Documente Academic
Documente Profesional
Documente Cultură
MATEMATIC
Curs pentru nvmnt la Distan
2010
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.
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:
(1.1.2)
(1.1.3)
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)
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)
( )
A = a ij , A = a ij , i = 1,2 ,K , m
j = 1,2 ,K , n
(1.1.9)
3
nmulirea matricelor
ik bkj
k =1
, i = 1,2 ,K , m
j = 1,2 ,K , p
(1.1.10)
Notaie: C = AB.
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)
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
(1.1.13)
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
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
Definiia 1.2.1
O ecuaie liniar n dou variabile, x i y, are forma general:
ax + by = c
(1.2.1)
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)
{( x , y) | ax + by = c}
(1.2.3)
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)
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:
B(8, 0)
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
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)
y
y=k
Fig. 1.2.4
"
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)
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
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.
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
k = y 0 mx 0
(1.2.9)
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
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)
A(a, 0)
O
Fig. 1.2.11
(1.2.11)
"
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
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
ax 0 + by 0 c
(1.2.13)
a 2 + b2
15
(1.2.14)
n>3
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)
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)
(1.3.1')
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.
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
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
a 2 x + b2 y = c2
(1.3.4)
{( 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)
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
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
x1 3 x 2 + 2 x 3 = 7
x + x + x =2
2
3
1
(1.3.8)
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,
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
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
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
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
0=0
3 x + 8 x =6
3
2
Exemplul 1.3.1
4 x1 2 x2 x3 = 9
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)
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
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
1 0 23 2
1 0 0 6
1
0 1 3 2 0 1 04
0 0 1 6
0 0 1 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
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 0
0 1
0 0
11
1
5 9
0 0
25
x1 = 11 5
,
1
x2 = 9
5
"
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
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
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.
a 12
a 22
(1.3.9)
x12
x 22
(1.3.10)
a11
a 21
a12 x11
a 22 x 21
x12 1 0
=
x 22 0 1
(1.3.11)
a 21 x11 + a 22 x 21
=
a 21 x12 + a 22 x 22 0 1
a 21 x11 + a 22 x 21 = 0
a 21 x12 + a 22 x 22 = 1
(1.3.12)
(1.3.13)
30
a11
a12 1
a11
a12 0
a 21
a 22 0
a 21
a 22 1
(1.3.14)
x11 = b11
x 21 = b21
1 0 b12
0 1 b22
(1.3.15)
x12 = b12
x 22 = b22
(1.3.16)
=
x 22 b21 b22
(1.3.17)
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
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
"
(1.4.1)
Fig. 1.4.1
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
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
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
Obiectivele capitolului
nelegerea structurii modelelor de programare liniar i semnificaiei
elementelor care intr n componena acestora
Ilustrarea varietii aplicaiilor care pot fi tratate prin programare liniar
nelegerea mecanismelor care stau la baza modelelor de programare
liniar prin descrierea intuitiv oferit de rezolvrile grafice
Discutarea situaiilor speciale care pot aprea n rezolvarea unei
probleme de programare liniar
Acest capitol este dedicat introducerii noiunilor de baz legate de
programarea liniar (PL), o metod de optimizare care s-a dezvoltat n a
doua jumtate a secolului al douzecilea. Tehnica programrii liniare are o
larg arie de aplicabilitate n cele mai diverse domenii de inginerie:
economic, agricol, industrial. n prezent exist implementri software
puternice cu ajutorul crora se pot rezolva pe calculator probleme de
programare liniar de mare complexitate. Cu toate acestea, studierea
modelului este necesar pentru c, far o nelegere corect a acestuia,
exploatarea corect a unui program de calculator dedicat rezolvrii
problemelor de programare liniar nu este posibil. n acest capitol va fi
abordat i rezolvarea grafic a problemelor PL care, dei se poate aplica
doar problemelor n dou variabile, are avantajul de a oferi o imagine
intuitiv a conceptelor implicate ntr-un program liniar. Noiunile de algebr
liniar introduse n capitolul precedent i vor gsi aici utilizarea.
37
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)
(max, min)
z = c1 x1 + c2 x 2 + K cn x n
(2.1.4)
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
Secia 1
Secia 2
Profit/unitate produs
Produs B
2 ore/unitate
6 ore/unitate
6 $/unitate
Capacitate
120 ore
260 ore
3x1 + 2 x 2 120
4 x1 + 6 x 2 260
4 x1 + 6x 2 260
x1 , x 2 0
(2.1.7)
(2.1.8)
(2.1.9)
41
y
60
45
A
B
30
15
15
30
45
60
75
Fig. 2.2.1
(2.2.1)
42
y
60
45
A
B
30
15
15
30
45
60
75
Fig. 2.2.2
(2.2.2)
c
a 2 + b2
(2.2.3)
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
z
C
Fig. 2.2.7
46
"
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
Obiectivele capitolului
49
(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)
x3 0
x4 0
x 5 = 25, x 5 0
x 5 + x 6 = 25, x 5 , x 6 0
2 x 1 + 3x 2 40
x 2 x = 25
2
1
x1 , x 2 0
(A, b1)
(b2, b3)
(b3)
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
(max, min)
z = c1 x1 + c2 x 2 + K cn x n
(3.1.4)
...........................................
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)
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)
4 x1 + 6x 2 260
x1 , x 2 0
(3.2.1)
(3.2.2)
(3.2.3)
+ x 4 = 260
4 x1 + 6 x 2
x1 , x 2 , x 3 , x 4 0
(3.2.4)
(3.2.5)
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
45
A
B
30
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
4 x1 + 6x 2 260
x1 , x 2 0
(3.3.1)
(3.3.2)
(3.3.3)
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)
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
.........
.........
.........
.........
.........
xk
a0k
a1k
.....
amk
coloana
cheie
............
............
............
............
............
Tabelul 3.3.2
bi
linia
b0
(0)
b1
(1)
.....
.....
bm
(m)
coloana
termenilor
liberi
57
bi
a ik
bi
120 260
= min
,
= min{60,43 1 3} = 43 1 3
2
ai 2
2
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)
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
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)
60
(3.5.1)
x1 + x 2 10
2 x1 + 4 x 2 24
(3.5.2)
x1 , x 2 0
(3.5.3)
(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)
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)
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
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)
62
"
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
Obiectivele capitolului
nelegerea noiunilor de experiment aleator i eveniment aleator
Definirea principalelor noiuni privitoare la evenimente, introducerea
unei clasificri a evenimentelor aleatoare i enumerarea proprietilor
acestora.
Introducerea noiunii de probabilitate.
Introducerea noiunii de variabil aleatoare, a operaiilor cu variabile
aleatoare i a caracteristicilor numerice uzuale ale variabilelor aleatoare
Multe fenomene din viaa real sunt caracterizate de incertitudine
sau de evoluie ntmpltoare. Multe decizii trebuie luate n condiii n care
nu se cunosc cu exactitate toate elementele care s permit o predicie
exact a rezultatelor unei aciuni. Teoria probabilitilor este unul dintre cele
mai puternice instrumente matematice care permit modelarea unor astfel de
situaii.
Acest capitol este dedicat punctrii unor concepte de baz din teoria
probabilitilor. Este vorba de un minimum necesar nelegerii domeniului
care, n plus, st la baza dezvoltrilor din capitolul urmtor.
65
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:
Experiment: aruncarea unui zar.
Se poate spune c: {1} {1, 5}; {2 , 3} {1, 2 , 3, 5};
{1, 4} {2, 4}
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:
Experiment: aruncarea unui zar.
Dac A = {1, 2 , 3} i B = {2 , 3, 4} atunci A B = {1, 2 , 3, 4} .
Reuniunea evenimentelor are urmtoarele proprieti:
(1)
(2)
(3)
(4)
(5)
(6)
A B = B A
(comutativitate)
( A B) C = A ( B C) (asociativitate)
A ( A B) , B ( A B)
A A = A
A E = E
A = A
Definiia 4.2.8
Fiind date dou evenimente A i B, se numete intersecia lui A cu B
evenimentul care se realizeaz atunci cnd se realizeaz simultan
cele dou evenimente.
Notaie: A B
Definiia 4.2.8 justific i o alt denumire pentru A B : "A i B".
Se mai observ c mulimea probelor care realizeaz evenimentul
A B este format din intersecia mulimilor probelor care realizeaz
evenimentele A i B.
Exemplu:
Experiment: aruncarea unui zar.
Dac A = {1, 2 , 3} i B = {2 , 3, 4} atunci A B = {2 , 3} .
Intersecia evenimentelor are urmtoarele proprieti:
(1) 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:
Experiment: aruncarea unui zar.
Dac A = {1, 2 , 3} , B = {2 , 3, 4} , C = {5, 6,} , atunci A B , iar
A C = .
Atunci cnd, n cadrul unui experiment, urmrim un eveniment, de
fapt, ne fixm atenia asupra unei pri din mulimea probelor experienei.
Rezult c, un eveniment poate fi identificat cu mulimea probelor din care
este format. Aceasta justific att notaiile, ct i folosirea terminologiei din
teoria mulimilor. Aceast dualitate de limbaj i notaiile corespunztoare
sunt sintetizate n tabelul 4.2.1.
Tabelul 4.2.1
Evenimente
Mulimi
Notaie
Eveniment sigur
Mulimea total
Eveniment imposibil
Mulimea vid
Contrariul lui A
Complementara lui A
A , CA
A implic B
A inclus n B
AB
A sau B
Reuniunea lui A i B
A B
A i B
Intersecia lui A cu B
A B
A, B incompatibile
A, B disjuncte
A B =
A, B compatibile
A, B nedisjuncte
A B
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
nA
se numete
n
n
N
(4.3.1)
b' a '
ba
( A)
(4.3.2)
( )
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 }
P( e ) = P ( E ) = 1
i
i =1
1
n
(4.3.4)
de unde,
m
P( A) = P eir =
r =1
1 m
P( e ) = m n = n
r =1
ir
P( A) =
m
n
(4.3.5)
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)
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)
(*)
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 )
76
PA ( B )
P( B )
PB ( A)
(4.4.2)
P( A)
(4.4.3)
P( Ai ) PAi ( B )
P( A1 ) PA1 ( B ) + K + P( An ) PAn ( B )
(4.4.4)
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')
"
77
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)
{e | X (e) I } K
(4.5.2)
K xn
K pn
x2
p2
, sau
x
X : i
, unde
pi i =1,2 ,...,n
= 1.
i =1
(4.5.3)
x2
K xn
p2
pn
, sau
x
X : i , unde
pi i N
= 1.
i =1
(4.5.4)
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
xi + yi
X + Y:
pi q j i =1,2 ,...,m
j =1,2 ,...,n
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
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:
=
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
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
(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 .
i =1
i =1
x p + x p +1
Mod
Pentru variabila aleatoare discret X care ia valorile
( xi ) i =1,2 ,...,n ,
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
x 2 M ( X ) K x n M ( X )
K
p2
pn
( 2)
( 3)
M X M( X ) = M( X ) M M( X ) = M( X ) M( X ) = 0
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
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
( ) (
D 2 ( X ) = M X 2 M ( X ))
(4.6.3)
Exemplu
1
3
2
1
3
.
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
(4.6.4)
( 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!
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
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
2
7
3
p
4
.
1
6
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 :
86
5
Lanuri Markov
Obiectivele capitolului
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
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
1 4 4
=
.
3 9 27
(5.1.1)
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
(5.1.3)
p
j =1
ij
91
Marca
preferata n
sptmna 6
2
3
Total
12
2
86
102
6
112
6
42
52
Total
80
120
50
250
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
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
Pi1
Pi2
Pim
P1j
P2j
.
.
.
Pmj
m
Fig. 5.2.1
94
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
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)
"
95
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)
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
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
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
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
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)
(5.3.4)
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
w1 + w2 = 1
2
3
w1 + w2 = 0
3
4
2
3
4 w1 3 w2 = 0
w1 = 17
w = 9
2 17
"
101
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
3/4
1
1/4
1/2
3
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
. Sa
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
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
38
41
47
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
Exerciii
50
53
55
60
60
62
64
66
66
71
75
78
80
84
5. LANURI MARKOV
5.1 Procese stochastice
5.2 Proprieti de baz ale lanurilor Markov
5.3 Lanuri Markov regulate
Exerciii
Bibliografie & referat
88
94
95
102
104