Universitatea de tiine Agricole i Medicin Veterinar

Ion Ionescu de la Brad Iai

lector dr. Marius Clin

MATEMATIC
Curs pentru nvmnt la Distan

2002

CUPRINS
1. ELEMENTE DE MATEMATIC LINIAR (PAG. 1-1)
1.1
1.2
1.3
1.4

Matrice i determinani (pag. 1-2)

Ecuaii liniare (pag. 1-7)
Sisteme de ecuaii liniare (pag. 1-17)
Inegaliti liniare i sisteme de inegaliti liniare (pag. 1-32)

2. INTRODUCERE N PROGRAMAREA LINIAR (PAG. 2-1)

2.1 Structura unei probleme de programare liniar (pag. 2-2)
2.2 Rezolvarea grafic a problemelor de programare liniar n dou variabile (pag. 2-5)

3. ALGORITMUL SIMPLEX (PAG . 3-1)

3.1 Cerinele metodei simplex (pag. 3-2)
3.2 Introducere n metoda simplex (pag. 3-5)
3.3 Algoritmul simplex pentru o problem de maximizare n form canonic (pag. 3-8)
3.4 Algoritmul simplex pentru o problem de maximizare cu restricii de toate tipurile (pag.
3-12)
3.5 Algoritmul simplex pentru o problem de minimizare (pag. 3-12)
3.6 Situaii speciale (pag. 3-14)

4. ELEMENTE DE TEORIA PROBABILITILOR (PAG. 4-1)

4.1 Experimente aleatoare (pag. 4-2)
4.2 Evenimente (pag. 4-2)
4.3 Noiunea de probabilitate (pag. 4-7)
4.4 Probabiliti condiionate. Evenimente independente (pag. 4-11)
4.5 Variabile aleatoare (pag. 4-13)
4.6 Caracteristici numerice ale variabilelor aleatoare (pag. 4-16)

5. LANURI MARKOV (PAG. 5-1)

5.1 Procese stochastice (5-2)
5.2 Proprieti de baz ale lanurilor Markov (pag. 5-7)
5.3 Lanuri Markov regulate (pag. 5-9)
Bibliografie

1
Elemente de
matematic liniar
1.1
1.2
1.3
1.4

Matrice i determinani
Ecuaii liniare
Sisteme de ecuaii liniare
Inegaliti liniare i sisteme de inegaliti liniare

Obiectivele capitolului
Definirea noiunilor de matematic liniar care vor sta la baza dezvoltrilor din capitolele 2 i

3
Discutarea interpretrilor geometrice care se pot face n legtur cu ecuaiile i inegalitile
liniare n dou variabile
Introducerea metodei eliminrii totale pentru rezolvarea unui sistem de ecuaii liniare
Introducerea noiunilor legate de explicitarea sistemelor de ecuaii liniare n raport cu un grup
dat de variabile.
Aplicarea metodei eliminrii totale la calcularea inversei unei matrice

Acest capitol este destinat introducerii unor noiuni de baz din matematica liniar.
Matematica liniar este important din mai multe motive. Astfel, multe fenomene din lumea real
care trebuie studiate matematic sunt liniare sau pot fi aproximate ca fiind liniare. Deci,
matematica liniar se aplic n multe domenii. ~n plus, analiza i manipularea relaiilor liniare
este mai uoar dect a relaiilor neliniare. Mai mult, unele dintre metodele utilizate n
matematica neliniar sunt similare cu cele din matematica liniar sau sunt extensii ale acestora.

1.1 Matrice i determinani

n aceast seciune vor fi punctate cteva definiii i proprieti elementare din algebra
matriceal. Ne vom limita doar la acele elemente care vor fi folosite n seciunile i capitolele
urmtoare.
Definiia 1.1.1
Se numete matrice o mulime de m n numere (reale sau complexe) aranjate ntr-un
tablou dreptunghiular avnd m linii i n coloane.
a11

a
A = 21
K

a m1

a12
a 22
K
a m2

K K a1n

K K a 2n
K K K

K K a mn

(1.1.1)

Numerele aij, i=1,2 ..., m, j = 1,2, ... ,n se mai numesc elementele matricei A.
O matrice cu m linii i n coloane se numete matrice de tipul (m, n) sau matrice de
ordinul m n.

Notaii:

( )

A = a ij ,

A = a ij ,

A = a ij ,

i = 1,2 ,K , m j = 1,2 ,K , n

sau, pe scurt, Am,n.

Mulimea matricelor de tipul (m, n) avnd toate elementele din mulimea R a numerelor
reale se noteaz Mm,n( R ). n acest curs vor fi folosite numai matrice care au ca elemente numere
reale.
Tipuri speciale de matrice
O matrice de tip (m, 1) se numete matrice coloan sau vector coloan:
a11

a
A = 21
M

a m1

(1.1.2)

O matrice de tip (1, n) se numete matrice linie sau vector linie:

A = (a11 a12 K a1n

(1.1.3)

O matrice de tip (n, n) se numete matrice ptratic de ordinul n O matrice de tip (1, n)
se numete matrice linie sau vector linie:

 a11

a
A = 21
K

a n1

a12
a 22
K
an2

K K a1n

K K a 2n
K K K

K K a nn

(1.1.4)

Elementele a11, a22, ..., ann formeaz diagonala principal a matricei ptratice.
Matricea de tipul (m, n) avnd toate elementele egale cu zero se numete matricea nul
de tipul (m, n). Notaie: Om,n.
O matrice ptratic ale crei elemente care nu se afl pe diagonala principal sunt toate
nule se numete matrice diagonal.
a11

0
A=
K

0
a 22
K
0

0
K K K

K K a nn
K K
K K

(1.1.5)

Matricea diagonal pentru care a11 = a22 = ... = ann = 1 se numete matricea unitate de
ordinul n. Matricea unitate se noteaz In sau En.
1 0 K

0 1 K
In =
K K K

0 0 K

0
K K

K 1
K
K

(1.1.6)

Egalitatea matricelor
Dou matrice de acelai tip Am,n i Bm,n sunt considerate egale dac elementele lor sunt,
respectiv, egale:
a ij = bij

i = 1,2 ,K , m

j = 1,2 ,K , n

(1.1.6)

Notaie: A = B.
Adunarea matricelor
Dou matrice de acelai tip Am,n i Bm,n pot fi adunate. Se definete suma matricelor A i B
ca fiind matricea Cm,n obinut adunnd elementele corespunztoare din A i B.

( )

C = cij

cij = a ij + bij

i = 1,2 ,K , m

j = 1,2 ,K , n

(1.1.7)

Notaie: C = A + B.
Adunarea matricelor are urmtoarele proprieti:
1.
2.
3.
4.

A+B=B+A
(comutativitate)
(A + B) + C = A + (B + C)
(asociativitate)
A+O=O+A=A
(element neutru)
Pentru orice matrice A Mm,n( R ) exist o matrice - A Mm,n( R ) astfel nct
A + (-A) = (-A) + A = Om,n

(1.1.8)

Matricea -A se numete matricea opus lui A i

( )

A = a ij , A = a ij , i = 1,2 ,K , m

j = 1,2 ,K , n

(1.1.9)

nmulirea matricelor
Fie dou matrice A i B. Se poate defini produsul AB (n aceast ordine) dac numrul de
coloane ale lui A este egal cu numrul de linii ale lui B. Deci, dac Am,n i Bn,p, atunci se poate
defini matricea produs Cm,p, de tip (m, p), ale crei elemente se calculeaz cu relaia:
cij = ai1b1 j + a i 2 b2 j +K+ a in bnj =

ik bkj

k =1

, i = 1,2 ,K , m

j = 1,2 ,K , p

(1.1.10)

Notaie: C = AB.
nmulirea matricelor are urmtoarele proprieti:
1. (AB)C = A(BC)
(asociativitate)
2. A(B + C) = AB + AC
(distributivitate la stnga fa de adunare)
dac Am,n, Bn,p, Cn,p
3. (A + B)C = AC + BC
(distributivitate la dreapta fa de adunare)
dac Am,n, Bm,n, Cn,p
4. Dac A este o matrice ptratic de ordinul n, atunci AIn = InA = A, unde In este matricea
unitate de ordinul n.
(element neutru la nmulire)
nmulirea unei matrice cu un scalar
Produsul unei matrice Am,n = (aij), i = 1,2,...,m, j =1,2, ...,n cu un numr (scalar) R este
o matrice Bm,n = (bij), i = 1,2,...,m, j =1,2, ...,n ale crei elemente se obin astfel:
bij = a ij , i = 1,2 ,K , m

Notaie: B = A = A.
nmulirea cu scalar are urmtoarele proprieti:

j = 1,2 ,K , n

(1.1.11)

1.
2.
3.
4.
5.

1A =A
( + )A = A + A
(A + B) = A + B
()A = (A)
(AB) = (A)B

Determinani
Definiia 1.1.2
Fie o matrice ptratic A de ordinul n.
Se numete determinantul lui A, numrul detA definit prin relaia:
det A =

( 1)

( 1 , 2 ,K, n )

a11 a 2 2 K a n n

(1.1.12)

unde
1 , 2 ,K n sunt toate elementele mulimii {1,2 ,K , n} , iar suma cuprinde toate
permutrile posibile ale acestora i
= 0 dac permutarea este par i = 1 dac permutarea este impar.

Notaie:
a11
a
det A = 21
K
a n1

a12
a 22
K
an2

K
K
K
K

K a1n
K a 2n
K K
K a nn

Definiia 1.1.3
O matrice ptratic A de ordinul n al crei determinant este diferit de zero (det A 0) se
numete matrice nesingular. n caz contrar, ea se numete matrice singular.

Rangul unei matrice

Fie A o matrice de tip (m, n). Dac n aceast matrice se aleg la ntmplare k linii i k
coloane (k min{m, n}), elementele aflate la intersecia acestora formeaz o matrice ptratic de
ordinul k. Determinantul acestei matrice se numete minor de ordinul k al matricei A.
Definiia 1.1.4
Se spune c o matricea A are rangul r dac:
A are un minor nenul de ordinul r i
toi minorii de ordin mai mare de r sunt nuli.

Notaie: rang A = r

Urmtoarea teorem este util pentru calcularea rangului unei matrice.

Teorema 1.1.1
Fie o matrice A Om,n. Numrul natural r este rangul matricei date dac:
exist un minor nenul de ordinul r al matricei A i
toi minorii de ordinul r + 1 (dac ei exist) sunt nuli.

Matrice inversabile
Se poate vorbi de inversa unei matrice doar n cazul matricelor ptratice
Definiia 1.1.5
Fie o matricea A ptratic de ordinul n. Se spune c A este inversabil dac exist o
matricea ptratic de ordinul n notat A-1 astfel nct:
AA 1 = A 1 A = I n

(1.1.13)

Urmtoarea teorem este util pentru a decide dac o matrice este inversabil.
Teorema 1.1.2
Fie o matricea A ptratic de ordinul n. Matricea A este inversabil dac i numai dac ea
este nesingular, adic det A 0.

Exemple:
a) adunarea matricelor
1 4 0 2 3 1 1 + 2 4 + 3 0 + 1 1 7 1

+
=
=
,
3 2 6 6 2 8 3 + 6 2 2 6 + 8 9 0 2
b) nmulirea matricelor
1 2
1 1 + 0 3 + 3 0
1 0 3
3 1 =

2 4 1 0 2 ( 2 ) 1 + 4 3 + 1 0

1 2 + 0 ( 1) + 3 2 1 8
,
=
( 2) 2 + 4 ( 1) + 1 2 10 6

c)nmulirea unei matrice cu un scalar

a 4 a 2a 4a
1 2 4 a 1 a 2

a 0 3 1 = a 0 a 3 a ( 1) = 0 3a a .
2 1 0 a 2 a 1
a 0 2a a
0

1.2 Ecuaii liniare

Ecuaiile liniare vor juca un rol foarte important n modelele matematice care vor fi
abordate n capitolele urmtoare. De aceea este util punctarea, n aceast seciune, a elementelor
necesare legate de acest subiect. Vor fi discutate aici i interpretrile geometrice care se pot face
n legtur cu ecuaiile liniare n dou variabile. De aceea, aceast categorie de ecuaii liniare va
fi scoas n eviden n mod deosebit.
Definiia 1.2.1
O ecuaie liniar n dou variabile, x i y, are forma general:
ax + by = c

(1.2.1)

unde a ,b , c R , iar a i b nu pot fi ambele zero.

Definiia 1.2.2
O ecuaie liniar n n variabile are forma general:
a1 x1 + a 2 x 2 +K+ a n x n = b

(1.2.2)

unde a1 , a 2 ,K , a n ,b R , iar a1 , a 2 ,K , a n nu pot fi toate zero.

Se observ c ecuaiile liniare sunt ecuaii de gradul nti: fiecare variabil de ecuaie este
(implicit) la puterea nti.
Definiia 1.2.2 generalizeaz definiia 1.2.1. Atunci cnd se lucreaz cu ecuaii n dou
variabile este posibil reprezentarea grafic a ecuaiilor.
Soluiile ecuaiei liniare
Definiia 1.2.3
Fie o ecuaie liniar n dou variabile ax + by = c . Se numete mulimea soluiilor
ecuaiei, mulimea perechilor ordonate (x, y) care satisfac ecuaia.
S=

{( x , y) | ax + by = c}

(1.2.3)

O observaie important este c, oricare ar fi o ecuaie liniar n dou variabile, mulimea

S a soluiilor are un numr infinit de elemente. Deci exist un numr infinit de perechi ordonate
(x, y) care satisfac ecuaia.
Pentru a determina o soluie a ecuaiei, se ia o valoare oarecare pentru una dintre
variabile, se substituie aceast valoare n ecuaie, dup care rezult cealalt component.

Definiia 1.2.4
Fie ecuaia liniar n n variabile (1.2.2). Se numete mulimea soluiilor ecuaiei,
mulimea n-uplelor ordonate (x1,...,xn) care satisfac ecuaia.
S=

{( x , x
1

,K , x n ) | a1 x1 + a 2 x 2 +K+ a n x n = b

(1.2.4)

Ca i n cazul ecuaiilor n dou variabile, mulimea S este infinit.

Reper cartezian
Definiia 1.2.5
O dreapt d pe care s-au luat: un punct O numit origine, un sens de parcurgere (pozitiv)
i o unitate de msur exprimat printr-un segment (considerat de lungime 1) se numete
ax de coordonate.

Notaie: Ox
Definiia 1.2.6
Fie (Ox, Oy) o pereche ordonat de axe de coordonate cu originea comun O. Acest
ansamblu se numete reper cartezian. Dac cele dou axe de coordonate sunt
perpendiculare, atunci reperul cartezian se numete drept sau rectangular.
Axa Ox se numete abscis, iar axa Oy se numete ordonat.

Notaie: xOy
y
M(x1, y1)

y1

x1

Folosind un reper rectangular, fiecare punct din plan

poate fi identificat unic printr-o pereche ordonat unic de
numere numite coordonatele punctului. Invers, fiecrei
perechi ordonate de numere (x, y) i corespunde un punct unic
n plan.
n figura 1.2.1 este figurat un punct M(x1, y1) ntr-un
reper ortogonal xOy.

Fig. 1.2.1

Reprezentarea grafic a unei ecuaii liniare

A reprezenta grafic o ecuaie liniar nseamn a reprezenta ntr-un reper ortogonal

mulimea S soluiilor sale. Fiecare soluie a ecuaiei (1.2.1) fiind o pereche ordonat de numere
(x, y), ea poate fi reprezentat ca un punct n plan. De exemplu, dac x =1 i y = 3 satisfac o
ecuaie liniar n dou variabile, atunci reprezentarea grafic a acestei soluii este punctul de
coordonate (1, 3) din plan.

Teorema 1.2.1
Mulimea S a soluiilor unei ecuaii liniare n dou variabile reprezentat grafic ntr-un
reper cartezian ortogonal este o dreapt.

Rezult c, pentru a face reprezentarea grafic a ecuaiei, este suficient s se determine

dou soluii ale sale. Fiecare soluie va fi reprezentat printr-un punct n reperul cartezian
bidimensional. Cele dou puncte determin dreapta care reprezint mulimea soluiilor ecuaiei.
Exemplu:

S se reprezinte grafic ecuaia 2x + 4y = 16.

Trebuie gsite dou soluii ale ecuaiei pentru a
determina dreapta care este reprezentarea tuturor soluiilor.

A(0, 4)

B(8, 0)

pentru x = 0 y = 4 (0, 4) este soluie

pentru y = 0 x = 8 (8, 0) este soluie
Reprezentarea este ilustrat n figura 1.2.2.

Fig. 1.2.2

Corespondena ntre mulimea soluiilor unei ecuaii de gradul nti n dou variabile i
mulimea punctelor din plan care formeaz o dreapt, face util trecerea n revist a ctorva
elemente privind geometria analitic a dreptei n plan.
Prima remarc n acest sens este c ecuaia liniar n dou variabile n form general
(1.2.1) coincide cu ecuaia unei drepte n form general.
Intersecii cu axele
Atunci cnd se fac reprezentri grafice ale unei drepte ntr-un reper cartezian, dou puncte
de interes sunt interseciile cu axele de coordonate.
Intersecia dreptei cu axa Ox este punctul care se obine fcnd y = 0.
Intersecia dreptei cu axa Oy este punctul care se obine fcnd x = 0.
n exemplul ilustrat n figura 1.2.2 aceste puncte au fost calculate i sunt A(0,4) i B(8,0).
Ecuaia x = k
O form particular a ecuaiei ax + by = c se obine pentru b =0. Ecuaia devine
ax = c sau x =

c
a

Notnd

c
= k rezult o forma particular
a

x=k
x=k
k

(1.2.5)

Aceast ecuaie liniar are un caracter special n

sensul c x este egal cu k, indiferent ct este valoarea lui y.
Consecina este c graficul unei astfel de ecuaii este o
dreapt paralel cu axa Oy.
O astfel de dreapt este trasat n figura 1.2.3.

Fig. 1.2.3

Ecuaia y = k
O alt form particular a ecuaiei ax + by = c se obine pentru a =0. Ecuaia devine
by = c sau y =

Notnd

c
b

c
= k rezult o forma particular
b

y=k

(1.2.6)

y=k

Aceast ecuaie liniar are un caracter special n

sensul c y este egal cu k, indiferent ct este valoarea lui x.
Consecina este c graficul unei astfel de ecuaii este o
dreapt paralel cu axa Ox.
O astfel de dreapt este trasat n figura 1.2.4.

Fig. 1.2.4

Rezolvai exerciiile 1 pn la 8 de la pagina 1 - 34.

Panta
Orice dreapt, cu excepia celor verticale, este caracterizat de pant. Panta indic
msura n care se modific valoarea lui y ca rspuns la o modificare a valorii lui x. Panta este
exprimat printr-un numr real. Semnul acestuia indic tendina cresctoare sau descresctoare a
dreptei.

Panta pozitiv indic un caracter cresctor al dreptei

adic, pe msura creterii valorilor lui x, cresc i valorile lui y
(ca dreapta d1 din figura 1.2.5).
d3 (0)
Panta negativ indic un caracter descresctor al
dreptei adic, pe msura creterii valorilor lui x, valorile lui y
d1 (+)
descresc (ca dreapta d2 din figura 1.2.5).
Valoarea zero a pantei arat c dreapta este paralel
d2 (-)
cu axa Ox (nu este nici cresctoare nici descresctoare, ca
O
x
dreapta d3 din figura 1.2.5).
Se consider c pentru dreptele paralele cu Oy panta
Fig. 1.2.5
este nedefinit (ca dreapta d4 din figura 1.2.5).
Nu numai semnul pantei este important, ci i valoare
absolut a acesteia. Cu ct valoarea absolut a pantei este mai mare, cu att variaia lui y este mai
mare n raport cu o aceeai cretere a lui x.
y

d4

y
d2
d2
d1

d1

x
Fig. 1.2.6

x
Fig. 1.2.7

n figura 1.2.6 sunt dou drepte care au pant pozitiv, dar panta lui d2 este mai mare
dect panta lui d1. n figura 1.2.7 sunt dou drepte care au pant negativ, dar panta lui d2 este
mai mare, n valoare absolut, dect panta lui d1.
Urmtoarea definiie sintetizeaz cele discutate mai sus i introduce o modalitate de calcul
a pantei unei drepte determinate de dou puncte.
Definiia 1.2.7
Fie punctele M(x1, y1) i N(x2, y2) cu x1 x2.
Se definete panta dreptei determinate de punctele M i N prin
m=

y 2 y1
x 2 x1

(1.2.7)

Figura 1.2.8 ilustreaz calcularea pantei definite prin relaia 1.2.7.

yy2

N(x2, y2)
y2 - y1

y1

M(x1, y1)

x2 - x1

x1

x2

Fig. 1.2.8

O alt interpretare a pantei este dat de urmtoarea definiie

Definiia 1.2.8
Panta dreptei este variaia valorii lui y atunci cnd x crete cu o unitate.

n conformitate cu definiia 1.2.8, dac o dreapt are panta 8 3 , aceasta nseamn c, dac
x crete cu o unitate, y va crete cu 8 3 uniti.
O alt interpretare a pantei rezult imediat din figura 1.2.8 n care se evideniaz faptul c
dreapta face cu abscisa un unghi msurat de la Ox n sens trigonometric (sensul contrar rotirii
acelor de ceasornic, aa cum indic sgeata).
Definiia 1.2.9
Panta dreptei este tangenta unghiului (msurat n sens trigonometric) pe care dreapta l
face cu axa Ox.
m = tg

(1.2.7')

n afar de ecuaia general (1.2.1), o dreapt mai poate avea i alte forme de ecuaii. Ele
sunt enumerate n continuare.
Ecuaia prin pant i tietur
Plecnd de la ecuaia general (1.2.1) se poate obine o nou form fcnd transformrile
de mai jos
ax + by = c by = ax + c

y=

c
a
x+
b
b

Notnd

a
c
= m i = k se obine
b
b
y = mx + k

x
Fig. 1.2.9

(1.2.8)

Relaia (1.2.8) se numete ecuaia dreptei prin

pant i tietur. Notaiile alese exprim tocmai
faptul c m este panta dreptei, iar k este tietura
acesteia cu axa Oy (figura 1.2.9).
ntr-adevr:
- pentru x = 0 se obine y = k, deci punctul de
coordonate (0, k) este intersecia dreptei cu Oy;
- pentru o cretere unitar x2 - x1 = 1 avem
y 2 y1 = mx 2 + k (mx1 + k ) = m( x 2 x1 ) = m , iar
relaia obinut arat c o cretere cu o unitate a lui x
determin o variaie cu m a lui y. Conform definiiei
1.2.8 rezult c m din relaia (1.2.8) este chiar panta
dreptei.

Ecuaia prin pant i un punct

Un alt caz este acela n care se cunoate panta m a dreptei i un punct (x0, y0) al acesteia.
Coordonatele punctului vor verifica, deci, ecuaia (1.2.8). Avem:
y 0 = mx 0 + k

k = y 0 mx 0

nlocuind expresia lui k n ecuaia prin pant i tietur (1.2.8), dup efectuarea calculelor
rezult expresia
y y 0 = m( x x 0 )

(1.2.9)

care se numete ecuaia dreptei prin pant i un punct.

Ecuaia prin dou puncte
y
B(x2, y2)
A(x1, y1)

x
Fig. 1.2.10

Dac se cunosc (figura 1.2.10) coordonatele a dou

puncte de pe dreapt A(x1, y1) i B(x2, y2), se poate determina o
nou form a ecuaiei plecnd de la faptul c A i B verific
att ecuaia prin pant i tietur (1.2.8) ct definiia 1.2.7 a
pantei. Astfel,

y1 = mx1 + k
y y1
m= 2
x 2 x1

y1 =

y 2 y1
x1 + k
x 2 x1

k = y1

y 2 y1
x1
x 2 x1

nlocuind acum relaiile pentru m i k n ecuaia prin pant i tietur (1.2.8), rezult
y=

y y1
y 2 y1
x1
x + y1 2
x 2 x1
x 2 x1

Prin prelucrarea relaiei de mai se sus se pot obine urmtoarele trei forme care reprezint
variante pentru ecuaia dreptei prin dou puncte:
y y1
y y1 = 2
( x x1 )
x 2 x1

(a )

y y1
x x1
=
y 2 y1 x 2 x1

(b)

x1

y1

1=0

x2

y2

(1.2.10)

( c)

Ecuaia prin tieturi

n cazul n care se cunosc interseciile dreptei cu axele,
A(a, 0) i B(0, b), acestea se pot nlocui ntr-una din formele
ecuaiei prin dou puncte, de exemplu (1.2.10b). Dup
prelucrri elementare rezult

y
B(0, b)

x y
+ 1= 0
a b

A(a, 0)

x
Fig. 1.2.11

(1.2.11)

cunoscut ca ecuaia dreptei prin tieturi.

Rezolvai exerciiile 9 pn la 18 de la pagina 1 - 34.

Poziiile relative a dou drepte

Dou drepte d1 i d2 sunt:
paralele dac i numai dac intersecia lor este mulimea vid;
coincidente dac i numai dac intersecia lor este o dreapt;
secante dac i numai dac intersecia lor este un punct.
Fie, atunci, dou drepte n form explicit, d1: y1 = m1x + k1 i d1: y2 = m2x + k2. Acestea sunt:

paralele dac i numai dac m1 = m2 i k1 k2;

coincidente dac i numai dac m1 = m2 i k1 = k2;
secante dac i numai dac m1 m2;
perpendiculare dac i numai dac m1m2 = -1.

Fie dou drepte n form general, d1: a1x + b1y = c1 i d2: a2x+ b2y = c2. Ele sunt:
a1 b1 c1
=
;
a 2 b2 c2
a
b
c
coincidente dac i numai dac 1 = 1 = 1 ;
a 2 b2 c2
a
b
secante dac i numai dac 1 1 ;
a 2 b2

paralele dac i numai dac

perpendiculare dac i numai dac a1a2 + b1b2 = 0.

Distane
Fiind date punctele A(x1, y1) i B(x2, y2), se arat uor,
aplicnd teorema lui Pitagora n triunghiul ABP (figura 1.2.12)
c distana ntre A i B este:

y
y2
y1

B(x2, y2)
A(x1, y1)

P(x2, y1)

x2

x1

AB =

( x 2 x1 )

+ ( y 2 y1 )

(1.2.12)

Fig. 1.2.12

Dndu-se dreapta h: ax + by = c i punctul P(x0, y0)

exterior acesteia (figura 1.2.13), se poate arta c distana de la
punctul P la dreapta h se calculeaz cu relaia:

y
P(x0, y0)

d ( P; h) =

h
O

ax 0 + by 0 c
2

a +b

(1.2.13)

x
Fig. 1.2.13

Reprezentri pentru ecuaii liniare n mai mult de dou variabile

Pentru ecuaii liniare n mai mult de dou variabile considerentele algebrice rmn
aceleai dar, reprezentrile grafice se schimb sau nu mai sunt posibile.
Ecuaiile liniare n trei variabile,de forma general

a1x1 + a2x2 + a3x3 = b

(1.2.14)

se reprezint grafic prin plane ntr-un reper cartezian tridimensional. Reprezentarea se face
aflnd punctele de intersecie ale planului cu axele de coordonate Ox1, Ox2, Ox3.
Proprietate. O ecuaie de forma xj = k, j = 1, 2, 3 va avea ca grafic un plan perpendicular
pe axa Oxj i care este situat la distana k de origine.
Pentru ecuaiile liniare n mai mult de trei variabile reprezentarea grafic nu este posibil.
Se folosete, n acest caz, noiunea de hiperplan ca fiind o reprezentare geometric abstract a
ecuaiei. Astfel, se spune c o ecuaie liniar n n variabile
a1x1 + a2x2 + ... + anxn = b,

n>3

este un hiperplan ntr-un spaiu cu n dimensiuni.

1.3 Sisteme de ecuaii liniare

Dup cum se va vedea n capitolul 2, multe fenomene din lumea real se pot modela cu
ajutorul sistemelor de ecuaii liniare. Aceast seciune le este dedicat.
Definiia 1.3.1
Se numete sistem (liniar) de m ecuaii cu n necunoscute ansamblul de ecuaii liniare
a11 x1 + a12 x 2 + K + a1n x n = b1
a x + a x + K + a x = b
21 1
22 2
2n n
2

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

a m1 x1 + a m2 x 2 + K + a mn x n = bm

a ij R , bi R
1 i m, 1 j n

(1.3.1)

Variabilele x1, x2, ..., xn R se numesc necunoscutele sistemului;

aij 1 i m, 1 j n se numesc coeficienii sistemului;
bi 1 i m se numesc termenii liberi.
Matricele
a11

a
A = 21
K

a m1

a12
a 22

K
a m2

K K a1n
a11

K K a 2n
~ a 21
i A =
K
K K K

K K a mn
a m1

a12
a 22

K
a m2

K a1n
K a 2n
K K
K a mn

b1

b2
K

bm

(1.3.2)

se numesc:
A(m, n) - matricea coeficienilor sistemului sau, simplu, matricea sistemului i

(m, n+1) - matricea extins a sistemului.

Dac pentru necunoscute i termenii liberi se folosesc vectorii coloan

x1

x
X = 2
M

xn

b1

b
B= 2
M

bm

(1.3.3)

atunci sistemul (1.3.1) se poate scrie sub forma matriceal

AX = B

(1.3.1')

Dimensiunea matricei sistemului fiind foarte important, adesea se folosesc expresiile

sistem m n sau sistem m pe n.
Un sistem liniar se numete omogen dac bi = 0, 1 i m deci dac termenii liberi sunt
toi nuli; n caz contrar sistemul se numete neomogen.
Definiia 1.3.2
Se numete soluie a unui sistem liniar de forma (1.3.1) un n-uplu (x1, x2, ..., xn) care
verific simultan toate cele m ecuaii ale acestuia.
Sistemul (1.3.1) se numete compatibil dac are cel puin o soluie i incompatibil n caz
contrar.
Un sistem compatibil se numete compatibil determinat dac are o singur soluie i se
numete compatibil nedeterminat dac are mai multe soluii.

Dup cum se vede i din definiia 1.3.2, problema fundamental n legtur cu un sistem
liniar este determinarea mulimii S a soluiilor sale, adic a tuturor n-uplelor care verific
simultan toate ecuaiile, precum i ncadrarea lui din acest punct de vedere. n legtur cu aceast
problem urmtoarele rezultate sunt eseniale.
Teorema 1.3.1 (Kronecker-Capelli)
Fie rangul matricei sistemului rang A = p i rangul matricei extinse rang = q.
Atunci sistemul (1.3.1) este compatibil dac i numai dac p = q.

Consecina imediat a teoremei Kronecker-Capelli este c stabilete situaiile n care se

poate afla un sistem liniar din punctul de vedere al numrului de soluii. Astfel, se poate
demonstra c este valabil urmtoarea
Clasificare

Fiind dat un sistem liniar de m ecuaii cu n necunoscute, exist urmtoarele trei

posibiliti i numai acestea:
I. sistemul este compatibil determinat (are soluie unic); aceasta se ntmpl dac
rangul matricei sistemului este egal cu rangul matricei extinse i egal cu numrul
necunoscutelor:
rang A = rang = n
II. sistemul este compatibil nedeterminat (are o infinitate de soluii); aceasta se ntmpl
dac rangul matricei sistemului este egal cu rangul matricei extinse, dar mai mic dect
numrul necunoscutelor:
rang A = rang i rang A < n
III. sistemul este incompatibil (nu are nici o soluie); aceasta se ntmpl dac rangul
matricei sistemului este mai mic dect rangul matricei extinse:
rang A < rang

Reprezentri grafice pentru sisteme de ecuaii cu dou necunoscute

n cazul sistemelor cu dou necunoscute ecuaiile se pot reprezenta ca drepte n plan, aa
cum a fost artat n paragraful 1.2.2. Un sistem de dou ecuaii cu dou necunoscute
a 1 x + b1 y = c1

a 2 x + b2 y = c2

(1.3.4)

se reprezint ca dou drepte n plan, iar mulimea soluiilor

S=

{( x , y) | a x + b y = c
1

a 2 x + b2 y = c2

(1.3.5)

va fi format din acele puncte care aparin simultan ambelor drepte care pot fi notate, respectiv,
d1 i d2. Interpretarea grafic duce la situaiile ilustrate n figurile 1.3.1, a, b i c.
y

d1

d1
d2

d2
d1

y0
x0

O
a)

x
b)
Fig. 1.3.1

d2
c)

n figura 1.3.1.a dreptele secante d1 i d2 sunt interpretarea geometric a unui sistem

compatibil determinat; punctul lor de intersecie reprezint soluia unic, adic S = {(x0, y0).
Dreptele paralele din figura 1.3.1.b sunt interpretarea geometric a unui sistem incompatibil;
absena punctelor comune ilustreaz lipsa soluiilor, adic S = . Figura 1.3.1.b este
reprezentarea grafic a unui sistem compatibil nedeterminat; dreptele d1 i d2 sunt coincidente,
ceea ce ilustreaz faptul c mulimea S este format dintr-o infinitate de soluii.
Interpretri geometrice sunt posibile i pentru sisteme m 2. Figurile 1.3.2, a, b i c
ilustreaz situaiile posibile pentru un sistem de 3 ecuaii cu dou necunoscute, respectiv sistem
compatibil determinat, sistem incompatibil i sistem compatibil nedeterminat.
y

y
d3

d1

d1
d2

d3

y0

d1
x0

d2

d3
a)

b)

d2

c)

Fig. 1.3.2

Reprezentrile grafice discutate mai sus sunt o ilustrare sugestiv a clasificrii pentru
sistemele liniare care este indus de teorema Kronecker-Capelli.
Definiia urmtoare i cele trei transformri care vor fi enunate dup aceasta sunt de mare
importan pentru cele ce vor fi abordate n restul acestui capitol, precum i n urmtorul.
Definiia 1.3.3
Dou sisteme de ecuaii se numesc echivalente dac au aceeai mulime S a soluiilor.

Definiia 1.3.4
Se numete transformare elementar asupra unui sistem de ecuaii liniare, aplicarea
uneia dintre urmtoarele operaii:
T1. nmulirea unei ecuaii cu un numr diferit de zero;
T2. Adunarea unei ecuaii la o alt ecuaie;
T3. Schimbarea ordinii ecuaiilor.

Evident, aplicarea fiecreia dintre cele trei transformri elementare asupra sistemului
determin o transformare a matricei extinse . De aceea se pot defini corespunztor
transformrile elementare ale acesteia.
Definiia 1.3.4'
Se numete transformare elementar asupra matricei extinse a unui sistem de ecuaii
liniare, aplicarea uneia dintre urmtoarele operaii:
T1. nmulirea unei linii cu un numr diferit de zero;

T2. Adunarea unei linii la o alt linie, element cu element;

T3. Schimbarea ordinii liniilor.

Aplicarea unei transformri elementare asupra sistemului nseamn aplicarea

transformrii elementare corespunztoare asupra matricei extinse i invers. De aceea, n
definiiile 1.3.4 i 1.3.4', s-a folosit aceeai numerotare a transformrilor.
Teorema 1.3.2
Orice sistem liniar se transform ntr-un sistem echivalent prin aplicarea unei succesiuni
arbitrare de transformri echivalente.

Fie acum un sistem de m ecuaii cu n necunoscute de forma (1.3.1), compatibil

(determinat sau nedeterminat) i fie rang A = rang = p; evident, p min(m, n). Rezult,
conform definiiei rangului, c exist cel puin un minor de ordinul p diferit de zero. Fie P(p,p)
matricea corespunztoare acestui minor. Pentru simplitate, dar fr a afecta generalitatea, se poate
presupune c P este format chiar din primele p linii i p coloane ale matricei A:
a11

a 21
P =
K

a p1

a12
a 22

K
a p2

K
K
K
K

K a1 p

K a2 p
K K

K a pp

(1.3.6)

Definiia 1.3.5
Determinantul matricei P, det(P) 0, se numete minor principal al sistemului (1.3.1).
Ecuaiile sistemului care corespund liniilor lui P se numesc ecuaii principale, iar
celelalte ecuaii se numesc ecuaii secundare.

Sistemul format cu ecuaiile principale este deci, conform relaiei (1.3.6),

a11 x1 + a12 x 2 + K + a1n x n = b1
a x + a x + K + a x = b
21 1
22 2
2n n
2

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

a p1 x1 + a p 2 x 2 + K + a pn x p = b p

(1.3.7)

Teorema 1.3.3
Sistemul (1.3.1) i sistemul (1.3.7) format cu ecuaiile principale sunt sisteme echivalente.

Din teorema 1.3.3 rezult c ecuaiile secundare ale unui sistem, dac exist astfel de
ecuaii, pot fi eliminate fr ca aceasta s modifice mulimea soluiilor. Se mai poate arta c
ecuaiile secundare sunt combinaii liniare ale ecuaiilor principale.
Definiiile 1.3.4 i 1.3.4', precum i teorema 1.3.2 permit introducerea unei metode foarte
convenabile de rezolvare a sistemelor de ecuaii liniare. Metoda permite, de asemenea, eliminarea
ecuaiilor secundare din cadrul sistemului astfel nct n final s se obin un sistem format numai
din ecuaii principale.
Rezolvarea sistemelor de ecuaii prin metoda eliminrii complete
Fie, pentru nceput, urmtorul exemplu de sistem de trei ecuaii cu trei necunoscute:
4 x1 2 x 2 x 3 = 9

x1 3 x 2 + 2 x 3 = 7
x + x + x =2
2
3
1

(1.3.8)

Rezolvnd sistemul folosind, de exemplu, regula lui Cramer, se obine soluia x1 = 2, x2 =

-1, x3 = 1. Cu alte cuvinte, sistemul (1.3.8) este echivalent cu sistemul
x1

x2

= 2
= 1
x3 = 1

(1.3.9)

Se pune problema cum s-ar putea face trecerea sistemului dat de la forma (1.3.8) la forma
final (1.3.9) aplicnd transformri elementare. Metoda eliminrii complete i propune tocmai
ca, prin transformri elementare, s aduc un sistem de la forma sa iniial la o form care s
permit citirea direct a soluiei. Deci, pentru un sistem 3 3,
a11 x1 + a12 x 2 + a13 x 3 = b1

a12 x1 + a 22 x 2 + a 23 x 3 = b2
a x + a x + a x = b
32 2
33 3
3
31 1

forma iniial

x1

...

transformri
elementare

x2

= v1
= v2
x3 = v2

(1.3.10)

soluie

De fapt, metoda acioneaz asupra matricei extinse a sistemului, deci asupra liniilor
acesteia se fac transformrile:
a11
a12
a 31

a12
a 22
a 32

a13 b1
a 23 b2
a 33 b3

...

1 0 0 v1
0 1 0 v2
0 0 1 v3

(1.3.11)

forma iniial

transformri
elementare

soluie

Dup cum se observ din (1.3.11), soluia sistemului, x1 = v1, x2 = v2, x3 = v3, poate fi citit
direct de pe matricea extins. Pentru sisteme de n ecuaii cu n necunoscute metoda este cunoscut
i sub numele de metoda Gauss-Jordan i const n transformarea unui sistem de ecuaii liniare
care are o matrice a coeficienilor ptratic, ntr-un sistem echivalent care are ca matrice a
coeficienilor, chiar matricea unitate.
Generalizarea pentru sisteme m n este simpl: ideea central a metodei eliminrii
complete este de a aduce matricea extins a sistemului la o form care s conin n partea
stng numrul maxim posibil de coloane ale matricei unitate.
Metoda se aplic iterativ, ncepnd cu coloana 1; la fiecare iteraie se obine o nou
coloan a matricei unitate pstrnd, bineneles, coloanele obinute la etapele anterioare.
Procesul de obinere a unei coloane a matricei unitate se numete pivotaj i se realizeaz
efectund transformri elementare asupra liniilor. Pivotajul se desfoar n dou etape care sunt
descrise n continuare.

Etapele pivotajului
Fie j coloana asupra creia se execut pivotajul. Pivotul va fi elementul ajj.
A. Se creeaz elementului egal cu 1 pe poziia (j, j). Pentru ca aceast lucru s fie posibil
trebuie ca ajj s fie nenul.
A1. Dac ajj 0, atunci se mparte linia j la valoarea ajj (se aplic T1) i se trece la
etapa B.
A2. Dac ajj = 0, se caut printre aj+1,j, ..., an,j (adic pe coloana j, sub ajj), un element
nenul;
Dac printre aj+1,j, ..., an,j se gsete un element akj 0 (j < k n), atunci se
inverseaz ntre ele liniile j i k (se aplic T3), se obine astfel ajj 0, dup
care se poate face 1 pe poziia (j, j) mprind linia j la valoarea ajj.
Dac printre aj+1,j, ..., an,j nu se gsete nici un element diferit de zero, atunci
se ntrerupe pivotajul pe aceast coloan i se trece la urmtoarea.
B. Se transform n zerouri toate elementele de pe coloan n afara pivotului. Pentru
aceasta se nmulete linia j, a pivotului, cu o valoare convenabil, adunnd-o apoi la
linia n care trebuie s se obin zeroul (se aplic T1, apoi T2). Astfel, obinerea pe
poziia (l, j) a unui zero n locul valorii alj, se face nmulind linia j (pe care se afl
pivotul ajj =1) cu valoarea -alj i adunnd-o la linia l.

Dup pivotajul unei coloane se fac urmtoarele verificri:

Verificarea 1. Se controleaz dac pe vreo linie s-au obinut zerouri n zona coeficienilor
sistemului i o valoare diferit de zero pe poziia termenului liber. n acest caz pivotajul se
ntrerupe: sistemul este incompatibil. Urmtorul exemplu ilustreaz de ce. S presupunem c,
pentru un sistem de trei ecuaii cu trei necunoscute se obine, la un moment dat, matricea extins

1 5 2 2
0 6 3 1
0 0
0 6

Aceasta nseamn c, prin transformri elementare, s-a ajuns de la sistemul iniial la sistemul
echivalent
x1 + 5x 2 2 x 3 = 2

6 x 2 + 3x 3 = 1

0 = 6

Faptul c, n forma la care s-a ajuns, ultima ecuaie nu are sens denot c att acest sistem ct i
cel iniial, cu care este echivalent, sunt incompatibile. Aceleai consideraii se pot face, evident,
pentru orice alt sistem adus n aceast situaie.
Verificarea 2. Se controleaz dac pe vreo linie s-au obinut numai zerouri, inclusiv pe
poziia termenului liber. Atunci linia respectiv poate fi eliminat pentru c ecuaia
corespunztoare ei este o combinaie liniar a celorlalte ecuaii din sistem (este o ecuaie
secundar). Se va continua rezolvarea sistemului rmas dup eliminarea ecuaiei secundare. De
exemplu, dac pentru un sistem de trei ecuaii cu trei necunoscute se obine, dup primul pivotaj,
matricea extins
1 5 2 2
0 0 0 0
0 3 8 6

atunci aceast matrice corespunde sistemului, echivalent cu cel iniial,

x1 + 5x 2 2 x 3 = 2

0=0

3x 2 + 8 x 3 = 6

Ecuaia a doua a sistemului iniial, fiind o combinaie liniar a celorlalte dou, a devenit
identitatea 0 = 0 i poate fi eliminat. Rmne de rezolvat un sistem cu dou ecuaii.
Exemplul 1.3.1
4 x1 2 x 2 x 3 = 9

S se rezolve sistemul (1.3.8): x1 3x 2 + 2 x 3 = 7

x + x + x =2
2
3
1

Este convenabil, dar nu obligatorie, organizarea calculelor ntr-o form tabelar ca cea alturat.
4
-2
-1
9
( 14)
Pentru fiecare coloan se observ cele
1
-3
2
7
dou etape ale pivotajului:
1
1
1
2
9
12
14
1
(-1)
(-1)
4
A. Stabilirea pivotului i aducerea sa
1
-3
2
7
la valoarea 1; n aceast etap este
1
1
1
2
notat alturi de tabel valoarea
1
1
9

convenabil cu care trebuie

1
2
4
4
9
19
nmulit linia.
52
0
4
4
( 2 5 )
B.
Crearea de zerouri pe restul
3
5
14
0
2
4
coloanei; pentru aceast etap sunt
9
12
14
1
4
notate alturi valorile convenabile
1
9 10
19 10
32
0
1
2
cu care trebuie nmulit linia
3
5
14
0
pivotului nainte de a fi adunat o
2
4
7
13
alt linie, iar sgeile indic liniile la
10
10
1
0
9
19
care se face adunarea.

0
1
10
10
13
13
0
0
5
5
( 513)
1
0
0

0
1
0

7 10
9 10

1310
19 10

1
0
0

0
1
0

0
0
1

2
-1
1

(9 10)

(7 10)

Exemplul 1.3.2
4 x1 2 x 2 x 3 = 9
x 3x + 2 x = 7

2
3
S se rezolve sistemul: 1
+

7
x
10
x
8
x
2
3 = 34
1
x1 + x 2 + x 3 = 2

Succesiunea de sisteme echivalente obinute prin aplicarea transformrilor elementare este

ilustrat de matricele extinse corespunztoare:
2 1 1 2
1 4 2 10
7 10 8 34
1 2 2 10

1 12 12 1
1 4
2 10
7 10 8 34
1 2
2 10

1 12 12
0 9 2 32
0 27 2 9 2
0 32 52

1
9
27
9

1 12 12
0 1 13
0 27 2 9 2
0 32 52

1
2
27
9

1 0 23
0 1 13

0 0 0
0 0
2

2
2
0
12

S-a obinut o linie( a treia)

format numai din zerouri,
inclusiv termenul liber; conform
verificrii 2, ea va fi eliminat

1 0 06
1 0 23 2
1
0 1 3 2 0 1 04
0 0 16
0 0 1 6

Sistemul este compatibil

determinat i are soluia:
x1 = 6; x2 = 4; x3 = 6

Exemplul 1.3.3
2 x1 + x 2 + 3x 3 = 12

S se rezolve sistemul: x1 + 2 x 2 + 5x 3 = 10
6 x 3x 9 x = 24
1
2
3

Succesiunea de sisteme echivalente obinute prin aplicarea transformrilor elementare este

ilustrat de matricele extinse corespunztoare:
1 12 3 2 6
2 1
3 12
5 10
1
2
5 10 1 2
6 3 9 24
6 3 9 24

1 12 3 2 6
13
0 52
2 16
0 0
0 60

Ultima linie a matricei extinse la care s-a ajuns a fost scoas n eviden pentru c arat c
s-a ajuns la o situaia care, conform verificrii 1, semnaleaz un sistem incompatibil.

Exemplul 1.3.4
x1 + x 2 + x 3 = 20

S se rezolve sistemul: 2 x1 3x 2 + x 3 = 5
6 x 4 x + 4 x = 30
2
3
1

Succesiunea de sisteme echivalente obinute prin aplicarea transformrilor elementare este

ilustrat de matricele extinse corespunztoare:
1
1
1 20
1
1
1 20
1 1 1 20
1
9
1
2 3 1 5 0 5 1 45 0
5
0 10 2 90
0 10 2 90
6 4 4 30

1
0

0
1

0 0

4
1

5
5

11
9

0 0

Dup eliminarea ecuaiei secundare reprezentate de linia a treia format doar din zerouri
rmne un sistem compatibil nedeterminat care are necunoscutele principale x1 i x2, iar
necunocuta secundar este x3. Notnd x3 cu R rezult c soluiile se pot scrie:
4

x1 = 11 5
,

1
x2 = 9
5

Este clar c, aplicnd verificarea 2 dup fiecare pivotaj, se vor elimina pn n final toate
ecuaiile secundare (dac au existat astfel de ecuaii), iar sistemul rmas va fi format numai din
ecuaii principale, iar matricea unitate obinut va avea ordinul egal cu numrul de ecuaii.
Rezolvai exerciiile 19 pn la 24 de la pagina 1-34.
Definiia 1.3.6
Se spune c un sistem de ecuaii liniare este explicitat dac matricea sistemului conine
toate coloanele matricei unitate de ordin egal cu numrul ecuaiilor sistemului.

Conform definiiei 1.3.6, pentru un sistem compatibil, aplicarea metodei eliminrii

complete duce n final la o form explicit a acestuia. Se poate spune, deci, c rezolvarea
sistemului este acelai lucru cu explicitarea sa.
Pe de alt parte, dei s-a enunat faptul c metoda eliminrii complete se aplic coloan cu
coloan ncepnd cu prima, trebuie remarcat c definiia 1.3.6 presupune doar prezena tuturor
coloanelor matricei unitate i nu oblig neaprat ca ea s formeze un bloc n cadrul matricei
sistemului. Aceast observaie se va dovedi important ceva mai trziu.
Teorema urmtoare asigur c, folosind metoda eliminrii complete, se ajunge la o
concluzie asupra naturii sistemului liniar studiat.
Teorema 1.3.4
Fie sistemul liniar (1.3.1) de m ecuaii cu n necunoscute. Printr-un numr finit de
transformri elementare se obine fie rezultatul c sistemul (1.3.1) este incompatibil, fie o
form explicit a unui sistem echivalent cu (1.3.1).

Definiia 1.3.7
Fie un sistem de ecuaii liniare adus la o form explicit.
Variabilele care corespund coloanelor matricei unitate se numesc variabile principale sau
variabile de baz, iar celelalte variabile se numesc variabile secundare sau variabile
nebazice.

Vom insista n continuare asupra sistemelor compatibile, n special asupra celor

compatibile nedeterminat.
innd cont de teorema 1.3.3 i de faptul c prin aplicarea verificrii 2 n metoda
eliminrii complete se elimin ecuaiile secundare, vom considera pentru moment c un sistem
compatibil nedeterminat are forma (1.3.1), dar ecuaiile secundare sunt eliminate de la nceput.
Aa cum se vede i din exemplul 1.3.1, un sistem compatibil determinat nu are dect
variabile principale. Aducerea sa la forma explicit nseamn obinerea unui sistem echivalent
care are n partea stng a matricei extinse doar matricea unitate i nimic altceva. n aceast
form, soluia poate fi citit direct de pe ultima coloan, cea corespunztoare termenilor liberi.
Reinnd i presupunerea c sistemul nu are ecuaii secundare, rezult c poate fi compatibil
determinat doar un sistem n n.
De un interes deosebit pentru elementele de programare liniar care vor fi abordate n
capitolul 2 sunt, ns, sistemele compatibile nedeterminat. Conform teoremei 1.3.3, un astfel de
sistem are rangul egal cu numrul ecuaiilor, iar numrul ecuaiilor este mai mic dect numrul de
necunoscute (m < n). El va avea m necunoscute principale i n-m necunoscute secundare. Orice
form explicit a sistemului va conine, conform definiiei 1.3.6, toate coloanele matricei unitate
de ordin egal cu numrul ecuaiilor. Un astfel de sistem a fost rezolvat n exemplul 1.3.4. Pentru
forma explicit obinut, variabilele principale sunt x1, x2, iar variabila secundar este x3.
Variabilele principale se exprim n funcie de variabilele secundare care pot primi orice valori
reale; n acest fel se obine infinitatea de soluii care a fost enunat la punctul II al clasificrii
induse de teorema Kronecker-Capelli. Dintre soluii, unele au o importan special i sunt
definite n continuare.
Definiia 1.3.8
Se numete soluie de baz a sistemului liniar (1.3.1) de m ecuaii cu n necunoscute orice
soluie a sistemului obinut n cadrul unei forme explicite prin egalarea cu zero a
variabilelor secundare.
Dac soluia de baz are exact m componente nenule ea se numete nedegenerat, iar
dac are mai puin de m componente nenule ea se numete degenerat.

Conform definiiei 1.3.8 rezult c soluia de baz a formei explicite la care s-a ajuns
poate fi citit direct din matricea extins a acesteia. Ea formeaz ultima coloan, cea
corespunztoare termenilor liberi. Exerciiul din exemplul 1.3.4 este o ilustrare imediat.
Tot din definiia soluiei de baz rezult c, n cadrul acesteia, cel puin n - m variabile
sunt nule, adic variabilele secundare. Este, ns, posibil ca, din explicitare, s rezulte i printre
variabilele principale unele egale cu zero. Se poate face, din acest punct de vedere, urmtoarea
clasificare a soluiilor de baz ale unui sisteme liniar.
Definiia 1.3.9
Dac o soluie de baz are exact m componente nenule, ea se numete nedegenerat, iar
dac are mai puin de m componente nenule se numete degenerat.

Explicitarea unui sistem liniar n raport cu un grup dat de m variabile

Pn acum s-a pus problema de a explicita un sistem liniar fr a interesa care vor fi
variabilele principale al sistemului aflat sub form explicit; s-a considerat c ele sunt chiar
primele, n ordine ncepnd cu x1. Mai mult, s-a considerat c sistemele discutate nu au ecuaii
secundare pentru c, aplicnd verificarea 2 la sfritul fiecrui pivotaj, acestea sunt oricum
eliminate.
n continuare vom renuna la ideea simplificatoare c sistemul nu are ecuaii secundare i
nici nu vom mai aplica verificarea 2, prin care se elimin aceste ecuaii, n cadrul metodei
eliminrii complete. Aceasta deoarece sistemelor liniare despre care se discut n acest capitol i
n urmtorul nu sunt simple exerciii. Ele trebuie privite ca modele ale unor situaii din lumea
real: costuri sau profituri ntr-un fenomen economic, combinaii ale unor factori tehnologici ntrun proces industrial sau agricol etc. Prin urmare, nu se poate renuna la vreuna dintre ecuaiile
sistemului pe motiv c ea este combinaie liniar a celorlalte, pentru c astfel s-ar ignora
fenomenul pe care aceasta l descrie n cadrul modelului.
Tot n acest context, al modelrii unui fenomen din lumea real, trebuie privit i situaia
urmtoare: se pune problema de a explicita un sistem de m ecuaii cu n necunoscute n raport cu
un grup dat de m variabile (principale). Acest lucru nu este ntotdeauna posibil. Astfel, innd
cont de ceea ce s-a discutat pn acum, n cazul unui sistem compatibil care are ecuaii
secundare (reductibile) nu se poate face explicitarea n raport cu nici un grup de m variabile. Ba
chiar i n cazul unui sistem compatibil fr ecuaii secundare s-ar putea ca explicitarea n raport
cu anumite grupuri de m variabile s nu fie posibil.
Deci, explicitarea n raport cu un grup dat de m variabile cere s se realizeze prin
transformri elementare toate cele m coloane ale matricei unitate de ordinul m, dar acestea s
apar n anumite coloane ale matricei extinse. Pentru aceasta, se stabilesc cele m coloane care vor
fi supuse pivotajului (nu neaprat primele) i se ncepe procesul de la stnga spre dreapta.
Presupunnd c s-a fcut pivotajul primelor r-1 coloane din cele m alese, la pasul r se procedeaz
astfel:
Pe a r-a coloan aleas se stabilete poziia l (linia) unde se dorete s fie pivotul
Pivotajul se face n cele dou etape, uor modificate fa de varianta descris anterior.
A. Se creeaz elementului egal cu 1 pe poziia (l, r). Pentru ca aceast lucru s fie posibil
trebuie ca alr s fie nenul.
A1. Dac alr 0, atunci se mparte linia l la valoarea alr (se aplic T1) i se trece la
etapa B.
A2. Dac alr = 0, se caut pe coloana r supus pivotajului un element nenul care s
poat fi adus pe poziia (l, r) prin schimbarea ordinii liniilor (transformarea T3).
Elementul cutat trebuie s nu fie pe una din liniile pe care se afl deja pivoi
egali cu 1 realizai n cele r-1 etape anterioare. Adic, prin aplicarea transformrii
T3, coloanele din matricea unitate realizate pn atunci trebuie s nu fie distruse
aj+1,j, ..., an,j (adic pe coloana j, sub ajj), un element nenul;
Dac pe coloana r se gsete un element akr 0 care s poat fi adus pe
poziia (l, r) fr a afecta coloanele din matricea unitate deja construite,
atunci se inverseaz ntre ele liniile k i l (se aplic T3); se obine astfel alr
0, dup care se poate face 1 pe poziia (l, r) mprind linia l la valoarea alr.
Dac pe coloana r nu se gsete nici un element diferit de zero care s poat
fi adus pe poziia (l, r) fr a afecta coloanele din matricea unitate deja

construite, atunci se ntrerupe pivotajul i se trage concluzia c sistemul nu

poate fi explicitat n raport cu grupul de m variabile cerut.
B. Se transform n zerouri toate elementele de pe coloan n afara pivotului (aa cum a
fost artat deja).
Cele dou verificri care trebuiau fcute la varianta anterioar nu mai sunt necesare pentru
c, pe de o parte, am presupus c ne plasm n situaia unor sisteme compatibile nedeterminat
(singura interesant pentru scopurile noastre) i, pe de alt parte, eliminarea ecuaiilor secundare
nu este de dorit pentru c ele fac parte din modelarea procesului studiat.
Din cele expuse pn aici, fiind dat un sistem liniar de m ecuaii cu n necunoscute avnd
m < n, cu cele n variabile ale sistemului se pot forma Cnm grupuri diferite de m variabile. De
aceea, pentru un astfel de sistem este valabil teorema urmtoare.
Teorema 1.3.5
Dac un sistem liniar de m ecuaii cu n necunoscute admite cel puin o form explicit,
atunci el va admite cel mult Cnm forme explicite.

Prin definiia 1.3.8 s-a introdus noiunea de soluie de baz i s-a stabilit c fiecrei forme
explicite a sistemului i corespunde o unic soluie de baz. Se poate ntmpla, desigur, ca la dou
forme explicite s corespund o aceeai soluie de baz. innd cont i de teorema 1.3.5 rezult
Teorema 1.3.6
Dac un sistem liniar de m ecuaii cu n necunoscute are cel puin o soluie de baz, atunci
el va admite cel mult Cnm soluii de baz.

n definiia 1.3.9 s-a stabilit o clasificare a soluiilor de baz n nedegenerate i

degenerate. Se mai poate face o clasificare dup alt criteriu; ea va fi util n tratarea problemelor
de programare liniar din capitolul urmtor.
Definiia 1.3.10
Dac ntr-o soluie de baz toate variabilele au valoare nenegativ, atunci soluia se
numete admisibil sau fezabil. Dac n soluia de baz mcar o variabil ia valoare
negativ, atunci ea se numete neadmisibil sau nefezabil.

Din cele discutate pn acum rezult c, plecnd de la o form explicit, printr-un pivotaj
convenabil, se poate ajunge la una din urmtoarele situaii:
o nou form explicit care difer de prima printr-o variabil principal;
se stabilete c noua form explicit la care se dorea s se ajung nu exist.
Orice form explicit a sistemului are m variabile principale i n-m variabile secundare.
Formele explicite difer ntre ele tocmai prin grupul de variabile principale. De aceea, atunci
cnd se face trecerea de la o form explicit la alta prin pivotaj, una din variabilele secundare
devine variabil principal (sau de baz), iar una din variabilele principale de pn atunci trebuie
s devin secundar (sau nebazic) pentru ca numrul de m variabile principale s rmn
constant. Se spune c, prin pivotaj, o variabil secundar intr n baz, iar o variabil principal

iese din baz. O justificare mai riguroas a acestor expresii este posibil dac se trateaz
sistemele de ecuaii liniare prin prisma structurilor algebrice care se numesc spaii liniare (sau
spaii vectoriale).
Corespunztor formelor explicite sunt soluiile de baz ale sistemului. n rezolvarea
problemelor de programare liniar vor interesa soluiile de baz corespunztoare diferitelor forme
explicite precum i trecerea de la una la alta dintre acestea.
Calcularea inversei unei matrice folosind metoda eliminrii complete
Metoda eliminrii complete ofer o modalitate comod de calculare a inversei unei
matrice. Dup cum s-a vzut n seciunea 1.1, o matrice ptratic de ordinul n este inversabil
dac se poate determina o matrice, notat A-1, astfel nct AA-1 = A-1A = In, unde In este matricea
unitate de ordinul n.
Calcularea lui A-1, dac aceasta exist, se poate face cu metoda eliminrii complete. Vom
ilustra acest lucru pe o matrice ptratic de ordinul 2, generalizarea la matrice de orice ordin n
fiind imediat.
Fie, deci, matricea A(2,2) pe care o presupunem inversabil:
a
A = 11
a 21

a 12

a 22

(1.3.9)

Calcularea inversei lui A nseamn determinarea elementelor necunoscute ale matricei

x
A 1 = 11
x 21

x12

x 22

(1.3.10)

astfel nct AA-1 = A-1A = I2, adic

a11

a 21

a12 x11

a 22 x 21

x12 1 0
=

x 22 0 1

(1.3.11)

a11 x12 + a12 x 22 1 0

=
a 21 x12 + a 22 x 22 0 1

(1.3.12)

Dezvoltnd relaia (1.3.11) se obine succesiv

a11 x11 + a12 x 21

a 21 x11 + a 22 x 21

a11 x11 + a12 x 21 = 1

a 21 x11 + a 22 x 21 = 0

a11 x12 + a12 x 22 = 0

a 21 x12 + a 22 x 22 = 1

(1.3.13)

Cele dou sisteme au, respectiv, matricele extinse

a11
a 21

a12 1
a 22 0

a11
a 21

a12 0
a 22 1

(1.3.14)

Ambele sisteme se pot rezolva prin metoda eliminrii complete i, n cazul n care sunt
compatibile determinat, duc la forme explicite pe care se pot citi direct soluiile
1 0 b11
0 1 b21

x11 = b11

x 21 = b21

1 0 b12
0 1 b22

(1.3.15)

x12 = b12

x 22 = b22

(1.3.16)

n acest fel s-au determinat elementele matricei A-1, adic

x
A 1 = 11
x 21

x12 b11 b12

=

x 22 b21 b22

(1.3.17)

Sistemele (1.3.13) au, ambele, aceeai matrice a coeficienilor, aa cum se vede i din
matricele extinse (1.3.14). De aceea, ele pot fi rezolvate simultan scriind mpreun cele dou
matrice extinse. n acest fel se poate calcula A-1 plecnd de la tabloul n care matricea A ocup
partea stng, iar matricea unitate partea dreapt. Se aplic metoda eliminrii complete pn cnd
se ajunge la tabloul care are n stnga matricea unitate, moment n care n partea dreapt apare
matricea A-1.
Dac nu se poate obine un tablou final care s conin n partea stng matricea unitate,
atunci se trage concluzia c matricea dat nu este inversabil.
Exemplul 1.3.5
2 0 1

S se determine inversa matricei A = 2 1 1

3 1 1

Aplicnd metoda descris se obin succesiv tablourile

2 0 1 1 0 0
2 1 1 0 1 0
3 1 1 0 0 1

1 0 12 12 0 0
2 1 1 0 1 0
3 1 1 0 0 1

1 0 12 12 0 0
0 1 2 1 1 0
0 1 52 32 0 1

0 0
1 0 12 12
0 1 2 1 1 0
0 0 12 12 1 1

S-a obinut matricea invers A

1 0 12 12 0 0
0 1 2 1 1 0
0 0 1 1 2 2

1 0 0 0 1 1
0 1 0 1 5 4
0 0 1 1 2 2

0 1 1

= 1 5 4
1 2 2

Exemplul 1.3.6
0
1
2

1 1
S se determine inversa matricei A = 3
2 2 4

1
1
1 0 12 12 0 0
0 0
1 0
2
0
1 1 0 0
2
2
3
1 1 0 1 0 K 0 1 52 32 1 0 0 1 52 32 1 0
0 0 0 2 2 1
1 0 1
0 2
5
2 2 4 0 0 1

Ultima linie a tabloului final indic incompatibilitatea sistemelor care stau la baza
acestuia. Concluzia care trebuie tras este c matricea dat nu este inversabil.
Rezolvai exerciiile 25 i 26 de la pagina 1-34.

1.4 Inegaliti liniare i sisteme de inegaliti liniare

n aplicaiile metodelor matematice n lumea real apar adesea situaii n care anumite
laturi ale unui fenomen se modeleaz nu prin ecuaii liniare, ci prin inegaliti liniare. O
inegalitate liniar se obine dac n expresia formei generale a unei ecuaii liniare se n locuiete
semnul = cu unul din semnele <, >, , . Vom ncepe cu discutarea inegalitilor i sistemelor de
inegaliti n dou variabile deoarece acestea pot fi interpretate geometric.
Inegaliti i sisteme de inegaliti n dou variabile
Definiia 1.4.1
Se numete inegalitate liniar sau inecuaie liniar n dou variabile, x i y, expresia:
<


ax + by c

>

(1.4.1)

unde acoladele semnific faptul c, pe poziia respectiv, trebuie folosit, dup caz, unul
din cele patru simboluri.
Se numete soluie a inegalitii liniare date mulimea perechilor ordonate (x, y) care
satisfac (1.4.1).

Ca i n cazul ecuaiilor, a reprezenta grafic o inegalitate liniar n dou variabile

nseamn a reprezenta mulimea soluiilor sale care va fi, evident, o mulime de puncte n plan.
Pentru aceasta se pleac de la ecuaia corespunztoare ax + by = c (care se numete ecuaia
ataat inecuaiei date). Dup cum s-a artat, reprezentarea ei n plan este o dreapt, deci
mulimea punctelor reprezint geometric mulimea soluiilor ecuaiei. Tot de aici mai rezult i c
pentru orice punct M(x, y) din plan care nu este pe aceast dreapt vom avea ori ax + by < c, ori
ax + by > c. Un astfel de punct se vede n figura 1.4.1.
y
d

M(x, y)

x
Fig. 1.4.1

Dreapta d: ax + by = c mparte planul n dou regiuni

care se numesc semiplane. n acest context ea este frontiera
celor dou semiplane. n figura 1.4.1 cele dou semiplane sunt
colorate cu nuane diferite. Atunci cnd vorbim de unul dintre
semiplane putem s includem n el i frontiera, caz n care el se
numete semiplan nchis. Dac frontiera nu este inclus, avem
un semiplan deschis.
Cele dou semiplane determinate de dreapta d au
importan pentru c ele reprezint mulimile soluiilor pentru
cele patru forme de inecuaii exprimate prin (1.4.1).

Astfel, se poate demonstra c:

Mulimea soluiilor inecuaiei ax + by < c este unul din semiplanele deschise
determinate de dreapta ax + by = c; cellalt semiplan deschis reprezint mulimea
soluiilor inecuaiei ax + by > c;
Pentru inecuaiile ax + by c i ax + by c mulimile soluiilor sunt reprezentate
respectiv de semiplanele nchise aflate de o parte i de alta a dreptei ax + by = c.
Din cele de mai sus rezult c, pentru a rezolva o inecuaie linar:
se traseaz dreapta corespunztoare ecuaiei ataate;
se alege un punct din plan care nu aparine dreptei ataate i se nlocuiesc
coordonatele acestuia in expresia inecuaiei;
dac expresia rezultat dup efectuarea calculelor este logic corect, atunci soluia
inecuaiei este reprezentat de ntregul semiplan n care se afl punctul testat, iar n
caz contrar soluia este reprezentat de cellalt semiplan;
se ia ca soluie semiplanul determinat, deschis dac inegalitatea din enun este
strict i nchis dac inegalitatea admite i posibilitatea de egal.
Un set de inegaliti liniare formeaz un sistem de inegaliti (sau inecuaii) liniare.
Pentru sistemele n dou variabile este posibil rezolvarea grafic prin determinarea interseciei
semiplanelor care reprezint soluiile inecuaiilor.

Exemplu. S se rezolve urmtorul sistem de inegaliti liniare n dou variabile:

4 x y 8

x y 1
x + 2 y 2

Soluia grafic este reprezentat n figura 1.4.2 prin punctele din interiorul, precum i de
pe laturile triunghiului ABC care reprezint intersecia semiplanelor determinate de cele trei
inegaliti din enun. Vrfurile triunghiului au coordonatele A(0,1), B(2, 0), C(3, 4).
y

y
d2

d3

d2

d1
B
Fig. 1.4.2

d1

x O

x
Fig. 1.4.3

x
Fig. 1.4.4

Un sistem de inegaliti liniare poate fi compatibil, dac are cel puin o soluie, deci exist
mcar o pereche de valori (x, y) care s verifice toate inecuaiile, sau incompatibil, n caz contrar.
De exemplu, n figura 1.4.3 este artat un sistem de dou inegaliti incompatibil. n legtur cu
sistemele de inegaliti compatibile, are importan dac sistemul are soluie mrginit sau
soluie nemrginit. O definire riguroas a mulimilor mrginite i nemrginite cere o tratare
mult prea ampl pentru scopurile pe care ni le-am propus aici, dar reprezentri grafice intuitive
sunt suficiente. Astfel, soluia sistemului din figura 1.4.2 este mrginit, n timp ce sistemul din
figura 1.4.4 are soluie nemrginit.
Astfel, o inegalitatea liniar n n variabile are expresia
<


a 1 x1 + a 2 x 2 + K + a n x n b

>

(1.4.1)

n acest capitol au fost trecute n revist cteva noiuni elementare de matematic liniar.
Ele vor fi utilizate n capitolele 2 i 3 ca suport pentru introducerea tehnicilor de optimizare
denumite generic programare liniar.

Exerciii
S se traseze dreptele de ecuaii generale
1) 3x 4 y = 24

2) 4 x y = 16

3) 2 x + 3 y = 18

4) x 2 y = 10

5) 15 x = 20

6) x = 0

7) 4 y = 0

8) y = 0

S se traseze dreptele la care se cunosc

9 ) panta = 3, taietura =(0 ,5)

10 ) panta = 3, punctul (2 ,4 ) apartine dreptei

13) panta = 0 , taietura =(0 ,0 )

14 ) panta = 1 4 , punctul ( 2 , 4 ) apartine dreptei

11) panta = 2 ,5, taietura =(0 ,5)

12 ) panta = a , punctul (0 ,0 ) apartine dreptei

15) punctele(2,1), (4,9 ) apartin dreptei

16 ) punctele (a ,5), (a , 3) apartin dreptei
17 ) punctele( 1,3), (2, 9 ) apartin dreptei 18) punctele (3,b ), (7 ,b ) apartin dreptei

S se rezolve urmtoarele sisteme liniare folosind metoda eliminrii totale

19 )

x1 + x 2 + x3 = 2

x1 3 x 2 + 2 x3 = 7
4 x 2 x x = 9
2
3
1

21)

x1 + x 2 + x3 = 0

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

20 )

4 x1 + 12 x 2 + 4 x3 = 40

x1 + x 2 6 x3 = 10
x + 3 x x = 10
2
3
1

22 )

2 x1 + 4 x 2 2 x3 = 10

3 x1 x 2 + 4 x3 = 12
x 2 x + x = 0
2
3
1

x1 + 3 x 2 + x3 = 7
4 x1 + 2 x 2 5 x3 = 13

23) 3 x1 9 x 2 3 x3 = 14
24 ) x1 + x 2 + x3 = 2
4 x + 2 x 2 x = 24
2 x x 3 x = 3
2
3
2
3
1
1
S se determine inversele urmtoarelor matrice, dac acestea exist, utiliznd metoda eliminrii
totale.

25)

0 3 1

1 1 0
2 3 3

26 )

5
2
3

1
0
4
9 15 6

2
Introducere n
programarea liniar
2.1 Structura unei probleme de programare liniar
2.2 Rezolvarea grafic a problemelor de programare liniar n dou variabile

Obiectivele capitolului
nelegerea structurii modelelor de programare liniar i semnificaiei elementelor care intr n
componena acestora
Ilustrarea varietii aplicaiilor care pot fi tratate prin programare liniar
nelegerea mecanismelor care stau la baza modelelor de programare liniar prin descrierea
intuitiv oferit de rezolvrile grafice
Discutarea situaiilor speciale care pot aprea n rezolvarea unei probleme de programare
liniar
Acest capitol este dedicat introducerii noiunilor de baz legate de programarea liniar
(PL), o metod de optimizare care s-a dezvoltat n a doua jumtate a secolului al douzecilea.
Tehnica programrii liniare are o larg arie de aplicabilitate n cele mai diverse domenii de
inginerie: economic, agricol, industrial. n prezent exist implementri software puternice cu
ajutorul crora se pot rezolva pe calculator probleme de programare liniar de mare complexitate.
Cu toate acestea, studierea modelului este necesar pentru c, far o nelegere corect a acestuia,
exploatarea corect a unui program de calculator dedicat rezolvrii problemelor de programare
liniar nu este posibil. n acest capitol va fi abordat i rezolvarea grafic a problemelor PL care,
dei se poate aplica doar problemelor n dou variabile, are avantajul de a oferi o imagine
intuitiv a conceptelor implicate ntr-un program liniar. Noiunile de algebr liniar introduse n
capitolul precedent i vor gsi aici utilizarea.

2.1 Structura unei probleme de programare liniar

Programarea liniar (PL) este o metod de optimizare matematic. Prin metod de
optimizare se nelege o tehnic al crei scop este s gseasc cea mai bun soluie pentru
atingerea unui anumit obiectiv. n multe cazuri obiectivul este exprimat printr-o valoare
numeric; de aceea, optimizarea poate nsemna, dup caz, maximizarea sau s minimizarea sa.
De exemplu, dac ntr-un mecanism economic obiectivul urmrit este profitul, este clar c se va

urmri obinerea celei mai mari valori posibile: problema este, deci, de maximizare. ntr-o alt
situaie, cum ar fi un proces de producie, agricol sau industrial, obiectivul urmrit s-ar putea
referi la consumuri (de materii prime, de energie etc.) n aceste caz problema va fi, bineneles, de
minimizare.
Programarea liniar face parte dintr-o colecie mai mare de discipline matematice care sau dezvoltat puternic n a doua jumtate a secolului al douzecilea i care au ca trstur comun
o puternic legtur cu situaii care apar n desfurarea proceselor din lumea real. Aceste
discipline au fost incluse nt-un domeniu tiinific denumit cercetare operaional. Din acest
domeniu mai fac parte, de exemplu: teoria ateptrii, teoria jocurilor, programarea neliniar,
teoria reelelor de transport. ntre acestea, ns, programarea liniar a devenit foarte popular n
rndul utilizatorilor deoarece, aa cum am amintit i n preambulul capitolului 1, multe fenomene
din lumea real pot fi descrise, sau cel puin aproximate, ca fiind liniare. n plus, nelegerea i
manipularea modelelor de tip liniar este mai uoar dect a altor tipuri.
Ca i n alte tehnici de optimizare, n orice problem de programare liniar trebuie luate
anumite decizii prin aplicarea crora s se ating valoarea optim a obiectivului. Aceste decizii
sunt reprezentate printr-un set variabile de decizie xj. Variabilele de decizie sunt folosite pentru
formularea modelului de programare liniar. Folosind variabilele de decizie se descrie att
obiectivul care trebuie atins, ct i o serie de condiii restrictive care trebuie respectate de ctre
soluia cutat. Pe scurt, obiectul unei probleme de programare liniar poate fi descris astfel.
Obiectul unei probleme PL
O problem de programare liniar i propune s maximizeze sau, dup caz, minimizeze o
funcie obiectiv n condiiile respectrii unui set de restricii.

Funcia obiectiv este o funcie liniar de variabilele xj. Ea este reprezentarea matematic a
scopului avut n vedere: nivelul profitului, costurile totale etc.
Setul de restricii este un sistem liniar de ecuaii i inecuaii n variabilele xj. El descrie
condiiile pe care trebuie s le satisfac variabilele de decizie pentru a fi n conformitate cu
realitatea: capaciti de producie limitate, nivel minim obligatoriu al vnzrilor etc.
Se observ c att funcia obiectiv ct i restriciile sunt liniare. De aceea, acest gen de
probleme se numesc de programare liniar.
n urmtorul exemplu este enunul unei probleme de programare liniar.
Exemplul 2.1.1
max z = 4 x1 + 2 x 2
x1 + 2 x 2 24

4 x1 + 3x 2 30
x1 , x 2 0

(2.1.1)
(2.1.2)
(2.1.3)

Problema enunat cere s se maximizeze funcia z exprimat prin relaia (2.1.1), care este
o funcie liniar n dou variabile, x1 i x2. n alegerea valorilor pentru variabilele x1 i x2, prin
care s se obin valoarea maxim a lui z, trebuie respectate, ns, cele patru restricii exprimate
de inegalitile liniare (2.1.2) i (2.1.3).

Restricii structurale i restricii de nenegativitate

Se observ c cele patru restricii ale problemei din exemplul 2.1.1, dei ar fi putut fi
exprimate sub aceeai acolad, printr-un unic sistem de inegaliti, au fost separate n dou
grupuri. Prin aceasta se pune n eviden o diferen de semnificaie ntre cele dou categorii.
Astfel, sistemul (2.1.2) descrie restricii care reflect condiiile impuse de structura situaiei
analizate: resurse limitate, niveluri minime care trebuie respectate etc. De aceea, ele se numesc
restricii structurale. Pe de alt parte, condiiile exprimate de (2.1.3) arat c nici o variabil de
decizie nu are voie s ia valori negative. Acesta este cazul n majoritatea covritoare a
problemelor de programare liniar deoarece variabilele de decizie reprezint mrimi care nu pot
avea valori negative: sume de bani, cantiti de produse, consumuri energetice etc. De aceea,
aceste restricii se numesc restricii de nenegativitate. Vom considera n cele ce urmeaz c toate
problemele de programare liniar pe care le vom aborda vor trebui s satisfac restriciile de
nenegativitate. Aici mai menionm, doar, c exist modaliti de tratare a situaiilor speciale n
care apar i variabile de decizie cu valoare negativ.
Din cele discutate rezult c, n general, o problem de programare liniar poate fi
enunat aa cum este artat n continuare.
Forma general a unei probleme PL
O problem de programare liniar cu n variabile de decizie x1, x2, ... ,xn i avnd m
restricii structurale are urmtoarea form general:

(max, min)

z = c1 x1 + c2 x 2 + K cn x n
a11 x1 + a12 x 2 + K + a1n x n ( , = , ) b1

a 21 x1 + a 22 x 2 + K + a 2 n x n ( , = , ) b2

...........................................
a m1 x1 + a m2 x 2 + K + a mn x n ( , = , ) bm

x1 , x 2 ,K , x n 0

(2.1.4)

(2.1.5)

(2.1.6)

Parantezele semnific faptul c, pe locul respectiv se folosete, dup

cum este necesar, unul dintre elementele enumerate.

Modelarea unei situaii reale de decizie ca problem de programare liniar

n enunul problemei din exemplul 2.1.1 nu s-a precizat proveniena acesteia. Deci nu s-a
facut referire la situaia din lumea real pe care aceasta o modeleaz. Ori, aa cum s-a artat la
nceput, programerea liniar s-a dezvoltat tocmai pe baza aplicaiilor practice pe care este
chemat s le rezolve. De aceea, n continuare vom lua un exemplu de astfel de situaie de decizie
pentru a vedea cum poate fi aceasta modelat ca problem de programare liniar. Dei situaia
analizat este ipotetic i foarte simpl, liniile ei principale de aciune sunt aceleai i n cazul
unor situaii reale, de mare complexitate.
Exemplul 1.3.6

O firm fabric dou produse, A i B. Fiecare produs trebuie prelucrat n dou secii. n
tabelul de mai jos se arat cte ore de lucru sunt necesare, pe unitatea de produs, n fiecare secie.

Pe ultima coloan sunt date capacitile de lucru, n ore, ale fiecrei secii, pe sptmn. Pe
ultima linie a tabelei este artat profitul care se obine de pe urma vnzrii unei uniti din fiecare
produs. Se tie c ntreaga producie are vnzare. Trebuie s se decid cte uniti din fiecare
produs trebuie fabricate sptmnal pentru ca profitul total s fie maxim.
Secia 1
Secia 2
Profit/unitate produs

Produs A
3 ore/unitate
4 ore/unitate
5 $/unitate

Produs B
2 ore/unitate
6 ore/unitate
6 $/unitate

Capacitate
120 ore
260 ore

Dac se noteaz cu x1 i x2 numrul de uniti care trebuie fabricate, respectiv, din

produsele A i B, atunci trebuie determintate valorile acestor variabile de decizie pentru ca s
rezulte un profit maxim. Profitul total se exprim prin adunarea contribuiilor pe care le au
ambele produse. Notndu-l cu z, rezult funcia obiectiv care, n acest caz, trebuie maximizat:
z = 5x 1 + 6x 2

Din informaiile date n enunul problemei, singurele restricii n stabilirea numrului de

uniti care trebuie fabricate sunt date de capacitile de producie (n ore de lucru) ale celor dou
secii. Ele impun restriciile structurale ale problemei:
pentru Secia 1:
pentru Secia 2:

3x1 + 2 x 2 120
4 x1 + 6 x 2 260

De asemenea, dei acest lucru nu a fost precizat explicit, este clar c pentru x1 i x2 nu pot
fi acceptate valori negative. Prin urmare, variabilele de decizie trebuie s respecte i restriciile
de nenegativitate.
Combinnd funcia obiectiv cu restriciile se obine urmtoarea problem de programare
liniar:
max z = 5x1 + 6x 2
3x1 + 2 x 2 120

4 x1 + 6x 2 260
x1 , x 2 0

(2.1.7)
(2.1.8)
(2.1.9)

Singura observaie care se impune este aceea c, chiar n condiiile unei probleme simple
ca cea considerat n exemplul precedent, rezolvarea prin simpla ncercare a diferite seturi de
valori (variante) pentru variabilele de decizie nu poate duce dect ntmpltor la soluia optim.
Acest lucru devine cu att mai dificil i succesul mai puin probabil cu ct numrul de variabile
de decizie i numrul de restricii structurale cresc. Este clar c soluia optim trebuie cutat
folosind o metod riguroas de investigare. n cele ce urmeaz va fi descris o astfel de metod
care poate fi aplicat n cazul problemelor n dou variabile. Exemplificrile vor fi fcute folosind
problema PL definit mai sus prin relaiile (2.1.7), (2.1.8), (2.1.9).

2.2 Rezolvarea grafic a problemelor de

programare liniar n dou variabile
n situaiile din lumea real care conduc la probleme de programare liniar trebuie avute
n vedere, de obicei, mai mult de dou variabile de decizie. Dar, interpretrile geometrice pe care
sunt posibile n cazul a dou variabile au utilitae pentru nelegerea metodei rezolvare a
problemelor cu n variabile care vor fi abordate n capitolul 3.
Mulimea soluiilor admisibile

Primul pas n investigarea mulimii soluiilor pentru a o depista pe cea optim este nsi
stabilirea acestei mulimi. Pentru aceasta se folosete setul de restricii al problemei pentru c
soluiile examinate trebuie s nu contrazic aceste restricii. Pentru c doar soluiile care respect
toate restriciile pot fi avute n vedere, mulimea acestora se numete mulimea soluiilor
admisibile sau mulimea soluiilor fezabile. Restriciile, cele structurale i cele de nenegativitate,
formeaz mpreun un sistem de inegaliti liniare. Rezult c mulimea soluiilor admisibile se
va determina prin rezolvarea acestui sistem.
y
60

3x1 + 2x2 = 120

45

A
B

30

4x1 + 6x2 = 260

15

15

30

45

Fig. 2.2.1

60

75

Aa cum s-a vzut n seciunea 1.4, pentru cazul a

dou variabile este posibil o rezolvare grafic, iar soluia
este o mulime de puncte n plan rezultat n urma
interseciei tuturor semiplanelor determinate de inecuaiile
sistemului. Datorit restriciilor de nenegativitate x1, x2 0
aceast mulime se va afla ntotdeauna n cadranul I al
reperului cartezian x1Ox2.
Pentru restriciile (2.1.8) i (2.1.9) soluia este
ilustrat n figura 2.1.1. Este vorba de suprafaa poligonului
OABC, inclusiv laturile. Vrfurile acestuia au coordonatele:
O(0, 0), A(0, 43 1 3 ), B(20, 30), C(40, 0) .

De fapt, este evident c, ntotdeauna, soluia va fi o suprafa poligonal. De aceea,

pentru mulimea soluiilor admisibile se mai folosesc, n cazul problemelor n dou variabile,
denumirile: poligonul soluiilor admisibile sau suprafaa soluiilor admisibile. Coordonatele
punctelor care formeaz suprafaa soluiilor admisibile, i numai acestea, pot reprezenta perechi
de variabile de decizie (x1, x2) care dau soluia optim a funciei obiectiv z. Aria de cutare s-a
restrns dar, chiar i aa, punctele suprafeei soluiilor admisibile sunt n numr infinit, deci nu
vor putea fi verificate toate. Trebuie definit o procedur de cutare printre elementele mulimii
soluiilor admisibile, iar pentru aceasta sunt necesare o serie de consideraii asupra funciei
obiectiv.
Funcia obiectiv

n cazul problemei luate ca exemplu scopul final este de a gsi o variant de decizie (x1,
x2) pentru care valoarea z a funciei obiectiv s fie maxim. S presupunem, pentru nceput, c
urmrim combinaiile (x1, x2) pentru care se obine o anumit valoare a funciei obiectiv, nu
neaprat cea ami mare. De exemplu, intereseaz ce cantiti x1 i x2 din cele dou produse trebuie

fabricate pentru ca profitul sptmnal s fie 120$. Conform (2.1.7) trebuie determinate perechile
(x1, x2) pentru care
5x1 + 6 x 2 = 120

(2.2.1)

S-a obinut ecuaia general a unei drepte care poate fi reprezentat pe acelai grafic cu poligonul
soluiilor admisibile, dup cum se observ din figura 2.2.2.
y
60

5x1 + 6x2 = 280

45

A
B

30

5x1 + 6x2 = 180

5x1 + 6x2 = 120

15

Pentru combinaia (x1, x2) care s genereze un profit

sptmnal de 120$ se pot lua coordonatele oricrui punct
de pe dreapta (2.2.1) care se afl n suprafaa soluiilor
admisibile OABC.
Dac se dorete obinerea unei alte valori a profitului
sptmnal, de exemplu 180, se obine o alt dreapt:

15

30

45

Fig. 2.2.2

60

75

5x1 + 6 x 2 = 180

(2.2.2)

Raionamentul este asemntor, iar dreapta (2.2.2) a

fost i ea reprezentat n figura 2.2.2.

Dreptele (2.2.1) i (2.2.2) sunt paralele (conform proprietilor enunate n finalul seciunii
1.2). Este, ns, important urmtoarea observaie: dreapta (2.2.2), al crei termen liber este mai
mare, este mai deprtat de origine dect dreapta (2.2.1). Acest lucru este valabil pentru orice
fascicul de drepte paralele i rezult imediat aplicnd formula (1.2.13) a distanei de la un punct
la o dreapt pentru originea sistemului de coordonate. Astfel,
d ( O; h) =

c
a 2 + b2

(2.2.3)

Din (2.2.3) rezult c, pentru un fascicul de drepte paralele hj: ax + by = cj , j = 1,2, ...
(avnd aceiai coeficieni a i b), distanele de la originea O la fiecare dintre acestea cresc odat
cu creterea valorii absolute a coeficienilor cj.
Revenind la problema de programare liniar discutat nseamn c, dac se cer valori zj
din ce n ce mai mari ale profitului, vor rezulta n cadranul I drepte 5x1 + 6 x 2 = z j paralele i din
ce n ce mai ndeprtate de origine. Aceast ndeprtare de origine prin creterea valorii funciei
obiectiv se poate face, ns, doar pn la locul n care dreapta mai are, nc, puncte comune cu
suprafaa restriciilor: nu trebuie uitat c doar punctele de pe dreapt care cad pe suprafaa
restriciilor reprezint soluii fezabile pentru obinerea profitului respectiv.
n cazul studiat dreapta poate fi deplasat, paralel cu ea nsi, n cadranul nti pn cnd
mai are contact cu suprafaa rerstriciilor OABC doar n punctul B(20, 30). {tim c acest punct
face parte dintr-o dreapt 5x1 + 6 x 2 = z j corespunztoare unui profit dat. nlocuind coordonatele
acestui punct se obine expresia acestei drepte: 5x1 + 6 x 2 = 280 . Ea este reprezentat n figura
2.2.2 i coordonatele oricrui punct al ei reprezint combinaii (x1, x2) pentru care se obine un

profit de 180$. Dar numai un singur punct, B(20, 30), aparine i poligonului soluiilor admisibile.
Concluzia pe care o tragem este c funcia obiectiv (2.1.7) este maximizat pentru valorile x1 =
20 i x2 = 30 ale variabilelor de decizie i, n acest caz, valoarea ei este z = 280. Interpretarea
concluziei n conteztul problemei analizate este c profitul maxim care se poate obine
sptmnal este de 280$ i el se obine dac se fabric 20 de uniti din produsul A i 30 de
uniti din produsul B.
Avnd o problem de maximizare, am depistat soluia deplasnd dreapta rezultat din
expresia funciei obiectiv n sensul deprtrii ei de origine (creterii termenului liber). Este clar
c, n cazul unei probleme de minimizare, deplasarea aceasta trebuie fcut n sens opus.
Bineneles, este de ateptat ca, pentru o astfel de problem, poligonul soluiilor admisibile s nu
includ i originea.
Determinarea soluiilor problemei

La punctul precedent s-a attat c, prin deplasarea dreptei care reprezint funcia obiectiv,
se pot detecta valorile extreme. Se pune problema cum se poate determina prin calcul pn unde
trebuie fcut aceast deplasare. Aceasta ar oferi o metod numeric prin care s se caute soluia
optim n cadrul poligonului soluiilor admisibile. Pentru a defini metoda trebuie fcute anumite
consideraii asupra acestuia.
Definiia 2.2.1
O mulime de puncte din plan se numete convex dac are proprietatea c, pentru orice
dou puncte M i N aparinnd mulimii, ntregul segment MN este inclus n mulime.

n figura 2.2.3 este artat o mulime convex. n figura 2.2.4 este o mulime care nu este
convex; ntr-adevr, exist mcar dou puncte ale mulimii, de exemplu P i Q, cu proprietatea
c segmentul care le unete nu este inclus n ntregime n mulime. Din figura 2.2.5 se vede clar
c semiplanele sunt mulimi convexe.
Definiia 2.2.1 exprim intuitiv ideea de mulime convex n plan (dou dimensiuni).
Trebuie reinut c acest conceptul este valabil i n spaii abstracte, cu n dimensiuni. Pentru
definirea sa riguroas sunt necesare, ns, dezvoltri teoretice mai ample. Oricum, indiferent de
dimensiunea spaiului n care se opereaz, este adevrat urmtoarea teorem.
y

y
N

x
Fig. 2.2.3

x
Fig. 2.2.4

x
Fig. 2.2.5

Teorema 2.2.1

Intersecia unei familii arbitrare de mulimi convexe este tot o mulime convex.

Teorema 2.2.1 mpreun cu observaia, ilustrat prin figura 2.2.5, c un semiplan este o
mulime convex, duc la concluzia c soluia unui sistem de inecuaii liniare n dou variabile,
care este o intersecie de semiplane, este o mulime convex. Aducnd acest rezultat n domeniul
problemelor de programare liniar n dou variabile, rezult dou afirmaii foarte importante
pentru rezolvarea grafic a problemelor PL.
1) Mulimea soluiilor admisibile este o suprafa poligonal convex.
2) Soluia optim a unei probleme PL va inculde ntotdeauna un vrf al poligonului
soluiilor admisibile.
A doua afirmaie este valabil att pentru probleme de maximizare ct i de minimizare i
indiferent de panta dreptei care reprezint funcia obiectiv. Ea arat c atunci cnd se face o
deplasare a dreptei, ultimul punct naintea ieirii complet din poligonul soluiilor admisibile va
include cel puin un vrf al acestuia.
Din cele de mai sus rezult metoda care trebuie aplicat pentru a determina soluia
optim:
1) Se traseaz grafic poligonul soluiilor admisibile.
2) Se determin coordonatele vrfurilor.
3) Se calculeaz valoarea funciei obiectiv pentru fiecare vrf; pentru aceasta se substituie
coordonatele n funcia obiectiv.
4) Pentru o problem de maximizare soluia optim este n vrful pentru care se obine
cea mai mare valoare a funciei obiectiv, iar pentru o problem de minimizare se va
cuta valoarea minim dintre cele date de vrfuri.
Soluii multiple

Exist posibilitatea ca o problem de programare liniar s aib mai mult de o soluie

optim. Figura 2.2.6 ilustreaz cazul cnd funcia obiectiv are aceeai pant cu dreapta ataat
unei restricii structurale. Dac funcia obiectiv este deplasat n sensul, indicat de sgeat,
creterii distanei fa de origine, ultimul punct n care poligonul soluiilor admisibile este atins va
fi, de fapt, segmentul AB. n aceast situaie exist, deci, o infinitate de puncte de optim: n
fiecare punct de pe segmentul AB se atinge valoarea maxim pentru funcia z.
y
A

B
C

Fig. 2.2.6

Atunci cnd se aplic metoda vrfurilor n determinarea soluiilor optime, existena

soluiilor multiple este semnalat de apariia valorii optime n dou vrfuri ale poligonului

soluiilor admisibile. Atunci se trage concluzia c aceast valoare va aprea pentru orice punct de
pe latura poligonului determinat de cele dou vrfuri.
Soluie inexistent

Este posibil ca sistemul de restricii ale unei probleme de programare liniar s nu aib
nici o soluie (s fie incompatibil). Deci nu va exista nici o pereche (x1, x2) care s satisfac toate
restriciile. Se spune n acest caz c problema nu are soluii admisibile (fezabile). n figura 1.4.3
din seciunea 1.4 este dat un exemplu de sistem de inegaliti liniare incompatibil.
Soluie nemrginit

Rezolvnd sistemul de restricii se poate constata c suprafaa soluiilor admisibile este

nemrginit. Avnd un astfel de spaiu al soluiilor se poate ajunge la nemrginirea soluiei
optime. n figura 2.2.7 este ilustrat o astfel de situaie.
y
A

z
C

Fig. 2.2.7

Spaiul soluiilor admisibile care mrginit n partea inferioar dar este nemrginit
superior. Deplasarea spre maxim a dreptei corespunztoare lui z nu cunduce la atingerea unui
punct care s fie desemnat ca optim n acest sens. Dac problema ar fi de maximizare concluzia
care ar trebui tras este c ne aflm ntr-o situaie n care soluia este nemrginit.
S-ar putea, ns, determina o soluie optim dac problema ar fi de minim (n exemplul
din figura 2.2.7 ea ar corespunde punctului B).
Rezolvai grafic problemele de programare liniar enunate n exerciiile 1
pn la 8 de la pagina 2-10.

n acest capitol au fost introduse principalele idei legate de utilizarea programrii liniare
ca metod de optimizare cu larg aplicabilitate. Metoda grafic de rezolvare a problemelor PL n
dou variabile are menirea de a oferi o imagine geometric intuitiv. Situaiile din lumea real
implic, de obicei, mai mult de dou variabile. Capitolul urmtor este dedicat algoritmului
simplex, cu care se rezolv probleme PL n oricte variabile.

Exerciii
S se rezolve grafic urmtoarele probleme de programare liniar.
1) max z = 9 x1 + 3x 2

2) min z = 3x1 + 6 x 2

x1 + x 2 20

2 x1 + x 2 32

3x1 + 2 x 2 36

4 x1 + 5x 2 90

x1 , x 2 0

x1 , x 2 0

3) max z = 30 x1 + 20 x 2
3x1 + x 2 18
x + x 12
1
2

2
x1

x2 2
x1 , x 2 0
5) max z = 10 x1 + 15x 2
x1 + x 2 20
2 x + x 48
1
2

x
20
1
x1 + x 2 30
x1 , x 2 0

7) max z = 16 x1 + 8 x 2
2 x1 + x 2 30

x1 + 2 x 2 24
x1 , x 2 0

4 )min z = 10 x1 + 16 x 2
x1 400

x 2 200
x + x = 500
2
1
x1 , x 2 0
6) max z = 2 x1 + 5x 2
x1 + x 2 16
x
12
1
8
x1

x 2 10

x2 4
x1 , x 2 0
8) max z = 6 x1 + 5x 2
2 x1 + 4 x 2 40

x1 + 2 x 2 30
1,5x + x 50
2
1
x1 , x 2 0

3
Algoritmul simplex
3.1
3.2
3.3
3.4
3.5
3.6

Cerinele metodei simplex

Introducere n metoda simplex
Algoritmul simplex pentru o problem de maximizare n form canonic
Algoritmul simplex pentru o problem de maximizare cu restricii de toate tipurile
Algoritmul simplex pentru o problem de minimizare
Situaii speciale

Obiectivele capitolului
nelegerea algoritmului simplex de rezolvare a problemelor de programare liniar
Ilustrarea modalitilor n care trebuie abordate problemele care apar n aplicarea algoritmului
simplex
Evidenierea corespondeelor care pot fi stabilite ntre mecanismele rezolvrii grafice cele care
stau la baza algoritmului simplex
Discutarea situaiilor speciale care pot aprea n rezolvarea unei probleme de programare
liniar prin metoda simplex
Abordarea grafic a problemelor de programare liniar este limitat la probleme n dou
variabile. Problemele n mai mult de dou variabile trebuie rezolvate prin metode algebrice.
Metoda algebric consacrat pentru rezolvarea unei probleme de programare liniar,
indiferent de numrul de variabile, este algoritmul simplex. Fiind vorba de un algoritm a fost
posibil implementarea sa n programe pentru calculator. Exist n prezent produse software
dedicate acestei categorii de probleme dar, dup cum am mai artat, studiere metodei n sine este
necesar tocmai pentru a putea nelege i exploata corect programele respective.

3.1 Cerinele metodei simplex

Prima variant a metodei simplex a fost propus de G. B. Dantzig (1951) i se numete
algoritmul simplex primal. O a doua metod general, algoritmul simplex dual, este datorat lui

C. E. Lemke (1953). Dup elaborarea acestor dou metode cercetrile s-au ndreptat ctre
anumite tipuri de probleme de programare liniar i au aprut diferite soluii de tratare a acestora.
Sunt, astfel, remarcabile rezultatele care s-au obinut cu privire la problemele de programare n
numere ntregi i problemele de transport.
Fie forma general a unei probleme de programare liniar, aa cum a fost descris pentru
prima dat n seciunea 2.1:

(max, min)

(3.1.1)

z = c1 x1 + c2 x 2 + K cn x n
a11 x1 + a12 x 2 + K + a1n x n ( , = , ) b1

a 21 x1 + a 22 x 2 + K + a 2 n x n ( , = , ) b2

...........................................
a m1 x1 + a m2 x 2 + K + a mn x n ( , = , ) bm

(3.1.2)

x1 , x 2 ,K , x n 0

(3.1.3)

Pentru aplicarea algoritmului simplex trebuie problema s fie adus ntr-o form n care s
ndeplineasc urmtoarele cerine.
A. Termenul liber al fiecrei restricii s fie nenegativ.
Aceast restricie se rezolv nmulind restriciile structurale care au termenul liber
negativ cu (-1). Bineneles, prin aceast nmulire inegalitile respective i vor
schimba sensul.
Exemple:

restricia 2 x1 5x 2 10 devine 2 x1 + 5x 2 10
restricia 6x1 + 3x 2 15 devine 6 x1 3x 2 15
B. Toate restriciile structurale trebuie exprimate ca ecuaii. Pentru a transforma
inegalitile n egaliti se introduc o serie de variabile suplimentare dup cum
urmeaz:
b1. Pentru fiecare restricie de tip se adun o variabil ecart nenegativ n partea
stng a restriciei.
Exemplu: dac n cadrul sistemului de restricii apar inecuaiile
2 x1 5x 2 10
6 x1 3x 2 15

atunci se va face transformarea acestora n ecuaii astfel:

2 x1 5x 2 + x 3
= 10,
6 x1 3x 2
+ x 4 = 15,

x3 0
x4 0

b2. Pentru fiecare restricie de tip se scade o variabil ecart nenegativ din partea
stng a restriciei.
Exemplu: dac n cadrul sistemului de restricii apare inecuaia

x1 + x 2 25

atunci se va face transformarea acesteia n ecuaie astfel:

x1 + x 2

x 5 = 25, x 5 0

b3. Pentru fiecare restricie de tip sau de tip = se mai adun o variabil artificial
nenegativ din partea stng a restriciei.
Exemplu: la restricia de tip din exemplul precedent se mai adaug o
variabil artificial i ea devine:
x1 + x 2

x 5 + x 6 = 25, x 5 , x 6 0

Variabilele ecart de la punctele b1 i b2 au semnificaie ca fiind factorii care

"echilibreaz" inegalitile transformndu-le n egaliti. Variabilele artificiale de la punctul b3,
aa cum le arat i numele, nu au o interpretare real; singurul lor scop este s furnizeze un punct
de plecare convenabil pentru aplicarea metodei simplex. Acest lucru va fi comentat mai trziu.
n final, fie ca exemplu o problem de programare liniar care are urmtorul sistem de
restricii:
x 1 x 2 10

2 x 1 + 3x 2 40
x 2 x = 25
2
1
x1 , x 2 0

(A, b1)
(b2, b3)
(b3)

Dup aplicarea transformrilor menionate n paranteze se obine sistemul de ecuaii de mai jos,
n care x3 i x5 sunt variabile ecart, iar x2 i x4 sunt variabile artificiale.
= 10
x1 + x 2 + x 3

x4 + x 5
= 40
2 x1 + 3 x 2
x 2x
+ x 6 = 25
2
1
x1 , x 2 , x 3 , x 4 , x 5 , x 6 0

Variabilele nou introduse devin, de asemenea, variabile de decizie, de aceea ele trebuie s
se regseasc i n cadrul funciei obiectiv.
n cadrul funciei obiectiv se consider c variabilele ecart au, iniial, coeficientul 0.
Variabilele artificiale nu au semnificaie real. De aceea, n cadrul funciei obiectiv, lor li
se asociaz coeficieni care s le fac s fie extrem de indezirabile pentru a participa la o decizie
care s duc la optim. Astfel:
pentru probleme de maximizare li se asociaz variabilelor artificiale coeficieni egali cu -M,
unde M este un numr pozitiv foarte mare, ceea ce face ca -M s fie un numr foarte negativ.
pentru probleme de minimizare li se asociaz variabilelor artificiale coeficieni egali cu M, un
numr pozitiv foarte mare.
Asignarea de astfel de coeficieni genereaz necesitatea de a cuta soluii ale problemelor PL n
care variabilele artificiale s fie 0.

Prin aplicarea transformrilor enumerate se aduce problema de programare liniar la o aa

numit form standard.
Definiia 3.1.1
Se spune c o problem de programare liniar are forma standard dac toate restriciile
sunt ecuaii i toate variabilele sunt supuse condiiilor de nenegativitate:

(max, min)

z = c1 x1 + c2 x 2 + K cn x n

(3.1.4)

a11 x1 + a12 x 2 + K + a1n x n = b1

a x + a x + K + a x = b
21 1
22 2
2n n
2

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

a m1 x1 + a m2 x 2 + K + a mn x n = bm

(3.1.5)

x1 , x 2 ,K , x n 0

(3.1.6)

Revenind la diferitele forme pe care le poate avea o problem PL imediat dup modelarea
fenomenului studiat i nainte de a o aduce la forma standard, se pot defini anumite categorii la
care se va apela mai trziu.
Definiia 3.1.2
Pentru o problem PL de maximizare, restriciile structurale tip se numesc concordante.
Pentru o problem PL de minimizare, restriciile structurale tip se numesc concordante.

Definiia 3.1.3
O problem de programare liniar are forma canonic dac toate restriciile sale
structurale sunt concordante.
O problem de programare liniar are forma mixt dac toate restriciile sale structurale
sunt fie ecuaii, fie inegaliti concordante.

Din definiia 3.1.3 rezult c o problem de programare liniar n forma canonic se scrie
ntr-una din urmtoarele forme

min z = c1 x1 + c2 x 2 + K cn x n

(3.1.7)

(3.1.8)

a11 x1 + a12 x 2 + K + a1n x n b1

a x + a x + K + a x b
21 1
22 2
2n n
2

...........................................
a m1 x1 + a m2 x 2 + K + a mn x n bm

(3.1.9)

x1 , x 2 ,K , x n 0

sau
max z = c1 x1 + c2 x 2 + K cn x n
a11 x1 + a12 x 2 + K + a1n x n b1
a x + a x + K + a x b
21 1
22 2
2n n
2

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

a m1 x1 + a m2 x 2 + K + a mn x n bm
x1 , x 2 ,K , x n 0

(3.1.10)

(3.1.11)

(3.1.12)

3.2 Introducere n metoda simplex

Pentru nceput vom relua, dintr-o alt perspectiv, problema care a fost propus spre
modelare n seciunea 2.1 i rezolvat grafic n seciunea 2.2.
max z = 5x1 + 6x 2
3x1 + 2 x 2 120

4 x1 + 6x 2 260
x1 , x 2 0

(3.2.1)
(3.2.2)
(3.2.3)

Conform cerinelor metodei simplex, sistemul de inegaliti structurale trebuie

transformat ntr-un sistem de ecuaii. n cazul problemei date vor aprea n sistem variabilele
ecart x3 i x4:
= 120
3 x1 + 2 x 2 + x 3

+ x 4 = 260
4 x1 + 6 x 2
x1 , x 2 , x 3 , x 4 0

(3.2.4)
(3.2.5)

Sistemul (3.2.4), compatibil nedeterminat, este deja explicitat n raport cu variabilele x3 i

x4. Soluia de baz corespunztoare este x1 = 0, x2 = 0, x3 = 120, x4 = 260. Sistemul are dou
ecuaii cu patru necunoscute. Conform teoremelor 1.3.5 i 1.3.6 din seciunea 1.3, el va avea cel

mult C42 = 6 forme explicite i, corespunztor, soluii de baz. Fcnd pivotajele necesare se pot
gsi aceste soluii de baz. Ele sunt enumerate n tabelul urmtor.
Nr. crt.

Variabile de baz

Variabile secundare

Punct

1
2
3
4
5
6

x1 = 20, x2 = 30
x2 = 60, x4 = -100
x2 = 43 1 3 , x3 = 33 1 3
x1 = 40, x4 = 100
x1 = 65, x3 = -75
x3 = 120, x4 = 260

x3 = x4 = 0
x1 = x3 = 0
x1 = x4 = 0
x2 = x3 = 0
x2 = x4 = 0
x1 = x2 = 0

B
P
A
C
Q
O

y
60

3x1 + 2x2 = 120

45

A
B

30

4x1 + 6x2 = 260

15

15

30

45

60

75

Fig. 3.2.1

n ultima coloan a tabelului sunt notate punctele din planul x1Ox2 crora le corespund
componentele x1 i x2 ale soluiilor de baz respective. n figura 3.2.1 sunt marcate aceste puncte.
Soluiile numerotate 2 i 5 nu sunt admisibile (nu respect restriciile de nenegativitate);
numerele lor de ordine au fost tiate din tabel.
Celelalte patru soluii au n componen punctele O, A, B, C, vrfurile poligonului
restriciilor. Din rezolvarea prin metoda grafic, descris n seciunea 2.2, s-a ajuns la concluzia
c soluia optim trebuie cutat printre vrfurile poligonului soluiilor admisibile. Dup cum se
observ, vrfurile poligonului soluiilor admisibile corespund soluiilor de baz admisibile ale
sistemului restriciilor structurale pentru problema adus la forma standard.
Exemplul sugereaz un fapt care, dup cum se demonstreaz, are valabilitate pentru orice
problem PL, de orice dimensiuni, adus la forma standard:
Teorema 3.2.1
Soluia optim a unei probleme de programare liniar n form standard se afl printre
soluiile de baz admisibile ale sistemului restriciilor structurale.

Din discuia de pn acum rezult o prim posibilitate de abordare a unei probleme PL

adus la forma standard. Aceast procedeu se numete metoda descrierii totale.
Se determin toate soluiile de baz ale sistemului restriciilor structurale i se aleg
soluiile de baz admisibile.
Se nlocuiesc soluiile reinute n funcia obiectiv i se determin astfel valoarea optim
(maxim sau minim).
Problema care apare este c, pentru o problem cu un sistem de m restricii structurale de
cte n variabile, metoda descrierii totale cere determinarea celor pn la Cnm soluii de baz. Cnd
m i n sunt mari volumul de calcul devine prea mare, chiar i n cazul folosirii calculatorului. De
exemplu, pentru m = 10 i n = 40, situaie perfect posibil ntr-o problem din lumea real, ar
10
= 847.660.528 soluii de baz fcnd pentru fiecare pivotajul corespunztor,
trebui determinate C40
iar soluiile admisibile ar trebui verificate n funcia obiectiv. Metoda simplex evit examinarea
tuturor soluiilor de baz admisibile.
Metoda simplex este iterativ i pleac de la o soluie de baz admisibil de start. La
fiecare iteraie metoda caut dac exist n continuare o soluie mai bun dect cea gsit pn
atunci. Soluie "mai bun" nseamn c, prin nlocuirea sa n funcia obiectiv, valoarea acesteia
este mbuntit: mai mare, dac este vorba de o problem de maximizare, mai mic, dac este
vorba de o problem de minimizare. Dac s-a gsit o soluie mai bun dect cea curent,
procedeul se reia. Relurile au loc pn cnd nu mai este posibil nici o mbuntire a funciei
obiectiv.
Generarea fiecrei soluii de baz succesive cere cte o nou explicitare a sistemului de
restricii structurale.
Fapt foarte important, metoda simplex garanteaz c:
fiecare soluie succesiv va fi admisibil;
valoarea funciei obiectiv va fi cel puin la fel de bun ca valoarea corespunztoare
soluiei precedente
n continuare este discutat aplicarea metodei simplex pentru diferite categorii de
probleme de programare liniar i pentru diferite tipuri de sisteme de restricii.

3.3 Algoritmul simplex pentru o

problem de maximizare n form canonic
O problem de maximizare n forma canonic are toate restriciile structurale de tip . De
aceea, aducerea sa la forma standard se face prin adunarea n partea stng a fiecrei restricii a
unei variabile ecart pozitive.
Problema luat n atenie n seciunea 2.1 i tratat din diverse perspective n seciunile
urmtoare este n form canonic:

max z = 5x1 + 6x 2

(3.3.1)

3x1 + 2 x 2 120

4 x1 + 6x 2 260

(3.3.2)

x1 , x 2 0

(3.3.3)

Dup aducerea la forma standard problema devine:

max z = 5x 1 + 6x 2 + 0x 3 + 0x 4

(3.3.4)

= 120
3 x1 + 2 x 2 + x 3

+ x 4 = 260
4 x1 + 6 x 2

(3.3.5)

x1 , x 2 , x 3 , x 4 0

(3.3.6)

Soluia se va gsi prin investigarea soluiilor de baz ale sistemului (3.3.5). Se observ c
o prim soluie de baz este oferit chiar de forma standard. Se mai observ, ns c funcia
obiectiv poate fi privit i ea ca o ecuaie liniar care are nc o variabil, z. Se poate forma astfel
un nou sistem de ecuaii din (3.3.4) i (3.3.5):
z 5 x1 6 x 2 0 x 3 0 x 4 = 0

3 x1 + 2 x 2 + x 3
= 120

4 x1 + 6 x 2
+ x 4 = 260

x1 , x 2 , x 3 , x 4 0

(0)
(1)
(2)

(3.3.7)

Ecuaiile sistemului (3.3.7) ecuaiile au fost numerotate, iar funcia obiectiv a primit
numrul (0). Scopul este n continuare este s se rezolve sistemul de 3 ecuaii n 5 variabile astfel
nct variabila z s ia valoarea maxim. Deoarece valoarea funciei obiectiv este cea care
intereseaz n mod special, z va trebui s rmn ntotdeauna variabil principal, deci s nu fie
scoas din baz prin pivotaj.
Tabelul 3.3.1
linia
bi
variabile z x1 x2 X3 x4
1
-5
-6
0
0
0
(0)
de baz
x3
0
3
2
1
0
120
(1)
x4
0
4
6
0
1
260
(2)
Metoda simplex se aplic folosind o organizare tabelar. Tabelul iniial pentru problema
studiat este tabelul 3.3.1. Soluia de baz de start este format din variabilele ecart i,
bineneles, funcia obiectiv: x3 = 120, x4 = 260, z = 0. Ea poate fi citit direct din tabel (prima i
ultima coloan).
La un pas oarecare al rezolvrii metoda simplex const n compararea variabilelor
secundare cu cele principale pentru a vedea dac o variabil secundar ar putea intra n baz
nlocuind pe una principal, scopul fiind s se obin o valoare mai bun pentru funcia obiectiv.
O variabil secundar va nlocui o variabil principal dac:

 se vede c astfel funcia obiectiv va fi mbuntit;

noua soluie este admisibil.
ntr-un tablou simplex linia (0) trebuie interpretat astfel: coeficienii variabilelor (cu
excepia lui z) reprezint cu ct se modific valoarea curent a funciei obiectiv dac variabila
din coloana respectiv crete cu o unitate. Semnul coeficienilor este opus sensului modificrii.
Deci, un coeficient negativ arat o cretere a lui z atunci cnd x-ul respectiv crete.
Rezult din cele de mai sus urmtoarele reguli care trebuie respectate n aplicarea
algoritmului simplex.
Regula 1: verificarea optimalitii soluiilor
ntr-o problem de maximizare s-a gsit soluia optim (maximum) dac toi coeficienii
din linia funciei obiectiv (linia 0 din tabel) sunt nenegativi.
Dac exist n linia funciei obiectiv coeficieni negativi pentru variabilele secundare,
atunci se poate gsi o soluie mai bun atribuind cantiti pozitive acestor variabile.

Regula 1 se mai numete criteriul de oprire.

Exemplu. Pentru problema noastr, n linia (0) coeficienii lui x1 i x2 sunt -5 i -6,
respectiv (tabelul 3.3.1). nseamn c nu s-a ajuns, nc, la soluia optim.
Regula 2: desemnarea unei noi variabile de baz
ntr-o problem de maximizare, variabila secundar care va nlocui o variabil de baz
este cea care are coeficientul cel mai negativ n linia funciei obiectiv (linia 0 din tabel).
La dou valori egale se ia una dintre ele, oarecare.

Regula 2 se mai numete criteriul de intrare n baz.

Coloana variabilei secundare care ntr n baz se numete coloana cheie.
Aceast regul se justific tocmai prin faptul c coeficienii din linia (0) cu ct se
modific valoarea curent a funciei obiectiv dac variabila din coloana respectiv crete cu o
unitate. Creterea este de sens contrar semnului. Astfel, se va alege coeficientul cel mai negativ
pentru a obine creterea cea mai mare.
Exemplu. Pentru problema noastr, se va alege x2 pentru a intra n baz. Fiecare cretere
cu o unitate a lui x2 determin o cretere cu 6 uniti a valorii funiei obiectiv. Coloana lui x2 este
coloana cheie.

Se pune acum problema cu cte uniti s fie crescut x2. Metoda simplex i permite lui x2
s creasc pn cnd una din variabilele de baz este adus la valoarea zero, ieind astfel din
baz. Problema care mai trebuie rezolvat este, deci, care este variabila din baz care va iei
atunci cnd va intra o nou variabil care, pn atunci, a fost secundar (n exemplul studiat, x2).
Decizia asupra crei variabile principale s fie eliminat din baz se ia examinnd
coloana cheie i coloana termenilor liberi. ntr-o reprezentare general, situaia se prezint ca n
tabelul urmtor:
Z
1

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

xk
a0k

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

Tabelul 3.3.2
bi
linia
b0
(0)

0
...
0

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

a1k
.....
amk

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

b1
.....
bm

coloana
cheie

(1)
.....
(m)

coloana
termenilor
liberi

Pe orice coloan j, valorile aij (i = 1, ... ,m) arat schimbrile care apar n fiecare dintre
variabilele care sunt n acel moment n baz dac variabila din coloana j se modific cu o unitate.
Semnele sunt, de asemenea, opuse direciei de modificare.
Exemplu. Dac n tabelul 3.3.1 studiem coloana cheie (a lui x2), observm c, n aceast
coloan, coeficienii sunt, respectiv, 2 pe linia variabilei de baz x3 i 6 pe linia variabilei de baz
x4. Asta nseamn c, dac x2 va crete cu o unitate, valoarea lui x3 descrete cu 2 (de la valoarea
120), iar x4 va descrete cu 6 (de la valoarea curent de 260).

Din consideraiile fcute rezult regula care d variabila principal care va fi eliminat din
baz.
Regula 3: desemnarea variabilei care iese din baz
Fie k coloana cheie ntr-o problem de maximizare.
Variabila de baz care va fi nlocuit se stabilete determinnd linia pentru care se
atinge
min

bi
a ik

pentru a ik > 0, i = 1,2 ,K , m

Regula 3 se mai numete criteriul de ieire din baz.

n afar de identificarea variabilei care iese din baz, valoarea minim a raportului bi/aik
arat numrul maxim de uniti care pot fi introduse de variabila care intr n baz.
Dac l este linia pe care se afl elementul care iese din baz i k este coloana cheie, pentru
trecerea la urmtoarea form explicit se va face pivotajul dup alk. La noi,
min
i =1,2

bi
120 260
= min
,
= min{60,43 1 3} = 43 1 3
2
ai 2
2

deci pivotajul se va face dup a22.

Procesul poate fi figurat ca n tabelul 3.3.3 unde sgeata indic variabila secundar care
indic variabila care iese din baz. Pivotajul se face dup elementul
intr n baz, iar sgeata
marcat.
variabile
de baz
x3

z
1
0

x1
-5
3

x2
-6
2

x3
0
1

x4
0
0

Tabelul 3.3.3
bi
linia
0
(0)
120
(1)

x4

260

(2)

Dup efectuarea pivotajului se obine tabelul 3.3.4 pe care se aplic iar cele trei regului
ale metodei simplex.
variabile
de baz
x3
x2

z
1
0
0

x1
-1
10
4

x2
0
0
1

x3
0
1
0

x4
1

Tabelul 3.3.4
linia
bi
260
(0)
33 1 3
(1)
43 1 3
(2)

Din tabelul 3.3.4 se poate citi noua soluie de baz care, dup cum se vede, este mai bun:
z = 260, x3 = 33 1 3 , x2 = 43 1 3 , x1 = 0, x4 = 0.
n continuare se reia procesul verificnd n tabelul 3.3.4 dac s-a obinut soluia optim.
Aplicnd regula 1, criteriul de oprire, rezult c nu s-a ajuns, nc, la soluia optim deoarece
mai exist n linia (0) coeficieni negativi. Va trebui aplicat regula 2, criteriul de intrare n baz,
pentru a decide care dintre variabilele secundare trebuie aleas. n situaia particular din tabelul
3.3.4 mai exist doar un coeficient negativ n linia (0), cel al lui x1. Coloana acestuia, k = 1,
devine coloana cheie. Aplicnd n continuare regula 3, criteriul de ieire din baz, rezult c
min
i =1,2

bi
100 6 130 6
130
= min
,
= min 20,
= 20
2
a i1
3 10 3 4

i acest minim se obine pe linia (1) Linia l = 1 va fi linia noului pivot. n concluzie, aa cum s-a
scos n eviden i n tabelul 3.3.4, x1 intr n baz, x3 iese din baz, iar acest lucru se face prin
pivotaj dup a11. n urma pivotajului se obine tabelul 3.3.5.
variabile
de baz
x3
x2

z
1
0
0

x1
0
1
0

x2
0
0
1

x3

x4

5
5

- 25

- 15
3

10

Tabelul 3.3.5
linia
bi
280
(0)
20
(1)
30
(2)

Relund procesul cu regula 3 de verificare a optimalitii se observ c pe linia (0) nu

mai sunt coeficieni negativi. Concluzia este c s-a ajuns la soluia optim pentru c nu se mai
pot face mbuntiri. Soluia optim se citete din tabelul 3.3.5. Ea este z = 280 i se obine
pentru x1 =20, x2 =30, x3 = 0, x4 = 0. Bineneles, ea coincide cu ceea cea obinut prin rezolvarea
grafic din seciunea 2.2.
Rezumatul algoritmului simplex pentru o
problem de maximizare n forma canonic

nti se aduce problema la forma standard adunnd n partea stng a fiecrei inecuaii
cte o variabil ecart. Variabilele ecart vor fi i variabilele de baz de la care se pornete
procedura de optimizare.
n continuare se aplic ciclic urmtorii pai:

1. Se verific dac soluia de baz curent este cea optim (regula 1): sunt toi coeficienii
din linia (0) mai mari sau egali cu zero?
Dac DA STOP. S-a atins valoarea optim.
Dac NU se trece la pasul 2.
2. Se aplic criteriul de intrare n baz (regula 2).
Va intra n baz variabila care are n linia (0) valoarea cea mai negativ. Coloana
respectiv devine coloan cheie.
3. Se aplic criteriul de ieire din baz (regula 3).
Pentru aceasta se calculeaz pentru coloana cheie k rapoartele bi/aik pentru aik > 0 i se
alege valoarea minim. Elementul alk corespunztor raportului minim devine pivot, iar
variabila de baz de pe linia l va deveni secundar (iese din baz).
4. Se face pivotaj dup elementul alk i apoi se reia ciclul cu pasul 1.

3.4 Algoritmul simplex pentru o

problem de maximizare cu restricii de toate tipurile
Pentru o problem de maximizare care are toate tipurile de restricii (, =, ), metoda n
sine nu se schimb. Singurele diferene apar n etapa de aducere a problemei la forma standard.
Acest aspect a fost deja discutat n seciunea 3.2. Mai precis, pentru orice restricie de tip se va
scdea o variabil ecart pozitiv din partea stng a inegalitii. De asemenea, pentru restriciile
de tip i pentru cele de tip = se va mai aduna i cte o variabil artificial. Variabilele
artificiale au rolul de a oferi o prim soluie de baz, de plecare, pentru metoda simplex.
n funcia obiectiv toate variabilele ecart vor primi coeficientul 0, iar variabilele artificiale
vor primi un coeficient -M foarte negativ.
Soluia de baz iniial a unei astfel de probleme este format din variabilele ecart ale
restriciilor de tip i din variabilele artificiale ale restriciilor de tip i =.

3.5 Algoritmul simplex pentru o problem de minimizare

n cazul problemelor de minimizare procedura simplex se modific foarte puin.
O prim diferen este c variabilelor artificiale li se atribuie n funcia obiectiv coeficieni
+M foarte mari (i nu -M ca la problemele de maximizare).
O alt diferen este interpretarea coeficienilor de pe linia (0) a problemei. Aceasta duce
la modificarea regulii 1 i a regulii 2 care, pentru problemele de minimizare devin:
Regula 1A: verificarea optimalitii soluiilor
ntr-o problem de minimizare s-a gsit soluia optim (minimum) dac toi coeficienii
din linia funciei obiectiv (linia 0) sunt mai mici sau egali cu zero.
Dac exist n linia funciei obiectiv coeficieni pozitivi pentru variabilele secundare,
atunci se poate gsi o soluie mai bun atribuind cantiti pozitive acestor variabile.

Regula 2A: desemnarea unei noi variabile de baz

ntr-o problem de maximizare, variabila secundar care va nlocui o variabil de baz

este cea care are cel mai mare coeficient pozitiv n linia funciei obiectiv (linia 0). La
dou valori egale se ia una dintre ele, oarecare.

Exemplu: S se rezolve urmtoarea problem PL

min z = 5x1 + 6 x 2

(3.5.1)

x1 + x 2 10

2 x1 + 4 x 2 24

(3.5.2)

x1 , x 2 0

(3.5.3)

Dup aducerea la forma standard problema devine:

max z = 5x1 + 6 x 2 + 0 x 3 + Mx 4 + 0 x5 + Mx 6

(3.5.4)

x1 + x 2 x 3 + x 4
= 10

x 5 + x 6 = 24
2 x1 + 6 x 2

(3.5.5)

x1 , x 2 , x 3 , x 4 , x 5 , x 6 0

(3.5.6)

Variabilele ecart sunt x3 i x5, iar variabilele artificiale sunt x4 i x6.

variabile
de baz
x4
x6

z
1
0
0

x1
-5
1
2

x2
-6
1
4

x3
0
-1
0

x4
-M
1
0

x5
0
0
-1

Tabelul 3.5.1
x6
linia
bi
-M
0
(0)
0
10
(1)
1
24
(2)

n tabelulu 3.5.1 se vede prima soluie de baz a problemei care are ca variabile de baz
tocmai variabilele artificiale x4 i x6. Se mai observ, ns, c pe coloanele acestora nu sunt numai
zerouri (n afara pivotului): elementele de pe linia (0) au valoarea -M. Vom face 0 n coloana lui
x4 nmulind linia (1) cu M i adunnd-o la linia (0). Apoi, pentru x6 nmulim linia (2) cu M i o
adunm la linia (0). Se obine, astfel, tabelul 3.5.2.

Variabile
de baz
x4
x6

z
1
0
0

x1
-5+3M
1
2

x2
-6+5M
1
4

x3
-M
-1
0

x4
0
1
0

x5
-M
0
-1

x6
0
0
1

bi
34M
10
24

Tabelul 3.5.2
linia
(0)
(1)
(2)

S-a ajuns n tabelul 3.5.2 la o prim soluie de baz n care variabilele principale sunt x4 =
10 i x6 = 24. Valoarea funciei obiectiv este z = 34M.
Tot pe tabelul 3.5.1 se vede cum se face i pivotajul pentru pasul urmtor. ntr-adevr,
aplicnd regula 1A se observ c nu s-a atins, nc, soluia optim: pe linia(0) mai sunt coeficieni

pozitivi, cei ai lui x1 i x2 (M este un numr pozitiv foarte mare). Dintre acetia, cel mai mare este
coeficientul lui x2, de aceea coloana sa devine coloan cheie, iar x2 intr n baz. Rapoartele
pozitive calculate pe coloana cheie (regula 3) dau valoarea minim pe linia (2), deci x6 iese din
baz. Mai departe rezult succesiv:

x2
0
0
1

x3
-M
-1
0

x4
0
1
0

x1
0
1
0

x2
0
0
1

x3
-4
-2
1

x4
4-M
2
- 12

variabile
de baz
x4
x2

z
1
0
0

x1
-2+ M 2

variabile
de baz
x1
x2

z
1
0
0

1
1

x5

32 +
1

- 14
x5
- 12
1

-1

x6

5M 4

- 14
1

x6
1 -M
2
- 12
1

bi
36+4M
4
6

Tabelul 3.5.3
linia
(0)
(1)
(2)

bi
52
8
2

Tabelul 3.5.4
linia
(0)
(1)
(2)

Pe linia (0) a ultimului tabel nu mai sunt coeficieni pozitivi. Conform regulii 1A s-a atins
soluia optim (valoarea minim a lui z). Aceasta este: z = 52 i se obine pentru x1 = 8 i x2 = 2.
Variabilele secundare: x3 = x4 = x5 = x6 = 0.

3.6 Situaii speciale

Soluii optime multiple

n cazul problemelor rezolvate grafic s-a vzut c dac soluia se atingen dou vrfuri ale
poligonului soluiilor admisibile, atunci ntreaga latur determinat de acele dou vrfuri este
format din puncte de optim.
Atunci cnd se folosete metoda simplex, existena soluiilor optime multiple este indicat
de urmtoarele:
1. s-a gsit soluia optim i
2. n linia (0), coeficientul unei variabile secundare este egal cu zero.

Prima condiie confirm c nu exist o soluie mai bun dect cea prezent. A doua
condiie arat c variabila secundar respectiv poate deveni variabil de baz, iar valoarea
curent a funciei obiectiv nu se va schimba.
Cnd se constat c exist soluii optime multiple, cellalt punct n care se atinge optimul
se poate afla tratnd variabila secundar cu coeficientul zero ca i cum ar fi o nou variabil de
baz.
Problem fr soluii admisibile

n cazul rezolvrii grafice s-a artat c absena soluiilor admisibile pentru problema PL
nseamn c nu exist soluii care s satisfac sistemul de restricii.
Condiia de absen a soluiilor pentru o problem de programare liniar rezolvat prin
metoda simplex este semnalat prin apariia ntr-o soluie a unei variabile artificiale cu valoare

pozitiv. Aceasta deoarece variabilele artificiale nu trebuie s aib semnificaie practic n

problem.
Soluii nemrginite

Soluiile nemrginite apar cnd:

1. spaiul soluiilor este nemrginit i
2. mbuntirea funciei obiectiv apare odat cu micarea nspre zona nemrginit a
spaiului soluiilor.
Dac la o iteraie a metodei simplex valorile aik (de pe coloana cheie) sunt toate zero sau
negative, atunci problema are soluii nemrginite.
Rezolvai prin metoda simplex problemele de programare liniar enunate
n exerciiile 1 pn la 12 de la paginile 3-15 i 3-16.

n capitolul al treilea a fost prezentat una din cele mai cunoscute metode de optimizare:
algoritmul simplex. Problemele din lumea real pot conine zeci de variabile i restricii
structurale, iar rezolvarea lor se face cu ajutorul calculatorului folosind programe specializate. Cu
toate acestea, studierea modelului din punct de vedere matematic nu este inutil ci, din contr,
este indispensabil abordrii corecte a unor probleme reale, de mari dimensiuni, cu ajutorul
aplicaiilor software specializate.

Exerciii
S se rezolve prin metoda simplex urmtoarele probleme de programare liniar:

1) max z = 4 x1 + 2 x 2
x1 + x 2 50

240
6 x1
x1 , x 2 0
3) max z = 10 x1 + 12 x 2
x1 + x 2 150

3x1 + 6 x 2 300
4 x + 2 x 160
2
1
x1 , x 2 0

2) max z = 4 x1 + 4 x 2
4 x1 + 8 x 2 24

24 x1 + 16 x 2 96
x1 , x 2 0

4) max z = 6 x1 + 8 x 2 + 10 x 3
1200
x1 + 2 ,5x 2

2 x1 + 3x 2 + 4 x 3 2600
x1 , x 2 , x 3 0

5) max z = 10 x1 + 3x 2 + 4 x 3
8 x1 + 2 x 2 + 2 x 3 240

2600
4 x1 + 3 x 2
x1 , x 2 , x 3 0

6) max z = 4 x1 2 x 2 + x 3
6 x1 + 2 x 2 + 2 x 3 240

2 x1 2 x 2 + 4 x 3 40
2 x + 2 x 2 x 80
2
3
1
x1 , x 2 , x 3 0

7) max z = 4 x1 + 2 x 2
x1 + x 2 15

2 x1 + x 2 20
x1 , x 2 0

8) min z = 4 x1 + 6 x 2
3x1 + x 2 15

2 x1 + 3x 2 17
x1 , x 2 0

9) min z = 6 x1 + 3x 2
x1 + 2 x 2 20

4 x1 + 2 x 2 32
x
8
1
x1 , x 2 0
11) max z = 25x1 + 50 x 2
2 x1 + 2 x 2 1000

600
3x1
x + 3x 600
2
1
x1 , x 2 0

10) max z = 5x1 + 3x 2

x1 + 2 x 2 10

x2 5

x1 , x 2 0
12) min z = 6 x1 + 8 x 2 + 16 x 3
5
2 x1 + x 2

x2 + 2 x3 4

x1 , x 2 , x 3 0

4
Elemente de
teoria probabilitilor
4.1
4.2
4.3
4.4
4.5
4.6

Experimente aleatoare
Evenimente
Noiunea de probabilitate
Probabiliti condiionate. Evenimente independente
Variabile aleatoare
Caracteristici numerice ale variabilelor aleatoare

Obiectivele capitolului
nelegerea noiunilor de experiment aleator i eveniment aleator
Definirea principalelor noiuni privitoare la evenimente, introducerea unei clasificri a

evenimentelor aleatoare i enumerarea proprietilor acestora.

Introducerea noiunii de probabilitate.
Introducerea noiunii de variabil aleatoare, a operaiilor cu variabile aleatoare i a
caracteristicilor numerice uzuale ale variabilelor aleatoare
Multe fenomene din viaa real sunt caracterizate de incertitudine sau de evoluie
ntmpltoare. Multe decizii trebuie luate n condiii n care nu se cunosc cu exactitate toate
elementele care s permit o predicie exact a rezultatelor unei aciuni. Teoria probabilitilor
este unul dintre cele mai puternice instrumente matematice care permit modelarea unor astfel de
situaii.
Acest capitol este dedicat punctrii unor concepte de baz din teoria probabilitilor. Este
vorba de un minimum necesar nelegerii domeniului care, n plus, st la baza dezvoltrilor din
capitolul urmtor.

4.1 Experimente aleatoare

Definiia 4.1.1
Se numete experiment aleator orice aciune care poate fi repetat n condiii similare, n
care nu se cunoate de la nceput rezultatul, dar se cunosc toate rezultatele posibile.


Definiia 4.1.2
Se numete spaiul de selecie al unui experiment aleator mulimea S a tuturor
rezultatelor posibile ale experimentului.
Un rezultat posibil al experimentului (un element al mulimii S) se numete prob.

Din definiia de mai sus rezult c, n unele situaii, se poate folosi termenul de cazuri
posibile ale unui experiment, n loc de mulimea probelor.
Exemple:
1) Experiment: aruncarea unui zar
Spaiul de selecie este finit: S = {1, 2 , 3, 4 , 5, 6}
2) Experiment: tragerea la int
Spaiul de selecie este infinit: S = mulimea punctelor de pe int.

4.2 Evenimente
Definiia 4.2.1
Se numete eveniment orice submulime de rezultate (probe) coninute n spaiul de
selecie S al unui experiment aleator.
Se numete eveniment elementar un eveniment care const exact dintr-o singur prob i
se numete eveniment compus un eveniment constnd din mai multe probe.

Notaii: Evenimentele se noteaz cu litere mari: A, B, C, ...

Din definiia de mai sus rezult c se numete eveniment orice situaie legat de un
experiment aleator i despre care se poate spune cu certitudine dac s-a produs sau nu dup
efectuarea experimentului.
Definiia 4.2.2
Se numete sistem de evenimente orice mulime de evenimente a cror apariie se
urmrete ca urmare a efecturii unui experiment aleator.

Observaie: un sistem de evenimente poate fi, dup caz, finit sau infinit.
Definiia 4.2.3
Se numete evenimentul sigur, evenimentul care se realizeaz ntotdeauna ca rezultat al
efecturii unui experiment aleator.
Se numete evenimentul imposibil, evenimentul care nu se poate realiza niciodat ca
urmare a efecturii experimentului aleator.

Notaii: Evenimentul sigur: E. Evenimentul imposibil:

Exemplu:

Experiment: aruncarea unui zar.

Evenimentul sigur: E = {1, 2 , 3, 4 , 5, 6}
Evenimentul imposibil: apariia altei fee dect 1, 2, 3, 4, 5, 6.
Definiia 4.2.4
Fie un eveniment A. Se numete evenimentul contrar (sau opus, complementar) lui A,
evenimentul care se realizeaz ori de cte ori nu se realizeaz A i nu se realizeaz ori de
cte ori se realizeaz A.

Notaii: A , CA .
Exemple:
1) Experiment: aruncarea unui zar
Dac A = {1, 2 , 5, 6} , atunci A = {3, 4} .
2) Este evident c, pentru orice experiment aleator sunt valabile urmtoarele:
E = i = E .
Definiia 4.2.5
Se spune c evenimentul A implic evenimentul B, sau c evenimentul B este implicat
de evenimentul A dac B se realizeaz ori de cte ori se realizeaz A.

Notaie: A B

Dac A nu implic B, notaia este A B .

Exemplu:

Experiment: aruncarea unui zar.

Se poate spune c: {1} {1, 5}; {2 , 3} {1, 2 , 3, 5};

{1, 4} {2, 4}

Relaia de implicaie are urmtoarele proprieti:

(1) A A
(2) A E
(3) dac A B i B C , atunci A C
(tranzitivitate)
(4) A
Proprietatea (4) este admis prin convenie pentru generalizare.
Definiia 4.2.6
Se spune c evenimentul A este echivalent cu evenimentul B A B i B A .

Notaie: A = B

Definiia 4.2.7
Fiind date dou evenimente A i B, se numete reuniunea lui A cu B evenimentul care se
realizeaz atunci cnd se realizeaz cel puin unul dintre cele dou evenimente.

Notaie: A B

Definiia 4.2.7 justific i o alt denumire pentru A B : "A sau B".

Se mai observ c mulimea probelor care realizeaz evenimentul A B este format din
reuniunea mulimilor probelor care realizeaz evenimentele A i B.
Exemplu:

Experiment: aruncarea unui zar.

Dac A = {1, 2 , 3} i B = {2 , 3, 4} atunci A B = {1, 2 , 3, 4} .
Reuniunea evenimentelor are urmtoarele proprieti:
(1)
(2)
(3)
(4)
(5)
(6)

A B = B A
(comutativitate)
( A B) C = A ( B C) (asociativitate)
A ( A B) , B ( A B)
A A = A
A E = E
A = A

Definiia 4.2.8
Fiind date dou evenimente A i B, se numete intersecia lui A cu B evenimentul care se
realizeaz atunci cnd se realizeaz simultan cele dou evenimente.

Notaie: A B

Definiia 4.2.8 justific i o alt denumire pentru A B : "A i B".

Se mai observ c mulimea probelor care realizeaz evenimentul A B este format din
intersecia mulimilor probelor care realizeaz evenimentele A i B.
Exemplu:

Experiment: aruncarea unui zar.

Dac A = {1, 2 , 3} i B = {2 , 3, 4} atunci A B = {2 , 3} .
Intersecia evenimentelor are urmtoarele proprieti:
(1)
(2)
(3)
(4)
(5)

A B = B A
( A B) C = A ( B C)

(comutativitate)
(asociativitate)
A ( B C) = ( A B ) ( A C)
(distributivitatea interseciei fa de reuniune)
A ( B C) = ( A B ) ( A C)
(distributivitatea reuniunii fa de intersecie)
A B A B = A ;
n particular, A A = A , A E = A, A =

(6) A B A, A B B
Definiia 4.2.9
Dou evenimente A i B, se numesc compatibile dac ele se pot realiza simultan, adic
exist probe comune care realizeaz att pe A ct i pe B.
Dac evenimentele nu se pot realiza simultan, ele se numesc incompatibile.

Notaii:
A B ;
pentru dou evenimente compatibile,
pentru dou evenimente incompatibile, A B = .
Exemplu:

Experiment: aruncarea unui zar.

Dac A = {1, 2 , 3} , B = {2 , 3, 4} , C = {5, 6,} , atunci A B , iar A C = .
Atunci cnd, n cadrul unui experiment, urmrim un eveniment, de fapt, ne fixm atenia
asupra unei pri din mulimea probelor experienei. Rezult c, un eveniment poate fi identificat
cu mulimea probelor din care este format. Aceasta justific att notaiile, ct i folosirea
terminologiei din teoria mulimilor. Aceast dualitate de limbaj i notaiile corespunztoare sunt
sintetizate n tabelul 4.2.1.
Tabelul 4.2.1
Evenimente

Mulimi

Notaie

Eveniment sigur

Mulimea total

Eveniment imposibil

Mulimea vid

Contrariul lui A

Complementara lui A

A , CA

A implic B

A inclus n B

AB

A sau B

Reuniunea lui A i B

A B

A i B

Intersecia lui A cu B

A B

A, B incompatibile

A, B disjuncte

A B =

A, B compatibile

A, B nedisjuncte

A B

Prin abstractizarea noiunilor expuse mai sus se introduce noiunea de cmp de

evenimente, ale crui axiome trebuie s asigure c, odat cu evenimentele A i B, putem vorbi i
despre urmtoarele: contrarul lui A, A sau B, A i B.
Definiia 4.2.10
Fie E mulimea total (a probelor) i fie K mulimea tuturor evenimentelor
corespunztoare unui experiment. Cuplul (E, K) formeaz un cmp de evenimente dac
sunt satisfcute urmtoarele axiome:
(i) dac A K atunci A K;

(ii) dac A K i , B K atunci A B K i A B K.

Un cmp de evenimente are urmtoarele proprieti

(1) E K, K;
(2) dac A , B K i A B , atunci B - A K, unde B A = B A ;
(3) dac cmpul de evenimente K este infinit, atunci pentru Ai K, i N, avem

Ai K

i =1

IA

K.

i =1

Observaii:
1) Dac mulimea K este finit, atunci avem un cmp de evenimente finit, iar dac
mulimea K este infinit, atunci avem un cmp de evenimente infinit.
2) Evenimentul B - A despre care se discut n proprietatea (2) este diferena dintre
evenimentele B i A, adic evenimentul care se realizeaz atunci cnd se realizeaz B
i nu se realizeaz A. Prin urmare, B A = B A .
Definiia 4.2.11
Fie cmpul de evenimente (E, K). O mulime de evenimente Ai , i = 1, 2, ... , n formeaz
un sistem complet de evenimente dac sunt ndeplinite urmtoarele condiii:
(i) A1 A2 K An = E , adic reuniunea tuturor evenimentelor d evenimentul sigur;
(ii) Ai A j = pentru i j. i, j = 1,2, ..., n, adic evenimentele sunt incompatibile dou

cte dou.

Definiia 4.2.12
Fie cmpul de evenimente (E, K).
Un eveniment A K se numete eveniment compus dac exist dou evenimente
B, C K, diferite de A, astfel nct A = B C .
Un eveniment care nu este compus i nu este evenimentul imposibil se numete
eveniment elementar, sau atom.

Rezolvai exerciiile din seciunea "Evenimente" de la pagina 4-19

4.3 Noiunea de probabilitate

Fiind dat un cmp de evenimente K se pune problema de a caracteriza printr-un numr
cuprins ntre 0 i 1 probabilitatea (ansa) de apariie a fiecrui eveniment A K. Au existat
diferite tentative de a msura aceast ans i, corespunztor, au aprut diferite definiii ale
probabilitii. Aceste definiii vor fi prezentate n continuare pe scurt dei, aa cum se va vedea,
doar ultima din enumerare, definiia axiomatic dat de Kolmogorov, poate fi considerat cea
complet riguroas. Enunarea celorlalte definiii este, ns, util pentru c ele sunt intuitive i pot

fi aplicate situaiilor particulare pe care le vom aborda n capitolul 5. De asemenea, nu este lipsit
de interes s observm evoluia gndirii tiinifice n aceast direcie care, dei a surprins de-a
lungul timpului diferite aspecte ale producerii evenimentelor aleatoare, abia n 1931 a dus la o
definire riguroas i general.
Definiia statistic a probabilitii

n aceast abordare, noiunea teoretic de probabilitate a fost abstras din noiunea de

frecven, care are un caracter experimental.
Fie A un eveniment aleator asociat unui experiment E i fie n repetri ale experimentului
E. Dac se noteaz nA numrul de apariii ale evenimentului A n cele n ncercri, atunci numrul
f n ( A) =

nA
n

se numete frecvena relativ a evenimentului A n seria dat de repetri ale

experimentului.
Exemplu:

Se arunc o moned de 100 de ori i se urmrete evenimentul apariiei feei cu stema. S

presupunem c stema a aprut de 53 de ori. Numrul f 100 = 53 100 reprezint frecvena relativ a
evenimentului. La fiecare repetare a experienei se obin frecvene n jurul valorii de 1 2 . Acest
numr n jurul cruia se grupeaz frecvenele relative se numete n limbaj curent probabilitatea
ca la o aruncare s apar stema.
Deci, pentru orice astfel de experiment, frecvena variaz de la o experienla alta. Ea are
un caracter empiric, experimental. Dac se execut un numr mare de experiene se va manifesta
o anumit legitate exprimat prin oscilaia frecvenelor relative n jurul unui numr care
reprezint o valoare caracteristic obiectiv a fenomenului studiat. Rezult urmtoarea definiie
obinut pe cale experimental:
Definiia 4.3.1
Se numete probabilitatea evenimentului A, numrul P(A), caracteristic intrinsec a
evenimentului A, care indic aproximativ frecvena relativ de apariie a evenimentului A
ntr-o serie suficient de mare de repetiii ale experimentului.

Aceast definiie statistic are o serie de neajunsuri, fiind puin formalizat din punct de
vedere matematic i avnd un caracter descriptiv. Practic, se consider ca valoare aproximativ a
probabilitii, media aritmaetic a frecvenelor. Aproximarea va fi cu att mai bun cu ct
numarul de repetri va fi mai mare. Pentru scopuri limitate, definiia poate fi, totui folosit, aa
cum se va vedea n capitolul urmtor.
Definiia clasic a probabilitii

Aceast definiie este destul de frecvent utilizat pentru c ea este adecvat ntr-o clas
destul de larg de situaii. Ea reduce, totui, noiunea de probabilitate la posibilitatea egal de
apariie a evenimentelor elementare. Acest lucru este adesea valabil, dar nu ntotdeauna.
Presupunerea fundamental este c mulimea evenimentelor ataate unei experiene poate
fi construit prin operaia de reuniune a unor evenimente egal posibile. De exemplu, n experiena
aruncrii unui zar, se consider ca evenimente de baz evenimentele {1}, {2}, {3}, {4}, {5}, {6}

privite ca egal posibile. Toate celelalte evenimente, cu excepia evenimentului imposibil, sunt
reuniuni ale acestora.
Definiia 4.3.2
Se numete probabilitatea evenimentului A, numrul P(A) care se calculeaz ca raportul
ntre numrul de cazuri favorabile producerii evenimentului i numarul de cazuri posibile
a aprea n urma efecturii experimentului:
P ( A) =

n
N

(4.3.1)

unde n este numrul de cazuri favorabile, iar N este numrul de cazuri posibile.

{i aceast definiie, dat de Laplace, este insuficient deoarece se aplic doar pentru
cmpuri finite de evenimente i pleac de la ipoteza, care nu este ntotdeauna adevrat, c
evenimentele elementare sunt "egal posibile". Cu toate acestea, ea are o larg arie aplicabilitate
pentru c, multe situaii din lumea real opereaz cu cmpuri finite n care evenimentele
elementare sunt egal posibile.
Definiia geometric a probabilitii

Prin exemplul urmtor se ilustreaz c definiia clasic a probabilitii nu este suficient

n cazurile cmpurilor de evenimente infinite.
Exemplu:

Se consider un interval de baz = [a, b] i un subinterval oarecare A = [a', b'] al

acestuia. Se alege, la ntmplare ("cu ochii nchii"), un punct n intervalul = [a, b]. Care este
probabilitatea ca punctul ales s se nimereasc n subintervalul A = [a', b']?
Este clar c, n acest caz, nu se pot numra cazurile favorabile (punctele din intervalul [a',
b']) i nici cazurile posibile (punctele din intervalul [a, b]), deoarece ambele mulimi au un numr
infinit de puncte. Trebuie o alt modalitate de exprimare a raportului ntre "favorabil" i "posibil".
Se poate intui uor c, pentru a exprima probabilitatea cerut n problem, se poate folosi o
msur pentru intervalele avute n vedere, mai precis lungimea fiecruia. Fcnd raportul acestor
lungimi, se obine o valoare ntre 0 i 1, care depinde doar de lungimea intervalului A i nu de
aezarea acestuia n intervalul de baz :
P( A) =

b' a '
ba

Conceptul de msur, uor de definit pentru intervale, se extinde la clase mult mai largi
de mulimi, iar teoria msurii este o ramur ampl a matematicii care trateaz domeniul. Pentru
cele necesare n acest context, ne vom limita a afirma faptul c exist clase de mulimi
msurabile. Aceasta nseamn c pentru mulimile dintr-o astfel de clas s-a definit o msur
exprimat prin numere pozitive i finite.

Pentru a da o aa-numit definiie geometric a probabilitii vom considera, ntr-un

spaiu cu n dimensiuni, o mulime msurabil , de baz. S facem observaia c despre spaii
abstracte cu n dimensiuni s-a mai discutat, deja, n finalul seciunii 1.2. Vom mai nota cu
mulimea tuturor submulimilor msurabile ale lui (sau mulimea prilor msurabile ale lui
). Pentru orice astfel de mulime A L (parte msurabil a lui ), se noteaz cu (A) msura
lui A. Se arunc, la ntmplare, un punct n mulimea i se cere s se exprime probabilitatea ca
punctul s cad n mulimea A. Intuitiv, putem spune c aceast probabilitate este proporional
cu msura mulimii A i nu depinde de forma i aezarea lui A n . Definiia poate fi
sistematizat astfel:
Definiia 4.3.3
Fie o mulime msurabil, L - mulimea prilor msurabile ale lui i o mulime
msurabil A L.
Fie, notat tot cu A, evenimentul ca un punct ales la ntmplare n s aparin mulimii A
L.
Prin definiie, probabilitatea evenimentului A este numrul P(A) care se calculeaz ca
raportul ntre msura mulimii A i msura mulimii .:
P ( A) =

( A)

(4.3.2)

( )

Aceast probabilitate verific proprietile observate att la definiia statistic , unde se

folosete frecvena relativ ct i la definiia clasic. {i acestei definiii i-au fost aduse critici
pentru modul arbitrar n care s-a definit probabilitatea.
Definiia axiomatic a probabilitii

Inconvenientele diferitelor definiii ale probabilitii au fost depite de A. N.

Kolmogorov care a pus bazele axiomatice ale teoriei probabilitilor (1931). Aceast
axiomatizare leag teoria probabilitilor de teoria msurii i teoria funciilor de variabile reale.
Definiia 4.3.4
Fie (E, K) un cmp de evenimente.
Se numete probabilitate pe cmpul de evenimente (E, K) o funcie
P: K [ 0, 1]

cu proprietile
(1) P( E ) = 1

k I

(2) P U Ak = P( Ak )
k I

(4.3.3)

unde I este o mulime de indici, finit sau infinit, iar pentru orice i,j I, i j,
Ai A j = , (evenimentele sunt incompatibile dou cte dou).

n definiia de mai sus, proprietatea (1) spune c probabilitatea evenimentului sigur este
1, iar proprietatea (2) spune c probabilitatea reuniunii a mai multor evenimente incompatibile
este egal cu suma probabilitilor acelor evenimente.
Dac (E, K) este un cmp finit de evenimente ale crui evenimente elementare sunt
E = {e1 , e 2 ,K , e n }

atunci, din definiia 4.3.4 rezult:

P( ei ) 0, i = 1,2 ,K , n
n

P( e ) = P ( E ) = 1
i

i =1

Dac P(e1) = P(e2) = ...= P(en) spunem c evenimentele elementare sunt egal probabile i,
n aceste caz, rezult
P( e i ) =

1
n

(4.3.4)

Dac A K este un eveniment oarecare, el se poate scrie ca reuniune de evenimente

elementare:
A = ei1 ei2 K eim

de unde,
m
P( A) = P eir =
r =1

1 m
P( e ) = m n = n
r =1

ir

Deci, ntr-un cmp finit de evenimente ale crui n evenimente elementare sunt egal
probabile, probabilitatea unui eveniment oarecare A este egal cu raportul dintre numrul m de
evenimente elementare favorabile lui A i numrul total n de evenimente elementare ale
cmpului:
P( A) =

m
n

(4.3.5)

Se vede, astfel, cum definiia clasic a probabilitii este coninut ca un caz particular n definiia
axiomatic.

Exemplu. Experiment: aruncarea unui zar. Avem: E = {1, 2 , 3, 4 , 5, 6}

Pentru evenimentul A = {1, 3, 5} rezult probabilitatea P( A) = 3 6 = 1 2 .

Definiia 4.3.5
Fie (E, K) un cmp de evenimente (finit sau infinit).
Se numete cmp de probabilitate, un triplet (E, K, P) n care P este o probabilitate
definit pe (E, K).

Se poate arta c, pentru orice cmp de probabilitate au loc proprietile urmtoare.

(1) P() = 0

(2) P( A) = 1 P( A ) , pentru orice A K.

(3) dac A, B K i A B , atunci P( B A) = P( B) P( A)

(4) n general, P( B A) = P( B) P( A B)
(5) dac A B , atunci P( A) P( B) .
(6) 0 P( A) 1, pentru orice A K.

(7) P( A B) = P( A) + P( B) P( A B), pentru orice A,B K.

i I

(8) P U Ai P( Ai ) , unde I este o mulime de indici, finit sau infinit.

i I

ncheiem aceast seciune cu observaia suplimentar c, dac (E, K) este un cmp de

evenimente infinit, atunci (E, K, P) se numete cmp de probabilitate borelian.

4.4 Probabiliti condiionate. Evenimente independente

Definiia 4.4.1
Fie (E, K, P) un cmp borelian de probabilitate i A, B K dou evenimente. n plus,
probabilitatea de apariie a evenimentului A este nenul (P(A) 0).
Se numete probabilitatea evenimentului B condiionat de evenimentul A, sau
probabilitatea condiionat a lui B n raport cu A, expresia:
PA ( B ) =

P( A B )
P( A)

(4.4.1)

Notaii: PA(B) sau P(B|A).

PA(B) exprim probabilitatea producerii evenimentului aleator B n ipoteza c

evenimentul A, care este tot aleator, s-a produs.
Similar, dac P(B) 0, se definete probabilitatea condiionat a lui A n raport cu B:

PB ( A) =

P( A B )

(4.4.2)

P( B )

Definiia 4.4.2
Fie (E, K, P) un cmp borelian de probabilitate i A, B K dou evenimente.
Evenimentele A i B se numesc independente dac are loc egalitatea:
P ( A B ) = P ( A) P ( B )

(4.4.3)

Ideea intuitiv este c dou evenimente se numesc independente dac producerea unuia
nu depinde de producerea celuilalt. Acest lucru se observ dac folosim definiiile 4.4.1 i 4.4.2.
Astfel, din relaia 4.4.1 rezult, n general:
P( A B ) = P( A) PA ( B )

(*)

Dac, n plus, evenimentele sunt independente are loc relaia (4.4.3). Deci, pentru doua
evenimente independente se pot combina relaia (4.4.1) i relaia (*) de mai sus i rezult:
P( A) P( B ) = P( A) PA ( B )

P( B ) = PA ( B )

Din relaia obinut mai sus arat c, dac evenimentele sunt independente, probabilitatea
lui B condiionat de A este aceeai cu probabilitatea lui B (necondiionat). Aceasta arat c, B
fiind independent de A, probabilitatea lui B nu depinde de A.
Se pot demonstra urmtoarele proprieti.
(1) Probabilitile PB(A) i PA(B) sunt proporionale:
PA ( B )
P( B )

PB ( A)
P ( A)

(4.4.2)

Proprietatea se demonstreaz imediat folosind relaiile (4.4.1) i (4.4.2).

(2) Dac Ai, i = 1, 2, ..., n formeaz un sistem complet de evenimente i B este un
eveniment oarecare, atunci are loc relaia:
P( B ) = P( A1 ) PA1 ( B ) + P( A2 ) PA2 ( B ) + K + P( An ) PAn ( B )

(4.4.3)

Relaia de mai sus se numete formula probabilitii totale.

(3) Dac Ai, i = 1, 2, ..., n formeaz un sistem complet de evenimente i B este un
eveniment oarecare, atunci are loc relaia:
PB ( Ai ) =

P( Ai ) PAi ( B )

P( A1 ) PA1 ( B ) + K + P( An ) PAn ( B )

(4.4.4)

Relaia de mai sus se numete formula lui Bayes.

(4) Fie evenimentele Ai, i = 1, 2, ..., n. Are loc inegalitatea:
P( A1 A2 K An ) 1

P( A )
i

i =1

(4.4.5)

sau, echivalent,
P( A1 A2 K An )

P( A ) n + 1
i

i =1

(4.4.5')

Relaia (4.5.5) i cea echivalent (4.5.5') poart numele de inegalitatea lui Boole.
(5) Pentru evenimentele Ai, i = 1, 2, ..., n are loc egalitatea
P( A1 A2 K An ) = P( A1 ) PA1 ( A2 ) PA1 A2 ( A3 ) K PA1 K An 1 ( An )

(4.4.6)

Relaia (4.4.6) se numete formula de nmulire a probabilitilor.

Rezolvai exerciiile din seciunea "Probabiliti" de la pagina 4-20

4.5 Variabile aleatoare

Variabilele aleatoare sunt mrimi care se schimb sub influena unor factori ntmpltori.
Exemple:
a)
b)
c)
d)
e)

numrul de zile ploioase ntr-un an, ntr-o anumit regiune;

numrul de biei la suta de nou-nscui;
numrul de apeluri telefonice la o central n unitatea de timp;
timpul de funcionare fr avarii a unui utilaj (n numr de ore);
timpul care se scurge ntre dou apeluri consecutive la o central telefonic.

Din exemplele date, se observ c exist variabile a cror mulime de valori este:
finit: acestea se numesc variabile aleatoare simple (exemplele a i b);

 numrabil: acestea se numesc variabile aleatoare discrete (exemplele c i d);

continu: acestea se numesc variabile aleatoare continue (exemplul e).
Cele de pn acum duc la concluzia c o variabil aleatoare poate fi privit ca o
coresponden ntre mulimea rezultatelor posibile (evenimentele elementare) ale unui experiment
aleator i mulimea numerelor reale. Deci, pentru a caracteriza o variabil aleatoare, trebuie
cunoscute valorile sale posibile mpreun cu probabilitile de a lua aceste valori. Rezult o
funcie, aceasta fiind i modalitatea prin care se poate face definirea riguroas a noiunii de
variabil aleatoare.
Definiia 4.5.1
Fie (E, K) un cmp de evenimente.
Se numete variabil aleatoare pe (E, K) orice aplicaie
X:E R

(4.5.1)

care are proprietatea c, oricare ar fi un interval I al mulimii numerelor reale R,

{e | X (e) I } K

(4.5.2)

Notaii: variabilele aleatoare se noteaz frecvent cu X, Y, Z, ...

Definiia spune c, oricare ar fi un interval I al dreptei reale, mulimea evenimentelor

elementare care se asociaz prin funcia X cu punctele intervalului formeaz un eveniment din
cmpul de evenimente K.
Aceast definiie acoper toate categoriile de variabile aleatoare, inclusiv pe cele de tip
continuu. n cele ce urmeaz, ne vor interesa, n special, variabilele aleatoare discrete, adic cele
care au mulimea valorilor numrabil. Ba chiar, n multe cazuri, va fi suficient s ne limitm la
variabile aleatoare simple, adic cele care au mulimea valorilor finit. Pentru aceste categorii de
variabile aleatoare se poate face o reprezentare sub form de tablou a funciei corespunztoare.
Prima linie a tabloului conine toate valorile posibile, n ordine cresctoare, pe care le poate lua
variabila aleatoare, iar pe linia a doua se trec probabilitile corespunztoare de apariie a acestor
valori. Dat fiind c probabilitile de pe linia a doua corespund tuturor valorilor pe care le poate
lua variabila aleatoare, rezult c suma acestor probabiliti trebuie s fie, obligatoriu, egal cu 1.
Se obine, astfel, un aa-numit tablou de distribuie (sau repartiie) al variabilei aleatoare.
Definiia 4.5.2
Se numete repartiie, sau distribuie, a variabilei aleatoare simple X, tabloul:
x
X : 1
p1

x2 K xn

p2 K pn

, sau

x
X : i
, unde
pi i =1,2 ,...,n

= 1.

i =1

Se numete repartiie, sau distribuie, a variabilei aleatoare discrete X, tabloul:

(4.5.3)

x
X : 1
p1

x2 K xn K

p2 K pn K

, sau

x
X : i , unde
pi i N

p
i =1

= 1.

(4.5.4)

Operaii cu variabile aleatoare simple

Se poate demonstra c, dac X i Y sunt variabile aleatoare simple, atunci cu ele se pot
efectua operaiile definite mai jos, iar rezultatele acestor operaii sunt tot nite variabile aleatoare.
yj
x
i Y :
. Se definesc:
pi i =1,2 ,...,m
q j j =1,2 ,...,n

Fie, deci, variabilele aleatoare simple X : i

1. nmulirea cu o constant a R

ax
aX : i
pi i =1,2 ,...,m

2. Adunarea cu o constant a R

a + xi
a + X :

pi i =1,2 ,...,m

3. Ridicarea la putere

xi r
X :
pi i =1,2 ,...,m
r

4. Adunarea (variabilelor independente)

xi + yi
X + Y:

pi q j i =1,2 ,...,m
j =1,2 ,...,n

5. nmulirea (variabilelor independente)

xi yi
XY :

pi q j i =1,2 ,...,m
j = 1,2 ,...,n

Exemplu
3 4
2
1
1
i Y:
.
0.2 0.3 0.5
0.3 0.7

Fie variabilele aleatoare X :

Se pot da urmtoarele exemple de operaii:

. + 1 15
. + 3 15
. + 4 2.5 4.5 55
.
15
15
. + X :

=
0.3
0.5 0.2 0.3 0.5
0.2
2 1 2 3 2 4 2 6 8
2 X :

=
0.3
0.5 0.2 0.3 0.5
0.2
13 33 4 3 1 27 64
X 3:
=

0.2 0.3 0.5 0.2 0.3 0.5

1+ 2
3+1
3+ 2
4 +1
4+2 2
3
4
5
6
1+1
X + Y:
=

.
0.09 0.36 0.55
0.2 0.3 0.2 0.7 0.3 0.3 0.3 0.7 0.5 0.3 0.5 0.7 0.06 014
1 2
31
3 2
4 1
42 1
2
3
4
6
8
11
XY:
=

.
.
0.09 015
0.21 0.35
0.2 0.3 0.2 0.7 0.3 0.3 0.3 0.7 0.5 0.3 0.5 0.7 0.06 014

4.6 Caracteristici numerice ale variabilelor aleatoare

Dei, n cazul variabilelor aleatoare discrete, cu ajutorul tabloului de distribuie se poate
caracteriza complet variabila, de multe ori este suficient s ne rezumm la o caracteristic mult
mai simpl, chiar dac ea are o precizie mai mic. n continuare sunt prezentate cele mai utilizate
caracteristici numerice pentru variabilele aleatoare discrete. Bineneles ele sunt definite i pentru
variabilele continue.
Fie variabila aleatoare cu repartiia
x
X : 1
p1

K xn

K pn

x2
p2

Medie
Media variabilei aleatoare X se definete ca:
M( X ) =

x p
i

(4.6.1)

i =1

Notaii: M(X), m,

Exemplu
1
4

Fie variabila aleatoare X : 1

2
2

3
1
2
1
. Atunci, M ( X ) = 1 + 2 + 3 = 2 .
1
4
4
4
4

Media are o serie de proprieti care sunt enumerate n continuare.

(1) Media este un numr cuprins ntre cea mai mic i cea mai mare valoare a variabilei
aleatoare.
(2) Media unei constante este egal cu constanta: M(a) = a.
n

i =1

i =1

ntr-adevr, M (a ) = api =a pi = a 1 = a .
(3) O mrime constant poate fi scoas n afara mediei, adic: M (aX ) = aM ( X )

i =1

i =1

ntr-adevr, M (aX ) = axi pi =a xi pi = aM ( X )

(4) Pentru dou variabile aleatoare independente X i Y, media sumei este egal cu suma
mediilor, adic: M ( X + Y ) = M ( X ) + M (Y ) .
(5) Pentru dou variabile aleatoare independente X i Y, media produsului este egal cu
produsul mediilor, adic: M ( X Y ) = M ( X ) M (Y ) .
Median

Se numete median a variabilei aleatoare X, valoarea Me pentru care probabilitatea ca

variabila aleatoare s ia valori mai mici ca Me este egal cu probabilitatea ca X s ia valori mai
mari ca Me, adic P( X < Me) = P( X > Me) .
Pentru o variabil aleatoare discret determinarea medianei se face astfel:
a) dac variabila aleatoare are un numr par de valori (n = 2p), atunci va exista un
interval median [ x p , x p +1 ] i mediana poate fi orice numr din acest interval. De obicei
se ia Me =

x p + x p +1

b) dac variabila aleatoare are un numr impar de valori (n = 2p+1), atunci Me = x p +1 .

Mod

Pentru variabila aleatoare discret X care ia valorile

( xi )i =1,2 ,...,n ,

aranjate n ordine

cresctoare, cu probabilitile ( pi ) i =1,2 ,...,n , punctul Mo = xm se numete mod dac sunt satisfcute
inegalitile: pm > pm1 i pm > pm+1 .
Media M(X), mediana Me i modul Mo se numesc caracteristici ale tendinei centrale de
grupare a variabilei X. ntre ele nu exist, n general, relaii bine determinate.
Dispersie (varian)

Media, mediana i modul exprim doar tendina central a valorilor unei variabile
aleatoare, dar nu ofer nici o informaie asupra mprtierii valorilor unei variabile aleatoare. De
aceea, sunt necesare caracteristici care s indice n ce msur valorile se abat de la valoarea
central de grupare. Una din aceste caracteristici este dispersia.
Fie, din nou, variabila aleatoare X cu media M(X):
x
X : 1
p1

x2
p2

K xn
,
K pn

M( X ) =

x p
i

i =1

Atunci, variabila aleatoare X - M(X) se numete abaterea de la medie a variabilei X; ea

are repartiia:
x M( X )
X : 1
p1

x 2 M ( X ) K x n M ( X )

p2
pn
K

Problema este c abaterea de la medie nu poate furniza o msur a mprtierii valorilor

variabilei deoarece media sa este zero. ntr-adevr, aplicnd proprietile mediei (notate n
paranteze), rezult:

( 2)

( 3)

M X M( X ) = M( X ) M M( X ) = M( X ) M( X ) = 0

De aceea, se definete un alt indicator al mprtierii valorilor variabilei aleatoare:

dispersia. Prin definiie, dispersia (sau variana) variabilei aleatoare X este media ptratelor
abaterilor de la medie.

D2 ( X ) = M X M ( X )

(4.6.2)

Notaii: D2(X), 2

Deci, pentru o variabil aleatoare simpl cu media m, dispersia va fi:

D 2 ( X ) = ( x1 m) p1 + ( x 2 m) p2 + K + ( x n m) pn
2

Pe baza proprietilor mediei se obine:

2
2
D 2 ( X ) = M X M ( X )) = M X 2 2 XM ( X ) + M ( X )) =

( )

( ) (

= M X 2 2 M ( X ) M ( X ) + M ( X )) = M X 2 M ( X ))
2

Deci, formula de calcul a dispersiei este:

( ) (

D 2 ( X ) = M X 2 M ( X ))

(4.6.3)

Exemplu
1
3

S se calculeze dispersiile variabilei aleatoare X : 1

2
1

3
.
3

Trebuie calculat variabila aleatoare X pentru c media acesteia intervine n calcularea

dispersiei.
1
X 2 :
13

1
3

Avem M ( X ) = +

4
1

1
3

( )

2 3
1 4 9 14
+ = 2 i M X 2 = + + =
. Deci,
3 3
3 3 3 3

( ) (

D 2 ( X ) = M X 2 M ( X )) =
2

14
2
4=
3
3

Proprietile dispersiei
(1) D 2 ( X ) 0 . Aceast proprietate rezult imediat din definiie.

(2) D 2 (a ) = 0 (dispersia unei constante este nul).

(3) D 2 (aX ) = a 2 D 2 ( X )
(4) D 2 ( X + Y ) = D 2 ( X ) + D 2 (Y ) . Proprietatea se verific imediat cu relaia (4.6.3).
(5) D 2 (a + X ) = D 2 ( X )
Abaterea medie ptratic (deviaia standard)
Abaterea medie ptratic (sau deviaia standard) este rdcina ptrat a dispersiei. Se
noteaz D(X) sau .
D( X ) = = D 2 ( X )

(4.6.4)

Abaterea medie ptratic are aceleai dimensiuni ca variabila aleatoare X, de aceea este
mai intuitiv pentru exprimarea mprtierii valorilor variabilei. De aceea, de regul, gradul de
mprtiere a valorilor variabilei aleatoare X n jurul mediei se msoar prin abaterea medie
ptratic i nu prin dispersie.
Pentru o variabil aleatoare simpl X care are media m, abaterea medie ptratic se
calculeaz astfel:
D( X ) = =

( x1 m)

p1 + ( x 2 m) p2 + K + ( x n m) pn
2

Anex
Pentru a face posibil calcularea numrului de cazuri favorabile i a numrului de cazuri
posibile, reamintim semnificaia noiunilor de permutri, aranjamente, combinri, precum i
formulele pentru calcularea acestora.
Permutri de n (notaie: n!) nseamn: n cte moduri se pot ordona n elemente?
Formula de calcul: n ! = 1 2 3 K n
Aranjamente de n luate cte k (notaie: Ank ) nseamn: cte grupe de k elemente, ordonate, se
pot face dintr-o mulime de n elemente?
Formula de calcul: Ank = n(n 1) K (n k + 1)
Combinri de n luate cte k (notaie: Ank ) nseamn: cte grupe de k elemente, la care nu
conteaz ordinea, se pot face dintr-o mulime de n elemente?
Formula de calcul: Cnk =

Ank
k!

Rezolvai exerciiile din seciunea "Variabile aleatoare" de la pagina 4-19.

Elementele de teoria probabilitilor din acest capitol sunt o baz pentru definirea
proceselor abordate n capitolul urmtor. De asemenea, ele constituie un punct de plecare pentru
dezvoltarea ulterioar a unor elemente de statistic.

Exerciii
Evenimente

Fie experimentul care const n aruncarea unui zar. Considerm urmtoarele evenimente:
A - apariia unui numr par de puncte
B - apariia unui numr impar de
puncte
C - apariia unui numr mai mic sau egal cu 3
D - apariia uneia din feele 2 sau 3
L - apariia uneia din feele 1 sau 3
F - apariia unui nr. strict mai mare ca 4
G - apariia unui numr mai mic sau egal cu 4
H - apariia feei 4
I - apariia feei 5
J - apariia feei 6
K - apariia feei 3
1) Care perechi de evenimente sunt incompatibile?
2) Care evenimente implic alte evenimente?
3) Dai dou exemple de evenimente contrare.
4) Care sunt evenimentele elementare din cele de mai sus? De ce?
5) Care din evenimentele de mai sus sunt compuse? De ce?
6) Scriei evenimentele: R1: A sau C
R2: A i C
R3: A - C
R4: B sau D R5: B i D
R6: B-D
7) Mulimea de evenimente definite mai sus formeaz un cmp de evenimente?
8) Se pot forma sisteme complete de evenimente dintre cele de mai sus? Dac da, dai
exemple.
Probabiliti
1) Un student face parte dintr-o grup de 26 studeni care, la rndul ei, face parte dintr-un
an cu 76 studeni. Anul su face parte dintr-o facultate cu 601 studeni. Studentul se
ntlnete pe strad cu un coleg. Care este probabilitatea ca:
a) s fie un coleg de grup? b) s fie un coleg de an?
2) O urn conine 3 bile albe i 4 bile negre. Alt urn conine 4 bile albe i 5bile negre.
S se determine probabilitile urmtoarelor evenimente:
a) F1 - ambele bile extrase s fie albe. b) F2 - cel puin o bil extras s fie alb.
c) F3 - bila extras din prima urn s fie alb, iar cealalt s fie neagr.
3) Trei trgtori trag simultan asupra unei inte. Probabilitile pentru fiecare trgtor s
loveasc inta sunt, respectiv: p1 = 0.4, p2 =0.5, p3 = 0.7.
4) S se afle probabilitatea ca inta s fie lovit exact o dat.
5) O urn conine 3 bile albe i 4 bile negre. Se extrag succesiv dou bile (fr a pune bila
la loc). Fie evenimentele: A - prima bil extras este alb; B - a doua bil este alb.
Care este probabilitatea ca a doua bil s fie alb dac prima a fost alb?
6) Dou urne, U1 i U2, au urmtoarea compoziie: U1 - 3 bile albe i 4 bile negre; U2 - 4
bile albe i 5 bile negre. Dintr-o urn, aleas la ntmplare, se extrage o bil. Care este
probabilitatea ca bila extras s fie alb?
7) Fie 5 urne dintre care: dou au compoziia k1: 3 bile albe i 4 bile negre; una are
compoziia k2: 4 bile negre; dou au compoziia k3: 10 bile albe i 2 bile negre.
a) Care este probabilitatea ca, dintr-o urn luat la ntmplare, s se extrag o bil
alb?
b) tiind c s-a extras o bil care s-a nimerit s fie alb, care este probabilitatea ca bila
extras s fie dintr-o urn cu compoziia k3?

Variabile aleatoare
1) Se arunc dou zaruri i se noteaz cu S numrul de puncte care apar. S se formeze
tabloul de distribuie al variabilei S.
2) Se arunc dou zaruri. Se acord 12 puncte dac suma feelor care apar este 2 sau 12, 4
puncte dac suma feelor este 7 i 1punct n celelalte cazuri. S se scrie distribuia
numrului N de puncte acordat.
3) n condiiile problemelor precedente s se calculeze variabilele aleatoare S+1 i 2N.
1
p

4) Fie variabila aleatoare X :

2
7

3
p

4
.
6

a) ct este valoarea lui p?

b) care este probabilitatea ca X s ia o valoare mai mic sau egal cu 3?
1
1 0
1 1
2
2
2
2
n
n
i Y:
. Calculai X , Y , X +Y , X , Y .
0.3 0.3 0.4
0.5 0.5

5) Fie X :

6) S se calculeze media i dispersia pentru fiecare dintre variabilele aleatoare din

exerciiile precedente.

5
Lanuri Markov
5.1 Procese stochastice. Lanuri Markov
5.2 Proprieti de baz ale lanurilor Markov
5.3 Lanuri Markov regulate

Obiectivele capitolului
nelegrea noiunii de proces stochastic.
Introducerea lanurilor Markov, o clas de procese stochastice.
Ilustrarea tipurilor de situaii din lumea real care pot fi modelate i manipulate folosind
lanuri Markov.
Discutarea proprietilor de baz ale lanurilor Markov.
Studierea unei clase speciale, lanurile Markov regulate.

Multe fenomene din lumea real (management, structuri sociale, economie etc.) pot fi
caracterizate ca avnd o evoluie n etape. Mai mult, trecerea de la o etap la alta comport
schimbri care nu pot fi stabilite determinist, ci au un caracter aleator. Astfel de fenomene sunt
modelate prin intermediul aa-numitelor procese stochastice.
O clas special de procese stochastice este reprezentat de lanurile Markov. Acestea sau dovedit utile pentru modelarea unui numr mare de situaii din realitate, de aceea li s-a acordat
o atenie special.
n acest capitol se face o introducere n domeniul proceselor stochastice, n special al
lanurilor Markov. O clas important care va fi avut n vedere sunt lanurile Markov regulate.
Se va face legtura direct cu tipuri de situai din lumea real care se preteaz a fi modelate n
acest fel.

5.1. Procese stochastice. Lanuri Markov

Multe experimente aleatoare se desfoar n etape. De aceea, un astfel de experiment
poate fi considerat ca fiind o secven de subexperimente i fiecare rezultat al experimentului este
determinat de rezultatele subexperimentelor (n ordine).

Un exemplu este urmtorul: se dau trei urne, fiecare coninnd bile albe i bile negre n
cte o proporie. Se alege o urn la ntmplare i, din ea, se extrage o bil. Se cere probabilitatea
apariiei unei bile albe din urna 2. Se observ c experimentul are dou faze:
alegerea urnei (la ntmplare)
extragerea bilei (tot la ntmplare).
Definiia 5.1.1
Se numete proces stochastic un experiment aleator care const dintr-o suit de
subexperimente (tot aleatoare).

Deci, un proces stochastic este o mulime indexat de variabile aleatoare, {Xt}, unde t
parcurge o mulime T. Adesea, T este mulimea indicilor pozitivi T = N, iar Xt reprezint o
caracteristic, cantitativ sau calitativ, a sistemului fizic sau economic cercetat.
O modalitate grafic de a descrie un proces stochastic (atunci cnd numrul de cazuri nu
este prea mare) este prin intermediul unei diagrame ca cea care urmeaz: Fie, din nou exemplul
celor trei urne. Ele conin U1: 3a+4n, U2: 4a+5n, U3: 5a+6n (a - bile albe, b - bile negre). Se
poate trasa o diagram ca cea din figura 5.1.1

3/7

P(a U 1 ) =

P(n U 1 ) =

3 1 1
=
7 3 7

U1
4/7
1/3
4/9
1/3

start

1 4 4
=
3 7 21
1 4 4
P(a U 2 ) = =
3 9 27

U2
5/9

1/3
5/11

1 5 5
=
3 9 27
1 5
5
P(a U 3 ) = =
3 11 33
P(n U 2 ) =

U3
6/11

P(n U 3 ) =

1 6
2
=
3 11 11

Fig. 5.1.1

Observaie Pe aceast diagram se pot vedea uor i diferite probabiliti condiionate.

De exemplu:

a). Probabilitatea de rezulta o bil alb care a fost extras din urna U2 este

1 4 4
=
.
3 9 27

b). Probabilitatea de a extrage bile albe, indiferent de urn este

1 4
5
+
+
.
7 27 33

Fie acum o succesiune de experimente, fiecare avnd aceleai rezultate posibile. Prin
urmare, se va considera c t este un moment de timp care ia valorile 1, 2, 3, (aceasta d
secvena de experimente). Pentru fiecare moment, rezultatele posibile vor fi notate 1, 2, , m (le
considerm n numr finit). Cele m rezultate posibile vor fi numite strile n care se poate afla
sistemul la un moment dat. Unitatea de msur pentru momentele de timp succesive t depinde de
sistemul economic/fizic studiat.
Un tip de astfel de secvene este acela n care probabilitile rezultatelor la un moment dat
sunt independente de rezultatele experimentelor precedente (de exemplu: aruncarea repetat a
unui zar, sau extrageri ale bilei din urn cu revenire).
Un alt tip de secven este acela n care probabilitile rezultatelor la un moment dat
depind de rezultatele din experienele anterioare (ca, de exemplu extragerile succesive din urn
fr repunerea bilei la loc). n cazul acestui din urm tip de experiment se pot distinge dou
subcazuri extreme:
- o extrem e reprezentat de faptul c probabilitile rezultatelor la un moment dat
depind de rezultatele tuturor experimentelor precedente din secven;
- cealalt extrem a nivelului de dependen este atunci cnd probabilitile rezultatelor la
un moment dat depind doar de rezultatele experimentului precedent. n aceast situaie secvena
de experimente se numete proces (lan) Markov.
Definiia 5.1.2
Un proces Markov sau lan Markov este o succesiune de experimente n care fiecare
experiment are m rezultate posibile E1, E2, Em, iar probabilitatea fiecrui rezultat
depinde doar de rezultatul experimentului precedent.

Cele de mai sus pot fi formalizate astfel:

Definiia 5.1.3
Se spune c un proces stochastic are proprietatea lui Markov dac este ndeplinit
egalitatea:

P(Xt+1 = jX1 = k1, , Xt-1 = kt-1, Xt = i) = P(Xt+1 =jXt = i),

(5.1.1)

pentru t =1, 2, i pentru orice succesiune k1, k2, kt-1, i, j de stri din mulimea celor m
stri posibile ale sistemului.

Not:

n (5.1.1) se folosete notaia P(A/B) pentru probabilitatea evenimentului A condiionat de

evenimentul B (n loc de PB(A)).
Proprietatea lui Markov arat tocmai faptul c probabilitatea condiionat a oricrui
eveniment viitor (Xt+1 = j), date fiind evenimentele trecute X1 = k1, , Xt-1 = kt-1 i starea prezent
Xt = i este independent de strile trecute i depinde doar de starea prezent a procesului.

Exist o larg varietate de fenomene care sugereaz o comportare n maniera unui proces
Markov.
Exemple

probabilitatea ca o persoan s cumpere un produs de o anumit marc (detergent,

bere etc.) poate depinde de marca aleas la cumprtura precedent;
probabilitatea ca o persoan s aib cazier poate depinde de faptul c prinii au avut
sau nu cazier;
probabilitatea ca starea de sntate a unui pacient s se mbunteasc, s se
nruteasc sau s rmn stabil ntr-o zi poate depinde de ceea ce s-a ntmplat n
ziua precedent.
Evoluia unui proces Markov poate fi descris prin intermediul unei matrice. Acest lucru
este ilustrat prin definiia care urmeaz.
Definiia 5.1.4
Fie un proces Markov care are m rezultate posibile mutual exclusive E1, E2, , Em.
Matricea P definit ca n relaia (5.1.2) se numete matrice de tranziie ntr-un pas sau,
pe scurt, matricea de tranziie.

starea urmtoare (rezultatul viitor)

1
2

starea
precedent
(rezultatul
curent)

1 p11

2 p 21
L

i p i1
L

m p m1

p12

p1 j

p 22

L p2 j

pi 2

p ij

pm2 L

p mj

p1m

p 2m

=P
p im
L
p mm

(5.1.2)

Un element pij al matricei P se numete probabilitatea de trecere ntr-un pas de la starea

i la starea j
pij = P(Xt+1 = j / Xt = i)

(5.1.3)

se mai numete

Dup cum se observ din (5.1.2) c matricea de tranziie ntr-un pas a fost notat cu P. La
un moment dat sistemul modelat este ntr-una din cele m stri posibile (curente). O stare
corespunde uneia din rezultatele posibile ale experimentului. La sfritul efecturii
experimentului se obine un nou rezultat care reprezint o nou stare n care a trecut sistemul.
Matricea de tranziie este format din elementele pij care reprezint probabilitatea
condiionat ca sistemul s treac din starea curent i n starea urmtoare j. Deci pij este
probabilitatea s apar rezultatul Ej n pasul urmtor dac s-a produs rezultatul Ei n pasul

precedent. Se observ c pij nu depinde de momentul t, ci doar de strile i i j. Deci pij(t) = pij,
oricare ar fi t i de aceea pij se numesc probabiliti de trecere staionare. Ele sunt caracteristice
lanurilor Markov.
Din cele de mai sus se poate formula urmtoarea definiie a lanului Markov, echivalent
cu definiia 5.1.2.
Definiia 5.1.5
Un proces stochastic {Xt}, t = 1, 2, se numete proces Marcov (lan Markov) dac
ndeplinete urmtoarele condiii:
are un numr finit de stri I = {1, 2, , m},
are proprietatea lui Markov,
are probabilitile de trecere ntr-un pas staionare,
are o mulime de probabiliti iniiale pentru orice stare i I

Observaii
1. Pij cu i = j reprezint probabilitatea ca sistemul s rmn n aceeai stare dup
efectuarea experimentului, iar Pij cu i j reprezint probabilitatea ca sistemul s
treac dintr-o stare n alta.
2. Matricea de tranziie este o matrice ptratic de ordin m.
Proprieti

Elementele matricei de tranziie trebuie s satisfac urmtoarele:

1. 0 pij 1, i,j = 1,,m (pentru c este vorba de probabiliti),
2.

p
j =1

ij

= 1, i = 1,2 ,..., m (suma pe linie trebuie s dea 1 pentru c E1, E2, Em este un

sistem complet de evenimente).

Proprietatea 2 asigur c, dat fiind o stare curent i a sistemului, sistemul va trece cu
siguran ntr-o stare j din cele m posibile dup efectuarea experimentului.
Exemplu

Comportamentul consumatorilor fa de un anumit produs, precum i nclinaia lor de a

schimba marca produsului pe care l cumpr a fost modelat ca proces Markov pe durata multor
ani. Fie un eantion de 250 consumatori ai unui anumit tip de produs cumprat sptmnal. Ei au
la dispoziie 3 mrci din produsul respectiv. Tabela de mai jos arat schimbrile produse n
preferin de la sptmna a asea la sptmna a aptea.

Marca
preferat n
sptmna 6
Total

1
2
3

Marca preferat n sptmna 7

1
2
72
4
12
102
2
6
86
112

Total
3
4
6
42
52

80
120
50
250

Prima linie arat c pentru M1:

72 cumprtori care au cumprat marca M1 n sptmna 6 au rmas tot la ea n
sptmna 7,
4 care au cumprat M1 n sptmna 6 au trecut la M2 n sptmna 7,
4 care au cumprat M1 n sptmna 6 au trecut la M3 n sptmna 7.
Pe de alt parte, tot pentru M1,
12 care au cumprat M2 n sptmna 6 au trecut la M1 n sptmna 7,
2 care au cumprat M3 n sptmna 6 au trecut la M1 n sptmna 7.
Per total, de la o sptmn la alta, pentru M1:
72 au pstrat M1,
4 + 4 = 8 au prsit M1 pentru alte mrci,
12 + 2 = 14 au venit de la alte mrci la M1. Rezult un ctig total de 14 - 8 = 6
cumprtori pentru marca M1.
ntre sptmna 6 i sptmna 7 rezult o cretere a procentului din "pia" pentru marca
M1 de la 32% (80/250100) la 34,4% (86/250100). Pe lng ilustrarea schimbrilor nete i a
cotelor deinute pe pia, tabelele ca cea de mai sus arat i sursa schimbrilor petrecute. De
exemplu M1 a nregistrat un ctig net de 12 - 4 = 8 consumatori de la marca M2 i a pierdut 2 - 4
= -2 n favoarea lui M3.
n plus, astfel de tabele pot fi folosite pentru a construi matricea P de tranziie.
4
4
72

80 80 80 0.90 0.05 0.05

12 102
6
P=
= 0.10 0.85 0.05 .
120 120 120

2
6
42 0.04 0.12 0.84

50 50 50
Aceast matrice este considerat a fi o bun estimare a matricei de tranziie "adevrate"
deoarece se bazeaz pe evaluarea comportamentului a 250 de consumatori pe o perioad de dou
sptmni.
Examinnd matricea P se constat c:
- elementele unei linii reflect n ce msur este de ateptat ca o marc s i rein clienii
sau s-i piard n favoarea alteia.
elementele de pe o coloan sumarizeaz n ce msur e de ateptat ca o marc si pstreze consumatorii sau s mai atrag i alii de la alte mrci.
Deci, p11, p22, p33 sunt msuri ale "puterii de pstrare" a fiecrei mrci. n rest pij (ij)
reflect "puterea de atracie" a mrcii Mj n condiiile n care marca din sptmna precedent a
fost Mi.
Procesul Markov din exemplul precedent poate fi descris printr-o diagram (tip arbore)
asemntoare cu cea de la nceputul capitolului i care este ilustrat n figura 5.1.2.
Dac ne ntrebm care este probabilitatea ca peste dou sptmni s se cumpere iar marca
M1, rezult: 0.9 0.9 + 0.05 0.10 + 0.05 0.04 = 0.817 .
Bineneles, aceast diagram este greu de trasat pentru a vedea predicii pe mai multe
sptmni. Pentru a putea face o reprezentare convenabil, abstractizm problema i o
considerm un sistem care are trei stri posibile, M1, M2, M3. Sistemul trece dintr-o stare n alta

cu diferite probabiliti. Rezult o reprezentare ca cea din figura 5.1.3: un aa-numit graf orientat
care are vrfurile M1, M2, M3, unite prin arce orientate. Acest graf se numete diagram de
tranziie.
M1

0.90
0.05

M1

M2

0.05

M3
0.90

M1

0.10

M1

0.05

0.85

M2

M2

0.05

M3

0.05

M1

0.04
0.12

M3

M2

0.84

M3
Fig. 5.1.2

0.05

M2
0.12

M1
0.90

0.10

0.85
0.05

0.05
0.04

M3
0.85
Fig. 5.1.3

Rezolvai exerciiile 1 i 2 de la pagina 5-15

5.2 Proprieti de baz ale lanurilor Markov

S-a vzut c informaiile despre tranziiile de la o stare la alta n cadrul unui lan Markov
pot fi reprezentate prin diagrama de tranziie sau prin matricea de tranziie (ntr-un pas). Pentru
scopuri de calcul, cea mai util este matricea de tranziie ntr-un pas. Ea este format din
elementele pij - probabilitatea de trecere ntr-un pas de la starea i la starea j (i, j = 1, 2, , m).
Se poate vorbi, atunci, i de probabilitile de tranziie n exact k pai i de o matrice
format din acestea. Pentru aceasta, n continuare, se vor face urmtoarele notaii:

 pij(k) - probabilitatea condiionat de efectuare a tranziiei din starea i n starea j n

exact k pai.
P(k) - matricea de tranziie n k pai.
Conform celor enunate rezult c
P(k) = (pij(k))i,j=1,..m.
Fie acum din nou exemplul anterior n care se modeleaz alegerea uneia din cele trei
mrci de la o sptmn la alta. Pentru el avem definite: matricea de tranziie ntr-un pas,
arborele de tranziie i diagrama de tranziie.
Se pune problema, de exemplu, care este probabilitatea ca, dup dou sptmni, cei care
au cumprat marca M1 s rmn la aceast preferin; deci, intereseaz p11(2). Din arborele de
tranziie rezult: p11(2) = 0.9 0.9 + 0.05 0.10 + 0.05 0.04 = 0.817 . Metoda de calcul folosind
arborele de tranziie este uor de aplicat doar n cazul unui numr mic de pai (n acest caz, dou
sptmni) i al unui numr mic de stri (n exemplul dat, trei mrci). Se observ uor, ns, c
din matricea P rezult: p11(2)= p11p12+ p12p21+ p13p31 iar p12(2)= p11p12+ p12p22+ p13p32, deci
p11(2) este elementul de pe poziia (1,1) n matricea PP, iar p12(2) este elementul de pe poziia
(1,2) din matricea PP.
1

Pi1

Pi2
Pim

P1j

P2j

.
.
.

Pmj

m
Fig. 5.2.1

n general, pentru un proces cu m stri, trecerea n doi pai de la starea i la starea j

nseamn, aa cum arat i figura 5.2.1,
m

pij ( 2 ) = pi 1 p1 j + pi 2 p 2 j + K + pim p mj = pik p kj

k =1

adic pij(2) este elementul (i,j) din PP. Deci se poate spune c P(2) = PP = P2. Se poate face
imediat urmtoarea generalizarea din teorema 5.2.1:
Teorema 5.2.1
Fie P matricea de tranziie ntr-un pas a unui lan Markov.
Atunci, matricea P(k) de tranziie n k pai este

P(k ) = P P K P = P k
14243

(5.2.1)

k ori

Relaia din teorema 5.2.1 exprim o proprietate de baz a lanurilor Markov prin care
acestea se deosebesc de alte procese stochastice.
Conform proprietii 2 a matricei de tranziie P, suma probabilitilor de pe fiecare linie a
acesteia trebuie s dea 1. Aceast proprietate rmne valabil i n cazul matricei de tranziie n k
pai P(k) = Pk.
Aa cum s-a definit n capitolul 1, un n-uplu ordonat (x1, x2, , xn) se numete vector ndimensional. Un vector mai poate fi reprezentat ca o matrice linie (vector linie) sau ca o matrice
coloan (vector coloan).
Definiia 5.2.1
Un vector linie (q1, q2, , qn) care are proprietile

a ) 0 qi 1
n

b)

q
i =1

=1

(5.2.2)
(5.2.3)

se numete vector de probabilitate sau vector stochastic.

O matrice ale crei linii sunt vectori stochastici se numete matrice stochastic.

Rezult c fiecare linie a matricei de tranziie P este un vector de probabilitate. Acelai

lucru se poate spune i despre liniile matricei de tranziie n k pai P(k) = Pk. De asemenea,
matricele P i Pk sunt matrice stochastice.
Rezolvai exerciiile 3, 4, 5 de la pagina 5-15

5.3 Lanuri Markov regulate

n continuare vom aborda o categorie de lanuri Markov utile n aplicaii practice.
Deoarece lanurile Markov sunt procese stochastice, nu se poate ti cu exactitate ce se
ntmpl n fiecare stare; de aceea, sistemul trebuie descris n termeni de probabilitate.
Definiia 5.3.1
Fie un lan Markov cu m stri . Un vector de stare pentru lanul Markov este un vector de
probabilitate X = x1 x2 xn . Coordonatele xi ale vectorului de stare X trebuie
interpretate ca probabilitatea ca sistemul s se afle n starea i.

Procesul Markov luat ca exemplu n seciunea precedent are trei stri. n aceast situaie
vectorul de stare [0.6 0.1 0.3] trebuie interpretat astfel: n sptmna curent clienii aleg marfa
M1 cu probabilitatea 0,6, marca M2 cu probabilitatea 0.1 i M3 cu 0.3.
Atunci cnd se tie cu siguran c sistemul este ntr-o anumit stare, vectorul de stare are
o form particular. Astfel, dac se tie sigur c sistemul este n starea a i-a, vectorul de stare va
avea a i-a component egal cu 1, iar restul 0. X = [0 0 0 i 0] .
Comportamentul unui lan Markov poate fi descris printr-o secven de vectori de stare.
Starea iniial a sistemului poate fi descris printr-un vector de stare notat X0 . Dup o tranziie
sistemul poate fi descris printr-un vector X1, iar dup k tranziii, prin vectorul de stare Xk. Relaia
dintre aceti vectori poate fi sumarizat prin urmtoarea teorem:
Teorema 5.3.1
Fie un proces Markov cu matricea de tranziie P. Dac Xk i Xk+1 sunt vectori de stare care
descriu un procesul dup k i k+1 tranziii, respectiv, atunci

X k +1 = X k P

(5.3.1)

n particular,
X1 = X 0 P
X 2 = X1 P = X 0 P P = X 0 P2
M

X k = X 0 P k = X 0 P(k )

(5.3.2)

Deci, vectorul de stare Xk care descrie sistemul dup k tranziii e produsul ntre vectorul
strii iniiale X0 i matricea Pk.
Observaie. X0, X1, X2, Xk, sunt toi vectori linie 1 m.
Exemplul 5.3.1

Fie un proces Markov cu matricea de tranziie

0 ,5 0 ,4 0 ,1
P = 0 ,1 0 ,6 0 ,3
0 ,3 0 ,6 0 ,1

Dac vectorul strii iniiale este X0 = [0,7 0 0,3], s se determine vectorul de stare dup o
tranziie.
Rezolvare: Conform teoremei 5.3.1. avem

0 ,5 0 ,4 0 ,1
X 1 = X 0 P = [0 ,7 0 0 ,3] 0 ,1 0 ,6 0 ,3 = [0 ,44 0 ,46 0 ,10]
0 ,3 0 ,6 0 ,1

Exemplul 5.3.2

Un lan Markov are matricea de tranziie

0 ,4 0 ,6
P=

0 ,2 08
Dac sistemul i ncepe evoluia din starea a doua, s se determine vectorul de stare dup dou
tranziii.
Rezolvare: X0 = [0 1] (pentru c sistemul este sigur n starea a doua). Atunci avem;
0,4 0 ,6 0,4 0,6
X 2 = X 0 P 2 = [0 1]

= [0,24 0,76]
0,2 0,8 0,2 0,8

Revenind la scopul iniial al acestei seciuni, exist mai multe moduri de a clasifica
lanurile Markov. Ne vom referi la clasificarea care mparte lanurile Markov pe baza
comportamentului lor pe termen lung, deci dup starea pe care o ating dup un numr mare de
tranziii. Comportarea pe termen lung a unui proces stochastic poate fi inportant n multe
aplicaii.
Aplicnd teorema 5.3.1. se poate calcula vectorul de stare Xk pentru orice k, pornind de la
o stare X0 iniial i aplicnd relaia 5.3.2.
Problema este c, pentru un numr k mare calcularea lui Pk devine foarte laborioas. Mai
mult, dac am calculat Xk pentru un k oarecare, nu putem spune mare lucru despre Xk+1 sau Xk+2
pn cnd nu le calculm i pe acestea.
De aceea, dac intereseaz studierea unui proces stochastic dup un numr mare de
tranziii, atunci este util studierea comportrii generale a acestuia pe termen lung. Pentru
anumite tipuri de lanuri Markov acest lucru este posibil.
n general pentru un lan Markov cu m stri, posibilitatea ca sistemul s se afle n starea j
dup k tranziii depinde de starea din care s-a pornit. Astfel, p1j(k) este probabilitatea ca sistemul
s fie n starea j dup k tranziii dac iniial se afl n starea 1. Semnificaii similare avem pentru
p2j(k), , pmj(k). Nu exist nici un motiv ca aceste probabiliti s fie (sau s ne ateptm s
devin) egale. Dar, pentru anumite lanuri Markov exist o probabilitate strict pozitiv qj asociat
cu starea j astfel nct dup k tranziii probabilitile pij(k) devin, toate, foarte apropiate de qj.Cu
alte cuvinte, sperana ca sistemul s ajung n starea j dup k tranziii (unde k este suficient de
mare) este cam aceeai, indiferent de starea din care se pleac.

Lanurile Markov care au o astfel de comportare pe termen lung formeaz o clas aparte
care este definit dup cum urmeaz.
Definiia 5.3.2
Un lan Markov cu matricea de tranziie P se numete regulat dac exist un ntreg k
pozitiv astfel nct Pk s aib toate elementele strict pozitive.

Observaie. Definiia nu face referire direct la comportarea lanului pe termen lung aa

cum s-a discutat anterior. Legtura lanurilor Markov regulate cu aceast comportare va fi
descris n continuare.
Exemplul 5.3.3

a) S se verifice dac lanul Markov cu matricea de tranziie urmtoare este regulat.

1
P = 2
1

1
2 .
0

1 1
2 2
0 1

3
1
4
2 = 1

0
2

Rezolvare. Avem:
1
2
P = 2
1

1
4 .
1

S-a gsit deci k = 2 pentru care Pk are toate elementele strict pozitive. nseamn ca lanul Markov
din enun este regulat.
b) Aceeai problem, pentru lanul Markov avnd:
0 1
P=
.
1 0
Rezolvare. Avem:

0
P2 =
1
0
P3 =
1
0
P4 =
1

1 0

0 1
1 1

0 0
1 0

0 1

1 1
=
0 0
0 0
=
1 1
1 1
=
0 0

0
=
1
1
0
0
=
1

Deci
0
P = P 3 = K = P 2 k +1 =
1
1
P 2 = P 4 = K = P 2k =
0

1
0
0
1

Rezult c, pentru oricare k, att P2k+1 ct i P2k conin elementul 0; nseamn c lanul
Markov nu este regulat.
Definiia conceptului de lan Markov regulat are importan din perspectiva urmtoarei
consecine, care a fost demonstrat. Ea se refer la comportarea lanului cnd numrul de tranziii
k tinde la infinit. ( k ).
Teorema 5.3.2
Fie un proces Markov regulat cu matricea de tranziie P i fie P(k) = Pk matricea sa de
tranziie n k pai.
Atunci cnd k tinde la infinit, irul de matrice Pk tinde ctre o matrice stochastic A care
are toate liniile identice.
W w1 w2
W w w
2
A= = 1
M L L

W w1 w 2

L wm
L wm
L L

L wm

(5.3.2)

Definiia 5.3.3
Vectorul stochastic W = [ w1 w2 wm] introdus prin teorema 5.3.2. se numete vector
stabil, iar coordonatele sale wi, i = 1,2, , m se numesc probabilitile stabile ale lanului
Markov regulat.

Exemplul 5.3.4

Fie lanul Markov regulat care are matricea de tranziie:

0 ,5 0 ,4 0 ,1
P = 0 ,1 0 ,6 0 ,3
0 ,3 0 ,6 0 ,1

Din calcul se obine:

0.32 0.50 0.18
P(2 ) = P = 0.20 0.58 0.22
0.24 0.54 0.22
0.2456 0.5472 0.2072
4
P(4) = P = 0.2328 0.5552 0.2120
0.2276 0.5520 0.2140
2

0.2369 0.5526 0.2105

P(8) = P 8 = 0.2368 0.5527 0.2105
0.2369 0.5526 0.2105
Se observ c limitele lui P(8) sunt practic egale. Valorile de la o linie la alta difer abia
la a patra zecimal, cel mult.
Teorema 5.3.2. arat c probabilitatea ca procesul Markov regulat s ajung dup un timp
suficient de lung ntr-o anumit stare j este constant, egal cu wj i nu depinde de starea din care
pornete. Evident, aceasta nu nseamn c procesul intr ntr-o stare fix, el continu s-i
schimbe strile, astfel nct probabilitatea de trecere de la starea i la starea j n pasul n oarecare
rmne egal cu pij.
Se pune, n continuare, problema cum s se determine vectorul stabil W. Calcularea lui
P(k) = Pk pentru un k foarte mare i extragerea lui W ca o linie a lui P(k) este nepractic i duce la
rezultate aproximative. De aceea, se folosete o alt metod, justificat de urmtoarea teorem.
Teorema 5.3.3
Fie un lan Markov regulat cu matricea de tranziie P. Atunci, exist un unic vector W
care satisface relaia

WP = W

(5.3.3)

Coordonatele acestui vector sunt probabilitile stabile ale lanului Markov.

Din teorema precedent rezult WP - W = O, deci

W( P - I) = O

(5.3.4)

Rezolvarea acestei ecuaiei matriceale (5.3.4) duce la rezolvarea unui sistem de ecuaii
avnd necunoscutele w1, w2, wm. Soluia sistemului formeaz vectorul stabil W.
Exemplul 5.3.5

S se determine vectorului W al probabilitii stabile pentru lanul Markov regulat care are
matricea de tranziie:
1

P = 4
2

3
4
1

Avem:
WP = W W (P I ) = O [w1

[w1

14
w2 ]
2
3

1 0

= O
1
3
0 1

2
3
4 w1 + 3 w2 = 0
3 4 3 4
w2 ]
3
2
23 23
w1 w2 = 0
3
4

La sistem se mai adaug, ca prim ecuaie, condiia ca wi s formeze un vector de

probabilitate. Deci, sistemul devine

w1 + w2 = 1

2
3
w1 + w2 = 0
3
4
2
3
4 w1 3 w2 = 0
Se rezolv sistemul (de exemplu, prin metoda eliminrii complete) i se obine

w1 = 17

w = 9
2 17

8
Concluzie: vectorul stabil al procesului Markov regulat dat este W =
17

9
.
17

Rezolvai exerciiile 6, 7, 8 de la pagina 5-16

Elementele de baz privind procesele stochastice prezentate n acest capitol au avut

menirea de a ilustra aplicarea teoriei probabilitilor la o clas de fenomene economice ntlnite
frecvent n practic.

Exerciii
1) Profiturile unei companii de asigurri sunt determinate de volumul de asigurri
vndute. Acest volum variaz de la o sptmn la alta. n fiecare sptmn vnzrile pot fi
caracterizate ca mari (M) sau sczute (S). S-au determinat urmtoarele probabiliti:
- dac volumul de vnzri este mare (M) n sptmna curent, atunci va fi tot mare i
sptmna viitoare, cu probabilitatea 0.8 i va fi mic cu probabilitatea 0.2;
- dac volumul de vnzri este sczut (S) n sptmna curent, atunci va fi mare
sptmna viitoare, cu probabilitatea 0.4 i va fi mic cu probabilitatea 0.6.
a) S se scrie matricea de tranziie, diagrama tip arbore i diagrama de tranziie.
b) S se calculeze probabilitatea ca volumul vnzrilor peste dou sptmni s fie mare
dac n sptmna curent este mare.
0.3 0.7
. S se traseze diagrama de
.
0.9 01

2) Un lan Markov are matricea de tranziie P =

tranziie.

0.3 0.2 0.5

3) Un lan Markov are matricea de tranziie P = 0.4 0 0.6 . n observaia curent,

1
0
0

lanul se afl n starea 1. Atunci:

- care este probabilitatea s fie tot n starea 1 dup o tranziie?
- care este starea n care este cel mai probabil s se afle dup o tranziie?
Dac ntr-un anumit moment procesul se afl n starea 3, care este probabilitatea ca dup
dou tranziii s ajung n starea 2?

Dac sistemul pleac din starea 2, care este probabilitatea ca n urmtoarele 4 observaii
s ocupe succesiv strile 3,1,2,1 (n aceast ordine)?
4) Un lan Marcov are urmtoarea diagram de tranziie:
2

3/4

1
1/4
1/2

3
1/2

a) S se scrie matricea de tranziie P.

b) S se determine matricea de tranziie n trei pai P(3).
c) Dac sistemul pleac din starea 2, care este probabilitatea ca, dup 3 tranziii,
s jung n starea 3?
12

5) Un lan Markov are matricea de tranziie P = 0

1
2

1
1
1

2
2
4

1
2 .
1
4

a) Pentru ce stare i este pi3 cea mai mare i pentru care, cea mai mic?
b) Pentru ce stare i este pi3(2) cea mai mare i pentru care, cea mai mic?
c) Pentru ce stare i este pi3(3) cea mai mare i pentru care, cea mai mic?
1
3

6) Un lan Markov regulat are matricea de tranziie P = 2 4

. S se determine vectorul

W al probabilitilor stabile pentru acest lan.

7) Determinai vectorul probabilitilor stabile pentru lanul Markov din problema 5.
8) S se arte c lanul Markov care are matricea de tranziie P de mai jos este regulat.
13
1
P= 4
0

2
1
1

3
4
4

0
1
1
1

2
4
2

0
1
2

1
2

Bibliografie
1. Budnick F.S., 1985 Finite Mathematics With Applications. McGraw-Hill, NY.
2. Dodescu Gh., - Metode de calcul numeric. Editura Didactic i pedagogic, Bucureti
3. Drgan I.., 1973 Tehnici de baz n programarea liniar. Editura Universitii Al. I.
Cuza Iai.
4. Leonte A., Vraciu G., 1975 Elemente de calcul matriceal cu aplicaii. Editura Tehnic,
Bucureti.
5. Maki D.P., Thompson M., 1983 Finite Mathematics. McGraw-Hill, NY.
6. Mihu C., 1977 Metode numerice n algebra liniar. Editura tehnic, Bucureti
7. Mihu C., 1985 Sisteme de ecuaii liniare i forme ptratice. Editura tehnic, Bucureti
8. Zidroiu C., 1983 Programare liniar. Editura tehnic, Bucureti