Documente Academic
Documente Profesional
Documente Cultură
ALGEBRĂ
LINIARĂ
- 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.
a11 # a1n
det A =
a n1 # a nn
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
! 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
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
"
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)
!
Înmulţirea
dacă λ=-1 se obţine opusa lui A. Fie M mulţimea matricelor de
"
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
!
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
"
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
#
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
T
T
4. (AB) =B A
"
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
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:
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
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
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
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.
"
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
U n U n " U n
M = ,
M 1 M 2 " M m
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
! !
!
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
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
!
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
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
"
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=(AB).
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 (Ps), unde S este matricea formată cu coeficienţii
necunoscutelor secundare. Obţinem X=(XpXs)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
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
2 - 1 3
3 2 - 1
A=
5 1 2
1 1 1
21
2 -1 3 1
~ 3 2 -1 2
A=
5 1 2 3
1 1 1 1
1 1 1
δ = 2 -1 3 = 13 ≠ 0
3 2 -1
1 1 1 1
2 -1 3 1
∆c = = 0,
3 2 -1 2
5 1 2 3
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
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
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
12 x1 + 2 x2 = 1 + 3 x3 - x4
δ= şi ecuatiile principale :
31 3 x1 + x2 = 3 - x3 + 2 x4
(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.
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
B1 C 1 C 1 A1 A1 B1
l= , m= , n=
B2 C 2 C 2 A2 A2 B2
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
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
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
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.
!
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.
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
n
X = x v1 +!+ x v n = ∑ xiB vi
B
1
B
n
i=1 (1.8.1)
X = BX B (1.8.2)
B -1
X =B X (1.8.3)
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)
x1 V 1 + x 2 V 2 + ! + x n V n = D
B S
BX + SX = D
B -1 -1 S
X = B D - ( B S) X (1.8.5)
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
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.
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
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
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
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
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
Exemplu:
Să se calculeze inversa matricei:
0 - 1 2
A = 1 0 - 1
2 3 - 4
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
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
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
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
X = D - ∑ V Bj x j
B B
(1.11.1)
j∈B
xi = d i - ∑ aijB x j , i ∈ B
B B
j∈S
(1.11.2)
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 (AD)).
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
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,
X nu se modifică.
B
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).
#
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:
n
xi = ∑ xij + y i , i = 1, n
j=1
44
care caracterizează repartiţia. Notând cu z j , j = 1, n , valoarea
n
x j = ∑ xij + z j , j = 1, n
i=1
xij
aij = ; i, j = 1, n ,
xj
n
xi = ∑ aij x j + yi , i = 1, n
j=1
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
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)
"
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)
Proprietăţile normei:
a) X=0 dacă X=0 şi X>0 dacă X≠0
b) λX=λ⋅X
c) X+Y≤X+Y
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)
că X i > 0 , ( ∀ )i = 1, m . Rezultă că λ 1 = λ 2 = ! = λ m = 0
#
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 ?
n variabile:
49
f = c1 x1 + c2 x2 +!+ c n xn (1.13.1)
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 :
!
Transformare
liniare, iar rangul ei este rangul sistemului. Dacă m=n sistemul de
forme liniare se numeşte transformare liniară.
liniară Fie transformarea liniară:
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
x′ = x cosθ - y sin θ
y′ = x sin θ + yxosθ
51
x = x′ cos θ + y′ sin θ
y = -x′ sin θ + y′ cos θ
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
!
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
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
n n
= ∑ ∑ aij xi x j ; aij = a ji
i=1 j=1
(1.14.1)
+ ! + 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:
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
!
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)
"
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:
transformarea liniară:
x1 = y 1 - y 2 + 3 y 3
x2 = y 2 - 2 y3
x3 = y3
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
55
X 1 = a 11 x1 + ! + a1n x n
(T1)
x i = x0 , ∀ i = 2,n
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
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
f = k 1 X 12 + k 2 X 22 +!+ k n X 2n , (1.14.9)
x1 = y 1 + y 2
x2 = y1 - y 2 (1.14.10)
x i = y i , i = 3,n
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
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
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
57
f = s1 X 12 + s 2 X 22 + !+ s m X 2m , (1.14.11)
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
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
!
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
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
A B
S=
C d
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.
- 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
"
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
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
1 0 1
A*
* = 0 1 1
C
0 0 - 1
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
! !
-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
[ L i , bi ] [ Lp ,bp ]
≤
aij a pj
"
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",
[ ,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
!
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
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
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
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
*
A* B*
S = * * ,
C d
"
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
* *
** A1 B1
S =[
2 ],
C d
*
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
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
**
A*1 B*1
S2 = ,
C d
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
!
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:
76
probleme canonice intermediare. După natura fiecăreia dintre matricele
care apar, problema canonică respectivă se numeşte problemă canonică
degenerată, respectiv problemă canonică nedegenerată.
b*1
"
b*m
X1= ,
0
"
0
77
* * * *
c1 = ! = cm = c m+1 = ! = ct = 0
!
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
A B * A* B*
S= , S = * *
C d C d
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*,…
!
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
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
A1 X = B1
A2 X + U = B 2
A X -V = B
3 3
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
!
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
x n+1
U = " ≥ 0
x n+m
(C - Y 0 A)X - Y 0 U = f - Y 0 B
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.
!
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
cm1 … cmn am
b1 … bn
m n
bn+1 = ∑ ai - ∑ b j
1 1
!
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).
!
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
-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
- 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
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
x3 x4 x5 x6
0 1 0 0 6
0 0 1 0 1
1 0 0 1 2
90
0 0
0 0
2 0
X1= , X 2=
6 6
1 1
0 2
1 − 2 5 − 4 2
S = 1 1 6 1 1
2 0 − 1 1 0
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
- 3 x 2 - x3 - 5 x 4 = 1
x1 + x 2 + 6 x 3 + x 4 = 1
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
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
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
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
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
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
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)
- 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 ,
5 x1 + x2 + x3 ≤ 10
,
5 x1 + x2 + x3 ≥ 10
− 4 x1 + x 2 ≤ −1
−x +x −x ≤ 1
1 2 3
5 x1 + x 2 + x3 ≤ 10
− 5 x1 − x 2 − x3 ≤ − 10
− 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 ,
− 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
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
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