Curs ID Matematica

Universitatea de tiine Agricole i Medicin Veterinar
Ion Ionescu de la Brad Iai
Asist. dr. Ciprian Chiru
MATEMATIC
Curs pentru nvmnt la Distan
2010
Cu mulumiri domnului lector dr. Clin Marius
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. In 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.
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 = (aij ), A = aij , A = aij ,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
K K 0
K K K
K K a nn
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)
3
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 = a i1b1 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
j = 1,2 ,K , n
(1.1.11)
Notaie: B = A = A.
nmulirea cu scalar are urmtoarele proprieti:
1. 1A =A
2. ( + ) A = A + A
3. (A + B) = A + B
4. () A = (A)
5. (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 )
unde
a11 a 2 2 K a n n
(1.1.12)
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:
det A =
a11
a12
K K a1n
a 21
a 22
K K a 2n
K K
a n1
a n2
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
1 2 4 a 1 a 2 a 4 a 2a 4a
a 0 3 1 = a 0 a 3 a ( 1) = 0 3a a .
2 1 0 a 2 a 1
0
a 0 2a a

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
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.
y
M(x1, y1)
y1
x1
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.

A(0, 4)
B(8, 0)
Trebuie gsite dou soluii ale ecuaiei

pentru a determina dreapta care este reprezentarea
tuturor soluiilor.
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 =
Notnd
c
a
c
= k rezult o forma particular
a
(1.2.5)
x=k
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.
y
x=k
k
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)
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.
9
y
y=k
Fig. 1.2.4
"
Rezolvai exerciiile 1 pn la 8 de la pagina 35.
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.
d4
d3 (0)
d1 (+)
d2 (-)
Fig. 1.2.5
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).
Panta negativ indic un caracter descresctor al dreptei adic, pe msura
creterii valorilor lui x, valorile lui y descresc (ca dreapta d2 din figura 1.2.5).
Valoarea zero a pantei arat c dreapta este paralel cu axa Ox (nu este
nici cresctoare nici descresctoare, ca dreapta d3 din figura 1.2.5).
Se consider c pentru dreptele paralele cu Oy panta 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.
10
y
d2
d2
d1
d1
Fig. 1.2.6
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.
yy
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
nseamn c, dac x crete cu o unitate, y va crete cu 8 3 uniti.
, aceasta
11
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
Notnd
y=
c
a
x+
b
b
a
c
= m i = k se obine
b
b
y = mx + k
(1.2.8)
Fig. 1.2.9
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.
12
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)
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 2 y1
y y1
x + y1 2
x1
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:
13
y y1
y y1 = 2
( x x1 )
x 2 x1
y y1
x x1
=
y 2 y1 x 2 x1
(a )
x
x1
y
y1
1
1=0
x2
y2
(b)
(1.2.10)
( c)
Ecuaia prin tieturi

y
B(0, b)
A(a, 0)
O
Fig. 1.2.11
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
x y
+ 1= 0
a b
(1.2.11)
cunoscut ca ecuaia dreptei prin tieturi.
"
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:
14
a1 b1 c1
=
;
a 2 b2 c2
a
b
c
coincidente dac i numai dac 1 = 1 = 1 ;
a 2 b2 c2
a1 b1
;
secante dac i numai dac
a 2 b2
paralele dac i numai dac
perpendiculare dac i numai dac a1a2 + b1b2 = 0.
Distane
y
y2
y1
B(x2, y2)
A(x1, y1)
P(x2, y1)
x2
x1
Fig. 1.2.12
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:
AB =
( x 2 x1 )
+ ( y 2 y1 )
(1.2.12)
y
P(x0, y0)
h
x
O
Fig. 1.2.13
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:
d ( P; h) =
ax 0 + by 0 c
(1.2.13)
a 2 + b2
15
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.
16
Matricele
a11
a
A = 21
K
a m1
a12
a 22
K
a m2
K K a1n
a11
K K a2n
~ a 21
i A =
K
K K K
K K a mn
a m1
a12
K a1n
a 22
K a2n
a m2
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
17
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.
d1
d1
d2
d2
d1
y0
O
x0
a)
O
b)
Fig. 1.3.1
18
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
d3
d1
d1
d2
d3
y0
O
d1
x0
d2
d3
a)
b)
x
O
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;
19
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 a1 p
K K a2 p
K K 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
20
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
= 2
x1
x2
(1.3.9)
= 1
x3 = 1
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
= v1
= v2
x2
x3 = v2
(1.3.10)
soluie
De fapt, metoda acioneaz asupra matricei extinse a sistemului, deci

asupra liniilor acesteia se fac transformrile:
a11
a12
a13 b1
a12
a 22
a 23 b2
a 31
a 32
a 33 b3
forma iniial
1 0 0 v1
...
0 1 0 v2
0 0 1 v3
transformri
elementare
(1.3.11)
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
21
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
2 2
0 6
3 1
Aceasta nseamn c, prin transformri elementare, s-a ajuns de la sistemul iniial

la sistemul echivalent
22
x1 +5 x2 2 x3 =2
6 x2 +3x3 = 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 +5 x2 2 x3 =2
0=0
3 x + 8 x =6
3
2
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 x2 x3 = 9
S se rezolve sistemul (1.3.8): x1 3 x2 +2 x3 = 7

x +x + x = 2
1 2 3
23
-2
-1
1
1
1
1
1
1
0
-3
1
2
1
7
2
0
1
0
0
1
0
0
-3
1
12
52
3
2
1
2
1
9
5
4
4
1
1
3
7
2
4
9 10
4
7
10
9
10
4
19
4
(-1)
(-1)
( 2 5 )
14
9
19 10
14
1310
19 10
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
0
1
0
13
13
32
( 513)
( 10)
(7 10)
Este convenabil, dar nu obligatorie, organizarea calculelor ntr-o form

tabelar ca cea alturat.
Pentru fiecare coloan se observ cele dou etape ale pivotajului:
A. Stabilirea pivotului i aducerea sa la valoarea 1; n aceast etap este notat

alturi de tabel valoarea convenabil cu care trebuie nmulit linia.
B. Crearea de zerouri pe restul coloanei; pentru aceast etap sunt notate alturi
valorile convenabile cu care trebuie nmulit linia pivotului nainte de a fi
adunat o alt linie, iar sgeile indic liniile la care se face adunarea.
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 x1 + 10 x 2 8 x 3 = 34
x1 + x 2 + x 3 = 2
Succesiunea de sisteme echivalente obinute prin aplicarea transformrilor

elementare este ilustrat de matricele extinse corespunztoare:
24
1 2
2 10
2 10
10
8 34
10
8 34
1 2
2 10
2 10
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
27
2
2
0 32
27
S-a obinut o linie( a treia)

format numai din zerouri,
inclusiv termenul liber; conform
verificrii 2, ea va fi eliminat
1 0 23 2
1 0 0 6
1
0 1 3 2 0 1 04
0 0 1 6
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

2 1
3 12
1 12 3 2 6
1
2
5 10 1 2
5 10
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

1 1 1 20
1
1
1 20
1
1
1 20
1
2 3 1 5 0 5 1 45 0
1
9
5
6 4 4 30
0 10 2 90
0 10 2 90
1 0
0 1
0 0
11
1
5 9
0 0
25
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 necunoscuta 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.
"
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.
26
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
27
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
ntr-un 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 acest 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
28
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
29
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)
Dezvoltnd relaia (1.3.11) se obine succesiv

a11 x11 + a12 x 21
a 21 x11 + a 22 x 21
a11 x12 + a12 x 22 1 0
=
a 21 x12 + a 22 x 22 0 1
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
(1.3.12)
(1.3.13)
Cele dou sisteme au, respectiv, matricele extinse
30
a11
a12 1
a11
a12 0
a 21
a 22 0
a 21
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
0 1 2 1 1 0
0 0 12 12 1 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 0 1 1 2 2
S-a obinut matricea invers A
1 0 12 12 0 0
0 1 2 1 1 0
0 1 52 32 0 1
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
31
Exemplul 1.3.6
0
1
2
1 1
S se determine inversa matricei A = 3
2 2 4
1
1
2
0
1 1 0 0
1 0
0 0
1 0 12 12 0 0
2
2
3
1 1 0 1 0 K 0 1 52 32 1 0 0 1 52 32 1 0
2 2 4 0 0 1
0 2 5 1 0 1
0 0 0 2 2 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 35.
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.
32
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
d
semiplane sunt colorate cu nuane diferite.
Atunci cnd vorbim de unul dintre semiplane
putem s includem n el i frontiera, caz n care
M(x, y)
el se numete semiplan nchis. Dac frontiera
nu este inclus, avem un semiplan deschis.
x
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.
Fig. 1.4.1
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
33
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
d2
d3
d2
d1
B
x O
Fig. 1.4.2
Fig. 1.4.3
d1
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
<

a1 x1 + a2 x2 +K+ an xn b

>
34
(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)
11) panta = 2 ,5, taietura =(0 ,5)
13) panta = 0, taietura =(0 ,0 )
10 ) panta = 3, punctul (2 ,4 ) apartine dreptei

12 ) panta = a , punctul (0 ,0 ) apartine dreptei
14 ) panta = 1 4 , punctul ( 2 , 4 ) 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
35
36
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
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.
37

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 s-au 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 ntr-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.
38
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
(2.1.4)
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
(2.1.5)
x1 , x 2 ,K , x n 0
(2.1.6)
39
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 fcut referire la situaia din lumea real pe care aceasta
o modeleaz. Ori, aa cum s-a artat la nceput, programarea 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.
Produs A
3 ore/unitate
4 ore/unitate
5 $/unitate
Secia 1
Secia 2
Profit/unitate produs
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 determinate 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. Notndul 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.
40
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 utilitate 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.
41
y
60
3x1 + 2x2 = 120
45
A
B
30
4x1 + 6x2 = 260
15
15
30
45
60
75
Fig. 2.2.1
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.
42
y
60
5x1 + 6x2 = 280
45
A
B
30
5x1 + 6x2 = 180

5x1 + 6x2 = 120
15
15
30
45
60
75
Fig. 2.2.2
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:
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 restriciilor 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
43
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$. Dar numai un
singur punct, B(20, 30), aparine i poligonului soluiilor admisibile.
Concluzia pe care o tragem este c funcia obiectiv (2.1.7) este maximizat
pentru valorile x1 = 20 i x2 = 30 ale variabilelor de decizie i, n acest caz,
valoarea ei este z = 280. Interpretarea concluziei n contextul problemei
analizate este c profitul maxim care se poate obine sptmnal este de
280$ 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 artat 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.
44
y
N
O
Fig. 2.2.3
O
Fig. 2.2.4
O
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 include 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.
45
y
A
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 conduce 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).
46
"
Rezolvai grafic problemele de programare liniar enunate

n exerciiile 1 pn la 8 de la pagina 47.
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
x
1
x2 2
x1 , x 2 0
5) max z = 10 x1 + 15x 2
x1 + x 2 20
2 x + x 48
1
2
20
x
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
15
, x1 + x 2 50
x1 , x 2 0
47
48
3
Algoritmul simplex
3.1 Cerinele metodei simplex
3.2 Introducere n metoda simplex
3.3 Algoritmul simplex pentru o problem de maximizare n form
canonic
3.4 Algoritmul simplex pentru o problem de maximizare cu restricii
de toate tipurile
3.5 Algoritmul simplex pentru o problem de minimizare
3.6 Situaii speciale
nelegerea algoritmului simplex de rezolvare a problemelor de

programare liniar
Ilustrarea modalitilor n care trebuie abordate problemele care apar n
aplicarea algoritmului simplex
Evidenierea corespondenelor 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.
49

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.
50
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.
51
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
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
sau
52
(3.1.7)
(3.1.8)
(3.1.9)
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)

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.
53
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.
54
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
10
= 847.660.528 soluii de
problem din lumea real, ar trebui determinate C40
baz fcnd pentru fiecare pivotajul corespunztor, 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
3x1 + 2 x 2 120
4 x1 + 6x 2 260
x1 , x 2 0
(3.3.1)
(3.3.2)
(3.3.3)
Dup aducerea la forma standard problema devine:

55
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
x1 , x 2 , x 3 , x 4 0
(3.3.5)
(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
(0)
(1)
(2)
(3.3.7)
x1 , x 2 , x 3 , x 4 0
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
de baz
1 -5 -6
0
0
0
(0)
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.
56
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
0
...
0
.........
.........
.........
.........
.........
xk
a0k
a1k
.....
amk
coloana
cheie
............
............
............
............
............
Tabelul 3.3.2
bi
linia
b0
(0)
b1
(1)
.....
.....
bm
(m)
coloana
termenilor
liberi
57
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 intr n baz, iar sgeata indic variabila care
iese din baz. Pivotajul se face dup elementul marcat.
variabile
de baz
x3
x4
z
1
0
0
x1
-5
3
4
x2
-6
2
6
x3
0
1
0
x4
0
0
1
Tabelul 3.3.3
linia
bi
0
(0)
120
(1)
260
(2)
Dup efectuarea pivotajului se obine tabelul 3.3.4 pe care se aplic

iar cele trei reguli ale metodei simplex.
58
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
- 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.
59
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 =.

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:
60
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
x5 + x 6 = 24
2 x1 + 6 x 2
x1 , x 2 , x 3 , x 4 , x 5 , x 6 0
(3.5.5)
(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
x6
-M
0
1
Tabelul 3.5.1
linia
bi
0
(0)
10
(1)
24
(2)
n tabelul 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.
61
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
Tabelul 3.5.2
linia
(0)
(1)
(2)
bi
34M
10
24
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:
variabile
de baz
x4
x2
z
1
0
0
variabile
de baz
x1
x2
z
1
0
0
x1
-2+ M 2
2
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
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.

Soluii optime multiple
n cazul problemelor rezolvate grafic s-a vzut c dac soluia se
atinge n 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.
62
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 pagina 64.
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.
63
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
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
7) max z = 4 x1 + 2 x 2
x1 + x 2 15
2 x1 + x 2 20
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
64
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
x
+
3
x
+
4
x
2
3 2600
1
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
8) min z = 4 x1 + 6 x 2
3x1 + x 2 15
2 x1 + 3x 2 17
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
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.
65
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.
66
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:
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.
67
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:
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:
Dac A = {1, 2 , 3} i B = {2 , 3, 4} atunci A B = {2 , 3} .
Intersecia evenimentelor are urmtoarele proprieti:
(1) A B = B A
68
(comutativitate)
(2) ( A B) C = A ( B C )
(asociativitate)
(3) A ( B C) = ( A B) ( A C) (distributivitatea
interseciei
fa de reuniune)
(4) A ( B C) = ( A B) ( A C) (distributivitatea reuniunii fa
de intersecie)
(5) 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:
pentru dou evenimente compatibile,
A B ;
pentru dou evenimente incompatibile, A B = .
Exemplu:
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
69
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.
"
70
Rezolvai exerciiile din seciunea "Evenimente" de la

pagina 84
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
se numete
n
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
experien la 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.
71
Practic, se consider ca valoare aproximativ a probabilitii, media

aritmetic a frecvenelor. Aproximarea va fi cu att mai bun cu ct numrul
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 numrul 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.
Si 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
72
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. Si
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.
73
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]
(4.3.3)
cu proprietile
(1) P( E ) = 1
k I
(2) P U Ak = P( Ak )
k I
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:
74
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

i I
sau infinit.
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
independente
condiionate.
Evenimente
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:
75
PA ( B ) =
P( A B )
(4.4.1)
P ( A)
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:
76
PA ( B )
P( B )
PB ( A)
(4.4.2)
P( A)
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 ( (4.4.6)
Relaia (4.4.6) se numete formula de nmulire a probabilitilor.
"
Rezolvai exerciiile din seciunea "Probabiliti" de la

pagina 85
77
4.5 Variabile aleatoare

Variabilele aleatoare sunt mrimi care se schimb sub influena unor
factori ntmpltori.
Exemple:
a)
b)
c)
d)
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);
e) 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
78
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
K xn
K pn
x2
p2
, sau
x
X : i
, unde
pi i =1,2 ,...,n
= 1.
i =1
(4.5.3)
Se numete repartiie, sau distribuie, a variabilei aleatoare discrete

X, tabloul:
x
X : 1
p1
x2
K xn
p2
pn
, sau
x
X : i , unde
pi i N
= 1.
i =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.
Fie,
yj
Y:
q j
deci,
variabilele
aleatoare
simple
x
X : i
pi i =1,2 ,...,m
. Se definesc:
j =1,2 ,...,n
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
x r
X r : i
pi i =1,2 ,...,m
79
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
1+1
=
X + Y :
0.2 0.3 0.2 0.7 0.3 0.3 0.3 0.7 0.5 0.3 0.5 0.7
3
4
5
6
2
=
0.06 0.14 0.09 0.36 0.55
1 2
3 1
3 2
4 1
42
1 1
=
XY :
0.2 0.3 0.2 0.7 0.3 0.3 0.3 0.7 0.5 0.3 0.5 0.7
2
3
4
6
8
1
=
0.06 0.14 0.09 0.15 0.21 0.35
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
80
x2 K xn
p2 K pn
Medie
Media variabilei aleatoare X se definete ca:
M( X ) =
x p
i
(4.6.1)
i =1
Notaii: M(X), m,
Exemplu
Fie
M ( X ) = 1
1
4
variabila
aleatoare X : 1
2
2
3
.
4
Atunci,
1
2
1
+ 2 + 3 = 2 .
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 .
81
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 K xn
,
p2 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 )
K
p2
pn
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:

82
( ) (
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 X2 pentru c media acesteia

intervine n calcularea dispersiei.
1
X 2 :
13
1
3
Avem M ( X ) = +
4
1
( )
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
2
14
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
83
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 paginile 85 - 86.
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?
84
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.
b). 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.
S se afle probabilitatea ca inta s fie lovit exact o dat.
4) 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?
5) 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?
6) 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
.
1
6
a). ct este valoarea lui p?

b). care este probabilitatea ca X s ia o valoare mai mic sau egal cu 3?
85
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 :
S se calculeze media i dispersia pentru fiecare dintre variabilele aleatoare

din exerciiile precedente.
86
5
Lanuri Markov
5.1 Procese stochastice. Lanuri Markov

5.2 Proprieti de baz ale lanurilor Markov
5.3 Lanuri Markov regulate
nelegerea 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 s-au 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.
87
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 secvena de
subexperimente si fiecare rezultat al experimentului este determinat de
rezultatele subexperimentelor (n ordine).
Un exemplu este urmtorul: se dau trei urne, fiecare coninnd bile
albe si bile negre n cte o proporie. Se alege o urna la ntmplare si, din ea,
se extrage o bila. Se cere probabilitatea apariiei unei bile albe din urna 2.
Se observa ca experimentul are doua faze:
alegerea urnei (la ntmplare)
extragerea bilei (tot la ntmplare).
Definiia 5.1.1
Se numete proces stochastic un experiment aleator care consta
dintr-o suita de subexperimente (tot aleatoare).
Deci, un proces stochastic este o mulime indexata de variabile
aleatoare, {Xt}, unde t parcurge o mulime T. Adesea, T este mulimea
indicilor pozitivi T = N, iar Xt reprezint o caracteristica, cantitativa sau
calitativa, a sistemului fizic sau economic cercetat.
O modalitate grafica 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
diagrama 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
P (n U 2 ) =
U2
5/9
1/3
5/11
1 5 5
=
3 9 27
1 5
5
P( a U 3 ) = =
3 11 33
U3
6/11
n
Fig. 5.1.1
88
P (n U 3 ) =
1 6
2
=
3 11 11
Observaie Pe aceasta diagrama se pot vedea uor si diferite

probabiliti condiionate. De exemplu:
a). Probabilitatea de rezulta o bila alba care a fost extrasa din urna
U2 este
1 4 4
=
.
3 9 27
b). Probabilitatea de a extrage bile albe, indiferent de urna este

1 4
5
.
+
+
7 27 33
Fie acum o succesiune de experimente, fiecare avnd aceleai

rezultate posibile. Prin urmare, se va considera ca t este un moment de timp
care ia valorile 1, 2, 3, (aceasta da secvena de experimente). Pentru
fiecare moment, rezultatele posibile vor fi notate 1, 2, , m (le consideram
n numr finit). Cele m rezultate posibile vor fi numite strile n care se
poate afla sistemul la un moment dat. Unitatea de msura 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 repetata a unui zar, sau
extrageri ale bilei din urna cu revenire).
Un alt tip de secvena este acela n care probabilitile rezultatelor
la un moment dat depind de rezultatele din experienele anterioare (ca, de
exemplu extragerile succesive din urna fr repunerea bilei la loc). n cazul
acestui din urma tip de experiment se pot distinge doua subcazuri extreme:
- o extrema e reprezentata de faptul ca probabilitile rezultatelor la
un moment dat depind de rezultatele tuturor experimentelor precedente din
secvena;
- cealalt extrema a nivelului de dependenta este atunci cnd
probabilitile rezultatelor la un moment dat depind doar de rezultatele
experimentului precedent. n aceasta 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 ca un proces stochastic are proprietatea lui Markov daca
este ndeplinita egalitatea:
P(Xt+1 = jX1 = k1, , Xt-1 = kt-1, Xt = i) = P(Xt+1 =jXt = i),
(5.1.1)
pentru t =1, 2, si pentru orice succesiune k1, k2, kt-1, i, j de stri

din mulimea celor m stri posibile ale sistemului.
89
Nota:
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 arata tocmai faptul ca probabilitatea
condiionata a oricrui eveniment viitor (Xt+1 = j), date fiind evenimentele
trecute X1 = k1, , Xt-1 = kt-1 si starea prezenta Xt = i este independenta de
strile trecute si depinde doar de starea prezenta a procesului.
Exista o larga varietate de fenomene care sugereaz o comportare n
maniera unui proces Markov.
Exemple
probabilitatea ca o persoana sa cumpere un produs de o anumita
marca (detergent, bere etc.) poate depinde de marca aleasa la
cumprtura precedenta;
probabilitatea ca o persoana sa aib cazier poate depinde de
faptul ca prinii au avut sau nu cazier;
probabilitatea ca starea de sntate a unui pacient s se
mbuntateasc, s se nruteasc sau sa rmn stabil ntr-o
zi poate depinde de ceea ce s-a ntmplat n ziua precedenta.
Evoluia unui proces Markov poate fi descrisa 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 definita 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
j
m
starea
precedenta
(rezultatul
curent)
1 p11
2 p 21
L
i p i1
L
m p m1
p12
p 22
L
pi 2
L
pm2
L p1 j
L p2 j
L L
L p ij
L L
L p mj
L
L
L
L
L
L
(5.1.2)
p1m
p2m
=P
p im
L
p mm
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)
Dup cum se observa din (5.1.2) ca matricea de tranziie ntr-un pas

a fost notata 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 noua stare n care a trecut sistemul.
90
Matricea de tranziie este formata din elementele pij care reprezint

probabilitatea condiionata ca sistemul sa treac din starea curenta i n starea
urmtoare j. Deci pij este probabilitatea sa apar rezultatul Ej n pasul
urmtor daca s-a produs rezultatul Ei n pasul precedent. Se observa ca pij nu
depinde de momentul t, ci doar de strile i si j. Deci pij(t) = pij, oricare ar fi t
si 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, echivalenta cu definiia 5.1.2.
Definiia 5.1.5
Un proces stochastic {Xt}, t = 1, 2, se numete proces Marcov
(lan Markov) daca 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 sa rmn n
aceeai stare dup efectuarea experimentului, iar Pij cu i j
reprezint probabilitatea ca sistemul sa treac dintr-o stare n
alta.
2. Matricea de tranziie este o matrice ptratica de ordin m.
Proprieti
Elementele matricei de tranziie trebuie sa satisfac urmtoarele:
1. 0 pij 1, i,j = 1,,m (pentru ca este vorba de probabiliti),
2.
p
j =1
ij
= 1, i = 1,2 ,..., m (suma pe linie trebuie sa dea 1 pentru ca
E1, E2, Em este un sistem complet de evenimente).

Proprietatea 2 asigura ca, data fiind o stare curenta i a sistemului,
sistemul va trece cu sigurana ntr-o stare j din cele m posibile dup
efectuarea experimentului.
Exemplu
Comportamentul consumatorilor fata de un anumit produs, precum si

nclinaia lor de a schimba marca produsului pe care l cumpra 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 arata
schimbrile produse n preferina de la sptmna a asea la sptmna a
aptea.
91
Marca
preferata n
sptmna 6
2
3
Total
Marca preferata n sptmna 7

1
2
3
72
4
4
12
2
86
102
6
112
6
42
52
Total
80
120
50
250
Prima linie arata ca pentru M1:

9 72 cumprtori care au cumprat marca M1 n sptmna 6 au
rmas tot la ea n sptmna 7,
9 4 care au cumprat M1 n sptmna 6 au trecut la M2 n
sptmna 7,
sptmna 7.
Pe de alta parte, tot pentru M1,
sptmna 7,
sptmna 7.
Per total, de la o sptmna la alta, pentru M1:
9 72 au pstrat M1,
9 4 + 4 = 8 au prsit M1 pentru alte mrci,
9 12 + 2 = 14 au venit de la alte mrci la M1. Rezulta un ctig total
de 14 - 8 = 6 cumprtori pentru marca M1.
ntre sptmna 6 si sptmna 7 rezulta o cretere a procentului din
"piaa" pentru marca M1 de la 32% (80/250100) la 34,4% (86/250100). Pe
lng ilustrarea schimbrilor nete si a cotelor deinute pe piaa, tabelele ca
cea de mai sus arata si sursa schimbrilor petrecute. De exemplu M1 a
nregistrat un ctig net de 12 - 4 = 8 consumatori de la marca M2 si 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
= 0.10 0.85 0.05 .
P=
120 120 120
2
6
42 0.04 0.12 0.84
50 50 50
Aceasta matrice este considerata a fi o buna estimare a matricei de
tranziie "adevrate" deoarece se bazeaz pe evaluarea comportamentului a
250 de consumatori pe o perioada de doua sptmni.
92
Examinnd matricea P se constata ca:

- elementele unei linii reflecta n ce msura este de ateptat ca o
marca sa i retina clienii sau sa-i piard n favoarea alteia.
- elementele de pe o coloana sumarizeaz n ce msur e de ateptat
ca o marca sa-si pstreze consumatorii sau s mai atrag si alii de la alte
mrci.
M1
0.90
0.05
M1
0.05
M3
0.90
M1
0.10
M1
0.05
0.85
M2
0.05
M2
M3
0.05
M1
0.04
0.12
M3
M2
0.84
M2
M3
Fig. 5.1.2
Deci, p11, p22, p33 sunt masuri ale "puterii de pstrare" a fiecrei
mrci. n rest pij (ij) reflecta "puterea de atracie" a mrcii Mj n condiiile
n care marca din sptmna precedenta a fost Mi.
Procesul Markov din exemplul precedent poate fi descris printr-o
diagrama (tip arbore) asemntoare cu cea de la nceputul capitolului si care
este ilustrata n figura 5.1.2.
Daca ne ntrebam care este probabilitatea ca peste doua sptmni sa
se cumpere iar marca M1, rezulta: 0.9 0.9 + 0.05 0.10 + 0.05 0.04 = 0.817 .
Bineneles, aceasta diagrama este greu de trasat pentru a vedea
predicii pe mai multe sptmni. Pentru a putea face o reprezentare
convenabila, abstractizam problema si o consideram un sistem care are trei
stri posibile, M1, M2, M3. Sistemul trece dintr-o stare n alta cu diferite
probabiliti. Rezulta 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 diagrama de tranziie.
M2
0.05
0.12
M1
0.90
0.10
0.05
0.05
0.04
Fig. 5.1.3
"
0.85
M3
0.85
Rezolvai exerciiile 1 si 2 de la pagina 102

93
5.2 Proprieti de baza ale lanurilor Markov

S-a vzut ca 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
utila este matricea de tranziie ntr-un pas. Ea este formata 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, si de probabilitile de tranziie n exact k
pai si de o matrice formata din acestea. Pentru aceasta, n continuare, se
vor face urmtoarele notaii:
pij(k) - probabilitatea condiionata 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 rezulta ca
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 sptmna la alta. Pentru el avem definite:
matricea de tranziie ntr-un pas, arborele de tranziie si diagrama de
tranziie.
Se pune problema, de exemplu, care este probabilitatea ca, dup
doua sptmni, cei care au cumprat marca M1 sa rmn la aceasta
preferina; deci, intereseaz p11(2). Din arborele de tranziie rezulta: 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, doua sptmni) si al unui numr mic de stri (n
exemplul dat, trei mrci). Se observa uor, ns, ca din matricea P rezulta:
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.
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 arata si figura 5.2.1,
94
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 ca 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 exprima o proprietate de baza 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 sa dea 1. Aceasta
proprietate rmne valabila si 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 n-dimensional. Un vector mai poate fi reprezentat ca o
matrice linie (vector linie) sau ca o matrice coloana (vector coloana).
Definiia 5.2.1
Un vector linie (q1, q2, , qn) care are proprietile
a ) 0 qi 1
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 si despre liniile matricei de
tranziie n k pai P(k) = Pk. De asemenea, matricele P si Pk sunt matrice
stochastice.
Rezolvai exerciiile 3, 4, 5 de la pagina 102
"
95

n continuare vom aborda o categorie de lanuri Markov utile n
aplicaii practice.
Deoarece lanurile Markov sunt procese stochastice, nu se poate sti
cu exactitate ce se ntmpla 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 = sx1 x2 xnt .
Coordonatele xi ale vectorului de stare X trebuie interpretate ca
probabilitatea ca sistemul sa se afle n starea i.
Procesul Markov luat ca exemplu n seciunea precedenta are trei
stri. n aceasta situaie vectorul de stare [0.6 0.1 0.3] trebuie interpretat
astfel: n sptmna curenta clienii aleg marfa M1 cu probabilitatea 0,6,
marca M2 cu probabilitatea 0.1 si M3 cu 0.3.
Atunci cnd se tie cu sigurana ca sistemul este ntr-o anumita stare,
vectorul de stare are o forma particulara. Astfel, daca se tie sigur ca
sistemul este n starea a i-a, vectorul de stare va avea a i-a componenta
egala cu 1, iar restul 0. X = [0 0 0 i 0] .
Comportamentul unui lan Markov poate fi descris printr-o secvena
de vectori de stare. Starea iniiala a sistemului poate fi descrisa 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 sumarizata prin urmtoarea teorema:
Teorema 5.3.1
Fie un proces Markov cu matricea de tranziie P. Daca Xk si Xk+1
sunt vectori de stare care descriu un procesul dup k si 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 si matricea Pk.
Observaie. X0, X1, X2, Xk, sunt toi vectori linie 1 m.
96
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
Daca vectorul strii iniiale este X0 = [0,7 0 0,3], sa 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
Daca sistemul si ncepe evolutia din starea a doua, sa se determine vectorul
de stare dup doua tranziii.
Rezolvare: X0 = [0 1] (pentru ca 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 sectiuni, exista 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 numar mare de tranziii. Comportarea pe
termen lung a unui proces stochastic poate fi inportanta n multe aplicatii.
Aplicnd teorema 5.3.1. se poate calcula vectorul de stare Xk pentru
orice k, pornind de la o stare X0 iniiala si aplicnd relatia 5.3.2.
Problema este ca, pentru un numar k mare calcularea lui Pk devine
foarte laborioasa. Mai mult, daca am calculat Xk pentru un k oarecare, nu
putem spune mare lucru despre Xk+1 sau Xk+2 pna cnd nu le calculam si pe
acestea.
De aceea, daca intereseaz studierea unui proces stochastic dup un
numar mare de tranziii, atunci este utila studierea comportarii generale a
acestuia pe termen lung. Pentru anumite tipuri de lanuri Markov acest lucru
este posibil.
97
n general pentru un lan Markov cu m stri, posibilitatea ca sistemul

sa se afle n starea j dup k tranziii depinde de starea din care s-a pornit.
Astfel, p1j(k) este probabilitatea ca sistemul sa fie n starea j dup k tranziii
daca iniial se afla n starea 1. Semnificaii similare avem pentru p2j(k), ,
pmj(k). Nu exista nici un motiv ca aceste probabilitati sa fie (sau sa ne
ateptam sa devina) egale. Dar, pentru anumite lanuri Markov exista o
probabilitate strict pozitiva qj asociata cu starea j astfel nct dup k tranziii
probabilitile pij(k) devin, toate, foarte apropiate de qj. Cu alte cuvinte,
sperana ca sistemul sa 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 clasa aparte care este definita dup cum urmeaz.
Definiia 5.3.2
Un lan Markov cu matricea de tranziie P se numete regulat daca
exista un ntreg k pozitiv astfel nct Pk sa aib toate elementele
strict pozitive.
Observaie. Definiia nu face referire directa la comportarea lanului
pe termen lung aa cum s-a discutat anterior. Legtura lanurilor Markov
regulate cu aceasta comportare va fi descrisa n continuare.
Exemplul 5.3.3
a) Sa se verifice daca lanul Markov cu matricea de tranziie
urmtoare este regulat.
1
P = 2
1
1
2 .
0
Rezolvare. Avem:
1
P2 = 2
1
1 1
2 2
0 1
3
1
4
2 = 1
0
2
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 problema, pentru lanul Markov avnd:
0 1
P=
.
1 0
98
Rezolvare. Avem:
0
P2 =
1
0
P3 =
1
1 0 1 1
=
0 1 0 0
1 1 0 0
=
0 0 1 1
0
=
1
1
0
0 1 0 1 1 0
P4 =
=
=
1 0 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
Rezulta ca, pentru oricare k, att P2k+1 ct si P2k conin elementul 0;

nseamn ca lanul Markov nu este regulat.
Definiia conceptului de lan Markov regulat are importanta din
perspectiva urmtoarei consecine, care a fost demonstrata. Ea se refera 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 si 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 stochastica A care are toate liniile identice.
W w1 w2
W w w
2
A= = 1
M L L

W w1 w 2
L
L
L
L
wm
wm
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
99
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 = 0.2368 0.5527 0.2105
0.2369 0.5526 0.2105
8
Se observa ca limitele lui P(8) sunt practic egale. Valorile de la o

linie la alta difer abia la a patra zecimala, cel mult.
Teorema 5.3.2. arata ca probabilitatea ca procesul Markov regulat sa
ajung dup un timp suficient de lung ntr-o anumita stare j este constanta,
egala cu wj si nu depinde de starea din care pornete. Evident, aceasta nu
nseamn ca procesul intra ntr-o stare fixa, el continua sa-si schimbe strile,
astfel nct probabilitatea de trecere de la starea i la starea j n pasul n
oarecare rmne egala cu pij.
Se pune, n continuare, problema cum sa se determine vectorul stabil
W. Calcularea lui P(k) = Pk pentru un k foarte mare si extragerea lui W ca o
linie a lui P(k) este nepractica si duce la rezultate aproximative. De aceea, se
folosete o alta metoda, justificata de urmtoarea teorema.
Teorema 5.3.3
Fie un lan Markov regulat cu matricea de tranziie P. Atunci, exista
un unic vector W care satisface relaia
WP = W
(5.3.3)
Coordonatele acestui vector sunt probabilitile stabile ale lanului

Markov.
Din teorema precedenta rezulta 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
Sa se determine vectorului W al probabilitii stabile pentru lanul
Markov regulat care are matricea de tranziie:
100
P = 4
2
3
4
1
Avem:
WP = W W (P I ) = O [w1
[w1
14
w2 ]
2
3
3
1
1 0
0 1 = O
3
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 aduga, ca prima ecuaie, condiia ca wi sa 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 rezolva sistemul (de exemplu, prin metoda eliminrii complete) si

se obine
8
w1 = 17
w = 9
2 17
Concluzie: vectorul stabil al procesului Markov regulat dat este

9
8
W =
.
17 17
Rezolvai exerciiile 6, 7, 8 de la pagina 103
"
101
Elementele de baza privind procesele stochastice prezentate n acest

capitol au avut menirea de a ilustra aplicarea teoriei probabilitilor la o
clasa de fenomene economice ntlnite frecvent n practica.
Exerciii
1) Profiturile unei companii de asigurri sunt determinate de
volumul de asigurri vndute. Acest volum variaz de la o sptmna la
alta. n fiecare sptmna vnzrile pot fi caracterizate ca mari (M) sau
sczute (S). S-au determinat urmtoarele probabiliti:
- daca volumul de vnzri este mare (M) n sptmna curenta,
atunci va fi tot mare si sptmna viitoare, cu probabilitatea 0.8 si va fi mic
cu probabilitatea 0.2;
- daca volumul de vnzri este sczut (S) n sptmna curenta,
atunci va fi mare sptmna viitoare, cu probabilitatea 0.4 si va fi mic cu
probabilitatea 0.6.
a) Sa se scrie matricea de tranziie, diagrama tip arbore si diagrama
de tranziie.
b) Sa se calculeze probabilitatea ca volumul vnzrilor peste doua
sptmni sa fie mare daca n sptmna curenta este mare.
0.3 0.7
. Sa se
.
0.9 01
2) Un lan Markov are matricea de tranziie P =

traseze diagrama de tranziie.
0.3 0.2 0.5
3) Un lan Markov are matricea de tranziie P = 0.4 0 0.6 . n

1
0
0
observaia curenta, lanul se afla n starea 1. Atunci:

- care este probabilitatea sa fie tot n starea 1 dup o tranziie?
- care este starea n care este cel mai probabil sa se afle dup o
tranziie?
Daca ntr-un anumit moment procesul se afla n starea 3, care este
probabilitatea ca dup doua tranziii sa ajung n starea 2?
Daca sistemul pleac din starea 2, care este probabilitatea ca n
urmtoarele 4 observaii sa ocupe succesiv strile 3,1,2,1 (n aceasta
ordine)?
4) Un lan Marcov are urmtoarea diagrama de tranziie:
2
3/4
1
1/4
1/2
3
1/2
a) Sa se scrie matricea de tranziie P.

b) Sa se determine matricea de tranziie n trei pai P(3).
102
c) Daca sistemul pleac din starea 2, care este probabilitatea

ca, dup 3 tranziii, sa ajung n starea 3?
12
5) Un lan Markov are matricea de tranziie P = 0

1
2
1
1
1
2
2
4
2 .
1
4
a) Pentru ce stare i este pi3 cea mai mare si pentru care, cea
mai mica?
b) Pentru ce stare i este pi3(2) cea mai mare si pentru care,
cea mai mica?
c) Pentru ce stare i este pi3(3) cea mai mare si pentru care,
cea mai mica?
1
3
6) Un lan Markov regulat are matricea de tranziie P = 2 4
. Sa
se determine vectorul W al probabilitilor stabile pentru acest lan.

7) Determinai vectorul probabilitilor stabile pentru lanul Markov
din problema 5.
8) Sa se arate ca 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
103
Bibliografie
1. Budnick F.S., 1985 Finite Mathematics With Applications.
McGraw-Hill, NY.
2. Dodescu Gh., - Metode de calcul numeric. Editura Didactica si
pedagogica, Bucureti
3. Dragan I.., 1973 Tehnici de baza in programarea liniara. Editura
Universitatii Al. I. Cuza Iai.
4. Leonte A., Vraciu G., 1975 Elemente de calcul matriceal cu
aplica]ii. Editura Tehnica, Bucureti.
5. Maki D.P., Thompson M., 1983 Finite Mathematics. McGraw-Hill,
NY.
6. Mihu C., 1977 Metode numerice in algebra liniara. Editura tehnica,
Bucureti
7. Mihu C., 1985 Sisteme de ecuaii liniare si forme ptratice. Editura
tehnica, Bucureti
8. Zidaroiu C., 1983 Programare liniara. Editura tehnica, Bucureti
Referat pentru examen:

Fiecare student trebuie s prezinte
nainte de examen un dosar ce va
conine exerciii rezolvate de la
fiecare capitol de curs.
104
CUPRINS
1. ELEMENTE DE MATEMATIC LINIAR
1.1 Matrice i determinani
1.2 Ecuaii liniare
1.3 Sisteme de ecuaii liniare
1.4 Inegaliti liniare i sisteme de inegaliti liniare
Exerciii
1
6
16
32
35
2. INTRODUCERE N PROGRAMAREA LINIAR

2.2 Rezolvarea grafic a problemelor de programare liniar n dou variabile
Exerciii
38
41
47
3. ALGORITMUL SIMPLEX
3.3 Algoritmul simplex pentru o problem de maximizare n form canonic
3.4 Algoritmul simplex pentru o problem de maximizare cu restricii de toate
tipurile
Exerciii
50
53
55
60
60
62
64
4. ELEMENTE DE TEORIA PROBABILITILOR

4.1 Experimente aleatoare
4.2 Evenimente
4.3 Noiunea de probabilitate
4.4 Probabiliti condiionate. Evenimente independente
4.5 Variabile aleatoare
4.6 Caracteristici numerice ale variabilelor aleatoare
Exerciii
66
66
71
75
78
80
84
5. LANURI MARKOV
5.1 Procese stochastice
5.2 Proprieti de baz ale lanurilor Markov
Exerciii
Bibliografie & referat
88
94
95
102
104

Curs ID Matematica

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Curs ID Matematica

Încărcat de

Drepturi de autor:

Formate disponibile

Universitatea de tiine Agricole i Medicin Veterinar

Ion Ionescu de la Brad Iai

Asist. dr. Ciprian Chiru

Cu mulumiri domnului lector dr. Clin Marius

Acest capitol este destinat introducerii unor noiuni de baz din

A = (aij ), A = aij , A = aij ,i = 1,2,K, m j = 1,2,K, n

sau, pe scurt, Am,n.

R a numerelor reale se noteaz Mm,n( R ). n acest curs vor fi folosite numai

matrice care au ca elemente numere reale.

O matrice de tip (m, 1) se numete matrice coloan sau vector coloan:

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

O matrice de tip (n, n) se numete matrice ptratic de ordinul n O

Matricea diagonal pentru care a11 = a22 = ... = ann = 1 se numete

Matricea -A se numete matricea opus lui A i

Fie dou matrice A i B. Se poate defini produsul AB (n aceast ordine)

nmulirea matricelor are urmtoarele proprieti:

Produsul unei matrice Am,n = (aij), i = 1,2,..., m, j =1,2, ..., n cu un numr

1 , 2 ,K n sunt toate elementele mulimii {1,2 ,K , n} , iar suma

= 0 dac permutarea este par i = 1 dac permutarea este impar.

Urmtoarea teorem este util pentru calcularea rangului unei matrice.

Se poate vorbi de inversa unei matrice doar n cazul matricelor ptratice

Urmtoarea teorem este util pentru a decide dac o matrice este

c)nmulirea unei matrice cu un scalar

1.2 Ecuaii liniare

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

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

Soluiile ecuaiei liniare

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

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

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

Trebuie gsite dou soluii ale ecuaiei

Aceast ecuaie liniar are un caracter special n sensul c x este egal cu k,

Aceast ecuaie liniar are un caracter special n sensul c y este egal cu k,

Rezolvai exerciiile 1 pn la 8 de la pagina 35.

Figura 1.2.8 ilustreaz calcularea pantei definite prin relaia 1.2.7.

O alt interpretare a pantei rezult imediat din figura 1.2.8 n care se

Ecuaia prin pant i tietur

Ecuaia prin pant i un punct

nlocuind expresia lui k n ecuaia prin pant i tietur (1.2.8), dup

care se numete ecuaia dreptei prin pant i un punct.

Ecuaia prin dou puncte

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

Ecuaia prin tieturi

n cazul n care se cunosc interseciile dreptei cu axele, A(a, 0) i B(0, b),

cunoscut ca ecuaia dreptei prin tieturi.

Rezolvai exerciiile 9 pn la 18 de la pagina 35.

Poziiile relative a dou drepte

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

paralele dac i numai dac

perpendiculare dac i numai dac a1a2 + b1b2 = 0.

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

Reprezentri pentru ecuaii liniare n mai mult de dou variabile

se reprezint grafic prin plane ntr-un reper cartezian tridimensional.

este un hiperplan ntr-un spaiu cu n dimensiuni.

1.3 Sisteme de ecuaii liniare

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

atunci sistemul (1.3.1) se poate scrie sub forma matriceal

Dimensiunea matricei sistemului fiind foarte important, adesea se

Teorema 1.3.1 (Kronecker-Capelli)

II. sistemul este compatibil nedeterminat (are o infinitate de soluii);

Reprezentri grafice pentru sisteme de ecuaii cu dou necunoscute

se reprezint ca dou drepte n plan, iar mulimea soluiilor

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

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