, ale

!
Formularea
ecuaţiei AX=B, pentru care funcţia liniară f=-d+CX devine maximă. (A
este matricea sistemului, X - matricea coloană a necunoscutelor, B -
matriceală
matricea coloană a termenilor liberi iar C=[c1 … cn]).
Formularea problemei canonice reduse. Problemei canonice

!
Formularea
date i se poate asocia matricea simplex S, care prin reducere devine S*,
căreia îi corespunde o problemă, numită problema canonică redusă, care
problemei constă în:
canonice reduse
Să se determine acele soluţii X≥0 ale ecuaţiei matriceale
* * * *
A X=B pentru care funcţia liniară f=-d +C X devine maximă.
Caz particular: În cazul când elementele pivot cu coloană redusă
au perechile de indici (1,1), (2,2), … ,(m,m), problema canonică redusă,
în limbajul ecuaţiilor şi formelor liniare, se formulează astfel:
Să se determine soluţiile nenegative x1, x2, … ,xn ale sistemului:

 x1 + a*1,m+1 x m+1 + ! + a*1n x n = b*1



 !!!!!!!!!!!! ,
 + * * *
 xm a m,m+1 x m+1 + ! + a mn xn = bm

pentru care funcţia liniară f=-d*+C*m+1Xm+1+ … +Cn*Xn devine


maximă. Matricelor simplex intermediare S', S", … le corespund

76
probleme canonice intermediare. După natura fiecăreia dintre matricele
care apar, problema canonică respectivă se numeşte problemă canonică
degenerată, respectiv problemă canonică nedegenerată.

2.8. Rezolvarea problemei canonice.


Rezolvarea problemei canonice în cazul 1a). În acest caz,
prblema canonică are maxim finit. Pentru simplitate, considerăm
problema în cazul particular de mai sus. În cazul general, când numărul
elementelor pivot cu coloană redusă este r≤m, se poate raţiona în mod
similar.
1) Determinarea soluţiilor de bază. Mai întâi demonstrăm
"
Rezokvarea
problemei
existenţa unei soluţii de bază, iar după aceea le determinăm pe toate. canonice
Se constată direct că matricea:

 b*1 
 
"
b*m 
X1=   ,
0 
"
 
 0 

este o soluţie nenegativă, X1≥0, A*X1=B*. O astfel de soluţie cu cel mult


m componente pozitive, numite componente de bază, se numeşte soluţie
de bază, anume soluţie de bază degenerată, respectiv soluţie de bază
nedegenerată, după cum conţine sau nu conţine componente de bază
nule.
Pentru X1, funcţia ia valoarea f1=-d*.
Fie X' o soluţie nenegativă oarecare: A*X'=B*. Deoarece C*≤0,
rezultă C*X'≤0 şi deci pentru X' avem: f'=-d*+C*X'≤-d*=f1.
Astfel, f1=fmax şi prin urmare X1 este o soluţie de bază a
problemei canonice. Aceasta se poate citi împreună cu valoare fmax=-d*
direct din matricea simplex redusă S*. Urmează să determinăm toate
soluţiile de bază. Pentru a avea f'=fmax este necesar ca acele componente
*
x'q ale matricei X' pentru care coeficientul corespunzător cq al funcţiei
este negativ cq*<0, să fie egale cu zero: x'q=0. Notăm cu t numărul
coeficienţilor c* egali cu zero, cj*=0. Pentru simplificarea notaţiei, să
presupunem că aceşti coeficienţi sunt primii t, adică:

77
* * * *
c1 = ! = cm = c m+1 = ! = ct = 0

Fără a restrânge generalitatea se poate presupune că t≥m+1.


În ecuaţia A*X=B* anulăm necunoscutele xt+1, … ,xn
corespunzătoare coeficienţilor negativi cq* şi scriem sistemul de ecuaţii
liniare:

 x1 + a*1,m+1 xm+1 + ! + a*1t xt = b*1



!!!!!!!!!!!!!! ,
 * * *
 xm + a m,m+1 x m+1 + ! + a mt xt = bm

Anulăm câte (t-m) necunoscute în toate cele Ctt-m=Ctm moduri posibile


şi obţinem tot atâtea sisteme de ecuaţii, fiecare cu câte m necunoscute.
Rezolvând aceste sisteme se stabilesc soluţiile nenegative de bază X1,

… ,Xs care totodată sunt soluţiile de bază ale problemei canonice. În


afară de aceste s soluţii, problema nu are alte soluţii de bază.
2) Determinarea soluţiei generale.

!
Combinaţie liniară
Definiţie. Orice matrice X = g 1 X 1 + ! + g s X s , unde numerele

g i (i = 1, s ) îndeplinesc condiţia g i ≥ 0, i = 1, s , g 1 + ! + g s = 1 se
convexă
numeşte combinaţie liniară convexă a soluţiilor de bază X1, …, Xs.
Nu este o restricţie esenţială din punctul de vedere al aplicaţiilor
programării liniare, dacă se presupune că valorile necunoscutelor
soluţiilor problemei canonice sunt mărginite. Are loc următoarea

"
Combinaţiile
Teoremă: În cazul când valorile componentelor soluţiilor sunt
mărginite, combinaţiile liniare ale soluţiilor de bază (ele şi numai ele),
liniare ale formează soluţiile.
soluţiilor de bază
formează soluţiile
Demonstraţia teoremei are două părţi: combinaţiile liniare
convexe formează soluţii şi orice soluţie este o combinaţie liniară
convexă a soluţiilor de bază.
Vom demonstra numai prima parte: Fie X o combinaţie liniară
convexă a soluţiilor de bază X1, … ,Xs. Din egalităţile AX1=B, … ,
AXs=B rezultă AX=B, deoarece: AX=A(g1X1+ … +gsXs)=g1AX1+ …
+gsAXs=g1B+ … +gsB=(g1+ … +gs)B=B.
La fel, din: -d+CX1=-d*, … ,-d+CXs=-d*, rezultă că: -d+CX=-

78
* * *
d , deoarece: -d+CX=-d+C(g1X1+ … +gsXs)=g1(-d )+ … +gs(-d )=(g1+
* * *
… +gs)(-d ) =-d . Prin urmare, -d+CX=-d =fmax. Deoarece condiţia
X≥0 se verifică potrivit condiţiilor g1≥0, … ,gs≥0, rezultă că orice
combinaţie liniară convexă, X a soluţiilor de bază este o soluţie a
problemei canonice.
Observaţie: Fără detaliere, menţionăm că în anumite cazuri
simple combinaţia liniară convexă se numeşte simplex, de unde derivă
denumirea de metodă simplex.
Discutarea problemei canonice în cazul 1b. Pentru fixarea
ideilor, considerăm C*m+1>0 şi K*m+1≤0. Matricea coloană, "
Discutarea
 b*1 - Ma*1,m+1 problemei
  canonice în cazul 1
 " b)
 
b*m - Ma*m,m+1
X(M) =  
M
 
 0
 
 "
 0 

pentru M≥0 este o soluţie nenegativă, X(M)≥0, a ecuaţiei matriceale


* * * *
A X(M)=B . Valoarea funcţiei f pentru X(M) este f(M)=-d +MC m+1 şi
prin urmare f(M) odată cu M poate lua valori oricât de mari. În acest caz
se spune că fmax=+∞. Cazul însă nu prezintă interes din punctul de
vedere al aplicaţiilor şi de aceea nu-l detaliem în continuare.

2.9. Schema de rezolvare a problemei canonice prin


metoda simplex
Acele soluţii X≥0 ale ecuaţiei matriceale AX=B, pentru care
funcţia liniară f=-d+CX devine maximă, se determină astfel: "
Schema de
1) Se scrie matricea simplex corespunzătoare, S iar prin rezolvare a
problemei
algoritmul reducerii simplex se construieşte matricea simplex redusă,
canonice prin
*
S: metoda simplex

 A B  *  A* B* 
S=  , S =  * *
C d  C d 

2) Dacă S* este în cazul 1a) atunci fmax=-d* (finit), iar dacă S*

79
este în cazul 1b) atunci fmax=+∞.
3) Se determină soluţiile finite după cum urmează:
- Componentele de bază ale soluţiilor de bază X1, … ,Xs sunt
soluţiile de bază nenegative ale ecuaţiei matriceale A* X = B* , unde A*
este formată din acele coloane Kj* ale matricei A* pentru care elementul
corespunzător cj* al liniei C* este egal cu zero, cj*=0, iar matricea
coloană X este formată din necunoscutele corespunzătoare xj; restul
componentelor sunt nule.
- Soluţia generală este dată de combinaţia liniară convexă a
soluţiilor de bază: X=g1X1+ … +gsXs, unde:
g i ≥ 0 , i = 1, s _i g 1 + !+ g s = 1.
Observaţie: Dacă problema canonică are o singură soluţie, care
desigur este soluţie de bază, atunci nu numai fmax, ci şi soluţia se citeşte
nemijlocit din matricea simplex redusă. Dacă (i,j),(p,q),… sunt
perechile de indici ale elementelor pivot cu coloană redusă, atunci
componentele de bază ale soluţiei sunt următoarele: xj=bi*, xq=bp*,…

2.10 Problema generală.


Cea mai cuprinzătoare problemă de programare liniară se
numeşte problemă generală. În limbajul sistemelor de ecuaţii şi inecuaţii
precum şi de forme liniare, problema generală se formulează astfel:
Să se determine acele soluţii xi ≥ 0 , i = 1, n , ale sistemului de

!
Problema generală
ecuaţii-inecuaţii liniare:

 a11 x1 + ! + a1n x n = b1
 !!!!!!!!!!!!

 a p 1 x1 + ! + a pn x n = b p }

 a p+1,1 x1 + ! + a p+1,n xn ≤ b p+1

 !!!!!!!!!!!! }
 a x +!+ a x ≤ b
 q1 1 qn n q

 a q+1,1 x1 + ! + a q+1,n x n ≥ bq+1 }



!!!!!!!!!!!!!
 a m1 x1 + ! + a mn x n ≥ bm

pentru care funcţia liniară f=-d+c1x1+ … +cnxn devine maximă (fmax),


respectiv minimă (fmin)

80
Observaţie: În programarea liniară se folosesc uzual şi alte
denumiri, ca de exemplu: Sistemul de ecuaţii-inecuaţii de mai sus se
numeşte sistemul de restricţii (condiţii). Funcţia liniară se numeşte
funcţie obiectiv (funcţie scop sau funcţie de eficienţă). O soluţie
nenegativă a sistemului de restricţii se numeşte soluţie posibilă. O
soluţie posibilă pentru care funcţia obiectiv devine maximă sau minimă
se numeşte soluţie optimă.
Formularea matriceală a problemei generale: Să se determine
acele soluţii X≥0 ale sistemului de ecuaţii-inecuaţii matriceale: A1X=B1, #
A2X≤B2, A3X≥B3 pentru care funcţia liniară f=-d+CX devine optimă. Formularea
matriceală a
(Notaţiile matriceale se disting uşor din sistemul dat) problemei generale

Rezolvarea problemei generale, constă în asocierea unei


probleme canonice la problema generală dată prin folosirea
necunoscutelor auxiliare:

 x n+1   xn+q - p+1


   
U =  "  ,V =  " 
 x n+1- p   x n+m - p 

Sistemul de ecuaţii matriceale, al problemei canonice asociate va


fi:

 A1 X = B1

 A2 X + U = B 2
 A X -V = B
 3 3

O soluţie X≥0 a sistemului, completată cu matricele nenegative


U=B2-A2X≥0, V=A3X-B3≥0, dau o soluţie nenegativă a sistemului de
ecuaţii matriceale asociat. Invers, o soluţie nenegativă (X,U,V) a
sistemului asociat dă totodată o soluţie nenegativă X a sistemului de
ecuaţii matriceale dat, deoarece A1X=B1, iar A2X+U=B2⇒ U=B2-
A2X≥0, adică A2X≤B şi A3X-V=B3⇒V=A3X-B3≥0⇒ A3X≥B3.
Pentru fmax se lucrează cu funcţia dată, iar pentru fmin se trece la
(-f), opusă celei date, deoarece din (-f)≤(-f)max rezultă:
f≥-(-f)max şi deci fmin=-(-f)max

81
Schema de rezolvare a problemei generale

"
Schema de
1) Problemei generale date i se asociază o problemă canonică cu
sistemul de ecuaţii matriceale:
rezolvare a
problemei generale  A1 X = B1

 A2 X + U = B 2
 A X -V = B
 3 3

şi cu funcţia: f=-d+CX când se cere fmax, respectiv -f=d-CX când se


cere fmin. Această problemă canonică asociată se rezolvă.
2) fmax=-d* şi fmin=d*, obţinute prin rezolvarea problemei
canonice asociate.
3) Soluţiile sunt următoarele:
- soluţiile de bază: X1, … ,Xs sunt matricele corespunzătoare
grupelor de matrice X1,U1,V1; … ;Xs,Us,Vs care reprezintă soluţiile de
bază ale problemei canonice asociate,
- soluţia generală, care este combinaţia liniare convexă:

X=g1X1+ … +gsXs, unde: g i ≥ 0 , i = 1, s _i g 1 + !+ g s = 1.


Observaţie: În cazul când se cere simultan atât maximul cât şi
minimul funcţiei f, operaţiile algoritmului reducerii simplex pentru
determinarea matricei simplex reduse sunt identice până la scrierea
matricei simplex S3.

2.11. Probleme duale.


Formularea problemelor duale. Folosind notaţiile matriceale:

!
Problema duală
 a11 # a1n 

A= "
 x1   b1 
"  , X =  "  , B =  "  , Y=[y1, …, ym], C=[c1, …,
  
a m1 # a mn   x n  bm 

cn]
se pot formula următoarele probleme:
1) Să se determine acele soluţii X≥0 ale inecuaţiei AX≤b, pentru
care funcţia f=CX devine maximă.
2) Să se determine acele soluţii Y≥0 ale inecuaţiei YA≥C,
pentru care funcţia g=YB devine minimă.
Aceste probleme sunt duale una alteia.
Rezolvarea problemelor duale se bazează pe

82
Teorema: Dacă problema 1) admite soluţie finită, atunci şi problema
2) admite soluţie şi reciproc, având loc relaţia: fmax=gmin.
"
Reciprocitatea
existenţei soluţiilor

Demonstraţia conţine evident două părţi, pornind de la una din


cele două probleme. Dacă plecăm de la problema 1), potrivit rezolvării
problemei generale, trebuie să trecem la o problemă canonică asociată:
AX+U=B, CX=f, unde:

 x n+1 
U =  "  ≥ 0
 x n+m 

Presupunem că am determinat matricea simplex redusă, care


prin ipoteză are m elemente pivot cu coloană redusă. Pentru
simplificare, presupunem liniile acestei matrice, reordonate, astfel ca
elementele pivot cu coloană redusă de indice de coloană mai mic să fie
şi într-o linie de indice mai mic. Notăm cu A1 matricea determinată de
cele m linii şi acele coloane ale matricei [A,E] care corespund
coloanelor reduse considerate din matricea simplex redusă.
Cu C1 notăm matricea determinată de linia [C,0] şi coloanele
matricei A1, unde 0 este o linie formată din m zerouri corespunzătoare
necunoscutelor auxiliare cu coeficienţi egali cu zero, în funcţia f.
Pentru a trece de la problema canonică la problema canonică
redusă, ecuaţia AX+U=B se înmulţeste la stânga cu Y0=C1A-1. Apoi:

(C - Y 0 A)X - Y 0 U = f - Y 0 B

Din expresia care conţine funcţia f, potrivit cazului 1a) al


algoritmului simplex, se citeşte: Y0A≥C, Y0≥0 şi fmax=Y0B.
Rezolvând problema 1), s-a găsit o soluţie posibilă Y0 a
problemei 2), pentru care funcţia g ia valoarea g0=Y0B. Pentru a
demonstra teorema (partea a doua), va fi suficient să se arate că gmin=g0.
Pe baza inecuaţiilor celor două probleme, considerând o soluţie oarecare
X≥0, respectiv Y≥0, au loc inegalităţile AX≤B, YA≥C, de unde
obţinem: YAX≤YB, YAX≥CX, adică: YB≥CX. Considerând că X şi Y
reprezintă soluţiile problemei, rezultă: fmax≤gmin. Având în vedere că

83
g0=fmax, rezultă că are loc egalitatea ce trebuia demonstrată: fmax=gmin.
Totodată s-a obţinut o soluţie Y0 pentru care g îşi atinge valoare
minimă. Această soluţie s-a obţinut însă rezolvând problema formulată
pentru fmax fără să se rezolve şi problema formulată pentru gmin.
Componentele matricei Y0 sunt tocmai coeficienţii, cu semn
schimbat, ai necunoscutelor auxiliare din funcţia de maximizat f.

X 
Pentru o soluţie   cu k componente pozitive şi (n+m-k)
U 
componente nule, corespund C nm+- km- k soluţii de bază care, din cauza celor
(m-k) componente nule sunt identice, dar pentru care ultima linie diferă
în general în matricea simplex redusă. Continuând reducerea matricei
simplex S* pentru toate aceste posibilităţi, se determină toate soluţiile de
X 
bază Y pentru o soluţie de bază   . Efectuând aceste calcule pentru
U 
X 
toate soluţiile de bază   , se obţin toate soluţiile de bază X.
U 
Observaţie: Din AX=B rezultă AX≤B, respectiv din YA=C
rezultă YA≥C. Astfel, în ipoteza că valoarea maximă, respectiv minimă,
este atinsă de o soluţie de bază X, cu U=0, respectiv V=0, teorema
dualităţii se poate considera şi în cazul când cel puţin una dintre
restricţiile matriceale este ecuaţie.

2.12. Probleme derivate.


Metoda simplex este metoda generală de rezolvare a tuturor
problemelor de programare liniară. Prin particularizări ale sistemului de
restricţii, a funcţiei de optimizat sau prin impunerea unor restricţii
suplimentare asupra datelor problemei, se obţin diferite modele derivate
ale problemei de programare liniară ce se rezolvă prin metode specifice
modelului derivat. În continuare ne referim la descrierea sumară a
modelelor respective.

2.12.1 Problema de repartiţie (transport)

!
Probleme de transport
Se cere să se determine acele soluţii xij ≥ 0 , i = 1, m , j = 1, n
ale sistemului de ecuaţii liniare:

84
 x11 + ! + x1n = a1
!!!!!!!!!

 x m 1 + ! + x mn = a m
 ,
 x11 + ! + x m1 = b1
!!!!!!!!!

 x1n ! + x mn = bn

unde: ai ≥ 0 , i = 1, m ; b j ≥ 0 , j = 1, n ; a1 +!+ a m = b1 +!+ bn ,


pentru care funcţia: f=c11x11+…+c1nx1n+…+cm1xm1+…+cmnxmn devine
minimă.
Problemei i se poate asocia un tabel de repartiţie:
c11 … c1n a1
................................................... …

cm1 … cmn am
b1 … bn

Dacă a1 + !+ a m ≠ b1 +!+ bn , problema se numeşte problemă de


repartiţie neechilibrată. Dacă a1 + !+ a m > b1 +!+ bn , problema se
poate echilibra completând tabelul cu o coloană de indice (n+1),
punând: c1,n+1 = 0,! ,cm,n+1 = 0 şi

m n
bn+1 = ∑ ai - ∑ b j
1 1

La fel, dacă sensul inegalităţii este „<“.

2.12.2. Programarea liniară cu reoptimizare.


Mai multe probleme de programare liniară, dintre care unele
diferă parţial de altele, formează probleme de programare liniară cu
#
Probleme cu
reoptimizare
reoptimizare.
Astfel, fiind rezolvată una dintre probleme, rezolvarea celorlalte
necesită în general mai puţine calcule, unele rezultate fiind comune.
Operaţiile prin care se poate trece de la o problemă la alta sunt
următoarele:
- modificarea vectorului C
- modificarea vectorului B
- modificarea unei coloane a matricei A
85
- modificarea unei noi variabile şi a unor noi restricţii.
Aici, A, B, C sunt submatricele din matricea simplex S.

2.12.3. Programarea liniară în numere întregi.


Spre deosebire de problemele de programare liniară care se cer a

!
Probleme cu
fi rezolvate în mulţimea numerelor reale nenegative (notate PL), apar
frecvent probleme care cer ca toate componentele soluţiei să fie numere
variabilele numere
întregi întregi, conducând la o problemă de programare liniară total întreagă
(PLT), sau ca o parte din componentele soluţiei să fie numere întregi,
iar celelalte să fie numere reale, conducând la probleme de programare
liniară mixtă (PLM).

2.12.4. Programarea liniară în numere reale.


Metoda simplex (PL) se poate adapta uşor la rezolvarea
problemelor de programare liniară în domeniu real, respectiv parţial real
!
Probleme cu
- parţial nenegativ. În acest scop, cel mai uşor este să introducem o nouă
necunoscută yn+1 şi să facem substituţia xi = yi - y n+1 , i = 1, n , ca
variabilele numere
negative problemă PL obişnuită şi prin substituţia inversă se obţine valoarea

necunoscutelor reale xi , i = 1, n . Se pot substitui numai unele


necunoscute xi. Cele nesubstituite se consideră necunoscute nenegative.
În afara acestor modele derivate mai există şi programarea
liniară parametrică în care matricea simplex depinde de un număr de
parametrii ti=S(t1, … ,ts). Pentru multe modele există programe pe
calculator.

2.13. Decizii economice.

!
Decizii economice în
Aplicarea programării liniare în economie poate fi descompusă
trei faze principale caracterizate pe rând prin modelele
corespunzătoare: modelul economic, modelul matematic şi din nou
modelul economic.
În prima fază, pe baza caracteristicilor domeniului de aplicaţie,
se formulează condiţiile activităţii economice-tehnice, inclusiv scopul
economic. Potrivit modelului economic se formulează modelul
matematic.
În faza a doua se rezolvă modelul matematic şi rezultatele se

86
interpretează în modelul economic.
În faza a treia se discută rezultatele obţinute în modelul
economic şi se ia decizia economică. Această decizie poate fi punerea în
aplicare a planului stabilit sau modificarea modelului economic iniţial şi
trecerea apoi din nou la cele trei faze descrise mai sus.
Aplicarea programării liniare în economie se bazează pe
discipline economice, tehnice şi matematice cum ar fi: economia
politică, analiza economică, economia ramurilor, analiza matematică şi
statistică matematică, statistici de ramură, organizare, tehnologie etc.
Aceasta presupune colaborarea a trei categorii de specialişti: economişti,
ingineri şi matematicieni (sau informaticieni).

2.14. Probleme.
1. Să se prezinte schema generală de rezolvare a unei probleme
canonice.
Soluţie. Notăm cu S matricea simplex asociată problemei de
programare liniară. Matricea simplex redusă, S*, se obţine din S prin
aplicarea algoritmului reducerii simplex (ARS), care conţine în mod
implicit algoritmul simplex (AS). Reducerea se face numai în raport cu
matricea sistemului de restricţii A. Din coloana termenilor liberi şi din
linia funcţiei de optimizat nu se alege element pivot. Dacă se cere
transformarea T corespunzătoare (ARS) atunci matricea S se înlocuieşte
cu matricea [E,S], care prin transformarea T devine [T,S*].
(ARS) are trei etape, realizând respectiv cazurile 2a), 3a) _i 1a)
AX=B
sau 1b). CX=d+f

 A B
S= 
C d 

 A* B* 
S* =  * 
C d*

A*X=B*
C*X=d*+f

87
În cazul (AS) elementul pivot este strict pozitiv (aij>0) spre
deosebire de algoritmul reducerii matricelor (ARM) când aij≠0.
2. Să se determine acele soluţii xi , xi ≥ 0 , i = 1,6 ale sistemului
de ecuaţii liniare:

- x1 - 2 x 2 + x4 - 5 x5 = 1

 - 3 x 2 + 2 x4 - 8 x 5 = 4
 - 4 x - x - x - x = -3
 1 3 5 6

pentru care funcţia liniară f=-7+6x1+x2+x4+3x5 devine maximă.


Soluţie. Etapa I: Aflăm mai întâi o soluţie de bază, asociind
problemei date o matrice simplex apoi aplicăm (ARS)

-1 - 2 0 1 -5 0 " 1
 
 0 -3 0 2 -8 0 " 4
S = - 4 0 - 1 0 -1 -1 " - 3
 
! ! ! ! ! ! ! !
 
 6 1 0 1 3 0 " 7 

Înmulţind linia a treia cu (-1), matricea S va fi în cazul 2a):

- 1 - 2 0 1 - 5 0 1
 
 0 -3 0 2 -8 0 4
4 0 1 0 1 1 3

 6 1 0 1 3 0 7 
a
Etapa II : Ultima linie se înlocuieşte cu suma primelor două linii
care nu sunt linii pivot cu coloană redusă. Se aplică (AS)

-1 - 2 0 1 1 1 / 1 = 1
-5 0
 
 0 -3 0 2 - 8 0 4 4 / 2 = 2
 4 0 1 0 1 1 3

− 1 − 5 0 3 − 13 0 5
Pentru reducere se alege coloana a patra deoarece c4=3>0.
Formând rapoartele dintre termenii liberi şi elementele pozitive ale
coloanei a patra, observăm că 1/1=min(1/1 , 4/2) şi elementul pivot se
va alege a14=1>0.
Se efectuează reducerea matricei:

88
- 1 - 2 0 1 - 5 0 1
 
 2 1 0 0 2 0 2
 4 0 1 0 1 1 3

 2 1 0 0 2 0 2
Alegem elementul pivot a22=1:
3 0 0 1 − 1 0 5
 
2 1 0 0 2 0 2
4 0 1 0 1 1 3

 0 0 0 0 0 0 0
Matricea A este redusă. Ultima linie formată din zerouri se
înlocuieşte cu [C,d] iniţială:

3 0 0 1 − 1 0 5
 
2 1 0 0 2 0 2
4 0 1 0 1 1 3
 
 6 1 0 1 3 0 7 
Se consideră reducerea astfel încât coloanele 2,3,4 să fie reduse

 A
în matricea   . Pentru aceasta, efectuăm transformarea elementară
C 
(-L1)+(-L2)+L3:
3 0 0 1 − 1 0 5
 
2 1 0 0 2 0 2 2 / 2 = 1
Acum matricea simplex se află în
4 0 1 0 1 1 3 3 / 1 = 3

 1 0 0 0 2 0 0
cazul 3a)
a
Etapa III : Se aplică (AS):
 1 
4 2
0 1 0 0 6 
 1 
1 0 0 1 0 1 
 2 
3 −1 1 0 0 1 2
 2 
− 1 − 1 0 0 0 0 − 2

Matricea S se află în cazul 1a) pentru că C≤0. În concluzie,


ultima matrice fiind redusă suntem în cazul (1a,2a,3a).
Scriem problema de programare liniară canonică redusă şi citim
soluţia de bază corespunzătoare:

89
 1
 4 x 1 + x 2 + x4 = 6
2

 x + 1 x + x = 1
1 2 5
 2
 1
3 x1 - x2 + x3 + x6 = 2
 2
 - x1 - x2 = -2 + f

Necunoscutele principale sunt cele corespunzătoare coloanelor


reduse, adică x3, x4, x5, iar cele secundare, care se consideră nule sunt:
x1, x2, x6. Deci: x1=0, x2=0, x3=2, x4=6, x5=1, x6=0 şi fmax=2.
Pentru a afla soluţia generală considerăm submatricea formată
din coloana B şi acele coloane ale matricei A pentru care coeficientul
corespunzător al liniei funcţiei (cj) este egal cu zero:

x3 x4 x5 x6
0 1 0 0 6
 
0 0 1 0 1
1 0 0 1 2 

Avem C43=4 posibilităţi de a forma soluţii de bază din câte 3


necunoscute de bază, restul de o necunoscută fiind egală cu zero. Practic
se anulează atâtea necunoscute cât este diferenţa între numărul
variabilelor (4) şi numărul ecuaţiilor (3). Anularea se face într-un număr
egal cu C41=C43=4.
Rezolvând cele 4 sisteme de ecuaţii, se obţin toate soluţiile de
bază, ca în tabelul de mai jos:
Numărul curent x3 x4 x5 x5 Natura sistemului
al sistemului
1. 2 6 1 0 compatibil
2. 0 incompatibil
3. 0 incompatibil
4. 0 6 1 2 compatibil

Obţinem atât soluţia de bază de mai sus cât şi încă o soluţie de


bază:x1=0, x2=0, x3=0, x4=6, x5=1, x6=2. Putem scrie soluţiile de bază
astfel:

90
0  0 
0  0 
   
2 0 
X1=   , X 2=  
6  6 
 1 1
   
0   2 

iar soluţia generală: X=g1X1+g2X2 unde g1, g2≥0 şi g1+g2=1.


3. Să se rezolve problema canonică dată prin matricea simplex:

1 − 2 5 − 4 2 
S = 1 1 6 1 1 
2 0 − 1 1 0

Soluţie: Ultima linie se înlocuieşte cu suma primelor două linii şi


aplicăm (AS)

1 − 2 5 − 4 2  2 / 1 = 2
1 1 6 1 1  1 / 1 = 1
 
2 − 1 11 − 3 3

0 − 3 − 1 − 5 1
1 1 6 1 1

0 − 3 − 1 − 5 1

Deoarece în ultima linie (a matricei C, respectiv linia funcţiei)


nu avem cj>0, nu putem continua reducerea, deşi linia respectivă nu a
devenit egală cu linia zero. Cauza este că sistemul este incompatibil,
pentru valori nenegative ale necunoscutelor:

 - 3 x 2 - x3 - 5 x 4 = 1

 x1 + x 2 + 6 x 3 + x 4 = 1

4. Să se determine acele soluţii xi ≥ 0 , i = 1,6 ale sistemului de


ecuaţii-inecuaţii liniare:

 x1 - x 2 + 2 x 3 + 3 x 4 - x 5 ≤ 6

 x 3 + 2 x 4 - x 5 + x6 ≥ 2
x + 3 x = 1
 1 4

pentru care funcţia f=x1-x2-x3+x4 devine maximă, respectiv minimă.


Soluţie: 1) Introducem necunoscutele auxiliare, nenegative x7 şi
x8 pentru a „echilibra“ primele două inecuaţii şi a obţine astfel problema

91
canonică:

 x1 - x2 + 2 x3 + 3 x4 - x5 + x7 = 6

 x 3 + 2 x 4 - x 5 + x6 - x 8 = 2
 x1 + 3 x 4 = 1

cu funcţia f neschimbată. Matricea S asociată este:

 1 -1 2 3 -1 0 1 0 " 6
 
 0 0 1 2 - 1 1 0 - 1 " 2
S= 1 0 0 3 0 0 0 0 " 1

! ! ! ! ! ! ! ! ! !
 
 1 - 1 - 1 1 0 0 0 0 " 0 

2) Aplicăm (ARS) pentru a afla fmax.

1 - 1 2 3 -1 0 1 0 6
  6 /1 = 6
0 0 1 2 -1 1 0 -1 2
 
S = 1 0 0 3 0 0 0 0 1
  1/1 = 1
 
 
 1 0 0 3 0 0 0 0 1

 0 -1 2 0 -1 0 1 0 " 5
 
 0 0 1 2 - 1 1 0 - 1 " 2
S= 1 0 0 3 0 0 0 0 " 1

! ! ! ! ! ! ! ! ! !
 
 0 0 0 0 0 0 0 0 " 0
 0 -1 2 0 -1 0 1 0 " 5
 
0 0 1 2 - 1 1 0 - 1 " 2
S= 1 0 0 3 0 0 0 0 " 1
 
! ! ! ! ! ! ! ! ! !
 
 1 − 1 − 1 1 0 0 0 0 " 0

0 - 1 2 0 - 1 0 1 0 5 
 
*  0 0 1 2 - 1 1 0 - 1 2
S =
3 0 0 0 0 1
1 0 0
0 - 1 - 1 - 2 0 0 0 0 - 1

Matricea simplex a apărut deja sub forma redusă, S*, în etapa a


doua, deci nu are rost să se mai execute etapa a treia. Citim o soluţie de
bază:

92
*
x1=1, x2=0, x3=0, x4=0, x5=0, x6=2, x7=5, x8=0 şi vedem că fmax=-d =1.
Pentru a obţine soluţia generală, considerăm submatricea:
x1 x5 x6 x7 x8
0 − 1 0 1 0 5 
0 − 1 1 0 − 1 2 
 
1 0 0 0 0 1
Constatăm că x1, x6, x7 nu se pot anula, deci soluţia de bază
obţinută este unică. Într-adevăr, reconsiderând problema determinării
soluţiei generale, numărul total al grupelor formate din câte trei
necunoscute (cele de bază) C53 este egal cu numărul total al grupelor
formate din câte două necunoscute egale cu zero, adică C53=C52=10.
Construim un tabel în care necunoscutele egale cu zero (două din cinci)
sunt trecute dinainte de tabel:
Nr x1 x5 x6 x7 x8 Soluţie
1. 0 0 NU
2. 0 0 NU
3. 0 0 NU
4. 0 0 NU
5. 0 0 NU
6. 0 0 NU
7. 1 0 2 5 0 DA
8. 0 0 NU
9. 0 0 NU
10. 0 0 NU

Pe baza submatricei se scrie pentru fiecare caz sistemul de


ecuaţii respectiv. De exemplu, în cazul poziţiei nr. 1 se poate scrie:

 x7 = 5

 x 6 − x8 = 2
 0 = 1

care se încearcă a se rezolva în domeniul numerelor reale nenegative. În
cazul de faţă este incompatibil (0=1) deci nu are soluţie.
Repetăm raţionamentul pentru celelalte poziţii şi vedem că
obţinem doar o soluţie de bază (poziţia nr.7) Având toate soluţiile de

93
bază X i , i = 1, m (m ≥ 1) se scrie soluţia generală:

m m
X = ∑ g i X i , g i ≥ 0 , i = 1, m _i ∑ g i = 1.
i=1 1

Pentru fmin, calculele de mai înainte se pot folosi până la etapa a


doua inclusiv. În S* ultima linie se înmulţeşte cu (-1) şi se trece la etapa
a treia, aplicând (AS):

0 - 1 2 0 - 1 0 1 0 5
 
0 0 1 2 -1 1 0 -1 2
S′ = 
1 0 0 3 0 0 0 0 1

0 1 1 2 0 0 0 0 1

Deoarece elementul c'2=1>0, dar coloana respectivă a matricei


A' este negativă, rezultă că suntem în cazul 1b) şi fmin=-∞.
Dacă nu s-ar fi cerut şi fmax, atunci pentru a calcula fmin am fi
schimbat semnul elementelor în ultima linie a matricei simplex iniţiale
(S) şi aşa am fi obţinut matricea simplex S'.
5. Să se prezinte schema generală de rezolvare a unei probleme
de programare liniară prin duala ei.
Soluţie.
Problema primală (duală) Problema duală (primală)

 A B ≤  Aτ Bτ 
S=  Sτ =  τ 
C d  C d 

fmax gmin
Fiind date două probleme de programare liniară generale, zicem
că una este duala celeilalte dacă pentru una se cere fmax (inecuaţiile fiind
scrise cu „≤“) iar pentru a doua se cere gmin (inecuaţiile fiind scrise cu
„≥“). Nici una nu conţine ecuaţii şi matricele simplex (neechilibrate)
asociate sunt una transpusa celeilalte. Rezolvând problema primală, se
obţine şi soluţia problemei duale: fmax=gmin, iar necunoscutele apar cu
semn opus în ordine în linia funcţiei, în coloanele corespunzătoare
necunoscutelor de compensare în matricea simplex redusă (teorema
dualităţii).
Dacă una din probleme are soluţie infinită, atunci cealaltă este
incompatibilă şi invers.

94
Pentru a putea aplica teorema dualităţii şi în cazul când sistemul
de restricţii conţine ecuaţii, acestea se înlocuiesc cu câte două inecuaţii
conform echivalenţei:

a = b ⇔ (a ≤ b) ∧ (a ≥ b)

6. Să se rezolve problema de programare liniară (cu soluţie


finită):

 - 4 x1 + x 2 ≤ -1

 x1 - x 2 + x 3 ≥ 1
5 x + x + x = 10
 1 2 3
f = 2 x1 + 3 x 2 + 3 ,

determinând fmax şi fmin prin intermediul problemei duale.


Soluţie: Aflăm fmax scriind problema primală sub forma a două
inecuaţii (adecvată aplicării teoremei dualităţii):

5 x1 + x2 + x3 ≤ 10
 ,
5 x1 + x2 + x3 ≥ 10

după ce toate inecuaţiile se scriu cu relaţia „≤“.


Problema primală: Să se determine acele soluţii xi≥0 , i=1,2,3
ale sistemului de inecuaţii liniare:

 − 4 x1 + x 2 ≤ −1
−x +x −x ≤ 1
 1 2 3

 5 x1 + x 2 + x3 ≤ 10
− 5 x1 − x 2 − x3 ≤ − 10

pentru care f=2x1+3x2+3 ia valoarea maximă (fmax).


Matricea simplex asociată (în formă neechilibrată) este:

− 4 1 0 −1  ≤
−1 1 −1 −1  ≤
 
S= 5 1 1 10  ≤
 
 − 5 − 1 − 1 − 10 ≤
 2 3 0 − 3 
τ
Problema duală: Scriem matricea transpusă S :
− 4 − 1 5 − 5 2  ≥
1 1 1 − 1 3  ≥
τ
S = 
 0 −1 1 −1 0  ≥
 
 − 1 − 1 10 − 10 − 3
95
În formă detaliată, problema duală se formulează astfel:
Să se determine acele soluţii y i ≥ 0 , i = 1,4 ale sistemului de

inecuaţii liniare:

- 4 y1 - y 2 + 5 y 3 - 5 y 4 ≥ 2

 y1 + y 2 + y 3 - y 4 ≥ 3
 - y2 + y3 - y4 ≥ 0 ,

pentru care funcţia g=-y1-y2+10y3-10y4+3 ia valoarea minimă.


Rezolvarea problemei primale prin duala ei. Trecem la
echilibrarea problemei duale în vederea rezolvării ei şi deoarece se cere
gmin, înlocuim g cu -g:
− 4 y1 − y2 + 5 y3 − 5 y4 − y5 = 2
 y + y2 + y3 − y4 − y6 = 3
 1

 − y2 + y3 − y4 − y7 = 0
 y1 + y2 − 10 y 3 − 10 y 4 −3 = −g
Rezultă matricea simplex:

− 4 − 1 5 − 5 −1 0 0 2
1 1 1 −1 0 −1 0 3
S′ =  
 0 −1 1 −1 0 0 −1 0
 
1 1 − 10 10 0 0 0 3
Se găseşte că:

0 0 1 -1 1 4 3 14 
 - - -
12 12 12 12 
 
 
1 0 0 0 2
-
4
-
6 8
 12 12 12 12 
S ′ =  
*

0 1 0 0
-
1
-
4 9 14 
 12 12 12 12 
 
 
0 0 0 0
-
11
-
32
-
33 154 
 12 12 12 12 

Rezultă: f max = g min = 154 , iar necunoscutele x1, x2, x3 iau pe


12
rând, în valoare absolută, numerele marcate cu asterisc în linia funcţiei:

11 32 33
x1 = , x2 = , x3 =
12 12 12

96
Din linia funcţiei se pot citi şi necunoscutele de compensaţie a
problemei primale; ele corespund primelor patru coloane: x4=0, x5=0,
x6=0, x7=0.
Pentru a afla fmin, pornim de la formularea problemei primale în
cazul maxim şi înmulţim fiecare restricţie cu -1 pentru a avea toate
restricţiile exprimate cu relaţia „≥“.
Problema primală. Matricea simplex în formă neechilibrată este:
 4 −1 0 1 ≥
 1 −1 1 1 ≥
 
S = − 5 − 1 − 1 − 10 ≥
 
5 1 1 10  ≥
 2 3 0 − 3 
τ
Problema duală. Scriem S în formă neechilibrată:
 4 1 −5 5 2 ≤
− 1 − 1 − 1 1 3  ≤
S =
τ 
0 1 −1 1 0  ≤
 
1 1 − 10 10 − 3
Rezolvarea problemei primale prin duala ei. Echilibrarea
inecuaţiilor duce la matricea simplex:

 4 1 -5 5 1 0 0 2
 
-1 -1 -1 1 0 1 0 3
S′ =  ,
 0 1 -1 1 0 0 1 0 

 1 1 - 10 10 0 0 0 - 3

care în formă redusă, cum se poate verifica prin calcul direct, este
următoarea:

 
1 - 1 0 0 1 0 5 1
 - 
 4 4 2
 
S ′ 0 - 3 0 0 7
*
= 1 1 9
 -
 4 4 2 
 
0 - 8 0 0 1 0 35 7
 - - - 
4 4 2

De aici se citeşte soluţia problemei primale:

97
1 35 7
x1 = , x 2 = 0 , x3 = şş f min = g max = . Valorile necunoscutelor
4 4 2
de compensare sunt: x4=0, x5=8, x6=0, x7=0.

Rezumat
În general problemele economice nu se supun restricţiilor
formulate în algoritmul simple (adică doar numere nenegative, doar
relaţii de egalitate). Aceste ultime paragrafe ilustrează modalităţile prin
care se poate extinde algoritmul simplex pentru soluţionarea şi cazurilor
mai complexe.
Adesea trebuie introduse condiţii suplimentare (variabilele să ia
doar valori întregi), sau poate fi rezolvată mai uşor problema „inversă”
(duală). În plus, situaţiile particulare, precum problemele de repartiţie,
necesită o abordare specifică.

Test de evaluare
Să se găsească valoarea minimă şi maximă a funcţiei
f= 2x+y-3z
a) direct 40 puncte
b) prin metoda duală 50 puncte
variabilele x, y şi trebuind să satisfacă sistemul de restricţii :

 x + y + 2z = 2

2 x + 3 y + 4 z ≤ 5 ; x,y,z ≥ 0
3 x + 5 y + 6 z ≥ 8

98