Documente Academic
Documente Profesional
Documente Cultură
Curs Matematica
Curs Matematica
MATEMATIC
Curs pentru nvmnt la Distan
2002
CUPRINS
1. ELEMENTE DE MATEMATIC LINIAR (PAG. 1-1)
1.1
1.2
1.3
1.4
1
Elemente de
matematic liniar
1.1
1.2
1.3
1.4
Matrice i determinani
Ecuaii liniare
Sisteme de ecuaii liniare
Inegaliti liniare i sisteme de inegaliti liniare
Obiectivele capitolului
Definirea noiunilor de matematic liniar care vor sta la baza dezvoltrilor din capitolele 2 i
3
Discutarea interpretrilor geometrice care se pot face n legtur cu ecuaiile i inegalitile
liniare n dou variabile
Introducerea metodei eliminrii totale pentru rezolvarea unui sistem de ecuaii liniare
Introducerea noiunilor legate de explicitarea sistemelor de ecuaii liniare n raport cu un grup
dat de variabile.
Aplicarea metodei eliminrii totale la calcularea inversei unei matrice
Acest capitol este destinat introducerii unor noiuni de baz din matematica liniar.
Matematica liniar este important din mai multe motive. Astfel, multe fenomene din lumea real
care trebuie studiate matematic sunt liniare sau pot fi aproximate ca fiind liniare. Deci,
matematica liniar se aplic n multe domenii. ~n plus, analiza i manipularea relaiilor liniare
este mai uoar dect a relaiilor neliniare. Mai mult, unele dintre metodele utilizate n
matematica neliniar sunt similare cu cele din matematica liniar sau sunt extensii ale acestora.
a
A = 21
K
a m1
a12
a 22
K
a m2
K K a1n
K K a 2n
K K K
K K a mn
(1.1.1)
Numerele aij, i=1,2 ..., m, j = 1,2, ... ,n se mai numesc elementele matricei A.
O matrice cu m linii i n coloane se numete matrice de tipul (m, n) sau matrice de
ordinul m n.
Notaii:
( )
A = a ij ,
A = a ij ,
A = a ij ,
i = 1,2 ,K , m j = 1,2 ,K , n
(1.1.2)
(1.1.3)
O matrice de tip (n, n) se numete matrice ptratic de ordinul n O matrice de tip (1, n)
se numete matrice linie sau vector linie:
a11
a
A = 21
K
a n1
a12
a 22
K
an2
K K a1n
K K a 2n
K K K
K K a nn
(1.1.4)
Elementele a11, a22, ..., ann formeaz diagonala principal a matricei ptratice.
Matricea de tipul (m, n) avnd toate elementele egale cu zero se numete matricea nul
de tipul (m, n). Notaie: Om,n.
O matrice ptratic ale crei elemente care nu se afl pe diagonala principal sunt toate
nule se numete matrice diagonal.
a11
0
A=
K
0
a 22
K
0
0
K K K
K K a nn
K K
K K
(1.1.5)
Matricea diagonal pentru care a11 = a22 = ... = ann = 1 se numete matricea unitate de
ordinul n. Matricea unitate se noteaz In sau En.
1 0 K
0 1 K
In =
K K K
0 0 K
0
K K
K 1
K
K
(1.1.6)
Egalitatea matricelor
Dou matrice de acelai tip Am,n i Bm,n sunt considerate egale dac elementele lor sunt,
respectiv, egale:
a ij = bij
i = 1,2 ,K , m
j = 1,2 ,K , n
(1.1.6)
Notaie: A = B.
Adunarea matricelor
Dou matrice de acelai tip Am,n i Bm,n pot fi adunate. Se definete suma matricelor A i B
ca fiind matricea Cm,n obinut adunnd elementele corespunztoare din A i B.
( )
C = cij
cij = a ij + bij
i = 1,2 ,K , m
j = 1,2 ,K , n
(1.1.7)
Notaie: C = A + B.
Adunarea matricelor are urmtoarele proprieti:
1.
2.
3.
4.
A+B=B+A
(comutativitate)
(A + B) + C = A + (B + C)
(asociativitate)
A+O=O+A=A
(element neutru)
Pentru orice matrice A Mm,n( R ) exist o matrice - A Mm,n( R ) astfel nct
A + (-A) = (-A) + A = Om,n
(1.1.8)
( )
A = a ij , A = a ij , i = 1,2 ,K , m
j = 1,2 ,K , n
(1.1.9)
nmulirea matricelor
Fie dou matrice A i B. Se poate defini produsul AB (n aceast ordine) dac numrul de
coloane ale lui A este egal cu numrul de linii ale lui B. Deci, dac Am,n i Bn,p, atunci se poate
defini matricea produs Cm,p, de tip (m, p), ale crei elemente se calculeaz cu relaia:
cij = ai1b1 j + a i 2 b2 j +K+ a in bnj =
ik bkj
k =1
, i = 1,2 ,K , m
j = 1,2 ,K , p
(1.1.10)
Notaie: C = AB.
nmulirea matricelor are urmtoarele proprieti:
1. (AB)C = A(BC)
(asociativitate)
2. A(B + C) = AB + AC
(distributivitate la stnga fa de adunare)
dac Am,n, Bn,p, Cn,p
3. (A + B)C = AC + BC
(distributivitate la dreapta fa de adunare)
dac Am,n, Bm,n, Cn,p
4. Dac A este o matrice ptratic de ordinul n, atunci AIn = InA = A, unde In este matricea
unitate de ordinul n.
(element neutru la nmulire)
nmulirea unei matrice cu un scalar
Produsul unei matrice Am,n = (aij), i = 1,2,...,m, j =1,2, ...,n cu un numr (scalar) R este
o matrice Bm,n = (bij), i = 1,2,...,m, j =1,2, ...,n ale crei elemente se obin astfel:
bij = a ij , i = 1,2 ,K , m
Notaie: B = A = A.
nmulirea cu scalar are urmtoarele proprieti:
j = 1,2 ,K , n
(1.1.11)
1.
2.
3.
4.
5.
1A =A
( + )A = A + A
(A + B) = A + B
()A = (A)
(AB) = (A)B
Determinani
Definiia 1.1.2
Fie o matrice ptratic A de ordinul n.
Se numete determinantul lui A, numrul detA definit prin relaia:
det A =
( 1)
( 1 , 2 ,K, n )
a11 a 2 2 K a n n
(1.1.12)
unde
1 , 2 ,K n sunt toate elementele mulimii {1,2 ,K , n} , iar suma cuprinde toate
permutrile posibile ale acestora i
= 0 dac permutarea este par i = 1 dac permutarea este impar.
Notaie:
a11
a
det A = 21
K
a n1
a12
a 22
K
an2
K
K
K
K
K a1n
K a 2n
K K
K a nn
Definiia 1.1.3
O matrice ptratic A de ordinul n al crei determinant este diferit de zero (det A 0) se
numete matrice nesingular. n caz contrar, ea se numete matrice singular.
Notaie: rang A = r
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
a 0 3 1 = a 0 a 3 a ( 1) = 0 3a a .
2 1 0 a 2 a 1
a 0 2a a
0
(1.2.1)
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)
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)
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)
Notaie: Ox
Definiia 1.2.6
Fie (Ox, Oy) o pereche ordonat de axe de coordonate cu originea comun O. Acest
ansamblu se numete reper cartezian. Dac cele dou axe de coordonate sunt
perpendiculare, atunci reperul cartezian se numete drept sau rectangular.
Axa Ox se numete abscis, iar axa Oy se numete ordonat.
Notaie: xOy
y
M(x1, y1)
y1
x1
Fig. 1.2.1
Teorema 1.2.1
Mulimea S a soluiilor unei ecuaii liniare n dou variabile reprezentat grafic ntr-un
reper cartezian ortogonal este o dreapt.
A(0, 4)
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 =
c
a
Notnd
c
= k rezult o forma particular
a
x=k
x=k
k
(1.2.5)
Fig. 1.2.3
Ecuaia y = k
O alt form particular a ecuaiei ax + by = c se obine pentru a =0. Ecuaia devine
by = c sau y =
Notnd
c
b
c
= k rezult o forma particular
b
y=k
(1.2.6)
y=k
Fig. 1.2.4
d4
y
d2
d2
d1
d1
x
Fig. 1.2.6
x
Fig. 1.2.7
n figura 1.2.6 sunt dou drepte care au pant pozitiv, dar panta lui d2 este mai mare
dect panta lui d1. n figura 1.2.7 sunt dou drepte care au pant negativ, dar panta lui d2 este
mai mare, n valoare absolut, dect panta lui d1.
Urmtoarea definiie sintetizeaz cele discutate mai sus i introduce o modalitate de calcul
a pantei unei drepte determinate de dou puncte.
Definiia 1.2.7
Fie punctele M(x1, y1) i N(x2, y2) cu x1 x2.
Se definete panta dreptei determinate de punctele M i N prin
m=
y 2 y1
x 2 x1
(1.2.7)
yy2
N(x2, y2)
y2 - y1
y1
M(x1, y1)
x2 - x1
x1
x2
Fig. 1.2.8
Definiia 1.2.8
Panta dreptei este variaia valorii lui y atunci cnd x crete cu o unitate.
n conformitate cu definiia 1.2.8, dac o dreapt are panta 8 3 , aceasta nseamn c, dac
x crete cu o unitate, y va crete cu 8 3 uniti.
O alt interpretare a pantei rezult imediat din figura 1.2.8 n care se evideniaz faptul c
dreapta face cu abscisa un unghi msurat de la Ox n sens trigonometric (sensul contrar rotirii
acelor de ceasornic, aa cum indic sgeata).
Definiia 1.2.9
Panta dreptei este tangenta unghiului (msurat n sens trigonometric) pe care dreapta l
face cu axa Ox.
m = tg
(1.2.7')
n afar de ecuaia general (1.2.1), o dreapt mai poate avea i alte forme de ecuaii. Ele
sunt enumerate n continuare.
Ecuaia prin pant i tietur
Plecnd de la ecuaia general (1.2.1) se poate obine o nou form fcnd transformrile
de mai jos
ax + by = c by = ax + c
y=
c
a
x+
b
b
Notnd
a
c
= m i = k se obine
b
b
y = mx + k
x
Fig. 1.2.9
(1.2.8)
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)
x
Fig. 1.2.10
y1 = mx1 + k
y y1
m= 2
x 2 x1
y1 =
y 2 y1
x1 + k
x 2 x1
k = y1
y 2 y1
x1
x 2 x1
nlocuind acum relaiile pentru m i k n ecuaia prin pant i tietur (1.2.8), rezult
y=
y y1
y 2 y1
x1
x + y1 2
x 2 x1
x 2 x1
Prin prelucrarea relaiei de mai se sus se pot obine urmtoarele trei forme care reprezint
variante pentru ecuaia dreptei prin dou puncte:
y y1
y y1 = 2
( x x1 )
x 2 x1
(a )
y y1
x x1
=
y 2 y1 x 2 x1
(b)
x1
y1
1=0
x2
y2
(1.2.10)
( c)
y
B(0, b)
x y
+ 1= 0
a b
A(a, 0)
x
Fig. 1.2.11
(1.2.11)
Fie dou drepte n form general, d1: a1x + b1y = c1 i d2: a2x+ b2y = c2. Ele sunt:
a1 b1 c1
=
;
a 2 b2 c2
a
b
c
coincidente dac i numai dac 1 = 1 = 1 ;
a 2 b2 c2
a
b
secante dac i numai dac 1 1 ;
a 2 b2
Distane
Fiind date punctele A(x1, y1) i B(x2, y2), se arat uor,
aplicnd teorema lui Pitagora n triunghiul ABP (figura 1.2.12)
c distana ntre A i B este:
y
y2
y1
B(x2, y2)
A(x1, y1)
P(x2, y1)
x2
x1
AB =
( x 2 x1 )
+ ( y 2 y1 )
(1.2.12)
Fig. 1.2.12
y
P(x0, y0)
d ( P; h) =
h
O
ax 0 + by 0 c
2
a +b
(1.2.13)
x
Fig. 1.2.13
(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
...........................................
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)
a
A = 21
K
a m1
a12
a 22
K
a m2
K K a1n
a11
K K a 2n
~ a 21
i A =
K
K K K
K K a mn
a m1
a12
a 22
K
a m2
K a1n
K a 2n
K K
K a mn
b1
b2
K
bm
(1.3.2)
se numesc:
A(m, n) - matricea coeficienilor sistemului sau, simplu, matricea sistemului i
b1
b
B= 2
M
bm
(1.3.3)
(1.3.1')
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.
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.
y
d1
d1
d2
d2
d1
y0
x0
O
a)
x
b)
Fig. 1.3.1
d2
c)
y
d3
d1
d1
d2
d3
y0
d1
x0
d2
d3
a)
b)
d2
c)
Fig. 1.3.2
Reprezentrile grafice discutate mai sus sunt o ilustrare sugestiv a clasificrii pentru
sistemele liniare care este indus de teorema Kronecker-Capelli.
Definiia urmtoare i cele trei transformri care vor fi enunate dup aceasta sunt de mare
importan pentru cele ce vor fi abordate n restul acestui capitol, precum i n urmtorul.
Definiia 1.3.3
Dou sisteme de ecuaii se numesc echivalente dac au aceeai mulime S a soluiilor.
Definiia 1.3.4
Se numete transformare elementar asupra unui sistem de ecuaii liniare, aplicarea
uneia dintre urmtoarele operaii:
T1. nmulirea unei ecuaii cu un numr diferit de zero;
T2. Adunarea unei ecuaii la o alt ecuaie;
T3. Schimbarea ordinii ecuaiilor.
Evident, aplicarea fiecreia dintre cele trei transformri elementare asupra sistemului
determin o transformare a matricei extinse . De aceea se pot defini corespunztor
transformrile elementare ale acesteia.
Definiia 1.3.4'
Se numete transformare elementar asupra matricei extinse a unui sistem de ecuaii
liniare, aplicarea uneia dintre urmtoarele operaii:
T1. nmulirea unei linii cu un numr diferit de zero;
a 21
P =
K
a p1
a12
a 22
K
a p2
K
K
K
K
K a1 p
K a2 p
K K
K a pp
(1.3.6)
Definiia 1.3.5
Determinantul matricei P, det(P) 0, se numete minor principal al sistemului (1.3.1).
Ecuaiile sistemului care corespund liniilor lui P se numesc ecuaii principale, iar
celelalte ecuaii se numesc ecuaii secundare.
...........................................
a p1 x1 + a p 2 x 2 + K + a pn x p = b p
(1.3.7)
Teorema 1.3.3
Sistemul (1.3.1) i sistemul (1.3.7) format cu ecuaiile principale sunt sisteme echivalente.
Din teorema 1.3.3 rezult c ecuaiile secundare ale unui sistem, dac exist astfel de
ecuaii, pot fi eliminate fr ca aceasta s modifice mulimea soluiilor. Se mai poate arta c
ecuaiile secundare sunt combinaii liniare ale ecuaiilor principale.
Definiiile 1.3.4 i 1.3.4', precum i teorema 1.3.2 permit introducerea unei metode foarte
convenabile de rezolvare a sistemelor de ecuaii liniare. Metoda permite, de asemenea, eliminarea
ecuaiilor secundare din cadrul sistemului astfel nct n final s se obin un sistem format numai
din ecuaii principale.
Rezolvarea sistemelor de ecuaii prin metoda eliminrii complete
Fie, pentru nceput, urmtorul exemplu de sistem de trei ecuaii cu trei necunoscute:
4 x1 2 x 2 x 3 = 9
x1 3 x 2 + 2 x 3 = 7
x + x + x =2
2
3
1
(1.3.8)
x2
= 2
= 1
x3 = 1
(1.3.9)
Se pune problema cum s-ar putea face trecerea sistemului dat de la forma (1.3.8) la forma
final (1.3.9) aplicnd transformri elementare. Metoda eliminrii complete i propune tocmai
ca, prin transformri elementare, s aduc un sistem de la forma sa iniial la o form care s
permit citirea direct a soluiei. Deci, pentru un sistem 3 3,
a11 x1 + a12 x 2 + a13 x 3 = b1
a12 x1 + a 22 x 2 + a 23 x 3 = b2
a x + a x + a x = b
32 2
33 3
3
31 1
forma iniial
x1
...
transformri
elementare
x2
= v1
= v2
x3 = v2
(1.3.10)
soluie
De fapt, metoda acioneaz asupra matricei extinse a sistemului, deci asupra liniilor
acesteia se fac transformrile:
a11
a12
a 31
a12
a 22
a 32
a13 b1
a 23 b2
a 33 b3
...
1 0 0 v1
0 1 0 v2
0 0 1 v3
(1.3.11)
forma iniial
transformri
elementare
soluie
Dup cum se observ din (1.3.11), soluia sistemului, x1 = v1, x2 = v2, x3 = v3, poate fi citit
direct de pe matricea extins. Pentru sisteme de n ecuaii cu n necunoscute metoda este cunoscut
i sub numele de metoda Gauss-Jordan i const n transformarea unui sistem de ecuaii liniare
care are o matrice a coeficienilor ptratic, ntr-un sistem echivalent care are ca matrice a
coeficienilor, chiar matricea unitate.
Generalizarea pentru sisteme m n este simpl: ideea central a metodei eliminrii
complete este de a aduce matricea extins a sistemului la o form care s conin n partea
stng numrul maxim posibil de coloane ale matricei unitate.
Metoda se aplic iterativ, ncepnd cu coloana 1; la fiecare iteraie se obine o nou
coloan a matricei unitate pstrnd, bineneles, coloanele obinute la etapele anterioare.
Procesul de obinere a unei coloane a matricei unitate se numete pivotaj i se realizeaz
efectund transformri elementare asupra liniilor. Pivotajul se desfoar n dou etape care sunt
descrise n continuare.
Etapele pivotajului
Fie j coloana asupra creia se execut pivotajul. Pivotul va fi elementul ajj.
A. Se creeaz elementului egal cu 1 pe poziia (j, j). Pentru ca aceast lucru s fie posibil
trebuie ca ajj s fie nenul.
A1. Dac ajj 0, atunci se mparte linia j la valoarea ajj (se aplic T1) i se trece la
etapa B.
A2. Dac ajj = 0, se caut printre aj+1,j, ..., an,j (adic pe coloana j, sub ajj), un element
nenul;
Dac printre aj+1,j, ..., an,j se gsete un element akj 0 (j < k n), atunci se
inverseaz ntre ele liniile j i k (se aplic T3), se obine astfel ajj 0, dup
care se poate face 1 pe poziia (j, j) mprind linia j la valoarea ajj.
Dac printre aj+1,j, ..., an,j nu se gsete nici un element diferit de zero, atunci
se ntrerupe pivotajul pe aceast coloan i se trece la urmtoarea.
B. Se transform n zerouri toate elementele de pe coloan n afara pivotului. Pentru
aceasta se nmulete linia j, a pivotului, cu o valoare convenabil, adunnd-o apoi la
linia n care trebuie s se obin zeroul (se aplic T1, apoi T2). Astfel, obinerea pe
poziia (l, j) a unui zero n locul valorii alj, se face nmulind linia j (pe care se afl
pivotul ajj =1) cu valoarea -alj i adunnd-o la linia l.
1 5 2 2
0 6 3 1
0 0
0 6
Aceasta nseamn c, prin transformri elementare, s-a ajuns de la sistemul iniial la sistemul
echivalent
x1 + 5x 2 2 x 3 = 2
6 x 2 + 3x 3 = 1
0 = 6
Faptul c, n forma la care s-a ajuns, ultima ecuaie nu are sens denot c att acest sistem ct i
cel iniial, cu care este echivalent, sunt incompatibile. Aceleai consideraii se pot face, evident,
pentru orice alt sistem adus n aceast situaie.
Verificarea 2. Se controleaz dac pe vreo linie s-au obinut numai zerouri, inclusiv pe
poziia termenului liber. Atunci linia respectiv poate fi eliminat pentru c ecuaia
corespunztoare ei este o combinaie liniar a celorlalte ecuaii din sistem (este o ecuaie
secundar). Se va continua rezolvarea sistemului rmas dup eliminarea ecuaiei secundare. De
exemplu, dac pentru un sistem de trei ecuaii cu trei necunoscute se obine, dup primul pivotaj,
matricea extins
1 5 2 2
0 0 0 0
0 3 8 6
0=0
3x 2 + 8 x 3 = 6
Ecuaia a doua a sistemului iniial, fiind o combinaie liniar a celorlalte dou, a devenit
identitatea 0 = 0 i poate fi eliminat. Rmne de rezolvat un sistem cu dou ecuaii.
Exemplul 1.3.1
4 x1 2 x 2 x 3 = 9
Este convenabil, dar nu obligatorie, organizarea calculelor ntr-o form tabelar ca cea alturat.
4
-2
-1
9
( 14)
Pentru fiecare coloan se observ cele
1
-3
2
7
dou etape ale pivotajului:
1
1
1
2
9
12
14
1
(-1)
(-1)
4
A. Stabilirea pivotului i aducerea sa
1
-3
2
7
la valoarea 1; n aceast etap este
1
1
1
2
notat alturi de tabel valoarea
1
1
9
0
1
10
10
13
13
0
0
5
5
( 513)
1
0
0
0
1
0
7 10
9 10
1310
19 10
1
0
0
0
1
0
0
0
1
2
-1
1
(9 10)
(7 10)
Exemplul 1.3.2
4 x1 2 x 2 x 3 = 9
x 3x + 2 x = 7
2
3
S se rezolve sistemul: 1
+
7
x
10
x
8
x
2
3 = 34
1
x1 + x 2 + x 3 = 2
1 12 12 1
1 4
2 10
7 10 8 34
1 2
2 10
1 12 12
0 9 2 32
0 27 2 9 2
0 32 52
1
9
27
9
1 12 12
0 1 13
0 27 2 9 2
0 32 52
1
2
27
9
1 0 23
0 1 13
0 0 0
0 0
2
2
2
0
12
1 0 06
1 0 23 2
1
0 1 3 2 0 1 04
0 0 16
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
4
1
5
5
11
9
0 0
Dup eliminarea ecuaiei secundare reprezentate de linia a treia format doar din zerouri
rmne un sistem compatibil nedeterminat care are necunoscutele principale x1 i x2, iar
necunocuta secundar este x3. Notnd x3 cu R rezult c soluiile se pot scrie:
4
x1 = 11 5
,
1
x2 = 9
5
Este clar c, aplicnd verificarea 2 dup fiecare pivotaj, se vor elimina pn n final toate
ecuaiile secundare (dac au existat astfel de ecuaii), iar sistemul rmas va fi format numai din
ecuaii principale, iar matricea unitate obinut va avea ordinul egal cu numrul de ecuaii.
Rezolvai exerciiile 19 pn la 24 de la pagina 1-34.
Definiia 1.3.6
Se spune c un sistem de ecuaii liniare este explicitat dac matricea sistemului conine
toate coloanele matricei unitate de ordin egal cu numrul ecuaiilor sistemului.
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.
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.
Pn acum s-a pus problema de a explicita un sistem liniar fr a interesa care vor fi
variabilele principale al sistemului aflat sub form explicit; s-a considerat c ele sunt chiar
primele, n ordine ncepnd cu x1. Mai mult, s-a considerat c sistemele discutate nu au ecuaii
secundare pentru c, aplicnd verificarea 2 la sfritul fiecrui pivotaj, acestea sunt oricum
eliminate.
n continuare vom renuna la ideea simplificatoare c sistemul nu are ecuaii secundare i
nici nu vom mai aplica verificarea 2, prin care se elimin aceste ecuaii, n cadrul metodei
eliminrii complete. Aceasta deoarece sistemelor liniare despre care se discut n acest capitol i
n urmtorul nu sunt simple exerciii. Ele trebuie privite ca modele ale unor situaii din lumea
real: costuri sau profituri ntr-un fenomen economic, combinaii ale unor factori tehnologici ntrun proces industrial sau agricol etc. Prin urmare, nu se poate renuna la vreuna dintre ecuaiile
sistemului pe motiv c ea este combinaie liniar a celorlalte, pentru c astfel s-ar ignora
fenomenul pe care aceasta l descrie n cadrul modelului.
Tot n acest context, al modelrii unui fenomen din lumea real, trebuie privit i situaia
urmtoare: se pune problema de a explicita un sistem de m ecuaii cu n necunoscute n raport cu
un grup dat de m variabile (principale). Acest lucru nu este ntotdeauna posibil. Astfel, innd
cont de ceea ce s-a discutat pn acum, n cazul unui sistem compatibil care are ecuaii
secundare (reductibile) nu se poate face explicitarea n raport cu nici un grup de m variabile. Ba
chiar i n cazul unui sistem compatibil fr ecuaii secundare s-ar putea ca explicitarea n raport
cu anumite grupuri de m variabile s nu fie posibil.
Deci, explicitarea n raport cu un grup dat de m variabile cere s se realizeze prin
transformri elementare toate cele m coloane ale matricei unitate de ordinul m, dar acestea s
apar n anumite coloane ale matricei extinse. Pentru aceasta, se stabilesc cele m coloane care vor
fi supuse pivotajului (nu neaprat primele) i se ncepe procesul de la stnga spre dreapta.
Presupunnd c s-a fcut pivotajul primelor r-1 coloane din cele m alese, la pasul r se procedeaz
astfel:
Pe a r-a coloan aleas se stabilete poziia l (linia) unde se dorete s fie pivotul
Pivotajul se face n cele dou etape, uor modificate fa de varianta descris anterior.
A. Se creeaz elementului egal cu 1 pe poziia (l, r). Pentru ca aceast lucru s fie posibil
trebuie ca alr s fie nenul.
A1. Dac alr 0, atunci se mparte linia l la valoarea alr (se aplic T1) i se trece la
etapa B.
A2. Dac alr = 0, se caut pe coloana r supus pivotajului un element nenul care s
poat fi adus pe poziia (l, r) prin schimbarea ordinii liniilor (transformarea T3).
Elementul cutat trebuie s nu fie pe una din liniile pe care se afl deja pivoi
egali cu 1 realizai n cele r-1 etape anterioare. Adic, prin aplicarea transformrii
T3, coloanele din matricea unitate realizate pn atunci trebuie s nu fie distruse
aj+1,j, ..., an,j (adic pe coloana j, sub ajj), un element nenul;
Dac pe coloana r se gsete un element akr 0 care s poat fi adus pe
poziia (l, r) fr a afecta coloanele din matricea unitate deja construite,
atunci se inverseaz ntre ele liniile k i l (se aplic T3); se obine astfel alr
0, dup care se poate face 1 pe poziia (l, r) mprind linia l la valoarea alr.
Dac pe coloana r nu se gsete nici un element diferit de zero care s poat
fi adus pe poziia (l, r) fr a afecta coloanele din matricea unitate deja
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.
Din cele discutate pn acum rezult c, plecnd de la o form explicit, printr-un pivotaj
convenabil, se poate ajunge la una din urmtoarele situaii:
o nou form explicit care difer de prima printr-o variabil principal;
se stabilete c noua form explicit la care se dorea s se ajung nu exist.
Orice form explicit a sistemului are m variabile principale i n-m variabile secundare.
Formele explicite difer ntre ele tocmai prin grupul de variabile principale. De aceea, atunci
cnd se face trecerea de la o form explicit la alta prin pivotaj, una din variabilele secundare
devine variabil principal (sau de baz), iar una din variabilele principale de pn atunci trebuie
s devin secundar (sau nebazic) pentru ca numrul de m variabile principale s rmn
constant. Se spune c, prin pivotaj, o variabil secundar intr n baz, iar o variabil principal
iese din baz. O justificare mai riguroas a acestor expresii este posibil dac se trateaz
sistemele de ecuaii liniare prin prisma structurilor algebrice care se numesc spaii liniare (sau
spaii vectoriale).
Corespunztor formelor explicite sunt soluiile de baz ale sistemului. n rezolvarea
problemelor de programare liniar vor interesa soluiile de baz corespunztoare diferitelor forme
explicite precum i trecerea de la una la alta dintre acestea.
Calcularea inversei unei matrice folosind metoda eliminrii complete
Metoda eliminrii complete ofer o modalitate comod de calculare a inversei unei
matrice. Dup cum s-a vzut n seciunea 1.1, o matrice ptratic de ordinul n este inversabil
dac se poate determina o matrice, notat A-1, astfel nct AA-1 = A-1A = In, unde In este matricea
unitate de ordinul n.
Calcularea lui A-1, dac aceasta exist, se poate face cu metoda eliminrii complete. Vom
ilustra acest lucru pe o matrice ptratic de ordinul 2, generalizarea la matrice de orice ordin n
fiind imediat.
Fie, deci, matricea A(2,2) pe care o presupunem inversabil:
a
A = 11
a 21
a 12
a 22
(1.3.9)
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 x12 + a 22 x 22 0 1
(1.3.12)
a 21 x11 + a 22 x 21
a 21 x11 + a 22 x 21 = 0
a 21 x12 + a 22 x 22 = 1
(1.3.13)
a12 1
a 22 0
a11
a 21
a12 0
a 22 1
(1.3.14)
Ambele sisteme se pot rezolva prin metoda eliminrii complete i, n cazul n care sunt
compatibile determinat, duc la forme explicite pe care se pot citi direct soluiile
1 0 b11
0 1 b21
x11 = b11
x 21 = b21
1 0 b12
0 1 b22
(1.3.15)
x12 = b12
x 22 = b22
(1.3.16)
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
1 0 12 12 0 0
2 1 1 0 1 0
3 1 1 0 0 1
1 0 12 12 0 0
0 1 2 1 1 0
0 1 52 32 0 1
0 0
1 0 12 12
0 1 2 1 1 0
0 0 12 12 1 1
1 0 12 12 0 0
0 1 2 1 1 0
0 0 1 1 2 2
1 0 0 0 1 1
0 1 0 1 5 4
0 0 1 1 2 2
0 1 1
= 1 5 4
1 2 2
Exemplul 1.3.6
0
1
2
1 1
S se determine inversa matricei A = 3
2 2 4
1
1
1 0 12 12 0 0
0 0
1 0
2
0
1 1 0 0
2
2
3
1 1 0 1 0 K 0 1 52 32 1 0 0 1 52 32 1 0
0 0 0 2 2 1
1 0 1
0 2
5
2 2 4 0 0 1
Ultima linie a tabloului final indic incompatibilitatea sistemelor care stau la baza
acestuia. Concluzia care trebuie tras este c matricea dat nu este inversabil.
Rezolvai exerciiile 25 i 26 de la pagina 1-34.
(1.4.1)
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).
M(x, y)
x
Fig. 1.4.1
x y 1
x + 2 y 2
Soluia grafic este reprezentat n figura 1.4.2 prin punctele din interiorul, precum i de
pe laturile triunghiului ABC care reprezint intersecia semiplanelor determinate de cele trei
inegaliti din enun. Vrfurile triunghiului au coordonatele A(0,1), B(2, 0), C(3, 4).
y
y
d2
d3
d2
d1
B
Fig. 1.4.2
d1
x O
x
Fig. 1.4.3
x
Fig. 1.4.4
Un sistem de inegaliti liniare poate fi compatibil, dac are cel puin o soluie, deci exist
mcar o pereche de valori (x, y) care s verifice toate inecuaiile, sau incompatibil, n caz contrar.
De exemplu, n figura 1.4.3 este artat un sistem de dou inegaliti incompatibil. n legtur cu
sistemele de inegaliti compatibile, are importan dac sistemul are soluie mrginit sau
soluie nemrginit. O definire riguroas a mulimilor mrginite i nemrginite cere o tratare
mult prea ampl pentru scopurile pe care ni le-am propus aici, dar reprezentri grafice intuitive
sunt suficiente. Astfel, soluia sistemului din figura 1.4.2 este mrginit, n timp ce sistemul din
figura 1.4.4 are soluie nemrginit.
Astfel, o inegalitatea liniar n n variabile are expresia
<
a 1 x1 + a 2 x 2 + K + a n x n b
>
(1.4.1)
n acest capitol au fost trecute n revist cteva noiuni elementare de matematic liniar.
Ele vor fi utilizate n capitolele 2 i 3 ca suport pentru introducerea tehnicilor de optimizare
denumite generic programare liniar.
Exerciii
S se traseze dreptele de ecuaii generale
1) 3x 4 y = 24
2) 4 x y = 16
3) 2 x + 3 y = 18
4) x 2 y = 10
5) 15 x = 20
6) x = 0
7) 4 y = 0
8) y = 0
19 )
x1 + x 2 + x3 = 2
x1 3 x 2 + 2 x3 = 7
4 x 2 x x = 9
2
3
1
21)
x1 + x 2 + x3 = 0
3 x1 x 2 + 2 x3 = 1
x + 2 x + 3 x = 5
2
3
1
20 )
4 x1 + 12 x 2 + 4 x3 = 40
x1 + x 2 6 x3 = 10
x + 3 x x = 10
2
3
1
22 )
2 x1 + 4 x 2 2 x3 = 10
3 x1 x 2 + 4 x3 = 12
x 2 x + x = 0
2
3
1
x1 + 3 x 2 + x3 = 7
4 x1 + 2 x 2 5 x3 = 13
23) 3 x1 9 x 2 3 x3 = 14
24 ) x1 + x 2 + x3 = 2
4 x + 2 x 2 x = 24
2 x x 3 x = 3
2
3
2
3
1
1
S se determine inversele urmtoarelor matrice, dac acestea exist, utiliznd metoda eliminrii
totale.
25)
0 3 1
1 1 0
2 3 3
26 )
5
2
3
1
0
4
9 15 6
2
Introducere n
programarea liniar
2.1 Structura unei probleme de programare liniar
2.2 Rezolvarea grafic a problemelor de programare liniar n dou variabile
Obiectivele capitolului
nelegerea structurii modelelor de programare liniar i semnificaiei elementelor care intr n
componena acestora
Ilustrarea varietii aplicaiilor care pot fi tratate prin programare liniar
nelegerea mecanismelor care stau la baza modelelor de programare liniar prin descrierea
intuitiv oferit de rezolvrile grafice
Discutarea situaiilor speciale care pot aprea n rezolvarea unei probleme de programare
liniar
Acest capitol este dedicat introducerii noiunilor de baz legate de programarea liniar
(PL), o metod de optimizare care s-a dezvoltat n a doua jumtate a secolului al douzecilea.
Tehnica programrii liniare are o larg arie de aplicabilitate n cele mai diverse domenii de
inginerie: economic, agricol, industrial. n prezent exist implementri software puternice cu
ajutorul crora se pot rezolva pe calculator probleme de programare liniar de mare complexitate.
Cu toate acestea, studierea modelului este necesar pentru c, far o nelegere corect a acestuia,
exploatarea corect a unui program de calculator dedicat rezolvrii problemelor de programare
liniar nu este posibil. n acest capitol va fi abordat i rezolvarea grafic a problemelor PL care,
dei se poate aplica doar problemelor n dou variabile, are avantajul de a oferi o imagine
intuitiv a conceptelor implicate ntr-un program liniar. Noiunile de algebr liniar introduse n
capitolul precedent i vor gsi aici utilizarea.
urmri obinerea celei mai mari valori posibile: problema este, deci, de maximizare. ntr-o alt
situaie, cum ar fi un proces de producie, agricol sau industrial, obiectivul urmrit s-ar putea
referi la consumuri (de materii prime, de energie etc.) n aceste caz problema va fi, bineneles, de
minimizare.
Programarea liniar face parte dintr-o colecie mai mare de discipline matematice care sau dezvoltat puternic n a doua jumtate a secolului al douzecilea i care au ca trstur comun
o puternic legtur cu situaii care apar n desfurarea proceselor din lumea real. Aceste
discipline au fost incluse nt-un domeniu tiinific denumit cercetare operaional. Din acest
domeniu mai fac parte, de exemplu: teoria ateptrii, teoria jocurilor, programarea neliniar,
teoria reelelor de transport. ntre acestea, ns, programarea liniar a devenit foarte popular n
rndul utilizatorilor deoarece, aa cum am amintit i n preambulul capitolului 1, multe fenomene
din lumea real pot fi descrise, sau cel puin aproximate, ca fiind liniare. n plus, nelegerea i
manipularea modelelor de tip liniar este mai uoar dect a altor tipuri.
Ca i n alte tehnici de optimizare, n orice problem de programare liniar trebuie luate
anumite decizii prin aplicarea crora s se ating valoarea optim a obiectivului. Aceste decizii
sunt reprezentate printr-un set variabile de decizie xj. Variabilele de decizie sunt folosite pentru
formularea modelului de programare liniar. Folosind variabilele de decizie se descrie att
obiectivul care trebuie atins, ct i o serie de condiii restrictive care trebuie respectate de ctre
soluia cutat. Pe scurt, obiectul unei probleme de programare liniar poate fi descris astfel.
Obiectul unei probleme PL
O problem de programare liniar i propune s maximizeze sau, dup caz, minimizeze o
funcie obiectiv n condiiile respectrii unui set de restricii.
Funcia obiectiv este o funcie liniar de variabilele xj. Ea este reprezentarea matematic a
scopului avut n vedere: nivelul profitului, costurile totale etc.
Setul de restricii este un sistem liniar de ecuaii i inecuaii n variabilele xj. El descrie
condiiile pe care trebuie s le satisfac variabilele de decizie pentru a fi n conformitate cu
realitatea: capaciti de producie limitate, nivel minim obligatoriu al vnzrilor etc.
Se observ c att funcia obiectiv ct i restriciile sunt liniare. De aceea, acest gen de
probleme se numesc de programare liniar.
n urmtorul exemplu este enunul unei probleme de programare liniar.
Exemplul 2.1.1
max z = 4 x1 + 2 x 2
x1 + 2 x 2 24
4 x1 + 3x 2 30
x1 , x 2 0
(2.1.1)
(2.1.2)
(2.1.3)
Problema enunat cere s se maximizeze funcia z exprimat prin relaia (2.1.1), care este
o funcie liniar n dou variabile, x1 i x2. n alegerea valorilor pentru variabilele x1 i x2, prin
care s se obin valoarea maxim a lui z, trebuie respectate, ns, cele patru restricii exprimate
de inegalitile liniare (2.1.2) i (2.1.3).
Se observ c cele patru restricii ale problemei din exemplul 2.1.1, dei ar fi putut fi
exprimate sub aceeai acolad, printr-un unic sistem de inegaliti, au fost separate n dou
grupuri. Prin aceasta se pune n eviden o diferen de semnificaie ntre cele dou categorii.
Astfel, sistemul (2.1.2) descrie restricii care reflect condiiile impuse de structura situaiei
analizate: resurse limitate, niveluri minime care trebuie respectate etc. De aceea, ele se numesc
restricii structurale. Pe de alt parte, condiiile exprimate de (2.1.3) arat c nici o variabil de
decizie nu are voie s ia valori negative. Acesta este cazul n majoritatea covritoare a
problemelor de programare liniar deoarece variabilele de decizie reprezint mrimi care nu pot
avea valori negative: sume de bani, cantiti de produse, consumuri energetice etc. De aceea,
aceste restricii se numesc restricii de nenegativitate. Vom considera n cele ce urmeaz c toate
problemele de programare liniar pe care le vom aborda vor trebui s satisfac restriciile de
nenegativitate. Aici mai menionm, doar, c exist modaliti de tratare a situaiilor speciale n
care apar i variabile de decizie cu valoare negativ.
Din cele discutate rezult c, n general, o problem de programare liniar poate fi
enunat aa cum este artat n continuare.
Forma general a unei probleme PL
O problem de programare liniar cu n variabile de decizie x1, x2, ... ,xn i avnd m
restricii structurale are urmtoarea form general:
(max, min)
z = c1 x1 + c2 x 2 + K cn x n
a11 x1 + a12 x 2 + K + a1n x n ( , = , ) b1
a 21 x1 + a 22 x 2 + K + a 2 n x n ( , = , ) b2
...........................................
a m1 x1 + a m2 x 2 + K + a mn x n ( , = , ) bm
x1 , x 2 ,K , x n 0
(2.1.4)
(2.1.5)
(2.1.6)
n enunul problemei din exemplul 2.1.1 nu s-a precizat proveniena acesteia. Deci nu s-a
facut referire la situaia din lumea real pe care aceasta o modeleaz. Ori, aa cum s-a artat la
nceput, programerea liniar s-a dezvoltat tocmai pe baza aplicaiilor practice pe care este
chemat s le rezolve. De aceea, n continuare vom lua un exemplu de astfel de situaie de decizie
pentru a vedea cum poate fi aceasta modelat ca problem de programare liniar. Dei situaia
analizat este ipotetic i foarte simpl, liniile ei principale de aciune sunt aceleai i n cazul
unor situaii reale, de mare complexitate.
Exemplul 1.3.6
O firm fabric dou produse, A i B. Fiecare produs trebuie prelucrat n dou secii. n
tabelul de mai jos se arat cte ore de lucru sunt necesare, pe unitatea de produs, n fiecare secie.
Pe ultima coloan sunt date capacitile de lucru, n ore, ale fiecrei secii, pe sptmn. Pe
ultima linie a tabelei este artat profitul care se obine de pe urma vnzrii unei uniti din fiecare
produs. Se tie c ntreaga producie are vnzare. Trebuie s se decid cte uniti din fiecare
produs trebuie fabricate sptmnal pentru ca profitul total s fie maxim.
Secia 1
Secia 2
Profit/unitate produs
Produs A
3 ore/unitate
4 ore/unitate
5 $/unitate
Produs B
2 ore/unitate
6 ore/unitate
6 $/unitate
Capacitate
120 ore
260 ore
3x1 + 2 x 2 120
4 x1 + 6 x 2 260
De asemenea, dei acest lucru nu a fost precizat explicit, este clar c pentru x1 i x2 nu pot
fi acceptate valori negative. Prin urmare, variabilele de decizie trebuie s respecte i restriciile
de nenegativitate.
Combinnd funcia obiectiv cu restriciile se obine urmtoarea problem de programare
liniar:
max z = 5x1 + 6x 2
3x1 + 2 x 2 120
4 x1 + 6x 2 260
x1 , x 2 0
(2.1.7)
(2.1.8)
(2.1.9)
Singura observaie care se impune este aceea c, chiar n condiiile unei probleme simple
ca cea considerat n exemplul precedent, rezolvarea prin simpla ncercare a diferite seturi de
valori (variante) pentru variabilele de decizie nu poate duce dect ntmpltor la soluia optim.
Acest lucru devine cu att mai dificil i succesul mai puin probabil cu ct numrul de variabile
de decizie i numrul de restricii structurale cresc. Este clar c soluia optim trebuie cutat
folosind o metod riguroas de investigare. n cele ce urmeaz va fi descris o astfel de metod
care poate fi aplicat n cazul problemelor n dou variabile. Exemplificrile vor fi fcute folosind
problema PL definit mai sus prin relaiile (2.1.7), (2.1.8), (2.1.9).
Primul pas n investigarea mulimii soluiilor pentru a o depista pe cea optim este nsi
stabilirea acestei mulimi. Pentru aceasta se folosete setul de restricii al problemei pentru c
soluiile examinate trebuie s nu contrazic aceste restricii. Pentru c doar soluiile care respect
toate restriciile pot fi avute n vedere, mulimea acestora se numete mulimea soluiilor
admisibile sau mulimea soluiilor fezabile. Restriciile, cele structurale i cele de nenegativitate,
formeaz mpreun un sistem de inegaliti liniare. Rezult c mulimea soluiilor admisibile se
va determina prin rezolvarea acestui sistem.
y
60
45
A
B
30
15
15
30
45
Fig. 2.2.1
60
75
n cazul problemei luate ca exemplu scopul final este de a gsi o variant de decizie (x1,
x2) pentru care valoarea z a funciei obiectiv s fie maxim. S presupunem, pentru nceput, c
urmrim combinaiile (x1, x2) pentru care se obine o anumit valoare a funciei obiectiv, nu
neaprat cea ami mare. De exemplu, intereseaz ce cantiti x1 i x2 din cele dou produse trebuie
fabricate pentru ca profitul sptmnal s fie 120$. Conform (2.1.7) trebuie determinate perechile
(x1, x2) pentru care
5x1 + 6 x 2 = 120
(2.2.1)
S-a obinut ecuaia general a unei drepte care poate fi reprezentat pe acelai grafic cu poligonul
soluiilor admisibile, dup cum se observ din figura 2.2.2.
y
60
45
A
B
30
15
15
30
45
Fig. 2.2.2
60
75
5x1 + 6 x 2 = 180
(2.2.2)
Dreptele (2.2.1) i (2.2.2) sunt paralele (conform proprietilor enunate n finalul seciunii
1.2). Este, ns, important urmtoarea observaie: dreapta (2.2.2), al crei termen liber este mai
mare, este mai deprtat de origine dect dreapta (2.2.1). Acest lucru este valabil pentru orice
fascicul de drepte paralele i rezult imediat aplicnd formula (1.2.13) a distanei de la un punct
la o dreapt pentru originea sistemului de coordonate. Astfel,
d ( O; h) =
c
a 2 + b2
(2.2.3)
Din (2.2.3) rezult c, pentru un fascicul de drepte paralele hj: ax + by = cj , j = 1,2, ...
(avnd aceiai coeficieni a i b), distanele de la originea O la fiecare dintre acestea cresc odat
cu creterea valorii absolute a coeficienilor cj.
Revenind la problema de programare liniar discutat nseamn c, dac se cer valori zj
din ce n ce mai mari ale profitului, vor rezulta n cadranul I drepte 5x1 + 6 x 2 = z j paralele i din
ce n ce mai ndeprtate de origine. Aceast ndeprtare de origine prin creterea valorii funciei
obiectiv se poate face, ns, doar pn la locul n care dreapta mai are, nc, puncte comune cu
suprafaa restriciilor: nu trebuie uitat c doar punctele de pe dreapt care cad pe suprafaa
restriciilor reprezint soluii fezabile pentru obinerea profitului respectiv.
n cazul studiat dreapta poate fi deplasat, paralel cu ea nsi, n cadranul nti pn cnd
mai are contact cu suprafaa rerstriciilor OABC doar n punctul B(20, 30). {tim c acest punct
face parte dintr-o dreapt 5x1 + 6 x 2 = z j corespunztoare unui profit dat. nlocuind coordonatele
acestui punct se obine expresia acestei drepte: 5x1 + 6 x 2 = 280 . Ea este reprezentat n figura
2.2.2 i coordonatele oricrui punct al ei reprezint combinaii (x1, x2) pentru care se obine un
profit de 180$. Dar numai un singur punct, B(20, 30), aparine i poligonului soluiilor admisibile.
Concluzia pe care o tragem este c funcia obiectiv (2.1.7) este maximizat pentru valorile x1 =
20 i x2 = 30 ale variabilelor de decizie i, n acest caz, valoarea ei este z = 280. Interpretarea
concluziei n conteztul problemei analizate este c profitul maxim care se poate obine
sptmnal este de 280$ i el se obine dac se fabric 20 de uniti din produsul A i 30 de
uniti din produsul B.
Avnd o problem de maximizare, am depistat soluia deplasnd dreapta rezultat din
expresia funciei obiectiv n sensul deprtrii ei de origine (creterii termenului liber). Este clar
c, n cazul unei probleme de minimizare, deplasarea aceasta trebuie fcut n sens opus.
Bineneles, este de ateptat ca, pentru o astfel de problem, poligonul soluiilor admisibile s nu
includ i originea.
Determinarea soluiilor problemei
La punctul precedent s-a attat c, prin deplasarea dreptei care reprezint funcia obiectiv,
se pot detecta valorile extreme. Se pune problema cum se poate determina prin calcul pn unde
trebuie fcut aceast deplasare. Aceasta ar oferi o metod numeric prin care s se caute soluia
optim n cadrul poligonului soluiilor admisibile. Pentru a defini metoda trebuie fcute anumite
consideraii asupra acestuia.
Definiia 2.2.1
O mulime de puncte din plan se numete convex dac are proprietatea c, pentru orice
dou puncte M i N aparinnd mulimii, ntregul segment MN este inclus n mulime.
n figura 2.2.3 este artat o mulime convex. n figura 2.2.4 este o mulime care nu este
convex; ntr-adevr, exist mcar dou puncte ale mulimii, de exemplu P i Q, cu proprietatea
c segmentul care le unete nu este inclus n ntregime n mulime. Din figura 2.2.5 se vede clar
c semiplanele sunt mulimi convexe.
Definiia 2.2.1 exprim intuitiv ideea de mulime convex n plan (dou dimensiuni).
Trebuie reinut c acest conceptul este valabil i n spaii abstracte, cu n dimensiuni. Pentru
definirea sa riguroas sunt necesare, ns, dezvoltri teoretice mai ample. Oricum, indiferent de
dimensiunea spaiului n care se opereaz, este adevrat urmtoarea teorem.
y
y
N
x
Fig. 2.2.3
x
Fig. 2.2.4
x
Fig. 2.2.5
Teorema 2.2.1
Intersecia unei familii arbitrare de mulimi convexe este tot o mulime convex.
Teorema 2.2.1 mpreun cu observaia, ilustrat prin figura 2.2.5, c un semiplan este o
mulime convex, duc la concluzia c soluia unui sistem de inecuaii liniare n dou variabile,
care este o intersecie de semiplane, este o mulime convex. Aducnd acest rezultat n domeniul
problemelor de programare liniar n dou variabile, rezult dou afirmaii foarte importante
pentru rezolvarea grafic a problemelor PL.
1) Mulimea soluiilor admisibile este o suprafa poligonal convex.
2) Soluia optim a unei probleme PL va inculde ntotdeauna un vrf al poligonului
soluiilor admisibile.
A doua afirmaie este valabil att pentru probleme de maximizare ct i de minimizare i
indiferent de panta dreptei care reprezint funcia obiectiv. Ea arat c atunci cnd se face o
deplasare a dreptei, ultimul punct naintea ieirii complet din poligonul soluiilor admisibile va
include cel puin un vrf al acestuia.
Din cele de mai sus rezult metoda care trebuie aplicat pentru a determina soluia
optim:
1) Se traseaz grafic poligonul soluiilor admisibile.
2) Se determin coordonatele vrfurilor.
3) Se calculeaz valoarea funciei obiectiv pentru fiecare vrf; pentru aceasta se substituie
coordonatele n funcia obiectiv.
4) Pentru o problem de maximizare soluia optim este n vrful pentru care se obine
cea mai mare valoare a funciei obiectiv, iar pentru o problem de minimizare se va
cuta valoarea minim dintre cele date de vrfuri.
Soluii multiple
B
C
Fig. 2.2.6
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
z
C
Fig. 2.2.7
Spaiul soluiilor admisibile care mrginit n partea inferioar dar este nemrginit
superior. Deplasarea spre maxim a dreptei corespunztoare lui z nu cunduce la atingerea unui
punct care s fie desemnat ca optim n acest sens. Dac problema ar fi de maximizare concluzia
care ar trebui tras este c ne aflm ntr-o situaie n care soluia este nemrginit.
S-ar putea, ns, determina o soluie optim dac problema ar fi de minim (n exemplul
din figura 2.2.7 ea ar corespunde punctului B).
Rezolvai grafic problemele de programare liniar enunate n exerciiile 1
pn la 8 de la pagina 2-10.
n acest capitol au fost introduse principalele idei legate de utilizarea programrii liniare
ca metod de optimizare cu larg aplicabilitate. Metoda grafic de rezolvare a problemelor PL n
dou variabile are menirea de a oferi o imagine geometric intuitiv. Situaiile din lumea real
implic, de obicei, mai mult de dou variabile. Capitolul urmtor este dedicat algoritmului
simplex, cu care se rezolv probleme PL n oricte variabile.
Exerciii
S se rezolve grafic urmtoarele probleme de programare liniar.
1) max z = 9 x1 + 3x 2
2) min z = 3x1 + 6 x 2
x1 + x 2 20
2 x1 + x 2 32
3x1 + 2 x 2 36
4 x1 + 5x 2 90
x1 , x 2 0
x1 , x 2 0
3) max z = 30 x1 + 20 x 2
3x1 + x 2 18
x + x 12
1
2
2
x1
x2 2
x1 , x 2 0
5) max z = 10 x1 + 15x 2
x1 + x 2 20
2 x + x 48
1
2
x
20
1
x1 + x 2 30
x1 , x 2 0
7) max z = 16 x1 + 8 x 2
2 x1 + x 2 30
x1 + 2 x 2 24
x1 , x 2 0
4 )min z = 10 x1 + 16 x 2
x1 400
x 2 200
x + x = 500
2
1
x1 , x 2 0
6) max z = 2 x1 + 5x 2
x1 + x 2 16
x
12
1
8
x1
x 2 10
x2 4
x1 , x 2 0
8) max z = 6 x1 + 5x 2
2 x1 + 4 x 2 40
x1 + 2 x 2 30
1,5x + x 50
2
1
x1 , x 2 0
3
Algoritmul simplex
3.1
3.2
3.3
3.4
3.5
3.6
Obiectivele capitolului
nelegerea algoritmului simplex de rezolvare a problemelor de programare liniar
Ilustrarea modalitilor n care trebuie abordate problemele care apar n aplicarea algoritmului
simplex
Evidenierea corespondeelor care pot fi stabilite ntre mecanismele rezolvrii grafice cele care
stau la baza algoritmului simplex
Discutarea situaiilor speciale care pot aprea n rezolvarea unei probleme de programare
liniar prin metoda simplex
Abordarea grafic a problemelor de programare liniar este limitat la probleme n dou
variabile. Problemele n mai mult de dou variabile trebuie rezolvate prin metode algebrice.
Metoda algebric consacrat pentru rezolvarea unei probleme de programare liniar,
indiferent de numrul de variabile, este algoritmul simplex. Fiind vorba de un algoritm a fost
posibil implementarea sa n programe pentru calculator. Exist n prezent produse software
dedicate acestei categorii de probleme dar, dup cum am mai artat, studiere metodei n sine este
necesar tocmai pentru a putea nelege i exploata corect programele respective.
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
x3 0
x4 0
b2. Pentru fiecare restricie de tip se scade o variabil ecart nenegativ din partea
stng a restriciei.
Exemplu: dac n cadrul sistemului de restricii apare inecuaia
x1 + x 2 25
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
2 x 1 + 3x 2 40
x 2 x = 25
2
1
x1 , x 2 0
(A, b1)
(b2, b3)
(b3)
Dup aplicarea transformrilor menionate n paranteze se obine sistemul de ecuaii de mai jos,
n care x3 i x5 sunt variabile ecart, iar x2 i x4 sunt variabile artificiale.
= 10
x1 + x 2 + x 3
x4 + x 5
= 40
2 x1 + 3 x 2
x 2x
+ x 6 = 25
2
1
x1 , x 2 , x 3 , x 4 , x 5 , x 6 0
Variabilele nou introduse devin, de asemenea, variabile de decizie, de aceea ele trebuie s
se regseasc i n cadrul funciei obiectiv.
n cadrul funciei obiectiv se consider c variabilele ecart au, iniial, coeficientul 0.
Variabilele artificiale nu au semnificaie real. De aceea, n cadrul funciei obiectiv, lor li
se asociaz coeficieni care s le fac s fie extrem de indezirabile pentru a participa la o decizie
care s duc la optim. Astfel:
pentru probleme de maximizare li se asociaz variabilelor artificiale coeficieni egali cu -M,
unde M este un numr pozitiv foarte mare, ceea ce face ca -M s fie un numr foarte negativ.
pentru probleme de minimizare li se asociaz variabilelor artificiale coeficieni egali cu M, un
numr pozitiv foarte mare.
Asignarea de astfel de coeficieni genereaz necesitatea de a cuta soluii ale problemelor PL n
care variabilele artificiale s fie 0.
(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)
Revenind la diferitele forme pe care le poate avea o problem PL imediat dup modelarea
fenomenului studiat i nainte de a o aduce la forma standard, se pot defini anumite categorii la
care se va apela mai trziu.
Definiia 3.1.2
Pentru o problem PL de maximizare, restriciile structurale tip se numesc concordante.
Pentru o problem PL de minimizare, restriciile structurale tip se numesc concordante.
Definiia 3.1.3
O problem de programare liniar are forma canonic dac toate restriciile sale
structurale sunt concordante.
O problem de programare liniar are forma mixt dac toate restriciile sale structurale
sunt fie ecuaii, fie inegaliti concordante.
Din definiia 3.1.3 rezult c o problem de programare liniar n forma canonic se scrie
ntr-una din urmtoarele forme
min z = c1 x1 + c2 x 2 + K cn x n
(3.1.7)
(3.1.8)
...........................................
a m1 x1 + a m2 x 2 + K + a mn x n bm
(3.1.9)
x1 , x 2 ,K , x n 0
sau
max z = c1 x1 + c2 x 2 + K cn x n
a11 x1 + a12 x 2 + K + a1n x n b1
a x + a x + K + a x b
21 1
22 2
2n n
2
...........................................
a m1 x1 + a m2 x 2 + K + a mn x n bm
x1 , x 2 ,K , x n 0
(3.1.10)
(3.1.11)
(3.1.12)
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)
mult C42 = 6 forme explicite i, corespunztor, soluii de baz. Fcnd pivotajele necesare se pot
gsi aceste soluii de baz. Ele sunt enumerate n tabelul urmtor.
Nr. crt.
Variabile de baz
Variabile secundare
Punct
1
2
3
4
5
6
x1 = 20, x2 = 30
x2 = 60, x4 = -100
x2 = 43 1 3 , x3 = 33 1 3
x1 = 40, x4 = 100
x1 = 65, x3 = -75
x3 = 120, x4 = 260
x3 = x4 = 0
x1 = x3 = 0
x1 = x4 = 0
x2 = x3 = 0
x2 = x4 = 0
x1 = x2 = 0
B
P
A
C
Q
O
y
60
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.
max z = 5x1 + 6x 2
(3.3.1)
3x1 + 2 x 2 120
4 x1 + 6x 2 260
(3.3.2)
x1 , x 2 0
(3.3.3)
(3.3.4)
= 120
3 x1 + 2 x 2 + x 3
+ x 4 = 260
4 x1 + 6 x 2
(3.3.5)
x1 , x 2 , x 3 , x 4 0
(3.3.6)
Soluia se va gsi prin investigarea soluiilor de baz ale sistemului (3.3.5). Se observ c
o prim soluie de baz este oferit chiar de forma standard. Se mai observ, ns c funcia
obiectiv poate fi privit i ea ca o ecuaie liniar care are nc o variabil, z. Se poate forma astfel
un nou sistem de ecuaii din (3.3.4) i (3.3.5):
z 5 x1 6 x 2 0 x 3 0 x 4 = 0
3 x1 + 2 x 2 + x 3
= 120
4 x1 + 6 x 2
+ x 4 = 260
x1 , x 2 , x 3 , x 4 0
(0)
(1)
(2)
(3.3.7)
Ecuaiile sistemului (3.3.7) ecuaiile au fost numerotate, iar funcia obiectiv a primit
numrul (0). Scopul este n continuare este s se rezolve sistemul de 3 ecuaii n 5 variabile astfel
nct variabila z s ia valoarea maxim. Deoarece valoarea funciei obiectiv este cea care
intereseaz n mod special, z va trebui s rmn ntotdeauna variabil principal, deci s nu fie
scoas din baz prin pivotaj.
Tabelul 3.3.1
linia
bi
variabile z x1 x2 X3 x4
1
-5
-6
0
0
0
(0)
de baz
x3
0
3
2
1
0
120
(1)
x4
0
4
6
0
1
260
(2)
Metoda simplex se aplic folosind o organizare tabelar. Tabelul iniial pentru problema
studiat este tabelul 3.3.1. Soluia de baz de start este format din variabilele ecart i,
bineneles, funcia obiectiv: x3 = 120, x4 = 260, z = 0. Ea poate fi citit direct din tabel (prima i
ultima coloan).
La un pas oarecare al rezolvrii metoda simplex const n compararea variabilelor
secundare cu cele principale pentru a vedea dac o variabil secundar ar putea intra n baz
nlocuind pe una principal, scopul fiind s se obin o valoare mai bun pentru funcia obiectiv.
O variabil secundar va nlocui o variabil principal dac:
Se pune acum problema cu cte uniti s fie crescut x2. Metoda simplex i permite lui x2
s creasc pn cnd una din variabilele de baz este adus la valoarea zero, ieind astfel din
baz. Problema care mai trebuie rezolvat este, deci, care este variabila din baz care va iei
atunci cnd va intra o nou variabil care, pn atunci, a fost secundar (n exemplul studiat, x2).
Decizia asupra crei variabile principale s fie eliminat din baz se ia examinnd
coloana cheie i coloana termenilor liberi. ntr-o reprezentare general, situaia se prezint ca n
tabelul urmtor:
Z
1
.........
.........
xk
a0k
............
............
Tabelul 3.3.2
bi
linia
b0
(0)
0
...
0
.........
.........
.........
a1k
.....
amk
............
............
............
b1
.....
bm
coloana
cheie
(1)
.....
(m)
coloana
termenilor
liberi
Pe orice coloan j, valorile aij (i = 1, ... ,m) arat schimbrile care apar n fiecare dintre
variabilele care sunt n acel moment n baz dac variabila din coloana j se modific cu o unitate.
Semnele sunt, de asemenea, opuse direciei de modificare.
Exemplu. Dac n tabelul 3.3.1 studiem coloana cheie (a lui x2), observm c, n aceast
coloan, coeficienii sunt, respectiv, 2 pe linia variabilei de baz x3 i 6 pe linia variabilei de baz
x4. Asta nseamn c, dac x2 va crete cu o unitate, valoarea lui x3 descrete cu 2 (de la valoarea
120), iar x4 va descrete cu 6 (de la valoarea curent de 260).
Din consideraiile fcute rezult regula care d variabila principal care va fi eliminat din
baz.
Regula 3: desemnarea variabilei care iese din baz
Fie k coloana cheie ntr-o problem de maximizare.
Variabila de baz care va fi nlocuit se stabilete determinnd linia pentru care se
atinge
min
bi
a ik
bi
120 260
= min
,
= min{60,43 1 3} = 43 1 3
2
ai 2
2
z
1
0
x1
-5
3
x2
-6
2
x3
0
1
x4
0
0
Tabelul 3.3.3
bi
linia
0
(0)
120
(1)
x4
260
(2)
Dup efectuarea pivotajului se obine tabelul 3.3.4 pe care se aplic iar cele trei regului
ale metodei simplex.
variabile
de baz
x3
x2
z
1
0
0
x1
-1
10
4
x2
0
0
1
x3
0
1
0
x4
1
Tabelul 3.3.4
linia
bi
260
(0)
33 1 3
(1)
43 1 3
(2)
Din tabelul 3.3.4 se poate citi noua soluie de baz care, dup cum se vede, este mai bun:
z = 260, x3 = 33 1 3 , x2 = 43 1 3 , x1 = 0, x4 = 0.
n continuare se reia procesul verificnd n tabelul 3.3.4 dac s-a obinut soluia optim.
Aplicnd regula 1, criteriul de oprire, rezult c nu s-a ajuns, nc, la soluia optim deoarece
mai exist n linia (0) coeficieni negativi. Va trebui aplicat regula 2, criteriul de intrare n baz,
pentru a decide care dintre variabilele secundare trebuie aleas. n situaia particular din tabelul
3.3.4 mai exist doar un coeficient negativ n linia (0), cel al lui x1. Coloana acestuia, k = 1,
devine coloana cheie. Aplicnd n continuare regula 3, criteriul de ieire din baz, rezult c
min
i =1,2
bi
100 6 130 6
130
= min
,
= min 20,
= 20
2
a i1
3 10 3 4
i acest minim se obine pe linia (1) Linia l = 1 va fi linia noului pivot. n concluzie, aa cum s-a
scos n eviden i n tabelul 3.3.4, x1 intr n baz, x3 iese din baz, iar acest lucru se face prin
pivotaj dup a11. n urma pivotajului se obine tabelul 3.3.5.
variabile
de baz
x3
x2
z
1
0
0
x1
0
1
0
x2
0
0
1
x3
x4
5
5
- 25
- 15
3
10
Tabelul 3.3.5
linia
bi
280
(0)
20
(1)
30
(2)
nti se aduce problema la forma standard adunnd n partea stng a fiecrei inecuaii
cte o variabil ecart. Variabilele ecart vor fi i variabilele de baz de la care se pornete
procedura de optimizare.
n continuare se aplic ciclic urmtorii pai:
1. Se verific dac soluia de baz curent este cea optim (regula 1): sunt toi coeficienii
din linia (0) mai mari sau egali cu zero?
Dac DA STOP. S-a atins valoarea optim.
Dac NU se trece la pasul 2.
2. Se aplic criteriul de intrare n baz (regula 2).
Va intra n baz variabila care are n linia (0) valoarea cea mai negativ. Coloana
respectiv devine coloan cheie.
3. Se aplic criteriul de ieire din baz (regula 3).
Pentru aceasta se calculeaz pentru coloana cheie k rapoartele bi/aik pentru aik > 0 i se
alege valoarea minim. Elementul alk corespunztor raportului minim devine pivot, iar
variabila de baz de pe linia l va deveni secundar (iese din baz).
4. Se face pivotaj dup elementul alk i apoi se reia ciclul cu pasul 1.
(3.5.1)
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
x 5 + x 6 = 24
2 x1 + 6 x 2
(3.5.5)
x1 , x 2 , x 3 , x 4 , x 5 , x 6 0
(3.5.6)
z
1
0
0
x1
-5
1
2
x2
-6
1
4
x3
0
-1
0
x4
-M
1
0
x5
0
0
-1
Tabelul 3.5.1
x6
linia
bi
-M
0
(0)
0
10
(1)
1
24
(2)
n tabelulu 3.5.1 se vede prima soluie de baz a problemei care are ca variabile de baz
tocmai variabilele artificiale x4 i x6. Se mai observ, ns, c pe coloanele acestora nu sunt numai
zerouri (n afara pivotului): elementele de pe linia (0) au valoarea -M. Vom face 0 n coloana lui
x4 nmulind linia (1) cu M i adunnd-o la linia (0). Apoi, pentru x6 nmulim linia (2) cu M i o
adunm la linia (0). Se obine, astfel, tabelul 3.5.2.
Variabile
de baz
x4
x6
z
1
0
0
x1
-5+3M
1
2
x2
-6+5M
1
4
x3
-M
-1
0
x4
0
1
0
x5
-M
0
-1
x6
0
0
1
bi
34M
10
24
Tabelul 3.5.2
linia
(0)
(1)
(2)
S-a ajuns n tabelul 3.5.2 la o prim soluie de baz n care variabilele principale sunt x4 =
10 i x6 = 24. Valoarea funciei obiectiv este z = 34M.
Tot pe tabelul 3.5.1 se vede cum se face i pivotajul pentru pasul urmtor. ntr-adevr,
aplicnd regula 1A se observ c nu s-a atins, nc, soluia optim: pe linia(0) mai sunt coeficieni
pozitivi, cei ai lui x1 i x2 (M este un numr pozitiv foarte mare). Dintre acetia, cel mai mare este
coeficientul lui x2, de aceea coloana sa devine coloan cheie, iar x2 intr n baz. Rapoartele
pozitive calculate pe coloana cheie (regula 3) dau valoarea minim pe linia (2), deci x6 iese din
baz. Mai departe rezult succesiv:
x2
0
0
1
x3
-M
-1
0
x4
0
1
0
x1
0
1
0
x2
0
0
1
x3
-4
-2
1
x4
4-M
2
- 12
variabile
de baz
x4
x2
z
1
0
0
x1
-2+ M 2
variabile
de baz
x1
x2
z
1
0
0
1
1
x5
32 +
1
- 14
x5
- 12
1
-1
x6
5M 4
- 14
1
x6
1 -M
2
- 12
1
bi
36+4M
4
6
Tabelul 3.5.3
linia
(0)
(1)
(2)
bi
52
8
2
Tabelul 3.5.4
linia
(0)
(1)
(2)
Pe linia (0) a ultimului tabel nu mai sunt coeficieni pozitivi. Conform regulii 1A s-a atins
soluia optim (valoarea minim a lui z). Aceasta este: z = 52 i se obine pentru x1 = 8 i x2 = 2.
Variabilele secundare: x3 = x4 = x5 = x6 = 0.
n cazul problemelor rezolvate grafic s-a vzut c dac soluia se atingen dou vrfuri ale
poligonului soluiilor admisibile, atunci ntreaga latur determinat de acele dou vrfuri este
format din puncte de optim.
Atunci cnd se folosete metoda simplex, existena soluiilor optime multiple este indicat
de urmtoarele:
1. s-a gsit soluia optim i
2. n linia (0), coeficientul unei variabile secundare este egal cu zero.
Prima condiie confirm c nu exist o soluie mai bun dect cea prezent. A doua
condiie arat c variabila secundar respectiv poate deveni variabil de baz, iar valoarea
curent a funciei obiectiv nu se va schimba.
Cnd se constat c exist soluii optime multiple, cellalt punct n care se atinge optimul
se poate afla tratnd variabila secundar cu coeficientul zero ca i cum ar fi o nou variabil de
baz.
Problem fr soluii admisibile
n cazul rezolvrii grafice s-a artat c absena soluiilor admisibile pentru problema PL
nseamn c nu exist soluii care s satisfac sistemul de restricii.
Condiia de absen a soluiilor pentru o problem de programare liniar rezolvat prin
metoda simplex este semnalat prin apariia ntr-o soluie a unei variabile artificiale cu valoare
n capitolul al treilea a fost prezentat una din cele mai cunoscute metode de optimizare:
algoritmul simplex. Problemele din lumea real pot conine zeci de variabile i restricii
structurale, iar rezolvarea lor se face cu ajutorul calculatorului folosind programe specializate. Cu
toate acestea, studierea modelului din punct de vedere matematic nu este inutil ci, din contr,
este indispensabil abordrii corecte a unor probleme reale, de mari dimensiuni, cu ajutorul
aplicaiilor software specializate.
Exerciii
S se rezolve prin metoda simplex urmtoarele probleme de programare liniar:
1) max z = 4 x1 + 2 x 2
x1 + x 2 50
240
6 x1
x1 , x 2 0
3) max z = 10 x1 + 12 x 2
x1 + x 2 150
3x1 + 6 x 2 300
4 x + 2 x 160
2
1
x1 , x 2 0
2) max z = 4 x1 + 4 x 2
4 x1 + 8 x 2 24
24 x1 + 16 x 2 96
x1 , x 2 0
4) max z = 6 x1 + 8 x 2 + 10 x 3
1200
x1 + 2 ,5x 2
2 x1 + 3x 2 + 4 x 3 2600
x1 , x 2 , x 3 0
5) max z = 10 x1 + 3x 2 + 4 x 3
8 x1 + 2 x 2 + 2 x 3 240
2600
4 x1 + 3 x 2
x1 , x 2 , x 3 0
6) max z = 4 x1 2 x 2 + x 3
6 x1 + 2 x 2 + 2 x 3 240
2 x1 2 x 2 + 4 x 3 40
2 x + 2 x 2 x 80
2
3
1
x1 , x 2 , x 3 0
7) max z = 4 x1 + 2 x 2
x1 + x 2 15
2 x1 + x 2 20
x1 , x 2 0
8) min z = 4 x1 + 6 x 2
3x1 + x 2 15
2 x1 + 3x 2 17
x1 , x 2 0
9) min z = 6 x1 + 3x 2
x1 + 2 x 2 20
4 x1 + 2 x 2 32
x
8
1
x1 , x 2 0
11) max z = 25x1 + 50 x 2
2 x1 + 2 x 2 1000
600
3x1
x + 3x 600
2
1
x1 , x 2 0
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
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.
Din definiia de mai sus rezult c se numete eveniment orice situaie legat de un
experiment aleator i despre care se poate spune cu certitudine dac s-a produs sau nu dup
efectuarea experimentului.
Definiia 4.2.2
Se numete sistem de evenimente orice mulime de evenimente a cror apariie se
urmrete ca urmare a efecturii unui experiment aleator.
Observaie: un sistem de evenimente poate fi, dup caz, finit sau infinit.
Definiia 4.2.3
Se numete evenimentul sigur, evenimentul care se realizeaz ntotdeauna ca rezultat al
efecturii unui experiment aleator.
Se numete evenimentul imposibil, evenimentul care nu se poate realiza niciodat ca
urmare a efecturii experimentului aleator.
Notaii: 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
{1, 4} {2, 4}
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
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
A B = B A
( A B) C = A ( B C)
(comutativitate)
(asociativitate)
A ( B C) = ( A B ) ( A C)
(distributivitatea interseciei fa de reuniune)
A ( B C) = ( A B ) ( A C)
(distributivitatea reuniunii fa de intersecie)
A B A B = A ;
n particular, A A = A , A E = A, A =
(6) A B A, A B B
Definiia 4.2.9
Dou evenimente A i B, se numesc compatibile dac ele se pot realiza simultan, adic
exist probe comune care realizeaz att pe A ct i pe B.
Dac evenimentele nu se pot realiza simultan, ele se numesc incompatibile.
Notaii:
A B ;
pentru dou evenimente compatibile,
pentru dou evenimente incompatibile, A B = .
Exemplu:
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.
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
nA
n
experimentului.
Exemplu:
Aceast definiie statistic are o serie de neajunsuri, fiind puin formalizat din punct de
vedere matematic i avnd un caracter descriptiv. Practic, se consider ca valoare aproximativ a
probabilitii, media aritmaetic a frecvenelor. Aproximarea va fi cu att mai bun cu ct
numarul de repetri va fi mai mare. Pentru scopuri limitate, definiia poate fi, totui folosit, aa
cum se va vedea n capitolul urmtor.
Definiia clasic a probabilitii
Aceast definiie este destul de frecvent utilizat pentru c ea este adecvat ntr-o clas
destul de larg de situaii. Ea reduce, totui, noiunea de probabilitate la posibilitatea egal de
apariie a evenimentelor elementare. Acest lucru este adesea valabil, dar nu ntotdeauna.
Presupunerea fundamental este c mulimea evenimentelor ataate unei experiene poate
fi construit prin operaia de reuniune a unor evenimente egal posibile. De exemplu, n experiena
aruncrii unui zar, se consider ca evenimente de baz evenimentele {1}, {2}, {3}, {4}, {5}, {6}
privite ca egal posibile. Toate celelalte evenimente, cu excepia evenimentului imposibil, sunt
reuniuni ale acestora.
Definiia 4.3.2
Se numete probabilitatea evenimentului A, numrul P(A) care se calculeaz ca raportul
ntre numrul de cazuri favorabile producerii evenimentului i numarul de cazuri posibile
a aprea n urma efecturii experimentului:
P ( A) =
n
N
(4.3.1)
unde n este numrul de cazuri favorabile, iar N este numrul de cazuri posibile.
{i aceast definiie, dat de Laplace, este insuficient deoarece se aplic doar pentru
cmpuri finite de evenimente i pleac de la ipoteza, care nu este ntotdeauna adevrat, c
evenimentele elementare sunt "egal posibile". Cu toate acestea, ea are o larg arie aplicabilitate
pentru c, multe situaii din lumea real opereaz cu cmpuri finite n care evenimentele
elementare sunt egal posibile.
Definiia geometric a probabilitii
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.
( A)
(4.3.2)
( )
cu proprietile
(1) P( E ) = 1
k I
(2) P U Ak = P( Ak )
k I
(4.3.3)
unde I este o mulime de indici, finit sau infinit, iar pentru orice i,j I, i j,
Ai A j = , (evenimentele sunt incompatibile dou cte dou).
n definiia de mai sus, proprietatea (1) spune c probabilitatea evenimentului sigur este
1, iar proprietatea (2) spune c probabilitatea reuniunii a mai multor evenimente incompatibile
este egal cu suma probabilitilor acelor evenimente.
Dac (E, K) este un cmp finit de evenimente ale crui evenimente elementare sunt
E = {e1 , e 2 ,K , e n }
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)
de unde,
m
P( A) = P eir =
r =1
1 m
P( e ) = m n = n
r =1
ir
Deci, ntr-un cmp finit de evenimente ale crui n evenimente elementare sunt egal
probabile, probabilitatea unui eveniment oarecare A este egal cu raportul dintre numrul m de
evenimente elementare favorabile lui A i numrul total n de evenimente elementare ale
cmpului:
P( A) =
m
n
(4.3.5)
Se vede, astfel, cum definiia clasic a probabilitii este coninut ca un caz particular n definiia
axiomatic.
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).
i I
P( A B )
P( A)
(4.4.1)
PB ( A) =
P( A B )
(4.4.2)
P( B )
Definiia 4.4.2
Fie (E, K, P) un cmp borelian de probabilitate i A, B K dou evenimente.
Evenimentele A i B se numesc independente dac are loc egalitatea:
P ( A B ) = P ( A) P ( B )
(4.4.3)
Ideea intuitiv este c dou evenimente se numesc independente dac producerea unuia
nu depinde de producerea celuilalt. Acest lucru se observ dac folosim definiiile 4.4.1 i 4.4.2.
Astfel, din relaia 4.4.1 rezult, n general:
P( A B ) = P( A) PA ( B )
(*)
Dac, n plus, evenimentele sunt independente are loc relaia (4.4.3). Deci, pentru doua
evenimente independente se pot combina relaia (4.4.1) i relaia (*) de mai sus i rezult:
P( A) P( B ) = P( A) PA ( B )
P( B ) = PA ( B )
Din relaia obinut mai sus arat c, dac evenimentele sunt independente, probabilitatea
lui B condiionat de A este aceeai cu probabilitatea lui B (necondiionat). Aceasta arat c, B
fiind independent de A, probabilitatea lui B nu depinde de A.
Se pot demonstra urmtoarele proprieti.
(1) Probabilitile PB(A) i PA(B) sunt proporionale:
PA ( B )
P( B )
PB ( A)
P ( A)
(4.4.2)
(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')
Relaia (4.5.5) i cea echivalent (4.5.5') poart numele de inegalitatea lui Boole.
(5) Pentru evenimentele Ai, i = 1, 2, ..., n are loc egalitatea
P( A1 A2 K An ) = P( A1 ) PA1 ( A2 ) PA1 A2 ( A3 ) K PA1 K An 1 ( An )
(4.4.6)
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);
(4.5.1)
{e | X (e) I } K
(4.5.2)
x2 K xn
p2 K pn
, sau
x
X : i
, unde
pi i =1,2 ,...,n
= 1.
i =1
(4.5.3)
x
X : 1
p1
x2 K xn K
p2 K pn K
, sau
x
X : i , unde
pi i N
p
i =1
= 1.
(4.5.4)
Se poate demonstra c, dac X i Y sunt variabile aleatoare simple, atunci cu ele se pot
efectua operaiile definite mai jos, iar rezultatele acestor operaii sunt tot nite variabile aleatoare.
yj
x
i Y :
. Se definesc:
pi i =1,2 ,...,m
q j j =1,2 ,...,n
ax
aX : i
pi i =1,2 ,...,m
2. Adunarea cu o constant a R
a + xi
a + X :
pi i =1,2 ,...,m
3. Ridicarea la putere
xi r
X :
pi i =1,2 ,...,m
r
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 2
3
4
5
6
1+1
X + Y:
=
.
0.09 0.36 0.55
0.2 0.3 0.2 0.7 0.3 0.3 0.3 0.7 0.5 0.3 0.5 0.7 0.06 014
1 2
31
3 2
4 1
42 1
2
3
4
6
8
11
XY:
=
.
.
0.09 015
0.21 0.35
0.2 0.3 0.2 0.7 0.3 0.3 0.3 0.7 0.5 0.3 0.5 0.7 0.06 014
K xn
K pn
x2
p2
Medie
Media variabilei aleatoare X se definete ca:
M( X ) =
x p
i
(4.6.1)
i =1
Notaii: M(X), m,
Exemplu
1
4
2
2
3
1
2
1
. Atunci, M ( X ) = 1 + 2 + 3 = 2 .
1
4
4
4
4
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
x p + x p +1
( xi )i =1,2 ,...,n ,
aranjate n ordine
cresctoare, cu probabilitile ( pi ) i =1,2 ,...,n , punctul Mo = xm se numete mod dac sunt satisfcute
inegalitile: pm > pm1 i pm > pm+1 .
Media M(X), mediana Me i modul Mo se numesc caracteristici ale tendinei centrale de
grupare a variabilei X. ntre ele nu exist, n general, relaii bine determinate.
Dispersie (varian)
Media, mediana i modul exprim doar tendina central a valorilor unei variabile
aleatoare, dar nu ofer nici o informaie asupra mprtierii valorilor unei variabile aleatoare. De
aceea, sunt necesare caracteristici care s indice n ce msur valorile se abat de la valoarea
central de grupare. Una din aceste caracteristici este dispersia.
Fie, din nou, variabila aleatoare X cu media M(X):
x
X : 1
p1
x2
p2
K xn
,
K pn
M( X ) =
x p
i
i =1
x 2 M ( X ) K x n M ( X )
p2
pn
K
( 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
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
1
3
Avem M ( X ) = +
4
1
1
3
( )
2 3
1 4 9 14
+ = 2 i M X 2 = + + =
. Deci,
3 3
3 3 3 3
( ) (
D 2 ( X ) = M X 2 M ( X )) =
2
14
2
4=
3
3
Proprietile dispersiei
(1) D 2 ( X ) 0 . Aceast proprietate rezult imediat din definiie.
(4.6.4)
Abaterea medie ptratic are aceleai dimensiuni ca variabila aleatoare X, de aceea este
mai intuitiv pentru exprimarea mprtierii valorilor variabilei. De aceea, de regul, gradul de
mprtiere a valorilor variabilei aleatoare X n jurul mediei se msoar prin abaterea medie
ptratic i nu prin dispersie.
Pentru o variabil aleatoare simpl X care are media m, abaterea medie ptratic se
calculeaz astfel:
D( X ) = =
( x1 m)
p1 + ( x 2 m) p2 + K + ( x n m) pn
2
Anex
Pentru a face posibil calcularea numrului de cazuri favorabile i a numrului de cazuri
posibile, reamintim semnificaia noiunilor de permutri, aranjamente, combinri, precum i
formulele pentru calcularea acestora.
Permutri de n (notaie: n!) nseamn: n cte moduri se pot ordona n elemente?
Formula de calcul: n ! = 1 2 3 K n
Aranjamente de n luate cte k (notaie: Ank ) nseamn: cte grupe de k elemente, ordonate, se
pot face dintr-o mulime de n elemente?
Formula de calcul: Ank = n(n 1) K (n k + 1)
Combinri de n luate cte k (notaie: Ank ) nseamn: cte grupe de k elemente, la care nu
conteaz ordinea, se pot face dintr-o mulime de n elemente?
Formula de calcul: Cnk =
Ank
k!
Elementele de teoria probabilitilor din acest capitol sunt o baz pentru definirea
proceselor abordate n capitolul urmtor. De asemenea, ele constituie un punct de plecare pentru
dezvoltarea ulterioar a unor elemente de statistic.
Exerciii
Evenimente
Fie experimentul care const n aruncarea unui zar. Considerm urmtoarele evenimente:
A - apariia unui numr par de puncte
B - apariia unui numr impar de
puncte
C - apariia unui numr mai mic sau egal cu 3
D - apariia uneia din feele 2 sau 3
L - apariia uneia din feele 1 sau 3
F - apariia unui nr. strict mai mare ca 4
G - apariia unui numr mai mic sau egal cu 4
H - apariia feei 4
I - apariia feei 5
J - apariia feei 6
K - apariia feei 3
1) Care perechi de evenimente sunt incompatibile?
2) Care evenimente implic alte evenimente?
3) Dai dou exemple de evenimente contrare.
4) Care sunt evenimentele elementare din cele de mai sus? De ce?
5) Care din evenimentele de mai sus sunt compuse? De ce?
6) Scriei evenimentele: R1: A sau C
R2: A i C
R3: A - C
R4: B sau D R5: B i D
R6: B-D
7) Mulimea de evenimente definite mai sus formeaz un cmp de evenimente?
8) Se pot forma sisteme complete de evenimente dintre cele de mai sus? Dac da, dai
exemple.
Probabiliti
1) Un student face parte dintr-o grup de 26 studeni care, la rndul ei, face parte dintr-un
an cu 76 studeni. Anul su face parte dintr-o facultate cu 601 studeni. Studentul se
ntlnete pe strad cu un coleg. Care este probabilitatea ca:
a) s fie un coleg de grup? b) s fie un coleg de an?
2) O urn conine 3 bile albe i 4 bile negre. Alt urn conine 4 bile albe i 5bile negre.
S se determine probabilitile urmtoarelor evenimente:
a) F1 - ambele bile extrase s fie albe. b) F2 - cel puin o bil extras s fie alb.
c) F3 - bila extras din prima urn s fie alb, iar cealalt s fie neagr.
3) Trei trgtori trag simultan asupra unei inte. Probabilitile pentru fiecare trgtor s
loveasc inta sunt, respectiv: p1 = 0.4, p2 =0.5, p3 = 0.7.
4) S se afle probabilitatea ca inta s fie lovit exact o dat.
5) O urn conine 3 bile albe i 4 bile negre. Se extrag succesiv dou bile (fr a pune bila
la loc). Fie evenimentele: A - prima bil extras este alb; B - a doua bil este alb.
Care este probabilitatea ca a doua bil s fie alb dac prima a fost alb?
6) Dou urne, U1 i U2, au urmtoarea compoziie: U1 - 3 bile albe i 4 bile negre; U2 - 4
bile albe i 5 bile negre. Dintr-o urn, aleas la ntmplare, se extrage o bil. Care este
probabilitatea ca bila extras s fie alb?
7) Fie 5 urne dintre care: dou au compoziia k1: 3 bile albe i 4 bile negre; una are
compoziia k2: 4 bile negre; dou au compoziia k3: 10 bile albe i 2 bile negre.
a) Care este probabilitatea ca, dintr-o urn luat la ntmplare, s se extrag o bil
alb?
b) tiind c s-a extras o bil care s-a nimerit s fie alb, care este probabilitatea ca bila
extras s fie dintr-o urn cu compoziia k3?
Variabile aleatoare
1) Se arunc dou zaruri i se noteaz cu S numrul de puncte care apar. S se formeze
tabloul de distribuie al variabilei S.
2) Se arunc dou zaruri. Se acord 12 puncte dac suma feelor care apar este 2 sau 12, 4
puncte dac suma feelor este 7 i 1punct n celelalte cazuri. S se scrie distribuia
numrului N de puncte acordat.
3) n condiiile problemelor precedente s se calculeze variabilele aleatoare S+1 i 2N.
1
p
2
7
3
p
4
.
6
5) Fie X :
5
Lanuri Markov
5.1 Procese stochastice. Lanuri Markov
5.2 Proprieti de baz ale lanurilor Markov
5.3 Lanuri Markov regulate
Obiectivele capitolului
nelegrea noiunii de proces stochastic.
Introducerea lanurilor Markov, o clas de procese stochastice.
Ilustrarea tipurilor de situaii din lumea real care pot fi modelate i manipulate folosind
lanuri Markov.
Discutarea proprietilor de baz ale lanurilor Markov.
Studierea unei clase speciale, lanurile Markov regulate.
Multe fenomene din lumea real (management, structuri sociale, economie etc.) pot fi
caracterizate ca avnd o evoluie n etape. Mai mult, trecerea de la o etap la alta comport
schimbri care nu pot fi stabilite determinist, ci au un caracter aleator. Astfel de fenomene sunt
modelate prin intermediul aa-numitelor procese stochastice.
O clas special de procese stochastice este reprezentat de lanurile Markov. Acestea sau dovedit utile pentru modelarea unui numr mare de situaii din realitate, de aceea li s-a acordat
o atenie special.
n acest capitol se face o introducere n domeniul proceselor stochastice, n special al
lanurilor Markov. O clas important care va fi avut n vedere sunt lanurile Markov regulate.
Se va face legtura direct cu tipuri de situai din lumea real care se preteaz a fi modelate n
acest fel.
Un exemplu este urmtorul: se dau trei urne, fiecare coninnd bile albe i bile negre n
cte o proporie. Se alege o urn la ntmplare i, din ea, se extrage o bil. Se cere probabilitatea
apariiei unei bile albe din urna 2. Se observ c experimentul are dou faze:
alegerea urnei (la ntmplare)
extragerea bilei (tot la ntmplare).
Definiia 5.1.1
Se numete proces stochastic un experiment aleator care const dintr-o suit de
subexperimente (tot aleatoare).
Deci, un proces stochastic este o mulime indexat de variabile aleatoare, {Xt}, unde t
parcurge o mulime T. Adesea, T este mulimea indicilor pozitivi T = N, iar Xt reprezint o
caracteristic, cantitativ sau calitativ, a sistemului fizic sau economic cercetat.
O modalitate grafic de a descrie un proces stochastic (atunci cnd numrul de cazuri nu
este prea mare) este prin intermediul unei diagrame ca cea care urmeaz: Fie, din nou exemplul
celor trei urne. Ele conin U1: 3a+4n, U2: 4a+5n, U3: 5a+6n (a - bile albe, b - bile negre). Se
poate trasa o diagram ca cea din figura 5.1.1
3/7
P(a U 1 ) =
P(n U 1 ) =
3 1 1
=
7 3 7
U1
4/7
1/3
4/9
1/3
start
1 4 4
=
3 7 21
1 4 4
P(a U 2 ) = =
3 9 27
U2
5/9
1/3
5/11
1 5 5
=
3 9 27
1 5
5
P(a U 3 ) = =
3 11 33
P(n U 2 ) =
U3
6/11
P(n U 3 ) =
1 6
2
=
3 11 11
Fig. 5.1.1
a). Probabilitatea de rezulta o bil alb care a fost extras din urna U2 este
1 4 4
=
.
3 9 27
1 4
5
+
+
.
7 27 33
Fie acum o succesiune de experimente, fiecare avnd aceleai rezultate posibile. Prin
urmare, se va considera c t este un moment de timp care ia valorile 1, 2, 3, (aceasta d
secvena de experimente). Pentru fiecare moment, rezultatele posibile vor fi notate 1, 2, , m (le
considerm n numr finit). Cele m rezultate posibile vor fi numite strile n care se poate afla
sistemul la un moment dat. Unitatea de msur pentru momentele de timp succesive t depinde de
sistemul economic/fizic studiat.
Un tip de astfel de secvene este acela n care probabilitile rezultatelor la un moment dat
sunt independente de rezultatele experimentelor precedente (de exemplu: aruncarea repetat a
unui zar, sau extrageri ale bilei din urn cu revenire).
Un alt tip de secven este acela n care probabilitile rezultatelor la un moment dat
depind de rezultatele din experienele anterioare (ca, de exemplu extragerile succesive din urn
fr repunerea bilei la loc). n cazul acestui din urm tip de experiment se pot distinge dou
subcazuri extreme:
- o extrem e reprezentat de faptul c probabilitile rezultatelor la un moment dat
depind de rezultatele tuturor experimentelor precedente din secven;
- cealalt extrem a nivelului de dependen este atunci cnd probabilitile rezultatelor la
un moment dat depind doar de rezultatele experimentului precedent. n aceast situaie secvena
de experimente se numete proces (lan) Markov.
Definiia 5.1.2
Un proces Markov sau lan Markov este o succesiune de experimente n care fiecare
experiment are m rezultate posibile E1, E2, Em, iar probabilitatea fiecrui rezultat
depinde doar de rezultatul experimentului precedent.
(5.1.1)
pentru t =1, 2, i pentru orice succesiune k1, k2, kt-1, i, j de stri din mulimea celor m
stri posibile ale sistemului.
Not:
Exist o larg varietate de fenomene care sugereaz o comportare n maniera unui proces
Markov.
Exemple
starea
precedent
(rezultatul
curent)
1 p11
2 p 21
L
i p i1
L
m p m1
p12
p1 j
p 22
L p2 j
pi 2
p ij
pm2 L
p mj
p1m
p 2m
=P
p im
L
p mm
(5.1.2)
(5.1.3)
se mai numete
Dup cum se observ din (5.1.2) c matricea de tranziie ntr-un pas a fost notat cu P. La
un moment dat sistemul modelat este ntr-una din cele m stri posibile (curente). O stare
corespunde uneia din rezultatele posibile ale experimentului. La sfritul efecturii
experimentului se obine un nou rezultat care reprezint o nou stare n care a trecut sistemul.
Matricea de tranziie este format din elementele pij care reprezint probabilitatea
condiionat ca sistemul s treac din starea curent i n starea urmtoare j. Deci pij este
probabilitatea s apar rezultatul Ej n pasul urmtor dac s-a produs rezultatul Ei n pasul
precedent. Se observ c pij nu depinde de momentul t, ci doar de strile i i j. Deci pij(t) = pij,
oricare ar fi t i de aceea pij se numesc probabiliti de trecere staionare. Ele sunt caracteristice
lanurilor Markov.
Din cele de mai sus se poate formula urmtoarea definiie a lanului Markov, echivalent
cu definiia 5.1.2.
Definiia 5.1.5
Un proces stochastic {Xt}, t = 1, 2, se numete proces Marcov (lan Markov) dac
ndeplinete urmtoarele condiii:
are un numr finit de stri I = {1, 2, , m},
are proprietatea lui Markov,
are probabilitile de trecere ntr-un pas staionare,
are o mulime de probabiliti iniiale pentru orice stare i I
Observaii
1. Pij cu i = j reprezint probabilitatea ca sistemul s rmn n aceeai stare dup
efectuarea experimentului, iar Pij cu i j reprezint probabilitatea ca sistemul s
treac dintr-o stare n alta.
2. Matricea de tranziie este o matrice ptratic de ordin m.
Proprieti
p
j =1
ij
= 1, i = 1,2 ,..., m (suma pe linie trebuie s dea 1 pentru c E1, E2, Em este un
Marca
preferat n
sptmna 6
Total
1
2
3
Total
3
4
6
42
52
80
120
50
250
12 102
6
P=
= 0.10 0.85 0.05 .
120 120 120
2
6
42 0.04 0.12 0.84
50 50 50
Aceast matrice este considerat a fi o bun estimare a matricei de tranziie "adevrate"
deoarece se bazeaz pe evaluarea comportamentului a 250 de consumatori pe o perioad de dou
sptmni.
Examinnd matricea P se constat c:
- elementele unei linii reflect n ce msur este de ateptat ca o marc s i rein clienii
sau s-i piard n favoarea alteia.
elementele de pe o coloan sumarizeaz n ce msur e de ateptat ca o marc si pstreze consumatorii sau s mai atrag i alii de la alte mrci.
Deci, p11, p22, p33 sunt msuri ale "puterii de pstrare" a fiecrei mrci. n rest pij (ij)
reflect "puterea de atracie" a mrcii Mj n condiiile n care marca din sptmna precedent a
fost Mi.
Procesul Markov din exemplul precedent poate fi descris printr-o diagram (tip arbore)
asemntoare cu cea de la nceputul capitolului i care este ilustrat n figura 5.1.2.
Dac ne ntrebm care este probabilitatea ca peste dou sptmni s se cumpere iar marca
M1, rezult: 0.9 0.9 + 0.05 0.10 + 0.05 0.04 = 0.817 .
Bineneles, aceast diagram este greu de trasat pentru a vedea predicii pe mai multe
sptmni. Pentru a putea face o reprezentare convenabil, abstractizm problema i o
considerm un sistem care are trei stri posibile, M1, M2, M3. Sistemul trece dintr-o stare n alta
cu diferite probabiliti. Rezult o reprezentare ca cea din figura 5.1.3: un aa-numit graf orientat
care are vrfurile M1, M2, M3, unite prin arce orientate. Acest graf se numete diagram de
tranziie.
M1
0.90
0.05
M1
M2
0.05
M3
0.90
M1
0.10
M1
0.05
0.85
M2
M2
0.05
M3
0.05
M1
0.04
0.12
M3
M2
0.84
M3
Fig. 5.1.2
0.05
M2
0.12
M1
0.90
0.10
0.85
0.05
0.05
0.04
M3
0.85
Fig. 5.1.3
Pi1
Pi2
Pim
P1j
P2j
.
.
.
Pmj
m
Fig. 5.2.1
adic pij(2) este elementul (i,j) din PP. Deci se poate spune c P(2) = PP = P2. Se poate face
imediat urmtoarea generalizarea din teorema 5.2.1:
Teorema 5.2.1
Fie P matricea de tranziie ntr-un pas a unui lan Markov.
Atunci, matricea P(k) de tranziie n k pai este
P(k ) = P P K P = P k
14243
(5.2.1)
k ori
Relaia din teorema 5.2.1 exprim o proprietate de baz a lanurilor Markov prin care
acestea se deosebesc de alte procese stochastice.
Conform proprietii 2 a matricei de tranziie P, suma probabilitilor de pe fiecare linie a
acesteia trebuie s dea 1. Aceast proprietate rmne valabil i n cazul matricei de tranziie n k
pai P(k) = Pk.
Aa cum s-a definit n capitolul 1, un n-uplu ordonat (x1, x2, , xn) se numete vector ndimensional. Un vector mai poate fi reprezentat ca o matrice linie (vector linie) sau ca o matrice
coloan (vector coloan).
Definiia 5.2.1
Un vector linie (q1, q2, , qn) care are proprietile
a ) 0 qi 1
n
b)
q
i =1
=1
(5.2.2)
(5.2.3)
Procesul Markov luat ca exemplu n seciunea precedent are trei stri. n aceast situaie
vectorul de stare [0.6 0.1 0.3] trebuie interpretat astfel: n sptmna curent clienii aleg marfa
M1 cu probabilitatea 0,6, marca M2 cu probabilitatea 0.1 i M3 cu 0.3.
Atunci cnd se tie cu siguran c sistemul este ntr-o anumit stare, vectorul de stare are
o form particular. Astfel, dac se tie sigur c sistemul este n starea a i-a, vectorul de stare va
avea a i-a component egal cu 1, iar restul 0. X = [0 0 0 i 0] .
Comportamentul unui lan Markov poate fi descris printr-o secven de vectori de stare.
Starea iniial a sistemului poate fi descris printr-un vector de stare notat X0 . Dup o tranziie
sistemul poate fi descris printr-un vector X1, iar dup k tranziii, prin vectorul de stare Xk. Relaia
dintre aceti vectori poate fi sumarizat prin urmtoarea teorem:
Teorema 5.3.1
Fie un proces Markov cu matricea de tranziie P. Dac Xk i Xk+1 sunt vectori de stare care
descriu un procesul dup k i k+1 tranziii, respectiv, atunci
X k +1 = X k P
(5.3.1)
n particular,
X1 = X 0 P
X 2 = X1 P = X 0 P P = X 0 P2
M
X k = X 0 P k = X 0 P(k )
(5.3.2)
Deci, vectorul de stare Xk care descrie sistemul dup k tranziii e produsul ntre vectorul
strii iniiale X0 i matricea Pk.
Observaie. X0, X1, X2, Xk, sunt toi vectori linie 1 m.
Exemplul 5.3.1
Dac vectorul strii iniiale este X0 = [0,7 0 0,3], s se determine vectorul de stare dup o
tranziie.
Rezolvare: Conform teoremei 5.3.1. avem
0 ,5 0 ,4 0 ,1
X 1 = X 0 P = [0 ,7 0 0 ,3] 0 ,1 0 ,6 0 ,3 = [0 ,44 0 ,46 0 ,10]
0 ,3 0 ,6 0 ,1
Exemplul 5.3.2
0 ,2 08
Dac sistemul i ncepe evoluia din starea a doua, s se determine vectorul de stare dup dou
tranziii.
Rezolvare: X0 = [0 1] (pentru c sistemul este sigur n starea a doua). Atunci avem;
0,4 0 ,6 0,4 0,6
X 2 = X 0 P 2 = [0 1]
= [0,24 0,76]
0,2 0,8 0,2 0,8
Revenind la scopul iniial al acestei seciuni, exist mai multe moduri de a clasifica
lanurile Markov. Ne vom referi la clasificarea care mparte lanurile Markov pe baza
comportamentului lor pe termen lung, deci dup starea pe care o ating dup un numr mare de
tranziii. Comportarea pe termen lung a unui proces stochastic poate fi inportant n multe
aplicaii.
Aplicnd teorema 5.3.1. se poate calcula vectorul de stare Xk pentru orice k, pornind de la
o stare X0 iniial i aplicnd relaia 5.3.2.
Problema este c, pentru un numr k mare calcularea lui Pk devine foarte laborioas. Mai
mult, dac am calculat Xk pentru un k oarecare, nu putem spune mare lucru despre Xk+1 sau Xk+2
pn cnd nu le calculm i pe acestea.
De aceea, dac intereseaz studierea unui proces stochastic dup un numr mare de
tranziii, atunci este util studierea comportrii generale a acestuia pe termen lung. Pentru
anumite tipuri de lanuri Markov acest lucru este posibil.
n general pentru un lan Markov cu m stri, posibilitatea ca sistemul s se afle n starea j
dup k tranziii depinde de starea din care s-a pornit. Astfel, p1j(k) este probabilitatea ca sistemul
s fie n starea j dup k tranziii dac iniial se afl n starea 1. Semnificaii similare avem pentru
p2j(k), , pmj(k). Nu exist nici un motiv ca aceste probabiliti s fie (sau s ne ateptm s
devin) egale. Dar, pentru anumite lanuri Markov exist o probabilitate strict pozitiv qj asociat
cu starea j astfel nct dup k tranziii probabilitile pij(k) devin, toate, foarte apropiate de qj.Cu
alte cuvinte, sperana ca sistemul s ajung n starea j dup k tranziii (unde k este suficient de
mare) este cam aceeai, indiferent de starea din care se pleac.
Lanurile Markov care au o astfel de comportare pe termen lung formeaz o clas aparte
care este definit dup cum urmeaz.
Definiia 5.3.2
Un lan Markov cu matricea de tranziie P se numete regulat dac exist un ntreg k
pozitiv astfel nct Pk s aib toate elementele strict pozitive.
1
P = 2
1
1
2 .
0
1 1
2 2
0 1
3
1
4
2 = 1
0
2
Rezolvare. Avem:
1
2
P = 2
1
1
4 .
1
S-a gsit deci k = 2 pentru care Pk are toate elementele strict pozitive. nseamn ca lanul Markov
din enun este regulat.
b) Aceeai problem, pentru lanul Markov avnd:
0 1
P=
.
1 0
Rezolvare. Avem:
0
P2 =
1
0
P3 =
1
0
P4 =
1
1 0
0 1
1 1
0 0
1 0
0 1
1 1
=
0 0
0 0
=
1 1
1 1
=
0 0
0
=
1
1
0
0
=
1
Deci
0
P = P 3 = K = P 2 k +1 =
1
1
P 2 = P 4 = K = P 2k =
0
1
0
0
1
Rezult c, pentru oricare k, att P2k+1 ct i P2k conin elementul 0; nseamn c lanul
Markov nu este regulat.
Definiia conceptului de lan Markov regulat are importan din perspectiva urmtoarei
consecine, care a fost demonstrat. Ea se refer la comportarea lanului cnd numrul de tranziii
k tinde la infinit. ( k ).
Teorema 5.3.2
Fie un proces Markov regulat cu matricea de tranziie P i fie P(k) = Pk matricea sa de
tranziie n k pai.
Atunci cnd k tinde la infinit, irul de matrice Pk tinde ctre o matrice stochastic A care
are toate liniile identice.
W w1 w2
W w w
2
A= = 1
M L L
W w1 w 2
L wm
L wm
L L
L wm
(5.3.2)
Definiia 5.3.3
Vectorul stochastic W = [ w1 w2 wm] introdus prin teorema 5.3.2. se numete vector
stabil, iar coordonatele sale wi, i = 1,2, , m se numesc probabilitile stabile ale lanului
Markov regulat.
Exemplul 5.3.4
WP = W
(5.3.3)
W( P - I) = O
(5.3.4)
Rezolvarea acestei ecuaiei matriceale (5.3.4) duce la rezolvarea unui sistem de ecuaii
avnd necunoscutele w1, w2, wm. Soluia sistemului formeaz vectorul stabil W.
Exemplul 5.3.5
S se determine vectorului W al probabilitii stabile pentru lanul Markov regulat care are
matricea de tranziie:
1
P = 4
2
3
4
1
Avem:
WP = W W (P I ) = O [w1
[w1
14
w2 ]
2
3
1 0
= O
1
3
0 1
2
3
4 w1 + 3 w2 = 0
3 4 3 4
w2 ]
3
2
23 23
w1 w2 = 0
3
4
w1 + w2 = 1
2
3
w1 + w2 = 0
3
4
2
3
4 w1 3 w2 = 0
Se rezolv sistemul (de exemplu, prin metoda eliminrii complete) i se obine
w1 = 17
w = 9
2 17
8
Concluzie: vectorul stabil al procesului Markov regulat dat este W =
17
9
.
17
Exerciii
1) Profiturile unei companii de asigurri sunt determinate de volumul de asigurri
vndute. Acest volum variaz de la o sptmn la alta. n fiecare sptmn vnzrile pot fi
caracterizate ca mari (M) sau sczute (S). S-au determinat urmtoarele probabiliti:
- dac volumul de vnzri este mare (M) n sptmna curent, atunci va fi tot mare i
sptmna viitoare, cu probabilitatea 0.8 i va fi mic cu probabilitatea 0.2;
- dac volumul de vnzri este sczut (S) n sptmna curent, atunci va fi mare
sptmna viitoare, cu probabilitatea 0.4 i va fi mic cu probabilitatea 0.6.
a) S se scrie matricea de tranziie, diagrama tip arbore i diagrama de tranziie.
b) S se calculeze probabilitatea ca volumul vnzrilor peste dou sptmni s fie mare
dac n sptmna curent este mare.
0.3 0.7
. S se traseze diagrama de
.
0.9 01
Dac sistemul pleac din starea 2, care este probabilitatea ca n urmtoarele 4 observaii
s ocupe succesiv strile 3,1,2,1 (n aceast ordine)?
4) Un lan Marcov are urmtoarea diagram de tranziie:
2
3/4
1
1/4
1/2
3
1/2
1
1
1
2
2
4
1
2 .
1
4
a) Pentru ce stare i este pi3 cea mai mare i pentru care, cea mai mic?
b) Pentru ce stare i este pi3(2) cea mai mare i pentru care, cea mai mic?
c) Pentru ce stare i este pi3(3) cea mai mare i pentru care, cea mai mic?
1
3
. S se determine vectorul
2
1
1
3
4
4
0
1
1
1
2
4
2
0
1
2
1
2
Bibliografie
1. Budnick F.S., 1985 Finite Mathematics With Applications. McGraw-Hill, NY.
2. Dodescu Gh., - Metode de calcul numeric. Editura Didactic i pedagogic, Bucureti
3. Drgan I.., 1973 Tehnici de baz n programarea liniar. Editura Universitii Al. I.
Cuza Iai.
4. Leonte A., Vraciu G., 1975 Elemente de calcul matriceal cu aplicaii. Editura Tehnic,
Bucureti.
5. Maki D.P., Thompson M., 1983 Finite Mathematics. McGraw-Hill, NY.
6. Mihu C., 1977 Metode numerice n algebra liniar. Editura tehnic, Bucureti
7. Mihu C., 1985 Sisteme de ecuaii liniare i forme ptratice. Editura tehnic, Bucureti
8. Zidroiu C., 1983 Programare liniar. Editura tehnic, Bucureti