UNIVERSITATEA ROMÂNO AMERICANĂ BUCUREŞTI

Radu Despa
Cătălina Visan
t Carmen Pricină
Cristina Coculescu Maria Burac Ovidiu Solomon
 RADU DESPA
CĂTĂLINA VIŞAN CARMEN PRICINĂ
CRISTINA COCULESCU MARIA BURAC OVIDIU SOLOMON

MATEMATICI APLICATE
ÎN
ECONOMIE

EU
E d itu ra UNIVERSITARA
Bucureşti, 2006
 CUPRINS
CAPITOLUL I: MODELARE ŞI OPTIMIZARE LINIARĂ....................... 5
§ 1. Elemente de algebră liniară................................................................... 7
1. Spaţii liniare................................................................................ .......... 7
2. Spaţiul liniar R n .................................................................................... 7
3. Sisteme de vectori în R n . Dependenţa şi independenţa liniară.
Bază în R n ........................................................................................... 9
4. Stabilirea naturii unui sistem finit de vectori în R n .............................. 14
5. Metoda eliminării complete (Gauss-Jordan) de rezolvare a unui
sistem de ecuaţii liniare......................................................................... \η
6. Mulţimi convexe în R n ........................................................................ 25
Probleme............................................................................................... 26

§ 2. Elemente de programare liniară.......................................................... 32

1. Problema programării liniare. Modelul matematic al problemei de
programare liniară................................................................................ 32
2. Diverse forme ale modelului matematic al problemei de programare
liniară................................................................................................... 36
3. Soluţii ale problemei de programare liniară şi proprietăţile lo r........... 41
4. Rezolvarea unor probleme de programare liniară prin metode
elementare............................................................................................ 43
5. Algoritmul simplex. Bazele teoretice ale algoritmului simplex........... 50
6. Metoda bazei artificiale......................................................................... 65
7. Cazul când sistemul de restricţii conţine inegalităţi de acelaşi sens..... 72
Dualitate în programarea liniară............................................................ g 1
§ 3. Program area transporturilor.................................................................... 91
1. Enunţul problemei de transport. Modelul matematic........................... 91
2. Metode de determinare a soluţiilor iniţiale de bază într-o
problemă de transport........................................ .................................. 94
3. Determinarea soluţiei optime a problemei de transport prin metoda
potenţialelor (Danzig).......................................................................... 97
4. Problema de transport neechilibrată......................................................101
5. Degenerarea în problema de transport.................... ..............................103
Probleme...............................................................................................106

C A PIT O L U L II : E L E M E N T E DE ANALIZĂ M A T E M A T IC Ă ..... 147

§ 1. Funcţii de două şi mai multe variabile reale................. ......................... 147
1. Mulţimi şi puncte în R"......................................................................... I47
2. Limita şi continuitatea funcţiilor de două variabile............. ................. 149

419
 3. Derivate parţiale.....................................................................................152
4. Diferenţiala funcţiei de două variabile...................................................153
5. Funcţii de n variabile..............................................................................156
6. Extremele funcţiilor de două variabile........................................ ..........158
7. Extremele funcţiilor de n variabile........................................................ 161
8. Extreme condiţionate............................................................................. 163
Probleme................................................................................................ 165

C A PITO LU L ΙΠ : M O D ELE LIN IA RE ŞI N EL IN IA R E DE

AJUSTARE A DATELOR EXPERIMENTALE....................................... 174
§ 1. Ajustarea datelor experimentale prin metoda celor mai mici pătrate .... 174
1. Modelul liniar..........................................................................................176
2. Modelul parabolic................................... ............................................... 179
Probleme................ ................................................................................184

C A PIT O L U L IV : E L E M E N T E DE TE O R IA
P R O B A B IL IT Ă Ţ IL O R ............................................. 189
§1. Câmp de evenimente, câmp de probabilitate..............................................189
1. Concepte de bază.................................................................................... 189
2. Relaţii şi operaţii cu evenimente............................................................ 191
3. Definiţia statistică a probabilităţii.......................................................... 197
4. Definiţia axiomatică şi clasică a probabilităţii....................................... 199
5. Probabilităţi geometrice......................................................................... 203
6. Proprietăţi ale probabilităţii.................................................................... 206
7. Probabilitatea condiţionată. Regula de înmulţire şi regula de
adunare a probabilităţilor.......................................................................209
8. Scheme probabilistice clasice................................................................. 214
§ 2. Variabile aleatoare...................................................................................... 221
1. Variabile aleatoare unidimensionale discrete şi continue..................... 221
2. Operaţii cu variabile aleatoare. Independenţa..... ...................................223
3. Caracteristici numerice ale variabilelor aleatoare................................. 236
4. Momente iniţiale şi momente centrate.................................................. 238
5. Repartiţii clasice discrete şi continue..................................................... 247
Repartiţia hipergeometrică............................................................... 247
Repartiţia Poisson............................................................................ 249
Repartiţia binominală....................................................................... 252
Repartiţia geometrică....................................................................... 254
Repartiţia uniformă.......................................................................... 257
Repartiţia Gama.............................................................................. . 261
420
 Repartiţia exponenţial negativă...................................................... 262
Renartitia normală 263
Probleme.............................................................................................. 269

C A PIT O L U L V: EL EM EN TE DE STATISTICĂ M A T E M A T IC Ă . 309

§ 1. Obiectul statisticii matematice. Noţiunea matematică de selecţie.

Funcţia de repartiţie a selecţiei. Momente de selecţie........... ............... 309
1. Obiectul statisticii matematice.............................................................. 309
2. Repartiţia selecţiei. Funcţia de repartiţie a selecţiei.............................. 312
3. Momente de selecţie.............................................................................. 31g
§ 2. Selecţii dintr-o populaţie norm ală....................................................... 321
1. Introducere............................................................................................ 321
2. Repartiţia mediei de selecţie, pentru selecţii dintr-o populaţie
normală................................................................................................. 321
3. Repartiţia dispersiei de selecţie pentru selecţii dintr-o populaţie
normală................................................................................................. 325
§ 3. Elemente de teoria estimaţiei................................................................ 330
1. Noţiuni introductive.............................................................................. . 330
2. Estimaţii punctuale ale parametrilor...................................................... 332
3. Estimaţii deplasate şi nedeplasate......................................................... . 333
4. Estimaţii consistente............................................................................... 339
5. Estimaţii eficiente.................................................................................. . 341
6. Metode de determinare a estimaţiilor pentru parametrii repartiţiilor
statistice................................................................................................. 344
7. Intervalele de estimaţie.......................................................................... 353
8. Funcţia de repartiţie a selecţiei, momente de selecţie............................ 363
Probleme................................................................................................ 365

CA PIT O L U L VI: E L E M E N T E DE M A TEM A TIC I

FIN A N C IA R E ŞI A C T U A R IA L E ........................................................371
§1. Operaţii financiare certe.......................................... ..............................371
1. Dobânda simplă..................................................................................... 371
2. Dobânda compusă................................................................................. 373
3. Plăţi eşalonate (anuităţi)........................................................................ 382
3.1. Anuităţi constante postcipate........................................................ 383
3.2. Anuităţi constante anticipate......................................................... 387
3.3. Plăţi eşalonate fracţionate............................................. ................390
4. împrumuturi.......................................................................................... 393
Probleme............................................................................................. 401
421
CAPITOLUL VH: OPTIMIZAREA GESTIUNII STOCURILOR... 409
Modele deterministe şi modele aleatoare................................................... 409
§ 1. Modele deterministe...............................................................................409
Modelul 1. Gestiune (stoc) cu perioada fixă, cerere constantă şi fără
posibilitatea lipsei de stoc.....................................................................409
Modelul 2. Gestiune (stoc) cu perioadă fixă, cerere constantă şi cu
posibilitatea lipsei de stoc.................................................................... 412
Probleme..................... ..........................................................................415
Bibliografie.......................................................................................................417

422
 P R E F Ă Tt Ă

Este bine cunoscut faptul că etapa actuală de dezvoltare se

caracterizează printr-o complexitate şi diversitate a fenom enelor economice
implicând abordarea lor pe bază ştiinţifică.
Această abordare nu mai este posibilă fă ră a recurge la folosirea
unui aparat matematic auxiliar adecvat. Luarea unei decizii economice
presupune antrenarea unor resurse materiale şi umane importante neputând
f i eficientă şi realistă decât dacă se bazează p e un instrument matematic
adecvat şi p e o analiză temeinică a fenom enului supus modelării.
O modelare economică riguroasă exclude cu desăvârşire o aborda
empirică, aduce un plus de informaţie şi conferă cercetării un grad sporit
de încredere.
Prezentul curs cuprinde materia predată la disciplina „Matematici
aplicate în econom ie” în anul I al facultăţilor economice din cadrul
Universităţii Româno-Americane: Management-Marketing, Relaţii
Comerciale şi Financiar Bancare Interne şi Internaţionale, Economia
Turismului Intern şi Internaţional, Studii ale Integrării Economice Europene.
Noţiunile prezentate în manual înarmează studentul economist cu
instrumentul matematic necesar abordării problematicii ce ajută la
modelarea fenom enelor economice cu caracter determinist sau aleator.
M anualul urmăreşte îndeaproape programa analitică şi vine în
sprijinul studenţilor cu un mare număr de probleme atât rezolvate cât şi
propuse pentru rezolvare. De asemenea, precizăm că această carte se
adresează tuturor studenţilor economişti, precum şi tuturor specialiştilor
din diverse sectoare ale economiei şi constituie un auxiliar preţios în
activitatea şi practica lor economică.
Autorii

5
 CAPITOLUL I

MODELARE ŞI OPTIMIZARE LINIARĂ

§ 1. Elemente de algebră liniară

1. Spaţii liniare.
Fie Jt o mulţime nevidă şi Di un corp. Pe Jt se defineşte o lege de compoziţie
internă notată aditiv:
+ : c iXJt (a, b)\ -4 a + b
şi o lege de compoziţie externă notată multiplicativ :
• : D ix J t-^ J t ( a ,a ) \ - ^ a a , a& D i
Definiţie'. Mulţimea Jt este un spaţiu liniar sau vectorial peste corpul Di dacă
sunt satisfăcute condiţiile (axiomele spaţiului liniar):
1° (a + b) + c = a + (b + c), (\/)a ,b ,c,E j t
2° Oe astfel încât a + 0 = 0 + a — a (V )a G Jt
3° - a e astfel încăt a + ( - a ) = ( - a ) + a = 0 (V )a G
4° a + b = b + a , (V )a,èG Jt
5° l - a = a, (V )a G Jt
6° a (ß a ) = (a ß )a , ( V ) a ,ß eDi, (V )a g J
7° a (a + b) = oca + ab, (V )aG JTşi (V )aG of
8° ( a + ß )a - a a + ßa, (V )a ,ß G K s i (V)a<=£
Vom nota spaţiul liniar cu dubletul Di )
Observaţii:
a) Condiţiile 1° - 8° se mai numesc axiomele spaţiului liniar J? ;
b) Am notat cu 1 elementul unitate al corpului Di ;
c) Dacă avem Di - <R,{ se numeşte spaţiu liniar real
Dacă Di=£, (=£ C) se numeşte spaţiu liniar complex
Elementele a, b, c,...e Di se numesc vectori iar elementele α, ß ,...e Di se numesc
scalari.

2. Spaţiul liniar R n . Fie n > 1 un număr natural şi fie R" mulţimea tuturor
sistemelor ordonate de n numere reale de forma
a = ( a l, a 2,...a,!), a,. G R notată
n ori

R n - R x R x . . . R = {a = {a x, a 2,...an) ! g R , i - 1,2,...«}
Dacă a e R şi a , b e R n, a = ( α „ α 2,···«„); b = ( ß l , ß 2,...ß n)
atunci definim două operaţii: una internă
def
a +b - + ß x, a 2 + ß 2,...dn + ß n) şi alta externă
def
oca = ( a a {, a a 2,...aan)

în R n remarcăm prezenţa elementelor:

0 = (0,0,...0) elementul neutru (vectorul nul în R n ) şi
- a = (-a , , - a 2 ,...,-CCn) numit opusul lui a
Se arată că cele două operaţii satisfac cele opt condiţii (proprietăţi) care definesc
staţiul liniar precum şi proprietăţile 1° - 3°. Rezultă că R n este un spaţiu liniar.
Elementele lui R n astfel definit se numesc vectori linie
n- dimensionali, elementele lui R se numesc de asemenea scalari iar R n se
numeşte spaţiul real de dimensiune finită n, sau spaţiul vectorilor ^-dimensionali
peste corpul de scalari R. Dacă a e R n, a = ( a , ,a 2,...a„) atunci oţ se numeşte
componentă sau coordonată de rang i a lui a { ! < / < « )
Orice vector aE R" (de dimensiunea n) are n componente.
în R n se defineşte egalitatea a două elemente şi anume dacă
a = ( a \,a 2,...,ccn) ş i b = ( ß l, ß 2,...,ß„) atunci
a = b<^>ai - ß t (V)t = 1,2,...«
Deseori este avantajos să considerăm vectorii din R n sub formă de vectori coloană

a ‘ = ( a v a 2,...a ny = a / e R i - 1,2,...«

aK
în acest caz R n se va numi spaţiul vectorilor coloană « 'dimensionali.
Exemple·. Fie în R 3 vectorii liniari a = ( 2,-1,0^ ; b = (1,2,·-3) şi scalarul a =
2. Avem:
a + b = (2 - 1 ,0 ) + (1,2,-3) = (2 + 1,-1 + 2,0 + (-3 )) = (3,1,-3)
2a = 2(2 - 1,0) = (2 · 2 ,2( - l ),2 · 0) = (4 - 2 ,0 )
a ~ b —— o. + (-1 )b = (2 -1 ,0 ) + -1 (1 ,2 -3 ) = (2 -1 ,0 ) + ( - 1 - 2 ,3 )
= (1 -3 -3 )

3. Sisteme de vectori în R n. Dependenţa şi independenţa liniară. Bază în R n.

Definiţie·. Mulţimea {aj.flj»— de vectori cu a,· € R n 1 < i < m , m fixat se
numeşte sistem finit de m vectori din spaţiul R n şi-l notăm cu S.
Definiţie: Orice submulţime nevidă S ' a lui S (S ' C S ) se numeşte subsistem al
lui S.
Definiţie·. Orice sistem de vectori S ” care conţine ca subsistem pe S,
( S ' O S ) se numeşte suprasistem al sistemului S.
Definţie: Fie au a2,...an E R n şi aE R n . Dacă
m
a = A,flj + λ 2α2 + ... + cu 6 R, 1 < i < m spunem că a se
;=i
exprimă ca o combinaţie liniară a vectorilor al,a 2,-..am
Definiţie·. Un sistem finit de vectori {o\,a2,...am} din R n se numeşte liniar
dependent dacă există scalarii λ χ, λ 2 E R nu toţi nuli astfel încât
Ajûj + λ 2α2 + ... + Àmam = 0 .
Definiţie·. Sistemul finit de vectori { a,,a2,...am} din R nse numeşte liniar
independent dacă şi numai dacă relaţia
A,α, + λ 2α2 + ... + λ η αιη = 0 implică A, = λ 2 = ... = Am = 0 , unica soluţie.
Exemple:
1°. Vectorii ßj = (1,2,-1) ; α2 = (2 ,-l,l) ; α3 = (- 1 ,3 ,-2 ) sunt liniar
dependenţi deoarece există scalarii nenuli A] =1,A 2 = —1, A3 = - 1 astfel încât
Ajûj "f*λ 2@2 “I- A^flj 0 adica cix û2 ^ —0 .
2°. Vectorii α, = (2,1,1) ; α2 = (1-1,0) ; α3 = (3,0,2) sunt liniari
independenţi deoarece relaţia Α,α, + λ 2α2 4- Α3α3 = 0 nu are loc decât dacă
Aj = A2 = A3 := 0 ;
într-adevăr: Aj (2,1,1) + A2(1,-1,0) + A3(3,0,2) = 0 = (0,0,0) care conduce la
sistemul omogen în necunoscutele A,, A2, A3 :

9
 2Âj + A2 + 3A3 = Ο

• Aj - A2 =0

Aj + 2A3 = 0
a cărui soluţie este soluţia nulă A, = A2 = A3 = 0 .

în definiţia dată lui Rn am afirmat că acesta este spaţiul real de dimensiune η.

Vom lega acum noţiunea de dimensiune a spaţiului R n cu noţiunile de
independenţă liniară a vectorilor prin următoarea propoziţie pe care o dăm fară
demonstraţie.
Propoziţie: în R n numărul maxim de vectori liniar independenţi este egal cu n
adică cu dimensiunea spaţiului.
Prin urmare în R n nu pot exista sisteme de vectori liniar independenţi care să
conţină un număr de vectori mai mare ca n-dimensiunea spaţiului, (orice sistem de
n +p vectori p > 1, p € N în R n este liniar dependent).
Bază în R n .
Definiţie·. Orice sistem de n vectori \a x,a 2,...an] liniar independenţi din R n
se numeşte bază a spaţiului R n .
Rezultă că orice bază a spaţiului R n conţine exact n vectori.(numărul maxim de
vectori liniar independenţi în R n = numărul vectorilor oricărei baze = dimensiunea
spaţiului R n = n). Notăm cu B —{α,, a2,...a„ }. o bază din R n
Exemple·.
Fie în R n sistemul de vectori {e],e 2,···£„}
e x - (l,0,...0),e2 - (0,1,.···0)>···β„ = (0,0,...1) Să arătăm că acest sistem
formează o bază în R n . Va trebui să demonstrăm independenţa sistemului. într-
adevăr, din
Ajg, + A2e 2 + ... + Ănen = 0 rezultă
Α,α,Ο,.,.Ο) + A2(0,1,...0) + ...A„(0,0,...l) = (0,0,...0)
(Aj ,Ο,.,.Ο) + (0, A2,...0) + ... + (0,0,...A J = (0,0,...0)
adică Aj = A2 = ... = A„ = 0 . Deci sistemul este liniar independent şi formează o
bază în R " . Vectorii e],e 2,...en se numesc vectori unitari ai spaţiului R n, iar
baza B = {e[,e 2,...en} se numeşte baza unitară a spaţiului R" . Matricea formată
cu componentele vectorilor unitari este matricea unitate de ordinul n:

10
 (\ ο ... ολ
Ο 1 ... ο
η
Ο Ο ... 1
\ /
Teorema bazei Fiind dată o bază în spaţiul R n, orice vector a E R n se poate
exprima în mod unic ca o combinaţie liniară a vectorilor bazei.
Demonstraţie: Fie o bază B - {α],α2,...α„} a spaţiului R n şi un vector
a E R n . Vectorii a ,a x,a 2,...an sunt evident liniar dependenţi, deci putem scrie:
ka + k ]al + k 2a2 + ··· + k nan ~ 0 unde nu toţi k t sunt nuli. Numărul k este
diferit de zero, deoarece în caz contrar din relaţia precedentă ar rezulta că
a ,, a2,...an sunt liniar dependenţi (absurd, formează bază)
Deducem prin urmare:
k1 k2 ^ ^ λ
a = —— a, — —a2 —...— —an = Α,α, + A2a2 + ... + Λ an adică orice vector
k k k
a E R n se exprimă ca o combinaţie liniară a vectorilor bazei. Să demonstrăm
unicitatea. Presupunem că ar exista două exprimări lui a în baza ß ,, a2,...a„. Fie :
a = λ χαχ + λ 2α2 + ... + λ ηαη
a = λ (a, + λ'2α2 + ... + λ'ηαη ^ ^
Scăzându-le obţinem:
(Aj - A,'’)«, + (A3 —λ 2)α2 + ... + (A„ - λ'η)αη = 0 dar din cauza independenţei
vectorilor a {,a 2,...an rezultă Af —λ · = 0,1 < i < n deci λ ί - λ \ \ < i < n şi
exprimarea (*) a lui a este unică.
Dacă a E B fie a = α;·, i — 1, n Atunci B fiind bază, a se poate scrie:
a = A|û] + A2#2 ··· ^ Α,-öj + ... + λ ηαη

Am văzut deci că într-o bază dată B = {al,a 2,...an}(Z R n orice vector

a E R n se exprimă prin combinaţia liniară a vectorilor bazei:
( 1) a. —Α,α, + A2îï2 "t" ··· Ί" λ ηαη, Aj, Α2,..·Αη e R
Scalarii Α],Α2,...ΑΠ din ( 1) se numesc coordonatele (componentele) vectorului a
în baza B.
 a, bG. R n,CCj , ß i E R, i = 1,2,...n fiind coordonatele vectorilor a şi b în baza
unitară. Fie λ ι , λ 2,···λη şi μ ι ,μ 2,...βιι coordonatele vectorilor a, respectiv b în
baza B formată cu vectorii a ,, a2 . Avem:
ü + b — λ χΰ χ + λ 2 (Χ2 + ^ λ ηΟ·η 1^1 J<~ ” * ßn^n ~

= (A, + μ χ)α, + (Aj + μ 2)a 2 +... + (A„ + μη)an

relaţie care exprimă că vectorul a+b are în baza B coordonatele
Ai + / ί„ Α 2 + μ 2,...,ΑΙΙ+ μ ι,
De asemenea, vectorul λα se va scrie
λα - A(A, a, + Ă2a2 + ... + λ ηα„ ) =' ΑΑ,α, + λ λ 2α2 + ... + λ λ ηαη
relaţie care exprimă vectorul λα în baza aXia2,...an şi din care rezultă că
coordonatele lui λα în această bază sunt λ λ χ, λ λ 2,...λ λ η.
In consecinţă deducem că şi într-o bază oarecare (nu numai în baza unitară) la
adunarea vectorilor coordonatele lor se adună iar îa înmulţirea eu un scalar se
înmulţesc coordonatele vectorului în acea bază cu scalarul. Evident că în orice bază
coordonatele vectorului nul sunt egale cu zero.
Obs. Fie în R n vectorul a = {(Χλ, &2, şî fie \e l,e 2,...en} baza unitară a
spaţiului. Suntem acum în măsură să facem precizarea:
numerele (Xx,(X2i...a n sunt coordonatele vectorului a în baza unitară a spaţiului .
într-adevăr avem:
a - ( a x, a 2,...a n) = Ăle l + Ă 2e 2 + ... + Xne a -
- A jO A -O ) + A2(0 ,1,0 ...0 ) + ... + λ η (0.0,··· 1) =
= (Aj ,Ο,.,.Ο) + (0,A2,0...0) + ...( 0, 0,· A ) =
= (Aţ, A2 ,...A„ ) => Aj = ccx,A2 = oi2, - A = a n
De exemplu pentru vectorul a = (2,3,5) € R numerele 2,3,5 sunt
coordonatele lui, în baza unitară ex = (1,0,0) ; e2 = (0,1,0) ; e3 = (0,0,1) a lui
R* şi în această bază a se va scrie:
a ~ 2ex + 3e2 + 5e2
Curn se exprimă a ïntr-ο bază oarecare vom arăta în continuare.
Exemplu: Se consideră în R 3 vectorii daţi· în baza unitară
· a spaţiului:
fo ! rn (A
ril
a, = 1 ; a 2 = 0 ; «3 = 1 şi a - 6
1 0
V1 \ V4 y

12
 1° Să se arate că vectorii ax,a 2,a 3 formează o bază în R 3 ;
2 “Aflaţi coordonatele vectorului a în această bază.

Soluţie·. într-un spaţiu de dimensiune n, oricare n vectori liniar independenţi

formează o bază. Vectorii a \,a 2, a 3 sunt liniar independenţi deoarece
k\U\ + k 2a 2 + k 3a3 = 0 => k x = 0, k 2 = 0, k 3 = 0
într-adevăr:
(<0 Γ0 ( 0^ + k3 = 0
k\ 1 + k 2 0 + k 3 1 = 0 => - k\ + k-. = 0 =>
1 1 0 0 kM, + = 0
V \ / V z1 \ y ^ kΛ2,
k } = k 2 = k 3 = 0 . Rezultă că a , , a2, a 3 formează o bază
Conform teoremei bazei, a se poate exprima că o combinaţie liniară a vectorilor
bazei şi anume
a = Aj a, + A2a 2 + A3a 3 (*)
scalarii Α,,Α^Α^ fiind coordonatele vectorului a în baza dată,iar (*) exprimarea
lui în această bază.
Din (*) deducem sistemul:
+ Aj = 2
+ Aj = 6
A, + A*} =4
Sistemul este compatibil unic determinat deoarece r(A)=3;
Acest sistem se rezolvă fie pe cale elementară şi se obţine A1 = 4 , A 2 = 0 ,A 3 = 2
fie pe cale matricială. Notând cu λ vectorul coloană al necunoscutelor, sistemul se
scrie:
ΓΛΊ '0 1
11 f 2l
A ■A = a => A = a 2 = A-1 a unde Ă - 1 0 1 »■ a = 6
A3 1 1 0 4
V^ ^ \ V /
Avem deci:
1 1
Rezultă Aj = 4, A2 = O, A3 = 2 şi deci
a = 4<2j + Oa 2 + 2a 3 exprimat în baza a j, α2, <z3

4. Stabilirea naturii unui sistem finit de vectori în R n .

Să considerăm în R n următorii m vectori coloană daţi prin coordonatele lor în
baza unitară a spaţiului:

^U
OCjj ^ f aU12 λ (a ^

«21 «22 «2 m
a,1 = ; a2 — ;’ ... a m
m=

V«„!
nl J V«„2
nl Ka nm ,

Să arătăm în ce condiţii are loc relaţia

AjtZj + λ 2α2 ··· ^mam ~ 0, A(- 6 R l < i < m (*)
Avem:
f U,j
oc ^ ( a 12 ^ f U1
oc m ^
fo l
«21 + A2 «22 + . • Am «2 » — 0
m
ό
V«*! J V nm ) V /
din care se deduce sistemul liniar omogen în necunoscutele A,, A2,...A„
CCj jAj + CCj2A2 + ... + CLXmk m —0
cc2jA, + cc22Ă 2 +... + a 2mĂ m = 0

« „ Λ + ««2^2 + ··· + a nm^m = ®

"«11 «12 ··· «im"
Λ = «21 «22 « 2m
cu matricea formată cu vectorii coloană

a .i «„2 *
consideraţi,
Sistemul omogen admite numai soluţia nulă Aj = A2 = ... = Am = 0 dacă
rang(A ) = m şi admite şi alte soluţii afară de soluţia nulă dacă rang(A ) < m .
Dcci dacă rang (A ) = m vectorii sunt liniar independenţi. Dacă ra n g (A ) < m
vectorii sunt liniar dependenţi.
Altfel spus: Dacă m > n (numărul vectorilor mai mare ca dimensiunea spaţiului)

14
vectorii sunt liniar dependenţi.
Dacă m < n atunci vectorii sunt liniar dependenţi dacă ra n g (A ) < m şi liniar
independenţi dacä rang (A ) = m .
Rezultă că o condiţie necesară şi suficientă ca un sistem de vectori din R n să
fie liniar independent este ca rangul matricii formate cu componentele vectorilor să
fie egal cu numărul vectorilor. în caz contrar sistemul de vectori este liniar
dependent.
Prin urmare pentru a afla natura unui sistem de m vectori în R n procedăm astfel:
- scriem matricea A având drept coloane vectorii daţi;
- calculăm rangul r al matricii A;
- decidem natura sistemului de vectori şi anume:
a) dacă r — m sistemul de vectori este liniar independent;
b)dacă r < m sistemul de vectori este liniar dependent.
Drept consecinţe ale regulei precedente deducem:
1. Dacă 5 este un sistem de vectori liniar independent şi S ' un subsistem al lui S
atunci S ' este liniar independent;
2. Dacă S este un sistem liniar dependent şi S* este un suprasistem al lui S
(S a S") , atunci şi S* este liniar dependent;
3. Orice sistem care conţine vectorul nul O este liniar dependent;
4. Numărul maxim de vectori liniar independenţi în R n este egal cu n.

Exemple:
Aflaţi natura sistemelor de vectori
/
f 2) -Ϊ) (
3 0
a) = 4 > a2 - 1 »
α3 = >

2 1 1
^ y V y V
f -n / 0 \
b) «ί = 1 > Ω2 = 1 > α3 = -1 >
1 1 1
V \ /
r ί Λ ' 2 Λ / 5^ (4 ^
c) β| = - 1 ; a2 : 2 ; 2 ; α4 = - 1
1 3 5 4
V / V
Soluţie:
a) Matricea componentelor vectorilor a x,a 2,a^

15
 r 2 - 1 3λ
3 0 -3
A = 4 1 3 are rangul 2. Cum rang(A ) = 2 < 3 rezultă că vectorii sunt
2 1 1
liniar dependenţi;
b) Rangul matricii A este în acest caz
'2 - 1 0 Λ
1 1 - 1 pentru care se găseşte că rang (A ) = 3 egal cu numărul
1 1 1
vectorilor deci sunt liniar independenţi;
c) Rangul matricii
f 1 2 5 4 N
A - - 1 - 2 2 - 1 este egal cu 3 < 4 deci vectorii sunt liniar dependenţi.
1 3 5 4

2. Determinati m & R astfel ca sistemul de vectori

f 1 ^
M ί° Ί
= m
0 ; a2 = 2 ; =
1 1 -1
\ V /
să fie liniar independent.
Soluţie: Trebuie ca rangul matricii
fm 0 1^
A = 0 2 m să fie egal cu 3 ceea ce revine la faptul că
1 1 -1
m 0 1
det A Φ 0 adică |^| - 0 2 m = m - 2m - 2 * 0
1 1 -1
Cum m2 - 2 m -2 = 0 admite numai soluţii complexe, rezultă că
(V )m G Â |A |* 0 şi deci vectorii sunt liniar independenţi pentru orice m E R .

3. Fie a,b,c vectori liniar, independenţi în R 4 . Cum sunt vectorii a + b,

a - b ,a - 2 b + c ?
Soluţie: Răspunsul la întrebare constă în a stabili în ce condiţii are loc relaţia:
λ] (a+ b) + λ 2(a - b) + Â3(a - 2b + c) = 0

sau
(A, + Ă2 + A j)a + (Aj —A2 ~ 2Ä^)b + A3c = (0,0,0)

16
Prin ipoteză însă vectorii a,b,c sunt liniar independenţi şi din relaţia precedentă
rezultă:
A, + A2 + A3 = 0
■Aj A 2 2A3 —0
~

Aj = 0
de unde Aj = A2 = A3 = 0 şi răspunsul este că vectorii sunt liniar independenţi.

4. Ce condiţii trebuie să îndeplinească numerele OC, β , γ astfel ca vectorii:

a=
f a11. b = ί β0 0~rn
r să fie liniar dependenţi în R
a2 y2
\ \ βH 2 \1 y
Soluţie:
Trebuie ca rangul matricii:
Ί 1 1N
A= a β y să fie mai mic ca 3 ceea ce revine la egalitatea cu zero a
f2
oc β 2 a.
„2
y2
determinantului
1 1 1
Μ - a β γ - β )(β ~ Ύ )(Ύ tip
determinantul fiind de ti
a2 β2 γ2
Vandermonde.

Din condiţia (CC - β ) ( β - γ ) ( γ - a ) = 0 rezultă CC= ß sau y - ß sau

OC= y adică numerele CC, β , y să fie egale două câte două.

5.Metoda eliminării complete (Gauss-Jordan) de rezolvare a unui sistem de

ecuaţii liniare.
Să considerăm sistemul de n ecuaţii liniare cu n necunoscute:

αη χλ+ αη χ2 +... + αΧηχη = 2>i

a 2ixx + a 21x2 +... + anmxn = b 2
0)

a n \ X l + a m X 2 + - + a nnX n = b n
a cărei formă matricială este

17
 AX = b (2)
unde:

V
b2

-c>
A = (a ÿ) ί, j - X =

II
...

-O*
\ Xn

■'S
nJ

Dacă A este nesingulară adică (A) Φ O atunci sistemul are o soluţie unică
reprezentată de vectorul X dat de relaţia:

X = A~xb (3)
Există o schemă de calcul simplă care poate fi aplicată oricărui sistem cu
\A\ Φ 0 pentru obţinerea soluţiei şi (sau) pentru obţinerea matricii inverse A-1 .
Această metodă se numeşte metoda eliminării complete Gauss-Jordan şi constă în
aplicarea unor transformări efectuate în n iteraţii (paşi) echivalente cu înmulţirea
ambilor membrii ai ecuaţiei (2) cu A~x. în caz de nevoie comcomitent poate fi
obţinută şi matricea inversă A-1 . Pentru claritate expunem această metodă pe un
exemplu. Fie sistemul de trei ecuaţii cu trei necunoscute:

3*! + x2 =6
4*, + X-, + *, = 9 =>
5x, + 2x , + x-. = 11

"3 1 0N v
A= 4 1 ■ X = *2 9. b = 9
1 >
5 2 1 11
\ \ *33 J \

Se verifică uşor că (A] Φ 0 şi matricial, sistemul de mai sus se scrie:

\
r 2> 1 0 V Xl ' 6Ϊ
4 1 1 x2 9
II

5 2 1 X, 11
Λ 3> V >
Punând

18
 'Γ ' 0N
f6l
4 y 0>2 — 1 , a3 - 1 , b= 9
5 2 1 11
\ \ \ \ /
sistemul se scrie
+ x 2a 2 + x 3a 3 = b (4)
Deoarece matricea A este nesingulară, sistemul de vectori αλ,α 2, α3 este liniar
ί
independent şi prin urmare formează o bază în R . A rezolva sistemul înseamnă,
în baza relaţiilor (4) să determinăm coeficienţii xx, x 2, x3 ai combinaţiei liniare
unice de vectori a x,a 2, a 3 care coincide cu vectorul b. Metoda eliminării complete
constă în eliminarea treptată a primei, a doua , a treia etc. necunoscute în toate
ecuaţiile sistemului în afară de prima, a doua, a treia etc., ecuaţie respectiv. Pentru
sistemul dat primul pas constă în eliminarea primei necunoscute X| din toate
ecuaţiile în afară de prima, ceea ce se poate face adunând prima ecuaţie înmulţită
cu un număr convenabil ales la a doua şi a treia ecuaţie.
Pasul 1.
3*1 + x 2 =6
4x{ + x2 =9
5.x, + 2 x2 =11
întrucât matricea A este nesingulară, sistemul dat poate fi scris astfel încât
coeficientul primei necunoscute în prima ecuaţie să fie diferit de zero. Acest lucru
se realizează printr-o nouă renumerotare a ecuaţiilor sistemului.
Mai mult, acest coeficient poate fi făcut egal cu 1 aşa cum este în cazul nostru,
îmărţind prima ecuaţie la an = 3. Sistemul se scrie:
1
x, + — X, = 2
1 3 2
4xt + x2 + x3 =9
5*! + 2 x 2 + x3 =11
Pentru eliminarea necunoscutei X\ din a doua ecuaţie înmulţim prima ecuaţie cu
-4 şi o adunăm la a doua, iar pentru a elimian pe *i din a treia ecuaţie înmulţim
prima ecuaţie cu -5 şi o adunăm la a treia. Obţinem: t

19
 X, + —χ , =2
1 3 2
1
— x, + x , =1
3 2 3
1
—x, + X-, = 1
3
Pasul 2. Eliminăm acum a doua necunoscută x2 din ecuaţiile 1 şi 3 în afară de
ecuaţia a doua, înmulţind în prealabil ecuaţia a doua cu -3 pentru a face
coeficientul lui x2 egal cu 1. Sistemul precedent devine:

x\ + ~ x 2 = 2
3
x2 - 3x3 = - 3
I
-x 2 + x3 =1
3

înmulţim ecuaţia a doua cu ~ — şi o adunăm la prima respectiv a doua ecuaţie.

Obţinem:
X, + x3 =3
x2 - 3*3 = -3
2x 3 = 2
Pasul 3. împărţim ecuaţia trei cu 2 şi apoi o înmulţim cu 3 respectiv cu -1 şi o
adunăm la prima, respectiv la a doua. Obţinem:
*i =2
x2 =0
*3 =1
care este sistemul transformat în care eliminarea necunoscutelor x lyx 2,x 3 în
modul indicat mai sus este completă şi care dă soluţia căutată.
Procedeul eliminării complete expus, mai poate fi prezentat şi în modul
următor:
Scrim matricea sistemului şi coloana termenilof liberi
3 1 0 6
4 1 1 9
5 2 1 11
Se alege un element numit pivot de exemplu 3 (trebuie să fie nenul). Elementele
matricii după etapa 1 se calculează astfel:
- linia pivotului se împarte la pivot

20
 3
- coloana pivotului are elemente 0 în afară de elem entul de pe
locul pivotului care este 1. Celelalte elemente se calculează cu aşa numita regulă a
dreptunghiului. De exemplu, pentru elementul de pe locul (2,2) se alcătuieşte un
dreptunghi care are într-un vârf pivotul iar în vârful opus numărul de pe locul (2,2)
în cazul nostru 1 şi celelalte vârfuri ale dreptunghiului sunt elementele matricii A
de pe locurile (1,2) şi (2,1). Astfel dreptunghiul este:

4 1
Se calculează valoarea ca un determinant de ordinul doi cu menţiunea că produsul
de pe diagonala pivotului se ia întotdeauna cu semnul +; Deci avem:

Rezultatul se împarte la pivot şi se trece pe locul (2,2) în pasul următor:

2
I
1 o
3
o 7
3
0

Pentru calculul elementului de pe locul (2,3) se alege dreptunghiul

0
- 1 şi se împarte la pivot, adică —= 1
1
Procedând analog cu toate elementele care nu fac parte din linia sau coloana
pivotului inclusiv elementele termenului liber, se obţine etapa a doua.
 ι
1 0 2
3
0
© ]_
1 1

0 1 1
3
Pentru etapa a treia alegem un alt pivot ( nu de pe linia 1 şi care să fie neapărat
nenul) de exemplu - ! Procedând exact ca mai înainte, vom ilustra numai
calculul elementului de pe locul (1,3)

1
0

Astfel etapa a treia este:

1 0 1 3
0 1 -3 -3
o o
Θ 2

în sfârşit ultimul pivot poate fi luat 2 şi soluţia este dată de etapa a patra
1 0 0 2
0 1 0 0
0 0 1 1
Soluţia este deci x ] = 2 ,x 2 = 0 ,x 3 = 1
Foarte adesea este nevoie nu numai să rezolvăm sistemul ci să aflăm şi matricea
inversă A~l a matricii A a sistemului. în acest scop scriem la dreapta matricii A
matricea unitate I de ordin n şi aplicăm metoda eliminării complete matricii
extinse.
Matricea inversă se obţine pe locul ocupat mai înainte de matricea unitate. Dacă
avem matricea extinsă:
(A I / I b)
şi aplicăm schema de calcul a soluţiei sistemului prim metoda eliminării complete
22
obţinem:
(α ~ Ά I A ~'I I A -'b )
sau
/ I A -' I X
Prin urmare după cele trei iteraţii ale metodei eliminării complete matricea A a
sistemului se transformă în matricea unitate, matricea unitate în matricea inversă
A~l a matricii A iar vectorul b se transformă în soluţia X a sistemului.
Reluând exemplul precedent vom scrie
A I b
\
ίΘ 4
1
1
0 1
1
0 0
0 1
6
0 9
5 2 1 0 0 1 11

Pasul 1

1 0 1 -1 1 0 3
0 1 —3 4 -3 0 -3
0 0 © -3 1 1 2

1 0 0 1/ 2
n X -X
0 1 0 - 1/ 3/ 0
72 -K 72
0 0 1 - 3/ 1/ 1
/2 72 Υς
I Ä1 X

Deducem deci:
f 1/
72 Y l -X I
A-1 =
~ lA -V i X
Y X ,

Deci combinaţia liniară unică prin care se exprimă vectorul b este:

23
χ χαλ + χ 2α2 + X3α3 = 2 αχ + Οα2 +1 α3 = b
întrucât vectori αχ,α 2,α 3 formează ο bază în R 3 , orice alt vector al acestui spaţiu
se poate exprima în mod unic ca o combinaţie liniară a acestor vectori. Fie acest
vector a 4 şi y ,, y 2, y 3 componentele lui în baza ax,a 2,a 3. Atunci

y ^ \ + y 2«2 + >>3a 3 - a 4
sau
Α Υ = αΛ
de unde pentru a afla Y este suficient să înmulţim relaţia precedentă cu A 1 la
stânga:
A ~ 'A Y = A ~ \ \ y = A- 1a 4

Fie de exemplu în baza unitară vectorul:

f 4 ^

«4 = - 2

atunci avem:

Deci — + 7 a2 —5 a 3 —a4
iar componentele vectorului a4 în baza {a{, a2, a 3} sunt y x = —1, y 2 = 7 ,
y3 = - 5

24
6 . Mulţimi convexe în R n .
Fie spaţiul liniar R n :
R n = \a = ( a l, a 2, . . a j p t e R ,i = 1,2,...«}
Elementele a = ((Xv (X2,...CCn) ale lui R n le-am numit vectori n-dimensionali
sau puncte ale spaţiului «-dimensional R n . Folosirea denumirii de punct în locul
denumirii de vector înlesneşte înţelegerea unor noţiuni ce urmează să fie definite cu
ajutorul unor consideraţii geometrice.
Deci când vom vorbi de mulţimi de elemente (vectori) din R " , vom spune
mulţimi de puncte din R n .
Menţionăm că Ia definirea unor elemente geometrice,punctele din R n vor mai
fi notate şi cu X —(x x, x 2>···>*„)> -Xi 1 < z < « fiind coordonatele carteziene ale
punctului X & R n .
Prin urmare, segmentul determinat de punctele a\ şi a2 în R" este mulţimea
vectorilor a de forma:
a - λ α χ + ( \ - λ ) α 2, 0 < λ < 1
Pentru « < 3 această noţiune coincide cu ce obişnită.
Definiţie'. Mulţimea C C R n de puncte din R n se numeşte convexă dacă pentru
oricare două puncte al t a2 € Q, segmentul determinat de aceastea este conţinut în
mulţimea C adică,a fiind un punct oarecare al segmentului, are loc apartenenţa
α = Λα1+ ( 1 - λ ) α 2 € £ , 0 < Â < 1 .
în figurile de mai jos a fost reprezentate o mulţime convexă a) şi una neconvexă
b) în R n .

a)

Definiţie: Un punct a G Q<Z. R n se numeşte punct extrem sau punct vârf al

mulţimii convexe Q dacă nu există în Q nici o pereche de puncte a\ şi a2 astfel încât
a = λ α λ + (1 - λ ) α 2 , 0 < λ <1
adică să fie o combinaţie liniară convexă a lor.

25
V

/
De exemplu punctele A,B,C din figura (a) sunt puncte vârf ale mulţimii convexe Q.

PROBLEME:
1. Să se determine parametrul real k astfel încât vectorul v = (l,fc,3) să fie
combinaţie liniară a vectorilor v, = (l,l,-l) şi v2 = ( - 2,4,l).

Rezolvare:
Pentru ca vectorul v să fie combinaţie liniară a vectorilor vj şi v2 este necesar să
existe parametrii reali ait ai astfel încât să avem:
v = a, ·v, + a2 ■v2 care este echivalent cu
(l, *,3)= a, ·(U -l)+ a 2-{- 2,4,1)
echivalent cu
1 = <3, - 2a2
- k = al + 4 a2
3 = - a , + a2
Rezolvăm acest sistem
ûj = 2 a 2 + 1 ,
deci
3 = —2 a2 —1 + a2
a2 = - 4

deci
= —8 +1
a, = - 7
atunci avem:
k = ~ l -1 6
£ = -23
2. Să se determine parametrul real Λ astfel încât vectorii v, = (l,l,3),
v2 = ( - 2, &,l), v3 = (2,2,5), să fie liniar dependenţi.

Rezolvare Pentru ca vectorii vj, v2, v3 să fie liniar dependenţi este necesar ca
determinantul ale cărui coloane sunt formate din cei vectori să fie egal cu zero:

1 -2 2
1 k 2 = 5*-12 + 2 -6 * + 10-2 = - i t - 2
3 1 5

26
Deci avem:
- k -2 = 0
k = -2.

3. Se dau vectorii din R 3 :

V, =(1,2,3), v2 = (0,1,1), v3= (2,1,2).
Se pot determina scalarii a şi b astfel încât combinaţia liniară
αν, + bv2 să fie egală cu v3 ?

Rezolvare·. Combinaţia αν, + bv2 se scrie astfel:

αν, + bv2 = (a,2a + b,3a + b),
şi din egalitatea:
αν, + bv2 = v3
rezultă următorul sistem de ecuaţii
a =2
2a + b = 1
3a + b = 2
Din primele două ecuaţii avem că: a = 2 şi b = -3, însă aceste două valori nu
verifică cea de-a treia ecuaţie, prin urmare scalarii a şi b nu se pot determina.

4. Determinaţi natura sistemului de vectori:

a) x = (2,1,5^ = (2,4,1)
b) * = (1, 0, 1b = ( κ ,ο ,χ )
c) X = (l,0,-l),}' = (2,l,l^z = ( - 1,2,1).

Rezolvare: în general, pentru a determina natura unui sistem de vectori x u x2,

se formează sistemul de ecuaţii liniare (scris vectorial):
a lx ] + a2x2 + ... +a„xn = 0 , cu oţ scalari reali.
Dacă din rezolvarea acestui sistem rezultă că ct\ sunt nuli atunci sistemul de vectori
este liniar independent. Dacă există măcar un singur scalar nenul printe cei n ca
soluţie a sistemului de mai sus, atunci sistemul de vectori este liniar dependent.
2a, +2a2 =0
a) oii + 4a2 = 0
5a, + a 2 = 0
Rezultă ai = 0 şi a2 = 0, prin urmare sistemul de vectori este liniar independent.
b) sistemul este liniar dependent.
c) sistemul este liniar independent.

27
5. Fie vectorii ο,,α2,α3€ R4 liniar independenţi.
Să se arate că vectorii a t + a2, a\ - a2 + α3, a2 - a3 sunt, deasemenea liniar
independenţi.
Rezolvare: Vectorii au a2, <23 sunt liniar independenţi dacă pentru oricare a u a 2,
a 3 e Z? cu proprietatea
α,α, + α 2α2 + α 3α3 = 0 rezultă, ct| « a2 = α3= 0 .
α, + α2, αχ - α2 + sunt liniar independenţi dacă pentru oricare
ß u ßz , ß} e R cu proprietatea:
ßi (öi + a2)+ ß 2(fl, - ■
a2 + a3)+ ß 3(a2 - a3)= 0
rezultă: ßy = ß 2 = ß3 = 0.
Avem:
A fl, + ß\a2 + & f li - 0 2 fl2 + ß iai + ßia2 - ß iai = 0 !

(A + ßi )+ ö 2 { ß i~ ß i + ßi )+ «3 ( & “ ß )= 0 ■
Cum vectorii a,, a2, <23 sunt liniar independenţi vom avea:
ß\ + ßi = 0; ß\ - ßi +ßi = 0; ß2 - ßi = 0,
de unde rezultă uşor ß i - ß i = ßi = 0.
Deci vectorii ax+ a2, a \ - a2 + ait a2 - a3 sunt liniar independenţi.

6. Este vectorul z = (4, -1,3, -2) o combinaţie lineară a vectorilor:

X = (2,1, 3, -1) şi>> = (0,1,1,0) ? Cu ce scalari este formată?
Rezolvare: Se determină a şi β astfel încât:
[2a = 4
a + ß = -1
ax + ßy = z <=>
3a + /3 = 3
- a = -2
Acest sistem admite soluţie unică a= 2, β = -3, deci
2x - 3y - z

'3 ' T V ' 6n

7. Fie vectorii a, = 4 1 » «3 = 1 9
Μ ·

II

^2 y 1 11 /
\5 \

a) Să se arate că vectorii a,, a2, a3 formează o bază

b) Să se scrie vectorul a în această bază.

Rezolvare:
a) Dacă vectorii a\, a2, a3 sunt liniar independenţi atunci determinantul format

28
de componentele celor trei vectori este diferit de zero:

3 1 0
D = 4 1 1 = 3+ 5 - 6 - 4 = - 2 ,
5 2 1

deci vectorii formează o bază.

b) Componentele vectorului a în baza at, ut, αΛ pot fi determinate ca soluţii ale
sistemului:
α,α, + a 2a2 + α 3α3 = 0 , sau
3a, + a 2 = 6
4a, + a 2 + a, =9
5a, + 2az + a 3 = 11
Soluţiile acestui sistem sunt CL\ = 2, ofc = 0, a3 = 1, deci
r2'
a(a,,a2.a3)

8. Să se rezolve problema precedentă folosind metoda Gauss-Jordan

Rezolvare: Trecerea unui vector dintr-o bază în alta se poate efectua şi prin
metoda Gauss-Jordan:
Se scrie matricea sistemului şi termenii liberi :

<D 1 0 6
4 1 1 9
5 2 1 11

Se alege un pivot, de exemplu 3 (trebuie să fie nenul).

Elementele matricei după etapa I se calculează astfel:
- linia pivotului se împarte la pivot:

1 1/3 0 I 2

- coloana pivotului devine vector unitar cu 1 pe poziţia pivotului şi în rest zero;

- celelalte elemente se calculează după regula dreptunghiului:
de exemplu, pentru elementul de pe poziţia (2,2) se alcătuieşte un dreptunghi care
are într-un vârf pivotul, în vârful opus numărul de pe poziţia (2,2), în cazul nostru
1, iar celelalte vârfuri ale dreptunghiului sunt elemente de pe poziţiile ( 1,2) şi (2,1).

29
Astfel, dreptunghiul este:

I© 1
I 4 1
Se calculează valoarea ca un determinant de ordinul Π, cu menţiunea că produsul
de pe diagonala pivotului se ia întotdeauna cu semnul plus, deci avem:
3-1 —1-4 = —1
Rezultatul se împarte la pivot şi se trece pe poziţia (2,2). La fel se procedează cu
restul elementelor din etapa a doua şi se obţine:

Pentru etapa a treia alegem un alt pivot, de pe altă linie decât cea de pe care am
ales primul pivot şi se calculează elementele la fel ca în etapa anterioară.

Se obţine:
1 0 1 3
0 1 -3 -3
0 o © 2

în ultima etapă se alege pivotul C D şi după efectuarea calculelor ca în etapele

anterioare se obţine:

1 0 0 2
0 1 0 0
0 0 1 1

în acest moment algoritmul ia sfârşit, iar soluţia problemei este

'î \
α(αί.α2.α,)

10. Să se determine natura sistemelor de vectori

a) v, = (2, 3, 4, 2), v2 = (-1, 0, 1,1), v3 = (3, 3, 3, 1)
b) v, = (2, 1, 1), v2 = ( - 1, 1, 1), v3 = (0, - 1, 0)
30
 c) V, = (1, -1 , 1), v2 = (2, -2, 3), v3 = (5, 2, 5), v4 = (4, -1 ,4 )

Soluţie:
a) liniar independenţi;
b) liniar independenţi
c) liniar dependenţi

11. Să se determine m astfel încât sistemul de vectori:.

vi = (im, o, 1), v2 = (0, 2, 1), v3 = ( 1, m, - 1) să fie liniar independenţi
Soluţie', m e R

12. Fie e\, e2, e3 vectori liniar independenţi din R 4. Să se arate că:
e\ + e2 + e3 , ex - 2eit e \ - e2 + 3e3 sunt liniar independenţi.

13. Scrieţi vectorul v = (7,4, 0, 2) în baza:

v, = (1,2, -1 ,1 ); v2 = (1, -1 ,1 , -1); v3 = (0, 0, 1,1); v4 = (1, 1, -1 , 0) din R \
Soluţie: ^(y„y2,y3,y4) = (l.2,3,4)

14. Se dau două sisteme de vectori din spaţiul liniar R 3:

a, = (1,4,2); a2 = (-1 ,2 ,0 ); a3 = (3 ,l,5 ) şi

bt = (2,4, 5); b2= (-1,1, 0); b3= (-2, 0, 2)

Să se arate că sistemul {flj, a2, a3} şi sistemul. , b2, b3} formează fiecare
câte o bază.

31
 § 2. Elemente de programare liniară

1. Problema programării liniare. Modelul matematic al problemei d

programare liniară.

Introducere. Este bine cunoscut faptul că în prezent, activitatea în domeniul

producţiei industriale şi conducerii activităţilor economice a devenit extrem de
complexă. O mare parte din problemele care se pun în conducerea economică a
întreprinderii sunt probleme de optimizare.
Modelarea matematică a acestor probleme oferă posibilitatea determinării
soluţiilor optime, contribuind pe această cale la ridicarea eficienţei economice a
întreprinderilor. în multe cazuri concrete, problemele economice pot fi modelate
astfel:
Dacă notăm prin x ,,l < j <n nivelele (necunoscute iniţial) la care trebuie
să se desfăşoare cele n activităţi luate în considerare şi prin f(xhx2 ,...,xn) funcţia
obiectiv (sau funcţia criteriu sau încă funcţia de eficienţă), problema poate fi pusă
în felul următor: să se afle valorile variabilelor X j , l < j < n astfel încât
f(xi,x 2 ,...,xn) să ia valoarea maximă (sau minimă).

[m ax]f(x1,x 2,...,xn) (1)

şi să fie îndeplinite condiţiile:

f i(xl,x 2,...,xn)> 0 ,0 < i< m (2)

care sunt restricţiile problemei. Problema este cunoscută sub numele de

problema programării neliniare.
Dacă în locul inecuaţiilor (2) avem ecuaţii, obţinem problema clasică a
extremului condiţionat (cu legături). în cazul în care funcţiilef ş i f i 1 < i < m sunt
funcţionale1 liniare, atunci problema ( 1) şi (2) este o problemă liniară sau un
program liniar.
Pentru a înţelege cum se construieşte modelul matematic al unui program
liniar vom considera următoarele exemple:

1 Fie X un spaţiu liniar peste corpul de scalari X , Aplicaţia / * : X —» X este o

funcţională liniară dacă:
1. este aditivă adică f ( x { + x2)~ f (X\ ) + f ( x 2)(V)jCi, E X
2. este omogenă: adică /(c ü t) = CÇf(x)(V)xE X şi CCE X

32
 1. Problema de planificare a producţiei
O întreprindere industrială dispune de mai multe resurse (materii prim
forţă de muncă, maşini unelte, resurse financiare etc.) în cantităţi limitate. Vom
nota cu i numărul de ordine al resursei şi cu cantităţile disponibile din aceste
resurse. Cu ajutorul acestor resurse se pot desfăşura mai multe activităţi (de
exemplu, procese de producţie). Vom nota cu j numărul de ordine a! activităţii
desfăşurate şi cu xj nivelul (necunoscut) la care urmează să se desfăşoare această
activitate. De exemplu, dacă considerăm procesul de producţie j care constă în
fabricarea unui anumit produs, vom nota cu xj cantitatea ce va fi produsă.
Vom nota cu ay cantitatea din resursa i necesară pentru producerea unei
unităţi din produsul j (din activitatea j în general). Presupunem că atj nu depinde
decât de tipul resursei i şi de tipul produsului j şi nu de cantităţile produse.
Cantităţile ay sunt cunoscute şi poartă numele de consumuri specifice sau
coeficienţi tehnologici. Beneficiul obţinut pe o unitate de produs j realizată, în
unităţi băneşti îl notăm cu cj.
Datele problemei se pot prezenta sub forma tabelului 1.

Tabelul 1

Folosind elementele tabelului putem exprima următoarele mărimi:

- Cantitatea de resursă i folosită pentru producerea cantităţii xj, care este a^f,
- Cantitatea totală din resursa i folosită pentru producţia totală formată din n
produse:

aiIx l + ai2x2 + ... + ainxn

Deoarece nu putem consuma din resursa i mai mult decât cantitatea bi de

care dispune, trebuie să fie respectată condiţia:
anx { + ai2x 2 +... + amxn < b, ,

33
 pentru fiecare resursă i dintre cele m resurse pe care le avem la dispoziţie,
adică:
an x x + a l2x 2 +... + alnx n <bx
a2lx x + a 22x 2 +... + a2nx n <b2
: (3)

« * 1 * 1 + a m 2 * 2 + ··· + « « , * »

Deoarece xj reprezintă cantitatea ce trebuie produsă din sortimentul j, ea nu

poate fi un număr negativ

x j> 0, 1 < j < n (4)

Inecuaţiile (3) se numesc restricţiile problemei, iar (4) pot fi condiţiile

de nenegativitate.
Sistemele de inecuaţii liniare (3) şi (4) pot avea o infinitate de soluţii, o
soluţie sau nici o soluţie (sistem incompatibil).
Cazul cel mai frecvent pentru problemele practice corect puse este cazul în
care sistemul (3) (4) are o infinitate de soluţii.
Cu alte cuvinte, este posibil să organizăm procesele de producţie pentru
fabricarea sortimentelor j (l < j < n ) într-o infinitate de feluri respectând
condiţiile de folosire a resurselor limitate (3).
Acest fapt face evidentă imposibilitatea practică a conducătorului de
întreprindere de a cunoaşte toate variantele de plan posibile pentru adoptarea unei
decizii adecvate. Adoptarea unei variante de plan (luarea deciziei) se face pe baza
unui criteriu economic, ca de exemplu beneficiul maxim. Prin urmare, funcţia de
eficienţă este beneficiul total:

n
f = clx l + c2x 2 +... + cnx n = ^ C jXj (5)
M

care trebuie maximizată.

în consecinţă, problema care se pune este aceea de a afla acea (acele)
variante de plan, adică acea (acele) soluţie a sistemului de restricţii (3), (4) care dau
pentru beneficiul (5) valoarea maximă. Această problemă economică devine în
acest moment o problemă matematică al cărei model este:

n
[m ax]/ = ^j Cj Xj (6)
j=t

34
 cu condiţiile:

n
^EjUyXj <bt 1 < i < m (7)
M
Xj > 0 1 < j < n (8)

şi care este o problemă de programare liniară sau un program liniar.

2. Problemă de amestec. Una din problemele practice, formulată şi

rezolvată ca problemă de programare liniară este aşa numita problemă a dietei, de amestec.
Ea constă în determinarea unei anumite diete dintr-un număr dat de
alimente, care să satisfacă anumite cerinţe biologice şi să fie din principiul nutritiv
i, 1 < i < m , conţinută într-o unitate din alimentul j, 1 < j < n . Este necesar ca
dieta să conţină cel puţin unităţi din principiul nutritiv i, 1 < i < m . Dacă cj,
1 < j < n sunt costurile unei unităţi din alimentul j, problema constă în aflarea
cantităţilor xj, 1 < j < n de alimente pe care trebuie să le conţină dieta, astfel încât
să obţinem costul total minim.

rt
[minj/· = YjCjXj
M

cu condiţiile:

Σ ω<Λ - b . 1Z i * ™

x J: > 0 1 < jJ < n

Probleme de acelaşi tip apar atunci când se urmăreşte formarea unor

amestecuri de ingrediente, care să aibă anumite proprietăţi (specificate în fiecare
caz concret) astfel încât o caracteristică a amestecului să fie optimă dintr-un punct
de vedere. Probleme de dietă apar de exemplu, în alcătuirea raţiilor pentru animale
în zootehnie, pentru calcularea amestecului optim de îngrăşăminte în agricultură, în
industria chimică pentru diverse amestecuri, în industria petrolieră pentru
amestecuri de benzină etc.

3. Problemă de planificare a investiţiilor

O întreprindere dispune de o sumă B de unităţi băneşti, sumă ce poate fi
folosită în diverse activităţi pe care le notăm simbolic cu l,2,...,j...n.

35
 Se mai ştie că fiecare activitate de tipul j, în urma investiţiilor aduce un
beneficiu unitar de bj unităţi băneşti.
Dacă notăm cu xj, j=l,2,...,n suma investită în activitatea de tipul j, rezultă
următorul model matematic al problemei:
Aflaţi sumele xj ce trebuie investite cu condiţiile

r jΙχ,ίβ

2° Xj > 0 , j = l,n
n
3° [m ax]/ = f beneficiul total

Se pot da multe exemple de probleme economice care conduc la modelul

matematic al unui program liniar, dar având în vedere expunerea limitată pe care o
avem în acest capitol, ne mărginim la acestea trei.

2. Diverse forme ale modelului matematic al problemei de programare

liniară

Din exemplele precedente rezultă că o problemă de programare liniară

poate avea următoarea formă mai generală:

[max/ m in i/- = c\x \ + cix i + —+ c„x„

cu condiţiile:

β ιΛ + a l2x 2 +... + a u xXbx

a2yx x+ a 22x 2 +... + a2nxX b2

V 1+ V 2 + - + V Ä
X j> 0, j = 1,2,..., n

în care,după cum se vede,sistemul de restricţii conţine inegalităţi de sens

< sau >. Când sistemul de restricţii al modelului problemei de programare liniară
conţine inegalităţi de acelaşi sens, se spune că modelul se prezintă sub formă
canonică. Vom arăta în cele ce urmează că orice problemă de programare liniară

36
sub formă canonică poate fi transformată într-o problemă în care restricţiile sunt
egalităţi după cum se deduce din următoarea teoremă:
Teoremă. Fie dat sistemul de m inecuaţii liniare cu ti necunoscute:

a\\X\ + an x 2 + —+ au x n <b{
(a)

şi sistemul de ecuaţii:

au x { + ω12λ:2 +... + alnx n + x.n+1 = b[

a21X\ + a22x 2 + ... + a22x n + Χ,n+2 = b.
(ß>

+ *»4.™= b„
n+m m

Atunci, oricare ar fi soluţia λ:,0,* ”»···»·*” a lui (a) există m constante

nenegative x°+I,x°+2v , * ° +m astfel încât λ:,0,* “.....*n° ,x n°+1)...,*n°+m să constituie
o soluţie a lui (β). Reciproc, dacă ^ » ^ ....» x ^ e s t e o soluţie a lui (β),
atunci x ° ,x 2,...,x° (primele n constante) constituie o soluţie pentru (a).

Demonstraţie: Fie x®,x2,...,x°n o soluţie a lui (a), adică:

1*1 + a i2 X 2 + + a in X n —^1
a 2 \x \ + a22x 2 +... + a2nxn < b 2

amlx° + am2x \ +... + a ^ x l < bm

Toţi membri stângi ai inegalităţilor sunt constante mai mici decât respectiv
bi,b2.... bm. Atunci există constantele care să satisfacă egalităţile:
anx { + a l2x j ■+·...+ Ω\Χη +*„+i —bK

a2lX2 a22X2 * ” · "*■^ 2 2 * n ^ Xn=2 = ^2

(β’)

αΒΐΐΛι° + am2x°2 +... + a ^ x l + x°n+m = bn

37
 iar:

O r 0 O Ov λ
*„+,· =*>,-<*,1*1 - an x 2 - ~ - a inx n > 0

Dar sistemul de egalităţi (β’) arată că este o soluţie a lui

(ß)·
Reciproc,fie x°,x%,...,x°+m o soluţie a lui (β),atunci înseamnă că este
îndeplinit sistemul β’; cum xn+i > 0 (i = 1,2,....,m) rezultă:

Xn +1 = b X ~ a \\X \ ~ a U X 2 Xn ~ ^

X L = b m ~ a m l X °X - a m 2 X °2 “ - “ V n ^ 0

sau reţinând numai inegalităţile şi ducând monoamele cu semnul în

membrul drept, rezultă:

αηχ ι + - - au x °n ^
an x°y +... + a2nx°x < b2

amix i + ··· + amnx°n < bm

adică Xj°, x ° e s t e o soluţie a lui (a). Teorema este astfel demonstrată.

Observaţie: Pentru inegalităţi de tipul:

t aux j *** i = (l,2,...,m)

i=l
se scade o variabilă nenegativă xn+1 > 0 (i = 1,2,..., m) şi inegalităţile
devin egalităţi:
n
' Z aûx j ~ x n ^ = bi i = (1,2.... m)
7=1

în consecinţă, rezolvarea unui sistem de inegalităţi liniare se reduce la

rezolvarea sistemului asociat de tip (β). Introducerea noilor variabile

38
Χη+ι »x n+2 »···»Xn+m nu trebuie să schimbe funcţia de eficienţă în problemele
economice. Aceste variabile reprezintă m activităţi fictive care consumă plusul de
resurse şi din această cauză le ataşăm beneficii (costuri) nule. Funcţia de eficienţă
se prezintă sub forma:

/ = c,*, +c2x2+...+c„x„ + 0x„+l +... + 0xn+m =

= £,*1+^*2 + ···+i n ­

variabilele xn+i,x n+2 »···»*„+„ se numesc variabile de compensare (de

abatere sau écart). Atunci problema de programare liniară sub formă canonică
poate fi adusă întotdeauna la forma:

[min/ m a x ]/ = cxx x + c2x 2 +... + cnx n

cu condiţiile:

a UX l a \2 X 2 "· a \n X n ®\ X n*\ ~ ^1
a 2 \X \ a 22X 2 "· a 2nX n &2X n+2 ~ ^2

«ml*l + °m2X2 + - + amnXn + £n>Xm+n = K

X j> 0 ( j = 1,2,..., n), *n+1 > 0 (i = 1,2,..., m)
în care ε, = ±1 (i = 1,2,..., m ).

Se numeşte forma standard a unei probleme de programare liniară

următoarea problemă:
 adică problema în care sistemul de restricţii conţine egalităţi. Fie A
matricea sistemului de restricţii:

•*12 In
21 22 2n

ml 2

cu m linii şi n coloane. Matricea A = (aij) \ < i < m , \ < j < n se

numeşte matricea coeficienţilor tehnologici şi elementele atj sunt stabilite pe baza
unor observaţii repetate ale fenomenului studiat.
Vectorul coloană:
u \
b\

b=

reprezintă în probleme de minimizare a costului, cererea (sau cererea pe unitatea de

timp) şi atunci inegalităţile corespunzătoare sunt > sau în probleme de minimizare
a beneficiului reprezintă disponibilul şi atunci îi corespund inegalităţi <.
Vectorul linie C = (chc2,.--,c„) reprezintă costul unitar în probleme de
minimizare a costului sau beneficiul unitar în problemele de maximizare a
beneficiului. în sfârşit, vectorul

X =

X
\ n
este nivelul activităţilor şi practica arată că trebuie să fie întotdeauna
nenegativ. Prin definiţie X > 0 dacă Xj > 0 , j = 1,2,..., n
Cu aceste notaţii matriciale, forma generală a problemei de programare
liniară de primul tip exemplificat prin problema de planificare a producţiei este:
[m ax]/ = CX
AX < b
X >0
sau de al doilea tip exemplificat cu problema de amestec este:

40
 [min]/ = CX
AX>b
X >0 .

Ambele cazuri pot fi reduse la forma standard în baza teoremei

demonstrate mai înainte, de transformare a inegalităţilor în egalităţi şi anume se
cere:
[min/ m ax ]/ = CX
cu condiţiile:
AX = b
X>0 .

întrucât dezvoltările teoretice ulterioare se vor face luând în considerare

problema de programare liniară sub forma standard, vom prezenta-o pe aceasta sub
aşa numita formă vectorială utilă în demonstraţiile ce vor urma şi anume:

Notăm:
'« 1 2 '

a 2 \ a 22 « 2n
a , = \ a 2 — ’ " • > a n ~ coloanele matricii A.

v a m l , ^ a m 2 >
\ m n )

Modelul sub forma standard se va scrie:

[min/m a x ]/ = CX

cu condiţia:
χ ιαι + χ 2α2 +... + χ ηαη =b
X>0
Observaţie: Evident că în modelul sub formă canonică egalitatea vectorială
precedentă devine o inegalitate.

3. Soluţii ale problemei de programare liniară şi proprietăţile lor

Aşa cum am arătat la punctul 2, consideraţiile teoretice precum şi

algoritmul de rezolvare a problemei de programare liniară se vor face pe forma
standard a modelului problemei şi în plus, pentru a fixa ideile, optimul funcţiei de
eficienţă f se va considera

41
 [m in]/ = j ţ c j X j
1

Să considerăm deci, modelul problemei de programare liniară sub forma

standard:
[m in]/ = CX (1)
AX =b (2 )
X>0. (3)

Sunt necesare câteva precizări:

1°. Aşa cum s-a mai spus, matricea A a sistemului de restricţii are m linii şi
n coloane.
2°. Sistemul (2) se presupune că are cel puţin o soluţie, în caz contrar
rezolvarea problemei şi-ar pierde sensul.
3°. Dacă rangul matricii A ar fi mai mic decât m,sistemul restricţiilor fiind
totuşi compatibil, o parte dintre ecuaţiile cuprinse în (2) ar fi consecinţe ale
celorlalte, deci ar putea fi înlăturate. De aceea, vom considera încă de la început că
rang(A)=m.
4°. De asemenea, vom considera că numărul variabilelor n este strict mai
mare decât numărul restricţiilor m, această condiţie evitând unicitatea soluţiei
sistemului de restricţii. Deci m<n.
în continuare vor fi formulate unele definiţii şi se vor stabili cele mai
importante proprietăţi ale soluţiilor problemei generale de programare liniară.
Definiţie 1. Se numeşte soluţie posibilă (realizabilă) a problemei de
programare liniară, vectorul X = (xj,x2,...,xn) care satisface condiţiile (1) şi (2),
adică restricţiile şi condiţiile de nenegativitate.
Definiţia 2. Soluţia posibilă X = (xt,x2.....xn) se numeşte soluţie de bază
dacă vectorii aj din expresia:
n

având coeficienţii x} strict pozitivi, sunt liniari independenţi.

Din definiţia soluţiei de bază, rezultă că numărul componentelor sale
pozitive este cel mult egal cu m.
Definiţia 3. O soluţie se numeşte nedegenerată dacă ea conţine exact m
componente strict pozitive.
Definiţia 4. Soluţia posibilă care optimizează (minimizează) funcţionala
liniară ( 1) se numeşte soluţie optimă a problemei de programare liniară.
Teorema 1. Mulţimea soluţiilor posibile ale problemei de programare
liniară este o mulţime convexă.

42
 Teorema 2. Funcţionala liniară / a problemei de programare liniară îşi
atinge minimul într-un punct vârf al mulţimii convexe K a soluţiilor posibile ale
problemei.
S-a n'otat cu K mulţimea soluţiilor posibile ale problemei de programare
liniară.
Dacă funcţionala/ia valoarea minimă în mai multe puncte vârf, atunci/ia
aceeaşi valoare minimă în orice punct care se exprimă ca o combinaţie liniară
convexă a acestor puncte vârf.

4. Rezolvarea unor probleme de programare liniară prin m

elementare.

Am prezentat la punctele precedente unele rezultate pe baza cărora o

problemă de programare liniară în anumite cazuri particulare poate fi rezolvată prin
metode elementare, fără a aplica metoda simplex al cărei algoritm este propriu
programării liniare şi care va fi expus mai departe. Aceste metode elementare de
care ne vom ocupa aici constau în metoda grafică şi metoda algebrică.
în cele ce urmează vom aplica pe exemple adecvate cele două metode
menţionate.

a) Metoda grafică
1°. Să se determine
[m ax]/ = 3.x, + 2 x 2
cu condiţiile:
2xx + x 2 > 5
3;^ - 2 x2 < 6
xl + x 2 < 4
x x > 0 , x 2 >0
Se observă că problema conţine numai două variabile ceea ce permite
rezolvarea pe cale grafică folosind împărţirea planului în regiuni pentru
determinarea poligonul K al soluţiilor realizabile şi faptul că optimul funcţiei de
eficienţă are loc într-un punctvârf al lui K. Prin urmare reprezentăm grafic dreptele
(dx)2xl + x 2 - 5 = 0; (d2)3x, - 2x 2 - 6 = 0; (dz)xx+ x 2 - 4 = 0 care conform
sistemului de inegalităţi determină soluţiile K din figură ale cărei vârfuri sunt

punctele A
7 7 5 5

43
se deplasează măturând poligonul K şi ultimul punct comun cu domeniul K este
punctul C adică pentru xj = 1 şi x2 = 2, / ia valoarea maximă =./(l,3) = 9.
Un raţionament analog ne conduce Ia faptul că valoarea minimă a lui f are

loc în punctul şi este egală cu f ^ n =

Observaţie·, este clar că în cazul unui număr mic de restricţii, poligonul

soluţiilor are un număr mic de vârfuri şi valoarea maximă sau minimă a funcţiei
obiect/v / se află calculând valoarea lu i/în toate punctele vârf ale lui K. în cazul
când K are un număr mare de vârfuri metoda folosită evită cunoaşterea
coordonatelor tuturor vârfurilor precum şi calculul lu i/în toate vârfurile.

2°. Să considerăm acum o problemă cu enunţ economic concret pe care o

vom rezolva prin aceeaşi metodă.
Pentru realizarea a două produse Pj (j =1,2) se găsesc la dispoziţie patru
feluri de materie primă M, (i = 1,2,3,4) în cantităţile 12, 8, 20, respectiv 12 unităţi.
O unitate din produsul Pi consumă din Mj, M2, şi Mj câte 2,1 respectiv 4 unităţi şi
aduce un beneficiu de 2000 u.m. iar o unitate din produsul P2 consumă din Mh M2
şi M4 câte 2, 2 respectiv 4 unităţi şi aduce un beneficiu de 3000 u.m. Să se
determine numărul de unităţi ce trebuie realizate din cele două produse astfel încât
să se obţină un beneficiu maxim.

44
 Când am prezentat modelul teoretic al unei astfel de probleme de
optimizare a unui plan de producţie, am prezentat datele problemei într-un tabel ca
cel de mai jos.

Notând cu x t şi cu x2 cantităţile de produs P, respectiv P2 conform

condiţiilor problemei, modelul matematic se scrie:
2xx + 2 x 2 <12
xx+ x 2 < 6
^1 + 2 x2 <8
xx + 2 x 2 < 8
4xx < 20 sau
0 < xx < 5
4 x2 <12
0 < x 2 <3
IV

x1 > 0
o

[maxi/ = 2000^! + 3000x2

Procedând ca în exemplul precedent poligonul K al soluţiilor realizabile
este cel de mai jos:

A(5,0)

45
 2 /
Funcţia obiectiv se scrie sub forma x 2 = — x, + — — şi reprezentăm

Deci X, = 4,x2 = 2 şi

/max = /(4 ,2 ) = 2000 · 4 + 3000 · 2 = 14000

Se vor realiza deci 4 unităţi de produs Pi şi 2 unităţi de produs P2 cu

beneficiul maxim egal cu 14.000 u.m.
Conform planului optim din cele patru resurse se utilizează următoarele
cantităţi:

Μ, :2 · 4 + 2 ·2 = 12 :4 ·4 + 0 ·2 = 16
M2 :1 ·4 + 2 ·2 = 8 Μ , : 0 ·4 + 4 ·2 = 8

Rămân din M3:20 - 16 = 4 unităţi neutilizate iar din M4:12 - 8 = 4 unităţi

neutilizate.

3. Folosind metoda grafică expusă mai sus vom considera câteva probl
de programare pe care le propunem cititorului, probleme ce ilustrează diverse
situaţii referitoare la forma lui K şi la valoarea optimului lui f.

1. Aflaţi [m ax]/ = x l - x 2 şi [m in]/ = xl - x 2 cu condiţiile:

+ x2 <5
<2
xx> 0 x2 > 0

Soluţie: Problema are optim finit cu / ^ = -5 , x, = 0, x 2 = 5 şi fmu = 2, Xi = 2,

x2= 2, mulţimea K fiind mărginită.

2. [m ax]/ = 2xt + 2x2, cu condiţiile

+ x2 <5
*1 <3
x. > 0 x, > 0

46
Soluţie: Problema are soluţie optimă multiplă şi anume toate punctele de pe
segmentul BC din figură:

C(0,5)

Avem:
f(C) = f(0,5y,f(B) =f{2,3) = 1 0 ;M ) =/(3,0) = 6;/(0,0) = 0. Deci: W = 10
pentru jc/ = 0, x2 = 5 şi de asemenea pentru xi = 3, x2 = 2. Avem deci două soluţii
optime:
i ° N,x 2=i 3 l . Se observă că din cauza paralelismului dreptei
^2/
reprezentată de funcţia de eficienţă cu segmentul BC, orice punct de pe acest
segment este de asemenea soluţie optimă a problemei. într-adevăr segmentul fiind
o mulţime convexă orice punct X de pe BC se scrie ca o combinaţie liniară a
vârfurilor şi anume:

X = λ Β + ( \ - λ ) θ = λ Χ ι + ( ΐ - λ ) Χ 2, 0 < A < 1

sau

X - λ +(i - a ;
'3 λ
ί5 -33ĂA )

Luând A = i , găsim soluţia X = pentru care j{ 1,4) = 10 deci X este

4
v y
optimă.

3° Se cere [m ax]/ = xx - x 2] [m in]/ = jc, - x 2 cu condiţiile:

47
 ÎXi + χ2 >5
U Ζ3
jcl > Ο, * 2 > 0

în acest caz K este:

f(C) =/(0,5) = 0 - 5 = - 5 ; f ( B ) = 3 - 2 = 1;/(1,6) = 1 - 6 = -5;

/( 2,8) = 2 - 8 = - 6; rezultă că valoarea minimă a lui f = Xi - xi este infinită
deci: / min = — (optim infinit).
Pentru [m ax]/ = - x 2 el este infinit, atins în punctul B şi este egal cu
/ max = / (B) = / (2,3) = 1.

4°. Problema de programare liniară care cere maximul sau minimul unei
funcţii obiectiv oarecare în variabilele Xi şi x2 cu condiţiile:

χλ +x 2 ^3
x2 >4
xx > 0, x2 > 0

nu are soluţii aşa cum se vede din figură, deoarece sistemul de inegalităţi
este incompatibil neexistând astfel mulţimea K a soluţiilor realizabile

48
 b) Metoda algebrică. Ca şi la metoda precedentă, forma particulară a u
probleme de programare liniară permite să se aplice şi alte metode mai simple
pentru soluţionarea lor, de exemplu metoda algebrică.
1. Să se determine:

[m in]/ = 3x, - 2x2 + 4x,

cu condiţiile:
xx + 3x2 + 2x3 = 3
3xt + 3*2 + x3 = 4
Xj > 0 , j = 1,2,3
Caracterul particular al acestei probleme este acela că conţine trei variabile
şi restricţiile sunt egalităţi, fapt ce permite un procedeu de rezolvare algebrică după
cum urmează: exprimăm două variabile în funcţie de a treia:

Î 3x2 + 2x} = 3 - x x
3x2 + x3 = 4 - 3λγ,

din care deducem x3 = 2xt - 1, x 2 = —(l —jc, ) .

2

Dar condiţiile de nenegativitate x 3 > 0, x 2 > 0 conduc la

2xt - 1 > 0
0 < χ , < — fl .
1 2 =>
X, <1 I-2

49
 Funcţia obiectiv în care am pus
x2 = | · ( ΐ - χ , ) şi * 3 = 2 *, - 1 ,

43 22
se scrie în funcţie de x {, f - — - — care este o funcţie crescătoare în x;.

Vom avea deci:

—< 4 < 1
2

/ < /( * ,) < /( ! )
f
Rezultă că f ^ n = / = ~ Ş* / _ = / < 1) = 7
v2 / O

Prin urmare * pentru ‘ =1- , * 2 = - ^ 1 - * , ; =1- 5«

x3 = 2*, - 1 = 0 iar / max = 7 pentru x, = 1, x 2 = 2 şi x i = 1.

5. Algoritmul simplex. Bazele teoretice ale algoritmului simplex.

în paragraful de faţă vom prezenta bazele teoretice ale metodei simplex
precum şi etapele de calcul ale algoritmului acestei metode.
Metoda simplex permite ca pornind de la o soluţie de bază cunoscută a
problemei de programare liniară să obţinem după un număr finit de iteraţii (paşi)
soluţia optimă.
Fiecare din aceste iteraţii constă în găsirea unei noi soluţii căreia să-i
corespundă o valoare a formei liniare mai mică decât cea corespunzătoare soluţiei
precedente. Procedeul se repetă până când se obţine soluţia optimă.
Aşa cum s-a arătat în capitolul precedent, fiecare soluţie de bază şi în
particular soluţia optimă este legată de un sistem de m vectori liniar independenţi.
De aceea, este firesc ca în procesul căutării soluţiei optime să ne mărginim la acele
soluţii care sunt legate de sisteme de m vectori liniar independenţi, adică la soluţii
de bază, al căror număr este finit.
a) Aflarea soluţiei optime a problemei de programare liniară
Să presupunem că problema de programare liniară admite soluţie şi orice
soluţie de bază este nedegenerată. Să admitem, de asemenea, că cunoaştem o astfel
de soluţie de bază. în cele ce urmează se va arăta că presupunerile făcute nu
micşorează în nici un fel generalitatea raţionamentelor.
Fie X = {xl,x 2,...,xm) soluţia de bază cunoscută şi legat de aceasta
sistemul acelor vectori liniar independenţi ax,a 2,...,am. Au loc astfel relaţiile:

50
 x xax + x 2a2 +... + xmam = b ( 1)
Ş·
xlcl + x 2c2 +... + xmcm = f 0 (2)
unde toţi xt > 0, c, sunt coeficienţii formei liniare corespunzătoare soluţiei de
bază date. Deoarece vectorii ax,a 2,...,am sunt liniar independenţi, orice vector al
sistemului de vectori ax,a 2,...,an se poate exprima în mod unic ca o combinaţie
liniară a lor. Să admitem că vectorul aj se exprimă prin combinaţia:
*ijOx + x2ja2 +... + xmjam= o ,, j = 1,2,...,n (3)
Şi
x xjcx + x 2jc2 + ... + xmjcm = / , , j = 1,2.... n (4)
unde Ci este coeficientul formei liniare a problemei, corespunzătoare
vectorului a,·.
Teorema 1. Dacă pentru indicele j fixat este îndeplinită condiţia
f j ~ C j > 0 , atunci se poate construi o astfel de mulţime de soluţii încât pentru
fiecare dintre aceste soluţii să fie satisfăcută inegalitatea f < f 0 unde / este
valoarea formei liniare corespunzătoare soluţiei considerate.
Cazul /. Dacă marginea inferioară a numerelor / este finită se poate
construi o nouă soluţie de bază căreia să-i corespundă o valoare a formei liniare mai
mică decât precedenta.
Cazul II. Dacă marginea inferioară a numerelor / este infinită se poate
determina o nouă soluţie care conţine exact m+1 componente pozitive şi căreia îi
corespunde o valoare a formei liniare oricât de mică.
Demonstraţia în ambele cazuri se sprijină pe următoarele consideraţii
suplimentare:
înmulţim (3) şi (4) cu numărul Θ şi scădem rezultatele din (1) şi (2)
respectiv. Obţinem:

(x1- e x l)ax + (x2 - e x 2)a2 +... + (xm- e x m)am+ eaJ = b (5)

(xx - QxXJ]t, + (x2 - 0x2j H + - + (*„ - &xmj K + Ocj = /o - (fj - Cj ) (6)

în relaţia (6) s-au adunat ambii membri.

Dacă toţi coeficienţii vectorilor ax,a 2,...,am,...,aj din (5) sunt nenegativi,
obţinem o nouă soluţie căreia conform lui (6) îi corespunde valoarea formei liniare
/ = f 0 - e ( f j - Cj ) . întrucât variabilele xx,x 2,...xm în (5) sunt pozitive, există

51
θ0 > Ο pentru care coeficienţii vectorului în (5) devin pozitivi. Din condiţia
f j - Cj > 0 pentru j fixat deducem:
/ = Λ - β ( Λ - « ;) < /.·
0 > 0 . Observăm astfel că în ambele cazuri se poate obţine o nouă so
căreia îi corespunde o valoare a formei liniare mai mică.
Să considerăm acum cazul 1. Dacă pentru j fixat cel puţin un
x tj (i = 1 , 2 din (3) este pozitiv, cea mai mare valoare a lui Θpentru care toţi
coeficienţii din (5) devin negativi, este dată de relaţia:
0O= min — (7)
' X‘J
unde minimul se ia pentru toţi Xy > 0
întrucât presupunem că problema este nedegenerată, adică toate soluţiile de
bază conţin m componente pozitive, minimul în (7) va fi atins pentru un singur
indice i. înlocuind pe Θ cu θ0 în (5) şi (6) coeficientul corespunzător acestui indice
unic i se va anula. Obţinem astfel o nouă soluţie de bază legată de vectorul a} şi de
m-1 vectori ai bazei iniţiale.
Cu noua bază efectuăm aceleaşi operaţii ca şi cu cele precedente. Dacă
iarăşi una din diferenţele / . —c · > 0 şi corespunzător x tj > 0, se poate trece la o
altă soluţie de bază căreia îi corespunde o valoare a formei liniare, de asemenea,
mai mică. Procesul se continuă până când sau toate diferenţele devin nepozitive
( f . - Cj < O) sau se întâmplă ca pentru o diferenţă f . - c; să avem toţi Xy < 0 .
Dacă toate diferenţele f j - c} < 0 procesul se încheie.
în cazul 2, dacă la o anumită iteraţie pentru un anume indice j diferenţa
f j - Cj > 0 şi toţi Xy < 0 atunci Θ este nemărginit superior şi forma liniară poate
lua o valoare oricât de mică.
Se vede că în acest caz pentru Θ > 0 , toţi coeficienţii din (5) sunt pozitivi.
Obţinem astfel o soluţie care are m+1 componente pozitive, şi dacă luăm pe Θ
suficient de mare, valoarea corespunzătoare a formei liniare dată de membrul doi al
egalităţii (6) poate fi oricât de mică.
Teorema 2.Dacă la o anumită iteraţie căreia îi corespunde soluţia de bază
X = (*,,*2,...,*,,,) sunt îndeplinite inegalităţile f j —Cj < 0 pentru toţi indicii
atunci soluţia X este optimă.
Demonstraţie'. Fie Y = (y,, y 2 y n) o soluţie oarecare
y\a\ + y2a2 + ···+ ynan = b (8)
y xcx + y 2c2 +...+ yncn = f * (9)

52
 unde f * este aşa cum rezultă din (9), valoarea formei liniare
corespunzătoare soluţiei Y. Să arătăm că f 0 < f * (menţionăm că demonstraţia nu
presupune condiţii de nedegenerare).
Prin ipoteză f ■- c;. < 0 pentru toţi indicii j şi prin urmare, prin înlocuirea
lui cj cu fi obţinem:
y x ^ + y 2z2 +... + ynzn < f * (10)
înlocuind expresiile lui üj pentru fiecare j= l,2,...,n date de (3) în (8) avem:

( m \
^ J ”, N
Σ * « α < + >'2 + ···+ > '„ Σ * / π α <·
l « ) k 1=1 J l i=1

şi schimbând ordinea de sumare

(" 1 f " 1
Σ ^ · χυ a\ + l y j x2j a2 + ...+ l y s *
{m j { ;=i J l» J
Analog înlocuind expresiile lui pentru fiecare j= l,2,...,n dată de (4) în
inegalitatea ( 10) obţinem

f " f" )
f n ^
Σ ^ χ υ· c, + Σ % c2 + ...+ l y j xmi cm< f * (12)
, J=l { ;=i J { ;=i J

întrucât sistemul de vectori av a2,...,am este liniar independent,

coeficienţii corespunzători vectorilor a.j(j = 1,2,...,n) din expresiile ( 1) şi ( 11)
trebuie să fie egali. în consecinţă, din (12) rezultă:

X l C l + X 2C 2 + . . . + XmCm < / * ,

sau în baza relaţiei (2) f 0 < f *.

Teoremele 1 şi 2 dau posibilitatea ca începând cu o soluţie iniţială a

problemei să se obţină un şir de noi soluţii de bază care să conducă la soluţia
optimă sau la concluzia că nu există soluţie optimă.
Presupunerea asupra nedegenerării asigură obţinerea soluţiei optime după
un număr finit de paşi. Dacă nu facem această presupunere se poate întâmpla ca
printre cele m componente Xj ale soluţiei, una sau mai multe să fie nule. în acest caz
Θ0 poate fi egal cu zero, iar prin trecerea la o nouă soluţie de bază valoarea formei
liniare să rămână aceeaşi. Forma liniară poate să păstreze aceeaşi valoare în

53
decursul mai multor etape succesive şi după un număr oarecare de paşi este
posibilă revenirea la o bază anterioară. Avem de-a face cu ceea ce se cheamă
fenomenul de ciclare. în procesul de calcul, apariţia degenerării se manifestă atunci
când soluţia de bază are mai puţin de m componente strict pozitive x-, şi (sau)
X.
θ0 - m in — cu x u > 0 corespunde mai multor indici i. Această neunicitate a
i X
V
indicelui i face ca unele componente jc, din noua soluţie de bază să fie egale cu
zero.
b) Criteriile de intrare şi ieşire din bază. Criteriul de optim.
în prezentarea algoritmului simplex vom considera două situaţii:
1. Soluţia iniţială de bază corespunde unei baze iniţiale formată din m
vectori liniar independenţi, ceilalţi vectori coloană ai sistemului de restricţii fiind
exprimaţi în această bază.
2. matricea sistemului de restricţii conţine m vectori unitari care alcătuiesc
matricea unitate de ordinul m care poate servi drept bază unitară corespunzătoare
soluţiei iniţiale de bază.

1. în prima din aceste două situaţii fie av a2,...,am vectorii coloană liniar
independenţi ai matricii sistemului de restricţii şi fie B matricea de ordin m
alcătuită cu aceşti vectori:
B = (al,a 2,...,am).
Pentru determinarea soluţiei de bază X corespunzătoare bazei B şi pentru
exprimarea celorlalţi vectori după vectorii bazei este necesar în primul rând să
calculăm B'1. Deoarece:
BX=b

obţinem: X=B'!b

şi Xj=B'1aj

unde X = (x,,x2, xt >0

Şi .....Xmj)

sunt vectori coloană.

Să grupăm acum vectorii matricii problemei de programare liniară
partiţionând-o în felul următor:

( % , a 2,...,am|am+1,...,a„) (13)

54
 înmulţind în (1) cu B'1 şi ţinând seama de relaţiile precedente obţinem:

( x |i „ |x „ ......X,,)·

Calculăm diferenţele - Cj j = 1,2,..., n şi verificăm dacă există sau nu

cel puţin un indice j pentru care să avem f j ~ c } > 0 . în caz afirmativ, procedeul
de calcul continuă aşa cum a fost descris în teorema 1. Dacă toate diferenţele
f j - Cj < 0 atunci înseamnă că s-a obţinut soluţia optimă.
în general, cu deosebire în problemele de programare liniară de dimensiuni
mari este greu de arătat că un subsistem arbitrar de m vectori din sistemul de
vectori al,a 2,...,an este liniar independent şi că formează o bază şi cu atât mai
mult de calculat matricea B'1 despre care a fost vorba mai sus. Este necesar, prin
urmare să dispunem de metode care să ne permită alegerea mai lesnicioasă a bazei
iniţiale şi câteva astfel de metode vor fi expuse mai departe.
Menţionând însă că în mai multe probleme practice este întâlnită cea de a
doua situaţie semnalată şi de ea ne vom ocupa în detaliu în continuare.
Considerăm deci că sistemul dat de vectori alfa2,...,an conţine m vectori
unitari care pot fi grupaţi astfel încât să formeze matricea unitate de ordinul m (vezi
tabelul 1).
Să presupunem că aceştia sunt vectorii ax, a2,..., am. Atunci matricea:
B = (al,a 2,...,am) = l m este o bază. întrucât B''=Im, obţinem soluţia
iniţială de bază:

X = b, b > 0
şi Xj = aj

unde: X = (jcp x2,...,xm) x, > 0

^ j ~ (*lj ) X 2 j X mj )

Pentru a începe procesul de calcul după metoda simplex vom scrie

desfăşurat matricea problemei de programare liniară aşa cum este arătată în tabelul
1 (de obicei în practică, vectorii nu se grupează împreună, noi i-am grupat totuşi
pentru ca expunerea teoretică să fie mai clară).

55
 Tabel 1

C i C 2 ... C l ... C m
......
... C j
... C * ... c H

1 B a z a c b
a i 0 2 ··· a i ... a m
a m + l
... O j ... O * ... e »

1 f l/ C i x i 1 0 ... 0 0
X l . m +1
...
x / j
... X ik ... X lm

0 1 ··· 0 ··· 0 ··· X 2k X 2m

2 0 2 c 2 * 2 X 2.m +2 x y

a i C l x i 0 0 ... 1 ... 0
X 2* + l
... x v ... X lk ... X b ,

0 1 X m k X m n
m a m <■ c „ X m 0 0 x * i
x m , r n + j ....

m + 1
-— - ?

f o 0 0 ... 0 ... 0
fm + rC m + l
... f t - C , ... f k - C k ... f n ~ C n
 în baza relaţiilor precedente, în sistemul de restricţii al problemei considerate
scris sub forma A X = b vom pune x,· = bt şi x tj = a(j , iar f j , j = 0,1,2,...«
este egal cu produsul scalar dintre vectorul a, şi vectorul coloană al coeficienţilor
funcţionalei liniare,adică:
m
/o
/»I
m
f j = l L cix ij> y = 1,2,...,n
i=I
Elementele / 0 şi f j ~ Cj sunt plasate pe locurile corespunzătoare ale liniei
m +1 din tabelul 1. Diferenţele f j —Cj corespunzătoare vectorilor bazei sunt
întotdeauna egale cu zero. Dacă toate diferenţele f j —cy· < 0 pentru
j = 1,2,...«atunci soluţia de bază X = ( xţ, x 2,..-,xm) = este
optimă şi valoarea minimă a formei liniare este egală cu f
Să presupunem însă că cel puţin una dintre diferenţele f } - Cj > 0 . Vom trece
atunci la o nouă bază care să conţină m -1 vectori ai bazei iniţiale av a2,...,am ea
poate fi completată cu orice vector căruia îi corespunde diferenţa f j —c · > 0 .
Aşa cum arată Danzig, numărul de paşi necesari pentru obţinerea soluţiei
optime poate fi considerabil micşorat dacă în bază se introduce acel vector a.j cu
care la iteraţia respectivă conduce la micşorarea maximă posibilă a
formei liniare. Vectorul a; în acest caz corespunde valorii:
m a x 0o( / y - c y)
unde θ0 se determină pentru flecare j din relaţia (7). Dacă numărul indicilor j
pentru care f j ~ cj > 0 este mare,criteriul mai sus indicat devine greoi. Un
criteriu mai simplu de alegere a vectorului ce urmează să intre în noua bază constă
în alegerea vectorului aj care realizează m a x (/;· ~ Cj ) . Acest criteriu se aplică
adesea şi prin folosirea lui,trecerea de la soluţia iniţială de bază la soluţia optimă,
se realizează după m paşi.
Presupunem în acest sens că:
m ax(/y - c j ) = f k - c k > 0
Atunci vectorul ck va fi introdus în noua bază. Calculăm:

57
 X.
θ0 —min —— pentru xik > 0 .
x ik

Dacă toţi xik ^ 0 se poate determina o soluţie căreia să-i corespundă o valoare
oricât de mică a funcţionalei liniare / (teorema 1,cazul 2) şi procesul de calcul ia
sfârşit. Să admitem că există un xik > 0 şi
û · Xi xi
θ0 = min —- =—-
‘ X ik X lk
Urmează atunci ca vectorul a/ să fie scos din bază. Noua soluţie va corespunde
bazei alcătuită din vectorii al ,a 2,...al_l ,aM ,...,am,am+l. Să determinăm mai
departe noua soluţie de bază şi coordonatele vectorilor care nu fac parte din bază,
în această bază.
întrucât baza iniţială este {ax,a 2,...am) = I m atunci:
b = xlal + ...+ x,al +... + xmam (14)
at = xlkax +... + xI,k^k +... + xmla
mk m (15)
Şi d j —Xÿ(i\ + ··. + Xijdi +... + xmjam (16)
Din

a l ----------- ( a k Xlka i — X mka m ) (17)

X lk

înlocuind expresia lui a, în (14) obţinem:

1
(a k a \ka 1 + . . . + Xm
mCLm
m
Klk
sau:
/ N / \
Xl xt
b= Xl
X \ -------- ax + Xm ------X m k
X tK
lk xk XlL
V \ * )
X
relaţie care este echivalentă cu (5) pentru j - k şi Θ = — . în acest mod, noua
v/jt
soluţie X ' —(x\,...xk,...,x'm) definită de relaţia:
b = x[al +x'2a2 +... + x'mam
are componentele x[,...,x'k,...x'mce se calculează după formulele:
X
x'i = x i — -X ik, i = 1,2,.J (18)
Vk

58
 în mod analog înlocuind (17) în (16) se obţine exprimarea fiecărui vector a, care
nu face parte din noua bază ca o combinaţie liniară de vectorii acestei baze:

aj = x'j a, +... + xkjak +... + xmjam,

unde:
Xu
x i j = x i j -----* l (19)
Xlk
, X lj
x kj = —
XU
întrucât:
fj ~Cj = xijCj + -x'kjCk + ...xmJcm - Cj

ţinând seama de formulele (7) obţinem:

x lk
De asemenea, înlocuind expresiile lui x[ şi x'k date de (18) în relaţia :

f ' = clx 'l + ... + ckx'k +... + cmx'm

obţinem:

/o = / o - — ( f k ~ Ck)
Xlk
Observăm acum că pentru obţinerea noii soluţii de bază X \ noilor vectori X j’ şi
diferenţelor corespunzătoare f j ~ cj , fiecare element al tabelului 1 din liniile
i = 1,2,..., m + 1 şi coloanele j = 0,1,..., n se transformă după formulele:
 __ f __ / /./ __ t
Xi — XiO’ J O ~ Xm + l,0’ J j Cj ~ Xm+\,j ·

Formulele generale (20) se aplică tuturor elementelor tabelului inclusiv

coloanei lui b şi celei de a m+l-a linii. Transformările exprimate de formulele (20)
sunt echivalente cu cele proprii metodei eliminării complete în care ca element
pivot se ia elementul xlk.

După ce tabelul iniţial a fost completat, calculul fiecărei iteraţii se efectuează

conform cu următoarea succesiune de operaţii:

1. Se examinează valorile diferenţelor f j ~ cj- Dacă toate diferenţele

f j - Cj < 0 pentru vectorii a,· ce nu intră în bază, soluţia nu mai poate fi
îmbunătăţită, este optimă (minimă).

2. Dacă f j - Cj > 0 pentru unul sau mai mulţi o, ce nu sunt în bază se introduce
în baza următoare vectorul ak pentru care:
f j - Cj = m a x ( f j - Cj > 0 ) (criteriul de intrare în bază).

3. Se stabileşte vectorul ce trebuie să iasă din bază. Pentru aceasta se efectuează

X·
rapoartele ——, i = 1,2,..., m şi alegem vectorul a, pentru care:
x ik
X, . X:
— = m in — pentru toţi xik > 0 .
x kl 1 x ik

Conform criteriului de eliminare din bază, noul vector akia locul vectorului a ; .
Dacă toţi xik ^ 0 forma liniară a problemei este nemărginită (inferior).
4. Se stabileşte elementul pivot xtk şi vechea soluţie precum şi toate elementele
tabelului se transformă după formulele (20).

Ca rezultat al fiecărei astfel de iteraţie se obţine o nouă soluţie de bază. în

baza teoremelor 1 şi 2 în final, fie obţinem soluţia optimă fie ne convingem că
funcţionala liniară / este nemărginită (inferior).

După efectuarea primei iteraţii se obţine tabelul 2.

60
 Tabel 2

Cl ' ’ c 2 ... Cl ... Cm Cm+l ... Cj ... ck ... c„

i Baza C XB ai a2 ... ai ... am ... ... ...
a m+i ai ak an
1 ai Cl x'i 1 0 ... x ’n ... 0 X'l.m+1 ... x'if ... 0 ... X'in
2 a2 c2 x'2 0 1 ... x ’2i ... 0 X2.m+2 ... x 'ij ... 0 ... X'2n

i at Cl x'i 0 0 ... x ’u ... 0 x'2.m+I ... A ... 1 ... X'in

m Cm X'm 0 0 ... Xml ; 1 X m.m+1

: x 'ny 0 X mn

m+1 fo 0 0 ... fl -C l ... .0 fm + rC m + l ... f j ' c i ... 0 ... fm ~ C n

Exemplu: Să se determine:

[mini/ = x2 - 3x3 + 2xs

cu condiţiile:

X, + 3x2 -Χ 3 + 2x5 =7
- 2x2 + x 3 + χΛ = 12
-4 x 2 +3;c3 + 8x 5 + x6 = 10
Xj > 0 j = 1,2,...,6

Cu notaţiile folosite în expunerea teoretică avem:

' 1 3 - 1 0 2 0 " ' 7N

A = 0 - 2 4 1 0 0 . b = 12
>
4^
1

3 0 8 1 / 10
0

\ y
al °2 *3 a 4 °5 «6

c = (0, 1 , - 3 , 0 , 2 , 0 )

Baza iniţială (vezi tabelul 3, iteraţia 0) este formată cu vectorii unitari

a{,a 5,a 6 şi îi corespunde soluţia iniţială de bază X = (χ 15λ:5,χ 6) = (7,12,10).
întrucât cx = c 4 = c6 = 0 valoarea formei liniare f 0 este egală cu zero. în bază se
introduce a 3 deoarece m a x (/ ; —Cj) = /3 —c3 = 3 > 0 , Raportul

xi
θo 0 = mm·
— pentru
' *,3

xi3 > 0 adică: min

Prin urmare, vectorul a4 va ieşi din bază şi va fi înlocuit de a3. Transformând

tabelul (vezi tabelul 3 iteraţia 2) se obţine noua soluţie de bază
X' = ( jtj.jtj, jr4) = (10,3,1) căreia îi corespunde valoarea formei
liniare egală cu -9 . Avem:

62
 max ( f j - c j ) = f ' - c 2 ^ ~ > 0

de aceea în a doua iteraţie se introduce în bază vectorul a2 în locul lui a

Transformând tabelul iteraţiei a doua obţinem a treia soluţie:

X ' = (*2>*3>*6) = (4 ’5>11)

căreia îi corespunde valoarea formei liniare egală cu -11. Deoarece:

m a x ( / ' - C ;) = 0

această soluţie este optimă. Dacă pentru soluţia optimă o diferenţă oarecare
, iar vectorul ajnu face parte din ultima bază ( f ă r ă bază optimă)
atunci el poate fi introdus în bază fară ca valoarea formei liniare să se schimbe.
Soluţia de bază corespunzătoare va fi, de asemenea, optimă. Orice combinaţie
liniară convexă a acestor soluţii optime este, de asemenea, o soluţie optimă a
problemei.

Observafie. Problemele în care / se cere maximizată se reduc la probleme de

minim deoarece pentru funcţiile liniare putem scrie:

η n
max £ CjXj = - min J (-Cj Xj )
XJ 7=1 X> 7=1

sau
max / = -m in (-/ )

Urmează că la maxim schimbăm semnul lui Cj, aflăm minimul şi schimbăm

semnul numărului găsit.

63
 Tabel 3

64
 6. Metoda bazei artificiale
Până acum am presupus că problema de programare liniară considerată admite
soluţie şi că matricea sistemului de restricţii conţine vectori unitari cu care să se
alcătuiască o bază unitară care, după cum ştim, înlesneşte găsirea imediată a unei
soluţii iniţiale de bază. Multe probleme de programare liniară sub forma standard
nu conţin însă această bază unitară şi într-o astfel de situaţie se recurge la aşa-
numita metodă a bazei artificiale pe care o vom descrie în cele ce urmează.
Să considerăm problema:

[m in ]/ = cxx + C2X2 + —+ Cnxn

cu condiţiile:
a\\x\+ al2x2 + ... + aXnxn = bx
a 2lxx + a22x2 +... + a 2nxn =bn
Xj> 0

a m l Xl + a m 2 X2 + - + a m n Xn = K

la care matricea A = (û ÿ ), t = l,2 ,...,m j = 1,2,...,n nu conţine matricea

unitate Im.
Vom construi pornind de la problema dată (iniţială) o altă problemă numită
problema extinsă şi anume:

[mini/' = c \x \ + C2X 2 + ··· + Cn Xn + t e n+l + k c n+2 + - + f a , n+m

cu condiţiile:

αχχχχ + aX2x2 +... + a lnxn + xn+x = bl

@2\%2 Ct'yjX')
22 2 ^ ... Cl'^rtXl
2 η Λη + X,n+2 = b.

a m\X\ + a a m 2 X2 + — a m n Xn + + Xn+m = b m

în care variabilele nenegative x n+1, Χη+2,·<·>Χη+ηι se numesc variabile artificiale.

Pentru ca ele să nu facă parte din soluţia optimă li se asociază costuri foarte m ari,
denumite costuri de penalizare ( evident λ > 0) şi ale căror valori nu este necesar
să fie cunoscute.
Vectorii an+x,a n+2,...,an+m ataşaţi variabilelor artificiale sunt după cum se vede
vectori unitari şi formează o bază iniţială unitară numită bază artificială. Dacă
problema iniţială admite soluţie optimă atunci ea este optimă şi pentru problema
extinsă. Aplicarea algoritmului simplex problemei extinse asigură determinarea
65
unei soluţii optime în care fiecare dintre variabilele artificiale x„+l este nulă.
Vectorul:

X = (*n+l >*11+2 »···>Xn+m ) = (Pl»^»···»^«,)

reprezintă soluţia iniţială de bază a problemei extinse iar valoarea funcţionalei

liniare corespunzătoare acesteia este:

1=1

Deoarece baza iniţială este unitară (baza artificială) rezultă:

X j ~ (* 1 j * X 2j ) — ( a \ j > a 2 j > ‘“ a m j )

Şi f i ~ ^ j xij-
i=l

De fiecare dată când baza va conţine vectori artificiali, diferenţele f j -C y vor

fi funcţii liniare de λ. Pentru soluţia iniţială avem:

/=1

Fiecare dintre diferenţele f j~ C j se prezintă aşa cum am mai spus ca funcţii

liniare de λ.
Criteriul de intrare în bază este dat de linia (m+1) şi anume va intra în bază
m m
vectorul a k pentru care f k ~ ck~ m ax ^ xij - ^ xik
j i=l j-l

adică de elementul maxim de pe linia (w + 1) (Tabelul 4).

66
 Tabel 4

Cl c2 ... Ck ... Cn A ... A ... A

i Baza C P0
p, P2 ... Pk ... Pn Pn+1 ... Pn+< ... ak
1 Pn+l λ *»+/ Xu X]2 ... Xik ... %ln 1 ... 0 ... 0
2 Pn+2 A %n+2 X21 X22 X2k X2n 0 0 0

/ Pn+i A xn+i Xu Xl2 ... xik ... Xln 0 ... 1 ... 0

m Pn-Hn A Xn+m Xml Xm2 Xmk %mn 0 0 1

m+l ... ... 0 -Cl -c2 ... -ck ... -cn 0 ... 0 ... 0

m+2 Σ χ» 0 0 0
Σ χ- Σ χ<> Σ χ« Σ *»

O
-JN
 Criteriul de ieşire este acelaşi ca la algoritmul simplex primai.
Criteriul de intrare indicat mai sus se aplică atât cât în bază mai figurează
vectori artificiali. Dacă la o anumită iteraţie în bază nu mai figurează vectori
artificiali, dar condiţia de optim nu este îndeplinită (nu toţi Xj - Cj < 0) se
continuă algoritmul obişnuit până se obţine soluţia optimă. întrucât vectorii
artificiali ieşiţi din bază nu vor mai reveni niciodată în bază componentele lor în
iteraţiile ulterioare nu se mai calculează.
Pot avea loc următoarele situaţii:
1. După un anumit număr de iteraţii vectorii artificiali an+\,an+2,...,an+m se
elimină din bază şi se obţine o soluţie realizabilă de bază a problemei iniţiale.
Se arată că în cazul folosirii bazei artificiale complete, adică atunci când baza
artificială conţine m vectori, obţinerea soluţiei optime a problemei iniţiale are
loc după aproximativ 2m iteraţii.
2. Unul sau mai mulţi vectori artificiali au rămas în baza optimă (când toate
diferenţele f j —Cj < 0 , iar variabilele artificiale corespunzătoare acestora au
valoarea zero; în acest caz soluţia problemei iniţiale este degenerată, adică
numărul variabilelor structurale X], x 2 ,···*„ nenule este mai mic decât m.
3. Unul sau mai mulţi vectori artificiali au rămas în baza optimă iar variabilele
artificiale corespunzătoare sunt nenule; în acest caz problema iniţială nu are
soluţie.
Observaţia 1. Se poate întâmpla ca la o iteraţie oarecare să nu iasă din bază
nici unul dintre vectorii artificiali.
Observaţia 2. în cazul în care restricţiile sunt tot egalităţi, dar funcţia de
eficienţă/ se cere minimizată, costurile de penalizare se vor lua negative A < 0 ,
aşa încât prin aplicarea algoritmului simplex să fie eliminate din bază.
în concluzie, modelul unei probleme în care apar variabilele artificiale se
prezintă după introducerea acestora în două moduri:

[m in ]g = clxl + c2x 2 + ... + cnxn + λ ( χ η+ι + X n+2 ” 'X n+m )

n

X j> 0, xn+i > 0 , i =

sau:

[ m a x jg = c,x, + c2x 2 + ... + cnxn - A(x„+1 + xn+2 + ... + xn+m)

68
 £ aljx j+ x n+l=bi
H

X jZ 0, x„+i> 0 i = 1, 2 ,...,τη

Observaţia 3. Dacă o parte din vectorii structurali ax,a 2,...,an din matricea A a
problemei iniţiale sunt unitari, se adaugă un număr mai mic de variabile artificiale
atât cât este necesar pentru ca vectorii ataşaţi acestor variabile împreună cu vectorii
unitari din A să formeze o bază unitară în Rm.
Exemplu. Să se determine:

[m a x i/' = *i + 2 * 2 + 3 * 3 - x4
cu condiţiile:

*, + 2 * 2 +3*3 15
• 2 *j + * 2 + 5*3 = 20
*, + 2*2 + * 3 + * 4 = 10

* , > 0 j = 1, 2 ,3,4
Matricea problemei iniţiale ale cărei coloane sunt vectorii structurali
flj, a 2, a 3 , a 4 corespunzători variabilelor structurale * 1, * 2» * 3, *4 este:

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

°1 a2 a3 aa
care conţine un vector unitar a 4 . Vom introduce variabilele artificiale x5 şi x6 la
prima şi a doua ecuaţie procurând astfel vectorii unitari a5 şi a6 (vectori artificiali)
care completează baza unitară iniţială şi care este baza artificială a5,a6,a4 .
Problema extinsă corespunzătoare este:

[m ax]g = *, + 2*2 + 3 * 3 - * 4 - λ (* 5 + * 6)
cu condiţiile:

69
 X{ + 2*2 + 3*3 + x< = 15
2xj + x2 + 5x3 + x6 =
=220
0
Xj + 2x2 + Xj + X4 = 10

IV
j = 1 ,2,. .,6

o
XJ
cu matricea extinsă:

(1 2 3 0 1 0"
A = 2 1 5 0 0 1
1 2 1 1 0 0
\ /
a \ a 2 03 a 4 *5 «6
Soluţia de bază iniţială corespunzătoare bazei artificiale a5,a 6, a 4 este

X = (x 5,x 6,x 4) = (15,20,10).

Putem aplica algoritmul simplex problemei extinse (vezi tab. 6)

Valoarea funcţionalei liniare / corespunzătoare acestei soluţii este
/0 = 10 + 3 5 A . Fiecare f} este produsul scalar dintre vectorul a} şi vectorul
coloană c, de exemplu:

/ j - c , = A + 2A +1 - (- 1 ) = 2 + 3 A .

în bază se introduce vectorul a3 deoarece elementul maxim ( m+2j) de pe linia

m+2 şi coloana j= 3 adică (jn + 2,3) este egal cu 8. Valoarea 0 O corespunzătoare
. 20
este σ 0 = — se obţine pe linia lui a<j care va ieşi din bază. Transformând toate
elementele primei iteraţii din tabelul 6 după formulele (8) noua soluţie de bază
este:

X ' = (x 5,x 3,x 4) = (3,4,6)

70
 Tabelul 5

-1 -2 -3 1 λ λ
Baza c Λ
a, a3
a2 a4 a3 a6
ai λ 15 1 2 3 0 1 0
a6 λ 20 2 1 5 0 0 1
a4 1 10 1 2 1 1 0 0
fj -Cj 10 2 4 4 0 0 0
35 3 3 8 0 0 0
a5 λ 3 _ 1 7 0 0 1
”5 5
a3 -3 4 2 1 1 0 0
5 5
a< 1 6 3 9 0 1 0
5 5
fj ■cj -6 2 16 0 0 0
5 5
3 7 0 0 0
5 5
a2 -2 |5 1 0 0
5 7
a3 -3 25 3 0 1 0
7 7
a4 1 15 6 0 0 1
7 7

fj 'Cj _ 90 6 0 0 0
7 7
0 0 0 0 0
a2 -2 5 0 1 0 1
2 6
a3 -3 5 0 0 1 _3
2 6
ai -1 2 1 0 0 7
2 5
fj ■Cj -15 0 0 0 -1

71
căreia îi corespunde valoarea funcţionalei liniare f ' 6 + 3Λ . Introducem în
bază vectorul a2 deoarece elementul maxim de pe linia m + 2 egal cu J/ş se află
7
în coloana a doua şi cum θ 0 = — se obţine pe linia vectorului a$ din bază, aceasta
din urmă va ieşi din bază. Noua bază va fi formată numai cu vectori structurali
α 2,α 3,α 4 căreia îi corespunde soluţia de bază.

y# , , ( 1 5 25 \5λ
X = (x 2,x ,x 4) =

Toţi vectorii artificiali au fost eliminaţi din bază, dar nu s-a obţinut soluţia
. , _ 6
optimă deoarece încă există o diferenţă pozitivă J c\ ~ ~ ,
deci soluţia nu este optimă. Se va introduce în bază vectorul a \ şi se va obţine
soluţia optimă:
( 5 5 5^

şi x 4 = 0 ia valoarea formei liniare egală cu -15.

5
Rezultă că / max = 15 obţinută pentru *i = ~>x2 - ~»*4 - 0

7. Cazul când sistemul de restricţii conţine inegalităţi de acelaşi sens.

în prezentarea bazelor teoretice ale algoritmului simplex am considerat modelul

matematic al problemei de programare liniară sub forma standard (restricţiile sunt
egalitati) şi am presupus cunoscută soluţia iniţială de bază pe care am
îmbunătăţit-o la fiecare iteraţie a algoritmului. Sunt cunoscute metode de
aflare a unei asemenea soluţii dar din punct de vedere practic ele nu prezintă
mari avantaje. Determinarea unei baze comode - baza unitară - şi a unei soluţii
iniţiale de bază este înlesnită de natura restricţiilor problemei. în problemele puse
de practică de cele mai multe ori restricţiile problemei sunt inegalităţi; de aceea,
pentru a fi concordanţă cu cerinţa algoritmului simplex prezentat pe cazul când
restricţiile sunt egalităţi, va trebui să transformăm inegalităţile în egalităţi.
în cele ce urmează vom considera două tipuri de probleme de programare
liniară şi anume când restricţiile sunt inegalităţi de sens < sau de sens > şi vom
rezolva problema pusă mai sus a determinării unei soluţii iniţiale de bază şi a
reducerii inegalităţilor la egalităţi ca astfel să aplicăm algoritmul simplex.

72
1. Să considerăm problema:

[m ax j f = Y J cj Xj ( 1)
7=1
cu condiţiile:

i = l,2,...m (2)
7=1

Xj > 0 , j = 1,2,...« (3)

care aşa cum am arătat în paragraful 1 este o problemă de planificare a producţiei,
în care se cere aflarea nivelului activităţilor Xj, j = 1 ,2 ,...«, astfel încât beneficiul
unei întreprinderi industriale să fie maxim ţinând seama de resursele disponibile £,·.
Vom transforma fiecare din restricţiile (2) în egalităţi prin introducerea unei noi
variabile pozitive numită variabilă de compensare (de abatere sau écart).

Restricţiile devin:
auxx + al2x2 +... + a]nxn + *„+1 = bx
a2\X\ + a 22X2 + ··· a2nXn ^ Xn+2 = ^2
: (4)

a m\X\ ^ a m2X 2 a mnX n X n+m fym

Am stabilit în paragraful 2 că soluţia sistemului de ecuaţii (4) este echivalentă

cu soluţia sistemului (2) dacă x„+1 > 0 , i - 1,2,...m . Pentru ca sistemul (2) să aibă
o soluţie Xj ^ 0, j = 1,2,...« este suficient ca sistemul
n
Y j a i j X j + x n +i = b i ’ I= l,2 ,...m
7=1

Xj > 0, xn+i > 0 , ; = 1,2,...«,

să admită o soluţie pozitivă.
Variabilele de compensare pot fi interpretate economic ca reprezentândm
activităţi fictive pe care întreprinderea nu le efectuează; de aceea, în funcţia de
eficienţă, le vor corespunde beneficii nule:

/ = c,x, + c2x 2... + cnx„ + 0x„+1 + ... + 0xn+m

în acest mod am trecut de la problema dată iniţial la aşa-numita problemă
extinsă care se formulează astfel:

73
 [m ax ]/ = η * , + c2x2 + —+ cnx„
cu restricţiile:
n
^ a ‘j X j + x „ + ‘ = b i , i = 1 , 2 . . .m
ΐί (5)
x ; > 0 , xn+iZO, j = 1 ,2 ,..n i = 1 ,2 ,..m
Matricea sistemului de restricţii a problemei extinse este:

a\\ a\2 a ,„ 1 0 ... 0

a21 a22 ... α2„ 0 1 0
A =

flm2 - amn 0 0 ... 1

care se mai poate scrie punând în evidenţă vectorii coloană,
A = (a],a 2,...an,ev e2,...em)

în care el,e2,...em sunt vectorii unitari ai spaţiului Rm care alcătuiesc matricea

unitate de ordinul m.
O 0
0 1
Em =

0 o
Putem alege atunci baza iniţială unitară formată cu vectorii ex,e2,...em,mi
orice alt vector care nu aparţine bazei (vectorii matricii A ) se exprimă cu uşurinţă
în această bază:
= a\je\+ a 2 j e 2 + ··■+ amjem, j = 1 ,2 , ..n
a\j’ a 2 j ’—amj fiiHd elementele coloanei j din matricea A. Dacă nu am fi procurat
în modul arătat baza unitară, exprimarea vectorilor ce nu fac parte din bază, în
această bază, ar fi necesitat un calcul suplimentar.
Soluţia iniţială este prin urmare:
*1 == — ®>'··Χ η = 0>*n+l — ^1 ~
deoarece bt > 0 , i —1,2
Având fixată o bază (baza unitară) şi dispunând de o soluţie iniţială de bază
corespunzătoare, inegalităţile fiind transformate în egalităţi, putem aplica
algoritmul simplex.

74
 Exemplu: într-o secţie a unei întreprinderi se folosesc patru feluri de materie
primă, M y,M 2,M 3 şi M 4 , pentru producerea a trei tipuri de produse,
PltP2 şi P3. Consumurile specifice corespunzătoare se găsesc în tabelul care
conţine, pe coloana D, cantităţile din materiile prime Μ λ,Μ 2 şi M 3, disponibile
în secţie.

Stocul de materie primă M4 este suficient de mare pentru a răspunde oricărui

plan de producţie. Se pune însă problema unui consum cât mai mare din această
materie primă, datorită stocului mare existent, ce necesită cheltuieli suplimentare
(de întreţinere).

Să se determine un plan de producţie, care să nu necesite mai mult decât

cantităţile disponibile din M VM 2 şi M 3 şi care să folosească o cantitate maximă
din M 4 . Apoi să se analizeze, din punct de vedere economic, rezultatele obţinute,
luând drept criteriu producţia totală realizată.

Se presupune că cele trei tipuri de produse nu se deosebesc din punct de vedere

al câştigului net unitar, adus de ele întreprinderii.

Rezolvare: Notăm cu xx, x2 şi * 3 cantităţile ce trebuie produse, respectiv, din

Px, P2 şi P3. Astfel, modelul matematic al problemei are forma următoare:

[m ax]/ = 4*[ + 3λ:2 + 4 * 3

2xx + 3 * 2 + 5*3 < 25
4 *j + 2 *2 + 2*3 < 16
5*j + 6 *2 + 2*3 < 40
* ; > 0 , j = 1,2,3

75
 Introducând variabilele de compensare x4,x 5,x6 sistemul de restricţii devine:
+ 3x2 + 5;c3 + x4 = 25
4jtj + 2 x2 + 2 x 3 + x5 = 16
5 *! + 6 x 2 + 2 x3 + jc6 = 4 0
Rezolvarea modelului cu ajutorul algoritmului simplex este realizată în tabelul 6.

Tabelul 6
4 3 4 0 0 0
CB B Xb 01 a2 03 Û4 Os 06 Θ
0 a4 25 2 3 5 1 0 0
%
0 05 16 (J> 2 2 0 1 0 4 do)
0 «6 40 5 6 2 0 0 1 8
Ci ■ft 0 4 3 4 0 0 0
0 a\ 17 0 2 1 0
(1) ~Yl %
4 a\ 4 1 0 0 8 (/.)
Yl X X
0 06 20 0 0 -5 / 1 -
X /4
Ci -fi 0 0 1 2 0 -1 0
4 Û3 0 1 0
"/< K X “X
4 a\ 1 0 0 Oi)
'% X -X &
0 a6 0 V 0 1
17% /4 X -%
Cj - f j 0 0 0 0
4% Yl - V
/4

Deoarece toate diferenţele c ; - f j , din iteraţia I2 a tabelului, sunt nepozitive,

soluţia corespunzătoare acestei secţiuni este o soluţie optimă. Această soluţie este
următoarea:

*i = 1 5 ^ 2 = 0n ; * 3 1 7 ; χ4 = χ5 = 0n ; χ6 = —
1 7 7 ; l* 49
=—

Observaţie: Pe. linia diferenţelor c ; - /;· există însă un element egal cu zero, în
dreptul vectorului a2, care nu este în bază, ceea ce înseamnă că modelul mai are o
soluţie optimă de bază.
Aceasta se obţine continuând aplicarea algoritmului simplex, prin introducerea
vectorului a2 în bază, Suntem astfel conduşi la secţiunea /2 din tabelul din care
extragem cea de-a doua soluţie optimă de bază a modelului:

76
 2 59 13 n . 49
* 1 = 7 ; * 2 = ï ô ; * 3 = î ô ; X* ~ X 5= X (,= ° ; f™* = y
15 j 2 n 5 9 . 2
X, = — A + —(1 - A ) = — Λ H—
8 5 40 5

* 2 = γ ^ (1 -^ ) (*)

17 , 13 59, 13
X = — A + — (1 -A ) = — Λ + —
3 4 10 20 10
Se observă că nu mai există alte soluţii optime de bază, în afară de cele găsite
mai sus.
Deoarece problema are două soluţii optime de bază, rezultă că ea are o infinitate
de soluţii optime, soluţia optimă generală fiind de forma unei combinaţii liniare
convexe a celor două soluţii optime de mai sus. Această soluţie optimă generală are
următoarele componente:

4 3 4 0 0 0
CB B b a\ a2 «3 «4 «5 06
4 a3 0 0 1
% Ko Xo ~V\5
4 a\ 1 0 0 (h)
% ~%5 % Ύ ΐ5
3 a2
% 0 1 0
Ko -K o V\5

ci -fj - 0 0 0 -3 / 0
~Υι /4

unde A e [0 ,l]

Comparând cele două soluţii de bază, conţinute în secţiunile /2 şi /3, ambele

optime, observăm că, în cazul aplicării soluţiei din /3, se consumă toată materia
primă din tipurile M {,M 2 şi M 3 , pe când în cazul aplicării soluţiei din /2, mai
rămâne o cantitate de unităţi din materia primă M3. Această observaţie ne
face să comparăm cele două planuri optime după criteriul producţiei totale
(*! + x2 + * 3)» care este, în cazul aplicării planului din I3, egală cu 7,6 unităţi, ia r ,
în cazul aplicării planului din /2, egală cu 6,125 unităţi. Mai mult, calculând
producţia totală în cazul unui plan optim oarecare, avem:
59 . 2 5 9 ., 59 , 13 ,
X, + x2 + x3 = ——A — i— (1 —A) H— Ah— = —1,475A + 7,6
1 2 3 40 5 10 20 10

77
 Această funcţie liniară fiind descrescătoare în raport cu λ , maximul ei va fi atins
pentru A = 0 , deci în cazul soluţiei optime din 73. Pentru a obţine un beneficiu cât
mai mare, acesta fiind un al doilea scop, pe lângă cel legat de consumarea unei
cantităţi maxime din materia primă în situaţia dată trebuie folosit planul de
producţie dat de secţiunea h.

2. Să considerăm acum problema de programare liniară de tipul:

n
[m in ]/ - ^ C j Xj (6)
H
n

cu Σ ν ^ · - bi’ = (7)
7=1

Xj > 0 , j = 1,2,...n
Recunoaştem în acest model pe acela al problemelor de nutriţie sau pe cel al
problemelor în care se cere minimizarea cheltuielilor de producţie, ţinând seama de
necesarul stabilit.
Pentru rezolvare se are în vedere şi aici teorema de echivalenţă a soluţiilor
pentru inegalităţi de forma >. în acest caz trecerea la egalităţi se face scăzând din
fiecare cele m inecuaţii câte o variabilă de compensare pozitivă. Sistemul (7) se va
scrie:
° ΐΛ ~^a i2X2 n Xn ~

°2Λ "*"··· ~ Xrt¥2 ~^2

: (8)

a m\X\ ~^a n a X2 '* '· · · ^ a m>tXn ~ Xr* m ~^m

Noile variabile nenegative x n+1,...xn+m se interpretează ca surplusul de produse

peste necesarul reprezentat de bx, b2,. .bm.
Ele sunt tot activităţi fictive ale întreprinderii; de aceea li se asociază costuri
nule, astfel că în funcţia de minimizat apar cu coeficienţi nuli, deci:
/ = cxxx + c2x 2 + ... + c„xn + 0 * n+1 + ... + oxn+m
rămâne de fapt aceeaşi.
Avem de rezolvat prin urmare problema
[m in i/ = q x j + c2x2 + ... + cnxn
cu condiţiile:

78
 « ιΛ + ^Λ +··· + V » “ Jini =A
+fl22*2 +·” "^"^2η·^'Β -JC.'η + 2
(9)

α ηύ.Χ \ ^~a m 2 X2 '*’ ·" "*"Ûm A X n+m

Xj > 0, j = 1,2,...n, * n+1 ^ 0 , j = 1,2,...m

care este de asemenea problema extinsă a problemei iniţiale.
Matricea coeficienţilor A a problemei extinse este:

a 11 °12
a ln 1 o 0 Λ
a 21 a 22 a.2n o -1 o
A =
= (4 - 0

a ml am2 0 o -1
Se vede că vectorii coloană corespunzători variabilelor de compensare:

' - f f o N f 0 N

0 -1 0
«n + l : » α π+2 _ j ••"a n+m :

0 0
V > V >
nu sunt unitari. Pentru a obţine totuşi o bază unitară ca bază de pornire, vom
transforma sistemul (8) în aşa fel încât să putem aplica metoda bazei artificiale. în
acest sens, alegem bk = m ax bt şi se scad celelalte ecuaţii ale sistemului de
i
restricţii (8) din ecuaţia k . Astfel sistemul se scrie:
n

Σ K ~ a‘j + x™ =b*~ b>’ * = 1’2’- m * * k

j =1
n

Σ αν Χ1 Xn+k=bk ( 10)
j =1
*,· > O, *„+i > 0 , j = 1 , 2 i = 1,2 ,...m
Pentru noua problemă (10) matricea coeficienţilor A este:
A —(α 1,α 2»—ίΖπ’ α η+ΐ’···απ+λ ···««+»))
unde:

79
 f 1! M f° l
0 0
a n +1 ' ‘ - a n+k ' · " « n+m

\
0 \
-1
V
1
/

adică toţi vectorii an+i sunt unitari, cu excepţia celui de ordin k. Adăugăm la
egalitatea de ordin k variabila artificială yk ·
^ j akjx j - x n+k + y k = b k
Deoarece această egalitate trebuie să fie echivalentă cu cea de la care s-a pornit,
trebuie ca yk să fie nul. Fiind o problemă de maxim, asociem variabilei yk un
cost mare λ în funcţia de eficienţă:
/ = Cj*, + c2x 2 + .... + cnxn + Xyk
Matricea coeficienţilor se modifică din nou; ea conţine n+m+1 coloane dintre
care m sunt unitare şi pot forma o bază iniţială formată cu vectorii:
ăn+i (i Φk) i = 1 ,2 ,...m şi cu vectorul Ctk corespunzător variabilei artificiale
yk . Se poate aplica mai departe algoritmul simplex conform metodei bazei
artificiale. Aşa cum s-a văzut la expunerea acestei metode putem fi conduşi la una
din cele trei situaţii de mai jos:

1. După un număr de iteraţii CCk părăseşte baza, yk = 0 şi deci se obţine un

program al problemei iniţiale.

2. După un număr de iteraţii CXk rămâne în bază, dar yk = 0 . Soluţia este

degenerată şi se continuă algoritmul până când toate diferenţele f ) —c ; < 0 ;

3. După un număr de iteraţii diferenţele f j —Cj satisfac criteriul de optimalitate,

însă soluţia de bază conţine yk > 0 . în acest caz, problema dată nu are soluţie.

80
 Dualitate în programarea liniară
1. Prin dualitate în programarea liniară înţelegem un concept des întâlnit în
matematică în general, conform căruia oricărei probleme de programare liniară
considerată ca iniţială {primală) îi corespunde o altă problemă zisă duala ei,
ambele formând un cuplu denumit cuplu de probleme duale. Dualitatea în
programarea liniară prezintă un real interes atât din punct de vedere teoretic şi
calculatoriu cât mai ales prin interpretarea economică a celor două probleme care
formează cuplul.
în dezvoltarea care urmează vom considera două cazuri şi anume:
- dualitatea simetrică ce se referă Ia modele date sub forma canonică;
- dualitatea nesimetrică la care modelele sunt date sub forma standard sau
sub forma generală.
a) Dualitatea simetrică
Cuplul celor două probleme duale în cadrul dualităţii simetrice este:
[max]/ = clxl +c2x2+...+ cnxn
1 * 1 + α 12· c2 +...+alnxn <b{
x, + ... + Û2 n.■JX. ^ b·,
îji-K] +a·22Λ2
(P) ( 1)
amiXi+am2x1 +... +amnxn<bm
Xj> 0 j = \,n
şi duala ei
[min ]g = blyl + b2y2 +...+ bmym
«U>'l+«21>'2+ - + a ml>'m ^ C1
^ 12^1 + o22y2 + ^ + a m2ym> c2
(D) (2)
a u y i + a 2ny2+ - + anU,y n ^ Cn
y j > 0 i = 1, m
Spunem că în cele două modele fiecare dintre ele poate fi considerat dualul
celuilalt.
între cele două probleme primala (P) şi duala ei (D) există o strânsă legătură
pusă în evidenţă de regulile de mai jos, reguli care permit ca ştiind modelul uneia
să putem scrie modelul celeilalte. Astfel:
- în primală se cere [max]/ iar în duală se cere [min]g (şi invers);
- modelul de maxim din primală are ca restricţii inegalităţi de sens < iar
modelul de minim din duală are inegalităţi de sens > ;
- matricile celor două sisteme de restricţii sunt transpuse una alteia ;

81
 - termenii liberi dintr-un model, sunt coeficienţi în funcţi a de eficienţă ai
celuilalt model (păstrându-se ordinea);
- xi,x2,...x„ sunt variabilele primale şi sunt supuse condiţiilor de
nenegativitate Xj> 0 j = l,n;
- yi,y2,-ym sunt variabilele duale şi de asemenea sunt supuse condiţiilor
yt >0 i= l,m .
Cu notaţii adecvate este evident că cele două modele se pot scrie şi matricial.
Astfel notând
V fM
X= » y= ( y i.y 2. - , y m) ; b=
b2 >C—(Cj,C2»...şCn)

x„" J \b-i5 J
Şi
*11 w12 lrt
2 21 a 22 *2 n
A=

ml “ m2
avem
[max]/ = cX [min]g = Yb
(P) AX<b (Γ ) (D) YA>c (2’)
X>0 Y> 0
Legătura dintre cele două modele ale cuplului dual evidenţiată mai înainte,
poate fi prezentată într-un tabel de forma celui de mai jos:
Tabelul 1
Xi X2 Xn <
y<-N
yi an ai2 din b,
yi a2i a22 Ü2n b2

ym <*ml Qm2 Q-mn bm

> Cl C2 Cn
^ m ax

în caremodelul primalei se citeşte pe linii şi modelul dualei pe coloane.

în literatura de specialitate se spune că am transformat prin dualitate modelul
(P) în modelul (D).
Un alt cuplu de probleme duale date tot sub forma canonică şi scris sub
forma matricială este următorul:

82
 [min]/ = cX [max]g = Yb
(P,) AX> 0 (1” ) (D,) YA<,c (2” )
X>0 y> o
Exemple: 1. Să scriem modelul dual al problemei de programare liniară
considerată ca model primai:
[3x. +Xn>\ Î3 v .+ 2 y, < 6
(P) ·{ Modelul dual este: (D) i
[2xl +6x2 >2 [ y i+ 6 y 2 <3

> 0, * 2 —0 >»,>0, y 2 >0

[min]/ = 6xj + 3x2 [max]g = y l + 2y2

2. în cazul modelului primai

y\-y2 ^ 4
ί*, +3λ:2 -x-i '2.2
(P0 modelul dual este: (Di) 3 y , - y 2 <18
\-x> ■x2 + 2x3 > 1
- y i +2y2 <6
Xj >0 y i>0
[min]/ = 4*| +18λ2 + 6 x 3 [max]g = 2yx+ y2
Observaţie·’ Pentru fiecare din cele două cupluri duale de mai sus se pot
alcătui tabele de forma tabelului 1.

2. Consideraţii teoretice asupra dualităţii

Consideraţiile teoretice care urmează se fac pe cazul unui cuplu de probleme
duale date sub forma canonică. Vom da fără demonstraţie câteva propoziţii
ajutătoare care vor conduce la aşa numita teoremă a dualităţii.
Deci fie cuplul de probleme duale (P)-(D) date de (Γ ) şi (2’):
[max]/ = cX [min]g = Yb
(P) AX<b şi (D) YA>c
X>0 Y> 0
Propoziţia 1 Dacă X şi Y sunt soluţii realizabile ale modelelor (P) respectiv
(D) atunci:
g(Y)>f{X).
Propoziţia 2 Dacă X şi Y sunt soluţii realizabile ale modelelor (P) respectiv
(D) astfel încât f(X)=g(Y) atunci ele sunt soluţii optime pentru modelul (P)
respectiv (D).
Propoziţia 3 Dacă unul din modelele (P), (D) are optim infinit, atunci
celălalt nu are soluţii realizabile iar dacă unul dintre cele două modele are optim
finit şi celălalt are optim finit.

83
 Teoremafundamentală a dualităţii (fără demonstraţie)
Oricare ar fi cuplul (P), (D) de probleme duale este posibilă una şi numai una
dintre situaţiile;
a) Ambele modele au optime finite şi valorile optime ale funcţiilor obiectiv
sunt egale;
b) Unul dintre cele două modele are optim infinit iar celălalt nu are soluţii
realizabile;
c) Nici unul dintre cele două modele nu are soluţii realizabile.
Prezentăm în continuare o teoremă foarte importantă care pune în evidenţă
legătura existentă între soluţiile cuplului de probleme duale şi care foloseşte la
determinarea acestor soluţii.

Teorema ecarturilor complementare

Fie dat cuplul de probleme duale(P)-(D) din (1) şi (2). O condiţie necesară şi
suficientă ca soluţiile realizabile X şi y ale modelelor (P) respectiv (D) să fie
optime este să fie îndeplinite condiţiile:
(a) Y(b-AX) = 0 şi (b) (YA-c)X =0 (3)
Demonstraţie:
Pentru uşurinţa demonstraţiei să notăm
u = Y (b-A X ) şi v = (YA-c)X.
Amintim că X şi Y sunt soluţii optime ale cuplului (1) de probleme duale
şi că Y> 0 , AX <b de unde rezultă u> 0 . De asemenea din YA>c şi X >0
rezultă v > 0 .
Făcând suma u+v avem:
u + v = Ÿ(b-A X ) + (ŸA- c)X =Ÿb-ŸAX + ŸAX - cX = Ÿb - cX , conform
propoziţiei 2 avem Yb = cX şi deci m+v=0 şi cum « > 0 , v> 0 deducem că ele
sunt nule adică u=0 şi v=0 rezultând astfel necesitatea condiţiilor din enunţ.
Să considerăm condiţiile (3) adevărate şi să demonstrăm că X şi Y sunt
optime. într-adevăr din Y b - c X - 0 adică conform lemei 2, Yb = cX deci X şi
Y sunt optime.
Pentru a putea da o interpretare utilă în cele ce urmează relaţiilor 3 vom scrie
modele duale (1) şi (2) sub forma standard, introducând variabilele de compensare.
Avem:
[max]/ = c,jcx+ c2x +... + cnxn

(p ) «2 1 * 1 + f l2 2*2 + - + a 2nXn + Xn+2 = b2

a m l X \ + a m 2 X2 + - + a m n Xn + X, = b,m
84
 X j > 0, j - 1,2.... n + m

[min]g = £>,?, + è2>>2 +... +bmym

O ll>'l+a2l)'2+- + a ml}'m- } 'm+1 = C,

a 12>'l+ a 22>'2+ - + a m2)'m —y m+2 = C,

(D) (5)

Ölrt>’l+a2n>’2 + - + a mn}'m - y m+n= Cn

Aceste modele se vor scrie într-un tabel asemănător tabelului şi anume
tabelul 2
Tabelul 2

Facem precizarea că în modelele precedente avem:

Xi,x2,...,xn- variabilele structurale ale modelului (P)
xn+!,xn+2,...,xn+m- variabilele de compensare ale modelului (P)
yi,y2,-,ym- variabilele structurale ale modelului (D)
ym+i,ym+2,—,ym+n - variabilele de compensare ale modelului (D)
Dacă X şi Y sunt soluţii optime ale celor două modele respectiv, convenim
să notăm:
X =(x’l ,x2,...,xn) , Y = Ç^,>’2 >—,ym) şi de asemenea să notăm variabilele
de compensare cu Χη+ι,...Χη+m respectiv ym+l,.-ym+n la etapa optimă a tabelelor
simplex ce rezolvă cele două probleme ale cuplului dual.
Suntem acum în măsură să arătăm cum teorema ecarturilor complementare
stabileşte o corespondenţă ce există între variabilele structurale ale unui model şi
variabilele de compensare ale celuilalt model, valorile acestor variabile fiind

85
considerate ca făcând parte din cele două soluţii optime X şi Y ale primalei
respectiv dualei; cu alte cuvinte legătura dintre aceste variabile, la etapa optimă
(notate barat).
Să luăm în considerare mai întâi prima egalitate din teorema ecarturilor
complementare:
(4)
Se observă uşor că vectorul coloană b - AX este un vector m dimensional
care cu notaţiile anterioare se scrie:

(5)
şi se vede că componentele sale sunt tocmai variabilele de compensare la etapa
optimă a modelului primai.
Cum Y este vector linie /n-dimensional, vectorul produs Y\b - AX ) are sens
şi va fi:

yip ~ Ax)= yxXn+\ + y2Xn+2 +...+ y mXn+m =0 (6)

Datorită condiţiei de nenegativitate Y > 0 cât şi faptului că AX <b implică
şi la etapa optimă AX <b adică b -A X >0 rezultă că (6) are loc dacă şi numai
dacă toţi termenii sumei sunt nuli adică:

y , Xn+1 = o , y 2Xn+2 = 0 ,... y mxn+m= 0 sau pe scurt y .x„+i = 0 , (7)

i = 1,2,..., m
Consideraţii analoge se fac şi asupra celei de a doua egalităţi din teorema
ecarturilor complementare (Fa - c)x =0 care conduc la relaţii de forma:

y m+i = 0 - *2 y m+2 = 0 ,... Xn ym+n = o sau pe scurt xj ym+J = 0 (8)

j =1,2..... n

Să trecem acum la interpretarea relaţiilor (7) şi (8) care decurg după cum s-a
văzut mai sus, din teorema ecarturilor complementare. Se constată că:

- fiecărei linii i=l,2,...,m din tabelul 2 îi corespunde o restricţie (inegalitate

cu <) în modelul (P) şi o variabilă structurală y, în modelul (D)
- fiecărei coloane j,j= l,2 .....n din acelaşi tabel, îi corespunde
o restricţie în modelul (D) (inegalitate cu >) şi o variabilă structurală x, în modelul
(P). în baza acestor observaţii pentru două soluţii optime X şi y ale celor două

86
modele duale, rezultă următoarele proprietăţi legate de valorile variabilelor de
compensare şi structurale:
- Dacă în soluţia optimă Y a dualei (D) variabila structurală y,· * 0 , atunci
variabila de compensare *„+,· a restricţiei de pe linia i din tabel are valoarea nulă
pentru X adică această restricţie este verificată ca egalitate strictă pentru soluţia
X aprim alei;
- Dacă în soluţia optimă X a primalei, variabila de compensare xn+i a
restricţiei de pe linia i a tabelului este nenulă, adică această restricţie este verificată
ca inegalitate strictă pentru X , atunci variabila structurală y, a modelului dual are
valoare nulă în soluţia optimă Y .
Referindu-ne la relaţia (8) vom deduce proprietăţi analoge în legătură cu
soluţiile optime X şi Y analizând coloanele tabelului 2
Rezultatele obţinute mai sus, care decurg din teorema ecarturilor
complementare şi din teorema fundamentală a dualităţii, ne ajută să rezolvăm
efectiv un cuplu de probleme duale simetrice. Să considerăm următorul exemplu :

[max]/ = 4*, + 5λ2 + 4*3 + 6 jc4 [min]g = 20^! +30y2 +15)'3

2^1 +5^2 +3>3 >4
2*, + 3 x 2 + 4*3 + 3*4 < 20
3^1 +4;y2 + 4y3 >5
(P) ■5jcj + 4*2 + 3*3 + 4*4 < 30 (D)
4>’i+ 3 y 2 +2>'3>4
3*t + 4*2 + 2*3 + 5*4 < 15
3^1 +4>»2 +5)>3 >6
Xj >0 j - 1,2,3,...7 y,.>0, i = 1,2,...7

Tabelul simplex conţinând numai prima iteraţie şi iteraţia optimă, pentru

modelul primal (P) este cel de mai jos:

4 5 4 6 0 0 0
Bază C Xb
ai a2 a3 34 a5 a« a7
a5 0 20 2 3 4 3 1 0 0
a« 0 30 5 4 3 4 0 1 0
a7 0 15 3 4 3 .·· 0 0 1
Cj •fi 4 5 4 6 0 0 0
. .. ... ... ... ! . . . . .... j ..............................
a3 4 0 X 1 -X X 0 -X
a« 0 % 0 - 2X 0 - 3% X 1 -X
ai 4 Yl 1 0 / -X 0 X
Cj-fj 25 0 ~Yl 0 -X 'X 0 -1

87
 Soluţia optimă a primalei (P) este jc i = — , X 2 = 0,X 3 = — , x a =0 adică
!2 4
Λ
X =(xi,X2,X3,X*) iar

[m ax]/= 4 .-+ 5.0+ 4.— + 6.0 = 10 + 15 = 25.

L u 2 4

Acum pentru fixarea ideilor să precizăm:

- Variabilele structurale din modelul (P) sunt xi,x2,X3,X4 ',
- Variabilele de compensare din modelul (P) sunt χ5,χ6,χ7;
- Variabilele structurale din modelul (D) sunt yi,y2,y3 ,
- Variabilele de compensare din modelul (D) sunt y4,ys,y6,y7·
Din etapa optimă a tabelului simplex pentru rezolvarea primalei rezultă
pentru X :
- 5 - 15 - 25
X\ = - , * 3 = — , X6 = — -
2 4 4
componentele bazice şi xi =0,*4 = 0,^5 =0,*7 =0 componentele nebazice
la etapa optimă.
Din considerarea primei relaţii din teorema ecarturilor anume
xj ■ym+j =0, j = 1,2,3,4 rezultă următoarele corespondenţe (cupluri):
xi cu yA,
xz cu y5,
X3 cu y6,
•X4 cu y 7,
iar din considerarea celei de a doua relaţii din teorema ecarturilor anume
yt -Xn+i =0, i = 1,2,3 rezultă următoarele corespondenţe:
*5 cu y , ,
X6 cu y 2 ,
Xl CU >>3 ,

Deoarece în X avem x\ = —Φ0 , rezultă yA= 0 .

2
Deoarece în X avem *3 = * 0 , rezultă y6 = 0 .
 — - 25 -
Deoarece în X avem xe = — Φ0 rezultă y2 = 0 .

înlocuind în sistemul de restricţii al dualei extinsă y2 = 0,>»4 = 0 ,y 6 = 0

obţinem sistemul:
2 ÿ ,+ 3 ÿ 3 =4
3}1! + 4 y 3 + y 5 =5 - - 1
- - ^ ?3 - 1> ^1 “ T·
4 y t +2y3 =4 2
3 y !+ 5 y 3 + y7 = 6
şi deoarece am obţinut y2 = 0 , rezultă că soluţia obţinută ^ a

dualei este Y = -,0 ,1 j iar:

[min]g = 20 ~ + 30.0 +15.1 = 25 .

Am rezolvat şi duala iar teorema dualităţii [max ] f = [min ] g este

verificată.
Observaţie importantă. Dacă cercetăm linia diferenţelor c j - fi la etapa
optimă a tabelului simplex pentru rezolvarea primalei, constatăm că diferenţele cr
fj,j=5,6,7 situate sub vectorii unitari ehe2,e3 corespunzători bazei unitare iniţiale
formată din vectorii a5,a<s,a7 din etapa iniţială, sunt respectiv --^ ,0 ,-1 , care luate

cu semn schimbat dau chiar soluţia optimă a dualei Y = direct din tabelul
ί 0 ·1
simplex al primalei. Acest fapt este datorat unei propoziţii pe care o vom
enunţa în continuare.
a) valorile optime ale variabilelor structurale yi,y2,...,ymdin modelul dual se
găsesc pe linia diferenţelor Cj-fj, respectiv în dreptul coloanelor vectorilor de
compensare an+i,an+2,...,an+mdin modelul primai, luate cu semn schimbat.
b) Valorile optime ale variabilelor de compensare yn+i,ym+2>—,ym+n din
modelul dual, se găsesc pe linia diferenţelor Cj-fj, respectiv în dreptul coloanelor
vectorilor structurali ai,a2,...,a„ din modelul primai, cu semnele schimbate.

3, Dualitatea nesimetrică
Aşa cum am menţionat la început, dualitatea nesimetrică se referă la
modelele date sub forma standard sau sub forma generală. Este evident că în acest
caz se pot construi mai multe cupluri de probleme duale nesimetrice dintre care
vom exemplifica unul care este de forma:

89
 [max ] f = cX [min]g =
(P) AX = b (D) YA>c
X >0 Y = oarecare
Pentru a înţelege scrierea modelului dual (D) în cazul de mai sus precum şi
în alte cazuri, vom introduce unele noţiuni care ne vor ajuta să stabilim legătura
dintre cele două probleme ale cuplului în cazul dualităţii nesimetrice.
- Orice restricţie cu < în cadrul unui model de maxim, respectiv o restricţie
cu > în cadrul unui model de minim se numesc restricţii concordante.
Analog orice restricţie cu > la un model de maxim,respectiv o restricţie cu <
la un model de minim se numesc restricţii neconcordante.
Suntem acum în măsură să formulăm legături dintre două modele de
programare liniară:
- într-unul dintre modele se cere maximul funcţiei obiectiv, în celălalt se cere
minim.
- Matricile sistemelor de restricţii sunt transpuse una alteia.
- Termenii liberi din restricţiile unui model sunt coeficienţii funcţiei de
eficienţă din celălalt, păstrându-se ordinea.
- Fiecărei restricţii concordante dintr-un model îi corespunde o variabilă în
celălalt modei care se supune condiţiei de nenegativitate >û.
- Fiecărei restricţii neconcordante dintr-un model îi corespunde o variabilă în
celălalt model care se supune condiţiei de nepozitivitate <0 .
- Fiecărei restricţii de egalitate dintr-un model îi corespunde o variabilă
liberă în celălalt model (variabilă oarecare, pozitivă, negativă sau zero).
Exemple: 1° Modelul dual al modelului de programare liniară:
[maxi/7= *i + 2*2 + 5*3 [min]/ = lOyj +9y2+ 15 y3
xl +x2 +2xi <lQ >»i + y2 + y3 > 1
(P) · *, + 2*2 + 3*3 > 9 este (D) · y, + 2 y2 + y 3 > 2
*1+ *2 +*3=15 2 y ,+ 3 y 2 + y3 ^ 5
*! > 0 , *2 > 0 , *3 > 0 > 0 , y 2 < 0 , y 3 = oarecare
Conform cu regulile prezentate mai sus, vom explica modul de scriere al
dualei (D). într-adevăr deoarece variabilele *;, j=l,2,3 din (P) sunt nenegative,
toate trei restricţiile din modelul dual vor fi concordante şi fiind vorba de minim
ele vor fi cu >. Luând în discuţie restricţiile din primală deducem:
Prima restricţie a modelului primai fiind concordantă, variabila yi se supune
condiţiei de nenegativitate adică y, > 0 .
Restricţia a doua fiind neconcordantă, variabilă y2 este nepozitivă adică
y 2< 0 .
Cea de a treia restricţie a modelului primai fiind egalitate, variabila y 3 este
liberă.
90
 2°. Problema considerată, primala:
[max]/ = 3jc, - 6 jc3 + jc4 [min]/ = 3 y x+ 5y2 - 2 y 3
2y\ ~y2 + 2>>3 >3
2jc, + 5 x 2 - x3 + 2 x 4 > 3
5>-i + 2 y 2 - y3 > 0
(P) - jc, + 2x2 + jc3 =5 are duala (D)
- yi + y 2 = -6
2jc, - x 2 + jc4 = - 2
2 y, + y3 < 1
>0, jc2 oarecare,jc4 < 0
>0, jc3 y ,< 0 , y 2oarecare, y 3 - oarecare
Privind cuplul celor două probleme duale ne dăm seama că pentru rezolvarea
lor trebuie să facem unele transformări prealabile pentru a le aduce la forma
aplicării algoritmului simplex şi de asemenea să folosim noi algoritmi etc.
întrucât nu vom trata aceste metode, ne vom opri aici cu expunerea problemei
dualităţii în programarea liniară.

§ 3. Programarea transporturilor
1. Enunţul problemei de transport. Modelul matematic
Un acelaşi produs omogen este depozitat în centrele de expediţie Aj,A2,...Am
în cantităţile a,,a2,...am şi se cere să fie transportat în centrele de consum
B,,B2,....Bn în cantităţile bi,b2,--.bn respectiv. Se cunosc costurile unitare de
transport cÿ , i = 1, m, j = 1, n de la depozitul A, la centrul de consum Br
Rezolvarea problemei de transport constă în determinarea unui plan optim de
transport de la depozite la consumatori astfel încât costul total al transporturilor să
fie minim. Cu alte cuvinte se cere determinarea cantităţilor jcÿ transportate pe toate
rutele (ij),i = l,m, j = 1,n , astfel încât să se realizeze un cost minim de transport.
Cu datele problemei de transport se poate alcătui tabelul următor:

91
 Costul transportului a Xy unităţi de produs de la depozitul A, la centrul Bj este
egal cu Cij-Xij, deci costul integral al transportului de la toate depozitele A, (/ = 1,m)
m n
Ia toţi consumatorii B j(j = l,n ) va fi egal cu / = ΣΣ v
1=1 j-l
, ■

în practică astfel de probleme pot fi de două feluri:

m n
1) = ^ b j adică necesarul pentru toate centrele de consum egal cu
,=1 ;= 1

totalul expediat din centrele de depozitare (problemă echilibrată);

m n
2) ^ ai * 'Şjbj - (problemă neechilibrată).
i=l j =1
Vom rezolva mai întâi cazul problemei echilibrate.
Pentru ambele cazuri, din necesitatea de a avea sens economic trebuie
îndeplinite condiţiile xy >0,(i = \,m),i = l,n, cantităţile transportate fiind esenţial
pozitive.
Disponibilul a, şi necesarul bj (i = 1,m i = l,n) sunt mărimi nenegative, deci
<2j > 0 ,bj > 0 .
Ipoteza de echilibrare implică transportul integral al disponibilului către
centrele de consum ceea ce revine la condiţiile:
a)
χ, , +χ, 2 =c,

Xml Xm2 + ··· + Xmn

şi satisfacerea integrală a fiecărui centru Bj adică:
*11 + * 2, + - + *«1 = bi

x \n + * 2 n + · · · + * * » = b n
Cu aceste precizări putem construi modelul matematic al problemei de
transport care este următorii!:

( 1)

cu condiţiile:

92
 η
(2) Σ χ0 =ai i = 1,2,..jn ;
m
0 )'% x ij=bj j = 1,2,..λ ;

(4) £ 0 z = 1,2,...m, j - 1 , 2 .
Recunoaştem modelul unei probleme de programare liniară cu variabilele xy
în număr de mn care satisfac restricţiile liniare (1) şi (2), condiţiile de
nenegativitate (4) şi care fac minime cheltuielile totale de transport/, unde/este
liniară în variabilele xy.
O condiţie necesară pentru compatibilitatea sistemului de ecuaţii (2) şi
este ca sumând grupul (2) de ecuaţii după i şi grupul (3) după j să avem egalitatea
m η n m
Σ Σ χί/= Σ Σ :ϊ!/ ceea ce antrenează Şi egalitatea termenilor liberi adică
j=*l j=l i=l
Σ«,
i-i
= Σ^ care rePrezintă condiţia de ecilibru impusă de ipoteza 1°.
M
Evident că problemei de transport privită ca o problemă de programare
liniară i se poate aplica algoritmul simplex care însă devine destul de greoi din
cauza numărului mare de variabile şi restricţii.
Ţinând seama de forma specifică a modelului problemei de transport în care
toţi coeficienţii variabilelor Xy în restricţii sunt egali cu 1, s-au imaginat aiţi
algoritmi de calcul pentru obţinerea soluţiei optime. în acest sens datorită formei
speciale amintite, menţionăm unele propoziţii valabile pentru problema de
transport.
Propoziţia 1. Mulţimea soluţiilor realizabile într-o problemă de transport
adică soluţiile ale căror componente xy satisfac (2), (3) şi (4) nu este vidă.
Pentru demonstraţie vom arăta că orice problemă de transport are
întotdeauna o soluţie realizabilă şi anume de forma:
m
m nn
(5) Xy = , i = 1,2,...m, j = 1,2,..ji unde T = ] £ α ; = Σ b}
* »=1 i'=l
într-adevăr soluţia (5) satisface restricţiile (2):

;=i i=i 1 1 i=i

93
 Menţionăm că în general soluţia (5) nu este optimă şi de asemenea sistemul
(2), (3) este totdeauna compatibil. Dăm fără demonstraţie propoziţia:
Propoziţia 2. Matricea A a coeficienţilor restricţiilor liniare (2) (3) are rangul
m+n-1.
Din cele de mai sus rezultă că o soluţie realizabilă de bază într-o problemă
de transport are cel mult m+n-1 componente nenule, fiind nedegenerată dacă are
exact m+n-1 componente nenule şi degenerată când numărul componentelor
nenule este mai mic decât m+n-1.
Observaţie importantă. Se poate arăta că dacă a, şi bj sunt numere naturale
atunci valorile variabilelor Xy sunt numere naturale în orice soluţie realizabilă de
bază şi deci soluţia optimă are numai componente numere naturale.
Algoritmul de rezolvare a problemei de transport presupune două etape:
a) Aflarea unei soluţii iniţiale realizabile de bază;
b) îmbunătăţirea soluţiei iniţiale până la obţinerea soluţiei optime după mai
multe iteraţii.
în continuare vom da câteva procedee de obţinere a unei soluţii iniţiale de
bază într-o problemă de transport.
2. Metode de determinare a soluţiilor iniţiale de bază într-o problemă de
transport.
Metodele pe care le vom considera, vor fi expuse pe exemplul enunţat la
punctul precedent, pe care îl vom scrie mai schematic punând în evidenţă costurile,
beneficiile şi resursele.
(1) (2) (3) (4)
3 2 2 4 70/
( 1) 20 20
/2i
50
1 2 3 4
(2 )
5 5
(3)
3 5 2
10
1
10
/
20
/10
50 15/ 10
(3) % /10

a) Metoda colţului Nord-Vest

începem din colţul Nord-Vest adică de la căsuţa (1,1) căreia îi corespunde
xx, = min{50,70}= 50 mii tone
Pe prima coloană necesarul este satisfăcut deci trebuie să luăm x2i=x3i=0. Pe
prima linie au răm as20 mii tone disponibile din cele 70 care vor fi plasate în căsuţa
(1,2) deoarece x2 = min{20,25}= 2 0 . Depozitul A; şi-a epuizat resursa deci
X j3 = X l4 = 0 .
Pornind acum de la căsuţa (2,2) vom pune în această căsuţă
x22 - min{l0,5}= 5 unde 5 reprezintă consumul rămas pentru B2 şi rezultă x32=0,

94
A2 are încă un disponibil de 5 mii tone pe care le repartizează centrului B3 deoarece
min{5,15}= 5 deci x23 = 5 astfel A2 şi-a epuizat resursa şi deci x24=0 .
Centrul de consum Cj mai are nevoie de 10 mii tone de produs ce pot fi
repartizate în căsuţa (3,3) deci x33 =1 0 . Luăm în sfârşit xM= min{l0,10}= 10.
S-a obţinut soluţia iniţială de bază pe care o vom nota cu Xo.

50 20
Xo : 5
5
10 10
cu m+n-/=6 componente strict pozitive deci nedegenerată, având componentele.
xu=50; xI2 =20; X i3 = 0 ; xl4=0
X21—O x22—5 x2 3= 5 x24= 0
X3 i = 0 X32= 0 X33-IO X34—10

b) Metoda costului minim al matricii

Procesul de repartizare are drept criteriu costul minim deci vom pomi de la
căsuţa (3,4) căreia îi corespunde costul minim egal cu 1 deci xM= min{20,10}= 10
rămânând din resursa A3 10 mii tone de repartizat. Deci x24=x]4 =0.

2 2 4
3 25 15 %/ /30
30
1 2 3 4
10
10
3
10
5 2 1
10
20
/10
/
50/
/% 25 15 10

Ne oprim în continuare la căsuţa cu costul imediat egal sau superior şi

anume la căsuţa (2,1) luând x2l = min{l0,50}= 10 ceea ce imphcâ χ22=χ23=χ24=0.
Trecem la căsuţa (1,2) luând xl2 = min{70,25}= 25 se impune x22=x32 =0 . Trecem
la căsuţa (1,3) luând xn = min{45,15}= 15 ceea ce conduce la x22=x32=0. în căsuţa
(1,3) scriem xl3 = min{45,15}= 15.
Urmează căsuţa (1,1) în care punem xu = min{30,40}= 30 şi x,4 =0. în final
luăm = min{l0,10}= 10. Avem soluţia de bază iniţială nedegenerată xn=30;
xi2=25; X i3 = 1 5 ; x2!=10; x3]=10; x 34 = 0 care verifică sistemul restricţiilor.

Soluţia va fi:

95
 30 25 15
10
10 10

c) Metoda costului minim pe linie

3 2 2 4
30 25 15 O y%

1 2 3 4
10 O O O 10

3
10
5
O
2
O
1
10 /
20
/10
50/
/% 25 15 10

Costul minim pe linia întâi este 2 şi figurează în căsuţele (1,2) şi (1,3). Avem
xl2 = min{70,25}= 25 rezultă X22-X32-O şi xn = min{45,15}= 15 deci x23=X33=0 .
Trecem la linia a doua la căsuţa (2,1) şi luăm x2l = min{l0,50}=10 care implică
xi2=x23=X24-0 iar costul Ci devine 50-10=40.
Pe linia a treia costul minim este 1 din căsuţa (3,4) în care punem
*34 = min{20,10}= 10. Pe prima linie costul minim rămas este 3 în căsuţa (1,1) în
care punem xu = min{30,40}= 30.
Pe linia a doua nu se mai poate repartiza şi trecând la linia a treia costul
minim rămas este 3 în căsuţa (3,1) deci *31 = min{l0,10}= 10. Rezultă soluţia de
bază.

30 25 15
Xo 10
10 10
adică X n= 30 ; xi2= 25; x i3= 15 ; x 2i=10; x3i=
de restricţii.

d) Metoda costului minim pe coloană este similară cu precedenta c

deosebirea că se vor considera costurile minime pe coloane. Vom schiţa numai
rezultatul:

96
 3 2 2 4 70/,
40 25 5 / 3X

1 2 3 4
10 10

3 5 2 1
10 10 20/
/ΙΟ
50/ 25 15/ 10
/40 /10

Avem pe prima coloană căsuţa (2,1) cu costul minim 1 deci

x2l =min{l0,50}=10 rezultă X22~X23-X24=0. Costul imediat superior pe coloana
întâi este 3 în căsuţa (1,1) avem jcu = min{70,40} şi ca urmare x3I=0.
în coloana a doua avem căsuţa (1,2) cu costul imediat superior 2 deci
xn = min{70,25}= 25 care implică x22=0 şi x32=0.
Pe coloana a doua considerăm căsuţa tot cu costul 2 şi anume (1,2) cu
xl2 = min{30,25}= 25 care implică X22=X32 = 0 .
Trecând la coloana a treia începem cu căsuţa (1,3) în care punem
jc13 = min{5,15}= 5 . Trecem la căsuţa (3,3) şi punem *33 = min{20,10}= 10 ceea ce
implică x23=0. Trecând în sfârşit la coloana a patra ne fixăm asupra căsuţei (3,4) cu
costul 1 şi deducem x34 = min{l0,10}=10 ceea ce conduce la x24=xI4=0. Rezultă
soluţia iniţială de bază este:

40 25 5
X o: 10
10 10
adică Xn=40;; Xi2=25;
x 12=25; xn=5; X2i=0;
x2i=0; X33=10;
x33=10; x34=10.

3. Determinarea soluţiei optime a problemei de transport prin metod

potenţialelor (Danzig)
Metoda potenţialelor se datorează lui B.Danzig şi se bazează pe teorema
următoare.
Teoremă. Fiecărei componente xy din soluţia de bază îi corespunde perechea
de numere (Ui,vj) astfel încât w,+v/=Cÿ. Dacă pentru variabilele xtj nebazice notăm
Cjj = Uj + Vj, soluţia optimă se obţine când toate diferenţele ctJ - ctj < 0 .

Conform teoremei precedente, rezultă următoarele etape de calcul în găsirea

soluţiei optime prin metoda potenţialelor când se cunoaşte o soluţie de bază.

97
 1° Se rezolvă sistemul (8) pentru costurile Cy corespunzătoare componentelor
nenule ale soluţiei iniţiale de bază.
2° Se calculează sumele Cy şi se efectuează diferenţele Cy - Cy pentru
costurile Cycorespunzătoare componentelor nenuîe ale soluţiei.
3° Se aplică criteriul de optim:
dacă toţi Cy - ctj < 0 soluţia este optimă;
dacă măcar un Cy - Cy > 0 se alege max^~ - ctj > θ} şi se
modifică soluţia formând ciclul celulei goale corespunzătoare maximei alese.
Mecanismul de calcul va fi explicat de exemplul considerat mai înainte. Vom porni
de la soluţia iniţială de bază pe care am obţinut-o deja prin procedeul colţului
Nord-Vest şi pe care o vom nota cu X0.

3 2 2 4
50 20 70
Xo= 1 2 3 4
5 5 10
3 5 2 I
10 10 20
50 25 15 10
Formăm sistemul Ui+Vj-Cy pentru fiecare Xy din bază adică pentru xu, xu,
* 22, *23, X33, X34. Avem :
ux+ Vj =3 w2 +v3 =3
ux+v2 =2 m +v3 = 2
3 sistem cu m+n-1- 6 ecuaţii cu m+n=7
«2 + v 2 =2 w3 +v4 : 1
necunoscute. Luând U]=3 găsim u2-3, u3=2, v,=0, v2=-7, v3=0, v4~-l. Alcătuim un
tabel în care sunt trecute costurile Cy corespunzătoare componentelor xy*0. în acest
tabel am calculat diferenţele Cy = w, + v; pentru calculele necompletate.
T2
0 -1 0 -1
x vj
3 N 30 25 15
3 10
2 10 10
T3
1 -2
2 -2
-1 -4

98
 Diferenţele ci} - cÿ le obţinem scăzând din tabelul T2 pe cy din Tt
corespunzătoare lui cy. Obţinem astfel tabelul T3. întrucât nu toate diferenţele
Cy -Cy < 0 soluţia de bază X0 nu este optimă. Cum
m ax^-c,·,· > o}= max{l,2}= 2 corespunde la c2l- c 21 luăm χ2ι=θ şi obţinem
tabelul T 4 pentru aflarea ciclului corespunzător lui ( 2 , 1).
T4
50-Θ H 20+0 /t1
θ 4 ^ 5 -0 5
10 10

Deoarece noua soluţie de bază trebuie să conţină numai elemente strict

pozitive, vom lua pentru Θvaloarea min{5,50}= 5 adică valoarea cea mai mică din
care se scade Θ şi obţinem tabelul T4 care prezintă soluţia de bază X, şi ea
nedegenerată.

45 25 70
X i= 5 5 10
10 10 20
50 25 15 10
Valoarea funcţiei de eficienţă pentru soluţia Xj este
f(Xi)=3.45+2.25+l.5+3.5+2.10+1.10=235.
Se observă c âf(Xi)<f(Xo) adică valoarea funcţiei de eficienţă a scăzut. Cu
soluţia X] procedăm la fel ca şi cu soluţia iniţială Xo adică determinăm k, şi v;
pentru xy>0 din soluţia de bază Xi şi Cy pentru xy nebazici. Avem:
u, + Vj = 3 m2 + v3 = 3
M, + v2 = 2 • M3 +V3 =2 Luând şi aici u,=3 găsim
U2 +Vt =1 m3 + v4 = 1

v2= -1, vj=2, v4=l.

Matricea valorilor Cy este cea din tabelul T6 iar a diferenţelor cÿ -Cy în T7.
T6
0 -1 2 -1
u i\
3 3 2 5 4
ca =
1 1 0 3 2
0 0 -1 2 1

99
 τ 7
3 0
-2 -2
-3 -6
Deoarece avem o diferenţă pozitivă şi anume m ax^· ~ci} > θ}= c 13 '1 3 =3
soluţia Xi nu este optimă.
Luând Xi3=0 obţinem ciclul din tabelul Tg şi noua soluţie X2 obţinută pentru
Θ= 5 în tabelul T9.

45-0 25 0
5+0 5-0
10 10
T9
40 25 5
X2= 10
10 10
Pentru această soluţie f(X2)=3.40+2.25+2.5+l. 10+2.10+1.10=220.
Calculăm acum corespunzător soluţiei X2 valorile «,· şi y, soluţii ale
sistemului asociat componentelor pozitive xtJ ale soluţiei X2. Avem:
Uj + vt = 3 «2 +Vj =1
« 1 +v2 = 2 w3 + v3 = 2 Luând şi aici uj=3 găsim
U2 + V3 ~ 2 m3 + v4 = 1
u2=l, 113=3 ,v1 =0,v 2=-l, v3=-l, v4=-2.
Matricile ctj şi ci} +c,y sunt cele din tabelele Tio şi Tu.
T,o
0 -1 -1 -2
.21. "
3 3 2 2 1
1 1 0 0 -1
3 3 2 2 1
Tn
-3
-2 -3 -5
C‘J ~ CU=
0 -3
întrucât toate diferenţele c,y - c,y < 0 soluţia X2 este optimă şi
fmin=f(X2)=220.

100
 Soluţii multiple
Observaţie Dacă în cercetarea optimului lui f unei soluţii realizabile de bază
matricea diferenţelor cÿ - ctj corespunzătoare soluţiei optime nu conţine nici un
element strict pozitiv dar conţine şi alte diferenţe nule decât cele din căsuţele (i,j)
corespunzătoare variabilelor bazice problema mai are şi alte soluţii optime. In
exemplul tratat mai sus corespunzător soluţiei optime, în Tn diferenţa c3l - c 3, =0
fără ca X3 să fie nulă. Aceasta înseamnă că mai există o soluţie optimă care conţine
X 31 şi care se obţine din X 2 efectuând ciclul lui (3,1).

4 0-0* - 25 .-5+\j?
1 0 'w
> 10 -b 10

30 25 15
X '2= 10
10 10
Luând 0 =0 se obţine soluţia optimă X ’2 cu componentele Xn=30, xi2=25, xi3=15,
x2i=10, X3i= 10 , x 34=10 iar
f(X ’2)=3.30+2.25+2.15+l. 10+3.10+1.10=220.
Se ştie că dacă două soluţii X2 şi X ’2 ale unei probleme de programare liniară
în particular cea de transport, sunt optime, atunci orice combinaţie liniară convexă
a lor este deasemenea o soluţie optimă pentru problema respectivă.
Deci şi soluţia dată de:
X = λΧ2 + (1-A )X 2, 0 < λ< 1
este optimă.

4. Problema de transport neecbilibrată

Să considerăm acum cazul cel mai frecvent întâlnit în practică, anume cel al
problemei de transport neechilibrate pentru care
m n

>=1 ;=1
Rezolvarea problemei de transport neechilibrate se face adăugând fie un
centru fictiv de aprovizionare fie un centru fictiv de consum, care să preia restul
produsului, diferenţa dintre necesar şi disponibil. Avem de considerat două cazuri:
m n
a) caz în care introducem un centru Bn+] de consum, cu
i=! j=i

101
necesarul bn+l = Ş* toate costurile cin+1 = 0 . Problema devine
,= 1 ;= 1

echilibrată cu m centre de aprovizionare şi n+1 centre de consum şi se rezolvă aşa

cum s-a arătat mai sus.

Dacă se obţine o soluţie optimă, rezultă că măcar o componentă a soluţiei de

pe coloana n+1, nou adăugată este diferită de zero, de exemplu xi n+x Φ0 . Aceasta
înseamnă că în centrul de aprovizionare A, mai rămân netransportate x, n+1 tone de
marfa.

b) Analog dacă în problema dată avem:

m n

Σ β* < Σ ν
i=t j= l

vom introduce un centru fictiv de aprovizionare Am+, care deţine cantitatea

am+i = Σ ^ / - Σ α<’ toate C0Stur^e cm+i,j=0· Problema devine echilibrată cu
m+1 centre de aprovizionare şi n centre de consum.

în acest caz, dacă s-a obţinut o soluţie optimă, aceasta presupune măcar o
componentă a soluţiei de pe linia m+1 nou adăugată, diferită de zero, de exemplu
xm+ij * 0 · înseamnă că un centru de consum Bj rămâne cu necesarul nesatisfăcut,
total sau parţial.

Exemplu Fie problema de transport, ale cărei date se găsesc în tabel.

Deoarece cantitatea totală necesară în centrele consumatoare egală cu 850
depăşeşte cantitatea totală disponibilă egală cu 800, pentru echilibrarea problemei
vom introduce un centru fictiv de producţie A 3, care să asigure diferenţa de 50
unităţi;astfel problema capătă forma din tabelul T12 în care costurile unitare de
transport corespunzătoare centrului A3 au fost considerate nule.

T 12
Ai B, b2 b3 Disp.
Ai 3 5 2 400
a2 4 2 4 400
Nec. 250 300 300 8 5 0 \

102
 Ai Bi b2 b3 Disp.
A! 3 5 2 400
a2 4 2 4 400
a3 0 0 0 50
Nec. 250 300 300 850
Problema devine echilibrată.

5. Degenerarea în prpblema de transport

Metoda descrisă de obţinere a soluţiei optime se poate aplica numai dacă la
fiecare iteraţie se cercetează o soluţie realizabilă de bază nedegenerată. Dacă în
cadrul rezolvării obţinem o soluţie de bază degenerată, metoda trebuie puţin
modificată. O astfel de soluţie degenerată poate apărea în două situaţii şi anume:
a) pe parcursul algoritmului în cadrul unei iteraţii şi
b) la începutul aplicării algoritmului când se determină soluţia realizabilă de
bază iniţială.
Situaţia a) apare când după determinarea valorii Θ, modificările ce se
efectuează asupra vechii soluţii fac să se anuleze mai mult de o componentă a
acestei soluţii, deci să rămână mai puţin decât m+n-1 celule ocupate. In această
situaţie nu vom lăsa necompletată decât una dintre căsuţele ocupate ale căror
componente s-au anulat, toate celelalte completându-se cu câte un zero. Astfel de
componente nule care se scriu efectiv în cadrul unei soluţii se numesc zerouri
esenţiale şi au rolul de a completa de fiecare dată un număr de m+n-1 căsuţe
ocupate. Aceste zerouri sunt deci componente bazice ale soluţiei şi se lucrează cu
ele ca şi cu celelalte componente bazice diferite de zero.
Exemplu Fie problema de transport cu datele din tabelul T i pentru care s-a
obţinut o soluţie iniţială Xo prin metoda elementului minim al matricei. Această
soluţie aflată în tabelul T2 este o soluţie realizabilă de bază nedegenerată având
m+n-l=3+3-l componente strict pozitive.
T,
Ai B, b2 b 3 Disp.
Ai 3 4 4 150
A2 4 2 6 50
A3 5 3 9 150
Nec. 50 150 150 350

T2
50 100
50
100 50

103
 în tabelul T 3 sunt calculate atât matricea costurilor cy cât şi matricea
diferenţelor cÿ - c ÿ . Cea mai mare diferenţă pozitivă este egală cu 3. îndreptându-
ne atenţia asupra celulei (2,1) cu diferenţa 3 ne propunem să facem ca în viitoarea
soluţie căsuţa corespunzătoare acestei diferenţe să fie ocupată. Punând Θ în acestă
căsuţă a soluţiei X0 şi determinând ciclul corespunzător căsuţei obţinem situaţia din
tabelul T4 în care Θ=50. Această înlocuire face să se anuleze în acelaşi timp trei
componente ale vechii soluţii ceea ce ar conduce la o soluţie degenerată cu numai
trei căsuţe ocupate.
T3
\ v j 3 -2 4
ui CiJ ~ C‘j

0 3 -2 4 0 -6 0
4 7 2 8 3 0 2
5 8 3 9 3 0 0

T4
50-Θ 100+0
Θ 50-0
100+Θ 50-0
De aceea vom lăsa necompletată în noua soluţie numai o singură căsuţă din
cele trei, de exemplu căsuţa (3,3) celelalte două fiind completate cu zerouri
esenţiale ca în tabelul T5 Un criteriu în alegerea căsuţei ce se lasă necompletată,
este acela că renunţăm de obicei la completarea căsuţei căreia îi corespunde un
cost unitar de transport mai mare, în cazul costurilor alegând căsuţa la întâmplare:

(Xi) _______________Ţş
0 150
50 0
150 i

zerouri esenţiale necompletate

Cea de a doua situaţie când apare o soluţie de bază degenerată este aceea
când chiar soluţia iniţială este o soluţie degenerată. în acest caz se modifică
problema dată în sensul că la fiecare cantitate disponibilă se adaugă o valoare e>0
foarte mică, iar ultimei cantităţi necesare i se adaugă valoarea me (pentru
echilibrare). Această nouă problemă va avea o soluţie iniţială nedegenerată.
Deoarece problema dată se deduce din cea modificată pentru e=0 se face această
înlocuire în soluţia iniţială aflată care depinde de ε, indicându-se astfel ce zerouri
esenţiale trebuie considerate pentru ca ea să conţină m+n-1 căsuţe ocupate. Astfel
în problema de transport cu datele din tabelul T6, metoda colţului Nord-Vest :

104
 T6
Ai B, b2 b3 b4 Disp.
Aj 7 4 2 2 200
A2 3 4 3 1 150
A3 3 5 5 3 50
'\ 4 0 0
Nec. 150 50 100 100 4 0 0 \

Τ7
150 50
100 50
50

ne dă soluţia iniţială degenerată Xo din tabelul T7.

Problema modificată are datele din tabelul T8.

T8

Ai
Bi b2 b3 b4 Disp.
Ai 7 4 2 2 200+ε
A2 3 4 3 1 150+ε
a3 3 5 5 3 50+ε
Nec. 150 50 100 100+3ε 400+ε

iar soluţia iniţială a ei depinzând de ε, obţinută prin metoda colţului Nord-Vest este
cea din tabelul T9.
X (oe) T9
150 50 ε
100-ε 50+2ε
50+ε

(X o ) zero esenţial N__________ T ip

150 50 X)
100 50
50

Făcând în această soluţie ε=0 obţinem soluţia din tabelul T 10care conţine un
zero esenţial în căsuţa (1,3) astfel încât să existe exact
m+n-1 căsuţe ocupate.

105
 Probleme
1. Să se rezolve prin metoda grafică problema de programare liniară:
[max]/ = 3x + y
x -y < 1
■x + y < 3
x,y> 0
Rezolvare: Determinăm domeniul plan care reprezintă mulţimea soluţiilor
posibile ale sistemului dat. Pentru aceasta reprezentăm grafic dreptele:
(Dx) : x - y = 0 γ + -£ γ -1 = 0

(D2):x + y - 3 = 0 | + | " 1 = 0
Se obţine poligonul convex OABC din figura
alăturată.
Punctele situate în interiorul şi pe laturile acestui
poligon satisfac simultan cele două inegalităţi,
inclusiv condiţiile de nenegativitate. Să luăm un
punct oarecare Mx(1,1) din domeniul haşurat.
Avem: 3* + .y = 3- l + l = 4. Am obţinut relaţia 3x + y - 4 = 0 care reprezintă D'
paralelă cu dreapta 3x + y = 0 sau y = -3 x . Mai putem scrie D ':y = -3x + /.
Pentru toate coordonatele punctelor de pe dreapta (£)') valoarea lui / =4
rămâne neschimbată. Avem /0 = 0 şi rezultă /0 < /,. Deci cu cât ne vom depărta
de origine, menţinându-ne însă în cadrul poligonului convex OABC şi pe laturile
lui, vom obţine valori mai mari.
Valoarea maximă a lui / = 3x + y este dată de dreapta cea mai îndepărtată
de dreapta care trece prin origine, care este paralelă cu aceasta şi care nu depăşeşte
conturul poligonului haşurat, numit şi poligonul soluţiilor posibile (realizabile).
Dreapta este (Dm) care trece prin vârful B. Determinăm coordonatele
acestui punct rezolvând sistemul:
x - y =1
dm care se obţine B (2,l)
x + y =3
Avem:
[max]/ = 3· 2 + 1 = 7
La acelaşi rezultat se ajunge şi prin calcularea valorii funcţiei obiectiv în
fiecare dintre vârfurile poligonului OABC. Acest procedeu se bazează pe
proprietatea că soluţia optimă a problemei se găseşte într-unul dintre vârfurile
poligonului convex ce reprezintă domeniul soluţiilor realizabile.

106
2. [m a x i/ = 3*i + 2 * 2
- 2 *, + x2 < 1
xx+ x2 < 3
* i < 2 ; x ,,x 2 > 0

Rezolvare:
d\. -2 * i +*2=1
i/2: *1 + *2 = 3
dy. *i = 2
Γ2 7 λ
A(0,1); B ; C (2,1); D (2,0); 0 (0 ,0 )
3 3
- 2 *, + * 2 = 1 2 7
(b } = n d2 ; 3*! = 2 = > *!= — => * 2 = —
*! + * 2 = 3 3 3
* ,+ * 2 = 3
=>*2=1
*j = 2
Mulţimea soluţiilor posibile este poligonul convex OABCD. Soluţia optimă se află
în vârfurile ale căror coordonate maximizează funcţia obiectiv.
/o = 0
/α = 3 · 0 + 2 · 1 = > » 2
o 2 7 20 20
3 3 ~ 3 =* Λ ~ 3 ’
/c = 3 - 2 + 2 - l = 8=> /c = 8
/β = 3 ·2 + 2 · 0 = 6= > /ΰ = 6
=> /m ax = 8 ; * 1 = 2 ; * 2 = 1

3. O rafinărie prepară doi carburanţi auto Λι şi A2 din patru componente de benzină

Bu Bi, B}, B4 în compoziţie volumetrică de 20%, 30%, 30% respectiv 20% pentru
Ai şi de 10%, 10%, 60%, 20% pentru A2.
Rafinăria dispune de 9000 m 3 din Bu 14000 m3 din BAîn timp ce cantităţile B2 şi S 3
sunt nelimitate, dar trebuie să se utilizeze cel puţin 6000 m3 din B2 şi 18000 m din
B3. Ştiind că beneficiul pentru A1este de 6 u.m. pe m3 şi la A2 de 5 u.m. pe m3 să se
realizeze un astfel de amestec încât beneficiul global să fie maxim.
Rezolvare: Notăm cu * şi y volumele în m3 ale celor doi carburanţi şi cu /
beneficiul. Vom avea:

107
 [m a x ]/ = 6x + 5y

2x + y < 90

3x + y > 60

3x + 6>>>180

2x + 2 y < 140

X> 0 ,y > 0
£>,: 2 x + y - 90 = 0
D2: 3 x + y -6 0 =0
Dy. X + 2y - 60 = 0
D\ x + y - 70 = 0
=φ [m a x ]/ = 370000 u.m.
X = 20; y = 50
Mulţimea soluţiilor realizabile este poligonul convex ABCDE, iar soluţia optin
află în vârful 0(20,50)
=> 20000 m3 de Ai şi 50000 m3 A2 => în aceste condiţii se utilizează:
9000 m3 de Bi
11000 m3 dcB2
36000 m3 de
14000 m3 de BA.

4. Rezolvaţi următoarea problemă de programare liniară folosind algoritmul sim­

plex:
[max]/= x} + x2

< 24
X, + 4 x 2
■3x{ + x2 < 21
X, + x2 < 9

xv x2 > 0
Introducem trei variabile de compensare x3 > 0, x4 > 0, x5 > 0 pentru a aduce
problema la forma standard (transformăm inegalităţile în egalităţi).
Coeficienţii variabilelor de compensare x 3, x4,x5 sunt zero în funcţia obiectiv, deci
obţinem:
[max]/'= Xj + x 2+ 0x3+ 0x4+ 0x5
 jc, + 4 x 2 + x3 = 24
3x, + x2 + x4 = 21
*, + X2 + Λ, = 9

Scriem matricea sistemului obţinut:

fl 4 1 0 (Λ
A= 3 1 0 1 0
1 1 0 0 1
v

Observăm că vectorii a3, a4, a5 formează matricea unitate de ordinul 3: /3.

Deci baza iniţială va fi: B = (a3, a4, a5).
Coeficienţii lui x3, x4, *5 din [max]/sunt Cg = (0, 0, 0).
Toţi coeficienţii din [max]/sunt C, = (1, 1, 0, 0, 0). Coloana termenilor liberi este
Χβ ~ (24, 21, 29).
în probleme de maxim calculăm diferenţele Dj = Cj -fj. Calcularea lui / se face
prin înmulţirea elementelor de pe coloana CBcu elementele de pe coloana α·, şi adunarea
rezultatelor. Elementele de pe coloana lui Θse calculează prin împărţirea coloanei XB
la coloana maximă, împărţirea facându-se numai la numere strict pozitive de pe coloana
maximă. Coloana maximă este coloana corespunzătoare diferenţei maxime şi strict
pozitive Dj.
De asemenea elementele de pe coloana XB, trebuie să fie > 0, în caz contrar se
înmulţeşte cu - 1 inegalitatea şi se schimbă sensul ei.
Se iau în considerare valorile Θpozitive.
Se alege cel mai mic Θşi cea mai mare diferenţă Dj iar la intersecţia liniei lui Θmin
cu coloana max se află pivotul care trebuie să fie întotdeauna Φ0.
în următoarea etapă iese din bază vectorul corespunzător liniei pivotului şi intră în
locul său cel de pe coloana pivotului. Linia pivotului se împarte la pivot, coloana
pivotului se completează cu zero iar restul elementelor se calculează cu regula
dreptunghiului ca la Metoda Gauss-Jordan.
De exemplu: r4 3 4 - 1 1 11
X = --------------= —
3 1

109
 Problema se termină când toate diferenţele dj sunt < 0, iar soluţiiile Xj se citesc pe
ultima coloană xB, pe liniile corespunzătoare vectorilor α;·, din baza finală.
Dacă nu există un vector a, în baza finală, λ:· corespunzător este 0.
Maximul funcţiei/ se calculează înmulţind coloana CBcu coloana XBpe elemente
şi adunând rezultatele.

C, = l C2 = 1 C3 = 0 C4 = 0 C5 = 0
B cB X, «1 «2 «3 a4 a5 0
i 4
fl3 0 24 1 4 1 0 0 24
^— #4 0 21 © 1 0 1 0 7*
a5 0 9 1 1 0 0 1 9
0 1* 1 0 0 0
a3 0 17 0 11/3 1 -1/3 0 51/11
a\ 1 7 1 1/3 0 1/3 0 21
<r-a5 0 2 0 2/3 0 -1/3 1 3*

»! 7 0 (2/3*) 0 -1/3 0
»
«3 0 6 0 0 1 3/2 -11/2
a\ 1 6 1 0 0 1/2 -1/2
a2 1 3 0 1 0 -1/2 3/2

Di 9 0 0 0 0 -1

Deci [max]/'= 9; x, = 3, x2 - 3, x3 = x4 = x5 - 0.

5. Să se rezolve problema:

[max]/ = Xj + x2.

-Xj + 2x 2 < 1

• 2xx - x2 < 1
xx + x2 >\

xx, x2 — 0

Introducem variabilele de compensare x3, x4, x5.

[max]/= X] + x 2 + 0x3 + 0x4 + 0x5.

110
 a\ a2 a3 a4 a5

- x, + 2x, + x 3 = l '- 1 2 1 0 0"

2x, - x 2 + x4 = 1 A= 2 - 1 0 1 0
λ:, + x2 - *5 = 1 1 1 0 0 - 1
v /
X ,, X5 >0

Observăm că din matricea A, lipseşte vectorul unitar deci mai introducem o

1
v y
variabilă x6 în ultima ecuaţie. Această variabilă are în funcţia obiectiv coeficientul -
M în probleme de maxim şi +M\n probleme de minim şi se numeşte variabilă artificială.
Dacă la sfârşitul problemei xb nu este zero, înseamnă că problema nu are soluţie
finală. Un alt caz când problema nu are soluţie este când mai există un Dj > 0, dar nu
putem determina pivotul, deoarece toţi Θsunt negativi (< 0).
Coeficientul M se numeşte coeficient de penalizare şi este un număr pozitiv, foarte
mare (M —» + oo), De aceea această metodă se numeşte METODA PENALIZĂRII
sau METODA BAZEI ARTIFICIALE.
Deci am obţinut:
[max]/'= x} +x2 + 0x3 + 0x4 + 0x5- Mx6.

Cl j @2 Clş Clş Cl§

- xx + 2x2 + * 3 = 1 f -\ 2 1 0 0 0Λ
2x, - x2 + x 4 =1 A' = 2 -1 0 1 0 0
X, + X2 - X5 + X6 = 1 1 1 0 0 - 1 1
V /

x , , ... x6 > 0

B = (a3, a4, a6)

CB= (0, 0 ,-M )
ς = (1, 1,0, 0, 0 ,-M )
Ai, = (1,1, 1).
111
 C, = 1 C2 = l c 3 0 C4 = 0 C5 = 0 C6 = -M|
B CB; X« d\ a2 a
4 --------Jr- 4-
a3 o -1 2 1 0 0 0
<— Æ4 0 2 -1 0 1 0 0 1/2
M 1 1 0 0 1 1
-M 1 +M* 0 -M
Dr S r J j
0 3/2 0 3/2 1 1/2 0 0 1
ai 1 1/2 1 - 1/2 0 1/2 0 0
-M 1/2 0 3/2 0 - 1/2 Ί 1 1/3*
l- M 3 + 3M * - l- M
Dj r C i - f , 0 ----- 0 ---------------- ------ -M
<—
<— a3 1 0 0 1 1 1 1*
Clj 2/3 1 0 0 1/3 -1/3
a2 1/3 0 1 0 -1/3 -2/3
1 0 1*
Dr cj~ fj
0 0 1 1 1
1 0 1/3 2/3 0
0 1 2/3 1/3 0
0 0 -1 -1 0
DJ =cJ-fJ

= l,x 2 = 1, x5 = 1, x3 = x4 = *6 =

Observaţie: Dacă un vector artificial (a6) iese din bază, putem să nu mai calculăm
pe (*) coloana lui în următoarea etapă pentru că diferenţele corespunzătoare (D6) vor
fi mereu negative.

6 . [max]/= 5X| -x2 + 2x3.

Jx2 + 2 *3 < - 1 /· ( - 1) => - x2 - 2*3 > 1

[-2 * 1 + *2 - *3 ^5

* ,, x2, * 3 ^ 0

Introducem x4, x5 variabile de compensare, obţinem:

[max]/= 5xx- x 2 + 2x3 + 0x4 + 0x5.

112
 - *2 - 2*3 - x4 = 1 0 -1 0
A=
I—2*, + x2 - * 3 + * 5 = 5 - 2 1 - 1 0 1

* , , . . . , *5 >0
Introducem variabila artificială x6 în prima ecuaţie pentru a obţine vectorul unitar

0
v y
Vom avea: [max]/= 5x, - * 2 + 2x3 + 0x4 + 0x5- Mx6.
f - x2 - 2*3 - *4 + *6 = 1
[-2 *1 + * 2 - *3 + * 5 = 5

* , , . . . , *6> o
' 0 - 1 - 2 - 1 0 1λ
A'
-2 1 -10 10
B = (a5, a6)
CB= ( - M, 0)
xB= (h 5)
Cj - (5, -1 , 2, 0, 0,-M )
(sJ

C, = l 0 C6 = -M
II

C2 - l
o

II

II

B cB XB a\ a2 a3 a 4 «5 «6 Θ
«6 -M 1 0 -1 -2 -1 0 1 —

a5 0 5 -2 1 -1 0 1 0 -
„O
s>

irs
1

-M 5* -1 -A f M -M 0 0
II

2 - 2

Problema nu are soluţii, deoarece algoritmul simplex nu mai poate continua (nu
există nici un Θ> 0)

7. Să se rezolve problema:
[min]/= *j + 2*2.
3*, + * 2 = 2
•3*2 > - 3 / · (-1 ) = > - * , + 3*, < 3
*,, * 2 >0

113
 Introducem variabila de compensare x 3 în a doua restricţie, obţinem:
[min]/'= jtj + 2 x 2 + 0 x 2
Î 3 * ,+ * 2 = 2 (3 1 0"
j - * , + 3*2 + * j = 3 - 1 3 1 ^
>0
*p * 2, *3

Introducem variabila artificială x4 în prima restrictie pentru a obţine vectorul unitar

fr
J
[max]/’= x, + 2x2 + 0x3 + MxA.
«1 «2 « 3 α4
Î3*, + *2 + * 4 = 2 1 0 η

\
■<3
f 3

II
[ - * , + 3*2 + * 3 = 3 -1 3 1 0
V y

* , , * 4 >0
B = (a4, a3)
CB~ (M, 0)
x* = (2, 3)
ς . = (1 ,2 , 0, AO
cj
C, = l C2 = 2
II
o

II

B xB «1 a2 «3 «4 0
i
«4 M 2 CD 1 0 1 2/3*
«3 0 3 -1 3 1 0 -
D/ = Cy - 2M 3M*-1 M -2 0 0
«1 1 2/3 1 1/3 0
«3 0 11/3 0 10/3 1
» 2/3 0 -5/3 0

[max]/-=2/3; x x = 2/3, x3 = 11/3, x2 = x4 = 0

8. [min]/'= 2xt + 3x2 + x3.
 în cazul în care trebuie să calculăm minimul unei funcţii iar în sistemul de restricţii
avem inegalităţi cu > O, putem rezolva problema prin METODA DUALITĂŢII.
Construim problema duală, astfel:
• vom calcula maximul unei alte funcţii g, duală, ale cărei variabile le notăm cu yt.
• coeficienţii din [max]g sunt daţi de coloana termenilor liberi (6, 8), deci
[max]g = 6y, + 8y2.
• sistemul de restricţii pentru g, are matricea egală cu transpusa matricei din sistemul
f 1 2λ
A' = - 1 1
iniţial:
3 1
toate inegalităţile din sistemul pentru g sunt cu „<”
'2 '
3
• coloana termenilor liberi yBeste dată de coeficienţii din [min]/" : yB =
.

1
v
• [min]/ = [max]g, iar soluţiile pentru / se citesc pe ultima linie Dj în dreptul
coloanelor vectorilor care au format baza iniţială, cu semne contrare.
Deci PROBLEMA DUALĂ este:
[max]g = 6y, + 8y2

y, + 2y2 < 2
' - >1 + ^ 3
3yt + y2 < 1
yi>y2>y3*o
Introducem y 3,y 4, y5 variabile de compensare, obţinem:
[max]g = 6yx+ 8y2 + 0y3 + 0y4 + 0y5

b2 b3 b4
h\ b5
+ 2 y 2 + y3 = 2 f 1 2 1 0
°1
- ?1 + ^2 + = 3 5 = -1 1 0 1 0
3>i + y 2 + y 5 = 1 3 1 0 0 1
V
...,y3 > 0
B = (by, b4, b3)
CB= (0, 0, 0)
yB= ( 2,3, 1)
Cj = (6, 8, 0, 0, 0)

115
 C, =6 C2 = 8 C3 = 0 c 5= o

1!
O
o --0
B CB yB b\ b2 b3 b5 Θ

*
i i
b3 0 2 1 © 1 0 0 1*

h 0 3 -1 1 0 1 0 3
bs 0 1 3 1 0 0 1 1
D\ ~ Cj 0 6 8* 0 0 0
b2 8 1 1/2 1 1/2 0 0 2
b4 0 2 -3/2 0 -1/2 1 0 —

<- b5 0 0 <Şφ 0 -1/2 0 1 0*

D ,-C , -s,· 8 2* 0 -4 0 0
b2 8 1 0 1 3/5 0 -1/2
b4 0 2 0 0 -4/5 1 3/5
*1 6 0 1 0 -1/5 0 2/5
Dr C. - s , 8 0 0 -18/5 0 -4/5

[max]g =[min]/'= 8; y x= 0, y2 = 1, y4 = 2; _y3 = j>5 = 0.

X] = 18/5, x2 - 0, x3 - 4/5

9. Să se rezolve problema:
[max]/ = 2 x j + x 2
X|-X2 S 4
3x, - x 2 <18
- x{+ x2 £ 6
x„x2 â 0
Pentru aplicarea algoritmului simplex, punem, cu ajutorul variabilelor de écart
problema sub forma standard:
[maxi/'= 2*] + x2
xx- x2 + *3 = 4
3xx- x2 + x4 = 18
- ac, + x2 + xi = 6

x, > 0,i = 1,5

de unde dcducem că:
' 1 -1 1 0 (f
A= 3 -1 0 1 0

\
-1 1 0 0 1/

(\ 0 0
B = {03, 04,^ 5) = 0 1 0

v
0 0 1/

X b = B~' -b = b = (4,l$,6)
f j = C ‘B ■B~l -aj,(\/)j = Ï 3
Funcţia de eficienţă rămâne neschimbată. Putem aplica acum algoritmul simplex:

2 1 0 0 0
Cb «1 a2 «3 a4 as Θ
B
0 <23 4 © -1 1 0 0 4
0 «4 18 3 -1 0 1 0 6
0 as 6 -1 1 0 0 1 -

Ci-A 0 2* 1 0 0 1
2 a\ 4 1 -1 1 0 0 -
0 a.4 6 0 © -3 1 0 3
0 «5 10 0 0 1 0 1 -

C\-fi 1111111 8 0 3* -2 0 0
2 7 1 0 -1/2 1/2 0 -

1 02 3 0 1 -3/2 1/2 0 -

0 as 10 0 0 0 0 1 10
c-rf, i l ! i l l 17 0 0 5/2* -3/2 0
2 ai 12 1 0 0 1/2 1/2
1 a2 18 . 0 1 0 1/2 3/2
0 «3 10 0 0 1 0 1
Ci-/ 1 !1 8 S 1 42 0 0 0 -3/2 -5/2

Deci soluţia optimă este: X\ = 12; x2 = 18; x3 = 10; x4 = xs = 0,

[maxi/' ” 42

117
10. Rezolvaţi problema de programare liniară:

[maxjg = 4xj + 3x2

2*j + x 2 < 8

3xj + 2x2 < 24

Xj + 3x2 ^ 18

x ,,x 2 ^ 0

Rezolvare: Aducem problema la forma standard, prin transformarea

inegalităţilor în egalităţi, introducând variabilele de compensare x3, x4, x5:

[max]g = 4χλ + 3x2

2xj + x2 + x3 = 8

3xj + 2 x2 + x4 = 24

X, + 3x2 + x5 = 18

X, > 0,/ = 1,5

Matricea asociată sistemului de restricţii este:

Cl\ Ö2 03 04 a5
f2 1 1 0 0N

A= 3 20 1 0

1 30 0 1

Deoarece A cuprinde vectorii unitari a3, a4, as putem trece la aplicarea algoritmului
simplex:

118
 4 3 0 0 0
CB B Xb a\ a2 aj «4 Os 0
0 a3 8 © 1 1 0 0 4
0 «4 24 3 2 0 1 0 8
0 05 18 1 3 0 0 1 18
c-f\ B l l l l 0 4 3 0 0 0
4 a\ 4 1 1/2 1/2 0 0 8
0 Ü4 12 0 1/2 -3/2 1 0 24
0 as 14 0 -1/2 0 1 28/5

Ci-fi ÉËÈÈÊÊÈ 16 0 1 -2 0 0
4 ai 6/5 1 0 3/5 0 -1/5
0 «4 46/5 0 0 -7/5 1 -1/5
3 02 28/5 0 1 -1/5 0 2/5
Cr/i lillllÉ l 108/5 0 0 -9/5 0 -2/9

Deoarece diferenţele ct —f £ 0 ,(V )i = 1,5 soluţia găsită la ultima iteraţie este

optimă:

rL m axjg
i = —108 ;

6 28
* 2 = — ; *3=0

11. [min]/· = xx + 2 x 2 + x5

2xx + x2 + x 3 > l
- Xy + 3 x 2 < 0
2xx + l x 2 + *3 + x4 + x5 = 5
χ ,.> 0 ,ι= ΰ

Rezolvare: Aducem problema la forma standard (1):

[m in ]/ = *i + 2 * 2 + xs + M · * 8

119
Matricea asociată acestei probleme este:

2 1 1 0 0 -1 0 1
-1 3 0 0 0 0 1 0
2 2 1 1 1 0 0 0
\ /

Putem trece la aplicarea algoritmului simplex:

1 2 0 0 1 0 0 M
θ
Cb B X b a\ 02 a-i fl4 a$ 06 «7 aβ
M Û8 1 © 1 1 0 0 -1 0 1 1/2
0 Û7 0 -1 3 0 0 0 0 1 0 -
0 a4 5 2 2 1 1 1 0 0 0 5/2
f\-C\ i i i i ^ M 2M-1 M-2 M 0 -1 -M 0 0
1 a\ 1/2 1 1/2 1/2 0 0 -1/2 0 β 1
0 Οη 1/2 0 © 1/2 0 0 -1/2 1 n 1
0 a4 4 0 1 0 1 1 1 0 SI -
fi-Ci ÜHlÉi 1/2 0 -3/2 1/2* 0 -1 -1/2 0 Ép
1 a\ 0 1 -3 0 0 0 0 -1 β
0 a-i 1 0 7 1 0 0 -1 2 111
0 a4 4 0 1 0 1 1 1 0 pit
fi-a 0 0 -5 0 0 -1 0 -1

[mini/'= 0 ; * i = 0 ; *2 = ° ; * 3 = 1 ; * 4 = 4 ; * 5 = 0 ;

12. Rezolvaţi următoarea problemă de programare liniară:

[maxi/ = *i + *2 + * 3
 3xj + x2 - x3 = 5

3xj + 2 x2 + x3 = 7

X,· > Ο,ι = 1,3

Rezolvare: Matricea ataşată sistemului este:
(3 1 - ί
A =
V3 2 1
Avem deci nevoie de introducerea a două variabile artificiale x4 şi xs pentru a avea
în matrice vectori unitari. Problema devine:
[maxi/' = X, + x2 + x3 - Μ x4 - M x5
3xj + x2 - x3 + x4 = 5

3xj + 2 x2 + x3 + x5 = 7

Xi > 0 ,/' = 1,5

Aplicăm algoritmul simplex:

[max]/" = 3
X\ —2 ; X2 —0 ; X3 —1.

13. Să se rezolve problema de programare lineară:

[m in]/ = 4xj + 3x2 + 6x3 -

121
 2xj + x2 + 2xj > 4
2x, + 2x2 + Xj 2:2
(1)
x^+ xj 2:3

X, > 0,i = 1,3

Rezolvare: Construim problema duală:

[max]g = Ayx+ 2y2 + 3y3

2y.t + 2y2+y3£4
y\ + 2>2 S 3
(2) '
2yl + y2 + y3£6
yt > 0,i = 1,3

Aducem problema (£) la forma standard introducând variabilele de compensare^,

ys, y6 şi aplicăm apoi algoritmul simplex:

[maxjg = 4y, + 2y2 + 3y3

2>i + 2y2 + y3 + y4 = 4
yt+2y2 + ys = 3

2 y t + y 2 + y* + y<>r *
y{ > 0,i = 1,6

Matricea sistemului este:

122
 2 2 1 1 0 0

1 2 0 0 1 0

2 1 1 0 0 1
\ 7

Rezolvăm problema duală; în final găsim şi soluţiile pentru problema iniţială

4 2 3 0 0 0
Cb B Yb Θ
ai a2 03 «4 a$ 06
0 a4 4 Φ 2 1 1 0 0 2
0 as 3 1 2 0 0 1 0 3
0 a6 6 2 1 1 0 0 1 3
c -f tlllll 0 4 2 3 0 0 0
4 a\ 2 1 1 CX!2> 1/2 0 0 4
0 a5 1 0 1 -1/2 1/2 1 0 -

0 a6 2 0 -1 0 1 0 1 -

C-f 8 0 -2 1 -2 0 0
3 «3 4 2 2 1 1 0 0
0 as 3 1 2 0 1 1 0
0 a6 2 0 -1 0 1 0 1
Crf 12 -2 -4 0 -3 0 0
•Xa -*5 -*6 -X \ -x2 -*3

Soluţia problemei (2) este

[maxjg = 12 ; y x= 0 ; y 2 = 0 ; y 3 = 4 ; y 4 = 0 ; y 5 = 3 ; y 6 = 2 .
Avem deci pentru problema (1)
[mini/' = 12 , cu soluţia Xj = 3 ; x2 = 0 ; x 3 = 0 ; x4 = 2 ; x5 = 4 ; x6 = 0 ;

Notă: Soluţiile pentru pentru problema primală se găsesc pe ultima linie de

diferenţe c - f , cu semne schimbate, începând cu diferenţele aferente variabilelor de
compensare.

14. Să se rezolve problema următoare cu ajutorul dualei:

[m in i/ '= 2*i + 3x2 + x3

123
 JC, - x 2 + 3 x 3 > 6

2 jc , + x2 + jc3 > 8

x( >0,z' = 1,3

Rezolvare: Construim duala acestei probleme:

[m a x ]g = 6 y , + 8 y 2

y, + 2y2 < 2

-y\ + y 2 ^ 3

3^1 + JV2 ^ 1

Pentru rezolvare aducem problema la forma standard, adăugând variabilele de

compensare >>3, y4, ys

[m axfe = 6 y x+ 8y 2

y\ + 2 y 2 + y 3 = 2

- y 1 + y2 + y4 =3
3^i + y 2 + y s = 1
y, > 0,i = 1,5

Matricea ataşată sistemului este:

/1 2 1 0 0Λ

A= - 1 1 0 1 0

3 1 0 0 1

124
Se poate trece la aplicarea algoritmului simplex:

6 8 0 0 0
Cb B Yb Ol a2 a3 a4 as Θ Θ,
0 03 2 1 © 1 0 0 1 1/2
0 04 3 -1 1 0 1 0 3 3
0 Oî 1 3 1 0 0 1 1 1
Crfi M i l l ! 0 6 8* 0 0 0
8 a2 1 1/2 1 1/2 0 0 2
0 a4 2 -3/2 0 -1/2 1 0 •

0 as 0 G/£> 0 -1/2 0 1 0
c\-f\ 8 2* 0 -4 0 0
8 a2 1 0 1 3/5 0 1/5
0 aA 2 0 0 -4/5 1 3/5
6 a\ 0 1 0 -1/5 0 2/5
C\-f\ l iill 8 0 0 -18/5 0 -4/5

Deci soluţia problemei duale este:

[max]g = 6 ; =* [min]/ = 6 cu X\ = γ - ; x2 = 0 ; x3 = ţ .

15. [m a x i/' —x1 + 2 x 2 + x3 + x4 + 2xs

2xj + 4 x 2 + x3 + 4x5 < 100

Xj + 5x3 + jc4 + 6xs ^ 200

«
x2 + 4x3 + 2x4 < 200

xt > 0,i = 1,5

Soluţie: [m ax ]/ = 15 0 ; Xt = 25 ; X2 = 0 ; X3 = 0 ;
X4 = 10 0 ; JC5 = 25 ;

125
16. [min ] f = x, - x 2 + x3 - x 4 + x5 - x 6
jc, + 3jc4 - x5 + x6 = 2
x 2 + 2 x 4 + x5 - 2x6 = 1
x3 - jc4 - x5 + 3jc6 = 1
xt > 0 ,i = 1,6

Soluţie: [mini/' = - 2 ; x, = 0 ; x2 - 1 ; x3
1
x4 ~ 2 ’ XS ~ 0 » Xf>'

17, [maxi/' = 3x] + 4x2

x, + 4jc2 < 24

3x, + x2 < 21

x j+ x 2 < 9

x ,,x 2 > 0

Soluţie: [maxi/’ = 32 ; jc , = 4 ; jc2

18. [m in i/ '= 3xj + 2 jc 2

2x, + x 2 > 5

3x, - 2 x 2 < 6
*
x, + x 2 < 4

jc , , jc 2 > 0

λ, = —
Soluţie: r[m ·in]/ 54 ; x, = —
16 ; x 2

126
19. [maxI/' = x, + χ2
Xj - 2 χ2 > - 1

2χ, - χ2 < 1

Xj+X2 > l

χν χ2 > 0
Soluţie: [max]/ = 2 ; χ, = 1 ; χ2 = 1

20. [min I/' = 3χ, + 5x2 + 4x3

2xj + x2 > 12

x, + 2 x 2 + 2 x 3 ^ 2 0
<
x2 + 2x3 > 15

x, > 0,i = 1,3

«So/u/z'e: [mini/' = 48 ; x, = 6 ; x2 = 0 ; x 3 = -y- ;

21. [mini/' = 12x, + 10x2

2x, + 5 x2 > 20

3x, +x2 > 12

«
x2 - 2

x{ > 0,z = 1,2

Soluţie: rLmin
· U 840
\f = — 40 - x 2 = —
— · x, = ---- 36 ■
13 ’ 1 13 13 ’

127
22. [m in i/' = 5*ι + 2x2 + x3 + 3x4 + 3x5
2x, + x 3 + x 5 > 700

- Xj + x2 + 2x4 + x5 > 400

x,. >0,/ = 1,5

Soluţie: [min ] f = 1300 ; x, = 0 ; x 2 = 0 ;
x 3 = 700 ; x 4 = 200 ; x 5 = 0

23. Determinaţi o raţie alimentară de cost minim, ştiind că sunt necesare 3000
calorii, 100g proteine şi se folosesc două feluri de alimente A\ şi A2. Primul aliment
A\ de 500g, conţine 1000 de calorii şi 25 g proteine, iar al doilea aliment A2 tot de
500g conţine 2000 de calorii şi 100g de proteine. Preţul pe unitate (500g) este de
1,80 u.m. pentru A t şi 8 u.m. pentru A2.

Soluţie: [min ]/ = 7,60 u.m. x = 2\y- — => 1000g; 250 g.

24. La o fabrică de stofe se produc două sortimente A şi B. Primul sortiment

conţine 200g bumbac şi 800g lână, iar al doilea conţine 400g bumbac şi 600g lână
pe unitatea de produs (m2). Fabrica dispune de 20 tone bumbac şi 60 tone lână.
Beneficiul este de 80 u.m./m2 pentru A şi 60 u.m./m2 pentru B. Să se determine
cantitatea de stofa din cele două sortimente, exprimată în m2, care trebuie
fabricată astfel încât beneficiul să fie maxim.

Soluţie·. 60 000 m2; 20 000 m2; 6 000 000 u.m.

25. Trei depozite au în stoc 15 tone, 32 tone, respectiv 30 tone de marfa care
trebuietransportată la trei magazine ce au nevoie respectiv de 2 2 1,3 0 1,2 0 1. Matricea
costurilor de transport este:

f2 3 2λ
C= 1 2 1
1 2 4
V
Să se prezinte un plan de transport care să conducă la un minimum de cheltuieli.
Rezolvare. Deoarece Disponibilul este de 77 t şi necesarul este de 72 t problema
este neechilibrată. O echilibrăm prin introducerea unui m agazin fictiv care are

128
necesarul de 5 t. Costurile unitare de transport: c14 = c24 = c34 = 0. Vom determina o
soluţie iniţială de bază prin metoda colţului Nord-Vest:

C1 c2 c4 Disp

%
Dx 3 2 0
0 0 0
d2 1 0
K * 0 0

X X
^3 1 V " '
0 X 20
Nec 22 30 20 5 N . 77
77
* #

jtn = min(15, 22) = 15 =» Χ\2 = χΐ 3 = : χ \ 4 ~ 0

x2\- min(7, 32) = 7 =>x31 = 0
■x22 = min(25, 30) = 25 =>x23 = x24 = 0
x32 = min(5, 30) = 5
x33 = min(20, 25) = 20
χ34 = min(5, 5) = 5
Avem m + η - 1 componente strict pozitive ale soluţiei iniţiale de bază (adică
3 + 4 - 1 = 6).
Deci soluţia este nedegenerată.
pentru a decide dacă soluţia de bază nedegenerată este optimă se foloseşte metoda
potenţialelor care se bazează pe teorema lui Dantzig:
Fiecărei căsuţe (i, j) îi asociem perechea («,·, vj). Rezolvăm sistemul w, + Vj = cy,
pentru căsuţele în care soluţiile Xy > 0.
Calculăm cu ajutorul soluţiilo sistemului anterior diferenţele: Dy - ut + Vj - Cy,
pentru căsuţele în care soluţiile Xy = 0.
Soluţia este optimă dacă toate diferenţele Dy < 0.
în caz contrar vom determina o altă soluţie. Deci soluţia iniţială a problemei este:

15 0 0 0
7 25 0 0
0 5 20 5
V /

129
 Μ) + V] = 2 u3 + v2 = 2
u2 + Vj = 1 «3 + V 3 = 4

u2 + v2 - 2 «3 + v4 = 0

Deoarece numărul de necunoscute mai mare decât numărul de ecuaţii alegem prin
convenţie variabila ux= 0
Rezultă uşor: v, = 2
u2 = - 1
v2 = 3
w3 =—1
v3 = 5

v4 = 1
Calculăm diferenţele Dn = U\+ v2 -~C12 = 0
Dn = ux+ v3 -' c13 = 3
D\4 = u. + v4--C14= 1
•^23 = «2 + v3-” c23 = 3:
-^24 = m2 + v4-- c24 = 0
£>31 = «3 + vr ' C31 = 0
Deci soluţia nu este optimă pentru că există trei diferenţe strict pozitive.
Alegem cea mai mare diferenţă strict pozitivă şi din căsuţa corespunzătoare ei,
vom construi o linie poligonală închisă notând cu semnul +, vârful ei în căsuţa (2, 3),
apoi alternativ - , +, Dintre vârfurile cu semnul - alegem cea mai mică valoare Xy.
Această valoare o scădem în vârfurile cu - şi o adunăm în vârfurile cu +, restul
soluţiilor rămânând neschimbate. Pe fiecare linie sau coloană ale liniei poligonale nu
trebuie să existe mai mult de două vârfuri ale ei, iar soluţiile din căsuţele în care se
află vârfurile trebuie să fie > 0. după determinarea noii soluţii, procedăm la fel ca
pentru soluţia iniţială, până când toate Dtj < 0. Costul de transport se calculează după
formula:
m n

Ct - ·

130
 Cjixο) = 2· 15 + 1- 7 + 2 - 2 5 + 2- 5+ 4 - 2 0 + 0- 5 = 177.

λ15 Ο Ο 0Λ
X = 7 5 20 Ο
Noua soluţie este: 1
Ο 25 Ο 5

Μ, + V! =2 Μ] = Ο: v. =2
«2 + V, = 1 u2 - 2

^2 ^2 2 ν2 - 2
«2 + V3 = 1 ν3 = 2
+ ν2 = 2 μ3 = 2
Μ3 + V4 = 0 ν4 = 2

0,3 = 0 + 2 - 3 = - 1
D23 = - l + 2 - 2 = - l
D24 = - 1 + 1 - Ο= Ο

£)24 = - 1 + 1 - ° = °
£>3ΐ = —1 + 2 —1= 0
Ζ)33 = —1 + 2 —4 = —5

Pentru că Z)y < Ο, soluţia x, este optimă, iar costul optim de transport este

CjixJ = 2- 15 + 1- 7 + 2- 5 + 1-20 + 2- 25 + 0- 5 = 117 < ( C ^ ) )

131
 26. Rezolvaţi următoarea problemă de transport:
1 5 2 13
1 2 1 30
2 3 4 34
22 30 25
Rezolvare:
Pentru că disponibilul este egal cu necesarul (77), problema este echilibrată.
Determinăm soluţia iniţială prin metoda colţului N-V.

'1 3 0 0λ
9 21 0
0 9 25
V
Soluţia iniţială x() este nedegenerată (are 5 componente Φ0).
Costul C^Xq) = 1 · 13 + 1 · 9 + 2 · 21 + 3 · 9 + 4 · 25 = 191.
Rezolvăm sistemul:

+ V, = 1 w, = 0 =Φ v, =1
u2 + V, = 1 m2 = 0

u2 + V2 = 2 v2 = 2

M3 + V2 = 3 «3= 1
i!
UJ

W3 + V3 = 4

D 0 +2 - 5 =
D : O+ 3 - 2 :
£>23 = O+ 3 - 1 = 2*
D 31 1 + 1 - 2 = 0
132
 13 0 0Λ
Noua soluţie va fi: x, 9 0 21
9 30 4

il, + V1 = 1 uί - 0 => v, = 1
u2 + v>= 1 u2 = 0
u2 + V 3 = 1 v3 = 1
U, + V2 = 3
M, + V 3 = 4 v2 = 0

Du = 0 + 0 - 5 = - 5
Z)13 = 0 + 1 - 2 = - 1
D22 = 0 + 0 - 2 = - 2
Z>31 =3 + 1 - 2 = 2*

13 0 0
x2 = 5 0 25
Noua soluţie va fi:
4 30 0

133
 Μ, + V, = 1 Μ] = Ο: ν, = 1
«2 + V, = 1
Vj = 1
U2 + V 3 = 1

w3 + v, = 2 μ3= 1
ν2 = 2
«3 + ν 2 = 3

£>12 = 0 + 2 - 5 = - 3
£>13 = 0+ 1 - 2 = - 1
£>22 = 0 + 2- 2= 0
£>33 = 1 + 1 - 4 = - 2

Pentru că < 0, soluţia x2 este optimă. Costul optim de transport este:

Cj(x2) = 1 · 13 + 1 · 5 + 1 · 25 + 2 · 4 + 3 · 30 = 141 < Cj{x0)
27. Rezolvaţi următoarea problemă de transport
4 1 2 15
2 2 1 34
3 3 4 30
22 30 22

Rezolvare: Pentru că problema nu este echilibrată deoarece disponibilul nu este

egal cu necesarul, introducem încă o coloană cu necesarul de 5 şi costurile
Cj4 = c24 = c34 = 0. Astfel am echilibrat problema şi determinăm soluţia iniţială de
bază prin metoda colţului N-V.

* r

27

134
 0 0 0
1 15
Xo = 27 0 0
7
V 0 3 22 5

Soluţia iniţială x este nedegenerată (are 6 componente Φ0):

Cj(xo) = 4 · 15 + 2 · 7 + 2 ■275 + 3 · 3 + 4 · 22 + 0 · 5 = 225
Rezolvăm sistemul:

w, + V] = 4 M, = 0 :
u2 + Vj = 2
«2 + v2 = 2
«3 + v2 = 3 ti3 = - 1
m3 + v3 = 4 v3 = 5
«3 + V4 = 0 v4 = 1

D 12 = 0 + 4 - 5 = 3
£>,3 = 0 + 5 - 2 = 3
£>14 = 0 + 1 -0 = 1
Z)23 = —2 + 5 —1 = 3*
£>24 = - 2 + l - 0 = - l
£>3i = —1+ 4 —3 = 0

05 0 0 0^
JC = 7 5 22 0
Noua soluţie va fi ' 1
0 25 0 5
v

U, 4 1 2 0
15 0 0 0
u2 2 2 1 0
Ί -5 ^ ^ 22 0
«3 3 3 4
0
0 25 0

135
 M, + =4 « , = Ο: v ,= 4
u2 + = 2 «2 = —2
u2 + V2 = 2 v2 = 4
u2 + V 3 = 1 v3 =3
ιιλ + V2 = 3 u3 = —1
m3 + V4 - 0 v4 = 1

Z),2 = 0 + 4 - 1 = 3*
0 ,3 = 0 + 3 - 2 = 1
Z>,4 = 0+ 1 - 0 = 1
d 24 = - 2 + 1 - 0 = - 1
*>31 = - 1 + 4 - 3 = 0
^33 = - 1 + 3 - 4 = - 2
Ui
O
0
o

Noua soluţie va fi: x, = 12 0 22 0

0 25 0 5

M, + V, = 4 W, = 0 : v, = 4
M| + v2 = 1 v2 = 1
m2 + v, = 2
k2 + v3 = 1 v3 = 3
m3 + v2 = 3 «3 = 2
Mj + V4 = 0 v4 = - 2

Z)|3 —0 + 2 2 = 0

D 0 +( - 2 ) - 0 =- 2
: —2 + 1 —2 ——3
£>24 = - 2 - 2 - 0 = - 4
D : 2 + 4 - 3 = 3*
D :2 +3 -4 = 1
136
 λ0 15 0 0Λ
Noua soluţie va fi: χι 12 0 22 0
10 15 0 5
v y
V1 v2 V3 V4
M] 4 1 2 0
0 15 0 0
u2 2 2 1 0
""12 0 ^22 0
w3 3 3 4 0
10 15 0 5

M] + V2 = 1 Wj = 0 => v2 = 1
M2 + V1 = 2 «3 = 2

«2 + V3 =1 V] = 1
m3 + V, = 3 V4 = - 2
îi, + V2 = 3 u2 = 1
w3 + V4 = 0
v3 = 0

£>π = 0 + 1 -4 = ·
D13 0 + 0 - 2 = - 2
£>14 = 0 - 2 - 0 = 2
£>2 2 = 1+ 1 - 2 = 0
£>2 4 = 1 - 2 - 0 = - 2
£>33 = 2 + 0 - 4 = - 2
Soluţia x3 este optimă pentru că toate diferenţele DtJ < 0.
Costul optim este Cj(x2) = 1 · 15 +2 · 12 + 1 ■22 + 3 · 10 + 3 · 15 + 0 · 5 = 136 < Cj(x0)
28 Două depozite au în stoc 100 tone respectiv 140 tone de marfă ce trebuie
transportată la trei magazine care au nevoie respectiv de cantităţile 70 t, 80t, 90t.
Matricea costurilor de transport este:

(30 20 40'
C =
10 60 30
y

Să se prezinte un plan de transport care să prezinte un minium de cheltuieli.

Soluţie: Vom determina o soluţie iniţială de bază prin metoda colţului de N-V:
137
 ( 70 30 0 ^
Verificăm dacă soluţia : este optimă:
0 50 90
\

Formăm sistemul de ecuaţii:

ui+ vj = cij» (V)(i J ) t B

Mj + Vj = 30
v, = 3 0
«ί + v 2 = 2 0 u, = 0
v2 = 2 0

u2 + v 2 = 60 u2 = 4 0
v3 = - 1 0

u2 + v 3 = 30
Calculăm : Sy = w, + vy- —ctf, £5
<5 j3 = m, + v 3 - Cj3 = - 1 0 - 40 = - 5 0 < 0
<52j = w2 + Vj - c2 1 = 40 + 30 - 1 0 = 60 > 0
Deoarece nu toate < 0 =❖ soluţia nu este optimă.
Alegem atunci <5fe = max(<5ÿ) = <52 1 => (2,1) va intra în noua bază. Pentru a
vedea cine iese din baza anterioară, plecând de la (2 , 1 ) formăm un ciclu cu
elementele bazei, astfel încât pe orice linie sau coloană ale liniei poligonale să nu
existe mai mult de două vârfuri ale ei. începând cu (2 , 1 ) notăm alternativ vârfurile
liniei poligonale cu + şi - , vârful (2,1) având semnul +. Dintre vârfurile cu semnul
alegem
xiojo = min (Xy) =*(iQij 0) iese din bază. Noua soluţie de bază este:

138
 Xy, => (U j)t C

x9 m
Xij + x i J o d tj)& C +

Verificăm dacă acesată soluţie este optimă:

h, + Vj = 30
V! = 30
U\ + v2 = 20 Wj = 0
v2 = 20
u2 + vi = 1 0 1^2 = “ 20
(V3 = 50
w2 + v 3 = 30

δ ι3 = « ! + v 3 - c 13 = 5 0 - 4 0 = 10 > 0
δ 22 = u2 + v 2 - c2 2 = - 6 0 < 0 deci soluţia nu e optimă.
=»(1,3) intră în noua bază.

(W o = ( y )
Se alege * Wo Şi
= 20

noua soluţie de bază este:

«1

«2

139
 Verificăm dacă noua soluţie este optimă:
M, + v 2 = 20

(N
o
>
II
Mj + v 3 = 4 0 Mj = 0
v2 = 2 0
li2 + vj = 10 u2 = -1 0
v3 = 4 0
w, + v, = 30

=0 + 2 0 - 3 0 = - 1 0 < 0

1^22 =U2 + V2~ C22 = "10 + 20 - 60 = -5 0 < 0

Deoarece toate <5,y < 0 =Φ soluţia este optimă.
/ 0 80 20 N

70 0 70

Cost optim = 0-30 + 20*80 + 40-20 + 10-70 + 60-0 + 30-70 = 5200 U.M.

29, Rezolvaţi următoarea problemă de transport:

3 2 6 4 9
3 3 3 2 7
3 1 4 2 2
1 3 1 2 2
5 5 5 5

Soluţie·. Vom determina o soluţie iniţială de bază:

Vl V2 V3 V4
3 6 4
“1 2
..5 7 ] 4
3 3 S
«2
/ 1/ 5
3 1 4 2 !/
«3 yT 2
M4 1 , 3 1 2 .1 / 2
/ 2
^ ^ /T

140
Verificăm dacă soluţia este optimă:

u, + v, = 3

«! + v2 = 2

u2 + v2 = 3 «1 = 0 Vl = 3

u2 + v3 = 3 «2 = 1 V2 = 2

« 2 + v4 = 2
«3 = 1 V3 = 2

Uj + v 4 = 2 “4 = 1 v4 = 1

«4 + v4 = 2

^13 ~ ^ » ^14 ~ 3; 5 2 i 1 ; — 1 i <5 32 — 2

^33 = 1 · ^ 4 i = 3 ; δ 4 2 = 0 ; <54 3 = 2

= max δ & = δ 41 = 3

‘0 Jo = ( i,J
min = x 22 = 1
)e C -

Noua soluţie este:

141
 u j + v, = 3

Ml + V 2 = 2
«1 = 0 Vl =3
w2 + v 2 = 3
«2 = - 2 V2 = 2
« 2 +V4 = 2
« 3 + v4 = 2
“3 = -2 V3 = 5
tt 4 = - 2 V4 =4
U4 + V, = 1

« 4 + v4 = 2

5,3 = — 1 ; <51 4 = 0 ; S2i = —2 ; δ 22 ~ ~ 3 ;

<53 1 = — 2 ; δ32 ——1 ; 5 3 3 = —1 ; S42 = —3 ; <54 3 = 2

=> <5^ = max<5ÿ = <54 3 = 2

X. i = min X.·, = x ^ = 1
'o'» (i,j)eC- ,J 44

Noua soluţie este:

Vi V2 V3 V4

«i

«2
3_

«3

«4

142
 M j+ V , =3

m, + v 2 =2

U1J
U\ = 0

II
V1
« 2 +Vj =3
u2 = 0 V2 =2
« 2 +V4 =2 => ·
0 =3

II
V3
W3 + V 4 =2
« 4 =- 2
V4 = 2
«4+ V , =1

« 4 + V3 = 1

5 = -
II

-2;<521 22 ;
0

5 3i —Ο; δ32 —1 ; δ 33 ——1 ; δ42 — 3 ; ——2

=> = max δ,Ί = 32 = 1

X: : = min jc „. = x dl = 1
' οΛ) «J)e C - ÿ 41

Noua soluţie este:

V] v2 v3 v4
6 4
Ml %

«2
3

3
3

1 /
3 ^
/
4
3 X
«3
1

X
1 3 2
«4

143
 M, + V, = 3

u, + v 2 = 2

II
Vi = 3

o
u2 + v3 = 3
u2 = - l v2 = 2
u2 + v4 = 2
=* ■

II
o»<
«3 = - 1
«3 + v 2 = 1
u4 = - 3 v4 = 3
«3 + v4 = 2

«4+V3 = l

5,3 — 2 ; <5,4 - 1 ; 5 2j — 1 ; δ χ — 2 ;

S 3 , = ~1 > δ33 = — 1 ; <54, = — 1 ; 5 4 2 = —4 ; δ Μ = — 2

Deoarece toate δ^< 0 => soluţia găsită este optimă

r5 4 0 0N

0 0 3 4

0 1 0 1

0 0 2 0

Costul optim = 5·3 + 2·4 + 3*3 + 2-4 + 1*1 + 2·1 + 1·2 = 45

30,
3 2 1 370
1 2 ■2 10
1 3 1 220
500 50 50

Soluţie:

144
 'n o so 5(Λ
X = 10 ο ο
220 0 0
-'optim= 1190
31.
10 6 4 50
2 8 6 30
1 3 3 30
10 20 70
Soluţie:
0 0 50
X = 10 0 10
0 20 10
= 370
32.
2 3 1 10
5 2 7 20
1 1 2 20
6 4 2 ’ 30
10 20 50
Soluţie:
Ό 0 10
0 20 0
X=
10 0 10
0 0 30
Coptim—140
33.
1 1 3 50
1 3 2 70
40 20 60
Soluţie:
30 20 0N
X=
10 O 10

C optim
, =180

145
34.
8 6 2 1 200
2 3 5 4 150
1 7 2 9 100
100 150 90 110

Soluţie:

' 0 0 90
0 150 0 0
x=
100 0 0 0

Coptim
. =840

35.
1 2 3 2 7
3 6 1 2 14
7 4 1 1 27
3 10 20 15

Soluţie:

"3 4 0 0
0 0 14 0
0 6 6 15

optim
70
 CAPITOLUL Π

ELEMENTE DE ANALIZĂ MATEMATICĂ

§ . 1. Funcţii de două şi mai multe variabile reale

1. Mulţimi şi puncte în RD
începem acest paragraf prin definirea unor puncte şi mulţimi speciale din Rn
necesare pentru studiul unor noţiuni ca limita, continuitatea, derivabilitatea în Rn.
La capitolul de algebră liniară s-a definit spaţiul liniar real n dimensional Rn a
cărei definiţie o reamintim.
Definiţie. Se numeşte spaţiu real «-dimensional şi se notează R", mulţimea
R" = R x R X...R = {x = U i,x2,...x„)/Xj € /?,i = l,2,...n} (1)
nori

unde x = (xl,x2,..jcn)& R" se numeşte punct al spaţiului Rn iar numerele reale

x,,x2,...xnse numesc coordonatele punctului x din Rn.
Definiţie. Aplicaţia d :RnxRn —» definită prin:

d (x ,y )= ^ jp x i - y i)2 (2)

unde x = (xl,x2,..jc„)e Rn, y = (yl,y2,...yn)e R n sunt puncte în R" se numeşte

distanţă în Rn. Distanţa definită de (2) are următoarele proprietăţi:
(dx) d(x,y)> 0 (V )xeR n şi y& Rn;d(x,y) = 0 & x = y ;
(d2) d(x,y) = d{y,x), (V )xeR n, y e R n;
(t?3) d(x,y)<d(x,z) + d{z,y), (V )xe Rn,y s Rn,z € R .
Pentru n=l şi n=2 din (2) regăsim formulele de calcul ale distanţei dintre două
puncte de pe dreaptă şi în plan:
d(x,y) = \x - y \ d(x,y) = J ( x x - y {)2 +(x2 - y2)2
Definiţie Fie jc0 = (x°, x2,...x°) un punct din Rn şi r > 0
Mulţimea Sr(x0) = {xe R"/d(x,x0) < r} de puncte din R" se numeşte sferă
deschisă cu centrul în Xo şi de rază r.
Sferele deschise din R şi R2 sunt intervale deschise centrate în x0 de forma (xo-
r,xo+r) repectiv discuri circulare reprezentate prin
inegalităţile de forma y](xx- x®)2 + (x2 - x° Ÿ < r .
Definiţie Se numeşte interval n-dimensional, mulţimea de puncte din Rn notată
Γ şi definită prin produsul cartezian
l xxl2...ln = /" = {(*„ x2,...xn)lx k e Ik, k = 1,2,...«},
147
unde Ik^akA), k=l,2,...n, sunt n intervale deschise pe dreapta reală.
Se poate demonstra următoarea:
Propoziţie. Orice sferă cu centrul în Xo conţine un interval n-dimensional care
conţine x0 şi reciproc, orice asemenea interval conţine o sferă cu centrul în x0.
Definiţie. Mulţimea V c Rn se numeşte vecinătate a punctului XqS Rn dacă
există o sferă deschisă cu centrul în x0 (sau un interval n-dimensional ce conţine pe
x0) înclusă în mulţimea V, adică x0 e Sr ; x0 c V sau x0 e 1" c V .
Din definiţia vecinătăţii rezultă că orice sferă deschisă cu centrul în x0 şi orice
interval «-dimensional ce conţine pe x0 sunt vecinătăţi ale lui x0. în particular orice
interval (a,b) din R care îl conţine pe x0 este o vecinătate a lui x0, intervalul (x0-r,
x0+r) centrat în x0 numindu-se vecinătate simetrică a lui x0· în R2 mulţimea
punctelor din interiorul unui cerc cu centrul în x0 şi intervalele bidimensionale ce
conţin pe x0 sunt vecinătăţi ale lui x0.
Definiţie Punctul x0 e Rn se numeşte punct interior mulţimii AC.R* dacă
există o vecinătate V a lui x0 inclusă în mulţimea A, adică x0 e V c A.
Definiţie Mulţimea AdR" care conţine numai puncte interioare se numeşte
mulţime deschisă. Sferele şi intervalele «-dimensionale sunt mulţimi deschise.
Definiţie Punctul Xg e R" se numeşte punct exterior mulţimii A d R n dacă este
interior complemetarei lui A, adică există o vecinătate a lui xo astfel că
x0 e V c Ac.
Definiţie Punctul x0 e Rn se numeşte punct frontieră al mulţimii A d R n dacă
orice vecinătate a sa conţine şi puncte din A şi puncte din A°. Mulţimea punctelor
frontieră ale mulţimii A se notează Fr(A) şi se numeşte frontiera mulţimii A.
Definiţie Fie x0 e Rnşi A d R n. Punctul x0 se numeşte punct de acumulare al
mulţimii A dacă orice vecinătate Va a lui x0 conţine cel puţin un punct al mulţimii
A diferit de x0 adică (V -{ x 0})n A Φ0 . Din definiţie rezultă că punctul de
acumulare x0 poate să aparţină sau poate să nu aparţină mulţimii A.
Definiţie Punctul x0 e A c Rn se numeşte punct izolat al mulţimii A dacă există
o vecinătate V a punctului x0 astfel ca V Π A = {x0}.
Exemplu Fie A d R 2 o mulţime:
A = ^x,y)l x2 + y2 <A,y> o}U {(2,3)}
Mulţimea A conţine punctele din interiorul semicercului cu centrul în origine şi de
rază 2 situat deasupra axei Ox inclusiv cele de pe semicerc, conţine punctul Q(2,3)
şi nu conţine punctele de pe axa Ox. S (l,l) este punct interior lui A şi este punct de
acumulare. Â (l,3)gA deci este punct exterior lui A. 7X1,0) £ A este punct de
acumulare şi este punct de frontieră.

148
 Q(2,3) este punct izolat al mulţimii A şi este punct frontieră V(V2, V 2)e A este
punct de acumulare şi punct frontieră.

2. Limita şi continuitatea funcţiilor de două variabile

Ştim că R2 = {x = (xl,x2)/xl £ Rşix2e R} este mulţimea perechilor ordonate
(xhx2) de numere reale, sau mulţimea punctelor din plan. Orice mulţime
A c i ? 2 este deci o mulţime de puncte din plan care au coordonatele xi şi x2
respectiv abscisa şi ordonata acestor puncte faţă de reperul xj0x2.
Rezultă că o funcţie/ \AczR2 —>R este o funcţie de punctul (xbx2) adică o
funcţie de două variabile f(xi,x2).
în cele ce urmează ne vom ocupa de funcţia de două variabile pe care o vom
nota f(x,y) amintind ca mai sus coordonatele x,y ale punctului M din plan, aceasta
pentru a simplifica scrierea.
Exemple:
1. Funcţia de eficienţăf(x,y)=cix+c2y, x> 0,y> 0 într-o problemă de programare

liniară,vectorul program fiind vectorul coloană

[y)
2. Fie p preţul pentru produsul X în unităţi date, v venitul mediu al unui
consumator şi x cantitatea din produsul X cerută pe piaţă în unităţi date. Atunci x
este o funcţie dep şi v care poate fi scrisă ca o funcţie de două variabile:
x = f (p,v), p > 0, v > 0 .
3. Notând cu V venitul naţional, cu x orele de muncă productivă prestate, cu y
fondurile fixe angajate în producţie putem scrie funcţia de două variabile:
V(x,y) = kxay P, k, a, β constante, x > 0 ,y > 0 .
Funcţia definită mai sus se numeşte funcţia de producţie de tip
Coob-Douglas.

149
 Definiţie. Fie (x0,y 0) e R2 un punct de acumulare al mulţimii A c/ ?2 şi fie
/ : A —» R . Spunem că numărul real l e R este limita funcţiei f(x,y) în punctul
(xoiVo) dacă pentru (V) ε > 0 există o vecinătate V a punctului (χο^ο) astfel încât
pentru orice (x, y) e V Π A să avem:
\f(x,y)-l\<e
şi scriem:
Hmf(x,y) = l.
(x,y)-*(.xa,y0)
O definiţie echivalentă cu precedenta este următoarea:
Definiţie. Fie (xo^o) un punct de acumulare al lui A c/ ?2 şi / : A —» R .
Spunem că le. R este limita lui f în punctul (x0lyo) şi scriem lim f(x,y) = l dacă
(x,y)^>{x0.yo)
pentru orice şir {(x„, yn)}■ . de puncte din A pentru care lim (x„, yn) = (x0, y0)
ti—
avem Mmf ( x n,yn) = l .
Π-»oo

Exemple:
1. Să se arate că lim (x2 + xy + y 2) = 7 . Avem:

/(x, y) - 7 = (x2 - 4) + (xy - 2) + (y 2 -1) = (x - 2)(x + 2) +

+ [(x -2 )y + 2 ( y - l) ] + ( y - l) ( y + l) = (x -2 )[x + y + 2 ]+ (y -l)[y +3]
Vom considera funcţia f(x,y) în vecinătatea patratului de latură egală cu 1 a
punctului (2,1) în care jx —2j< 1, |y-l|< l, adică [xj<3,şi[yj<2 şi prin urmare
jx + y + 2|< 7, |y + 3j < 5 şi de aceea avem
j/ (x,y)-7 | < 7 .
s
Fie 5 cel mai mic dintre numerele — şi 1, atunci în <5 vecinătatea punctului
(2,1) avem:
|x- 2|+ |y - 1|< 20 , de unde |/(x, y) - 7|< ε astfel spus ^ lim^ ^(x2 + xy + y 2) = 7 .

2. Să se calculeze lim - -— .
*->0 x
y->2
sin xy sinxy sinxy _ , „
Avem hm ------- = lim y ------- = hm y lim ------- = 2-1 = 2 .
χ->0 X x->0 x y y->2 x->0 xy
y —>2 y —>2 J 2 *

3. Să se studieze existenţa limitei în origine a funcţiei / : R2 —>R ,

150
 *2 - 2· dacă (x, y) ^ O
f(x , y) = +
O dacâ(x,y)= 0
Fie şirul de puncte (*„, yn)nîl cu y„= m xme R . Acest şir de puncte se află pe
dreaptay=mx ce trece prin origine. Dacă xn —>0 atunci (0,0). Pentru

acest şir avem lim f(x „,yn) = ,lim

J \ n s n* „ ^ 0 ^ j—'"/■
2 + 2 2 =-——
l + m 2
. Observăm că valoarea
y,-*0 " ™
limitei depinde de m deci de şirul considerat. Rezultă de aici că funcţia nu are
limită în origine.
Definiţie. Fie f : Ac. R2 R . Spunem că funcţia f este continuă în punctul
(x0,y 0)e Λ dacă:
lim /(x,y) = /(x0,>-0).
(.x.y)-*(xo,yo)
Continuitatea definită mai sus se numeşte continuitate în raport cu ansamblul
variabilelor. Putem defini şi continuitatea parţială în raport cu x în punctul (x0ly0)
sau în raport cu y în (x0xyo) dacă avem respectiv
lim/(x,;y0) = /(x0,)>o) şi
X-*Xq
lim/(jc0,y ) = /(xq, y0).
y->yo
Propoziţie. O funcţie continuă într-un punct în raport cu ansamblul variabilelor
este continuă în acest punct şi în raport cu fiecare variabilă în parte.
Exemple
1. Să se studieze continuitatea funcţiei
l - J l + x2 + y 2 . . .
,daca (x ,y )* 0
f(x ,y ) = x2 + y2
0, dac
în punctele (x, y) Φ(0,0) funcţia este continuă ca un raport de două funcţii
continue iar x2 + y2 Φ0. în punctul (x, y) = (0,0) avem:
l-^/l + x 2 + y 2
lim /(x,.y) = lim
(x,y)-> (0 ,0 ) ( * .r ) - » ( 0 ,0 ) X + y

= lim-------17-1 ~i f :2 + z !L = = - 1 * 0 = /(0,0);
y 2 )(l + yjl + x 2 + y 2
l , 'y H ( 0'0) ( x 2 + 2

deci funcţia dată nu este continuă în origine.

151
2. Să se studieze continuitatea funcţiei
2 2
xy~ — ~ r j dacă (jyO Φ0
f(x ,y ) = x +y1
0, daca (x ,y) = 0.
Pentru a calcula lim / (x, y) observăm că:
(* ,y )—>(0,0)
ILx2 —_y|
2|
0 < |/(x, _y)|= Ixyl-L-r-----f < Ixyl iar de aici urmează că
'x +y
lim f(x,y) = 0 => lim f(x, y) = 0 = /(0,0) adică f este continuă în (0,0).
(λγ,>)-»(0,0) (x,y)—>(0,0)

3. Derivate parţiale
Fie f :A<zR2 şi (xo^o) un punct interior lui A
Definiţie Funcţia f(x*y) este derivabilă parţial în raport x în punctul (xotKo)
dacă:
lim f(x ,y 0)-f(xo,yo)
x~>*o X - Xq

există şi este finită. Vom nota această limită cu / ' (x0, y 0 ) sau ■■ -^0’ ■ şi o
vom numi derivata parţială de ordinul întâi în raport eux a funcţiei f(xjO în punctul
(xo^o)· în mod analog spunem că f(x,j) este derivabilă în raport cu y în punctul
(x0tyo) interior lui A dacă:
lim —f ( xo;,yo) exişti şi estc finită.
y->y0 y -y 0

Notăm şi în acest caz limita de mai sus / ' (x0, y0 ) sau — _°’ 0 şi o vom
ây
numi derivata parţială de ordinul întâi în raport cu y a funcţiei f(x,>0 în punctul
(x0,y0). Din definiţia derivatelor parţiale rezultă că pentru a calcula derivata parţială
f x în punctul (x,y) se derivează f(x,>0 ca funcţie de o singură variabilă considerând
pe y constant. Analog se calculează derivata parţială f y{x,y) în raport cu y
considerând pe y constant.
Definiţie Fie / :A c.R 2 -*R derivabilă parţial în raport cu x respectiv y, oricare
ar fi (x,;y)e A . Dacă derivatele parţiale f x(x,y) şi f y(x,y) definite pe A sunt la
rândul lor derivabile parţial în raport cu x şi y, derivatele lor parţiale se numesc
derivatele parţiale de ordinul doi ale lui f şi se notează (fx)x = fxi(x,y) sau cu
cealaltă notaţie
152
 d_r df {x>y ) d 2f ( x , y )
dx dx dx2

y) sau
_ d 2f ( x , y )
2 „· derivatele
şi . . parţiale mixte:
dy
(f'(r ν~Λ _ r" (r v\_ 9 fd / (x ,y))_ d 2/(x,y)

( Λ * >’)) =/" (χ „)=Â f § Q ^ L i V i M l

Exemplu Calculaţi derivatele parţiale de ordinul întâi şi doi ale funcţiei
f :R2 —>R, f(x, y) = ln(x2 + y2) (x,y)* (0,0).
Avem
2x . r , . . . a _ 2y
/,(*> y ) - ^2 , ,.2 ’ fy(X’ y) — 2 2’

_ 2 (x 2 + y 2) - 4 x z _ 2 ( /2 - ^ 2) . „ -,

f s (x,y) =
(x2 + y 2J (x2 + y 2f ’

f r v ) .2 ( x 2 + y2) - 4 y 2 _2(x2- y 2).

f ’ l(X'y )~ (x2 + y2J ~ V ^ T ’

/ 2* Λ 4xy
f y ) = ( f x1 = x2 + y2 Şi
V+y'J
' 2y '
/«(*> y ) = = 7 , ■—"to i se observă că f xy(x,y)= f (x,y) egalitate a
^ 2 + / jx Ve +y /
derivatelor parţiale mixte de ordinul doi care în general nu este valabilă decât în
condiţiile criteriului:
Criteriul lui Schwarz. Dacă funcţia / : A c ä 2- ) ä are derivate parţiale mixte
de ordinul doi într-o vecinătate V a punctului (x0, y0)e A
şi dacă sunt continue în (xoO’o) atunci are loc:
fxy{Xo>yo)=fyx(Xo>yo)·

4. Diferenţiala funcţiei de două variabile

Fie funcţia / : A c R2 - » R şi (xolVo) un punct interior lui A

153
 Definiţie Funcţia fCxjO este diferenţiabilă în punctul QcoJ’o) dacă există două
numere reale A şi μ şi o funcţie co:A~>jR continuă şi nulă în (xoj'o)
(cu(x0, yQ)= O), astfel încât:
f(x , y) - f(x 0,y0) =λ(χ-Χο) + μ ( γ - y0) +co(x, y)p(x, y) ,
unde p(x,y) = fix -x o )2 +(y - y0)2 ·

Teoremă Dacă / : A c .R2 - » Æeste diferenţiabilă în punctul (x q ,) ^ ^ atunci

admite derivatele parţiale de ordinul întâi în {x0,y0), f x(x0,y0), f y(xο,^ο) Şi
plus A = f x(x0,y0), μ = f'y(x0,y0) .
Pentru demonstraţie, fixăm y = y0 şi x î x a astfel că (x,;y)e A
Avem f{x ,y 0) - f( x 0,y0) = Mx-Xo) +co(x,y0)p(x,y0) şi
/<*,i t M . λ+ω(Χ: ) k ^ l .
x -x 0 X-Xo
Trecând la limită pentru x —>x0 obţinem:
lim /(*>yo)~/(*Q..y_o.) _ ^ ( Xoj-yo) = ^deoarece lim ω (χ ,y0) = co(x0,y 0) = 0
*->•*0 X - Xq
Analog pentru x=x0 y * y0 se obţine f y(x0y0) = μ .
Deci dacă f(x,y) este diferenţiabilă în (xo^o) putem scrie:
f(x ,y )- f(x o ’ y<>) = /Λχο^ο)(χ - χο)+ f y(xo’ yo )(y-yo )+0)(x’ y)P(x’ y)·
Teoremă Dacă f(xj>) este diferenţiabilă în (x0ly0) atunci este continuă în (x0ly0)·
într-adevăr f(x,y) fiind diferenţiabilă în (xoj’o) avem:
f(x, y)- f(x 0,y0) = fx(xo>yο ) ( χ - χ ο ) +f y(*o>yo)(y ~yo)+ω ( χ >y)P(x>y) ■Dar
lim ω(χ,>') = ω(χ0,^0) = 0 şi lim p (x,y) = 0.
(i j HK.Jo) U.yHUo.yo)
Rezultă că lim ,[f(x, y )~ f(x 0, y o)]=0 sau

lim J ( x ,y ) = f(x 0,yo),

U.yHl^o.yo;
ceea ce exprimă continuitatea funcţiei f(x,>>) în punctul (xo^o).
Teoremă (fară demonstraţie) Dacă / : A ç R2 —>R admite derivate parţiale
f x(x0, y0) Şi f y(xo>Jo) continue în (xoj'o), atunci f este diferenţiabilă în (xoj'o).
Definiţie Fie / :Α ς Λ 2 —>R diferenţiabilă în (xoj’o), interior lui A. Se numeşte
diferenţiala funcţiei f(x·^) în punctul (xo^o) funcţia liniară:
df(x, y-,x0, y0)= fxixo- >'οΧχ -·ι ο)+ fy(xo,yoïy- yo)·

154
Expresia de mai sus a diferenţialei se mai poate scrie şi altfel punând
<p(x,y)=x, y/(x,y)=y şi deci ^ - = 1 , ^ = 0 , ^ - = 0 , ^ = 1.
dx dy dx dy

Astfel diferenţialele celor două funcţii în baza definiţiei se vor scrie:

df(x, y,x0,y0)= f x(x0,y0)dx + f y(x0, y0)dy.
într-un punct oarecare {x,y) avem:

4 f = f x(x,y)dx + f'y(x,y)dy sau df =^-dx + ÿ -d y ,

dx dy
pornind de la expresia ultimă a diferenţialei df putem defini operatorul de
diferenţiere
d0 = ^ -d x + ^ d y .

Definiţie Fie / : A ς; R2 —>R şi (xoiVo) un punct interior lui A, Spunem că f

admite diferenţială de ordinul n în (xo^o) dacă toate derivatele parţiale de ordinul n-
1 există într-o vecinătate a punctului (xovVo) şi sunt diferenţiabile în (xoiVo)·
Diferenţialele de ordin superior se definesc în mod recurent prin relaţia
dnf= d(d"-lf ) ,
din care se obţin succesiv diferenţialele de diverse ordine după cum urmează:

^ dxn +Cln-?-n{ - - dxn-ldy + ... + Ck

n - —f -T dxn-kdyk
dxn dxn-ldy dx dy

+ ... + C" —^-dy",

" By"

sau concentrat cu ajutorul operatorului de diferenţiere:

dnf = — 9 dx
, + ~ä dJy
dx dy
în care (n) înseamnă ordinul de diferenţiere care formal este asemănător dezvoltării
binomului lui Newton.
Exemplu. Fie funcţia f : R 2 ~*R f{x ,y ) = -Jx2 + y2. Să se calculeze df şi df2.
Avem:
155
d/ _ x W_ y deci:
2
V ^ + ÿ 1 ’ 3)1 V ^ + ÿ
df = ~ d x + ^f~dy = ..= J L ^ ·tic + ■■,·■------ dy = ■■.■■■■------ (x<£t + y<iy) Derivatele
ax * ' ^ ^ 77 7 7 7 7 V T + ÿ1
parţiale de ordinul doi sunt:
d2f _ y2 d2f _ x2 Θ2/ _ xy
3 ? > + , 2Γ a / > + / r a- ^ = > v r

3 2/ = 7— - — w * 2 “ 2 7— 301 w dxdy + -,— ί — rrr<6>2 «

(r ’ +,■»)* («2 +/ f (x2 + / f
1
(y ' ! * >* > ^
' 2i&2 -2xydxdy + x2dy2)=-.--------- \/-t-(yd x- xdy)

5. Funcţii de n variabile
Fie A c i? " şi / : Ac. R". Valoarea funcţiei într-un punct x = (xl,x2,..jcn)e A o
notăm f(x) sau f(xi,x2,..jcn). Spunem că funcţia / este o funcţie reală de variabilă
vectorială x sau o funcţie reală de n variabile reale xj,x2,...xn.
Exemple
1. Funcţia de eficienţă cost sau beneficiu într-o problemă de programare liniară în
care vectorul program este x' = (x,,x2 iar vectorul costurilor unitare sau al
beneficiilor unitare c = (cl,c2,-..cn), este:
n
/ (x ,, x2,...x„ ) = CX= c,x, + c2x2 +... + cnx„ = £ CjXj
J=1
adică o funcţie de n variabile xx> 0, x2 > 0,...xn > 0
2. Funcţia cost total al transportului într-o problemă de transport este
m n
f ( x l l ’ x l 2 ’ ' " x m n ) = c l l x l l + C 12X 12 + — + c m n X mn ~ Σ ^ j ClJXtJ'
M j.I
xij > 0, cij >0, 1 £ î < m, 1 ^ j < n,
adică o funcţie à& p-m -n variabile.
în cele ce urmează vom prezenta succint extinderea de funcţii de n variabile a
noţiunilor introduse în cazul particular al funcţiei de două variabile.
Definiţie Fie x0 = (·χί\χ2σ,...χΛ0)ιιη punct de acumulare al mulţimii A q R".
Spunem că le. R este limita lui/în punctul x0 dacă pentru orice vecinătate V a lui

156
/ există o vecinătate U a lui x0 astfel încât oricare ar fi x e U f]A să avem
/ (* )6 V .
Vom scrie:
lim / (x) = lim f(x l,x2,...xn) = l.
x2-*x°

Definiţie Fie xe. Aç,Rn şi f:A - > R Funcţia /este continuă în punctul xu
dacă lim f(x ) = /(Xq) astfel scris
x-*x0

lim / (x„x2, f(x°x,x02,...x°n)

jr— >JT|
χ2~*χϊ

Se mai spune că/este continuă în raport cu ansamblul variabilelor sale.

Definiţie Funcţia f :A Q R n->R este continuă în punctul
x0 = (x,0, x2° ,...x° ) e A în raport cu componenta x-, dacă funcţia de o variabilă
/ (x° ,x2° ,...Χι_°, xi,x°_l,...x°') are limita f(x0) în punctul x^x·,0
Propoziţie Dacă fimcţia f :AQ Rn ->R este continuă x0e A în raport cu
ansamblul variabilelor, atunci ea este continuă şi în raport cu fiecare dintre
variabile. Reciproca acestei propoziţii nu este adevărată.
Definiţie Fie f :A ç ,R n—>Ro funcţie de n variabile f(xi,x2,...xn) şi fie
x0 = (x°,x2 ,..jcn°)un punct interior lui A. Spunem c ă / are derivată parţială în
punctul (x°,x2 în raport cu variabila x-, dacă:
lim există { este finită Li ita
n O *
*,->*< Xj - Xj
însăşi poartă numele de derivată parţială a funcţiei / în raport cu x-, în punctul
(x°,x2°,...xn°) şi se notează:

f'xy x,x2°,...x°n) sau ,

Avem şi aici derivate parţiale de ordin superior analog cu cele de ordinul doi.
.n
Astfel derivata parţială de ordinul k = ^ i a funcţiei / de ordinul k^ în raport cu
;=i
x\, de ordinul k2 în raport cu x2, ... de ordinul k^în raport cu xn este:

157
 dkf( x x,x2 ,..j tH) _ w

Definiţie Dacă funcţia f :A ^ R n de « variabile admite derivate parţiale de

ordinul întâi într-o vecinătate V a punctului (x° ,x f ,...x°) continue în
(x°,x2° ,...xn° ), atunci funcţia / este diferenţiabilă în acest punct şi diferenţiala sa
este:

<vU·** ···■< )= (*, - ,· )+ )+

(■*„ ~ *°)
Punând χ·Γα\=άχι, diferenţiala se poate exprima cu ajutorul operatorului de
diferenţiere:
dj = -^—dxx
3/ j + -d—
f dx2
j +... + -d—
f dxn\
j
dxx dx-, dx„
sau

df{x Γ, V )= £ V ( * f , x2° )
' ^ s
Diferenţiala de ordin it> la funcţiei / se defineşte recursiv printr-o relaţie
asemănătoare
d*/= 4*‘ '7 )
sau:

<**/(*!% *2 +^ ~ + "* + ^ " /(Χ10 ’ Λ20. " ^ )

unde la fel ca la funcţia de două variabile exponentul k semnifică dezvoltarea
formală a sumei din paranteză după regula binomului lui Newton înmulţirea apoi
cu f(x °, x2° ,...x°n) fiind de asemenea formală. Astfel pentru k = 2 avem:
df j df 3V j 2 3 2/ . 2 a322/
d2f - =—f â , +... + —-,-dx: dxxdx2 +
1 +'" +5 Ţ dx2x 1 dx] " dxxdx2
f f f
+ —2 _ / ...dxxdxn + 2 ——-— dx2dx3 +... + 2 —— ^— dxn_xdxn
dxxdxn dx2dx3 dx„_xdx„

6. Extremele funcţiilor de două variabile

Fie A q R2, f-.AçzR şi (a,fo)e A.

158
 Definiţie. Punctul (a,b) se numeşte punct de maxim local dacă există o
vecinătate V a lui (a,b) astfel încât f{x, y) < f(a,b )pentru orice punct (λ, y)sV .
Analog punctul (a,b) este un punct de maxim local dacă f(x ,y )> f(a ,b ) pentru
orice (x ,y )e V .
Aceste puncte se numesc extreme locale ale funcţiei f
Propoziţie. Dacă funcţia / are derivate parţiale într-un punct de extrem (a,b)
interior mulţimii A atunci derivatele parţiale ale lui / se anulează în acest punct
adică:
f x(a,b) = f y(a,b) = 0.
Pentru demonstraţie să considerăm funcţia f|(x)=f(x,b) definită pe mulţimea
Af, ={jte R/(x,b)e Ă\. Funcţia f| admite un extrem local în punctul x=a, deci
/, (a) = 0 . Dar
/;<„)=l i m Æ i b j W , . /> w
*-*» x -a *-»<» x -a
de unde rezultă că f x(a,b) = 0. Analog se obţine f y{a,b) = 0 considerând funcţia
Λ 00 =f ( a >y ) ·
Definiţie. Se numeşte punct staţionar al funcţiei fix,y) un punct (a,b) interior lui
A în care f(*,>0 este diferenţiabilă iar diferenţiala sa este nulă dfia,b)=0.
în baza acestei definiţii a punctului staţionar deducem echivalenţa:
df(a,b) = f x(a,b)dx + f'y(a,b)dy = 0 <=» f'x(a,b) = f y(a,b) = 0
adică putem spune că (a,b) este punct staţionar al funcţiei f dacă funcţia este
diferenţiabilă, si are derivatele parţiale nule în acest punct.
Propoziţie Orice punct de extrem local al funcţiei/în care/ este diferenţiabilă,
este punct staţionar.
într-adevăr în baza propoziţiei anterioare avem
f x(a,b) = f y(a,b)~ 0 deci (a,b) este punct staţionar al funcţiei. Reciproca acestei
propoziţii nu este adevărată, adică există puncte staţionare care nu sunt puncte de
extrem, fapt ce rezultă din exemplul următor:
Fie funcţia {(x,y)=x2-y2, (x, y)e R2
Avem f x(0,0) = 2*|(010) = 0; //0,0) = 2y|(00) = 0; /(0,0) = 0
Funcţia / este diferenţiabilă în punctul (0,0) deoarece derivatele parţiale sunt
continue deci (0,0) este punct staţionar.
Totuşi punctul (0,0) nu este punct de extrem. într-adevăr în orice vecinătate a
punctului (0,0) funcţia ia atât valori pozitive cât şi negative deoarece
f(x,0) = x2 >0> /(0,0) pentru punctele de pe axa Oy şi
/(0, y) = - y 2 < 0 < /(0,0) pentru punctele de pe axa Ox. Deci în (0,0) funcţia nu
are nici minim local nici maxim local.
159
 Stabilirea faptului că o funcţie admite într-un punct un extrem precum şi natura
extremului (maxim sau minim) reiese din următoarea teoremă pe care o dăm fără
demonstraţie:
Teoremă. Fie A ς; R2, f : A —>R şi (a,b) un punct staţionar al funcţiei f(x,y)
interior lui A. Presupunem că pe o vecinătate V a punctului (a,b) funcţia f(x,y)
admite derivate parţiale de ordinul doi continue. Notăm
Δ(χ, y ) = (X, y) ·f y*(X, y ) - [ f l y (x, y ) J
I. Dacă A(a,b) > 0 atunci (a,b) este un punct de extrem local al funcţiei f(x,y) şi
anume:
1° punct de minim, dacă /χ2 (a,b) > 0 ;
2° punct de maxim, dacă f ' t (a,b) < 0 ;
II. Dacă A(a,b)<0 atunci (a,b) nu este punct de extrem local. Un astfel de
punct se numeşte şa.
III. Dacă A(a,b) = 0 teorema nu poate afirma nimic despre punctul staţionar
(a,b).
Exemplu Să determinăm extremele funcţiei / :R2 —» R
ţ(x,y) = / + / -2x2 + 4xy -2y2- 1.
Determinăm punctele staţionare rezolvând sistemul obţinut prin anularea
derivatelor parţiale de ordinul întâi în raport cu x respectiv y:
f jx , y ) = 4x3- 4 x + 4y = 0 jjt3-x + ;y = 0 <
fy(x,y) = 4y3 + 4 x -4 y = 0 {y3+ x - y = 0
=>x3 + y 3 =0<=>(jc + y)U 2- r y + >>2) = 0 x + y= 0 saujc2- x y + y 2 = 0 rezultă y=-
X şi x2 -x y + y2 =0 => x,ye C . Pentru y=-x prima ecuaţie ne dă
x3 - 2x = 0 —» x(x2 - 2) = 0; jc = Ö sau x = ±V2 . Rezultă punctele staţionare
A(0,0); B(-V 2,V 2);C(V 2,-V 2).
f"
x2 (x,y) = \2x2 -4\ f '^{x,y) = l2 y 2 - 4 ; =4
A(x, y) = (12jc2 - 4)(12/ - 4) -1 6 .
Să analizăm natura punctelor staţionare. Pentru A(0,0) avem:
Δ(0,0) = 0 nu avem răspuns, deci nu putem stabili natura punctului A(0,0).
Pentru B(-V2,V2) avem:
Δ(-λ/2,-\/2) = 384 > 0 deci B(-V2,V2) este un punct de extrem şi anume punct de
minim deoarece / 2(—>/2,42) = 20 > 0.
în mod analog se arată că C(V2,—J2) este punct de minim.

160
7. Extremele funcţiilor de n variabile
Fie / : A Q Rn - » R o funcţie de n variabile f(xi^2-.jcn). Dacă într-o vecinătate
V a punctului (aua2,...an)s A are loc relaţia
f(x l,x2,...xn) - f ( a l,a2,...an)>Opentru orice x< (x1,x2,...x„)e V atunci
(ax,a2,...an) se numeşte punct de minim local, iar dacă
f(x î,x2,...xn) - f ( a l,a2,...an)< 0 pentru orice x e V , atunci (ΰ],α2,...αη) se
numeşte punct de maxim local.
Definiţie Un punct a = (al,a2,...an) se numeşte punct staţionar al funcţiei /
dacă:
Λ, (aua2,...an) =0
f x^ ax,a2,...an) = 0

f i , (aua2,..xin) = 0
Punctul a = (al,a2,...an)e A este punct staţionar al funcţiei dacă f este
diferenţiabilă în a şi df(a)=0.
Pentru a determina punctele staţionare ale unei funcţii diferenţiabile
f{xx,x2,...xn) pe mulţimea A q R", se rezolvă sistemul obţinut prin anularea
derivatelor parţiale de ordinul întâi:

f x M ’XZ’-X n ^ 0

f Xn(xx,x2,..jcn) = 0
Teoremă Fie a = (al,a2,...an) un punct staţionar al funcţiei f(x x,x2,...xn) .
Presupunem că f admite derivate parţiale de ordinul doi continue într-o vecinătate
V a lui a = (al,a2,...a„).
Notăm αί} = f'XiXj(av a2,...an), i,j = l,2,...n
I. Dacă toate numerele:
a 13 au a1£... Oln
On a \2
a22...
Δ, - an ; Δ2 = %
α 12 a 21 a 2n
; Δ3 —a 2l a 22 f l23 ,..Δ „ =
d2l a 22
a 3l f l32 a 33
°nl a„2- a nn

sunt pozitive atunci punctul a = (ax,a2,...an) este un punct de minim.

161
 Π. Dacă toate numerele - Δ 1,Δ2)-Δ 3,...(-1)"ΔΒ sunt pozitive, atunci punctul
a - (ax,a2,...an) este un punct de maxim.

Exemplu. Să determinăm extremele funcţiei f:

v2 z2 2
f ( x ,y ,z ) - x + — +— +—, ,x>0,>'>0, z> 0
Ax y z
Sistemul care ne dă punctele staţionare este:

fxix,y,z) = 1 - - J - J - 0
4x

f y( x , y , z ) = - 2 - ~ = 0
2x y

f z(x,y,z) = 2 — =0
y z

Care admite în domeniul dat soluţia

(H
Derivatele parţiale de ordinul al doilea sunt:

y y
f xi(x,y,z) = ^ ; fxyf.x,y,z) = f n (.x,y,z) =0

f'i(x,y,z) = ^ - + ^ r -, f'yz(x,y,z) = - 2 - ^ ;/ ",(x,y,z) = 2 - A

y 2x y y yy z j

iar matricea A = (ai})s,sn în punctul staţionar este:

lsysn

' 4 -2 0 '
4 -2
A= -2 3 - 3 cu Δ, = 4 > 0, Δ2 = = 8>0
-2 3
V. 0 -2 6

4 - 2 0
şi Δ3 = - 2 3 - 2 = 32 > 0 deci punctul
0 - 2 6 l T2 J J ))
strict şi fmin=4.

162
 8 - Extreme condiţionate
în studiul diverselor modele matematice de optimizare din economie aşa cum s-a
văzut la problemele de programare liniară şi în cele de transport, trebuie să se ţină
seama de unele restricţii (legături, condiţii pe care trebuie să le satisfacă variabilele
modelului). Avem prin urmare de considerat aşa numitele extreme condiţionate sau
cu legături ale unor funcţii cărora trebuie să le determinăm maximul sau minimul,
în cele ce urmează prezentăm pe scurt (fară demonstraţie) metoda multiplicatorilor
lui Lagrange pentru determinarea extremelor condiţionate ale unei funcţii:
Fie / : A c i ? ” -^ fi şi sistemul de p < n ecuaţii:
Fi(xl ,x2,..jc„) = 0
F 2 ( x 1, x 2 , . . . x „ ) = 0

Fp(xl ,x 2,...x„)=0,
funcţiile reale Fi,F2,...Fp fiind p funcţii definite implicit tot pe mulţimea A.
Extremele funcţiei f i(xl,x2,..-xn) când punctul (xl,x2,...xn) parcurge numai
mulţimea A0 a soluţilor sistemului (1) se numesc extremele funcţiei f condiţionate
de sistemul (1) sau extremele funcţiei f supusă legăturilor (1).
Punctele staţionare ale funcţiei f când punctul parcurge numai
mulţimea A« a soluţiilor sistemului (1) se numesc puncte staţionare legate sau
puncte staţionare condiţionate ale funcţiei f.
Metoda multiplicatorilor lui Lagrange comportă următoarele etape:
1. Se formează funcţia auxiliară de n+p variabile numită funcţia lui Lagrange:
f(x , , x2,...xn\λχ,λ 2,..λρ)= f{ x Y, x2,..jcn)+ AjF, (x,, x 2,...xn) +
+ ă 2F2(xx,x2,...xn)+...+ ĂpFp (.x! , * 2 )
unde λχ,λ2,..λη sunt p parametri reali care se numesc multiplicatorii lui Lagrange.
2. Se anulează cele n+p derivate parţiale ale funcţiei F în raport cu xl,x2,...xn ,
\ ,λ 2,...λη obţinându-se sistemul de ecuaţii
Fx, =0, FXi =0,...FXn =0; FA| =F1=0, F^ =F2 =0,...FAp =Fp=0
şi se rezolvă acest sistem de n+p ecuaţii cu n+p necunoscute.

3. Fie (r1°,x20,...xn0;A10,A20,...An°) o soluţie a acestui sistem deci punct

staţionar pentru funcţia F. Atunci punctul {x°,x2°,...xn°) este punct staţionar
condiţionat pentru f.
Punctele de extrem condiţionat ale funcţiei f se găsesc printre punctele
staţionare condiţionate.

163
 4. Stabilim care dintre punctele staţionare condiţionate sunt punctc de extrem
condiţionat pentru f, considerând semnul diferenţialei de ordinul doi a funcţiei F
calculată în punctul xx,x2,...xn şi pentru λ[ =λ{,λ2 =λ^,..Αρ =λ0ρ adică
d2F(x°,x2°,...xn°) care are expresia:

η λ2 o o o I
d 2F = V 3 ^ ■ ^ / ^ . d d x.dx
iJm, 3xpxj
HvHv J

Dacă d2p{x°,x2°,-..xn°)<0 atunci punctul {x°,x2°,...xn°) este un punct de

maxim condiţionat pentru f iar dacă d2F[x°,x2 ,...x°)> 0 punctul (x° ,x2° ,...xn°)
este punct de minim condiţionat pentru f.

Exemplu Să se determine extremele condiţionate ale funcţiei:

ffo j^x+ y cu legătura \ + ~ = , a ,x ,y * 0
x y a
( \_ _1___ \ }
Fie F(x,y,X) = x + y - k
x! + y2 a2
Aflăm punctele staţionare:

X
9/1
F = 1 - - γ =0 x3 = y3 =2Ă ( λ * 0 )
y

' > - 7 +7 - 7 -°

w +w =? 35 w ° ^ (2λ ^ v ^ A=±a! Æ

x, » ( a i ; — aj ï
y i = xù yi - X2 şi punctele staţionare sunt:

M ,(aV2,aV 2), M 2(~0V2 ,—α · ^ );

F j = —ţ -> F''2( M , ) = — ; f " 2( M 2) = - —

x x4 x 2a x 2a

164
Cercetăm care sunt punctele de extrem:
18
A(x, y) = — j >0 —> Mi şi M2 puncte de extrem.
4a
Pentru a > 0 Mi punct de minim şi M2 punct de maxim.
Pentru a < 0 Mi punct de maxim şi M2 punct de minim.

Probleme
1. Sâ se determine punctele de extrem pentru funcţia:
f(x ,y ) = xz +y2- 4 x - 2 y +5 f : R 2->R.
Rezolvare: Punctele staţionare sunt soluţiile sistemului:
® W ) =2 * - 4 =0
ts =»(2,1) punct stationar.
y -(x ,y ) = 2 y - 2 = 0
dy

Calculăm: E(x,y) = · d f, λ3 7
dxdy 2 (x> y )^ r(x>y)
\
^2 r tj2 r pi2 s
^ r (X,y) = 2 ; °-φ {χ ,γ ) = 2· l J - ( x , y ) = 0

=> £(2,1) = 4~ 02 =4>0=> (2,1) punct de extrem local;

dV
-ÿ- (2,1) = 2 > 0 => (2,1) punct de minim local.
dx
2. Să se determine punctele de extrem pentru funcţia:
f(x ,y ) = x3+ y3- 3 x - 1 2 y + 4 f : R 2-*R
Rezolvare·. Punctele staţionare sunt soluţiile sistemului următor:
df
. (x,y)=o
dx ----------- 3xz - 3 = 0 L 2 =1

^-{.x,y) = o
dy
A (l,2) B(l,-2) C(-l,2) D(-l,-2) puncte staţionare.
 θ2/ 37 Ϋ
37,
£(*,y)=:^d xr 2r (vx>y)-TT(x>y)- dxdy
(x,y)
8 /

£(1,2) = 6 ·12 > 0 =>A(1,2) punct de extrem local;

3 7 -(1,2)
, = 6 > 0 =>A (l,2) punct de minim local;
ar
£(1,-2) = 6 ■(-12) < 0 =* B(l,-2) punct de şa;
£(-1,2) = -6 ·12 < 0 =>C(-1,2) punct de şa;
£ (-1,-2) = -6 -(-1 2 ) > 0 =>D(-l,-2) punct de extrem local;
3 7 -(-1,-2)<
, 0 => D(-l,-2) punct de maxim local.
dx:

3. Să se determine punctele de extrem ale funcţiilor:

a) y : i ? 2 —> f{x,y) = 3xy2 - x 3-15x-36jv +9
R: nu are puncte de extrem
b) f : R 2->R A x,y) = (x+y)-e-<xW)
(l A 1 Λ
R: A — punct de maxim; B — ,— punct de minim
v2 2 J I 2’ 2 f
c)/: R 2 —>R f(x,ÿ) = x3+y3- 6x2 - 9 y 2 +9x+\5y+l
R: A(3,5) punct de minim; B (l,l) punct de maxim
d ) f :R 2—>R f(x,y) = x3 +3ry2-15x-12j>
R: A (2,l) punct de minim; B(-2,-l) punct de maxim
e )/ :/ ?2—>R f{x,ÿ)= x2+y2+xy-3x-3y+ 5
R: A (l,l) punct de minim;
f) f\ R 2->R f(x,y) = x2 ~y2 + 2 x y -4 x -6 j +3
R: nu are punct de extrem.
g ) f : R 2->R A x ,y ) = x y + - + -
X y
R: A(5,2) punct de minim:
h ) f :R 2—*R f(x,ÿ) = x2 - y 1 + 4x-2y +3
R: nu are puncte de extrem

4. Să se determine punctele de extrem pentru funcţia:

f ( x ,y ,z ) = l6 - ( x + l) 2 - ( y + 2)2 - ( z + 3)2
Rezolvare·. Punctele staţionare sunt soluţiile sistemului:

166
 ψ ( χ ,γ ,ζ ) =Ο - 2(χ + 1) = Ο
αχ
^ - ( χ ,γ ,ζ ) = Ο <=> -2Ο> + 2) = 0 (-1,-2,-3) punct staţionar
dy
ÈL ( x ,y ,z )= Ο - 2(ζ + 3) = Ο
dz

Δι = π ( Η - 2,“3) * - 2< °
οχ

(-1 -2 -3 ) | ^ -(-l-2 ,-3 )j -2 0

dx 3bcc|y
Δ2 - = 4>0
a2/ (-1 -2 -3 ) (-1 -2 -3 ) 0 -21
dy3bc dy

0 ( - l -2,-3) = -2 ; (-1,-2,-3) = -2 ; 0 ( - l - 2 - 3 ) = -2 ;

| ^ -(-l,-2 ,-3 ) = 0;
dxcy dtcdz
(-1,-2,-3) = 0 ; f-f
dydz
(-1 ,-2 ,-3 ) = 0 ;

d / ( - 1 - 2 -3) _ 2 _3) —t.. (_i _ 2 -3)

a*2 ( ' ăxc^ ’ 5 } a*az( ’ ’ *
Δ3 - | £ (-l,-2 ,-3 ) 0 ( - l , - 2 , - 3 ) |^-(-l,-2-3)|
dydx φ> qydz
| ^ (-l,-2 ,-3 ) | ^ ( - l,- 2 - 3 ) 0 ( - l , - 2 , - 3 )
dzoc σζσν dz

-2 0 0

Δ3 = 0 - 2 0 = -8< 0 => (-1,-2,-3) punct de maxim

Ο Ο -21

5. Să se determine de extrem pentru funcţia:

f(x,y,z) = x2 +y2 +z2- 2 x - 4 y - 6 z
167
 Rezolvare: Punctele staţionare sunt soluţiile sistemului:
(x,.y,z) = 0
Θ* 2x" 2 = 0 x= l
y (x,y,z)-= 0 <=> 2 y - 4 = 0 <=>y = 2 <=>(1,2,3) punct staţionar
dy
2 z -6 = 0 Z= 3
V (x,.y,z) = 0
dz
i2
| W ) - 2 ; § f ( W ) =2 ; f^ -0 ; j* - 0 : f£ -0
dx φ> 5z âxdy dydz dzdx
2 0 0
2 0
Δ, = 2 > 0 ; Δ2 = = 4 > 0 ; Δ3 = 0 2 0 = 8 >0
0 2
0 0 2
=> (1,2,3) punct de minim

6. Să se determine punctele de extrem local ale funcţiilor:

a) fix, y) - x3 + 3xy1 —15x —12y
Sol. Determinăm derivatele parţiale:

f ’(x,z) = 3 *2 + 3;y2 - 15 = 0
<=> soluţiile sistemului (punctele staţionare)
f'(x , y) = 6xy - 12 = 0

sunt P , ( l , 2); P2( 2, 1); P 3( - 2, - 1); P4( - l , -2 )

C = 6 r ’ fxy = 4 = 6 y /> = 6*
Determinăm matricea corespunzătoare fiecărui punct staţionar:
"6 12 n Di = 6 > 0
I) (1,2)
6 ai cărei minori sunt ^ - - 72 < 0 =>
/
=> nu sunt nici toţi pozitivi, nici cu semne alternante începând cu

= » Pi ( l , 2) - p c t. ş.a.

"12 6 N A = 12 > 0
II) Analog Λ ’,α,ΐ) = =>
6 12 D2 = 118 > 0
V /
toţi minorii pozitivi P2(2, 1) - punct de minim

168
 III) Analog obţinem P 3( - 2, - 1) - punct de maxim iar P4( - 1, - 2) - pct ş.a.

7. Să se determine punctele de extrem local pentru funcţia: f : R2 R

f(x, y) = x3 + y 3 + 3xy + 2
Soluţie. I) Punctele staţionare sunt soluţiile sistemului

f x(x, y ) = 0 | 3x2 + 3 y = 0
f(x,y) =0 |3y2 + 3jc = 0

jj =- x 2 \y = - x 2 j y =- x 2
, <=> 1 „ <=> i <=>
Ix (r+ 1 ) = 0 (-x")2 + x = 0 x4 + x = 0

Iy = - X-
^ xx= 0 şi x2 = - 1 (soluţii reale).
Lv(.v3 + 1) = 0

y x= 0, y 2 = - 1. Aşadar punctele obţinute sunt M ,(0, 0) şi M 2( - 1 , - 1 ) .

I) Verificăm dacă sunt puncte de extrem local:

f ‘i (x, y ) = 6x ; f yl (x, y) = 6y; f xy (x, y) = 3 = f " (x, y )

Semnul expresiei E( x, y ) = [fxy(x, y )]2 - f xi ( x, y ) ■f y2 (x, y ) în punctele M,

şi M , => E(x, y) = - 36xy + 9,

pt. M] => E(0, 0) = 9 > 0 - pct. ş.a.

pt. Mj => E(0, 0) = - 27 < 0

=> punct de extrem local şi cum / 2(—1, —1) = —6 < <=> M 2( - 1 , - 1 ) - punct de
maxim local.

8. Să se determine extremele funcţiei/ : R3 —>R

J{x, y, z) = x2 +y2 + z2 - xy + x - 2 z.

169
 / > 2 x - ;y + l = 0
f'= 2y - x = 0
Soluţie. I) Rezolvând sistemul
f ’= 2 z - 2 = 0

_i !
3’ 3’

II) Calculăm derivatele de ordinul II:

/ ; = 2; f~t - 2; /,; / „ - - l:

= 2; /. /,; o; / ; = / ; = o.

Matricea corespunzătoare este:

'/ ; 4 /«Λ
A = fÿx f}- fÿz
fl fy h

' 2 -1 0" Dl = 2 > 0

' 2 1 Λ
-1 2 0 => D 2 = 3 > 0 => A
0 0 2 v ~ 3 ’ ~ 3 Jy
V y D3 = 6 > 0

este punct de minim.

9. Să se determine extremele funcţiei/ : R2 - » R

/(x, y ) = x4 +y4- x 2 - y 2.

/ = 4 λ:3 - 2x 0 j jc(2jcz - ) = 0
Soluţie:
fi = 4y3 - 2y = 0 ^ 'I x(2
~ - ~y2
2 - 1) = 0

170
 Obţinem punctele staţionare:

^ ( 0 ,0 ) ; P2 0 , - 4 = 0, - 4 = ,o
V2 42

1 \
,0 Df i n n( i )
’ Ί
42 42’ 4i y 4 2 ' 42 y

' 1 1 N D
’ *9 ί 1 1 1
vV2 ’ V 2y ,4 2 '4 2 ,

Verificând fiecare punct dacă este sau nu punct de extrem local, obţinem:
P }- punct de maxim; P2 - punct ş.a.; P3 - punct ş.a.; P4,P5 - punct ş.a.; ΡΊ,
punct de minim; P8, P9 - punct de minim.

10- Să se determine punctele de extrem pentru funcţiile:

a ) ./ : R 3 ->R
f ( x ,y ,z ) = x 2 + 2 y 2 +3 z2 + xy + yz + xz- Ί x - \ 2 y ~2\z + 7
R: A (l,2,3) minim
b) f : R * - > R
f ( x ,y ,z ) = x 2 + ;y2 + Z2 +xy + z x - 4 x - 4 y - 4 z + 5 + yz
R: A (l,1,1) minim
c ) / : (0 ,°°)3 -*R f ( x , y , z ) = x +^ - +— +-
4x y z
R: A (-j,l,l) minim

d)/: R 3 — f(x ,y,z) = 2x2 +2y2 +z2 + 2(xy + ,yz + x + y + 3z)

R: A(-3,5,-8) minim
e)/: R 3 ->R
/ (x , y, z) = x 2 - y 2 + z2 + xy + yz + zx - 4x + 6y - 4z + 3
R: nu are extreme

11. Să se determine extremele funcţiei

f(x ,y ) = x2 + y2 - 4 x - 4 y +5 cu x + y = 3
Rezolvare: Construim funcţia:
F(x,y,Ă) =/(χ,γ) +λ(2 χ + γ -3 ) cu XeR
F(x,y,k) = x2 + y 2 - 4 x - 4 y + 5 +X(2x +y - 3 )
Punctcle staţionare ale funcţiei F sunt soluţiile sistemului:
dF
(χ,;>,λ) = 0 2 χ - 4 + 2λ = 0
dx
dF_ (4 7 6
(x,y,Ă) = 0 <=> 2y-4+X =Q <=> punct staţionar
dy 5*5*5
dF 2χ + y - 3 = 0
(x,>>,A) = 0
dĂ
4 7
Pentru a vedea dacă A este punct de extrem condiţionat pentru funcţia dată,
5’5
/4 7 n
calculăm d F
5’5
4 d2F r'4 7 , 2 d2F ί 1 . 2 - d 2F ( 4 1 \ , .
d2F dx + dy +2-T-T----- ,—\dxdy
5’5 dx2 5 ’ 5 V 5’5 dxdy
d2F ( 4 7 n a 2F f 4 7 32F 4 7
=2; =2 ; = 0
0JC2 5 ’ 5 5’5

= 2i/x2 + 2dy2
5 5
Diferenţiind legătura obţinem: 2dx +dy = 0=$dy = -2 dx
4 7
^ d 2F\ - , = 2dx2 +8dx2 =\0dx2 >0
5 5
' 4 71
punct dc minim condiţionat.
5’5

12 Să se determine punctele de extrem condiţionat pentru funcţia:

/ : Ä3 —>R f(x,y,z) = jc2 + >’2 +z2 + ;ry + )'z + zx +A,cu* + ;y + z= 3
Punctcle staţionare ale lui F sunt soluţiile sistemului:
dF
{x,y,z,X) = 0
dx 2x+y+z+X=Q
dF
(x,y,z,Ă )- Q 2y + x + z +A = 0
dy <=> =* (1,1,1,-4) punct staţionar.
dF 2z + y + x +X = Q
(x,y,z,X)~ 0
dz
dF_ x + y + z =0
\x,y,ztX) = 0
dX
Pentru a vedea dacă (1,1,1) este extrem condiţionat calculăm î/2F(1,1,1)

172
d2F(\,1,1) = ζζ·(\χ\)άχ2 +ζ ζ -(ΐχ \ W +^£(1,1,1 )dz2 +
dx dy dz2

+ 2 ţf( lX l) d x d z + 2 ţ f ( l X l )dxdy + 2~ (iX \ )d yd z

dxdz dxdy dydz
d2F d2F d2F
-(1,1,1) = 2 ; ^£-(1,1,1) = 2 ; ^ (1 ,1 ,1 ) = 2 ;
dx2
d2F
(U ,i)= i; 4-?·0,1,1) = 1 ; 4 ^ ( 1 ,U ) =1
dxdyv / dxdzx ' ’ dydz
d2F( 1,1,1) = 2dx2 + 2dy2 + 2dz2 + 2dxdy + Idydz + 2dxdz
Diferenţiind legătura obţinem:
dx +dy + dz = 0=> dz = -dx - dy
d2F( 1,1,1) = 2dx2 + 2dy2 + 2dz2 + 2dxdy + 2dx(-dx - dy) +
+ 2dy(-dx - dy) = 2dy2 + 2(dx2 + dy2 + 2dxdy) - 2dxdy - 2dy2 =
Idy2 + 2dx2 + Idxdy > 0
Deci (1,1,1) punct de minim condiţionat.

13.Să se determine punctele de extrem condiţionat pentru funcţiile:

a) f : R 3->R f(x ,y ) = xy cux +y = l

R: A maxim condiţionat
2’ 2

b ) f:R 3 —)R f(x ,y ,z )-x y z cux+y +z = 3

R: A (1,1,1) maxim condiţionat
c) f :R 3->R f( x ,y ,z ) = x + 2 y - 2 z cux2+y2 + z2 - 1 6
(4 8 8Ï . .
R: A maxim condiţionat
3 3 3
( 4 8 8^
B - —, -j , j j minim condiţionat

d) f : R 3->R f(x ,y,z) = x +y + z c u ~ +- +- = l

x y z
R: (3,3,3) minim condiţionat.

173
 CAPITOLUL ΙΠ

MODELE LINIARE ŞI NELINIARE

DE AJUSTARE A DATELOR EXPERIMENTALE
§ 1. Ajustarea datelor experimentale prin metoda
celor mai mici pătrate

Se ştie că în general un fenomen economic este deosebit de complex, el

depinzând de mulţi factori a căror influenţă determină modelarea sa matematică
printr-o funcţie de mai multe variabile. Astfel dacă aceşti factori sunt X, U,V,...
atunci avem de considerat o dependentă pe care analitic o scriem:
Y=f(X,U,V,...) (1)
unde cu Y am notat mărimea care măsoară evoluţia fenomenului economic
(mărimea economică) cercetat, mai exact modelul matematic al acestei evoluţii.
Evoluţia fenomenului luat în studiu este observată din punct de vedere
practic (experimental) obţinându-se şiruri de date care constituie informaţii asupra
fenomenului în desfăşurarea lui concretă.
Aceste date ne furnizează informaţia asupra legăturii dependenţei sau
legităţii obiective (1) ce există între variabilele independente ale fenomenului ,
ceea ce din punct de vedere matematic revine la găsirea dependenţei funcţionale,
a formei analitice, a legăturii. Evident că datele observate comportă atât erori
accidentale datorate impreciziei măsurării cât şi a erorilor sistematice datorate
unor defecţiuni sau dereglări în procesul de măsurare.
în cele ce urmează vom considera numai cazul a două mărimi variabile X,Y
în care se studiază dependenţa existentă între aceste mărimi exprimată analitic
printr-un model de forma:
Y=f(X) (2)
care să descrie cât mai fidel fenomenul cercetat şi care să servească la un studiu
aprofundat făcând posibile unele previziuni asupra evoluţiei fenomenului.
în cazul modelului (2) observaţia asupra evoluţiei practice a fenomenului se
concretizează prin obţinerea experimentală a perechilor de valori observate (xjj',)
a variabilelor independente X respectiv variabila independentă Y care în cazul a n
determinări ne permite să alcătuim tabelul:

X X, X2 · ■ Xi ... x„
Y yi y2 ■ y> - y n
al datelor experimentale.
înţelegem prin a descrie cât mai fidel fenomenul cercetat, obţinerea unor
diferenţe cât mai mici între valorile observate yt corespunzând valorilor observate
jc, şi valorile f(xj care sunt ordonate punctelor curbei de ecuaţie y = f(x).

Notăm cu Ei aceste diferenţe şi avem ε,· =y-f(xi).

Această situaţie este ilustrată în fig. 1:
174
 în care M^x^y) este punctul observat, Pi(xhf(x)) este punctul de pe
y =f(x) de abscisa observată *, şi ordonataf(Xi),
ε, = MiP, =MiQi - PiQi =yt -f(xj)
Una din problemele importante în modelarea fenomenelor economice este
aceea legată de aşa numita adecvare a modelului matematic ales adică de tipul de
funcţie ce trebuie adoptat care să fie conform cu evoluţia fenomenului cercetat.
Această adecvare se face având în vedere unele ipoteze privitoare la legea de
desfăşurare a fenomenului respectiv, cât şi pe baza studiului poziţionării şirului de
puncte observate Mi(xuyd în plan. Aceste observaţii ne furnizează indicaţii asupra
trendului adică asupra tendinţei de desfăşurare (de evoluţie) a fenomenului
cercetat.
O altă problemă ce se pune după ce tipul modelului a fost ales, este aceea a
procedeului matematic de determinare a parametrilor α,β,δ... existenţi în model,
pe baza datelor observate, model care se scrie în general:
Y=F(X, α,β,γ.) ( 2 ’)
Procedeul matematic folosit este aşa numita metodă a celor mai mici
pătrate care constă în determinarea acelor valori ale parametrilor α,β,γ... din
funcţia f(X, α,β,γ...) astfel încât suma pătratelor diferenţelor ε,· = y,· - y, ' să fie
minimă, adică
2

Σ ε<2 = 5 > ί - Λ ) ’ “ ί > ι - / ( * ,. a , / 3 . r ~ . ) ] = m inim . ( 3 )

i=l i=l i=l
Se urmăreşte deci minimizarea sumei ^ ε , 2 ceea ce revine la găsirea acelor
valori ale parametrilor α,β,γ... adică a acelei dependenţe f(X) al cărei grafic să
treacă cel mai aproape de punctele observate (x;.y); altfel spus, din familia de
funcţii f(X;α,β,γ..) de acelaşi tip ales, să determinăm pe aceea care este cea mai
concordantă cu datele observate, adică cea care descrie cel mai veridic fenomenul
175
cercetat stabilindu-i trendul adică evoluţia ulterioară cea mai probabilă.
Problema formulată în (3) este o problemă de extrem al unei funcţii de mai
multe variabile.
Aflarea valorilor parametrilor α,β,γ... ai modelului f(X;α,β,γ...) care descrie
legătura dintre mărimile variabile X şi Ype baza observaţiilor (x^yj poartă numele
de ajustarea datelor experimentale (x » y ) după curba de ecuaţie Y =f(X;α,β,γ...).
în cele ce urmează valorile numerice obţinute pentru parametrii α,β,γ... sau
cum se mai spune estimaţiile parametrilor α,β,γ... le notăm cu α*,β*,γ*... iar
modelul ajustat (funcţia f ajustată) se scrie:
Y*=f(X;α*,β*,γ*...).
în continuare vom efectua ajustarea datelor experimentale pe diverse
modele ca cel liniar, parabolic, polinomial etc.
1. Modelul liniar. Să considerăm modelul liniar de forma
Y - a + βΧ, (4)
a şi β fiind parametri reali ai modelului pe care îi vom determina pe baza
datelor experimentale ce constau în n perechi de valori observate (xuy i) prin
metoda celor mai mici pătrate.
Din condiţia de minim a sumei
rt n ^

S(a,ß ) * Σ εΐ = Σ ^ '· adică a sumei:

/=! i=l

S(.a,ß) = ^ { y ,- ( a + ßxt)] .
i=l
Punctele staţionare sunt soluţii ale sistemului de ecuaţii:
ds = 0 sau [ - 2 5 > , - ( a + M =0
da W [ - 2 5 > i - ( a + /fc,)]=0

η<χ+ βγι χι = Σ ^ ·
sau (5)
> Σ * .+ 4 Σ Χ -Σ ™ ·
Sistemul (4) poartă numele de sistemul ecuaţiilor normale ale lui Gauss,
necunoscutele fiind a ş i β şi care rezolvat ne dă estimaţiile α*,β*.
Aplicând formulele lui Cramer găsim:
Σ*. η Σ*
a*=Σ*λ ■; ß*=Σχι Σ*λ (6)

Σ*ι Σ χ> Σχ<

· Σχ·2
în care determinantul de la numitor x,2 - ( ^ x , )2 Φ0 pentru a fi asigurată

176
 compatibilitatea sistemului.
Punctul (α*,β*) este un punct de minim pentru funcţia S(a,ß).
într-adevăr:

Dreapta de ajustare sau modelul ajustat va fi conform cu (4):

Y*= a*+ß*X
Obs.l° Un caz simplificator este acela în care se operează astfel cu datele
observate xt astfel încât ^ jc,· = 0 . Sistemul (5) devine:

(7)

Obs. 2. Sistemul (5) al ecuaţiilor normale se poate obţine şi altfel, fără a

mai pomi de fiecare dată de la minimizarea prin metoda celor mai mici pătrate.
Vom aplica un procedeu mnemonic după cum urmează:
Scriem relaţia yi=a+ßxi (8) care exprimă ordonata punctului Pt de pe
graficul de ecuaţie y -f(X ) (flg. 1). Sumăm în (6), înmulţim (6) cu xt şi iarăşi
sumăm şi obţinem sistemul:

=ηα + β Σ χ ι
= α Σ * ;+ 0 Σ * '2

care este tocmai sistemul (4) al ecuaţiilor normale.

Menţionăm că această regulă mnemonică o vom folosi în mod curent şi la

celelalte metode pe care le vom studia în continuare.

Obs. 3. în problemele aplicative când cunoaştem şirul de observaţii concrete (x^yj

pentru aflarea coeficienţilor sistemului (5) sau pentru aplicarea formulelor (6)
organizăm calculele într-un tabel ca cel de mai jos:

177
 * * Λ*
yt xf y, = α + β x. £i=yi -y't e f= ( y ,- y ,Y

(1 ) (2) (?) (4) (5) (6) (7)

*1 λ *1*1 y\ =α*+ /3*χ, £i -y\ ει
*2 y2 x\ x2y2 y2 = a + ß ‘x2 ez=y2-y'i el

yn x2 xny« y η =α+β*Χη e, =y* -y . ε 2η

n n n
± ‘î=±(?,-yj
Σ1 λ Σ\ χΐ 1
1 ι·\
1

Este clar că un tabel corespunzător de calcul se alcătuieşte pentru cazul

oricărui model de ajustare cu modificările ce se impun.
Coloanele (5) - (7) din tabelul precedent figurează pentru a putea calcula în
n
coloana (7) suma Vi~yi)2 a pătratelor abaterilor valorilor ajustate
i=l
yi - a * + ß * x i de la valorile observate yh a cărei mărime dă indicii asupra
calităţii ajustării, în sensul că ea trebuie să fie mică. Această sumă prin comparaţie
cu cea obţinută printr-o ajustare după altă curbă (alt model matematic) ne permite
să optăm asupra modelului căruia îi corespunde valoarea cea mai mică a acestei
sume.
Exemplu: Studiind evoluţia unui indicator economic, anual, timp de 7 ani s-
au găsit următoarele mărimi ale acestuia:

(Xj) anii 1 2 3 4 5 6 7
(yO indicatorii 3 4 6 6 8 9 10

Să se ajusteze datele după o dreaptă şi să se precizeze nivelul indicatorului

pentru anul următor.
Rezolvare:
Pentru uşurinţa calcu elor rc:scrienί datei e sub j orma:
(Aii) anii -3 -2 -1 0 1 2 3
(yi) indicatorii 3 4 6 6 8 9 10

Ecuaţia dreptei de ajustare este: Y=a+ßX, parametrii a şi β fiind

determinaţi din sistemul de ecuaţii normale ale lui Gauss:

178
 ηα + / 3 Σ * ;= Σ * /
ί=1 /=!

. 1=1 /=! ί=1

Aranjăm calculele în tabelul următor:

hy> y,=a+fc « f - W

-3 3 9 -9 3,03 -0,03 0,0009

-2 4 4 -8 4,21 -0,21 0,0041
-1 6 1 -6 5,39 0,61 0,3721
0 6 0 0 6,57 -0,57 0,3249
1 8 1 8 7,75 0,25 0,0625
2 9 4 18 8,92 0,08 0,0064
3 10 9 30 10,10 -0,10 0,0001
7 7 7 45,97 0,03 0,7710
—
Σ χ<~ Σ *»
/•I
i> ? = /■I
Μ
=0 =46 28 33
Sistemul devine:
7a = 46 46 - 33*
=>a =— , β = —
28/? =33 7 28
_ . , . , . . „ 46 33 v
Ecuaţia dreptei de ajustare va fi: / = — + — X (1)
7 28
Nivelul indicatorului cercetat pentru anul următor se obţine pentru X= 4 în
ecuaţia (1), deci
+ 4 = M = ” = 1 ,,3 .
7 28 7 7 7

2. Modelul parabolic. Vom considera acum modelul parabolei de grad do

şi anume:
Υ^α+βΧ+γΧ2 (9)
cu parametri α,β, şi /reali. Pentru obţinerea sistemului ecuaţiilor normale vom
folosi de asemenea metoda celor mai mici pătrate minimizând suma

S(a,β,γ) = Σ [y, -(.a + ßx'+yxf] .

i=l

179
 Σ χ^
ß*=-
Σ>Γ

Σ χι2λ ” Σ χ? Σ λ

_β- ^
,2
Σ *? - Σ *;
ι=1 /*1

Aplicând regula mnemonică adoptată scriem yl - a + ßxi +yxf (13) pe

care o sumăm apoi înmulţim succesiv (13) cu x, şi x] şi sumăm, obţinem astfel
sistemul (10) al ecuaţiilor normale,
într-adevăr avem:

Σ * =η<χ+β ' Σ χι +γ Σ χΐ
Σ*'^ =αΣ χ>+0Σ*<2+υΣχ?
Σ χ^ ι = a ' Z x‘ + ^ ' L x‘ + υ Σ χΙ

Pentru obţinerea efectivă a soluţiei sistemului simplificat (11) alcătuim şi în

acest caz un tabel pentru organizarea calculelor:

Nr. Xi yi xf x-.yi χϊ xt
1 2 3 4 5 6 7
1 Xi yi xf xiyi
x\ xt

η y. x «yn
xn
2 xi xt

Σ χ< Σ* Σ χ? Σ χ<* Σ χ> Σ χ>

181
 xfyt y; = a + ß-xi+ 5'x f ε <= yi - y*

8 9 10 11
• * Λ* £*♦ 1
y x - a + p X|+d Xj e,· =y\-y\ ε,2 =G,i - y * ) 2

• * «* c** 2
x\yn y n = a +β χ„+δ xn ε» = (νπ - λ )2

2*y, - - Σ £?=Σ ^ - > (7

Observaţii. în aplicaţiile concrete după ce am obţinut valorile sumelor din
tabelul pentru organizarea calculelor le înlocuim în expresiile care dau valorile
estimaţiilor α *, β*, γ* adică în formule ca (6), (7) sau (12), sau în sistemele de
ecuaţii normale ca (5), (10) sau (11) obţinând sisteme numerice în necunoscutele
α, β, γ pe care le rezolvăm.
Exemplu. Să se ajuste ze dup>ă o parabolă datele dinţa jelui i rmător
(*i) -3 -2 -1 0 1 2 3
(Vi) 6 5 3 2 4 5 7
Rezolvare:
Ecuaţia parabolei de ajustare este:
y = a + β χ +γχ2, iar parametrii reali α, β, γ se determină din sistemul:

ηα + β ^ χ , + y ^ x f ^ y ,
(=1 (=1 1=1

« Σ * ' + ρ Σ χϊ +υ Σ χϊ = Σ * » *
i=l i=l (=1 (=1
7 7 7 7
αΣ χ<+^ Σ χ<+υΣ χϊ =Σ χι yi
. (=1 i=l ί=1 1=1
Organizăm calculele în tabelul următor:
y. X1
ΛΙ x3 A x fy ,
-3 6 9 -27 81 -18 54
-2 5 4 -8 16 -10 20
-1 3 1 -1 1 -3 3
0 2 0 0 0 0 0
1 4 1 1 1 4 4
2 5 4 8 16 10 20
3 7 9 27 81 y ' 21 63
7 0 32 28 0 196 4 164
Σi=l
182
 V*
—
1
Il
Λ =α* + ß*x,+Y*xf

ss
«* =(y, - y ' ) 2
6,27 -0,27 0,0729
4,29 0,71 0,5041
3,1 -ο,ι 0,01
2,9 -0,9 0,81
3,43 0,57 0,3249
4,86 0,14 0,0196
7,1 -ο,ι 0,01
31,95 0,05 1,7515

Introducând valorile calculate în sistemul de ecuaţii obţinem:

7a+ 28y =32 |-(-4)

28y =4 ^ β =—
28α+ 196y =164

j - 2 8 a - 1 2 r = -.2 8 36
1 2 8 « + W , =164 - γ - 7 S. « = T
/ 84y = 36

Ecuaţia parabolei de ajustare va fi:

Κ = 2 0 + Ι χ + 1 χ 2.
7 7 7

*/ y· '_r
2 1
—yt • =—
a . o* yi-y\ h-yif
xi Λ +0
*i Xi
, x‘ .

1 1 1 1 1 1,88 -0,88 0,77

2 4 0,5 0,25 2 5,46 -1,46 2,13
3 7 0,33 0,11 2,33 6,75 0,25 0,0625
4 8 0,25 0,06 2 7,4 0,6 0,36
5 9 0,20 0,04 1,8 7,79 1,21 1,36
ΐ 15 29 2,28 1,46 9,13 29,28 -0,28 4,68
Σi.l

183
X . 1 = 2,283; 2 ^ 1 = 1,463; £ Λ = 3 4 ,7 6 6 ; =63
M */ /«l Xi i=l Xi /»I

a ·2,283 + b· 1,463 = 34,766 5 = 6,086

α·5 + 6·2,283 = 63 6 = 14,266:

14,265
/ ( λ) = 6,086 +

Prognoza consumului de combustibil pe anul următor este:

/ (6 ) = 6 , 0 8 6 + 1 ^ · = 8,463.
6

4 . Ajustaţi după o dreaptă datele:

*i 1 2 3 4 5
200 190 180 170 172

Σ x‘ = 15
1=1
â = -7,6
R: => b = 205,2 =912
1=1
/(*) = - 7,6 *+205,2
Σ x,y t = 2660
. (=i

5. Ajustaţi după o dreaptă datele de observaţie:

Xi -3 -2 -1 0 1 2 3
y\ 2 5,10 9 13,5 24,5 17 19

R: 5 = 2,15; 0 = 12,87
/ ( λ) = 2,15*+ 1,87.

187
6. Volumul vânzărilor pe primele cinci luni de zile ale anului la un articol de uz
casnic (în milioane lei) e dat în tabelul de mai jos:

Luna Ianuarie Februarie Martie Aprilie Mai

Volumul 8 9 10 10,2 • 11
vânzărilor

Să se stabilească funcţia de ajustare a vânzărilor şi să se stabilească prognoza pe

luna iulie a volumului vânzărilor.

R: f (x ) = âx + b unde 5 = 0,22 şi b = 8,03

/(*) = 0,22*+8,03
/ ( 3) = 0,22-3+ 8,03
/(4) = 8,69 prognoza volumului vânzărilor pe luna iulie.

5
Se face o translaţie a originii şi ^ x , =0
/=t

Xi -2 -1 0 1 2
y\ 8 9 10 10,2 11

188
 CAPITOLUL IV

ELEMENTE DE TEORIA PROBABILITĂŢILOR

§ 1. Câmp de evenimente, câmp de probabilitate.

1. Concepte de bază
Unul din conceptele de bază ale teoriei probabilităţilor este noţiunea de
experienţă aleatoare prin care se înţelege orice experiment cu rezultat întâmplător,
.adică rezultat influenţat de factori întâmplători (aleatori). Vom nota cu <fjţ>rice
experienţă aleatoare. Rezultatul întâmplător al unei experienţe aleatoare/, se numeşte
.rezultat posibil sau caz posibil sau încă eveniment elementar şi îl notăm cu ώ.
. Mulţimea tuturor rezultatelor posibile ale unei experienţe aleatoare se numeşte
spaţiul cazurilor posibile sau spaţiul evenimentelor elementare şi-l notăm cu <32.
. A Y f i n u t a g -fiL ·
Exemple 1°. Experienţa aleatoare £ care constă în aruncarea o singură dată a
unei monede, conduce la spaţiul:
Ω = {ί,ν}
prin s şi v înţelegând evenimentele elementare: al apariţiei stemei, respectiv al
apariţiei valorii.
2°. Experienţa^" a aruncării simultane a două monede conduce la spaţiul Ω:
Ω = {m , sv, vj, vv}
prin prin sv exemplu înţelegând cazul posibil al apariţiei stemei la primul zar şi al
valprii la al doilea zar.
3°. Experienţa^" a aruncării unui zar, conduce la spaţiul Ω:
Ω = φ „ ω 2,ω 3,ΰ>4,ω 5,ω 6}
unde ω ,,ϊ = 1,6 reprezintă evenimentul elementar (cazul posibil al apariţiei feţei cu
i puncte.
14°. Experienţei aleatoare £ care constă în aruncarea simultană a două zaruri i se
asociază ca spaţiu al evenimentelor elementare mulţimea:
Ω = {(/, 1 < * < 6,1 < y < 6}
i fiind numărul de puncte apărute la primul zar, iar j numărul de puncte apărute la
al dçilea zar.
5°. Experienţa aleatoare £ care constă în alegerea la întâmplare a unui număr
natural conduce la spaţiul:
Ω = {1,2,3,...n,...}.
6°. în sfârşit,experienţei aleatoare £ care constă în alegerea Ia întâmplare a unui
număr real pozitiv, i se asociază spaţiul Ω care este un interval mărginit sau nu al
axei reale: Ω = (θ,°°)

189
Se observă că spaţiul Ω corespunzător fiecăreia din primele patru experienţe
aleatoare este finit. în cazul experienţei aleatoare de la exemplul 5°, spaţiul Ω este
infinit numărabil,iar spaţiul Ω de la exemplul 6° este infinit nenumărabil.
Din cele de mai sus se remarcă faptul că orice mulţime poate fi considerată ca
spaţiul Ω al cazurilor posibile (evenimentelor elementare) punând în corespondenţă
biunivocă elementele mulţimii cu rezultatele posibile ale unei experienţe aleatoare
convenabil aleasă.
în cazul unei experienţe aleatoare cu un număr finit n de cazuri posibile vom
s c rir
Ω = {»1,ω 2,..Λ>π},
unde ω, 6 Ω este un eveniment elementar i = l,n.
în cazul când Ω este infinit numărabil cu o infinitate de cazuri posibile scriem:
Ω = {aj1,û)2,<a3 e Ω ,ι = 1,2,...
Observaţii. Trebuie remarcat faptul important că orice experienţă aleatoare ^ se
soldează cu un singur rezultat (caz) posibil şi numai unul, altfel spus rezultatul unei
experienţe aleatoare este un singur eveniment elementar ω şi numai unul al
spaţiului Ω.
In teoria probabilităţilor se operează cu evenimente pe care le definim cu
ajutorul evenimentelor elementare ale spaţiului Ω corespunzător unei experienţe
aleatoare Le numim evenimente compuse sau simplu evenimente. Prin eveniment
compus înţelegem orice situaţie (enunţ) legată de experienţa aleatoare £, despre
care în urma experienţei aleatoare se poate spune că s-a realizat sau nu (că enun­
ţul este corect sau fals).

Exemple. 1° în exemplul 2° al experienţei aleatoare căreia îi corespunde spaţiul

Ω = {5s,5v,v5,vv}, situaţia care constă în faptul că rezultatul primei aruncări este
identic cu rezultatul celei de a doua este evenimentul compus notat cu A = {îî, vv}
adică evenimentul care se realizează fie când se realizează evenimentul elementar
{ss}, fie când se realizează evenimentul elementar {vv}.
Se vede că A = {ss, vv} este o parte (o submulţime) a spaţiului Ω.
2° în exemplul 3° al experienţei aruncării cu zarul enunţul: apariţia unei feţe cu
un număr par de puncte reprezintă evenimentul A = {ω2,ο>4,ω 6} care este de
asemenea o parte a lui Ω = ^olto)2,(03,œ4,ω5,ω6}.

Prin urmare evenimentul A conform enunţului, este mulţimea cazurilor posibile

ω pentru care enunţul este corect adică:

A = {ω e Ω /enunţul este corect}.

190
 în general putem spune că un eveniment compus A legat de o experienţă
aleatoare este o parte a lui Ω şi se scrie:

unde evenimentele ω (. ,<u(j ,..xoit care îl realizează pe A (intră în componenţa lui A)

se numesc evenimente favorabile lui A. Dacă în urma experienţei aleatoare se
realizează evenimentul elementar ω favorabil lui A, aceasta înseamnă că se
realizează A. Evenimentele compuse legate de o experienţă aleatoare vor fi notate
cu litere mari A,B,C... şi le vom numi evenimente aleatoare sau pe scurt
evenimente.
întregul spaţiu al evenimentelor elementare Ω va fi numit evenimentul sigur,
deci în interpretarea ca eveniment, Ω este evenimentul sigur şi se notează şi el tot
cu Ω. Evenimentului sigur Ω îi este favorabil orice eveniment elementar (orice caz
posibil al experienţei aleatoare/.
Evenimentul căruia nu îi este favorabil nici un eveniment elementar deci care
este vid de evenimente elementare se numeşte eveniment imposibil şi se notează Φ
ca şi mulţimea vidă.
Justificarea acestor denumiri şi notaţii este evidentă: evenimentul sigur are loc
la orice realizare a experienţei aleatoare iar cel imposibil nu are loc în nici o
realizare a experimentului.
2. Relaţii şi operaţii cu evenimente
întrucât aşa cum am arătat evenimentele aleatoare sunt submulţimi de
evenimente elementare, adică mulţimi, relaţiile cât şi operaţiile cu evenimete sunt
cele de la mulţimi: incluziunea, reuniunea, intersecţia, complementarea, diferenţa
etc.
Implicaţia. Spunem că evenimentul A implică evenimentul B sau că B este
implicat de A, dacă B se realizează de fiecare dată când se realizează A şi scriem:
A c.B
Altfel spus realizarea lui A atrage după sine realizarea lui B. Mai spunem în
accepţia asamblistă a evenimentelor că mulţimea evenimentelor elementare
favorabile lui A este inclusă în mulţimea evenimentelor elementare favorabile lui
B. Avem evident pentru orice eveniment A:

adică evenimentele A şi B sunt egale sau echivalente.

O proprietate pe care o au numai evenimentele elementare este aceea că un
eveniment elementar nu este implicat de nici un alt eveniment.
Vom intoduce acum câteva operaţii cu evenimente prin intermediul cărora se
pot forma noi evenimente cu evenimentele date. Aceste operaţii corespund
construcţiei de enunţuri complexe pe baza unor enunţuri simple date, cu ajutorul
operaţiilor logice de disjuncţie, conjuncţie şi negaţie.
Reuniunea. Fie A şi B două evenimente asociate aceluiaşi spaţiu Ω. Reuniunea
evenimentelor A,B se notează A u B şi reprezintă evenimentul care constă în
191
realizarea fie a lui A fie a lui B, astfel spus evenimentul care constă în realizarea
cel puţin a unuia dintre evenimentele A,B.
Evenimentul A u B se citeşte A sau B şi este deci:
Α υ 5 = { ω ε Ω / ω ε Asaucoe ß}.
Operaţia de reuniune are proprietăţile:
Α υ β = δ υ Λ , Α υ ( β υ 0 ) = ( Α υ β ) υ 0 ; Α υ Ω = Ω ; Α υ Φ = Α;
A u A = A ,A u 5 = A dacă B c A.
Intersecţia evenimentelor A,B este evenimentul notat A n B care constă în
realizarea simultană a evenimentelor A şi B şi este mulţimea evenimentelor
elementare favorabile şi lui A şi lui B. Intersecţia A n B se citeşte A şi B şi deci
A n B = {coeQ/coe A şiiu e i?} .
Intersecţia A n B are proprietăţile:
A n ß = f in A ,A n ( f in C ) = ( A n ß ) n C ;A n Q = ß ;A n O = φ ;
A n A - Α ,Α η Β = A dacă f i c A
Evenimentele contrare (opuse). Fiecărui eveniment A îi corespunde contrarul
sau opusul său A notat şi Ac a cărei realizare constă în ne realizarea lui A.
Evenimentele A şi A se zic evenimente contrare. Avem:
Ac = A = {iue Ω/üJg A},
mulţimile de evenimente elementare favorabile fiecăruia fiind coplementare faţă de Ω.
Sunt variabile relaţiile: (a c )f = A; A u Ac = Ω; A n Ac = Ω, ΩΓ = Ω;.
Dacă A c B atunci Ac z>Bc\(Av B J = Ac n B c\{A n B j =Ac u B c.
Evenimente compatibile şi incompatibile. Două evenimente A şi B se numesc
compatibile dacă se pot realiza simultan adică dacă există evenimente elementare
favorabile atât lui A cât şi lui B. Rezultă că pentru două evenimente A şi B
compatibile putem scrie Α η Β Φ φ . în cazul când evenimentele A şi B nu se pot
realiza simultan ele se numesc evenimente incompatibile astfel spus mulţimile de
evenimente elementare favorabile lui A respectiv lui B sunt disjuncte. Scriem
pentru evenimentele A şi B incompatibile Α η Β = φ. în particular, două
evenimente contrare sunt incompatibile şi avem A n A c = Φ; A u Ac = Ω .
Diferenţa A \ B a evenimentelor A,B este evenimentul a cărui realizare constă în
realizarea lui A şi nerealizarea lui B deci
A\B = A n B c
Dacă B a A atunci A\B = A.

Exemplu Dacă considerăm experienţa aleatoare care constă în aruncarea unui

zar o singură dată, atunci Ω constă din numerele întregi i, 1 < i < 6 şi dacă luăm
A = {i este par}, B = {i> 4} atunci:

192
A u B = {/este par sau i > 4}= {2,4,5,6},
A n B = {i este par şi i > 4}= {4,6},
Ac = {/' este impar}= {l,3,5},
Bc = {/< 4}= {1,2,3}, A \B = {2}.
Rezultă din cele de mai sus o reprezentare a evenimentelor şi operaţiilor în limbajul
teoriei mulţimilor ilustrată în tabelul următor:

Nr Limbajul evenimentelor Limbajul mulţimilor Notaţii

1 Evenimentul sigur Mulţimea totală Ω
2 Evenimentul Imposibil Mulţimea vidă Φ
3 Contrariul lui A Complementara lui A A =Ac
4 A implică B A este conţinut în B A cB
5 „A sua B” Reuniunea lui A şi B A uB
6 „A şi B” Intersecţia A şi B A nB
7 A,B incompatibile A,B disjuncte A n B =Φ
8 A,B compatibile A,B nedisjuncte Α ηΒ *Φ

Având în vedere dualitatea de limbaj ilustrată în tabelul de mai sus, vom exprima
figurativ cu ajutorul diagramelor lui J.Wenn corespondenţele din tabel.

Mai general reuniunea a n evenimente Ai,A2,...An notată

n
Αχ u A j u ...u A n =i^jA· este evenimentul care constă în realizarea cel puţin a
H
unuia dintre evenimentele Ai,A2,...A„ şi constă din acele evenimente elementare
favorabile cel puţin unuia dintre evenimentele Ai,A2,...An.
n
Avem: u A, = {ω 6 A,, sau ω e A2 sau...sau ω e A }.
i=l
Similar reuniunea unui şir infinit de evenimente Ai,A2,... notată

193
A, u Α2 υ . . . = ^ Α ,· este evenimentul care constă în realizarea cel puţin a unuia
ßl
dintre evenimentele A i,A2,... Deci:
uA,· ={<ye Ω /tue A{ sau coe A2sau...}.
De asemenea intersecţia a n evenimente A 1,A2,...An notată
n
A, n A2 n ... n An = A,· es*e evenimentul care constă în realizarea simultană a
i»
tuturor evenimentelor Ai,A 2,...An şi îi sunt favorabile evenimentele elementare
favorabile şi lui Ai şi lui A2 şi lui A„, deci:
QA;. = {ωε Ω Icoe. A1 şi cue A2 $7...ωε An}.
Aceeaşi definiţie rămâne valabilă pentru un şir infinit (A,· )ßl de evenimente astfel
că:
Q A ={ß)e Ω Icoe Aj şi coe A2 şi coe A3...}.
în ceea ce priveşte compatibilitatea evenimentelor, spunem că evenimentele
A|,A2,...A„ sunt incompatibile în ansamblul lor (în totalitate) dacă sunt
incompatibile două câte două adică At n A - = 0 , i Φj , i, j - 1, n. Aceeaşi definiţie
se extinde şi la cazul unei infinităţi numărabile de evenimente.
Definiţie·. Un sistem de evenimente A],A2,...An incompatibile în totalitate se
numeşte sistem complet de evenimente dacă reuniunea lor este evenimentul sigur:
—_ n
Ai n A , = 0 i Φj , i, j = l,n , şi u A, = Ω . Cu alte cuvinte, înseamnă că în
1=1

experienţa aleatoare cel puţin unul dintre evenimentele incompatibile Ai,A2,...An se

realizează cu certitudine.
Definiţie·. Spunem că evenimentele Ai,A2,...A„ constituie o partiţie a
S ____
evenimentului A, dacă u A; = A şi Ai r\ A ■= Φ ίΦ j, i, j = 1, s .
i‘=l
Rezultă că un sistem complet de evenimente este o partiţie a evenimentului
sigur Ω.
în particular două evenimente opuse formează un sistem complet de evenimente
deoarece A n Ac = Φ şi Α υ Α ° = Ω .
Observaţie. O legătură între operaţiile de reuniune, intersecţie şi
complementaritate cu evenimente, este dată de relaţiile lui De Morgan dintre
mulţimi:
f « \C η ( n \C
u A f = r>A* Şi n A k = l k c ;
k=1 *=1 4=1
y k=\
unde A i,A2,...A„ sunt evenimente asociate unei experienţe aleatoare/.

194
 Exemple
1°. Care este spaţiul Ω al evenimentelor în cazul experienţei aleatoare care
constă în a scrie un număr de două cifre distincte alese la întâmplare dintre cifrele
1,3,4,?
Rezolvare.
Spaţiul Ω = {13,14,31,34,41,43}, numărul evenimentelor elementare fiind
Al = 6 .
2°. Experienţa aleatoare: se extrag simultan şi la întâmplare două bile dintr-o
urnă cu 3 bile albe şi 2 bile negre.
Care este spaţiul Ω?
Rezolvare. Notăm cu aba2,a3 bilele albe şi cu nh n2 bilele negre.
Evenimentele elementare ale experienţei aleatoare sunt: extragerea bilelor a/ şi a2
pe care o notăm simbolic cu Ω = { . . . } (aha2) şi (a,,a3); (ahn,); (a,,n2)\ (a2,n,)\
(.o2,n2); (a3,n,)\{a3n2)\ (n,,n2). Numărul cazurilor posibile este C\ =10.
3°. Dintr-o urnă cu 3 bile albe şi 2 bile negre se extrag la întâmplare două
bile.
a) Se consideră evenimentele:
A) - obţinerea a două bile negre;
A 2 - obţinerea cel puţin a unei bile albe;
A 3 - obţinerea unei singure bile albe;
A4 - obţinerea unei singure bile negre;
A 5 - obţinerea o două bile roşii.
Folosind definiţiile precizaţi pentru fiecare eveniment dacă este aleator,
sigur, imposibil, elementar sau compus.
b) Să se regăsească rezultatele de la punctul a) folosind mulţimile de
evenimente elementare.
Rezolvare, a) Α 1,Α 2,Α 3,Α4 sunt evenimente aleatoare deoarece la o efectuare
a experienţei (o extragere) oricare dintre ele se poate sau nu se poate realiza. De
exemplu, dacă rezultatul experienţei este (α/,α2), Ai nu s-a realizat, dar dacă
rezultatul experienţei este (nhn2), Ai s-a realizat, unde am notat bilele ca în
problema precedentă.
Evenimentul A 5 este imposibil, Ai este elementar deoarece se realizează
numai prin rezultatul (tii,n2).
Ă 2 este eveniment compus deoarece se realizează prin mai multe rezultate
posibile: (a,,a2); (a2,a3); (a2,n2) etc.
A 3, A4 sunt evenimente compuse; A5nu este nici elementar nici compus.
b) Avem A{ = {(n,,n2)} eveniment aleator elementar.
A2 = {{^,a2\(al,a3),(a,,nl ),(al ,n2),(a2,a3),(a2,nl),(a2,n2),
(a2, n2), (a 3,nl),(a3, n2)}eveniment aleator compus
A3 = {(al,nl),(al ,n2),(a2,nl),(a2,n2),(a3,nl),(a3,n2)} eveniment aleator
compus.

195
 Α» = {(«ι.0ι) .( « ι.α 2 )-(ηι>α 3)-(η 2·αιΧ(Μ2>ΰ 2 )-(η 2 ·α 3)} eveniment aleator
compus.
4°. Se consideră evenimentele Ai,A2,A3,A 4 din problema precedentă. Să se
precizeze perechile de evenimente egale, perechile de evenimente compatibile,
incompatibile, contrare, perechile de evenimente la care primul implică pe al
doilea.
Rezolvare. A3 =A4 deoarece obţinerea unei singure bile albe (realizarea lui A3)
implică obţinerea unei singure bile negre (realizarea lui A4) şi reciproc.
Sunt compatibile perechile de evenimente (A2,A3); (A2,A4); (A3,A4) deoarece
se pot realiza simultan.
Sunt incompatibile perechile (A/,A2), (Aj,A3), (Aj,A4) deoarece (respectiv) nu
se pot realiza simultan.
Sunt contrare Aj şi A2 deoarece obţinerea a două bile negre (realizarea lui
Aj) face imposibilă obţinerea cel puţin a unei bile albe (realizarea lui Â2) şi
reciproc.
Relaţiile A3 c A4 şi A4 c A3 sunt imediate. Relaţia A3 c A2 rezultă din
incluziunea dintre mulţimile de evenimente elementare ataşate.
5°. Se controlează calitatea a cinci produse. Fie A evenimentul ca cel puţin
unul dintre produse să fie defect şi B evenimentul ca cel mult două din produse să
fie defecte. Ce înseamnă evenimentul A şi B ?
Rezolvare: A este evenimentul ca toate produsele controlate să fie bune, iar
B este evenimentul ca cel puţin trei produse să fie defecte.

6. Din şirul primelor 100 numere naturale se alege la întâmplare un număr.

Fie A evenimentul ca numărul ales să înceapă cu cifra 1; B evenimentul ca numărul
ales să se termine cu cifra 2. Ce înseamnă A\B?
Rezolvare·. Avem A\B= A n B d eci numărul natural ales trebuie să se termine
cu orice cifră diferită de 2.

7. Din şirul primelor 2000 de numere naturale se alege la întâmplare un

număr. Fie A evenimentul ca numărul ales să fie divizibil cu 2; B evenimentul ca
numărul ales să fie divizibil cu 3 ;C evenimentul ca numărul ales să se termine cu
cifra 0. Ce reprezintă evenimentele:
a ) C n { A u B \ b) ( A n f i ) u C, c) (An b ) kj ( a n C ) ?
Rezolvare', a) Numărul natural ales trebuie să se termine cu zero şi să se
dividă prin 2 sau prin 3 sau prin 6.
b) Numărul natural ales trebuie să se dividă prin 6 sau să se termine cu 0.
c) Numărul ales trebuie să se dividă prin 6 (se realizează în acest caz A n B ;
sau să se termine cu 0 se realizează în acest caz A n C ; sau să se dividă cu 6 şi să
se termine cu 0.

196
 Se observă însă că într-o clasă foarte largă şi importantă de cazuri repetându-
se o anumită experienţă de un număr mare de ori, frecvenţa apariţiei evenimentului
A maifestă o anumită stabilitate adică ea diferă rareori în mod esenţial de un anumit
număr pozitiv constant. Un exemplu cunoscut şi adesea citat în literatura de
specialitate în care stabilirea frecvenţelor poate fi intuită este următorul: să
considerăm experienţa aruncării unei monede, aproape omogenă, în urma căreia se
pot produce două evenimente A apariţia stemei şi A apariţia banului şi ne fixăm
atenţia asupra apariţiei stemei (evenimentul A). Să repetăm de n ori experienţa şi
fie m numărul de apariţii efective ale stemei. Frecvenţa experimentul lui A este
conform definiţiei

n
Doi cercetători de seamă din istoria probabilităţilor Buffon şi Pearson, au
ajuns după efectuarea unui număr mare de astfel de experienţe la următoarele
rezultate:

Numărul de probe Numărul de apariţii Frecvenţa relativă

n m fM)
Buffon 4 040 2 048 0,5080
Pearson 12 000 6 019 0,5016
Pearson 24 000 12012 0,5005

Tabelul de mai sus arată că în măsură ce n creşte, frecvenţa relativă a

evenimentului A oscilează în ju rai mărimii V2-0,5.
Se presupune că odată cu creşterea lui n ea se apropie tot mai mult de V2
adică devine stabilă. Deci într-un număr mare de experienţe, evenimentul aleator A
apare aproximativ în 50% din cazuri adică măsura şansei de realizare a
evenimentului A este egală cu ‘Λ. Considerând acum experienţa aruncării unui zar
omogen, fie A evenimentul apariţiei feţei cu şase puncte de exemplu, asupra căruia
ne îndreptăm atenţia. Dacă vom repeta această experienţă de un număr mare de ori
se poate deduce că, frecvenţa relativă a evenimentului A oscilează în jurul mărimii
Vg=0,1666 aşa cum rezultă din tabelul :

Numărul de Numărul de apariţii Frecvanţa relativă

aruncări ale evenimentului A
n m fM)
50 5 0.1000
100 13 0.1300
500 88 0.1760
1000 159 0.1590
5000 822 0.1666

198
 Un rezultat analog se poate obţine dacă ne referim la oricare din celelalte
cinci feţe care apar la aruncarea zarului.
Cele descrise în exemplele precedente ne conduc la concluzia că în general
în cazul linei experienţe repetate având drept rezultat un eveniment oarecare A,
există o mărime constantă în jurul căreia oscilează frecvenţele relative ale
evenimentului A şi de care se apropie din ce în ce mai mult odată cu creşterea
numărului n al probelor. Această constantă pe care o notăm cu Ρ(Λ) şi care
reprezintă estimaţia cantitativă a posibiliţilor apariţiei evenimentului A, adică
măsoară şansa de realizare a evenimentului, se numeşte probabilitatea
evenimentului A. Probabilitatea evenimentului A este o caracteristică intrinsecă a sa
în timp ce frecvenţa sa în diversele serii de experienţe concrete este numai o
manifestare întâmplătoare a acestei caracteristici constante, care exprimă o legătură
bine determinată deci specifică dintre condiţiile în care are loc experienţa de masă
şi evenimentul aleator A. Probabilitatea P(A) reflectă structura obiectivă a
experienţei însăşi în care se observă evenimentul A. Valoarea ei este strâns legată
de condiţiile experienţei de masă şi se modifică îndată ce se modifică aceste
condiţii.
Ca valoare numerică aproximativă a probabilităţilor Ρ(Λ), poate fi luată
frecvenţa f n(A) obţinută după un număr mare n de experienţe efectuate în aceleaşi
condiţii. Precizia unei astfel de măsurări empirice a probabilităţii creşte odată cu
numărul experienţelor.

4. Definiţia axiomatică şi clasică a probabilităţii

Din punct de vedere filosofic, probabilitatea unui eveniment aleator este o
măsură a gradului de posibilitate a acelui eveniment, grad de posibilitate care
merge de la valoarea 0 (pentru evenimentul imposibil) până la valoarea 1 (pentru
evenimentul sigur). Pentru un eveniment aleator A, 0 c A c Ω, probabilitatea lui
A aşa cum am arătat în paragraful precedent va trebui să reflecte stabilitatea
asimptotică a frecvenţei relative a lui A într-un număr arbitrar de mare de repetări
independente ale experimentului căruia A îi este asociat. Ţinând seama de
proprietatea 3° a frecvenţei relative f n{A) , rezultă că probabilitatea evenimentului
A u B trebuie să fie egală cu suma probabilităţilor lui A şi a lui B. Prin urmare,
probabilitatea va trebui să posede o proprietate de aditivitate pentru evenimente
incompatibile.
Aceste considerente nematematice au influenţat definirea conceptului
matematic de probabilitate. Să considerăm mai întâi cazul în care spaţiul
evenimentelor elementare Ω este finit sau numărabil infinit. în acest caz vom
considera ca evenimente asociate lui Ω toate submulţimile lui Ω. Să notăm clasa
acestor submulţimi (părţi) cu fi (Ω).
Observăm οάβ(Ω ) satisface în mod banal următoarele proprietăţi:
(kj) Ω ε Ρ(Ω)

199
 (k2) A i,A2,...g fi (Ω) implică u A, e fi (Ω)
iäl
(Äj) A e fi (Ω) implică Ace fi(Q )
în acest caz mulţimea părţilor fi (Ω) ale lui Ω care este mulţimea tuturor
evenimentelor legate de un experiment aleator asociat spaţiului Ω şi .care
satisface condiţiile ki)-k 2 ) se numeşte câmp de evenimente asociat spaţiului Ω
şi se notează prin dubletul (Ω ^ (Ω)). Proprietăţile ki)-k3) se numesc axiomele
câmpului de evenimente.
Exemplu de câmp de evenimente. Se consideră experienţa aleatoare de
extragere a unei bile dintr-o urnă care conţine patru bile albe numerotate 1, 2, 3, 4
şi o bilă neagră numerotată cu 5.
a) Să se scrie câmpul de evenimente ataşat acestei experienţe.
b) Câte evenimente sunt în câmp.
c) Să se scrie evenimentele elementare.
d) Să se scrie implicaţiile dintre evenimente.
Rezolvare.
a) Câmpul este {Ω, Κ}= {Φ, {k}, {/, {/, j,k},{i,j,k,l},{i,j,k,l ,m}} unde
i,j,k,l,m iau independent valorile de la 1 la 5 dar cu restricţia că în cadrul unei
grupe toţi indicii să tie diferiţi, iar două grupe cu acelaşi număr de indici să difere
prin cel puţin un indice. Am notat cu {k\ extragerea bilei cu numărul k; evenimen­
tele de forma {i,j},{i,j,k},^,j,k,l} arată că am extras sau bila i sau bila j (i*j)
etc. iar [i,j,k,l,m }= Ω reprezintă evenimentul sigur.
b) Câmpul de evenimente se compune din:
1 + Cj + Cj + C5 + C 5 + C| = (l + 1)5 = 2 5 evenimente
c) Evenimentele elementare sunt:
{1}.{2},{3},{4},{5}
d) {l}c {l,2},{l}c {1,3},{l}c {1,4},{l}c {1,5},{l}c {1,2,3},...
{2} c {1,2}, {2}c {2,3},{2}c {2,4},{2}c {2,5}

{l,2}c {1,2,3}..

{l,2,3,4}c {l,2 ,3,4,5}

iar evenimentul imposibil 0 implică oricare eveniment.
Prin probabilitate pe f i (Ω) vom înţelege o funcţie P care asociază fiecărui
eveniment A e f i (Ω), un număr P(A) care satisface condiţiile:
(Pl)P (A )> 0, (V )A efi(Q )
(ρό Ρ(Ω) =7

200
 (Pi) p (u Af )= £ P(Aj) oricare ar fi evenimentele
iii
A,,A2...€ f i (Ω) incompatibile în ansamblul lor.
Cele trei condiţii de mai sus pe care le satisface probabilitatea unui
eveniment A se numesc axiomele probabilităţii. Ultima relaţie (p3) ne arată că
probabilitatea P este complet aditivă. Să observăm că din proprietatea de aditivi
tate completă rezultă mai întâi luând At = 0 , /£ 1 că P ( 0 ) adică probabili­
tatea evenimentului imposibil 0 este egală cu zero, apoi At = 0 , i > n rezultă că:
\ n
, = £ P ( A , ) , oricare ar fi evenimentele Ai,A 2,—A„ incompatibile în
) i=i
ansamblul lor. Ultima relaţie ne arată că probabilitatea P este şi finit aditivă.
Tripletul (Ω, <Ρ(Ω), P) se numeşte câmp de probabilitate ataşat unui eveniment
aleator căruia îi este asociat spaţiul Ω finit sau infinit numărabil.
O probabilitate P pe <Ρ(Ω) poate fi construită după cum urmează. Fie p(i)
numere nenegative de sumă 1 puse în corespondenţă biunivocă cu evenimentele
elementare ω, ale lui Ω. Definim Ρ(ω ,) = p(i) şi pentru un eveniment Ae f i (Ω)
punem:
P(A) = 5 > ( o
(ilaifiA)
Se vede imediat că P este într-adevăr o probabilitate în sensul definiţiei date
mai înainte. Reciproc, orice probabilitate P pe Ρ(Ω) poate fi construită ca mai sus
luând p(i)-P(a>) .
în cazul particular când Ω = {ω,,ΰ)2,...,ΰ)η} luănd p(i) = P(coi) = — şi
n
scriind A = ω η u û j,2 u ...u c o im unde ncoik = Φ j ± k şi 1< i,< i2<..< im< n,
probabiltatea lui A va fi
P(A) = P(coi{)+ p(û), )+... + P ( w J = - + - + ...+ - = -
1 2 " ^η η T ηJ n
dem ori
Rezultă că în cazul Ω finit, probabilitatea oricărui eveniment A este:
n, n _ nr.even.elementare din A _ nr. cazurilor favorabile lui A
r\A) —
nr.total de ev. elementare nr. tuturor cazurilor egal posibile
Aceasta este aşa numita definiţie clasică a probabiltăţilor care după cum
vedem este aplicabilă în condiţii deosebit de restrictive.
Cazul particular considerat poate fi materializat printr-o urnă conţinând n
bile care diferă între ele numai prin culoare. Este natural atunci să presupunem că
probabilitatea extragerii oricăreia dintre ele este —. Dacă în urnă avem nt bile de
n
201
culoarea i, 1 < /< r, ^ n , = n atunci probabilitatea extragerii unei bile de culoarea i
i '= l

va fi egală cu — . Să observăm că atât experimentul aruncării monedei cât şi cel al

n
aruncării zarului sunt cazuri particulare ale evenimentului extragerii unei bile dintr-
o urnă de tipul celei descrise. în primul caz n=2, ni=n2~l culorile 1 şi 2 corespund
stemei, respectiv valorii. în cel de al doilea caz, n-6, n!z=n2=n3 =n4=ns=n6=l,
culorile 1,2,3,4,5,6 corespund celor şase feţe ale zarului.
în cazul în care Ω este o mulţime infinit nenumărabilă nu este întotdeauna
posibil să luăm ca evenimente asociate lui Ω toate părţile sale, întrucât se poate
întâmpla să nu existe nici o probabilitate pe β(Ω). Ieşirea din această dificultate se
bazează pe suprimarea calităţii de eveniment unor submulţimi ale lui Ω. Vom
considera că evenimente numai elementale unei clase K de submulţimi ale lui Ω
care satisface (1), (2), (3) în care β(Ω)&$\.ζ înlocuită cu K (evident aceste condiţii
nu vor mai fi acum satisfăcute în mod banal).
Vom avea deci:
β ,)Ω e K
(kz) A i,A2,... e K implică u A ^ K
î>1
(k3) A eK implică Ac € K
Şi în acest caz, clasa K de părţi ale lui Ω care satisface condiţiile k|) - k3) se
numeşte câmp de evenimente asociat spaţiului infinit nenumărabil şi se notează cu
dubletul (Ω,Κ). Proprietăţile (kţ)-(k3) se numesc axiomele câmpului de evenimente.
O probabilitate pe K va fi prin analogie cu cazul infinit numărabil sau c
cazul finit, o funcţie P:K —>R care asociază fiecărui eveniment A e K, un număr
P(A) ce satisface condiţiile:
(pi) P(A) > 0 (V) A e K
(P2) Ρ(Ω) =7
(Pi) ( v ) 4 , λ 2...e * ·
fèl
incompatibile între ele. Alegerea câmpului K este o problemă care se rezolvă de la
caz la caz în funcţie de specificul experimentului şi de posibilitatea de a defini o
probabilitate pe K.
Să observăm că Ω c=<PeK şi dacă AhA2,...e K, atunci A,c,A |,...e K , deci
u A f e K . Una din regulile lui Morgan implică apoi că n A( = |u A fJ € K .
Aceste observaţii erau evident banale în cazul K= P (Ω). Se poate arăta că în
cazul general K* Ρ(Ω) aditivitatea completă a probabilităţii P implică aditivitatea
finită.
Tripletul (Ω,Κ,Ρ) se numeşte câmp de probabilitate şi stă la baza
202
construcţiei teoriei probabilităţilor.
Observaţii. Am văzut că orice evenimente împreună cu probabilităţile lor, cu
care operăm în diverse probleme au la bază un câmp de evenimente (Ω,Κ)
respectiv un câmp de probabilitate (Ω,Κ,Ρ), câmpuri pe care nu le mai menţionăm
de fiecare dată, ele fiind subînţelese.

5. P robabilităţi geometrice. Să preusupunem că am dispune de un procede

prin care putem alege la întâmplare un punct din intervalul [a,b] al axei numerelor
reale. în plus vom presupune că acest procedeu ne asigură că nu există porţiuni
privilegiate ale intervalului [a,b] înţelegând prin aceasta că oricare ar fi două
subintervale de aceeaşi lungime este la fel de probabil ca punctul să cadă într-unul
din subintervale ca şi în celălelt. Deci dacă am folosi de mai multe ori procedeul
pentru a alege un număr mare de puncte, acestea vor fi distribuite aproximativ
uniform în intervalul [a,b), adică nu vor exista puncte din [a,b] în vecinătatea
cărora punctul ales să cadă sistematic mai des decât în vecinătatea altora. Din cele
spuse reiese că probabilitatea ca punctul ales să cadă într-un subinterval al lui [a,b]
dinainte ales, depinde de lungimea acestui subinterval nu şi de poziţia sa în
interiorul intervalului [a,b]. Această afirmaţie ne conduce pe baza proprietăţilor
enunţate mai înainte la concluzia că probabilitatea ca punctul ales să cadă într-un
anumit subinterval este proporţională cu lungimea intervalului.
Se poate observa analogia cu definiţia clasică a probabilităţii în sensul că
dacă considerăm evenimentul A care constă în faptul că punctul ales cade în
intervalul [c,d] unde [c,d](z[a,b], mulţimea punctelor intervalului [a,6] reprezintă
mulţimea cazurilor posibile (şi avem motive să le considerăm egal posibile) ale
experienţei, iar mulţimea punctelor intervalului [c,d],mulţimea cazurilor favorabile
evenimentului A. Este deci natural să luăm probabilitatea acestui eveniment egală
cu raportul dintre lungimile celor două intervale:
P(A) =~~~~
b -a
în particular, probabilitatea ca punctul ales să coincidă cu un anumit punct
dinainte stabilit este zero, deoarece este natural să considerăm că este vorba de un
eveniment cu un caz favorabil dintr-o infinitate de cazuri posibile. Această
observaţie ne permite să nu ţinem seama când lucrăm cu probabilităţi geometrice,
dacă intervalele sau subintervalele care intervin sunt închise sau deschise. în plus
întrezărim posibilitatea teoretică ca un eveniment să aibă probabilitatea nulă fără să
poată fi considerat imposibil.
d ~~c
De fapt afirmaţia P(A) =------ rezultă imediat din proportionalitatea
b -a
probabiltăţii evenimentului A cu lungimea intervalului [c,d] dacă ţinem cont de
proprietăţile probabilităţii. Tot din aceste proprietăţi rezultă că dacă A este un
interval sau o reuniune finită de subintervale disjuncte ale lui [a,b\ şi 1(A) este suma
203
lungimilor acestor subintervale atunci probabilitatea ca punctul ales să cadă în A

este raportul —— .
b -a
în mod analog dacă se ia la întâmplare un punct dintr-un domeniu plan D
astfel încăt să nu existe porţiuni privilegiate, atunci probabilitatea ca punctul să

cadă în subdomeniul D 'cD este egală cu raportul ar*a^~.

ariaD

La fel în spaţiul cu trei dimensiuni probabilitatea geometrică se exprimă ca

raportul a două volume.

Aplicaţie. Pe un plan sunt trasate drepte paralele, distanţa dintre două drepte
consecutive fiind 2a. Se aruncă la întâmplare un ac de lungime 2l<2a. Care este
probabilitatea ca acul să taie una din dreptele reţelei?

Rezolvare. Vom determina poziţia acului prin distanţa d de la mijlocul

său M la cea mai apropiată dintre dreptele reţelei şi prin unghiul a pe care-1 face
acul cu această dreaptă fig .l, d şi a iau valori la întâmplare pe intervale respectiv
de [O.a]; ae[0,n]. Poziţia acului fiind determinată de două numere, poate fi
reprezentată printr-un punct din plan.

204
 Dacă luăm un sistem de axe a Od se observă că a lua la întâmplare un punct
în [0,a] şi independent un punct din [Ο,π] înseamnă a lua la întâmplare un punct din
dreptunghiul D (fig.2). Deci mulţimea poziţiilor posibile ale acului este
reprezentată de mulţimea punctelor domeniului D.

Fig. 2 Fig. 3

Din fig. 2 reiese că acul va tăia una din dreptele paralele dacă MP<MQ adică
0 < d < ls in a (l). Graficul funcţiei d = Isina este cel din Fig. 3
Se vede că inegalitatea (1) este satisfăcută în domeniul D ' haşurat. Mulţimea
punctelor domeniului D' în care este verificată (1) reprezintă mulţimea cazurilor
favorabile. Probabilitatea căutată este:
j, _ aria D'
ariaD
Dar aria D = an iar pentru aria D ’ avem:
n
aria D'= J Lsinadx = /(-cosa)|* = 21 ;
o
Deci: P =— ,
an
Se vede că P depinde de a şi / şi efectuând un număr mare de n aruncări
putem estima probabilitatea P cu ajutorul frecvenţei relative/, a evenimentului ca
acul să taie una din dreptele reţelei. Presupunând că în n aruncări ale acului s-au
produs m astfel de intersecţii, putem scrie egalitatea aproximativă:
m 21 , , 21n
— = — , de unde n ------ ,
n an ma
relaţie prin care pentru n suficient de mare s-au obţinut pe cale experimentală
aproximări bune
205
ale numărului π. Astfel dacă luăm / = — înseamnă că P = — adică
2 n
— « — —>π ~ — . S-au făcut astfel de experienţe: de exemplu o persoană aruncând
π n m
de n -5000 ori un ac de 36 mm pe o suprafaţă haşurată cu drepte paralele la distanţa
de 45 mm una de alta, a realizat intersecţia de m=2532 de ori. De aici a dedus
π=3,159.

6. Proprietăţi ale probabiliţii. Următoarele proprietăţi ale probabilităţii

decurg din axiomele probabilităţii şi sunt valabile atât pentru câmpurile finite cât şi
pentru câmpuri infinite de probabilitate, prin urmare ele pot fi demonstrate folosind
şi definiţia clasică a probabiliţii, lucru ce-I lăsăm pe seama cititorului. Avem:
1. Dacă Au A2,-,A n e K sunt incompatibile două câte două, atunci

Pentru demonstraţie scriem:

A, u A 2 U ...U An = A, u A2 u Aj U ...U A , υ Φ ... şi aplicând (p2) adică
proprietatea de aditivitate completă,rezultă proprietatea de aditivitate finită de mai
sus. în particular pentru o partiţie A,,A2,...A„ a evenimentului sigur (sistem complet
de evenimente) avem
/
P UA,. ] = ρ ( Ω ) = 5 > ( 4 ) = 1> Α , η Α - Φ , i * j
;=i ‘ I
i- l

2. Dacă A .B eK şi BcA=*P(A\B)=P(A)-P(B) unde A\B = A n B c.

Avem evident A\Be K şi A = Bu(A\B) iar B şi A\B sunt
incompatibile. Avem conform cu 1. P{A) = P(B) + P(A\ B) sau
P(A \B) = P(A) - P(B ).
3. Dacă, A, B e K, B c A —> P(B) < P(A) (proprietatea de monotonie a
probabilităţii).
într-adevăr B c A —>P(A) - P(B) =P(A \B) >0 conform cu (p,) şi 2.
4. Pentru orice AeK, P(AC )=1-P(A); Ρ(Φ)=0 avem şi în acest caz
A u Ac ~Ω.,ΑΓ\Αα =Φ deci P(A) +P(AC) = Ρ(Ω) = 1 conform cu 1. Deci
P(AC) = 1- P (A ). Apoi Ρ(Φ) = Ρ (Ω ') = 1 -Ρ (Ω ) = 0.
5. Pentru orice AeK, 0<P(A)<1. într-adevăr ΦαΑαΩ=$Ρ(Φ)<
<Ρ(Α)<Ρ(Ω) conform cu 3. Rezulta 0<P(A)<1 conform cu 4 şi 3.
6 .A ,B e K=>P(A\B) =P(A)-P(Aη B)
Avem A \ß = A \ (A n ß ) şi A n f i c A , deci (conform cu 2.),
P( A \Β) = p [a \ B{ A n 5 )] = P( A) - ( A n B).

206
 7. A, B e K, P (A u ß ) = P(A) + P(P) - P( A η P)
Pentru demonstraţie avem A u B = B v(A \B ) iar B şi A\B sunt
incompatibile. Conform cu 1. scriem:
P( A u P) = p [b <
u (A\B)]= P(B) +P(A\B) şi ţinând cont de 6, deducem:
P( A u B) = P( A) + P(B) - P( A n B)
în continuare vom da fară demonstraţie unele proprietăţi în care intervin
şiruri de evenimente şi probabilităţile acestora, proprietăţi ce sunt consecinţe ale
aditivităţii complete a probabilităţii.
8. Pentru orice şir descendent de evenimente A p A p . . . avem
p|QAj=Umi-(A,)
9. Pentru orice şir ascendent A, c A2 c ... de evenimente avem:
P (u A,· J= lim P(An)
i>l
Proprietăţile 8. şi 9. poartă numele de proprietăţi de continuitate ale
probabilităţii pe câmpul (Ω,Κ,Ρ).
Exemple 1. Dintr-o urnă în care se află 35 de bile de aceeaţi mărime
numerotate. Se extrage la întâmplare o bilă. Care este probabilitatea ca numărul
astfel obţinut să fie divizibil cu 3 ?
Rezolvare. Fie (Ω,Κ) câmpul finit de evenimente ataşat experienţei, unde:
Ω = {1,2,...35}
în acest câmp evenimentele elementare {l},{2},...,{35} sunt echiprobabile.
Fie A evenimentul că numărul extras din urnă e divizibil cu 3. Atunci P(A) se poate
calcula cu definiţia clasică:
P(A) = - ,
n
35
unde n=30 şi m = = 11 şi deci P(A) = -^·
3
2. Din mulţimea {l,2, . n e N , se alege la întâmplare un număr. Car
este probabilitatea ca numărul ales să fie divizibil cu k,ke N,k < n ?
Rezolvare. Fie (Ω,Κ) câmpul finit de evenimente ataşat experienţei, unde:
Ω = {ΐ,2,...,/ι},
şi evenimentele elementare {l}{2},...,{n} sunt echiprobabile. Fie A evenimentul ca
n\k. Atunci P(A) se poate calcula cu definiţia clasică:
n

P(A) =
n
3. într-o urnă se află bile numerotate de la 1 la 10. Se extrag la întâmplar
toate bilele. Care este probabilitatea ca primele două numere extrase să fie în

«■207
ordinea naturală?

Rezolvare. Fie A evenimentul a cărui probabilitate se cere. Numărul

cazurilor egal posibile este 10!, iar numărul cazurilor favorabile este (10-1)!=9!.
Rezultă:

4. Dintr-o urnă cu 15 bile identice numerotate de la 1 la 15 se extrage la

întâmplare o bilă. Se cere probabilitatea ca numărul înscris pe bilă să fie a) un
număr prim. b) un număr par. c) un număr divizibil cu 3.
Rezolvare. Numărul cazurilor posibile pentru fiecare punct din problemă este
acelaşi şi anume 15. Cazurile favorabile pentru fiecare punct în parte sunt:
6 2
a) cazuri favorabile 6: numerele 2,3,5,7,11,13, deci P = — = —
7
b) cazuri favorabile 7: numerele 2,4,6,8,10,12,14, deci P = —

c) cazuri favorabile 5: numerele 3,6,9,12,15, deci P = — = —

15 3
5. Zece bile numerotate de la 1 la 10 se aşează la întâmplare una după alta
într-un şir. Care este probabilitatea ca după bila numerotată 5, să urmeze bila
numerotată cu 6.
Rezolvare. Cazurile posibile sunt în număr de P,0-lO ! iar cazuri favorabile
9-8! 1
9-8! Prin urmare P ------- = — .
10! 10
6. Se aruncă două zaruri de n ori. Se cere probabilitatea ca dubla şase să
apară cel puţin o dată.
Rezolvare. Să calculăm probabilitatea evenimentului contrar adică să nu
apară nici o dată dubla şase.
Cazuri posibile: (36)n, într-adevăr la fiecare aruncare a două zaruri sunt 36
de cazuri posibile deoarece fiecare din cele 6 feţe ale primului zar se pot combina
cu oricare din cele 6 feţe ale celui de al doilea zar, deci în total 6 · 6 = 36. în n
aruncări ale celor două zaruri sunt posibile (36)" cazuri diferite.
Cazuri favorabile: (35)". în adevăr la fiecare aruncare a celor două zaruri
sunt 35 cazuri favorabile (din cele 36 cazuri posibile trebuie să eliminăm cazul
când la ambele zaruri apare 6 iar la n aruncări sunt (35)" cazuri favorabile.

7. Să se arate că evenimentele A ,A n B ,A u B formează un sistem complet

de evenimente.
Rezolvare. Să arătăm mai întâi că evenimentele date sunt două câte două

208
incompatibile. Pentru aceasta observăm că A u B = A n B şi cum Α π Α = Φ
rezultă imediat că Α η (Α η β )= Φ ,Α η (Α τΓ β )= Φ şi ( Ä n ß ) n ( A u ß ) = Φ.
Apoi reuniunea evenimentelor trebuie să facă Ω. Avem:
A u (Àn ß)u A u (Àn ß)u (Âη ß)=
{/ = ύ γjUγ uΛAΗ
jn ÎΔA ^u Φb ))^
uηL4ΒnB) )=
=
= | A u A ju ( A n ß | n [( A u ß ) u ( Ä n ß jj= Q
Deci P(A) + P (A n 5 ) + P(Ă u ß) = 1
7. Probabilitatea condiţionată. Regula de înmulţire şi regula de adunare
probabilităţilor.
a) Fie (Ω,Κ,Ρ) un câmp de probabilitate şi B e K, P(B)>0. Pentru orice A e
definim:
Pb(A) = P(AIB) = ~ F>{A- B)
P(B)
aplicaţie numită probabilitatea evenimentului A condiţionată de realizarea
evenimentului B.
Pentru ca definiţia să aibă sens, trebuie să arătăm că probabilitatea
condiţionată P(A/β ) verifică cele trei axiome ale probabilităţii.
întrucât P (A nB ) şi P(B) satisfac axioma (pt), rezultă şi P(A/B)> 0 .
Pentru axioma (p2), facem Α=Ω şi avem:

P(B) P(B)
Pentru verificarea axiomei (p3), să considerăm evenimentele A/ şi A2
incompatibile şi să demonstrăm că
Pi A, u A2/B)= P(A, IB)+ p (a 2 /B)
P(A u A .'B) n Î A . u A j n g J ^ P K A n ^ u Ç A .n f i) ] ;
V1 2 P{B) P(B)
Dar Α1η Α 2 =Φ d e c i^ , n ß ) n ( A 2 nß )= (A , n A 2) n B = 0 adică
Axn B şi A2 n B sunt incompatibile deci:
ρ[{Αλ η Β ) ν { Α 2 ηΒ)]=Ρ(Αχ nB )+ P{A 2 nB)·,

P(A, u At I B )- P(A' = p f a , B)+ P(A2 /B)

Observaţie. După definiţia (1) putem scrie:

p {b /a )= P(B n A )
P(A)
şi deducem: P(A n ß ) = P(B) P(AIB) = P(A) ■P(B/A)
Relaţia (1) care defineşte probabilitatea condiţionată şi pe care am justificat-
o cu ajutorul axiomelor probabilităţii poate fi obţinută şi prin intermediul definiţiei
209
clasice a probabilităţii.
Să presupunem că din cele n cazuri posibile ale unei experienţe aleatoare, m
cazuri sunt favorabile evenimentului A, p cazuri sunt favorabile lui B, q cazuri sunt
favorabile lui A n B . Din cele m cazuri favorabile lui A, q sunt favorabile lui B sau
ceea ce este tot una, din cele p cazuri favorabile lui B, q sunt favorabile şi lui A.
Avem:
P(A) = — \P(B) = Z -,P (A n B )= l

în ipoteza că A s-a realizat, rămân m cazuri posibile, din acestea q sunt

favorabile lui B deci P{B) = S - . Avem evident:
m
±
— = — sau p (a /B)= - ^ ~ ~ ~ adică definiţia (1),
p P_ P(B)
n
şi de asemenea din egalitatea:

-2- = -^- deducem p {b /A) = ,

m m v ' P(A)
n
b) Independenţa.
Două evenimente A şi B se numesc independente, dacă
P(a η β ) = P(A)· P(B)
Mai general, să considerăm A/,A2,...A„ (n>2) evenimente din K. Spunem că
evenimentele Au i-l,2,...n sunt două câte două sau mutual independente dacă
p(a, n Aj )= P(A; ) · P(Aj )
oricare ar fi irf, i,j=l,2,...,n.
Evenimentele A,·, i=l,2,...,n se numesc independente, dacă pentru orice şir de indici
1 <i/< i2 <...<in< η (1 <k <n) are loc egalitatea:
( k \ *
n A·
J=1 's j=l

210
 Observaţie. Dacă Ai,A2,...An sunt independente atunci sunt şi două câte două
independente, reciproc însă, nu.
Vom demonstra că reciproca nu este adevărată prin contraexemplul dat de
S. Bernstein.
într-o urnă se află patru bile identice numerotate cu numerele 1,2,3,4.
Experienţa aleatoare constă în extragerea la întâmplare a unei bile.
Fie A ev. apariţiei bilei numerotate cu 1 sau cu 2
Fie B ev. apariţiei bilei numerotate cu 1 sau cu 3
Fie C ev. apariţiei bilei numerotate cu 1 sau cu 4.
Avem: P(A) = P(B) = P(C) = 1 + 1 = 1
4 4 2
P( A n B ) = P( A n C ) = P(B n C) = ~ ·^ = ■- deoarece A,B,C sunt
independente două câte două. Deoarece însă
p (An ß n C ) = P (l) = * P(A)· P(B) ■P(C) = ^ evenimentele A,B,C nu sunt
independente în ansamblul lor.
DacâA/,A2,...,A„ sunt evenimente independente, are loc:
(« \
n A : = Ρ(Α1)·Ρ(Α 2)·...·Ρ (Α „),
i=1

formulă cunoscută sub denumirea de regula de înmulţire a probabilităţilor pentru

evenimente independente.
Relaţia P(An ß)= P(A) ·P(BI A) se poate extinde la cazul a n evenimente
A;,A2,...,A„ şi anume:
f n-l Λ . . i n -1 Λ
n A, = P( A, ) ■P(A2 /A, ) · P(A3 /A, n A3 )·... ■P A„/n A,
1=1 " i-l ‘
Vom demonstra relaţia precedentă prin inducţie.
Pentru n=2 relaţia rezultă din definiţia probabilităţii condiţionate.
Presupunem relaţia adevărată pentru η - 1 evenimente adică:
Cn - l ( n-2 N
n A , = Ρ(Αι)·Ρ(Α2/Αι)·...·Ρ A„/ n A,
i=l Λ i=l '

şi să demonstrăm că este adevărată şi pentru n evenimente. în acest scop, notăm

A = n Aj şi avem: P(a n A„ ) = P(A) · P{ A„ /A ).
i-1
/ n- i \ H
Dar A n A„ = o A, o An = r>Aj, deci:
=1
i•-1 1 1

in-1 Λ ( n - l ^ n -l >
n A, = P n A,. •Pt A„ /n A. şi în virtutea ipotezei de inducţie
i=l i=l " i- l ‘

rezultă:
211
 Relaţia precedentă exprimă regula de înmulţire a probabilităţilor
evenimentelor condiţionate.
Exemplu: într-o anumită localitate, în medie, 6 zile dintr-o lună sunt cu cerul
acoperit. Se cere probabilitatea ca în primele trei zile din luna iulie să avem cer
senin.
Notăm cu A,: evenimentul ca ziua i să fie senină (i=l,2,3). Avem de calculat:
4
, , 4s j ^ ^ . ί a \ η/λ ia AS 25 24 23 2300
P(A, n A 2r\Ai )-P (A {)-P(A1 l AX)-P(A3! \ n ^ ) - — ·— ·— -
5
c) Regula de adunare a probabilităţilor pentru evenimente incompatibile şi
compatibile.
Fie evenimentele A/,A2,...An definite pe acelaţi câmp de probabilitate.
Dacă evenimentele sunt două câte două incompatibile atunci probabilitatea
/ n \ f n \ »

reuniunii lor P se calculează cu formula: P V A

i=l i '= l

Dacă evenimentele A i,A2,...A„ sunt compatibile între ele, probabilitatea ca cel

in \
puţin unul dintre ele să se realizeze, adică P se calculează cu formula lui

Poincaré:

M4 ) != Σ p(A<) - Σ p(A‘ n AJ ) + Σ P(A‘ n A j r\Ak) + ..

V ) i=l Kj i<j<k

formulă ce se demonstrează prin inducţie. Ţinând seama că pentru n=2 avem:

P(A, u A2 ) = P(Aj ) + P(A2) - P(Aj n A2) ,
relaţie deja demonstrată, pentru n=3 succesiv
/ A

Axu A2 u A3 = p (A u A3)= P(A) + P(A3) - P(A, n A3) :

p[a. u A3]+ P( A-, ) - p[(A, u A 2 )n A 3]= P(A ,) + P (A ,) - P(A, n A ,) +

-P (A l n A 2)-P (A i n A 3)- P ( A 2 n A 3) + P(A 1 n A 3 n A 2 n A 3) =

=Σ p(A' ) - Σ PA nAJ) +P(At nA2nA^

i=l i<j
Aşa cum am spus printr-un raţionament inductiv se poate arăta că se obţine
formula Poincaré de mai sus.
 în cazul în care evenimentele Ai,A2,...A„ sunt şi independente punând
Pi = P(Ai),p{Ai h a J = pipj\P{Ai n A j n A it)= PiPjPk » etc· formula lui Poincaré
se scrie:

n y γ Σ ^ " Σ ρ -·Ρ;+ Σ λ Λ / Λ " - + (“ 1)"ΛΡ2···Ρ»

V / i= l K J K jc k

Exemple: 1) Dintr-o urnă cu n bile, dintre care a albe, b negre, c roşii şi d

verzi se extrage la întâmplare o bilă. Care este posibilitatea ca bila extrasă să fie
albă sau roşie?
Fie A i,A2 evenimentele ca bila extrasă să fie albă, respectiv roşie. A, şi A2
sunt evenimente incompatibile.
Avem de calculat p (a { u A2)= P(A{) + P(A2) = —+—= a + c
η η n
2) într-un circuit sunt introduse în serie trei rezistenţe. într-un regim de
suprasolicitare, acestea se pot arde respectiv cu probabilităţile 0,02; 0,05 şi 0,01. Să
se calculeze probabilitatea ca circuitul să nu funcţioneze.
Fie Ai, A2, A3 evenimentele ca prima rezistenţă, a doua şi respectiv a treia să
se ardă. Probabilitatea cerută este P(A,uA2uA3) care se calculează cu formula lui
Poincaré pentru n=3 evenimentele Aj,A2iA3 fiind compatibile şi independente.
P(A, u A2 u A3) = P(A,) + P(A2) + Ρ{Α3)-Ρ { Α λ)·Ρ{Α2) -
- P(At) · P(A3) - P(A2) ·P(A3) + P(A,) ■P(A2) · P(A3)
unde P(A,) = 0,02, P(A2) = 0,05, Ρ(Λ3) = 0,01
Problema precedentă poate fi generalizată astfel: Fie sistemul de evenimente
independente:{A,,A2,...Ar}, şi sistemul de evenimente opuse:{Ăi,A 2,...Ar}, care
este format de asemenea din evenimente independente.
Evenimentul A1u A 2 u ...u A r semnifică faptul că se realizează cel puţin
unul dintre evenimentele Ah A2,... Ar iar evenimentul Ai n A i n . . . n Ar înseamnă
că se produc toate opusele Ai, A 2 ,...Ar deci nu se produce nici un Λ, (i-l,2,...r).
r r
Rezultă deci că evenimentul u A,· şi n A ; sunt evenimente opuse şi deci:
/=! /'=!

■l· p i n Ai = 1 de unde:
l M )

= 1 -/ | η Α · = ι - Π ^ · ) = ι - Π ( 1- ρ (Α·))
i=l i=l
Dacă P(Ai) =p 1=1,2,...n, avem în final:

/ | u A ,.j = l - ( l - p ) \

213
 8. Scheme probabilistice clasice

a) Formula probabilităţii totale

Fie Ai,A2,...,An un sistem complet de evenimente. Pentru orice eveniment
Xe K are loc egalitatea

P (X ) = £ P (A ,.)-P (X / A (.)
i=l
numită formula probabilităţii totale.
Pentru demonstrarea formulei, observăm că:

Χ = Χ η Ω = Χ η| u A , = (X n A (X n A2)..(x n An)= u (X η A, )şi ţinând

seama că evenimentele X n A, şi X n Aj sunt incompatibile pentru orice i*j,

obţinem:

P (X ) = / | ù ( X n A j] = £ p ( X n A ,.) .
\1 / i=l
Dar Ρ{χ n A,)= P(A; ) ■P(X /A, ) , deci rezultă formula probabilităţii totale:

P(X) = ^ P ( A i)-P(X/Ai).
i=l
Exemplu: Să considerăm 3 urne identice, cu următoarele compoziţii :
Urna nr. de bile albe nr. de bile negre
u, 1 1
u2 5 3
u3 1 3
Se alege la întâmplare una din urne şi din ea se extrage o bilă. Se cere
probabilitatea ca bila să fie albă.
Soluţie. Se aplică formula probabilităţii totale. Fie X evenimentul ca bila
extrasă să fie albă şi Ak, evenimentul ca bila să provină din urna Uk,
k = Ü . X = (a, η X ) u (Aj η X ) u (a 3 η X ) şi deci:

Ρ (Χ ) = Υ Ρ ( Α 1.)·Ρ(Χ /Α 1.) = - · - + - · - + - · - = —
tÎ 3 2 3 8 3 4 24
b) Formula lui Bayes
Considerând sistemul complet de evenimentele A,,A2,—,An ne propunem să
calculăm probabilităţile p(A; /X ) adică probabilitatea evenimentului A,
condiţionat de X.
Pentru aceasta, folosim relaţia:
P(A,. η X ) = P (X ) ■P(A, /X )= P(A, ) · P(X /A,. ).
De aici, obţinem probabilitatea cerută:

214
 P( )= P W ^ A )
v ' P(X)
şi folosind formula probabilităţii totale, se găseşte relaţia:
* y x ) . « Λ * « !'* ) ,
Ÿ p ( A ) H x /A)
i=l
numită formula lui Bayes.
Exemplu: Trei întreprinderi trimit acelaşi tip de produse la un magazin, în
proporţie de 50%, 30% respectiv 20%. Cele trei întreprinderi dau rebuturi 1%, 3%
respectiv 2%. Produse în valoare de 36 milioane lei s-au dovedit rebuturi. în ce
proporţie trebuie împărţită suma de 36 milioane între cele trei întreprinderi?
Soluţie. Notăm cu A·;, evenimentul ca un produs să provină de la
întreprinderea i, i=l,2,3 şi cu^f: evenimentul ca un produs să fie rebut.
P(Ai)-0,5, P(Az)=0,3, P(A3)=0,2
P(X /A ,) = 0,01 P(X/A2) = 0,03 P(X/A3) = 0,02
Aplicând formulele lui Bayes obţinem:

fx y P ^ - P jx / A ţ ) 5

f /P(Ai) P ( x / A i) 18
i=l
,x y P(/j,)P(X/A,) 9
j^ P W - P iX I A ,) 18
1=1

/xy P(A3)-P(X/A3) 4

f J P(Ai)-P(X/Ai) 18
i=l
Deci sumele imputate fiecărei întreprinderi sunt respectiv:
— ·36 mii. = 10 milioane le i,
18
9
— 36 mil. = 18 milioane le i,
18
4
— 36 mii. = 8 milioane le i.
18
c) Inegalitatea lui Boole
Am văzut că pentru două evenimente compatibile A, şi A2 avem:
P(AXu A2 ) = P(A, ) + P(A2) - P{A, n A2)
Luând pentru P{AXu A2) valoarea sa maximă egală cu 1, obţinem:

215
 P^nA^Pi/g +i W - l η
Analog, considerând evenimentele A3 şi Axn A2 putem scrie
P(A, n A2 n A3)> P(A, n A2) + P(A3) - 1 şi aplicând primului termen din dreapta
din nou inegalitatea (*) avem:
PIA, n A 2 n A 3)> [P(A ,) + P(A2) - 1]+ P( A3) -1

deci P n A , > £ P ( A ) - 2
i=l
i=l
Presupunând inegalitatea valabilă pentru (n-l) evenimente, vom demonstra
că este adevărată şi pentru n.
( n-l i n -1 Λ
PlA; = P n A, n Ai >P n A j + P(An)~ 1,
i=l 1 i'=I '=1
şi în continuare, aplicând ipoteza de inducţie rezultă:

] £ p (A(. ) - ( h - 2) + P(A „) -1,

. i= l

n -l
adică: P n A ;
i=l
i=1
Relaţia obţinută se numeşte inegalitatea lui Boole şi ne dă o limită inferioară
pentru probabilitatea realizării simultane a evenimentelor AhA2.—,An·
Exemplu. Un produs este standard dacă îndeplineşte trei condiţii C/,C2,Cj.
Din 1000 de produse, 92% îndeplinesc Ch 85% Q şi 89% condiţia C3. Să se
calculeze probabilitatea minimă şi maximă ca un produs să fie standard.
Soluţie. Notăm cu A i,A2,A3 evenimentele ca piesa să îndeplinească C/,C2
respectiv C3.
Probabilitatea ca un produs să fie standard este P(At η A2 n A} ). Aplicând
inegalitatea lui Boole, obţinem:
p (A n A2 n A, ) > P( A, ) + P( A3 ) + P( A, ) - 2 =
= 0,92 + 0,85 + 0,89-1 = 0,66
Deoarece A , n A 2 n A 3 c At (v) i = 1,2,3 avem
p (a , n A2 n A3)< min{P(A)}= 0,85 deci
i
p (a, o A j P i A j )e [o,66; 0,85]
d) Schema lui Poisson şi schema lui Bernoulli cu două şi mai multe stări.
Să considerăm o experienţă £ care constă în efectuarea a n experienţe
independente £2,···, <fn,iar Ai,A2,...,A„ n evenimente legate de experienţele £ 1,
£2·—, £n ■Probabilitatea realizării a k (0 < k < n) din cele n evenimente, atunci când
se efectuează £ este coeficientul lui xk din polinomul
Q(x)=(p,x+qi) (p2x +q2) - (P*x+qn)

216
undepi=P(A), q i-1-ρι i-l,2,...,n
Pentru a justifica această afirmaţie ţinem seama că pentru a se realiza k din
cele n evenimente şi deci n-k să nu se realizeze, trebuie să se realizeze un
eveniment de forma:
A = Aiin A ii n ...n A i i n A iM r\Ail+1 n ...n A in unde ii,i2,'...in este o
permutare a indicilor 1,2,...ti. Probabilitatea evenimentului A este
P{A) = phph...pitqiM...qin
unde am notat P { \ ) = ph, P(A,2) = ph, P(A,t+1) = ...P(Ăin) = q^ .
Rezultă că evenimentul a cărui probabilitate ne interesează este
ρΛ Κ ) = Σ ρ < ιρ >
ι ···ρ ,^ % . · · · %
suma luându-se după toate permutările indicilor 1,2,...n.
Aceasta revine însă la a calcula coeficientul lui xkdin polinomul
Q(x) = (p,x+q,)(p2x+qi)...(pnx+qrj
Această schemă se numeşte schema lui Poisson.
Exemplu. într-un lot de produse 5% sunt defecte,în al doilea 6%, în al treilea
3%. Se extrage câte un produs din fiecare lot şi se cere probabilitatea ca din trei
produse extrase unul singur să fie defect.
Avem: p t-0,05; p2-0,06; ps-0,03; qi=0,95; q2=0,94; q}-0,97.
Probabilitatea cerută este coeficientul lui t din produsul (0,05t+0,95)
(0,06t+0,94)(0,03t+0,97) adică:
0,05-0,94-0,97-K), 06-0,95 -0,97+0,03 0,95-0,94=0,13.
Fie acum o experienţă £ şi A un eveniment, care se realizează cu
probabilitatea p la o efectuare a experienţei. în aceste condiţii probabilitatea ca
evenimentul A să se realizeze de k ori şi de n-k ori să nu se realizeze când este
efectuată de n ori experienţa £, este egală cu Ck npkqn~k, (q = 1 - p). Această
schemă probabilistică se numeşte schema lui Bernoulli cu două stărişi este un caz
particular al schemei lui Poisson.
într-adevăr, dacă la schema lui Poisson considerăm că cele n experienţe//,
£2·—. £n constau în repetarea în aceleaşi condiţii a experienţei £, atunci
evenimentul considerat se realizează cu aceeaşi probabilitate p în fiecare din cele n
experienţe,adicăpi~p2=...=pn-p şi de asemenea qt=q2-...=qn=q=l-p.
Rezultă că probabilitatea ca acest eveniment să se realizeze de k ori şi de n-k
să nu se realizeze este coeficientul lui xkdin polinomul
(px + q\px + q)...(px + q)=(px + qy adică este egală cu Pn(k) = Ckp kq"~k
'------------------V----------------- '
n factori
Atunci când aplicăm schema lui Bernoulli, trebuie să ne fie clar car4e este
experienţa ce se repetă, care este evenimentul pe care-1 aşteptăm în fiecare probă şi
care este probabilitatea acestui eveniment când se efectuează o singură dată
experienţa.

217
 Deoarece P„(k) este chiar coeficientul lui xk din dezvoltarea binomului
(px+q)n, această schemă se mai numeşte şi schema binomială.
Schema lui Bernoulli se poate realiza cu ajutorul unei urne cu bile de două
culori, din care se poate extrage pe rând câte o bilă, de fiecare dată punându-se bila
extrasă înapoi în urnă, de aceea este cunoscută şi sub numele de scheme bilei
revenite.
Exemple·. 1) Probabilitatea nimeririi într-o ţintă la o singură tragere este
p=0,8 . Să se calculeze probabilitatea ca în şase trageri consecutive ţinta să fie
nimerită de 5 ori.
Fie A evenimentul ca ţinta să fie nimerită la o tragere. Deci P(A)=p=0,8
constantă în fiecare tragere şi p (Ă )= l-p = 0,2 probabilitatea de a nu nimeri.
Avem n=6, k=5 şi deci probabilitatea căutată este
P6 5 = C lp 5q{ = Cl (0,8)5(0,2) = 0,3932
2) într-o urnă sunt 4 bile albe şi 2 bile negre. Se fac 8 extrageri succesive c
revenirea bilei în urnă după fiecare extragere. Se cere probabilitatea de a obţine de
4 ori bila albă.
4 2
Fie A: evenimentul apariţiei bilei albe. Avem P(A) = —= —= p

p (ă )= ş = 1 , n = 8, k = 4 deci calculăm

8!
P&A = C ep4? 4 = c i
4!-4! 6561
Să considerăm acum cazul mai general al schemei lui Bernoulli cu mai multe
stări, când în urnă sunt bile de s culori şi se fac n experienţe cu revenire. La fiecare
extragere poate să apară numai unul dintre evenimentele A/,A2,...,AS care formează
un sistem complet de evenimente, Ai fiind evenimentul bilei de culoarea

i = (: = 1, s). Notând p{ = P(A), avem ^ Pi ~ 1 ·

1=1

Probabilitatea ca în cele n extrageri, evenimentul A, (bila de culoarea 1 să

apară de nt ori, evenimentul A2 (bila de culoarea 2) să apară de n2 ori,...,
evenimentul As (bila de culoarea s) să apară de ns ori este

P{n\nx,n2,...,ns)= ——--------p ? p ? ...p? =n

nx.n2...jis. ;=l
Exemplu. Se aruncă un zar de 12 ori. Se cere probabilitatea ca fiecare faţă să
apară de 2 ori.
Definim Ak: evenimentul apariţiei feţei cu k puncte k = 1,6
1
P\ - P2 - ·■■~ Pe —T

218
 η = 12, η ,= η 2 =... = η6 = 2 Probabilitatea cerută este:
12! f l 2 12!
n i / jV 2
Ρ(12; 2,2.....2)=
2Î2L.2! \6 26
e) Schema bilei nerevenite cu două şi mai multe stări
într-o urnă sunta bile albe şi b bile negre. Din această urnă se extrag consecu­
tiv n bile (n < a+b) fară întoarcerea bilei extrase în urnă (ceea ce este echivalent
cu a extrage deodată n bile). Probabilitatea ca din cele n bile extrase x să fie
albe şi restul de n-x negre este:
C xa / -*n-x
b
cn '•'a+b
Dacă în urnă sunt bile de m culori, n, de culoarea cly n2 de culoarea c2,...,nm
de culoarea cm şi se extrag « bile (n < ni+n2+...+nm) atunci probabilitatea de a
obţine xt bile de culoarea c/, x2 bile de culoarea c2,...jcm bile de culoarea cm
(xj+x2+... +xm=n) este:
c «1
x,c "x\..cx
2 nmm
C"
v-'fli+n2+...+nm

într-adevăr, pentru cazul urnei cu bile de 2 culori, numărul cazurilor posibile

este Câ+b. Un grup de x bile albe dintr-un total de a poate fi luat în C~a moduri,
pentru fiecare din aceste moduri existând C£~x moduri de a lua n-x bile negre din
totalul de n. Deci numărul cazurilor favorabile este C*C£~X şi astfel se obţine
formula probabilităţii în cazul schemei bilei nerevenite cu două stări (m=2). în
situaţia când în urnă sunt bile de m culori (m>2) raţionamentul este absolut analog.
Exemple. 1) într-o magazie se găsesc 1200 piese dintre care 30 sunt defecte.
Care este probabilitatea ca o comandă de 155 de piese să cuprindă 145 piese bune?
Conform schemei bilei nerevenite cu două stări (este vorba despre piese
bune sau defecte) avem:
a - 1170 piese bune
b = 30 piese defecte
x s-* 145 y^ilO
n=155 = n
= i>m_±3L
C a+b ✓-.155
^1200
x=145
2) La un concurs se prezintă 12 concurenţi dintre care 6 americani, 4
francezi şi 2 italieni. Prin tragere la sorţi, cei 12 concurenţi sunt împărţiţi în grupuri
de câte 4, fiecare grupă urmând să susţină probele de concurs într-o zi. Care este
probabilitatea ca în prima zi să concureze 3 americani şi 1 francez?

219
 C,42 _12!_ 9 10-11 12 9 10-11-12 99
41-8! 1-2-3-4
f) Problema concordanţelor
O urnă conţine n bile numerotate l,2,...,n. Se fac extrageri succesive fără a
pune bila înapoi în urma golirii urnei. Se cere probabilitatea obţinerii cel puţin a
unei concordanţe. Prin concordanţă înţelegem evenimentul ca la extragerea „f ’ să
obţinem exact bila numerotată cu i.
Soluţie. Fie At: evenimentul obţinerii unei concordanţe la extragerea de rang
i, (V) i-l,2,...,n.
Avem de calculat P(At u A2 <j ...kj A„) unde evenimentele At sunt
compatibile, deci se aplică formula lui Poincaré.
p{Al u A 2 v ... u A n)= % P (A i)-'£ p (A i n A J ) + f J P{Ai n A j n A k)+
i<j<k

η! n
într-adevăr, sunt nl moduri egal posibile, diferite, de extragere a celor n bile şi
deoarece una dintre ele este extrasă exact la extragerea cu numărul de pe bilă, avem
(n-l)! cazuri favorabile (celelalte n-l bile pot fi extrase în (n-l)! moduri la cele n-l
extrageri rămase).

, ( V ) iJ ,k c u i< j< k ,

Deci, probabilitatea cerută este:

220
 §2. Variabile aleatoare

1. Variabile aleatoare unidimensionale discrete şi continue

Am văzut că evenimentele unui câmp de evenimente sunt legate de un
experiment aleator. Cele mai multe dintre evenimentele considerate, se referă la
anumite mărimi legate de experimentul aleator, mărimi care iau valori în funcţie de
rezultatul întâmplător al experimentului. Realizarea unui astfel de eveniment
înseamnă luarea de către mărimea corespunzătoare, a unei valori date sau a unei
valori dintr-o mulţime dată.
Exemplu. Experienţa aleatoare: aruncarea unui zar şi următoarele evenimente
legate de această experienţă:
A: apariţia feţei cu trei puncte;
B: apariţia feţei cu un număr de puncte < 3;
C: apariţia unei din feţele 2, 3, 4;
D: apariţia unui număr par de puncte;
E: apariţia uneia din feţele 1, 2, 5.
Se observă că fiecare dintre aceste evenimente se referă la numărul de
puncte care apar la o aruncare a zarului (mărimea la care se referă evenimentele
considerate mai sus).
Să notăm cu X acest număr (această mărime). Cu această notaţie
evenimentele precedente se scriu:
A = {X = 3}, B = {X < 3}, C = {2 < X < 4}, D = {X e {2,4,6}},
£ = {*€{1,2,5}}
De asemenea mai putem scrie:
Ac ={X * 3},B C = { X > 3 } ,S u C = { X < 4 } ,fln D = {X=2}.
Mărimea Xt legată de experienţa aruncării zarului care ia valori în funcţie de
rezultatul întâmplător al experienţei aleatoare este o variabilă aleatoare.
Valorile posibile ale v.a. X sunt 1,2,3,4,5,6. Variabila aleatoare care ia un
număr fin it de valori se numeşte v.a. simplă.
Există v.a. care iau o mulţime numărabilă de valori. Ex.: Se aruncă o
monedă până la prima apariţie a stemei. Notăm cu X numărul de aruncări până la
prima stemă apărută. Valori posibile ale lui A": 1,2,3,...
Variabilele aleatoare care iau o mulţime finită sau numărabilă de valori
posibile se numesc variabile aleatoare discrete.
Variabila aleatoare a cărei mulţime de valori posibile este un interval al
dreptei reale (nu neapărat mărginit) se numeşte variabilă aleatoare continuă.
Exemplele prezentate ne conduc la observaţia că dacă Ω este mulţimea
rezultatelor posibile ale unei experienţe aleatoare, atunci X este o aplicaţie pe
Ω—>R, adică X ^ -> R .
Pentru studiul unei variabile aleatoare nu este suficientă numai cunoaşterea
mulţimii valorilor posibile ci este necesar să se cunoască şi probabilităţile cu care
v.a. ia fiecare din aceste valori.
221
 Vom nota schematic o v.a. discretă printr-un tablou cu două linii: prima linie
conţine valori posibile ale variabilei, iar linia a doua probabilităţi corespunzătoare
fiecărei valori. în exemplele noastre:
/ 1 Q \

X: ,X = m . de steme ce apar la o aruncare cu banul,

1 2 3 4 5 6 1 2 3 ... k
X :
1/6 1/6 1/6 1/6 1/6 1/6 V i y* x· ... x·
Vom numi lege de probabilitate sau repartiţie a variabilei aleatoare
discrete această corespondenţă între valorile posibile ale v.a. şi probabilităţile
corespunzătoare. Evident că suma probabilităţilor din linia a doua a tabelelor = 1.
în general scriem:

. X: pk >0, k=\,2 ,.,.,η;

[Pi P2 Pn

Σ λ =>
k=\
sau
2
X: pk >0, k = l,2,...,n;
P\ P2 Pn

*=i
în cazul v.a. de tip continuu, legea de probabilitate este corespondenţa dintre
intervalele dreptei reale şi probabilităţile corespunzătoare acestor intervale:
I —» P (X e I), X v.a., I c R interval.
Aceasta, deoarece valorile posibile ale unei astfel de v.a. nu mai pot fi scrise
într-un şir şi în plus aşa cum se va arăta P(X=x), x e R dacă X este continuă.
Cu aceste noţiuni putem da o definiţie matematică a variabilei aleatoare care
trebuie să permită să se lucreze cu probabilităţi de forma:P(X=x), P(X<x),
P(x<X<b), P(X>x).
Suntem conduşi la următoarea definiţie:
Se numeşte v.a. variabilă aleatoare {v.a.) reală pe câmpul de evenimente
(Ω,Κ) orice aplicaţie Χ. Ω—^Rpentru care:
{û>: X(ct))e /}e K ,
oricare ar f i intervalul I al dreptei reale.
într-adevăr, pentru a putea vorbi de P(a<X<b) de exemplu, trebuie ca
{α < X < b}= {to : Χ (ω )ε {a,b)} să aparţină domeniului de definiţie al lui P, adică

222
lui K, altfel spus ca {X (ω ) e /} să fie eveniment.
Dăm un exemplu din care să se înţeleagă mai bine definiţia de mai sus.
Persoanele A şi B aruncă pe rând un zar. Se acordă celui care aruncă zarul:
1 punct dacă apare una din feţele 1,2;
2 puncte dacă apare una din feţele 3,4;
3 puncte dacă apare una din feţele 5,6.
Notăm cu X variabila aleatoare care reprezintă numărul de puncte obţinute
de o persoană (de exemplu A) la o aruncare a zarului. Remarcăm că avem de-a face
cu experienţa aleatoare a aruncării zarului la care spaţiul Ω al cazurilor posibile
este:
Ω = {1,2,3,4,5,6}.
Variabila aleatoare X este aşa cum am văzut o aplicaţie: Ω—ïR deoarece X ia
valori reale în funcţie de rezultatul întâmplător al experienţei. Se observă că
x({l})= 1;X({2})= 1;X({3})= 2;X({5})= 3;X({6})= 3
Egalităţile de forma {X = x} sunt evenimente. De exemplu egalitatea X=1
este evenimentul {1,2}, deoarece înţelegem că X=1 este echivalent cu a spune că s-a
realizat evenimentul {l,2}.

Rezultă că P(x = l)= /*({l,2})=|.

La fel P (X =2)= P({3,4})=^; P ( x =3)= P({5,6})=^. Deci repartiţia tabelară a

variabilei X este:
(l 2 3λ
U x xj
Se observă că pentru x*l,2,3, P(X=x)=0 deoarece evenimentul {x = x}= Φ .
Inegalităţile de forma X < x, X < x, X > x, X > x, (x eR ) sunt de asemenea
evenimente astfel:
{X < 2}= {1,2,3,4},{X < l}= Φ;{Χ > l}= {3,4,5,6},{x < 4}= Ω

De aceea de exemplu P ( x < 2)= P({l,2,3,4})= ^ .

2. Operaţii cu variabile aleatoare. Independenţa
a) Va fi vorba aici de variabile aleatoare simple care iau un număr finit d
valori. Dacă X este o variabilă aleatoare şi a e R o constantă, aX este variabila care
ia valoarea ax, când X ia valoarea x,. Dacă X are repatiţia
( x. x2 ... x „ N
; Y J p i =0, p(. >0, p i = P(X =x,·),
[Pi Pi - Pn)
variabila aleatoare aX are repartiţia!

223
 αχ, αχ2 ... αχ„
aX ; pi = P(aX = αχ;).
^ Ρι Ρι - Ρ„ ,
Variabila α+Χ ia valoarea α+χ, când X ia valoarea χ,·, deci repartiţia sa este:
f a + x{ a + x2 ... a + x n>
α +X : ; /?,· = P(a + X = a + x,). ·
Pi P2 - Pn
Fie X şi Y două variabile aleatoare. Vom numi suma lor variabila X+Y care ia
valoarea x,+ty dacă X ia valoarea x, şi Y ia valoarea yr Dacă X şi Y au repartiţiile:
\ m n
1 A2 ··· y\ y2 yn
şi y ; c u Σ ? , =1 Pi * 0 , şi£ < ?;· =1,
v Pi Pi - P„ , <7i Qi
atunci X+y are repartiţia:

x +y
'x\ +y\ x2+yz - xi+yj - xm+y»
P il Pl2 ··■ Pij ·■· Pmn
unde pij (1 <i <m; 1 < j <n) este probabilitatea evenimentului:

{X = xt) n (y = y j ) iar £ £ p , y = 1
i= l j=\

Definiţia pe care am dat-o sumei a+X (ae R) rezultă din definiţia sumei X+Y, dacă

considerăm F s a c a o variabilă aleatoare cu repartiţia

V1 y
Produsul XY al variabilelor X şi Y este variabila care ia valoarea x ^ când
X=Xi şi y=y„ Dacă X şi Y au repartiţiile

X ,γ ·
V i = 1,2,...m, j = 1,2,...«, £ p ; = 1, = 1,
I P I) 9j
variabila XY are repartiţia
\
W j
XY - Σ Σ ^ =1>
Pij ) i”1 ;'=i
iar pij are semnificaţia de mai înainte.
Produsul <xY fa e Pj se obţine din această definiţie dacă luăm Y=a. De
asemenea este uşor de observat că variabila 2X coincide cu variabila X+X. Mai
general
kX = X + X + ... + X ,(ke N)
kori
Puterea r e Z a variabilei aleatoare simple X este variabila X care ia valoarea
xf dacă X ia valoarea x,·. Dacă repartiţia variabilei X este

224
 n
l· Σ λ - 1 .
i Pi P2 Pn (=1
atunci repartiţia variabilei X este
x rf x[ x r2 ■
Λ
n
«
. Σ λ - ι
KP\ P2 · Pn i=I

unde Pf = P{X = *,·)= p {x ' = x\ ) i = 1,2,...«

Vom numi inversa variabilei aleatoare X care ia valori nenule, variabila —

Z
care ia valoarea — când X ia valoarea x,·.

Acesta este un caz particular al puterii X pentru r = -1. Avem:

1 1
j r 1- — Y j P i = 1 X , * 0 (v) i = l,«
i=l
P 1 Pi - Pn,

1 1'
şi Pi =P(X = X.)= P , 1 = 1, n.

Fiind date două variabile aleatoare X şi Y astfel ca Y să nu ia valori egale cu

X x
zero, vom numi raportul lor variabile — care ia valoarea — când X ia valoarea x,
Y yj
şi Y ia valoarea yj.
X
Repartiţia variabilei aleatoare — este

ii. iL h. m
X
Y
yi y2 yj yn Σ Σ ^ =1
i= l 7=1
Pn P 22 Pa Pmn

Py = ρ ( [ τ = ι ( λ 7 = ^ } y j * 0 j = l,n
b) Independenţa a două variabile aleatoare simple
Atât în problemele teoretice cât şi practice suntem conduşi să considerăm
împreună perechi de variabile aleatoare care iau valori independent una de cealaltă
sau mai precis probabilitatea ca una din variabile să ia o anumită valoare nu
depinde de faptul că cealaltă a luat o anumită valoare.
Rezultă că dacă X şi Y sunt astfel de variabile aleatoare, atunci două
evenimente de forma {X = x,},{^ = yj\ sunt independente şi vom spune că
variabilele X şi Y sunt independente . Aceste consideraţii sunt valabile şi în cazul

225
mai multor variabile aleatoare. Deducem următoarea:
Definiţie. Variabilele aleatoare simple X,Y,...V sunt independente dacă
evenimentele {X = xt},{/ = y } = vk} sunt independente în totalitatea lor.
fx ^ ( y ^ ^
Dacă variabilele X , Y J , £ Pi ~ Σ =
<P‘ ) [ qJ ) ‘=1 J=l
sunt independente, atunci:
p„ = P({X =x, }n {r =y, })=P(X =», )■p(r =y,)= ρΛ,
Observaţie. Operaţiile cu variabile aleatoare simple definite mai sus, ca
adunarea şi înmulţirea pot fi extinse la un număr oarecare finit de variabile
aleatoare şi de asemenea proprietatea de independenţă.
Este util să scoatem în evidenţă o legătură între numerele Pi,qj,Pÿ. Efectuând
experienţa de care sunt legate cele două variabile aleatoare X şi Y, variabila Y ia în
mod sigur una din valorile yi,y2,---yn· Dacă X ia valoarea xt înseamnă că
evenimentul X=xt se realizează împreună cu unul din evenimentele:
{y = yi W =y2}.-{y = yn}· Putem scrie:
{X = xi}={X = xiJ = y {} v { X = xiJ = y 2} v ...u { X = xi,Y = y n},
de unde în baza incompatibilităţii evenimentelor ce se reunesc putem scrie:

pl =p(X =xl) = jj P{x =xl,Y =yJ)~'£pt .

j= i 7=1
La fel se arată că:
/ m / \ m
qj = P{Y = y j )= % P {X = x,,Y = V j)= £ Pij .
i=l 1=1
Se poate arăta că dacă X, Y sunt v.a. în sensul definiţiei de mai sus, atunci aX,
X+Y, a+X, X-Y, X , X-Y, γ - (Υ(ω)*0) sunt variabile aleatoare.
Pentru v.a. simplă (discretă) se pot scrie repartiţiile tabelare ale acestor v.a.

Σ λ =>.
Pn 1*1
m
ym
Σ ^ · =1’
‘Im (=1

C=

Este uşor de văzut că pentru a cunoaşte probabilitatea tuturor evenimentelor

de forma {X e /} unde I este un interval al dreptei reale, este suficient să
cunoaştem probabilitatea evenimentelor de forma {X <x},(y)xG R.
Definiţie. Se numeşte funcţie de repartiţie a v.a. X, aplicaţia F:R—>[0,1] dată
226
de:
F(x)=P(X<x).
Orice funcţie de repartiţie are proprietăţile:
1) (v)x, ,x2 6 R,xx < x2 => F (x,)< F( x2) (nedescrescătoare pe R),
2 ) F ( - oo)= Hm F(x) = 0,F(+°°) = lim F (x ) = l ;
X —» -« > x —>°°

3 )F (x 0 —0)= lim F(x) = F (x 0) este continuă la stânga (v)x0 e R.

x-*x0
x<x0
Nu vom da demonstraţia tuturor proprietăţilor. Avem pentru 1), deoarece x2 > X/
evenimentul X <x2 se scrie:
X < x2 ={X c x j u f o < X <x2),
unde evenimentele ce se reunesc sunt incompatibile.
Prin urmare:
P(X <x2) = P(X < x, )+/*(*, < X <x2),
de unde
F ( x2) - F ( x,)= P ( x1< X < x2)> 0 ,
deci
F( x2) - F ( x,)> 0 şi F (x ,)< F (x 2).
Mai departe dacă valorile posibile ale v.a. X aparţin intervalului [a,b] atunci
F(x)=0 dacă x <a şi F(x)-1 dacă x > b. într-adevăr dacă xj<a evenimentul X<xt
este imposibil (deoarece X nu ia valori mai mici ca a) şi deci F(X])-P(X < Xl) =0
dacă x2> b evenimentul X <x2 este sigur (deoarece X nu ia valori mai mari ca b) şi
F(x2)=P(X < X2) —1 ■O consecinţă imediată a acestei proprietăţi este:
lim F (x ) = 0 şi lim F (x ) = l.
X->-ee x-*x>
Deoarece F(x) este monotonă şi mărginită între 0 şi 1 graficul funcţiei
y=F(x) are două asimtote orizontaley=0 cândx—>-■»şiy - 1 cândx—
Pentru o v.a. continuă X, graficul funcţiei de repartiţie F(x) este cel din

227
 Pentru variabila aleatoare discretă, funcţia de repartiţie are expresia:
F(x) = P(X<x)='ŞJP(xi),
X f< X

adică egală cu suma probabilităţilor valorilor x,· ale v.a. X mai mici decât valoarea
dată x.
în intervalul dintre două valori consecutive, funcţia F(x) definită de relaţia de
mai sus este constantă. în punctele x, care sunt valorile posibile ale v.a. X, funcţia
este discontinuă având un salt egal cu Pi-P(xj).
Graficul funcţiei de repartiţie F(x) pentru o v.a. discretă este un grafic în scară.
Astfel pentru v.a. discretă X cu repartiţia:
JO 1 3 4 ^
0,1 0,3 0,2 0,4
funcţia de repartiţie este:
0 pentru x < 0
0,1 pentru 0 < x < l
F (x ) = 0,4 pentru l< x < 3
0,6 pentru 3 < x < 4
1 pentru x > 4,
iar graficul este cel din figură:

Pentru multe v.a. de tip continuu ce apar în practică legea de probabilitate

este exprimată prin densitatea de repartiţie (densitatea de probabilitate).
Definiţie. Spunem că v.a. X are o densitate de repartiţie, dacă există o
aplicaţie f:R —>[0,°°] astfel ca:

F (x ) = ]f( t)d t,

unde F este funcţia de repartiţie a v.a. X. Funcţia / se numeşte densitate de

repartiţie a repartiţiei v.a. X.
228
 Proprietăţi:
l°/ (jc)> 0, ( v ) x e Ä ;

2° / / (* )& = 1.
—oo

Presupunând că F este derivabilă pe R în acest caz f=F’ sau altfel spus F este
o primitivă a lui f. Atunci: v
b
J f(x)dx = F(b) - F (a) = P {a< X < b )
a
relaţie care permite calculul probabilităţilor ca variabila aleatoare continuă X să
aparţină intervalului (a,b), cu ajutorul densităţii de repartiţie f sau al funcţiei de
repartiţie F.
Vom ilustra în continuare prin grafice, interpretările geometrice ale
noţiunilor introduse mai sus în legătură cu o v.a. continuă.
Faptul că densitatea de repartiţie f(x)>0, (V) xe R, (proprietatea 1°) graficul
lui f(x) se va afla deasupra axei Ox într-un sistem xOy ca în figură:

Proprietatea 2° semnifică faptul că aria haşurată de sub graficul densităţii

f(x) este egală cu unitatea adică:
-H»
J/(x)<& = 1.
 fOO

De asemenea, din definiţia funcţiei de repartiţie F(x) = | f(t)dt deducem că

F(x)=P(X< x) este probabilitatea ca v.a. X să ia valori mai mici ca xe R şi este

egală cu aria haşurată din fig. 5:

Fig. 5
în consecinţă P(X >x) = l- P ( X < x ) - l - F ( x ) este reprezentată de aria

în sfârşit P{xy < X < x2 )= F(x2 ) - F (xi ) este aria haşurată din figura 7:

încheiem cele prezentate în legătură cu variabila continuă unidimensională,

cu demonstrarea proprietăţii că probabilitatea P(X=a) ca variabila continuă X să ia
exact o valoare a este egală cu 0. Pentru aceasta să calculăm probabilitatea
evenimentului a < X < β, α,β e R, a<ß. Vom exprima această probabilitate cu

230
ajutorul funcţiei de repartiţie F(x) a variabilei X. în acest scop vom considera
următoarele trei evenimente:
- evenimentul A care constă In faptul că X < β ;
- evenimentul B care constă în faptul că X < a ;
- evenimentul C care constă în faptul că a <X < β .
Dar A=BuC iar Βη€=Φ adică B şi C sunt incompatibile. în baza regulei de
adunare a probabilităţilor avem succesiv:
P(A) -P(BuC)=P(B) +P(C),
P(X < β)=Ρ(Χ < a)+P(a <X < β) sau
F(ß)=F(a)+P(a <X < β),
de unde P (a <X < ß)=F(ß)-F(a).
Trecând la limită pentru β—>a se obţine
P{X = cc)= lim P (cc< X < ß)= lim[F(ß) - F ( a ) ] .
ß-*a β-*α
Valoarea acestei limite depinde de faptul dacă funcţia de repartiţie F(x) este
continuă sau nu în punctul a.
Dacă în punctul a funcţia F(x) este discontinuă, limita probabilităţii
P(oc<X<ß) este egală cu valoarea saltului funcţiei F(x) în punctul a . Dacă însă
funcţia F(x) este continuă în punctul a, această limită este egală cu zero. în cele ce
urmează vom spune că o variabilă aleatoare este continuă dacă funcţia ei de
repartiţie este continuă peste tot. Proprietatea demonstrată se mai poate formula:
Probabilitatea unei valori oarecare a unei variabile continue este nulă.
Exerciţii'.
1. Probabilitatea extragerii unei piese stas dintr-un lot este p. Din acest lot se
fac două extrageri, punându-se după prima extragere piesa înapoi în lot. Se
consideră variabilele aleatoare A" şi Y.Xreprezentând numărul de piese stas ieşite la
prima extragere, iar a doua numărul de piese stas ieşite la a doua extragere. Să se
scrie repartiţia sumei şi produsul celor două variabile.
Rezolvare·. Evident X şi Y sunt independente şi au repartiţiile:
0' Ί o"
p , Y= p +q = 1
[»
Conform definiţiei sumei variabilelor aleatoare scriem:
0 + 1 1+ 0 0 + 1 0 + 0λ
X +Y
pp pq <
jp qq
sau
' 2 1 0Ϊ
X +Y „2
\P2 2 pq q- /
Variabila aleatoare X+Y reprezintă numărul de bile albe apărute în cele două
extrageri din urnă.
Pentru repartiţia produsului obţinem:
231
 (1-1 10 01 0-0
XY
[p p pq qp μ

ο 1ϊ
XYI
2pq + q2 p 2
2. Variabila aleatoare X are repartiţia:
J - 1 0 1'

x y* κ X)
Să se scrie repartiţiile variabilelor X1, X+X1, X+X?.
Rezolvare. Dacă X= - 1 , atuncLY^=7. Dacă X=0 atunci X*=0 iar dacă X=1
atunci X !=11.
Rezultă că X* ia valorile 0 şi 1. Putem scrie
\ χ 2 = ι}= {X = i}u {X = -l}, \x '2 = θ}= {X = 0}

şi deci P {X 2 = l)= P (X = 1)+ P{X = - l ) =| 1 =| .

Repartiţia lui X2 este:
( 0 \\

x {%X;
Dacă X= - 1 , atunci X2 = / şi deci X+X = 0.
La fel X —0 =^)^=0 ==>X+X? =0 =$
X=1 =>X?=1 =*X+X?=2.
Repartiţia variabilei X + X 2 este:
/O 2 Λ
X +X 2
Ικ k J
Raţionând analog obţinem:
-2 0 2N
χ + χΛ
h k ;
Repartiţia lui X2 se poate obţine pe baza definiţiei produsului variabilelor
aleatoare ţinând seama câX2=XX. într-adevăr, cei doi factori ai produsului X X iau
fiecare valorile -1,0,1 dar este evident că de exemplu
{X = -l}n{A · = -l}= {X = —l},
sau
{ * = - ΐ} η { * = θ}=Φ
La fel repartiţia variabilei X+X2 rezultă din definiţia sumei de variabile
aleatoare.

232
 Variabila X ia valorile -1,0,1, iar X1 ia valorile 0 şi 1. Dar şi acum nu orice
valoare a primei variabile poate fi luată împreună cu orice valoare a celei de a doua
variabile. Astfel:
{X = -l} n {X = 0}= 0 ,
adică nu putem avea în acelaşi timp X= -1 şi Xs =0.
3. Variabila aleatoare X are repartiţia:
f 1 2 3
„2 7 1 1
4P 3 6j
Se cere P(X< 3).
1 1 1 _
—+ 1 rezultă valoarea admisibilă
~
Ap + 3 6~

Repartiţia v.a. X se scrie

2 3
7 1 1
16 3 6,
Evenimentul
{X £ 3}= {X = l} u {X = 2}u {X = 3}.

i> (xs3)= /> (jr = i) + p ( jr = 2 ) + / > ( x = 3 ) = ^ + ^ + i= | .

Se mai poate raţiona şi astfel:
P(X < 3)= \ -P (X = 4 ) = 1 - 1 = —
6 6
4. Variabilele aleatoare independente X şi Y au repartiţiile:
-1 0 1 0 1
(p+y6 xj '[K i2p2j
Să se scrie repartiţia variabilei X-Y.
Rezolvare. Din condiţiile
1 1 1 ,
p + —+q+—+—= l
6 3 3
^ + 2 p -q + l2 p 2 =1

Obţinem
(-1 o Γ V
'-10 Γ
, y
[ x X X, κ y ,
şi conform tabelului de mai jos deducem

233
 X Y XY P(XY= -1)=Ρ(Χ= -1, Υ=1)+Ρ(Χ=1,Υ= -1)--
-1 -1 1 =Ρ(Χ= -1)Ρ(Υ=1)+Ρ(Χ=1)Ρ(Υ= - 1)=
_ ι ,1 + 1 .1 = 1
0 0
~ 3 3 3 3 9'
1 -1
0 -1 0 Analog
Ρ(ΧΥ=0)=Ρ(Χ=-1, Υ=0) +Ρ(Χ=0, Υ=0)+
0 0 +Ρ(Χ=0, 7= -1)+Ρ(Χ=0, Υ=1)+
1 0 +Ρ(Χ=Ι, γ = ο ;= Ι + 1 + Ι + Ι + Ι = 1 .
’ y 9 9 9 9 9 9
1 -1 -1
Ρ(ΧΥ=1)=Ρ(Χ= -1, 7= -1) +Ρ(Χ=1, Υ=1)=
0 0
- 1 1= 2
1 1 9 +9 9'

Rezultă repartiţia variabilei XY:

"-10 Γ

Miy,
5. Se consideră variabilele independente
y, y,,

r-1 ο η ί- ι ο η
U x x j U x x j
Să se scrie repartiţia variabilei X*+Y*
Rezolvare. Avem
χ 2(ο n 2f 0 n
U k J- U kJ
Se observă că variabila X*+Y* ia valorile 0 ,1 ,2 . Ţinând cont că A* şi 3^ sunt
v.a. independente rezultă :
2 2f 0 2Ί
X 2 +Y2 ί/ 4/ -
1/9 A )
6. a) Să se determine a,b,c astfel ca funcţia
a dacă x^O
F (x ) = ■bx2 dacă 0 < x < l
c dacă x > l
să fie funcţie de repartiţie.
Avem F(-°°)=a=0 şi F(+oo)=c-l. Deoarece F este continuă

234
 3. Caracteristici numerice ale variabilelor aleatoare
î , Cazul variabilelor aleatoare unidimensionale
Media variabilelor aleatoare. Fie {Ω,ΛΓ,Ρ} un câmp de probabilitate şi
Χ. Ω—ïR o variabilă aleatoare.
Definiţie. Se numeşte media variabilei aleatoare X,numărul
Μ (Χ) = Σ χιΡ, (1)
te/
unde / este o mulţime de indici cel mult numărabilă, iar variabila aleatoare discretă

X are repartiţia X i Pi £ 0 ,/ ε / , ^ Ρ ί =1 şi
\PtJ *e/
■H*·

M (X )= jx f(x )d x , (2)

dacă X este variabila aleatoare continuă cu densitatea de repartiţie / continuă şi

integrala improprie are sens (este convergentă).

Exemplul Γ. Fie X variabila aleatoare care reprezintă numărul de unităţi ce

sosesc în unitatea de timp într-un sistem de aşteptare (în fir sau la servire).
Variabila aleatoare X este discretă şi are repartiţia

ρ(χΛ ) = ζ~λ —- , x =0,1,2...

x!
numită repartiţia Poisson. Avem:

Μ (X ) = ^ χ ρ ( χ , λ ) = Σ χβ * = he~XeX = λ
jc=0 *=0 ■*· λγ=1 ■*·

λχ
deoarece: £ — = ex .
x=l -*■·
Deci media variabilei aleatoare X este parametru Λ al repartiţiei şi reprezintă
numărul mediu de unităţi ce sosesc în sistemul de aşteptare în unitatea de timp.
Exemplul 2°. Fie X variabila aleatoare care reprezintă diirata de funcţionare
fară defectare a unui element sau unei aparaturi a cărei densitate de repartiţie este
/(χ,μ) = μβ~μχ χ > 0 ,μ > 0
Durata medie fără defectare este M(X) dată de
•fee +00
M (X) = J xţie^dx = μ J xe^ d x = - .
o *
Să considerăm acum variabila aleatoare vectorială Z—(X, }):Q—*R2 şi funcţia
(p:D->R2, D-Z(Q)czR2.
236
 Definim υ~φ(Ζ) variabila aleatoare pentru care are loc propoziţia:
Dacă Z are o repartiţie discretă adică
Ζ(Ω) = I xn yt) e R 2/X = xt,Y = y j,i = 1,2 = 1,2,...,«))
atunci prin definiţie:
M(U) = Σ Σ < ρ (χ^ Μ (3>
/ j
m n
în care py = P (X = x„Y = y j) şi Σ Σ ? ν = L
i=l j =1
Dacă vectorul aleator Z-(X, Y) are densitatea de repartiţie f(x,y) continuă de
D, atunci prin definiţie:
+eo

M(U) = M[<p{x,Y)h jj<p(x,y)f(x,y)dxdy (4)

Proprietăţile mediei:
1° M(C) = C (C o constantă reală);
2° M(CX) = CM(X), (C constantă reală);
3° M(X+Î9 = MfA? +
4° A/fX-r; = M(X) ·Μ(Υ), X, Y independente.
Să demonstrăm propriatăţile 3° şi 4°.
3°. Fie f(x,y) densitatea vectorului Z=(X,Y) şi fi(x),fi(y) densităţile marginale
ale lui X respectiv Y.
Considerăm funcţia (p(x,y)=x+y, (x,y)eR2 şi variabila aleatoare φ(Χ, Y)=X+Y.
Aplicând (4 ), deducem:

λί[φ(Χ , Y)]= M {X + Y) = J J ( x + y) f( x , y)dxdy =

+00 4-00 4-00 4-00 4-o°

= J xdx J f( x , y)dy + j ydy j f(x , y)dx = J xfx(x)dx +

4-00

+ j y f 2(y)dy=M(X) + M(Y).

Proprietatea 3° se poate extinde la un număr oarecare n de variabile aleatoare

M(X,+X2+...+Xn)=M(X,)+...+M(Xn),
sau:

Μ Σ χ * = Σ Μ (**>·
£k=\ ' *«1
4° In baza independenţei avem f(x,y)-fi(x)f2 (y)

237
deci
+00 +00

Μ [φ{Χ,Υ)]=Μ (Χ·Υ)= J jx,yf(x,y)dxdy =

+00 +00

= \xf{{x)dx· \yf2(y)dy=M(X)-M(Y)

Avem şi în acest caz:

M(X, ·Χ2,.. -XJ =M(X,) -MfXi)... -M(X„),
sau

M Y[x, = Π M (Xt ),
k=l fc=I
dacă Xi, X2, ...Xk sunt independente în totalitate.
Exemplul 3°. Dintr-un lot de produse se fac n extrageri cu revenire.
Probabilitatea ca un produs extras la întâmplare să fie rebut este p.
Să se afle numărul mediu de produse rebut ce apar în cele n extrageri.

Avem X l k=l,2,...,n.
\ p 1- p )
care reprezintă numărul de rebuturi apărute la extragerea de rang k.
Numărul de rebuturi apărute în cele n extrageri este variabila aleatoare

x=xi+x2+...+xn=YJxk
*=1
şi numărul mediu de rebuturi apărute în cele n extrageri este:

M (X) = M Σ * .
k=\
Dar:
Μ(Χκ)=1ρ+ϋ(1-ρ)=ρ, k-1, 2, ...n
şi prin urmare M(X)=np.
4 . Momente iniţiale şi momente centrate
Fie variabila aleatoare X:Q—>Rşi Y=Xk, keN*.
Se numeşte moment iniţial de ordinul k al variabilei aleatoare X, media
variabilei aleatoare Y -X k notat cu mk sau Mk(X):
mk=M(Y)=M(Xk)
dacă X este discretă atunci:
mk = Σ χϊ ρ , ’
iei
iar dacă X este continuă cu densitatea de repartiţie/ contiunuă pe R atunci
■fee
mk = Jx * f(x )d x ,

238
dacă integrala din partea dreaptă este convergentă.
Momentul absolut de ordinul k este media variabilei |Ζ|λ adică

ΣΚΙ* -
α* =Λ/(μτ|*)= fOO

J \x\kf (x)dx (cazul continuu)

unde seria şi integrala sunt convergente.

Propoziţie. Dacă există momentul absolut de ordinul k, a* există şi
momentul iniţial de ordin k, Mk şi are loc inegalitatea:
\Mk(X)\ < a k(X).
într-adevăr:
■fco +00

\Mk(X )|= j x kf(x)dx < J|*|kf(x)dx = a k(X)

Fie Χ.Ώ —>R variabila aleatoare cu media M(X)-m finită. Variabila abatere
este variabila aleatoare ξ definită prin:
ξ ^ -m
Se numeşte moment centrat de ordin k, momentul iniţial de ordinul k al
variabilei aleatoare ξ sau media variabilei aleatoare ξ4:
= Μ (ξ) = M((X-m)k).
şi avem:
ß > . - m)pi, dac ă X este discretă
ie/
μ* = +00
j ( x - m ) kf(x)dx, dacăX este continuă cu densitatea f continuă

Pentru k= 1 avem ßi=M(X-m)=M(X)-m=m-m=0 adică media variabilei

aleatoare este nulă.
Propoziţie. Dacă X:Q—>R admite momente iniţiale de ordinul s, s=l, 2,.... k
are loc egalitatea:

μ*
s=l
Demonstraţie. Avem
4-00 +00
k
μ* = / (*-«)* /(*)<&* J I f(x)dx =
5=1

= Σ ( " O'C*m' J xk~sf{x)dx = £ ( - 1 y Cskmk_sm

,ţ=l —00 JS1

239
relaţie care leagă momentele centrate de momentele iniţiale.
Momentul centrat de ordinul doi este prin definiţie dispersia variabilei
aleatoare X notată şi D (X ):
Σ (xt - mf p ;, dacă X este discretă
iei
ΰ ( Χ ) ^ μ 2 = +«<»
J (x -m)2f(x)dx, dacă Xeste continuă
—oo

şi integrala este convergentă. O formulă de calcul a dispersiei se obţine astfel:

+00 +.»

μ2 - D (X ) = j (x -mf f (x)dx = J(t2 -2m + m2Jf(x)dx -

—00 —00

+00 +00 +00

J
= J x2f ( x)dx -2m jxf ( x)dx + m2 / ( x)dx = m2-2m2 + m2 = m2 -m2
—0 0 —0 0 —00

Se numeşte abatere medie pătratică a variabilei aleatoare X şi se notează cu σχ

rădăcina pătrată cu semnul + a dispersiei:
σχ = 4 0 (Χ)
3. Proprietăţile dispersiei:
1°. D(C)-0 dispersia unei constante este nulă.
2°. D(CX)=C2D(X);
3°. D(X±Y)-D(X)+D(Y) dacă X şi Y sunt independente sau mai general
D(X,+X2+... +Xn)=D(X,)+D(Xz)+·.. +D(XJ, X hX 2,..Xn independente în totalitate,
( η Λ n
prescurtat Ea ^ , X k
^ k=\ k=\
JO .
4°. Combinând 2° cu 3° avem şi
η n __
Σ cckX k = ^ j a ÎD(Xk )>a k e R,k = \,n şi X k independente.
k~\

Demonstraţie. 1° Avem:
D (C ) = M [C -M (C)f = M(C -C)2 = A /( 0 ) = 0

2o D(CX) = m\çX- M{CX)2]= M[CX-CM (X)f =

= C2M[X-M(X)Y = C 2D (X )
3°.
D (X ± Y ) = m [X± Y- M(X± Y)Y =M[{X-mx )±(Y-mY)f =
= m [(X -mx f ]± 2 M[(X -mY\Y -mY)]+ m [{Y -mYf ]= D (X ) ±
± 2 M { X -mx )m {Y -mY)+ D(Y) = D (X ) + D(Y)

240
deoarece din independenţa variabilelor X şi 7 rezultă independenţa abaterilor X-mx,
Y-myiar din proprietăţile mediei:
M[(X-mx %Y-mY)] = M { X - mx )M{Y-mY) şi \i(X -mx )= 0
(A m notat mx=M(X) şi mY=M(Y) ).
Generalizările de la 3° şi 4° se stabilesc prin inducţie.
Proprietăţi: 1° Dacă variabila aleatoare X are densitatea de repartiţie f(x)
simetrică faţă de dreapta x-m, atunci momentele centrate de ordin impar (dacă
există) sunt nule.
într-adevăr dacă f(x) este simetrică faţă de dreapta x-m atunci f(x+m)-f(-
x+m) pentru (V) xeE.
Atunci:
4« 0 -H»
ţ^2 k+i = j(x-m)2k+lf(x)dx=j(-x-m)2k+'f(x)dx+ j(x-m)2k+lf(x)dx Cu
o
schimbările de variabilă -x - m - -t şi x - m = t respectiv în prima şi a doua
integrală, obţinem:

0 +°°
Μ2 *+ι = f t2k+lf(m -t)dt + J ί“ +1/(m + t)dt = 0.
—oo 0

4°. Fie X o variabilă aleatoare cu M(X) = m şi abaterea medie pătratică σχ=σ.

Definim variabila abatere normată Z dată de:

σ
Avem M(Z)=0 şi D(Z)=1. într-adevăr

= - M (X - m ) = 0 şi
<r

D{Z) ~ = ^ 'D { X - m ) = \ D { X ) = ~ = 1
" ί σ
σ g σ
în încheiere vom menţiona că media M(X) a unei variabile aleatoare X
exprimă centrul de greutate al valorilor variabilei aleatoare A^iar dispersia măsoară
gradul de împrăştiere al valorilor aleatoare X în jurul centrului de greutate, adică
în jurul mediei sale.
Exerciţii: 1. Se efectuează o probă având sau nu ca rezultat un eveniment A
cu P(A)=p. Fie X variabila aleatoare care reprezintă numărul de apariţii ale
evenimentului A într-o singură probă.
a) Să se scrie repartiţia variabilei aleatoare X.
b) Funcţia de repartiţie şi graficul.
c)M(xj,D(X),to(X).

241
 Rezolvare.
a) Avem evident X
fO 1
,p+q =l.
Q P
O, x< 0
b) F (X ) = P (X < x ) = q, 0 <x<l
p + q = 1, X > 1.
Graficul funcţiei de repartiţie F(x):

c) M(X)=Oq+lp=p; M(X?)=& q+l2p=p;

D(X) =M(X)-M2(X) =p-p2=p(l-p) =pq
ß}(X)=(0-p)3q+(1 -p)3p =pq(q-p).
2. Variabilele aleatoare independente Jfşi Y au repartiţiile:
(1 {Λ If 1 0" Pi+<li =1
X L yl
[Pi 9iJ Kp2 92, Pi +<li = 1
X Y Z=X-Y
1 1 0
0 1
0 1 -1
0 0

Să se determine repartiţia, media şi dispersia variabilei aleatoare Z = X- Y

Rezolvare. Conform tabelului, deducem:

P(Z = -1) =P(X=0)P(Y=1)-qiP2
P(Z=0)=P(X=0)P(Y=0)+P(X=l)P(Y=l)=qiq2+p,P2
P(Z=1) =P(X=1)P(Y=0) -Piq2
Repartiţia variabilei Z este:
J -1 0 \ λ
Z
Q\P2 <
hQ2+ P\P2 PlQ2,

242
şi M(Z)=(-l)q1p2+0(qiq2+pipz)+lp1q2=: -qip2+Piq2 =PrP2
M cz)!=(-l)2qip2+(r(qiq2+pip2)+l2piq2::::qip2+piqiz=pi+p2-2pip2
D(Z) =M(Z2)-M(Z)2=pi+p2-2p1p,-(prPi) =Piqi+P2^2

3. Durata T necesară pentru repararea unui televizor ce soseşte la atelierul de

reparaţii este o variabilă aleatoare care are funcţia de repartiţie:
0, pentru ί < 0
λ>0
1 - e ** , pentru t > 0
Să se afle M (T ), D(T).
Rezolvare. Densitatea de repartiţie este:
0

şi pnn urmare:
.η» «μ 00

M (T ) = J tf{t)dt = A J te^dt = -te'* “ + je ^d t = - ;

M ( T 2)- Aj t2e~**dt = -t2e~h q + 2J te'^dt = j J foe'^dt = — ;

o
2 1
D(T)· 12 ■
A2 A2

4. Variabila aleatoare X are densitatea de repartiţie

' 1
— x'e*, x>0 „ ,
/ ( * ) = n! n natural
0, x <0
Să se afle M (X) şi D(X).
Rezolvare.

M (X ) = fxf{x)dx -— fxx"e Xdx = — ?xn+]e'xdx =

i n'i " !i
Γ(ι· + 2 ) ..(/■ + ]) _ n | 1
n\ n\

M { X 2) = Ϊ x2f (x)dx = — ? xn+2e~xdx = = (n + lX« + 2).

J ”!o «! «t
D(X) =M(X?)-M2(X) =(n+l)(n+2)-(n+l)2=n+l.

243
 Funcţia caracteristică
1. Una dintre noţiunile fundamentale ale teoriei probabilităţilor este funcţ
caracteristică (f.c.) noţiune frecvent utilizată atât în problemele practice cât şi mai
ales în problemele cu caracter teoretic.
Definiţie. Aplicaţia (p:R—>C, <p(t)=M(eitX), unde i = V- 1 se numeşte funcţie
caracteristică a variabilei aleatoare X.
Dacă X este discretă cu repartiţia:

n
'XX *2 - O
X , p. > 0 , ^ p k = 1 , atunci funcţia caracteristică a lui X
KP\ p 2 ··· Pn *=i
notată şi <px(t) va fi:

<px (t) = M{ei" ) = Ÿ JeUx'Pk’

*=1

iar în cazul în care variabila aleatoare X ia o infinitate numărabilă de valori

φχ(ί) = M ( e ,rf) = j i > to‘ / v

*=i

Dacă variabila aleatoare X este continuă cu densitatea f(x) atunci:

+00

<Px(t)= jeluf(x)dx,

cu condiţia ca integrala să fie convergentă şi seria de asemenea.

Exemple: 1°. Variabila aleatoare discretă Z e u repartiţia:

1 0N
, p + q= i,
Ρ qt

are funcţia caracteristică <Px(t)=eUIp+elt0-q^p^+q.

2°. Fie variabila aleatoare X care ia o infinitate numărabilă de valori având

repartiţia:
p(x)=pqxI, x = l,2,...,p +q = 1

244
 Avem : = ~-Γ^-ΊΓ=17 ^ - Ύ
tί ?£ί <7 l-qe \-qe

deoarece seria geometrică £ (<?e" J este convergentă cu raţia:

IqettI= φ "| = q(cos2 ί+ sin2 f)= q < 1.

3°. Să se determine funcţia caracteristică a variabilei aleatoare X cu
repartiţia:
f(x,λ )-λ ε** x >0, λ > 0

Avem : φχ (ί) = J e^Xe'^dx = λJe -** ü)xdx = ——λ -.

4°. Funcţia caracteristică a variabilei aleatoare uniforme repartizată în
intervalul [a,b] având densitatea de repartiţie:
1
/(*) = ■ xe [a,b\.
b-a
1 r ■ e ibl- P ial
Avem: φχ( t) = --- J Λ χ = — -- -
b- aJ it(b -a)
2. Proprietăţi:
1°. φχ(0) - 1 ;
2°, \φχ(ί)\<1, (v)reÆ;
3°. φαχ(ί) = φχ(αί), a e Ä ;

X-m -i —I
4°. Dacă: Z = , atunci φζ (ί) = ε σ φχ unde m=M(X) iar

σ 2 = D (X ) ;
n
5°. Dacă X = ^ X k ,\mâeXh,k=l,2,...,n sunt independente atunci:
k=l
H

<Px (0=φ . (0=Φχ,(*)<Ρχ2(0-<Px. (0=Π

Σ ** *=1
v*.W’
relaţie care exprimă că funcţia caracteristică a sumei de variabile aleatoare independente
este egală cu produsul funcţiilor caracteristice ale variabilelor.

6 °. mr = — φ^\θ) adică momentul iniţial de ordinul r al variabilei aleatoare X este

Γ
egal cu valoarea derivatei de ordinul r a funcţiei caracteristice pentru t-0 împărtită
la f.

245
 Demonstraţie. Pentru 1° avem <p(0) = Λ /(e‘°* ) = M ( 1) = 1.
Pentru 2° avem:
foo +00 4-oo

je itxf (x)dx < J |etoj/ (x)dx = J / (x)î& = 1 , întrucât

_o o —oo —eo

|e'ttJ= |cos tx+ isin tx\= cos2 tx+ sin2 tc = 1 .

în cazul 3° φΜ (ί) = M[eitaX]= M[ei{at)X) = φχ{at).

Pentru 4° avem:
( it· --------
X~m\ ( 1 \
l- X -Æ

T
)= M e σ e° =e °φ χ

II
f i 'l
/ 1σ ;
k. J \

în cazul 5° scriem:
φχ (ί) = Μ (β"(*·+* ’+·"+**))= M(eilX' ■e“*2 ■... ■
eitX" )= Afţe"*' )· A/je " * 2 )·
•... · M(e itX* )= φ Χί (/) · φΧι (ί) · ...φΧη(ί),
în baza independenţei variabilelor Χι,Χ2,···,Χη·
-H»

în sfârşit pentru 6 ° ţinând seama de relaţia (px (t) = je‘af(x)dx prin

derivare în raport cu parametrul t deducem

+00
(px\t) = ifxeilxf(x)dx;

+O0 +00
<Px(t) = i2 J x2eitxf(x)dx...ç(x )(t) = ir J xre,txf (x)dx şi făcând
—oo —oo

în ultima relaţie t = O obţinem:

4oo

ir<p/r)( 0) = J xrf(x)dx = mr, r = 1,2 ,...

sau:

fÎHo)

presupunând că derivarea integralei este posibilă.

în ceea ce priveşte momentele centrate de diverse ordine exprimate cu
ajutorul funcţiei caracteristice, avem din 4° pentru σ = 1,φΑ-.ΒΙ(/) = e~'im(px {ţ) şi
prin derivare de r ori în raport cu t, găsim:
+00
= =*·' j(x-myeil(x-n,)f(x)dx,

246
unde pentru t=0 găsim:

K = 4 - ^ > Λ ·( θ β .
Exemplu: A m văzut că funcţia caracteristică a variabilei aleatoare cu
densitatea de repartiţief(x,X)=L·'^, x>0, λ>0 este:

A m văzut că relaţia care defineşte funcţia caracteristică pentru o variabilă

aleatoare continuă X cu densitatea de repartiţief(x) este:

<Px(0 = je laf(x)dx.

Există o relaţie numită formula de inversiune a lui Fourier care defineşte

densitateaf(x) în funcţie de funcţia caracteristică a variabilei aleatoare X exprimată
prin integrala:

Demonstraţia şi condiţiile de existenţă ale relaţiei precedente nu le vom da aici.

5· Repartiţii clasice discrete şi continue

Repartiţia hipergeometrică
Să presupunem că dintr-o urnă cu N bile albe şi negre, dintre care a sunt
albe, extragem n bile fără a introduce bila extrasă înapoi în urnă. Fie X variabila
aleatoare care reprezintă numărul de bile albe apărute în cele n extrageri. Repartiţia
acestei variabile se numeşte repartiţia hipergeometrică, iar proabilitatea ca x din
cele n bile extrase să fie albe şi deci n-x negre, se calculează după formula schemei
bilei nerevenite, deci:

sau

247
 C xfin-x
a N-a , a eN *, n e N * , x = 0,1,2,...,n ,
r
°N
n
n r*x/~<n-x ί n r^n

unde = = = L
x=0 x=0 W x=0 '•'t f

n
A m folosit identitatea £ C * C £ " * = C "+fc care se obţine identificând coeficienţii lui
x=0
ί" din cei doi membri ai egalităţii (1 +t)a(l +t)h-(l +t)a+h.
V o m calcula în continuare media şi dispersia unei variabile aleatoare cu
repartiţia hipergeometrică.
n
α ^ N -a 1
V v
al f n-x _
N-a -
C " C" L · xKa- x)!
x=0 '-JV '-'N x=o
/-in- 1
Dl-J _ 0 ‘ L N -a na
' N -a -
C N x=0 cn N
n x n—x ί n fix/m-x

Μ ( Χ 2) = Σ * 2
x=0 X=0 '■'ΛΤ

^ Ϊ > - · > · u ~ ~ + M (x ) = f ^ Ê c .*-1 c r . +

'N ^
x=0 x\(a-x)\ Cn
N to
. α ( α - 1) ,-,η-2 , η β _ β (α - 1) , «α _ απ(α- l)(n- 1) , ηα
+ Μ (Χ )- ~ δ Γ Ν-2 + 1 î " W E r ' ¥ iv(iv-i)
n(n-l)
an{a - 1)(« - 1)
Rezultă că D (X ) = M ( X 2)- M 2(X) =
N{N-\)
an a2n2 _ a N -a N-n
+ ~N~ N 2 ~n~N N N-l '

Notând p = — probabilitatea extragerii unei bile albe la prima extragere şi

N
N ~a
q = \-p = — ΓΓ— , media variabilei X este:
N
M(X)-np,
N- n
iar dispersia D (X ) = npq
N- 1
Exemplu:
U n lot de 100 de piese conţine 10 piese defecte. Se extrag la întâmplare 5
piese din lot, fără revenire, pentru a fi verificate. Să se scrie repartiţia variabilei

248
aleatoare X care reprezintă numărul de piese defecte şi să se calculeze numărul
mediu de piese defecte din eşantionul controlat şi dispersia.
Soluţie. Variabila aleatoare X - numărul pieselor defecte are o repartiţie
hipergeometrică cu N =100, a=10, n=5.
0 1 2
ri5 r 0
C°10^90
C Γ 1 Γ 90
^10
4 C 2 C 90
^10
3 3 C 90
C 10'-' c 104 c 901 10 90

100 "100 C 5
w100 '1 0 0 '100 '1 0 0

na 5-10
M (X ) = — = = 0,5,
N 100
N- a N- 10 90 95
D (X ) = n-' ■= 5 = 0,432.
N N N -1 100 100 99
Repartiţia Poisson
O variabilă aleatoare X are o repartiţie Poisson de parametru λ dacă repartiţia
sa are forma

x
X jc = 0,1,..., A>0,

x\
deci probabilităţile diferitelor valori ale variabilei se calculează cu formula:
λ _λ
P (X = x)· — e λ.
xi
Evident,P(X=x)>0, (V) xeNşi
OO Ί X 00 ΊΧ

-λ ·β λ = 1 .
χ=0 χ=0 Λ · χ=0 Α ·
Legea Poisson descrie, spre exemplu, repartiţia numărului de apariţii ale
unui eveniment oarecare într-un interval de timp, dacă este cunoscut numărul
mediu de apariţii ale evenimentului în unitatea de timp şi dacă momentele
apariţiilor evenimentului sunt independente. în acest sens, repartiţia Poisson are
multe aplicaţii în problemele de statistică din fizică şi tehnică.
Repartiţia Poisson mai este cunoscută şi sub numele de „legea evenimentelor
rare” , denumire justificată astfel: să presupunem că se efectuează n probe
independente şi în fiecare din acestea evenimentul A are probabilitatea de realizare
p mică în raport cu numărul n al probelor, care este mare. Să considerăm variabila
aleatoare X, numărul de apariţii ale evenimentului A în cele n probe. Variabila
aleatoare Xare o repartiţie binomiaîă:
? (x = x )= c y (i- ^ r .

249
 Notând ηρ=λ, pentru p—»0, λ rămânând constant, numărul probelor

n = -- >00 şi trecând la limită în relaţia de mai sus, pentru n— obţinem

P
repartiţia Poisson.
vrt-x
n(n -!)...(« - * + 1) (λ\χ(. λ'
lim C xpx(1 - pY x = Hm 1- -
χ\ η

η
= lim
η —>οο
{_ λ ΛΧ
η

dar cum lim = Îşi lim 1-- = 1 rezultă:

η—»00 χ\
λ* -Λ
lim C xρχ(I -ρ)"~χ = — e
η-χ» χ!
Astfel, în practică, atunci când se efectuează un număr mare de probe asupra
unui eveniment A de probabilitate p, acelaşi în fiecare probă, mic în comparaţie cu
numărul probelor, atunci numărul de apariţii are aproximativ o repartiţie Poisson.
Exemplu·.
O centrală telefonică automată, primeşte, în medie într-o perioadă de vârf
apeluri pe oră. Să se calculeze probabilitatea ca centrala să primească într-un minut
exact m apeluri.
Soluţie. Deoarece chemările sunt independente, numărul de chemări pe
minut se repartizează după legea Poisson. Valoarea medie a numărului de apeluri
pe minut este:

A =— ,
60
deci probabilitatea ca centrala să primească m apeluri pe minut este:
m
(J l ) k
60
P (X = m) = - 60
m\
Momentele repartiţiei Poisson. V o m calcula valoarea medie şi dispersia
repartiţiei Poisson pornind de la definiţie:
<
” η» 00 tX-1
M (X ) = Σ χβ~λ “
= ^ ' λ · Σ ? — ίΤΤ= A ·e-A -eA = λ
χ=0-
γ| ί * “ 1)!
Deci valoarea medie a variabilei aleatoare X cu repartiţie Poisson este chiar
parametrul repartiţiei.

250
Μ ( Χ ’ι) = Σ χϊ ' ^ e~X = Σ (* 2 λ+
χ=0 Χ· χ=0 Χ· χ=0 Χ·

+ M (A O =A V a -Y Α* 2 + Α = Α2 ·β~λ ·βλ + Α = A2 + Α
S ( * - 2 )»
Deci: D (X ) = M ( X 2)- M 2(X) = Ă2 + Α - Α 2 = Α
Funcţia caracteristică.

>to ·— e_A = e-A · Y = e' A·

e--.e~ = e A(e"-,).
<px( o = Σ ® “* ·~τ6"λ = e_A · Σ-
x=0 Χ· x=0 Λ·

Avem succesiv A / ( X ) = ^ ^ = A ; M ( A 2) = — ^ = A 2 + A ; £>(X) = A .

t i
Exemple'.
1) Să se determine repartiţia sumei a n variabile aleatoare Poisson
independente, de parametrii λι,λ2,...respectiv λη.
Soluţie. Fie X i,X 2,...,X„ variabilele aleatoare Poisson de parametri λι,λ2,... λ0
şi Y = X , + X 2+ ...+ X n.
V o m determina repartiţia variabilei aleatoare Y cu ajutorul funcţiei
caracteristice. Ştim că φΧι (t) = eA‘(e -I) (v) k = l,n şi folosind independenţa
variabilelor X hX 2,...Xn avem:

φγ{ί) = φ . (0 = Π ^ ( 0 = Π « λ4(ί“"') =eMe“-[) ■

e ^ ‘“ ...
Σ χ» k=ί *=ι
1

3 /■„·* ι\
...e η( } = e ‘=l
η η

Rezultă că Y = Σ X k este tot 0 variabilă Poisson de parametru A = Σ K ■

k=1 k-i
2) U n aparat este alcătuit din 1000 elemente care funcţionează independent
unul de altul. Posibilitatea ieşirii din funcţiune a oricăruia dintre elemente pe durata
T este egală cu 0,002. Aflaţi probabilitatea ca pe durata T să iasă din funcţiune
exact 3 elemente.
Soluţie. Pentru « suficient de mare (adică cel puţin de ordinul sutelor), am
văzut că putem scrie egalitatea aproximativă:

C nxp„X„n-x _ -X Λ .
<7 _ e · , A np.
x\
Deci, probabilitatea cerută este:

P ( X = 3) = C,30OO(0,002)3(0 ,9 9 8 )"7 ^ ~ ·β ~ λ = | - e ' 2 « 0 ,1 8 ;

251
 (λ = ηρ* 1000-0,002 = 2, e-2 « 0,13534).

3) Ο fabrică livrează la o bază de desfacere 500 de piese. Probabilitatea ca î

timpul transportului oricare dintre piese să se deterioreze este 0,002. Să se afle
probabilitatea ca să se deterioreze: a) exact 3 piese; b) mai puţin de'3 piese; c) mai
mult de 3 piese; d) cel puţin o piesă.
Soluţie, fie X variabila aleatoare care reprezintă numărul pieselor deteriorate
în timpul transportului. Numărul n = 500 este mare, p - 0,002 este mică,
deteriorările pieselor sunt independente una de alta, deci avem:

P J X = x )~ — e-x x=0,l,2,... λ=ηρ=500·0,02=1.

x\

' %x\ 2 2

c) P (X > 3 ) = l- P (X< 3) = \- e_1 + e _1+ ^ - +

2 6
V /
= 1- (0 ,9 1 9 7 + 0,0613) = 0,019
e -1
d )P (A T ^ l ) = l - P ( X < l ) = l - P ( X = 0) = l - ^ - = l- e -1 =

= 1-0,36788 = 0,632

Repartiţia binominală
O variabilă aleatoare X are o repartiţie binomială de parametri n şi p, dac
repartiţia sa are forma:
x = 0,l,2,...n

, p ,q > 0 , p + q = l, n€ N , x = 0,\,...,n

Spre exemplu, variabila aleatoare asociată schemei Bernoulli ( a bilei

revenite), are o repartiţie binominală de parametri n şi p unde n este numărul de
extrageri succesive, iar p probabilitatea de a obţine o bilă albă.
Dacă notăm Pn(x) = C xp xq"~x avem:
1) Pn(x)> 0 ,
n n

252
iar mulţimea variabilelor aleatoare cu o repartiţie binominală de parametri n şi p o
vpm nota prin B(n,p).
Momentele repartiţiei binominale

•pxqn+ M (X ) = n(n -\)p2(p + q)n~2+M (X) = n(n-l)p2 +np

Deci: D (X ) = M ( X 2) -Μ 2(X ) - n2p 2 -np2np-n2p 2 =np{ 1- p)-npq
Funcţia caracteristică

Jt=0
Se poate uşor arăta că:

M ( X 2) = = n2p 2 + npq ;

D (X ) = M ( X 2)- M 2(X ) = npq

Exemplu
S-a observat că din 3 vizitatori ai unui magazin, în medie 2 cumpără şi unul
nu. La un moment dat, în magazin se află 4 persoane. Să se scrie repartiţia
variabilei aleatoare X care reprezintă numărul de cumpărători dintre cele 4
persoane şi să se calculeze media şi dispersia.
Soluţie. Variabila X are o repartiţie binomială cu n=4,

/ > ( I = 0) = C 4W = 1 ;

P (X = l) = C\pqi = A ;

/ > ( * = 2) = c 4W = ! y ;

P (X = 3) = Clp'q = — ;

253
 Repartiţia sumei de variabile binominale independente
Fie variabilele binomiale independente X şi Y cu repartiţiile
P„(x) = B(n,p) = C*pxqn~x , x = 0,l,2,...n. p+q=l;
Pm(y) = B(m,p) = C y mp yqm~y, y = 0,1,2,...m. p+q=l;
având acelaşi parametru p cărora le corespund funcţiile caracteristice

Φχ ( 0 = (peU + q) Şi Φγ ( 0 = (pe" + ? )”
Calculând funcţia caracteristică a variabilei sumă Z=X+Y obţinem:

<Pz( 0 = <Px+y ( 0 = Φχ (0 ■Φγ ( 0 = {pe" + q) (pe“ + q f = (pe" + q Y " ,

relaţie din care deducem că repartiţia variabilei sumă X+Y de variabile binomiale
independente având acelaşi parametru p este:

Pm+n(Z) = B(p,m + n) = C z
m+np zq"-z, z = 0,1,2,...m+n, p+q=l,
adică tot o repartiţie binomială de parametri p şi m+n.
Proprietatea de mai sus poate fi generalizată, extinzând-o la un număr
oarecare s de variabile binomiale de acelaşi parametru. Astfel dacăX*, k=l,2,...s
sunt variabile binomiale independente cu repartiţiile:
B(nk,p) = C x
n‘ px'q n*-x* , x* = 0,l,2,...nk, p+q =1,
depinzând de acelaşi parametru p, atunci repartiţia sumei

x = x l+x2+...+xs='£xk,
*=i
/
este o repartiţie binomială B
k=\
Repartiţia geometrică
Să considerăm variabila aleatoare discretă X care reprezintă numărul de
trageri într-o ţintă până la prima nimerire şi să presupunem că probabilitatea de
nimerire la o tragere oarecare este p. (q=l-p probabilitatea de a nu nimeri).
 Valorile posibile ale variabilei aleatoare X sunt numereţe după
cum ţinta este nimerită la prima tragere, la a doua,..., la a x-a tragere. Rezultă că:
P(A) = p şi P(Ă ) = l-p = q.
P (X = l) = P(Aţ) = p ;
P (X = 2) = P(Atn A2) = q■
p deoarece rezultatele tragerilor sunt
independente. Analog:

P (X = 3) = P(Ăln T 2n A 3) = q2p ,

P (X = x) = qx~xp .
Deoarece teoretic este posibil ca ţinta să nu fie nimerită niciodată, urmează
că numărul de trageri până la prima nimerire poate fi oricât de mare, deci repartiţia
variabilei aleatoare X va fi:
f\ 2 3 ... x .Λ p> 0
x „ _ _2 „ „*- 1
p
\p pq
P< pq - pq ’ p+q=i

P ( X = x) = px = q x- 'p .
oo

Trebuie deci să avem: Σ px = 1.

x=l

Σ ρ * ' = ρ 0 + ? + ^ 2 + . ·· + ? ι", + ···) = /> “ = ρ ·- = ι.

ti " \-q p
deoarece seria din paranteză este o serie geometrică de raţie 0<q<l a cărei sumă

este —— = — .
1-q p
Calculul valorii medii şi dispersiei variabilei X cu repartiţie geometrică îl
vom face pornind de la definiţie:

Μ ( X) = Σ*Ρ<7*"' = ^ Σ ^ *”1·
x=l x=l

Pentru a calcula suma seriei Σ * ? * -' folosim seria geometrică convergentă

W < 1·

^ q x =\ + q + q2+... + qx =
TZ
x=o 11 -Q
q
pe care o derivăm membru cu membru şi obţinem:

255
 xA --\+ 2q + 3q2 + ... + xqx 1 + ...= 1
*=0 (i - ? ) 2
Prin urmare

M (X ) = p ^ x q x-l=- _ =J L = I
(1 - t f W
Pentru momentul de ordin doi avem:

M 1(X ) = M ( X 2) = % x 2px = p '£ x 2qx-' .

x=I x=l

V ( 1+ ^
„ j:-1
Σ * ν -1 = Σ *?χ = ^ Σ ^
x=l x=l I ι= 1 L(i- î )2

p (1 + ţ) l+ g
Rezultă deci M 2(X ) = (p+q=l)

Ζ ) ( * ) = Μ 2( Χ ) - Μ 2( Χ ) = - γ ^ - - ^ = ^ - ~ =Λ ·
(1-?) P P P P

σ(Χ ) = ■ _Æ
■'p- p
Pentru valori mici ale lui p se poate considera q~l şi atunci:

Μ { Χ ) » σ χ ~- .
Ρ
Egalitatea mărimilor M(X) şi σ(Χ) ne conduce la legătura cu repartiţia
exponenţială care, după cum vom vedea în cele ce urmează, se poate obţine din
repartiţia geometrică.
Fie At durata unei probe şi să considerăm intervalul de timp (t, t+At) cu
t-xAt, xeN. Probabilitatea p, ca evenimentul A să se producă în intervalul (t, t+At)
este egală cu px=ptf‘.

Punând A = rezultă că parametrul λ reprezintă probabilitatea realizării

evenimentului A în unitatea de timp.

p,=XAt(l-XAt)x
Făcând acum At—>0, tşi λ fiind fixaţi rezultă că x — > ° ° ş i p —> 0 . Rezultă că:
Ă t 'x -λι
lim — = λ limi 1 - = Ăe
A t-> 0 A t A * -* 1

deci am obţinut densitatea de repartiţie exponenţială.

Să stabilim acum expresia funcţiei caracteristice pentru variabila:

256
 X x=
X -\ p +q= 1
pq p>0

pq‘-' = L j \ q e ·)
1=1 *? 1=1 1
Exemplu:
Se aruncă un zar şi se notează cu X numărul de aruncări efectuat până la
prima apariţie a feţei cu un punct. Să se scrie tabelul repartiţiei variabilei X şi să se
calculeze media şi dispersia.
Fie A: evenimentul apariţiei feţei cu un punct.

P(A) = p -Λ P(Ă) = q = I
O o

p ( X = l) = p = i ; p ( ^ = 2) = 9 .jp = I . 4 =: A ;.../ >(X = Â) = 5 * 1

* »·
6 6 6
Variabila aleatoare X este o repartiţie geometrică după cum urmează:
1 2 ... k ..Λ
5 5 *-1
6 62 6* '"J
5 * _1 1γ ' 5 Y "1 1 1
= 1
6* 6 ft 16 J = 6 i- l
6

M (X ) = - = 6
P

D (X )= 4 - = - r =30
p _L
36

Repartiţia uniformă
Adeseori, în practică, se întâlnesc variabile aleatoare continue, despre care
se ştie că valorile lor posibile se găsesc în limitele unui anumit interval determinat
şi în plus, sunt la fel de probabile. Despre aceste variabile se spune că se
repartizează după legea densităţii uniforme sau rectangulare.
D e exemplu, să presupunem că într-o staţie de autobuze, vehiculele trec din
trei în trei minute. Timpul T cât un călător aşteaptă în staţie un autobuz este o
variabilă aleatoare repartizată uniform în intervalul [0,3].
O variabilă aleatoare X are o repartiţie uniformă de parametri a şi b, dacă
densitatea sa de repartiţie este:

257
 1
XG [a,b]
f(x) = \b-a
0 x <£\a,b\
Graficul funcţieif(x) este cel din figura de mai jos:

Evident,/fo) va avea proprietăţile unei densităţi de repartiţie, şi anume:

1) / ( x ) > 0 (v) x e R ; evidentă

+00 -H» a
2) J f(x)dx = 1 . într-adevăr, avem: J f(x)dx= jf(x)dx +

+ jf(x)dx + jf(x)dx = J · ^ — dx = = 1
a b a

Să exprimăm acum funcţia de repartiţie F(x) a variabilei uniforme.

X
F(x) = P{X <x)= jf(t)dt

0, x< a
x-a
Deci, F(x) = % a<x<b
b-a
1, x>b
Să calculăm în continuare media şi dispersia variabilei uniforme*·

D (X ) = M ( X 2)- M 2(X ) unde M ( X 2)= jx 2f(x)dx =

258
 b -ab + a
- Ü A h -
ί—n J
b-a' a
Rezultă

z j m - q2~ab+I}2 (a+bf - (b-af

3 4 12
Funcţia caracteristică este
+00 1 ^
^ ( 0 = A/(eitt)= JV*/(x)<& =■£— =

sintc b icostc b
= —-
— f (cosfcc + /sinix:)^ = — -
—
b-aJ b-a t a t a

= — -— (sin bt -sin at -icos bt + icos at) = -- --- [(cos bt + isin bt) -

t(b-a) it(b-a)L
- (cos at + isin a/)] = -- --- (elbt-e“" )
it(b -a)
V o m da în încheierea celor expuse în legătură cu repartiţia uniformă, o
proprietate importantă a acesteia care se enunţă astfel:
Dacă variabila aleatoare X este continuă, cu funcţia de repartiţie F(x)
continuă, atunci repartiţia variabilei:
U=F(X)
este uniformă pe (0 , 1).
Pentru demonstraţie să considerăm graficul din fig.l al unei funcţii de
repartiţie continue U=F(x)
U=F(x)

Fig. 1

Datorită monotoniei funcţiei F(x), la un « dat pe axa O U corespunde un x(u)

Şi numai unul pentru care:
F[x(u)]=u 0 < u < \ (1)

259
 Considerând u ca variabilă independentă şi diferenţiind relaţia (1) obţinem
9F[x(u)] dx(u)
dx(u) du

şi ţinând seama că = /[jc(u)], unde / este densitatea de repartiţie a

dx(u)
variabilei X, relaţia (2) devine:

dx(u)
/[ * ( « ) } 1. (3)
du
Aceasta este tocmai formula care reprezintă densitatea de repartiţie g(u) a
funcţiei de variabilă aleatoare X şi anume U = F(X). Avem deci: g (u) = 1 0< u
<1 care este repartiţie uniformă pe (0 , 1).
Aşadar transformarea U = F(.X), face trecerea de la variabila X care are
funcţia de repartiţie F (x ) deci o lege de repartiţie fix) la variabila U care are o
repartiţie uniformă pe (0 , 1).
Exemple:
1) într-o staţie de autobuze, vehiculele trec din 3 în 3 minute. Timpul T cât
un călător aşteaptă în staţie un autobuz este o variabilă aleatoare. Să se scrie
repartiţia variabilei T, funcţia de repartiţie şi să se calculeze M(T) şi D(T).
Soluţie. Variabila aleatoare T are o repartiţie uniformă pe [0,3], deci
1
0<x<3
/(* ) = 3’
0, m rest.

0, x<0
1
Rezultă F(x) = 0<x<3
3*·
1, x>3.

M (Ţ) = - D{T) = — .
12
2) Se face o cântărire a unui corp cu greutăţi exacte, dar nu mai mici de 1
gram. Rezultatele cântăririi arată că greutatea e cuprinsă între k şi k+J grame. în

aceste condiţii, greutatea e luată egală cu k+~ grame. Eroarea admisă X este o

variabilă aleatoare. Să se scrie repartiţia ei şi să se calculeze media şi dispersia.

Soluţie. Variabila aleatoare X are o repartiţie uniformă pe intervalul

2’2

260
 1 xe .1 i
2*2
/(* )=
0 x«
2’2
Funcţia de repartiţie este:
Λ
x 1
F ( x ) = J î/ î = r
->^ = X 2 ‘
-K
1
0, x<~

Deci F(x) = x — , xe
2 2’ 2
1
1, x > —.
2

ί Υ
1
M ( X ) = 0; D ( X ) =
12 48

Repartiţia Gama
Spunem că o variabilă aleatoare continuă X are o repartiţie Gama, dacă
densitatea sa de repartiţie este:

1
xa~xe b ,x>0, a>0, b>0
f(x,a,b) =
» T M
0 ,x < 0
oo

unde Γ(α) reprezintă funcţia gama, Γ(α) = J x 0-1 e~xdx şi are proprietăţile:

1) Γ(1) = 1;
2) Γ(α) = (α-ΐ)Γ(α-ΐ);
3) Γ(α) = (α- ΐ)

4) r f - H = V 5 r .

Revenind acum la repartiţia Gama, se vede uşor căf(x;a,b)>0 pentru x>0 şi că:
4«

jf(x,a,b)dx = 1

261
 într-adevăr:

f f(x,a,b)dx = f----- x° xe ' bdx = --- 7~χ[^ία xe 'dt =

LJK" ’ { b an a ) b‘ r(a){

=— ? ί β“ιβ " 'Λ = ί ^ = 1,

Γ (a)J Γ (a)
X
unde s-a făcut schimbarea de variabilă t = —.
b

M r(X ) = M ( X r) = j xrf(x)dx = -^~-^j xr ·χα~ι · e~X//bdx =

= J Ş Z J t~r-le, dt = ţ>Ţ H .
bar(a){ Γ(α)

Deci M ( X ) = = ab .
Γ (a)

M ( X 2) = b2r(° + 2î = b2a{a + 1) şi
Γ(α)

D ( X ) = Λ / ( Χ 2 ) = M \ X ) = a2b2 + ab2 -a2b2 = ab2.

Funcţia caracteristică este <px (t) = (l -itb)~a. într-adevăr obţinem:

+O0 oo

φ χ(0 = J < * / ( # - j j p o I e'° ' x'~' ·< > '* * =

= ' j v W . Iv ä2- L ÿ i f W .«-**«-·& ' .

i>"r(a)Joa »! * ”r ( a ) é ( ,i „ »!
Dar j x n*a~' •e~/bdx = T{a+n)'ba*n deci obţinem:
0

ΨχΚ’ ( '« .ι έ »! ' ' iT W t f »!

• a(a + 1)...(α + η - 1)Γ(α) = (1 - itb) α.

Repartiţia exponenţială negativă

Repartiţia exponenţial negativă este un caz particular al repartiţiei Gama şi

se obţine pentru a=l şi b = — .

μ
262
 O variabilă aleatoare X are o repartiţie exponenţial negativă de parametru μ
dacă densitatea sa de repartiţie este dată de:

Particularizând rezultatele obţinute în cazul repartiţiei Gam a obţinem:

M (X ) = — , D (X ) = -L, φχ(ι) = -ϋ— .

μ μ2 μ -it
Funcţia de repartiţie a unei variabile aleatoare exponenţiale este:

Exemplu:
Variabila aleatoare T care reprezintă durata de funcţionare a unei lămpi are o
repartiţie exponenţială. Să se determine probabilitatea ca durata de funcţionare a
lămpii să fie cel puţin 600 de ore, ştiind că durata medie de funcţionare a unei
astfel de lămpi este de 400 de ore.
Soluţie. Se cere P(T > 600) = 1- P(T < 600) = 1- F (600) unde

F(t) = \-em este funcţia de repartiţie exponenţială, cu μ deoarece

Deci Ρ ( Γ > 6 0 0 ) = 1- 1-e 400 = e~% =0,2231 .

/
Repartiţia normală
în cele ce urmează vom studia repartiţia normală care ocupă un loc central în
teoria probabiliţilor şi statistica matematică. Spre exemplu, durabilitatea
anvelopelor, abaterea diametrului unei piese cilindrice de la dimensionarea
standard, rezistenţa la rupere a unui fir, sunt variabile aleatoare care au o repartiţie
normală.
Densitatea de repartiţie normală are expresia:

unde m şi σ sunt parametri repartiţiei, a căror semnificaţie se va vedea în

continuare.

Graficul acestei densităţi este schiţat în figura de mai jos şi se numeşte curba
lui Gauss.

263
 Funcţia f(x,m, σ) trebuie să verifice proprietăţile unei densităţi de repartiţie
şi anume:
1) f(x,m,σ) > 0 , (v)xe R -evident, deoarece σ > 0

2 ) jf(x,m,a)dx = 1 .
—OO

într-adevăr :
+oo ^ +00 \f x-m Ϋ 1 13
r —*
* )dx =
4ϊπ
b l · 1 * ·

unde am făcut schimbarea de variabilă —— — = t.

σ
Ultima integrală obţinută este integrala Euler-Poisson:
+«■ i2
j e 2dt = -Jîn

+~ j

deci obţinem | f(x,m, a)dx = —ţ = ■*/2π = 1 .

i V 2^
V o m nota mulţimea tuturor variabilelor aleatoare cu o repartiţie normală de
parametri m şi σ prin N(m, σ). Fie deci XeN(m, σ) şi să calculăm media şi
dispersia variabilei aleatoare X.
l(x-mΫ
M {X )= \ x f(x , m,a)dx = — j = J .
—oo ^ ^ —oo

+00 1

= i — f (at + m)e 2 dt = ~ţ== f te 2 dt + ( e 2 dt = m,

V2Îr J Ă i ν 2π J

264
deoarece prima integrală se anulează, funcţia g(t) = te 2 fiind impară, iar cea de-

a doua este integrala Euler-Poisson, egală cu VÎjt .

+00 +00

D (X )= f ( j c —m)f(x, m,a)dx -— ■== f (x-m)7 dx -

L σ42π L

σ
2 +r
r
1 ,2 ~,2
t2e 2 dt- -te 2 dt
yÎ2ni 4τπ
+00 1
-i,*
ar__ · lim -te 2 + cr2 --7! = ie 2* dt = a 2,
V 2n

deoarece lim = 0.

Rezultă că parametrul m din expresia densităţii de repartiţie f(x,m, σ) este

chiar media variabilei aleatoare normale, iar parametrul σ reprezintă abaterea
medie pătratică.
Pentru determinarea funcţiei de repartiţie, vom utiliza funcţia integrală a lui
Laplace, definită astfel:
1 2 12
φ(ζ) = -±= [β~2 dt.

Să observăm că funcţia Φ(ζ) este impară:

1 ~z —-t2 1 1 V
φ ( ζ ) = —==r fe 2 cft = — ie 2 dt = - Φ ( ζ ) ,

deci curba γ=Φ(ζ) este simetrică în raport cu originea axelor şi admite două
asimtote orizontale:

lim Φ ( ζ ) = ~—
y-t-~ 2

lim Φ ( ζ ) = —
2

Observaţie:
Valorile funcţiei Φ(ζ) sunt tabelate. Funcţia de repartiţie este:

F(x) = dt.

265
 ^2
Făcând schimbarea de variabilă----- = y obţinem:
ί

x -m
O 1 cr
~T> v
nx) VST ί 2> f <2y +
>/2π
<fy =

_, . _ / jc-ιιΛ 1 . / χ-τηλ

Dacă vrem să determinăm o probabilitate de forma:

„ ·. 1 sJb - m ' 1 J α-ηιΛ
P(a < X <b) = F(b)~ F(a) = — + φ| ——--- -- ΦΙ — — 1=

Legea normală se aplică însă, de cele mai multe ori, nu sub forma iniţială, ci
sub forma unei repartiţii normale, care se obţine pentru m=0 şi cr=7 prin trecerea
X —ftl
de la o variabilă X cu legea Ν(χ;τη,σ) la variabila Z = ---- care va avea

densitatea de repartiţie:

/(* ) =
V 2 jt
Toate problemele legate de repartiţia normală a unei variabile X se rezolvă
de obicei trecând la variabila auxiliară Z, adică normând această repartiţie.
Momentele repartiţiei normale normate:
—X
Mm 2 dx.
w - ir
Se observă că pentru n-2k+l funcţia de integrat este impară, deci

M, x 2* +1 · e 2 dx —0
■ Wy"- Â
2*+,^ T î .r /

Fie acum n=2k

oo
r ί λ
-------X

dx- - e
Λ 2
Z
J *
—OP
^ /

·· x 2*-i.eV 2 a , -1 - i * 2
1 lim
.— x 2 * ~ 2 - e 2 < f a =

ν 2 π a->“ -β >/2 π .

= (2k - \)M 2k~2(X )·

266
 Rezultă:
M 2k( X ) = (2k - 1)M 2k_2(X) = (2k + 1X2λ - 3 ) M ( X ) =... =

= (2*-lX2*-3)...3-l = 0 .
2 k\
O, n = 2k + l
Deci M n(X ) =
1 4 » = 2*
.2* -kV
Putem calcula şi momentele centrate ale repartiţiei N(m,a).

ί 7 4 —ΐ
μ 2 Μ ( Χ ) = ~ ^ \ (x- m )2 M .e^ ° >dx = O

ί “ —if Jt~l" V 2*
μ2Ιί(Χ) = — j==\(x-m)2k e ^ ° >dx=
σν2π i >/2π

Ϊ e 2 dy = QQ--a2k unde s-a făcut schimbarea de variabilă

J i-P*
k\2
x-m
y=- σ

v ^F i Æ i à »!
Seria de funcţii de sub integrală este convergentă pe R , deci se poate
permuta cu integrala şi rezultă:

φχΟ) = Σ ^ Τ · η = ] χ η-e~2Xld x = % ^ M n(X) =

" n\ yl2n i , ti n!

ώ ( 2 *)! 2‘ ·« â «

Dacă YeN(m,a) atunci A" = —— — şi

<7
1
f>r( 0 = ? rf+. = M ( e'((£dr+'B> )= e i"" . M ( ei<<M)jr) = eiin ·φχ(σί) = β“η ^ care este
f.c. a legii normale N(m,a).

Repartiţia sumei de variabile normale independente

Fie variabilele aleatoare normale X i,X 2,...Xs independente având repartiţiile:

267
 1 ~T~r(·'»-'"*)2 --
n(xk,mk,a k) = — —= = e at , xk s R,mke R ,a k > 0 ,k = \,s
c k·42π
şi funcţiile caracteristice corespunzătoare:
*,,(,)-Ù±
<PXt(.t) = e 2 , k = l,2,...s
s
Să considerăm suma X = X l+ X 2 + .., + X s = ^ X k a cărei funcţie
*=1
caracteristică (fix(t) este:

* * imi, J d >·(Σ'η*ν-γΣσ*
m o = ^ ο = Π ^ ( ') = Π * e
" t=l *=1
Relaţia precedentă exprimă după cum se vede, funcţia caracteristică a unei
5 S

legi normale cu media m = ^ m k şi σ 2 = £ σ * adică repartiţia sumei de

*=1 k=I
variabile normale independente este tot o repartiţie normală cu media egală cu
suma mediilor şi dispersia egală cu suma dispersiilor variabilelor.
V o m generaliza proprietatea precedentă, ţinând cont de proprietăţile funcţiei
caracteristice şi considerând o combinaţie liniară a variabilelor X i ,X 2,...Xs de mai
sus de forma:
S

X = a tX, + a 2X 2 +...+asX s = ^ a kX k, a ke R , k = l,s

k=1
Avem:

* * i(akmk)l-£alcl 4Σα^}~ γΣ α>σ>

<Ρχ(0 = <Ργ x. ( 0 = 1 1 ^ ( a * 0 = l i e 2 =e ' ceea ce
*=! k=l

exprimă că combinaţia liniară £ a kX k are o repartiţie « ( χ , £ α * » ι * , £ α * σ 2).

*=i
Exemple:
1) Abaterile X ale diametrelor pieselor fabricate de o maşină, de la diametr
standard, urmează o lege normală cu m=30mm şi a=10mm. Să se calculeze
probabilitatea ca diametrul piesei să aibă abateri între 10 şi 50 mm.
Soluţie. Densitatea de repartiţie a variabilei X este:

ί 4 — 1*
f(x,m,a) = — 7= e ^ 10 > . Secere P ( 1 0 < * < 50).
\0yj2n
50 lfs-ttV . 2 _u_
P (1 0 < X <50) = — ί 10 > = - p = f e 2du = Φ (2)- Φ (- 2) = 0,95
10ν 2π /0 Ä _J2

268
2) Notele unui examen la disciplina A şi ale unui examen la disciplina B sunt
aproximativ independente şi repartiţia mediei acestora este aproximativ normală.
Dacă repartiţia fiecărei mulţimi de note are media 8 şi dispersia 1, care este
proporţia studenţilor care obţin o medie finală inferioară lui 7?
Soluţie. Fie X - nota la disciplina A şi Y - nota la disciplina B
M ( X + Y ) = M (X ) + M (Y) = 16
D (X +Y ) = D (X ) + D(Y) = 2
X + Y \ ^14-16
Deci, P — —— < 7 = P (X + F < 14) = Φ| _ Φ ( - ο ο )~ 0 ,0 8 ,
. V2 .

adică aproximativ 8 % dintre studenţi au media la cele 2 discipline inferioară lui 7.

Probleme
1. Se aruncă un zar cu feţele numerotate de la 1 la 6 şi se notează cu:
A = evenimentul apariţiei unui număr cu soţ;
B = evenimentul apariţiei unui număr pătrat perfect;
C = evenimentul apariţiei unui număr divizibil cu trei;
a) Să se scrie sub formă de mulţimi evenimentele Α,Β,Ο,Ω;
b) Să se scrie evenimentele A ,B ,C ,A n B ,A r \ C ,B n C ,A n B n C ,
A kjB ,A v C ,B v C ,A v B v C,A-B,B-A,A-C,C-A,B- C,C- B,
A n (B v C ),A v (B r )C ),A - (B n C ),A - (B u C ),(B n C )~ A ,(B u C )- A
Rezolvare:
a) A = {2,4,6}; B = {4}; C = {3,6}; Ω = {l,2,3,4,5,6};

b) Ă = {l,3,5}; 5 ={1,2,3,5,6}; C = {l,2,4 ,5}; A n B = {4 }; A n C = {6}; B n C = <P;

A nB nC =φ ; A u B = A; A u C = {2,3,4,6}; 5 u C = {3,4,6};
A u B u C = {2,3,4,6} ; Λ - £ = {2,6}; Β-Α=φ·, A-C = {2,4}; C - /i = {3};
B-C = {4}; C- B = {3,6};
A η (B u C ) = {2,4,6}n {3,4,6}= {4,6};
^ u ( f i n C ) = {2 ,4 ,6 }u φ = {2,4,6}= A ;
A - (B n C ) = {2,4,6}- φ = {2,4,6}= A
A- (B kjC) = {2,4,6}- {3,4,6}= {2}
( Β η Ο - Α = φ-Α = φ
( B u Q - A = {3,4,6}- {2,4,6}= {3}.
2. Se aruncă două zaruri obişnuite, identice şi se notează cu S şi P suma şi respectiv
produsul numerelor de pe cele două zaruri şi cu:
A = evenimentul ca suma să fie un număr cu soţ;
B- -evenimentul ca suma să fie un pătrat perfect;
C = evenimentul ca suma să fie divizibilă cu trei;
D = evenimentul ca produsul să fie divizibil cu patru;
E - evenimentul ca produsul să fie un cub perfect;
269
 a) Să se scrie evenimentele elementare corespunzătoare experimentului;
b) Să se scrie mulţimile valorilor S şi P;
c) Să se scrie evenimentele A,B,C,D,E ca mulţimi;
d) Să se scrie evenimentele A ,B ,C ,D ,Ε ,Α η Β ,Α η Β n C , A n D
A n E , A n B n C n D n E ,A n B ,B u C ,A v B u C ,A - B ,A - ( B n C ) ,
(A n B )- C ,A n (B - C ),A - D ,(A n B )- (C n D ),(A - B )n [(C - D )n E ]
Rezolvare: Evenimentele elementare corespunzătoare apar mai sugestiv din
tabelul următor
1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) 5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)

b) 5 = {2,3,4,5,6,7,8,9,10,11,12};
P = {1,2,3,4,5,6,7,8,9,10,12,15,16,18,20,24,25,30,36};
c) Λ = {2,4,6,8,10,12}; B = {4,9}; C = {3,6,9,12};
£> = {4,8,12,16,20,24,36}; E = {1,8};

d) Ă = S-A = {3,5,7,9,11}; B =S- B = {2,3,5,6,7,8,10,11,12};

C = 5 - C = {2,4,5,7,8,10,11}; D = P-Z> = {l,2,3,5,6,9,10,15,18,25,30};
Έ =P-E;
Λ η 5 = {4}; A n B n C =φ ; A n D = {4,8,12}; Λ η £ = {8};
A n B n C n D n E = ( A n B n C ) n D n E = φ;
JrŸB = S - (A n B ) = {2,3,5,6,7,8,9,10,11,12};
J U c = B n C = {2,3,5,6,7,8,10,11,12} n {2,4,5,7,8,10,11}=
= {2,5,7,8,10,11}; A u B u C ~ Ă n B n C = Ă n ( B n C ) =
= {3,5,7,9,11 } n {2,,7,8,10,11}= {5,7,11};
A-B = {2,6,8,10,12};
A - (B rxC) = {2,4,6,8,10,12}- {9}= {2,4,6,8,10,12}= A ;
(A n B )- C = {4}-{3,6,9,12}= {4};
A n (B - C ) = {2,4,6,8,10,12}n{4}= {4}; A-D = {4,8,12};
04 n 5 ) - (C n £>) = {4}- {l2}= {4 };
(A - B )n [(C - D )n e ) = {2,6,8,10,12 } n {3,6,9,}n {l,8}=
= {2,6,8,10,12 }ηφ = φ;

270
3. U n ora de afaceri încheie într-o zi trei afaceri care pot fi rentabile (Ai) sau
nerentabile (A,),i = 1,3, în final. Să se scrie evenimentele care să corespundă
situaţiilor următoare:
a) una dintre afacerile încheiate este rentabilă;
b) cel puţin o afacere încheiată este rentabilă;
c) cel mult o afacere încheiată este rentabilă;
d) nici o afacere nu este rentabilă;
e) cel mult două afaceri sunt rentabile.
Rezolvare:
Notăm cu A,B,C,D,E evenimentele corespunzătoare situaţiilor de la punctele
a,b,c,d,e.
a) A = (Atn A2 n A3)u (A tn A2 n A3)u (A yn A2 n A3);

b) B = A u(A, n A 2 η Λ 3) υ ( Λ , n Ă 2 n A })u (Â ln A 2 n A 3)\j

u (A ln A 2n A J) ;
c) C = (Âln Ă 2n  3) u A ;

d) D = (Ătn Ă 2n Ă 3);

e) E = C u (A , r\A2 n Ă 3)u (A ln Ă 2n A 3)u (Ă tn A 2n A 3) .

4. U n student se prezintă în sesiune la 4 examene pe care le poate p r om o va^) sau

nu (ζζ),ι' = 1,4 .
Să se scrie evenimentele corespunzătoare următoarelor situaţii:
a) studentul promovează toate examenele;
b) cel puţin două examene sunt promovate;
c) cel puţin un examen şi cel mult trei sunt promovate;
d) nici un examen nu este promovat;
e) cel mult un examen este promovat.
Rezolvare:
Notăm cu A,B,C,D,E evenimentele corespunzătoare situaţiilor de la punctele
a,b,c,d,e.
a) A — A^ o A2 o A3 o A4 t

b) B = (AIn A 2n à 3n A 4)u (A ln  2n A 3n I 4)u (A ,n  2n A 3n A 4) u

u ( 4 n A 2 n Ă3n A 4)u(Ă, n A 2n A 3n Ă 4)u (Ă ln Ă 2n A 3n A 4) u

u ( A ,n A 2n A 3n Ă 4)u (A ln A 2n Ă 3 r>A4)u (A , n ^ n A j n A 4) u
u(Ă, n A2 n A3 n A4)u(A, n A 3 n A 4);
c) C = (Aln Ă 1n Ă 3n Ă 4)v (Ă ln A 2n l în Ă 4) u
u (A, r\Ă2 n A 3n Ă 4)Kj(Ăl n Ă 3r\A4)v[B-{Aln A 2 n A 3r\A4)]
e) E = D kj(A{n Ă 2n Ă 3 n Ă 4)\j(Ăxn A 2n Ă 3n Ă 4) u

271
 u ( 4 r\A2 n A) n Aa) v (A{n Aj n A-i r\Aa) .

5. Un lot de produse ambalate în cutii, oferite de o firmă, este acceptat de

beneficiar, dacă în urma examinării a 5 cutii extrase la întâmplare, conţinutul lor se
constată corespunzător. Să se exprime următoarele evenimente:
a) un lot a fost acceptat;
b) un lot nu a fost acceptat;
c) după examinarea a trei cutii extrase la întâmplare, lotul a fost respins;
d) lotul a fost respins după examinarea celei de-a cincea cutii.
Rezolvare:
Notăm cu A,B,C,D evenimentele corespunzătoare enunţurilor de la punctele a,b,c,d
şi cu (Λί) evenimentul corespunzător situaţiei că la examinarea cu numărul /, i = 1,5
, cutia examinată are conţinutul corespunzător.
a) A —Aţ o A2 n\Aş n A^ f^\A^ ,

b ) ß = A = A 1U i 4 2 u A 3 u A 4 U i 4 5 ;

c) C -
=: At A2 n A3;
d) D - Axn A2 n A} n A4 nĂj ;

6. Dintr-o urnă cu 5 bile albe şi 10 negre se extreg succesiv două bile fără revenire.
Cu ce probabilitate vor apare:
a) două bile albe;
b) prima bilă albă şi a doua neagră;
c) bile de culori diferite;
d) o bilă albă;
e) prima bilă albă;
f) cel puţin o bilă albă;
g) cel mult o bilă albă;
h) nici o bilă albă.
Rezolvare:
Fie (A, ), i = 1,2 evenimentul constând din extragerea unei bile albe la extragerea

i, (At) evenimentul contrar şi A,B,C,D,E,F,G,H evenimentele corespunzătoare

enunţurilor a,b,c,...,h.
_5_ _4___2_
a) A =A xr\A2. P(A) = P(Al)-P
15 ' 14 “ 21
'' ==_5_J _0= Jl _5= _5_
b) B = A ln A 2 Ρ(Β) = Ρ(Α,)·Ρ
, 15 14 3 '7 21
c) C = (A, n A 2) u (A, n A 2), evenimentele din paranteze fiind independente.

272
/> (C )= f (4 n 4 )+ /> (4 n 4 )= î î + H ~ = î i

d) D = c 3 f ( D ) = f ( q J
e) E = (Aln l 2)u (A ln A 2)

=» i (£ )= P (i ,n 4 )t f W n 4 )4 4 4
f) F = (Aln 2)u ( A ln ^ 2) u ( ^ , η Λ 2)

= > P ( F ) = P ( ^ 1n ^ ) + P ( 3 i n ^ ) + P ( ^ n A 2) = ^ + A + A =H

g) G - (Ătn J 2)u (A tn  2)u ( tn A 2)=>

P(G) = P (Â ln l 2) + P(Aln I 2) + P(Aln A 2) = ^ - - ^ + ^ =

_3 10 = 19
~7 21 _ 21
- - 10 9 3
h) H =A ,nA 2 => P (H ) = — — = -
' 1 2 15 14 7

7. Numerele 1,2,3,-n se aşează la întâmplare.

a) Care este probabilitatea ca numerele 1 şi 2 să fie aşezate în ordine crescătoare
şi consecutive?
b) Care este probabilitatea ca numerele k,k + l,k + 2 să fie aşezate în ordine
crescătoare şi consecutive încât A:> 1 şi k + 2<n?

Rezolvare
a) Folosim definiţia clasică a probabilităţii. Numărul cazurilor posibile este
P„=n!. Pentru a determina numărul cazurilor favorabile procedăm în felul
următor: numerele 3,4,...,« pot fi aşezate în (n-2)1 moduri. Cu numerele 1,2
grupate în felul acesta, din fiecare mod de scriere mai obţinem «-1 moduri, deci în
total (n - 2)1 ■
(n -1) = (« -1)/ moduri, aşadar:

p - fr- W - 1
η! n
b) Dacă din numerele 1,2,3, ....,n scoatem cele trei numere determinate k, k+1,
k + 2, pe cele rămase le putem grupa în in -3)/ moduri.
Cu ajutorul grupului k, k+1, k + 2 din fiecare total se mai formează n - 2 moduri
deci în total (n—3)!· {n—2)=(n—2)!

273
P . (n - 2 V _ 1
η! n(n - 1)

8. Care este probabilitatea ca din patru aruncări ale unui zar să obţinem cel puţin o
dată faţa 6?
Rezolvare:
Observăm că evenimentul contrar celui din enunţ constă în neobţinerea cifrei 6
din nici o aruncare şi că probabilitatea sa este mai uşor de calculat. Notăm cu q
acestă probabilitate.
5 5 5 5 54 625
Avem: q = —
6 6 6 6 64 1296
625
Rezultă că probabilitatea cerută în enunţ este: P = \-q = l - - ^ ^

9. Se consideră o urnă în care se află 17 bile de aceeaşi mărime numerotate de la 1

la 17, dintre care 7 sunt albe , restul negre.
I. Se extrage la întâmplare o bilă. Să se afle:
a) probabilitatea de a se obţine o bilă al cărei număr să fie : par, impar, divizibil
cu 3 sau 5;
b) probabilitatea de a obţine o bilă albă, o bilă neagră, o bilă albă sau neagră, o
bilă galbenă.
II. Se extrag la întâmplare 3 bile cu revenire.
a) Să se afle probabilitatea de a se obţine:
1) trei numere consecutive;
2) trei numere distincte;
3) acelaşi număr de trei ori;
4) trei numere în ordine strict descrescătoare;
5) trei numere în ordine strict crescătoare;
b) Să se afle probabilitatea de a se obţine:
1) trei bile albe;
2) trei bile negre;
3) cel puţin o bilă albă;
4) cel mult o bilă neagră;
5) cel puţin două bile albe.
Rezolvare:
I. Câmpul finit de evenimente generat de extragerea la întâmplare a unei bile are
17 evenimente elementare echiprobabile.
a) Fie A evenimentul că numărul obţinut este par; numărul cazurilor favorabile
O
este m = 8, n = 17 => P(A) = — .
17
Fie B evenimentul că numărul obţinut este impar; numărul cazurilor favorabile

274
 9
este m = 9, numărul cazurilor posibile este η = 17 =» Ρ(Β) = — = 1 - Ρ ( Λ ) .

Fie C evenimentul obţinerii unui număr divizibil cu 3 sau cu 5; atunci m = T,n =

17 => P ( C ) = — .
17
7
b) Fie Λ evenimentul obţinerii unei bile albe; atunci: P(A) = — ,

Fie 5 evenimentul obţinerii unei bile negre; atunci: P(B) = j y .

Fie C evenimentul obţinerii unei bile albe sau negre; atunci C = Ω =*

P ( C ) = P ( Q ) = 1.
Fie D evenimentul obţinerii unei bile galbene; atunci D este evenimentul
imposibil φ => P(D) = Ρ(φ) = 0 .
Π. Câmpul finit de evenimente generat prin extragerea la întâmplare a trei bile cu
revenire, are evenimente elementare echiprobabile.
a) în acest caz numărul cazurilor posibile este 173
1) Fie A evenimentul obţinerii a trei numere consecutive; numărul cazurilor

favorabile este 15 => P(A) = -^r

17
2) Fie B evenimentul obţinerii a trei numere distincte; atunci:

* = 4 J, = » / > ( * ) = 4 $ · .

3) Fie C evenimentul obţinerii aceluiaşi număr de trei ori; atunci m = 17 =>

P (C ) = — = - L .
17 17
4) Fie D evenimentul obţinerii a 3 numere în ordine strict descrescătoare;
C3
atunci m = C,37 şi P(D) = .

5) Fie G evenimentul obţinerii a 3 numere în ordine strict crescătoare; atunci

m = < 37 şi
ci P(E) = ^ l
173
b) în acest caz numărul cazurilor posibile este η = 173
1) Fie A evenimentul obţinerii a trei bile albe; atunci m - 73 =>
73
Ρ (Λ ) = — ţ-.
17
2) Fie 5 evenimentul obţinerii a trei bile negre, atunci m = IO3 =

17

275
 3) Fie C evenimentul obţinerii a cel puţin unei bile albe, C\ evenimentul
obţinerii unei bile albe, C 2 evenimentul obţinerii a două bile albe, C 3 evenimentul
obţinerii a trei bile albe.
C = C, u C 2 u C 3
Fie Ai evenimentul obţinerii unei bile albe la extragerea i;
C, =(Aln Ă 2 n l 3)u (Ă ln A 2 n A 3)u (A ln A 2n A 3) .

C2=(A, n A 2r)Ă3)u (A 1n Ă 2n A 3)u (Ă tn A 2n A 3).

C3 = (Atn A 2n A3) şi C, n C2 = 0 ,C 2 n C 3 = φ
C, n C 3 = 0

Deoarece Ρ (Λ ,) = — şi / 5( 4 ) = —
17 ' 17
10
P ( C 1) = 3 - ^ - f ^ ; P ( C 2) = 3-
17 l\ 17 / 17 17 ; 17
1
P ( C ) = P (C ,) + P ( C 2) + P ( C 3) = (30-70 + 30-49 + 343) =
173
1 3913
-3 (2100 + 1470 + 3 4 3 )= ^ 3

4) Fie D evenimentul corespunzător enunţului.

Z) = C 2 u C 3 cu C 2 n C 3 = 0 =>
1813
P(D) = P ( C 2) + P ( C 3) = — (1470 + 343) :
173
5) Fie E evenimentul ca cel puţin două bile dintre cele extrase să fie albe. Cu
notaţia de la punctul 3 putem scrie:
1010
£ = C2uC3=D=>P(£) = i ~

10. Trei urne identice conţin: prima trei bile albe şi două negre, a doua două bile
albe şi una neagră, a treia patru bile albe şi cinci negre.
Se alege la întâmplare o urnă şi se extrage o bilă. Să se determine posibilitatea
ca bila extrasă să fie albă.
Rezolvare:
Fie Ai evenimentul corespunzător alegerii urnei i,i = 1,3 ;
A evenimentul corespunzător extragerii unei bile albe;
1 .
Ρ(/ί) = Σ ^ ) · ^ ^ ι.] = ^ ι ) · ^ ^ ι] + η Λ ) · ^ ^ 2

77
+p(A3)-p(yA ]=-■ - + - · - + - · -=-
3' { /A J 3 5 3 3 3 9 135

11. Trei furnizori Fl,F2,F3 aprovizionează un magazin en gross cu acelaşi produs

în cantităţi proporţionale cu numerele 3,2,5, iar calitatea produselor este
necorespunzătoare în proporţie de 2 % , 2 ,5 % şi 3 % . O cantitate din produs vândută
de magazin clienţilor săi în valoare de 7800 u.m. este restituită de către aceştia în
baza contractului de garanţie; suma urmează a fi recuperată de la furnizori. în
ipoteza că nu se cunoaşte furnizorul produsului necorespunzător, să se stabilească
în mod echitabil sumele ce urmează a fi recuperate de la fiecare furnizor.

Rezolvare:
Fie A\ evenimentul ca un produs să provină de la furnizorul Fi,i = 1,3 şi fie X
evenimentul ca un produs să fie necorespunzător.
Evenimentele A\,A2, A3formează un sistem complet de evenimente.

P(X) = f jP(Ai).p (y A \
t=l \ )

)'= 2 % = 0,02 * P[ X/ a 1) = 2,5% = 0,025 ; ^ X

/ a 3j := 0,03 ;
P(AX) = 0,3 ; P(A2) = 2 % = 0,2 ; P(A3) = 0,5 ;
P(X) = 0,3-0,02 + 0,2-0,025 + 0,5-0,03 = 0,006 + 0,005 +0,015=0,026

Fie Pi = P ^ /χ \probabilitatea ca un produs necorespunzător să provină de la

V )
furnizorul Fj.

P(A)-P
0,3· 0,02 _ 0,006 _ 6
P\
P(X) 0,026 0,026 26

P W
0,2 0,025 _ 0,005 _ 5
Pi
P (X ) 0,026 0,026 26

277
 P(AZ) X/
0,5-0,03 0,015 _ 15 .
Pi
P (X ) 0,026 ~ 0,026 ” 2 6 ’
J_5
Observaţie: p3 = 1 - (/?, + p2) = 1 -
26 + 26 26
Potrivit enunţului, sumele ce urmează a fi recuperate de la flecare furnizor sunt
proporţionale cu pi,P2 ,Pî adică:

S Şl ; Deci:
P\ Pz Pi _6_ _5_ 11
26 26 26

: 7800 — = 1800;
26

S, = 7 8 0 0 · — = 1500;
2 26

S, = 7 8 0 0 · — = 4500;
3 26

12. într-o grupă de studenţi sunt sunt 14 băieţi şi 16 fete , în alta 15 băieţi şi 15
fete, iar în alta 14 băieţi şi 18 fete.
Pentru susţinerea unor lucrări la o sesiune de comunicări ştiinţifice se oferă câte
un student din fiecare grupă.
Care este probabilitatea să prezinte lucrări doi băieţi şi o fată?
Rezolvare:
Se aplică schema lui Poisson.
14 16 15 15 14 18
Avem: n '■
3, P
v\
\= —
30 ,Q\ 30’Pl 30’q2 3 0 ’ Pi 32’qi 32
Probabilitatea cerută este coeficientul lui x2 din dezvoltarea polinomială:
Pi(x) = ( P i X + Q\ ){p2x + <h ) ( P j X + <73 ) ·

/ 14 16Y15 1 5 Y 14 18^ 14 15 14 3
P3(x) = r H------- I -------r -4--------I ------ γ ^--------= ----------------------- r -f
30 30^30 30 32 32 J 30 30 3 2 '

f i i 1111 I I 1 1 I i 1 1 1 1 1 * } \x2 +
+ { 30 ’ 30 32 + 30 ’ 30 ’ 32 + 30 ’ 30 ’ 32 /
16 15 18
+ 111111 1® I l ü IÉ. I I 11 \x+ --------
30 30 32 30 30 32 30 ’ 30 32 30 30 32

278
_ 2940 ^3 , 10800 ; ( 11190 4320
28800Χ 28800* 28800* 28800 “
= 0,102χ3 + 0,375χ2 + 0,388χ + 0,135.
Deci probabilitatea cerută este 0,375.

13. în trei loturi de produse 4 % , 3 % respectiv 8 % sunt defecte. Se extrage la

întâmplare câte un produs din fiecare lot. Să se afle probabilitatea ca:
a) un produs să fie defect:
b) un produs să fie corespunzător;
c) toate produsele extrase să fie corespunzătoare;
d) cel puţin două poduse extrase să fie corespunzătoare.
Rezolvare:
Se aplică schema lui Poisson.
Fie pi şi q, , probabilitatea ca un produs extras la întâmplare din lotul i să fie defect,
respectiv corespunzător. Atunci: /7!=0,04; ^ = 0 ,9 6 ; p2=0,03; q2-0,97; py= 0,08; q3=
0,92.
Dezvoltarea polinomială folosită în rezolvare este:
P3(x) = (0,04x + 0.96)(0,03χ + 0,97X0,08* + 0,92) =
= Ο,ΟΟΟΙχ3 + 0,0065x2 + 0,1367* + 0,8567
a) Fie X evenimentul ca un produs din cele 3 să fie defect; atunci P{X) este
coeficientul lui x 1 din P 3(x) adică P (X) = 0,1367
b) Fie Y evenimntul ca un produs să fie corespunzător. Enunţul este echivalent cu
cel ca două produse să fie necorespunzătoare, deci P (Y) este coeficientul lui x2 din
P3(x) adică P(Y)=0,0065.
c) Fie Z evenimentul care reprezintă enunţul. Acesta este echivalent cu evenimentul
ca nici un produs să nu fie necorespunzător, deci P(Z)=0,8567.
d) Fie U evenimentul corespunzător enunţului. Acesta este echivalent cu
evenimentul ca cel mult un produs să fie defect.

14. La o bancă s-a observat că, în medie, din 10 cereri de creditare de un anumit
tip, 6 sunt aprobate şi 4 respinse. Care este probabilitatea ca din 25 de cereri de
creditare la un moment dat:
a) să fie aprobate 20?
b) să fie aprobate cel mult 15?
c) să fie aprobate cel puţin 10?
Rezolvare:
Suntem în cazul schemei bilei revenite cu două stări cu:
p = 0,6; q = 0,4; n = 25.
a) Notăm cu X evenimentul corespunzător enunţului. Avem:
P (X ) = P (25,20) = C 25° · (0,6)20 · (0,4)5
b) Notăm cu Y evenimentul a cărui probabilitate se cere

279
 25 - *
P(Y) = P(25,k<l5) = J V ( 2 5 , * ) = ]T C*5 ■(0,6)* -(0,4)
*=o *=o
c) Notăm cu Z evenimentul corespunzător enunţului

25- *
P(Z ) = P(25,k> 0) = % P (2 5,k ) = £ c * -(0,6)* ·(0,4)
*=10 *=10

15. într-o urnă sunt 5 bile albe, 7 bile negre, 13 bile roşii. Se scot consecutiv 10
bile cu revenire. Cu ce probabilitate se extrag:
a) două bile albe, trei bile roşii şi cinci bile negre;
b) opt bile albe?
Rezolvare:
Suntem în condiţiile schemei multinominale cu
in 5 7 13
n —10, Pj = — ,p 2 = — ,p 3 = — ■
25 25 25
2
( 7 ί
a) P(10,2,3,5) = ί 5 ] 3 f 13Î
2/3/5/ V 25 i 25 ) v2 5 ,
b) jP(10,8 albe)= P(10;8;0;2) + />(10;8;1; 1) + P(10;8;2;0) =

_ 10/ f 5 Y Π 3Ϋ ( 10/ f 5 " 13 _7_+ 10/ fi _

~ 8/2/ [ 25 J 25 J + 8/ -1/ · 1/ \ 25 25 25 8/-2/ 25 25

16. într-o grupă sunt 20 studente şi 10 studenţi. La un examen oral primii 6 pot
intra la întâmplare (nu după catalog). Cu ce probabilitate acest grup este format:
a) numai din fete;
b) trei fete şi trei băieţi;
c) cel mult doi băieţi;
d) numai băieţi;
e) cel puţin patru fete.
Rezolvare:
Suntem în cazul schemei bilei nerevenite cu două stări; avem:
n = 30; a\ = 20; a2 = 10.
a) Fie X evenimentul corespunzător enunţului; avem: «i = 6; n2 = 0 şi

P (X ) = P( 6,6,0) = --^ -
^
'3 0
b) Fie Y evenimentul a cărui probabilitate se cere; avem: n(=3; «2 =3 şi

P{Y) = P{ 6 ,3 ,3 )= C ^ -' ^ 3()

r
v- 30

c) Fie Z evenimentul a cărui probabilitate se cere; avem: ni<2\ «i+w2=6 şi

280
 C 6 stO i s'*5 i /^2
P(Z) = P(6,n2 Z2) _= ^—20 **-Ί0 T ^20 ‘ Mo T 20 ‘ H o
--- _ 6
'-'30

d) Fie U evenimentul corespunzător enunţului; avem: «i=0, n2 = 6 şi

/>({/) = P ( 6,0,6) = ^ ^
^30
e) Fie V evenimentul a cărui probabilitate se cere; avem: n{> 4,«, + n2 = 6 şi

'-'iAn . '-'in'
C
P(V) = P(6, n, > 4) = -22--Î
r 2 + C 5 - ^10
^20 Γ 1 ” Γ 6 -V
+ ^on
2-- ?2_10-- 20-- 10.
C-'H
°

c 6
^30

17. La o expoziţie se găsesc 25 de ghizi studenţi, din care 10 băieţi şi 15 fete, ale
căror nume sunt numerotate şi trecute pe un tabel.
Se aleg la întâmplare 6 numere de pe tabel. Precizaţi cu ce probabilitate grupul
celor şase persoane este format:
a) numai din fete;
b) numai din băieţi;
c) trei fete şi trei băieţi;
d) din cel mult o fată;
e) din cel puţin cinci băieţi?

18. într-o urnă sunt 5 bile albe, 10 bile negre şi 15 bile roşii. Se scot succesiv trei
bile fară revenire. Cu ce probabilitate pot fi extrase:
a) trei bile albe;
b) trei bile de aceeaşi culoare;
c) trei bile de culori diferite;
d) primele două bile albe;
e) prima bilă albă, a doua neagră şi a treia roşie;
f) cel puţin două bile albe?

19. într-un grup de studenţi aflaţi într-o excursie s-a constatat că 7 5 % dintre ei sunt
studenţi la U .R .A .; 8 % dintre ei sunt fete; 65 % vorbesc engleza şi 6 0 % dintre ei ar
dori să lucreze în turism după terminarea studiilor.
Alegând la întâmplare o persoană din grup cu ce probabilitate minimă aceasta ar
fi:
a) studentă la U R A care vorbeşte engleza şi care doreşte să lucreze în turism;
b) student la U R A care vorbeşte engleza şi care doreşte să lucreze în turism;
c) studentă la U R A care vorbeşte engleza şi care nu doreşte să lucreze în
turism?
20. într-o urnă sunt 2 5 % bile albe, 4 5 % bile roşii şi 3 0 % bile negre. Se extrag
succesiv 10 bile punând înapoi bij.a extrasă. Cu ce probabilitate se pot extrage:
a) numai bile albe;
b) numai bile de aceeaşi culoare;

281
 c) opt bile albe;
d) 2 bile albe, 3 roşii, 5 negre;
e) bile de două culori din care cel puţin 5 albe.

21.Patru universităţi oferă respectiv câte 4,6,8 şi 12 burse de studii. O anumită

facultate primeşte 7 astfel de burse care sunt trase la sorţi din cele 30 de burse
acordate. Cu ce probabilitate cele 7 burse ar putea fi:
a) de la aceeaşi universitate;
b) una de la prima, 2 de la a doua, 3 de la a treia şi una de la a patra;
c) 6 de la ultima universitate;
d) de la toate universităţile.

22. Probabilitatea ca o anumită centrală telefonică să fie liberă la un moment dat

este p = 0,75 şi ocupată q - 0,25. Se face un apel. Cu ce probabilitate se obţine
legătura:
a) de la prima încercare;
b) la a treia încercare;
c) cel puţin la a treia încercare;
d) cel mult la a patra încercare.

23. într-un autobuz cu 3 uşi urcă la întâmplare 7 persoane. Care este probabilitatea ca
pe prima uşă să urce 4 persoane?

2 3 · Ct
R: 7
37

24. La o loterie sunt 96 de bilete dintre care 8 câştigătoare. O persoană cumpără 12

bilete. Să se determine probabilitatea ca:
a) Un bilet şi numai unul să fie câştigător.
b) Cel puţin 3 bilete să fie câştigătoare.
c) Să iasă cele 8 bilete câştigătoare.
d) Să nu iasă nici un bilet câştigător.

Soluţie. Folosind schema bilei nerevenite obţinem:

C 1 · C 11
a) P i y^»12
C 96

b) !\ = p (A^ A a\
j A 7 u A ) - Σ ρ (Α *)
k=3

282
 unde Ak- evenimentul să apară k bilete câştigătoare t.- _L
3g

Aj , ..., A 8 - sunt incompatibile două câte două.

y'-t/c ^-»12—k ____ 8 s~*k ^-»12—k

^96 *=3 '-'96

Acelaşi rezultat îl putem obţine făcând cel mult două bilete câştigătoare —> ev.
contrar.
2 s~ik s~ i\2—
k
P3 = l - P (A 0 u A , u A 2) = l - ^ - 8 ' 1288
k= 0
C
^96

c 8· c 4
c ) p8 = P ( ^ ) = ay^rl2 “
^96

/'"■
’O ^-»12
'-'β * 88
d) Po - P ( \ ) - „12
96

Obs. pm= prob, să iasă exact m bilete câştigătoare, iar Pm= probab. să iasă cel
puţin m bilete câştigătoare.

25. Doi studenţi se prezintă la un examen şi au probabilităţile de promovare 0,5 şi

respectiv 0,8. Care este probabilitatea ca:
a) Ambii studenţi să promoveze examenul;
b) U n singur student să promoveze;
c) Cel puţin un student să promoveze;
d) Nici un student să nu promoveze.
Soluţie. Fie A - ev. ca primul student să promoveze.
B - ev. ca al doilea student să promoveze.

P(A) = 0,5; P(B) = 0,8.

a) Ρ (Α γλΒ) = P(A) ■P{B) = 0,4

b) p ( ( A n ß ) n ( Ä n ß ) ) = p ( A n ß ) + p (Ä o b )=

= Ρ(Α)·Ρ(Β) + P(Ă ) · P(B) = P(A)-[l - P(B)] +

+ [1 - P(A]-P(B) = P (A ) + P (B ) - 2 P(A)-P(B) = 0,5

c) P ( A kj B) = P(A) + P(B) - P ( A n B ) = 0,9

d) p ( Â n 5 ) = 1 - P ( A u S ) = 0,1.

283
26. U n lot de 100 biciclete este supus controlului de calitate. Condiţia ca acest lot să
fie respins este găsirea a cel puţin unei biciclete defcete în cinci verificări consecutive.
Care este probabilitatea ca lotul să fie respins dacă el conţine 5 % biciclete defecte?
Soluţie. Fie At - ev. ca la verificarea i să găsească o bicicletă bună
şi A - evenimentul ca lotul să fie respins.
Se determină mai uşor probabilitatea ev. contrar

p{a) = Ρ ( Α 1η Λ 2 η Α 3 η Λ 4 η ^45) = Ρ(Αί)·Ρ(Α 2 / A , ) ·

• P ( A 3 / A, n A j ) · Ρ ( Α 4 / Α, η Α^ η Α 3)· Ρ(Α5 / Α, η Α 2 η Α 3 η Α 4) =

= _95_ 9 4 93 92 91 = ηη
1 0 0 9 9 '9S9196

=> Ρ(Α) = 1 - ρ (α )= 0,23.

27. U n student trimite ο scrisoare unui prieten. Există o şansă de 1 0 % ca scrisoarea

să fie pierdută în drum spre oficiul poştal. Ştiind că scrisoarea ajunge la oficiul poştal,
probabilitatea că va fi distrusă de maşina de ştampilat este de 2 0 % . D e asemenea,
ştiind că a trecut de maşina de ştampilat, există o probabilitate de 1 0 % ca poştaşul să
o ducă la o adresă greşită.
Dacă prietenul nu primeşte scrisoarea, care este probabilitatea ca maşina de
ştampilat să o fi distrus?
Soluţie. Fie A - evenimentul ca scrisoarea să fie pierdută
B - evenimentul ca scrisoarea să fie distruasă de ştampilă
c - evenimentul ca scrisoarea să ajungă la o adresă greşită
d - evenimentul ca prietenul să nu primească scrisoarea.

Avem: P (A ) = 0,10 => P(Ă) = 0,90.

P ( B / A ) = 0 ,2 0 => P ( B /A ) = 0,80.

P (C / 5 ) = 0,10 şi P ( C /B ) = 0,90.

Atunci P ( B /D ) = -------- --------------- = 0,511.

Atunc! 0,10 + 0,90-0,20 + 0,90-0,80-0,10

28. Doi adversari cu şanse egale joacă şah. Pentru unul din ei, ce este mai probabil să
câştige:
a) 2 partide din 4, sau 6 partide din 8?
b) cel puţin 2 partide din 4 sau cel puţin 6 partide din 8?

284
 Soluţie, a) Fiecare din cei doi jucători are probabilitatea de câştig — > la o partidă.

Atunci, aplicând schema lui Bemoulli =>

\2
r n
2
' Γ rn 6rn
= C 4

p x= 0,375
l2J , 2 ,
Şi P 2 = Q 6

p2 = 0,19375. Evidentp x> p2.

l2J l2J
b) Aplicăm din nou schema lui Bemoulli

2 J- + C 3 1 , „ « 1
P\ — C 4
2 4 r r+ C ‘ 2T “ 0,6875

P2 = C i — + C»7 - ^ + C ‘ . i = 0 ,1 4 4 5 3 1 .

Din nou/?] > p2-

29. Din 20 de unităţi agricole, 15 şi-au realizat planul la recoltări. Sunt alese la întâmplare
10 unităţi agricole şi se cere probabilitatea ca:
a) 6 dintre acestea să-şi fi realizat planul.
b) cel mult 4 unităţi agricole să nu îşi fi realizat.
c) toate cele 10 unităţi să aibă planul îndeplinit.
Soluţie. Aplicăm schema bilei nerevenite,

a) P = IU
= 0,135449
C 20

b) probabilitatea evenimentului contrar:

10 s~i\0-k
p (A) = Σ ^ τ -10
ί — = 0,848297 => P(A) = 1 - P(A) = 0,151703.
k=l '20

10
5
_ C , 15_
c) P = -10 0,01625.
'20

30. Dintr-o umă cu 35 de bile de aceeaşi mărime şi numerotate se extrage la întâmplare

o bilă. Care este probabilitatea ca numărul astfel obţinut să fie divizibil cu 3?

11 7 6 13
31. Din mulţimea {1,2, ...,25} se alege la întâmplare un număr. Care este probabilitatea
ca numărul ales să fie divizibil cu 5?

c) d)
a )î

32. într-o urnă se află bile de aceeaşi mărime numerotate de la 1 la 10. Se extrag
la întâmpalre toate bilele. Care este probabilitatea ca primele două bile extrase să fie
în ordinea naturală?

8! ^ 9! 9_
a) c) d)
10! © μ 10

33. într-o urnă se află bile de aceeaşşi mărime numerotate de la 1 la 15. Se extrage
la întâmplare o bilă. Care este probabilitatea ca numărul extras să fie prim?

a) b) d)
15 15 15

34. Zece bile numerotate de la 1 la 10 se aşează la întâmplare una după alta într-un
şir. Care este probabilitatea ca, după bila numerotată cu 5 să urmeze bila numerotată
cu 6?

9!8 8 - 8! ^9- 8! 9-9!

a) b) d)
10! 10! V C)" 10! 10!

35. Se aruncă 2 zaruri de 3 ori. Care este probabilitatea ca dubla (6,6) să apară cel
puţin odată?

35
a) 1 - b)l- c) d)l-
v3 6 , VJ , 3 6 , v36,

36. Se consideră trei urne identice ce conţin bile albe şi negre după cum arată
tabelul de mai jos:

Urna Nr. bile albe Nr. bile negre

UI 1 1

U2 5 3

U3 1 3

286
 Se alege la întâmplare una din urne şi in ea se extrage o bilă. Care este probabilitatea
ca bila să fie albă?

U
a) b) c) d)
24 24 24 24

37. într-o urnă sunt 15 bile identice, dintre care 5 sunt albe, 7 sunt roşii, iar 3 sunt
negre. Se extrage la întâmplare o bilă. Care este probabilitatea ca bila extrasă să fie
albă sau roşie?

b) c) d)
Ô S 15 15 15

38. într-o anumită localitate, în medie 6 zile dintr-o lună sunt cu cerul acoperit. Care
este probabilitatea ca primele trei zile din luna iulie să avem cer senin?

25 2 4 23 25 2 4 23 (25 '2 5 '3

a) b) c) d)l
313131 31 30 29 31 V 31 y

39. Trei firme de producţie P u P2, P 3 trimit la un magazin acelaşi tip de produse în
proporţie de 5 0 % , 3 0 % respectiv 2 0 % . Cele trei firme dau rebuturi de 1% , 3 % respectiv
2 % . Valoarea totală a rebuturilor este de 36 milioane lei. Cum trebuie repartizată
această sumă între cele trei firme?

pt P, : — 36 mii = 10 mii (lei) pt P : — 36 mii = 14 mii (lei)

18 18
9
pt Pt '. — 36 mii = 18 mii (lei) pt P, : — ·36 mii = 10 mii (lei)
218 2 18
a) b)
4
pt P-,: — 36 mii = 8 mii (lei) pt P,: — 36 mii - 12 mii (lei)
318 3 18

pt P : — 36 mii = 8 mii (lei) pt P, : — 36 mii = 9 mii (lei)

1 18 1 18
17
pt P, : — -36 mii = 10 mii (lei) pt P, : — 36 mii = 17 mii (lei)
2 18 '1 8
<0 d)
9
pt P,\ — 36 mii = 18 mii (lei) pt P, : — -36 mii = 10 mii (lei)
3 18 3 18

287
40. Un produs este standard dacă îndeplineşte trei condiţii Cx, C2, C3. Din 1000 de
produse, 92% îndeplinesc C,, 85%, C2 şi 89% condiţia C3. Să se calculeze probabilitatea
minimă şi maximă ca un produs să fie standard.
a) 0,67; 0,84 b) 0,65; 0,86
b) 0,68; 0,83 d) 0,66; 0,85

41. Probabilitatea ca un trăgător să nimerească ţinta dintr-o singură tragere este p =

0,8. Să se calculeze probabilitatea ca în şase trageri consecutive ţinta să fie numerită
de 5 ori.
a) C<?(0,2)5 (0,8) b) C65(0,8)3 (0 ,2 )2
c) C g(0,8)5 (0,2) d) C 65(0,8)5

42. într-o urnă sunt 4 bile albe şi 2 bile negre. Se fac 8 extrageri succesive cu revenirea
bilei în urnă după fiecare extragere. Se cere probabilitatea de a obţine de 4 ori bila
albă.
/.A 4
^ Y f n 4
a) C8
V6 , v6 y
/ t Λ4

c) CJ
v / V /

43. într-o magazie se găsesc 1200 de piese dintre care 30 sunt defecte. Care este
probabilitatea ca o comandă de 155 de piese să cuprindă 145 de piese bune?
-.145 ✓~tl45 v~ill
1170 * 1200 1170 '*-'30
a) 155 b) 155
C,1200
C,1200

,-.145 .-.10 --.145 ,-.10

155 '*- 155 1200 ' 1200
c) d) >-.155
c,1200
155
1200

44. Se aruncă un zar de 12 ori. Care este probabilitatea ca fiecare faţă să apară de 2
ori?
12
8! 1 10! r n 12! r n
a)
6612 b )~ c)^T d) alt răspuns
(21)°
A ,6,

288
 45. La un concurs participă 12 concurenţi dintre care, 6 americani, 4 francezi şi 2
italieni. Prin tragere la sorţi, cei 12 concurenţi sunt împărţiţi în grupuri de câte 4,
fiecare grupă urmând să susţină probele de concurs într-o zi. Care este probabilitatea
să concureze 3 americani şi un francez?

iU rii ^—
*1 ✓^3 /î l /n O
'-'6 ' '-'4 ’ 2 ^ "6 * 4 *^ 2
a) b) c) d)
c,12 '1 2 C,12 c,12

46. Se iau la întâmplare 4 numere diferite din mulţimea {1, 2, 3, 4, 5, 6, 7}. Care
este probabilitatea ca suma lor să fie un număr prim?

11 il
a) b) c) d)
35 35 10 10

47. O urnă conţine 220 bile identice numerotate de la 1 la 220. Dacă se extrage o
bilă oarecare, se cere probabilitatea fiecăruia din evenimentele:

a: bila extrasă să aibă un număr divizibil prin 5 sau 7;

b\bila extrasă să aibă un număr divizibil prin 6 sau 10;
c: bila extrasă să aibă un număr divizibil prin 10,14 şi 21.

P (A ) P(A) =
220 220
7 7
P(B) = P(B) =
220 220
a) b)
1 13
P(C) = P(C) =
220 220

P(A) =
220
3
P(B) =
220
c)
7
P(C) =
220

289
48. Se aruncă o monedă de 3 ori. Care este probabilitatea ca stema să apară de 2 ori?

5 3 1 2
a) P = - b) P = - c) P = - d) P = -

4 9 . 0 urnă conţine 8 bile albe şi 10 bile negre. Se extrag consecutiv (fară revenire) trei
bile din umă. Să se calculeze probabilitatea fiecăruia din evenimentele:
A - ultima bilă extrasă să fie albă
B - ultima bilă extrasă să fie neagră

a ) P ( A ) = -| pw = jî b)P04) = ! /><») = I

0)/>(Λ) = 5 P(B) = i d) p(/1) = i i P(B) = TÎ

50. O umă conţine 5 bile albe, 4 bile roşii şi 6 bile verzi. Se extrag simultan 4 bile. Să
se calculeze probabilitatea fiecăruia din evenimentele:
A -două bile să fie verzi
B - toate bilele să fie de aceeaşi culoare

P(A) = P(A) =

^15 15

s~i2 /^2 ^»4 i /i4

F(A) = Î Â P(A) = - 5 ^

^ (s )= ^ k ± ç % S )=o k ± ^
15 15

7 10 15
51. Valoarea l u i > 0 pentru care: *= : reprezintă o variabilă aleatoare
2p 3p p

discretă este:

1 1
a) P = - b) P = c) orice p > 0 d) altă variantă

290
 1 3 4
2 4 1 1
52. Determinaţi p > O astfel încât reprezintă o variabilă
P —p - —
7 3 6
aleatoare discretă:

1 1
a) P = - b) P 4 c)p = 0,2 d) P

53. Să se afle x s R astfel încât variabila aleatoare ξ să aibă repartiţia:

ξ:
λ; x-2x “ 5.x

a) x = 0,6 b) x = 0,4 c) x = d) x

f 1 2 3 4Λ
7 1 1
54. Variabila aleatoare ξ are repartiţia:• ξ : Se cere Ρ(ξ > 3)
16 16 3 6

1 9
a) b) c) d)
6 16 3

55. Variabilele aleatoare ξ şi η au repartiţiile:

o

0 1
*■

n Λ
■<

ί-ι
1

1 1 1 η: 1
p + - Ç + 2 p —q 12 p 2
l 6 3 3, s.3 /

Să se determine p şi q a.î. ξ şi η să reprezinte două variabile aleatoare:

1 1
a))P = - ; 9 = 0 b) p = 0 ; q= -
O

1 2
O P « - ; —

291
 (- 1 0 1
56. Dacă variabila aleatoare ξ are repartiţia: ζ '■ atunci variabilele
1 /3 1 /3 1 /3

aleatoare 2 ξ şi ξ 2 au repartiţiile:

- 2 0 2 1 0 3 "
2ξ: 2ξ:
1 /3 1 /3 1/3 1/3 1/3 1 /3
y

a) λ b) ί- 1
0 1 0 1 ^
ξ 2: ξ 2:
1 /3 2 /3 1/3 1/3 1/3
s. V y

r-2
' 1 0 3 Λ 0 2 Ν
2ξ: 2ξ:
1 /9 1 /9 1 /9 1 /3 1 /3 1/3
y

c) Φ /
- 1 0 - 1 0 ί Ί
ξ 2: ξ 2:
1 /3 1/3 1 /3 1 /9 1 /9 1 /9
y

0 1
Λ
57. Dacă variabila aleatoare ξ are repartiţia £ · atunci variabilele
1 /4 1 /2 1 /4

aleatoare 1 + ξ, -ξ au respectiv repartiţiile:

-1 0 1
Ι + ξ:
5 /4 3 /2 5 /4 1/4 1/2 1/4
v y
a) b) '- 1 0 1 Λ
- ζ'· ξ:
- 1/4 - 1/2 -1/4 1/4 1/2 1/4

f 1 0 1 Λ / 0 1
1 + ξ: 1 + ξ:
1/4 1/2 1/4 1/4 1/2 1/4
v y v

c) d)
' 1 0 1 Λ f -1 0 1 '
ξ: -ξ:
1/4 1/2 1/4 1/4 -1/2 -1/4
v v

292
58. D a că ξ şi η sunt variabile aleatoare independente având repartiţiile:

-1 0 1 ^ (-1 0 1
şi rl: atunci variabila aleatoare ξ2 + η 2
1/3 1/3 1/3 1 /3 1 /3 1 /3
v
are repartiţia:

' 0 1 2 Λ 0 1 N
ί _1
a) b)
1 /9 7 /9 1 /9 2 /9 6 /9 1 /9
V / V y

f 0 1 2 N r -1 0 1
c) 4/9 4/9
d)
1/ 9 4/9 -4/9
, 1/9 > V /

59. Variabilele aleatoare independente ξ şi η au repartiţiile:

-1 0 l λ ί -1 0 1 Ν
şiV-
1 /3 1 /3 1 /3 1 /3 1 /3 1 /3
V

Să se calculeze P( ξ · η = - 1):

1 1 2
a) b) 1 c)
d )5

60. Variabilele aleaoare independente ξ şi η au repartiţiile:

-1 0 ι λ f -1 ο 1 Λ
ξ: şi V·
1 /3 1 /3 1/3 1 /3 1 /3 1 /3
y \

Să se determine repartiţia variabilei aleatoare ξ · η.

-1 0 1 f 0 1 Λ
a) ξ·*1'· b) ξ·ν·
2 /9 5 /9 2 /9 2 /9 7 /9
v y y

^ 1 0 1 Λ -2 0 2
c) ξ·ΊΊ· d) ξ·ν·
1 /9 6 /9 2 /9 2 /9 2 /9 5 /9
V /

61. Să se calculeze ξ 1. Dacă variabila aleatoare ξ are repartiţia:

'■ 1 2 3 Λ
1/ 5 2/5 2/5

293
 £-ι 1 1 1 /2 1/3'
a) Ç b ) « “’ ·
5 /1 5 /2 5 /2 1/5 2/5 2/5

1 1 /2 1/3' 1 2 3 "
Ο r 1· d> r·
5 5/2 5/2 -1/5 -2/5 -• 2 / 5
v

62. Fie ξ o variabilă aleatoare discretă a cărei repartiţie este:

' 0 1 2 3 Λ
ξ:
1 /4 1 /4 1 /4 1 /4
V y
Să se determine funcţia de repartiţie F(x)

0 x<0 — OO x<0

1 /4 0<x<l 1/4 0<x<l

F (x ) = 1/2 l<x<2 Fix) = ■2 / 4 l<x<2

a) b)
3/4 2<x<3 3/4 x-2
1 x>3 1 x>2

0 x<-
4
O 1Λ
1 xe
— OO x<3
F(x) >4
Π 2
3<'
2 xe Fix) = ■ P x e [0,3]
c) 2 ’4 d)
-j- o o x>3
f3
1 x e _ -1-00
4

63. Se dă variabila aleatoare discretă ξ a cărei repartiţie este:

atunci Ρ(ξ < 2) are valoarea:

0,1 0,3 0,2 0,4

a) 0,6 b)0,3 c) 1 d)0,4

294
64. Să se calculeze F(3/2). dacă variabila ξ are repartiţia

r O 1 2 3 Λ

0,15 0,30 0,40 0,15

a) 0 ,15 b)0,85 c = 0,45 d) 1

65. Să se calculeze media variabilei aleatoare:

/ 0 1 2 3 λ
ξ:
1 /4 1 /4 1 /4 1 /4

1 10
a) Μ ( ξ ) = - b) Μ (ξ) = ο)Μ (ξ) = 1 d) Μ ( ξ ) =
4 4

66. Fie ξ ο variabilă aleatoare discretă a cărei repartiţie este:

μί~1 0 1 Λ
1 /3 1 /3 1 /3
v
Să se calculeze media Μ(ξ) şi dispersia Ζ)2(ξ):

a) Μ (ξ) = 0, = ^

c) Μ ( ξ ) = | , ΰ 2(ξ) = 0 d ) M ( É ) = 0, Ζ)2(ξ ) =

67. Ο variabilă aleatoare ξ are dispersia ^ 2(ζ) - Atunci dispersia variabilei

aleatoare ς* + —
5 este:
9
a) Ζ)2[ξ + 5/9] ) 10/9 b) Ό2[ξ + 5/9] = 5/9
c) £>2[ξ + 5/9] = Ζ)2[ξ] + Z)2[5/9] = (5/9)2 d) Ζ)2[ξ + 5/9] = 0

68. Se ştie că variabila aleatoare ξ are dispersia D '(ξ ) - — . Atunci, variabila

aleatoare 2ξ are dispersia:

14 n 49 28 7
a)
11 b ) 2 'TT c) 11 d) 11

295
 69. Fie ξ o variabilă aleatoare discretă a cărei repartiţie este: . Să se calculeze
media şi dispersia variabilei aleatoare ξ

2 2 143
a) m = σ~ = b) m= -, σ =
143 5 9

5 2 25 5 143
c) m = - , σ~ = — d) m = σ“
w 3 9 9

70. Să se determine x e R astfel încât media variabilei aleatoare este:

χ χ-1 2x + 1
ξ- 1 l
2 3 6

să fie Μ (ξ) = 1

a)x=l b ) * = -l c) x = 0 d) χ = 2

1 2 2
71. Fie ξ o variabilă aleatoare. Dacă se cunosc: Μ ( ξ ) = — şi Μ (ξ ) = — . Să se
3 y
determine abaterea medie pătratică a lui ξ

1 V2
a) σ b) σ = c) σ=

-1 0 1
72. Se dau variabilele aleatoare independente ζ'· Şi
1 /3 1 /3 1 /3

. Să se calculeze media variabilei aleatoare ξ · η

1 /3 1 /3 1 /3

a) Μ(ξ·η) = — ■
— b) Μ ( ξ · η) = 0 c) Μ(ξ·η) =
’ 27 32 12 d )6

■1 0 1 -1 0 1
73. Se dau variabilele aleatoare ζ '■ Şii V-
1 /3 1 /3 1 /3 2 /5 1 /5 2 /5

Să se determine media variabilei aleatoare ξ + η

296
 ι)Μ(ξ+η) = ± + 1 b) Μ ( ξ + η) = | + I

c) Μ ( ξ + η) = Ο d) Μ ( ξ + η )
, 1 22
=— +—

74. Care din următoarele tablouri poate fi o repartiţie pentru variabila aleatoare
discretă ξ:

' 1 2 3 4)
rn 2 3 -2"
1 2 3 1
a) b)
0,1 0,2 0,4
7 7 7 y

f
4 -3 - 2 - Ϊ )
49 70 71
1 2 3 4
c) d)
0,12 0,38 0,49
,11 ÏÏ 11 u ,

f i 8 13 17 28^
1 1 2 3 2
75. Se dă variabila aleatoare . Să se determine
1 9 9 9 9 9 ,

P( 10 < ξ < 20)

a) b) c) d)

7 10 13
76. Fie variabila aleatoare discretă ζ '■1 ^ 1 . Să se decidă care dintre aplicaţiile
'.5 5 5.
de mai jos este funcţie de repartiţie pentru variabila aleatoare ξ:

x<l

oo X < 1 7< *<10

F(x) 1 7< jc< 13 j . F (x )

a) b) - 10 < * < 13
+ 00 *> 13 5
1 *>13

297
 χ<Ί
Ο χ<Ί
7<*<10
1 /5 7<χ<10
Fix) = ί F(x)
c) - 1 0 < jc< 13 d) 4/5 10<Jt<13
5
1 λ: > 13
Ο jc>13

77. Se dă variabila aleatoare discretă ξ ; 1 . Atunci:

0 x<-\
F (* ) = 1/2 - 1< jc<1
b)
1 x>l

yfï3
c) σ d )M (|) = f D 2(£) = f J
4 16

78. Se consideră funcţia de repartiţie a unei variabile aleatoare:

0 x<0

x /2 0<x<l
F ( jc) =
x l 2 1 x<2 . Atunci densitatea de repartiţie corespunzătoare este:
1 x>2

0 x<0 sau x>2

1/2 0<x<2
0 < jc < 2 b) f(x) -
1 x>2
2

0 x<0
x 2/4 0 < x <1
f l /2 x e [0, 2]
/(* ) =
c) fix) d) x1 / 4 l<x<2
I 0 în rest
x x>2

298
 ffcc, x e [0, 2]
79. Să se determine constanta reală k astfel încât funcţia: / 0 0 =
I 0, în rest
să fie densitatea de probabilitate a unei varaibile aleatoare ξ:

1
a) k = 1 c) Ar= 0 d) k
b > * = 5

80. Fie ξ o variabilă aleatoare continuă a cărei funcţie de repartiţie este:

1 /2 0<x<l

m = ■1 / 4 2<x<4
Să se calculeze Ρ (ξ < 3)
0 în rest

3 1
c) 1 d) 0
a> I b) i
81. Se dă funcţia de repartiţie corespunzătoare unei variabile aleatoare continue,

ί2x, x e [0,1]
/(■*) =- . Să se determine media şi dispersia varaibilei aleatoare:
0, în rest

4 2 1
a) m = - , σ" = — b) m = σ~ = —
’ 9 18 18

2 2 4
c) m = —, σ =— d) m =
’ 3 9

Ike2, x e [0,1]
82. S is e determine constanta reală k astfel încât / W ~ . Să se
0, în rest
reprezinte funcţia de repartiţie a unei variabile aleatoare ξ:
1
a) k = e b )£ = 0 c)) k
c ^-=— d)^=l

[2x x e [ 0 , 1]
83. Fie / ( ·* ) — I 0 în rest densitatea de repartiţie a unei variabile aleatoare

ξ. Să se calculeze P 0 < ξ <-

2
84. Se aruncă o monedă de patru ori. Să se scrie repartiţia variabilei aleatoare care
ca valori numărul de apariţii ale stemei.
Sol. Valorile pe care le poate lua variabila aleatoare sunt: 0, 1,2, 3, 4.
Din schema lui Bernoulli obţinem:

P(x - k) = C kp kqn~k, k = 0,4, p =q=±

0
Cj \4 / i Λ4
Atunci X : T 4
w 2. V2 , v2, V2 , ,

85. Variabila aleatoare x are repartiţia

f-2 0 2 4 λ
Π θ ,3 0,2 0,4 0,1
\ /
a) Să se determine repartiţiile variabilelor >>= 2x + 1; z = x2
1N
b) Să se calculeze P x > —
3

3 1 5 9 N ' 0 4 16"
Soluţie, a) y'· şi
0,3 0,2 0,4 0,1, [o ,2 0,7 0,1^

b) x> — = P((x = 0 ) u ( x = 2 ) u ( x = 4 )) =
3
= P (x = 0) + P(x = 2) + P(x = 4) = 0,7

'-2 3 ' r -\ 2
86. Fie x şi y două variabile având repartiţiile x -
0,2 0,8 j ; y -‘ 0,2 0,5

Să se determine repartiţiile următoarelor variabile aleatoare.

, 2
x + 3; 2x; x2; - ;y - 2; x + y; x ■y;
£
x y
Soluţie.
'-4 6 ' ' 4 9 N
x + 3: f 1 6 1 ; 2x: ; x 2:
00

0,2 0,8 0,2 0,8

p

V J , 0·2
300
 f
2 1 "-3 0 3 N
—: 3 ; y - 2:
X 0,2 0,5 0,3
V0,2 0,8
’ J
' -3 0 2 3 5 8
X + y-
^0,04 0,1 0,16 0,06 0,4 0,24
/
X 3 -1 - 0 ,4 0,6 1,5 2 \
0,16 0,1 0,06 0,24 0,4 0,04

87. Se consideră o funcţie/ definită prin

[l/ x , l - c < x < l + c, c& R
/ (* ) =
[ 0, în rest
Să se determine c a.î. funcţia/ este o densitate de repartiţie.

S o lu ţie./ - densitatea de repartiţie <=S\AX) ^ 0 y x e R şi ~ ^ <=>fix)

R

> 0 = > l- c 0 = > c > l ş ic > 0 .

iar|1+c— = 1 « ln x | £ = 1 o ln (l + c) - ln (1 - c) = 1
X

. 1+ c 1 + c e - 1
<=> In-------= 1 <=> ----------- = e <=> c
1- c 1 - c e + 1

a
-< x< l
ία / (* ) =
88. Se dă funcţia
0, în rest
a) Să se determine a, a .î./ - densitate de repartiţie a unei variabile aleatoare.
b) Să se afle funcţia de repartiţie corespunzătoare.
c) Să se calculeze P(0 < x < 1)
Soluţie, a) Din proprietăţile densităţii de repartiţie =>
r> f1 1
J_i f ( x)dx = l <=> a ' - ' J i == ■dx -

= a[arcsin 1 - a rc s in (-l)] - απ - 1 « a - —
71

301
 b) F(x) = [ _ f{ t) d t.

Dacă x < - 1, cura pentru - < t< - 1, f t ) - 0 => F(x) = 0.

Dacă -1 < t < 1 =» F(x) = JΓ—oo f{t)d t = Jf—oo' f(t)d t +

+ ί f(t)dt + f f(t)dt - — [arcsin 1 - arcsin (- 1)] = — · π =>

1 Jl π π
=» F(x) = 1 pentru xe (1, °«).
Deoarece pe intervalele (-« > ,- 1) şi (1, °°) densitatea de repartiţie este nulă ;

0, x < -l
1 arcsm x + —
1, / 1,1)
1 1Λ
F(x) = — xe (-
π 2
1, xe (1, oo)

c) Ştim că P(0 <x < 1) = F (l) - F(0) Ţ P (0 < x < l)

1 2 3 4^
89. Distributia variabilei aleatoare X este X : 2 7 1 1
p —p — -
4 3 6)
Care este probabilitatea ca variabila X să ia o valoare < 3 ?
Rezolvare:
7 1 1
X este variabilă aleatoare =* p2 +—p + —+—= 1;
y 4 3 6
12/j2 + 21/7 + 4 + 2 - 1 2 = 0 ; 4p 2 + 7/>-2 = 0 ;
-7 + 9 1 -7 -9
D = 49 + 32 = 81; p .= —L l l = ± ; p = _ i_ Z . = -2 < 0 ;
1 8 4 8
' 1 2 3 4
Rescriem distribuţia variabilei aleatoare, X :

P (X < 3 ) = P (l) + />(2) + P(3) = - l + T^ + i = | .

10 10 3 O

90 . Ce distribuţie are suma variabilelor aleatoare independente:

o
»■■'4

»""1

"-1 0 1 2 N
1

X: 2 5 1 şi 7 : ?
p —p — *2 f * % K o
3 3

302
 Rezolvare: Se determină mai întâi p şi q din condiţiile :

Avem: 3>p2 + 5 p - 2 = 0 cu P t - cealaltă soluţie fiind negativă.

30 q2 + 48 q - 24 = 0 ; 5 q2 +8q - 4 = 0 cu soluţia convenabilă q = ^ .
Rescriind cele două distribuţii vom avea:
'-1 o ίΊ r-i 0 1 2 Ï
X: ş ir : 4 16 1 1
ÎX

y ,25 25 6 30,
Atunci repartiţia variabilei aleatoare X + Y va fi :
/ _ 2 -1 ') 0 1 -1 0 1 2 0 1 2 31
X + K: 4 16 1 1 20 80 5 5 4 16 1 1
k225 225 54 270 225 225 54 270 75 75 18 90,
'-2 -1 0 1 2 3 N
smX+Y: 4 _36_ 577 434 100 15
k 225 225 1350 1350 1350 1350 J
91. Se consideră variabilele aleatoare independente:
•1 1 1
X: ,Y'.
ρ+Κ « +X X) Ί Κ lp~q
Să se scrie distribuţia variabilei X + Y . Pentru ce valoare a lui a avem:
P (X + Y = o ) > ! ?
Rezolvare: Avem:

i,+% +?+X +X =1 2
J ^ + 2 p - q + l2 p 2 =1 12p + 2 p -q = —

1 2
12/>2 + 2/?+ /> -j = - j ; 36p2 + 9 p - l = 0 cu soluţia convenabilă:

Rescriem repartiţiile celor două variabile aleatoare:

' - 1 0 1V fa 0 1'

X!U % % r :U χ x ;
303
Repartiţia variabilei X+ Y este:
r-\ + a - 1 O α O 1 1+ a 1 2 Λ

, X X X X X X X X X ,
' - l +a -1 0 a 1 1+ a 2 '
JSf+y:
2/ 1/ 2/
, X /9 /9 /9 X yj
Se observă că: P(X + 7 = 0) = — Pentru realizarea condiţiei din enunţ şi cu a *
9
0, α * 1 = > 1 + α = 0 adică a = -1 .
■1 0 1
>X+ Y:

92. Variabila aleatoare X are repartiţia:

X: . Să se determine a şi β ştiind că M {X) = 1,4 şi β =α + 1.

N
0,2 0,4 0,4 >
Pentru a ş i β determinate să se calculeze M^(X).
Rezolvare:
M (X ) = 1 - 0 ,2 + α · 0,4 + β -0,4 = 1,4; ß = a + l
0 ,4 α + 0,4/3 = 1,2 α + /3 = 3
=» α= 1, β = 2
- a +β =1 - a +β =1
Variabila aleatoare va avea repartiţia:
' 1 1 2 N '1 2
X: , sau :
0,2 0,4 0,4 0,6 0,4
Af,(X) = l3 ·0,6 + 23 ·0,4 = 0,6 + 3,2 = 3,8

93. Fie X şi Y două variabile aleatoare independente şi a,b e R , constante.

Să se arate că: D(aX + bY) = a2D{X) + b2D(Y)
Rezolvare: Se cunoaşte că:
M(aX + bY) = aM (X) + bM(Y) şi
m [(oX + bY)2]= M [a2X 2 + 2abXY + b2Y2}=
= Μ (α2ΛΓ2) + M{2abXY) + M(b2Y2) =
= a 2M (X 2) + 2 apM(XY) + b2M(Y2)

304
A"şi y fiind independente => M(XY) = M (X) ■M(Y)
=* m [(oX + bY)2]= a2M (X 2) + 2abM (X)■M(Y) + b2M(Y2)
Folosind formula de calcul a dispersiei rezultă:
m [(oX + bY)2]= m [(oX + bY)2}- M 2(aX + bY) =

= a 2M (X 2) + 2abM(X)M(Y) + b2M(Y2) - a2M 2(X ) -

- 2 abM(X) ■M(Y) - b2M 2(Y) =
= α2|m(X2) - Λ/2(Χ )]+ 62[m (7 2) - Λ/2(7)]= ω2£>(Χ) + b2D(Y)

94. Se dă o funcţia/ : j? —>/?, unde:

£sin;c x e [Ο ,π ίλε Æ
/ (* ) =
0 ,—>xg[o,7r]
a) Să se determine constanta λ astfel ca / să fie densitatea de repartiţie a une
variabile aleatoare X;
b) Să se afle funcţia de repartiţie F a lui X;
/ π / ηΛ
c) Să se calculeze P 0 < , X < - ,p OZX < - X > -
l 4J \ 4/ 6
5π)
X > -/ ~ < X < -
1

\ 2/ 4

Rezolvare:
a) Condiţiile ca/ să fie densitate de repartiţie a variabilei aleatoare ΛΓsunt:
1) f(x)> 0,(V )xeR = > ks\nx> 0= *k> 0
oo Oo

2) I f(x)dx-l= > ^ksm xdx = -kcosx](‘0 =2k = \=^k = y^.

—oo

—sinx, pentru x e [ο,π]

Deci: / (* ) =
0, pentru x g [θ,π]
X

b) Deoarece: F(x) = J f(t)d t =>

υ x 1 1 r 1
F(x)= \0dt+ f —sin tdt = - —cosii = -(l-c o s λ)
J ί 2 2 η 2

305
Dacă χ>π atunci:

O π x n -t
H *) = J / (O * +J fiO dt +J f(t)dt =0 +J - s in tdt +O= 1
—oo O 7C O

în concluzie:
0 ,dacă x <0
l-c o s jc
F(x) = ■ ,dacă 0< χ< π
2
1 ,dacă x> n

2-V2
c) f i 0 < X < — j = f —sin xdx =

V <—
n π
<X F
4 6
'O ix c î/ x ^ Λ
4/ 6
{χ>- 1 1-fj
1 6J UJ
_ 2(V3-V2)
2 + V3

x >— <x < —1 ^

= — ---------- li
Λ 2/4 4 J ' F i 5’1'
l 4 4 J

2
1 - i

1 2 + /2
λ

95 Să se determine constanta c astfel ca / : R —» [0,l], / (* ) = —^-=- să fie o

l +x
densitate de repartiţie (repartiţia Cauchy) a unei variabile aleatoare X. Să se
determine P ( - 1 < X < 1).

306
 Rezolvare:
/ (x) este o densitate de repartiţie dacă: f ( x ) > 0 · c > 0 şi

jf ( x ) d x = 1

f dx r 1
-■dx = c \
2 J --------
ţ = c · arctg x\ -c -n - 1 c =—
(i +x ,
.+ Χ n
i
î£c
+x
1 e J_ _ 1 π
= —·arctg χ - - Ϊ
π -1 π .4 41 πΊ
o .pentru x < 0
96. F ie/: R->R, / (x ) = ·
A e-2* .pentru x > 0
a) Să se determine A pentru ca / să fie densitatea de repartiţie a unei variabile

aleatoare continue X.
b) Să se calculeze P ( X >3),P (X <3),P(2 < X < 3)
c) Să se calculeze M(X) şi D(X).

Rezolvare'.
a)/ densitate de repartiţie dacă:
/ (x) > 0, (V)x e i? => A > 0 ;
oo oo oo

J / (x)dx = 1=» J A ·e~2xdx =A J e~2xdx -1 =»

—oo o —oo

=> λ ^ ~ ^ ~ 2χ = l= > -^ A (e"~ -e°)= | -A = l=>A = 2

b) Calculăm întâi
3 3 ,
P(X < 3) = J 2e~2xdx = - eT2*|o = 1- e-6 = 1— .
o ° e

P (X > 3) = l- P ( X < 3 ) = ~ .
e
3 2

P (2 < X < 3) = f 2e~2xdx = - e“2xf = e'4 - e"6 = ^

J Iz e e e6

307
 oo oo oo

c) M (X)= J xf(x)dx = j2xe~2xdx = 2jxe~2xdx =

—oo 0
ι
lo J
o
2
= -xe~2x\ + le~2xdx = 0 - —e~2x
2

M2(X) = J x2f (x)dx = J 2x2e~2xdx =

0
oo

=2x1 - + 2 jx - e - 2xdx = 0 - - e
2

308
 CAPITOLUL V
ELEMENTE DE STATISTICĂ M ATEM ATICĂ

§ 1. Obiectul statisticii matematice. Noţiunea matematică de selecţie. Funcţia

de repartiţie a selecţiei. Momente de selecţie.

1. Obiectul statisticii matematice. Statistica matematică are ca obiect studiul pe

cale inductivă al fenomenelor aleatoare de masă, folosind metode matematice care
sunt fundamentate de teoria probabilităţilor. Instrumentul de bază cu care operează
statistica matematică este conceptul de selecţie care constituie informaţia cu privire
la fenomenul de masă aleator luat în studiu.
Cercetarea statistico-matematică porneşte de la o mulţime numită populaţie
formată din obiecte sau indivizi care se diferenţiază prin diverse atribute şi care
poartă numele de unităţi ale populaţiei.
Studiul statistico-matematic al unei populaţii se poate face de exemplu
cercetând unităţile populaţiei după o anumită caracteristică măsurabilă sau
calitativă (atributivă) pe care o posedă unităţile populaţiei şi care poate fi similară
cu o variabilă aleatoare X considerată pe populaţia luată în studiu. Această variabilă
aleatoare poartă numele de variabilă aleatoare asociată populaţiei sau
caracteristică sub cercetare sau încă variabilă teoretică.
Ca orice variabilă aleatoare, caracteristica X are o lege de repartiţie care descrie
repartiţia valorilor lui X în populaţie. Această lege poate fi dată fie de repartiţia
probabilităţilor p(x) fie prin densitatea de repartiţie / (x) după cum variabila
aleatoare X este discretă sau continuă. De asemenea această lege poate fi dată şi
prin funcţia de repartiţie F(x) a variabilei aleatoare X. Atât p(x) şi fix), cât şi F(x) se
numesc legi de repartiţie teoretice.
Menţionăm că de regulă aşa cum vom vedea mai departe, legile de repartiţie
teoretice conţin unul sau mai mulţi parametri astfel că vom scrie ρ(χ',θι,θ 2
/ ( χ ;θ 1,θ 2,··.) sau F ( x -,e i,0 2,...), parametri ce au interpretări probabilistice ca
valori tipice, medie, dispersie etc.
Revenind la selecţie ca instrument de lucru al statisticii matematice, remarcăm
că în practică se poate examina numai un număr limitat de unităţi ale populaţiei
considerând că informaţia obţinută pe acestă cale oferă cu suficientă precizie
elemente în măsură să caracterizeze întreaga populaţie, cu alte cuvinte să facem
ceea ce se cheamă inferenţă statistică, adică să extindem rezultatele obţinute prin
observarea unei părţi din populaţie la întreaga populaţie.
Conceptul de selecţie, care într-un mod mai intuitiv se poate defini pornind de la
un experiment aleator, constă în extragerea la întâmplare a unei unităţi din
populaţie şi cercetarea ei din punct de vedere al caracteristicii X. Dacă repetăm de n
ori în mod independent acest experiment, obţinem un şir de valori observate

309
{.Kj,.*2 , . al e variabilei aleatoare X. Vom spune că o astfel de mulţime de n
valori observate ale unei variabile aleatoare X având funcţia de repartiţie
F (x ;0 l,0 2,...) se numeşte selecţie realizată de volum n, efectuată asupra
caracteristicii X în populaţia a cărei lege de repartiţie tepretică este
F(x;Ov 02,...).
Selecţia poate fi cu întoarcere şi fară întoarcere; în primul caz elementul extras
din populaţie este repus la loc iar în al doilea caz el nu mai revine în populaţie.
Evident dacă populaţia este infinită atunci această deosebire practic nu mai
apare, ea se impune când populaţia conţine un număr finit de unităţi.
Când o populaţie este infinită sau poate fi considerată practic infinită, singura
metodă de cercetare a populaţiei după caracteristica X este evident metoda selecţiei
cu ajutorul căreia pe baza analizei unei colectivităţi parţiale numită colectivitatea
de selecţie se trag concluzii asupra întregii colectivităţi.
Pentru ca aceste concluzii să fie justificate este necesar ca selecţia să fie
reprezentativă adică toate valorile de selecţie xl ,x 2,...xn să aibă aceeaşi
probabilitate de a intra în componenţa ei.
Să introducem acum mai riguros conceptul matematic al selecţiei. Considerăm
un experiment aleator căruia i se asociază variabila aleatoare (caracteristica) X.
Efectuăm un şir de n repetări ale experimentului care formează un experiment
aleator compus şi care constituie un sistem de n variabile aleatoare
X x,X 2,...X n independente unde X, \ < i< n este rezultatul aleator care
corespunde celei de a i-a repetări a experimentului.
Suntem conduşi astfel la o variabilă aleatoare «-dimensională ( X , , I 2> -^ „ )
unde componentele Xi sunt variabile aleatoare independente identic repartizate
adică având fiecare aceeaşi funcţie de repartiţie F(x) ca şi variabila X ataşată
experimentului (asociată populaţiei).
în baza consideraţiilor de mai sus, dăm următoarea:
Definiţie. Fie X x,X 2,...X n , n variabile aleatoare independente identic
repartizate deci având aceeaşi funcţie de repartiţie F{x)\ funcţiile de repartiţie ale
variabilelor X l ,X 2,...X n fiind
F fx ,) = F (x x)-F 2(x2) = F (x2)...Fn(xn) = F (x n)
iar funcţia de repartiţie comună variabilelor X x,X 2,...X n
F (Xl) -F ( x 2) -...-F (x n)
în acest caz se spune că variabilele X x,X 2,...X n constituie o selecţie
aleatoare de volum n asupra variabilei X având funcţia de repartiţie F.
Definiţia precedentă rămâne valabilă dacă în loc de funcţia de repartiţie F
figurează densitatea de repartiţie f
Conform cu definiţia de mai sus, noţiunea de selecţie realizată asupra variabilei
310
aleatoare X din populaţia cercetată, introdusă anterior şi definită de ansamblul
valorilor xl ,x 2,...xn reprezintă realizarea prin selecţie a variabilei aleatoare n-
dimensionale (Χ ], X 2,...X n) în sensul că în urma experimentului compus al celor
n repetări, X x ia valoarea xu X2 ia valoarea x2 ...X„ ia valoarea xn. Mai spunem că
(xi, x2,...jcn), formează o valoare de observaţie a variabilei n-dimensionale

Avem deci de considerat selecţia aleatoare {X l , X 2,...Xn}ca ansamblu al

variabilelor aleatoare X l , X 2,—, X n şi realizarea ei concretă {xv x2,...xn} în
urma experimentului repetat.
Deci înaintea efectuării experimentului, rezultatele aleatoare X, l < i < n sunt
privite ca variabile aleatoare independente identic repartizate cu variabila teoretică
X considerată pe populaţia respectivă, iar după efectuarea experimentului ele sunt
nişte valori concrete xt 1 < i < n obţinute, pe care le folosim ca informaţie asupra
caracteristicii X şi constituie n observaţii independente asupra acestei caracteristici.
Rezultă că variabilele X ltX 2,...,Xn fiind identice cu X în sensul arătat mai sus,
putem scrie:
M ( X ;) = M ( X r ) = mr 1 < i< n
şi de asemenea (1)
(m [(X î - m ) r ]= m [(X μΓ
unde m = Μ ( X ), mr , μ Γsunt media şi respectiv momentul iniţial centrat de
ordinul r ale caracteristicii X, numite şi momente teoretice ale populaţiei.
Exemplul 1°. Fiecare produs care iese de pe o linie de fabricaţie poate fi defect
sau nu. Presupunem că probabilitatea ca un produs să fie defect este p şi că
apariţiile produselor defecte sunt independente.
Dacă luăm o selecţie aleatoare de n produse de la ieşirea acestei linii de
fabricaţie şi definim:
îl d aca produsul ί este defect
X,. =\ K 1<i < n
[0 d aca produsul i nu este defect
atunci X l , X 2,...,Xn este o selecţie aleatoare de volum n asupra unei variabile
aleatoare X cu legea de repartiţie teoretică binominală B( 1, p), considerată pe
populaţia formată de produsele care ies de pe linia de fabricaţie pe o durată anumită
şi care se scrie:
f ( x , p ) = p x{ l - p ) l' x x = 0 , \ 0 < p < l

Exemplul 2°. Presupunem că pentru o anumită întreprindere apelurile telefonice

se primesc zilnic între orele 7h -23h, acestea constituind evenimentele ce se succed
311
după o repartiţie Poisson de parametru λ = 10 apeluri pe oră şi că apelurile sunt
independente de la o zi la alta. Atunci dacă X t, i = 1,2,...,6 reprezintă numărul
de apeluri zilnice pentru o anumită săptămână, X {, X 2,...,X 6 reprezintă o
selecţie aleatoare asupra unei variabile Poisson de parametru 0 = 1 6 - 1 0 = 160 şi
care are repartiţia teoretică:

p ( x ,e ) = e-e ~ = e~m ^ - , * = 0,1,2,...

x\ x!

2. Repartiţia selecţiei Funcţia de repartiţie a selecţiei

Descrierea şi sistematizarea datelor de selecţie se face cu ajutorul aşa numitei
repartiţii a selecţiei. Repartiţia selecţiei (sau cum i se mai spune: repartiţia
empirică) este repartiţia variabilei discrete notată cu X * numită variabilă de
selecţie sau variabilă empirică. Această repartiţie se scrie:
(X t X 2 ... X A
i i i (2)
η η η ,
din care se vede că X * ia fiecare din valorile xt 1 < i ^ n cu aceeşi probabilitate
1
— adică:
n

P(X* = * , · ) = - , / = 1,2......n (3)

n
Dacă efectuând cele n observaţii independente constatăm că de ri\ ori a apărut
r

valoarea xu de n2 ori valoarea x2, ... de nr ori valoarea xr unde ^ / n‘ ~ n ’ atunc‘

i- l
repartiţia variabilei X* este:
tLxx x2 _ ... x_r ^
X (4)
Λ f i - fr
τι r r ti \ r
unde f i - — ·, i = 1,2,..., r şi /; = = —Σ n‘ = ^ reprezentând
η —, η n ;=1
frecvenţa relativă a valorii x; în selecţia realizată de volum n,
în practică selecţia dintr-o populaţie continuă este grupată, adică nu se consideră
valorile individuale x\ ci numai numărul valorilor observate care cad într-o anumită
clasă specificată de intervale. Construim pe fiecare interval luat drept bază, câte un
v
dreptunghi având înălţimea — , unde h este lungimea intervalului,iar v numărul de
nh
312
valori ale selecţiei care cad în acest interval.
Figura astfel obţinută constituie histograma selecţiei (fig. 1). Aria fiecărui
v
dreptunghi al histogramei este egală cu frecvenţa relativă corespunzătoare — .
Pentru un volum n al selecţiei suficient de mare, această frecvenţă este aproximativ
egală cu probabilitatea ca o valoare observată a variabilei continue X să aparţină
intervalului corespunzător, ceea ce echivalează cu integrala densităţii de repartiţie a
variabilei aleatoare pe acest interval. într-adevăr, fie variabila aleatoare continuă X
considerată pe o populaţie ale cărei valori se află în intervalul \ß,b\ şi care are
densitatea de repartiţie / (λ ).
împărţim intervalul \_a,b\ în r intervale parţiale (a, ax), (au a2)....
(ijk-i » ßk) . . . ( û r - i , b) prin punctele a h a2, ..., « r-i în aşa fel ca
aj —a = a2 —a x = ...b - ar_x = h .
O selecţie realizată asupra variabilei X conduce la obţinerea frecvenţelor V], v2,
...,vr corespunzătoare intervalelor de mai sus, unde v,· reprezintă numărul valorilor x,
observate care cad în intervalul (<2i-i,<Zi).
Se obţine astfel repartiţia variabilei de selecţie X* reprezentată prin cele r
subintervale şi prin frecvenţele vb v2,...,vr corespunzătoare:
^ (fli-1»a i ) 'v
X *
1=1

Densitatea de repartiţie a variabilei aleatoare X fiind/ (x), probabilitateap\ ca

X să ia o valoare din intervalul [a M , cl- ) este după cum se ştie dată de relaţia:

Pt = P ( a M < X < a t)= j f(x )d x ( 6)

Se ştie de asemenea că pentru n suficient de mare teorema lui Bemoulli ne

permite să scriem:
313
 vi
când η —>°° afirmă convergenţa în probabilitate a frecvenţei relative — către
probabilitatea p\ când volumul selecţiei este mare. Să presupunem că am
reprezentat pe acelaşi grafic histograma repartiţiei (5) precum şi curba de ecuaţie
y = f ( x ) a densităţii lui X. Din relaţia (7) de mai sus se poate vedea că dacă
a,· —aw = h —» 0 şi dacă n este suficient de mare atunci curba y = f ( x ) a
densităţii de repartiţie va acoperi în întregime histograma repartiţiei variabilei de
s e le c ţie i* . Acest fapt rezultă aplicând formula de medie integralei din (6)

Pi = } f(x)dx = / ( & ) * , α Μ < ξ { < a, (8)

aM

şi ţinând seama de (7) obţinem egalitatea aproximativă:

(8 )
n

v
Relaţia (8) justifică afirmaţia făcută mai sus, anume frecventa relativă —
n
corespunzătoare intervalului [flM , a ( ) se apropie oricât de mult de ordonata curbei
y - f ( * ) în orice punct intermediar ζί când n creşte. Deducem că pentru un
volum mare al selecţiei conturul superior al histogramei ne furnizează o imagine
statistică suficient de exactă a graficului densităţii de repartiţie / (x) adică a curbei
reprezantative a legii teoretice pe care o urmează caracteristica X în populaţia
generală.
O altă noţiune care se impune în studiul selecţiei este funcţia de repartiţie a
selecţiei sau funcţia de repartiţie empirică. Fie o populaţie pe care se consideră
variabila aleatoare X, având funcţia de repartiţie F (x ) = P (X < x), XE R
numită aşa cum am spus funcţia de repartiţie teoretică. Dacă {x[, x2 x„ } este o
selecţie realizată de volum n din populaţia dată şi x un număr real arbitrar, să notăm
cu tix numărul de valori x; din selecţie mai mici ca x.
nx
Raportul — reprezintă frecvenţa relativă a valorilor x,· care cad la stânga

punctului χ, adică frecvenţa relativă a evenimentului X < x. Această frecvenţă este

o funcţie de x şi poartă numele de funcţie de repartiţie a selecţiei sau funcţie
314
empirică de repartiţie obţinută prin selecţia realizată {xi ,x 2,—,x n} de volum n
asupra variabilei X. Notând această funcţie cu Fn (x ) avem conform definiţiei:

(9)
n

în cazul variabilei de selecţie X * cu repartiţia (4), funcţia de repartiţie F*(x)

este:

( 10)
n fr.
X j< X

adică este egală cu suma frecvenţelor relative corespunzătoare tuturor valorilor xt

1 < i < r pentru care x, < x . Vom avea deci:
0 pentru x < x,
/j pentru x, < x < x2
f\ + f i pentru x2 < x < x3
Fn (*) = ( 11)
rt-l
Σ /,· pentru xr_x< x < x r
i=l
1 pentru x > xr

având graficul de mai jos:

F'.W
Σ
Im
/-=>

w,
f,

I 2 AM i

Dacă datele de selecţie sunt grupate pe intervale (α ,.,,α ,·), i = l,2 ,...r de
lungime constantă h, funcţia de repartiţie a selecţiei Fn (x ) se defineşte astfel:

315
 pentru x < a 0 = a
X -ür
pentru a Q< x < a {
x -a .
f l + f l pentru a l < x < a 2
Κ ω (12)
x - a t_i
Σ λ · + /.· pentru αΜ < x < a t
i'= l
n~ l

pentru x > a r - b
i= t

Vj
unde f , - — , j = 1,2,..., r este frecventa relativă corespunzătoare intervalului
η
0 a j _ x, a j ) , j = 1 ,2 ,..., r .

Funcţia de repartiţie a selecţiei se bucură de toate proprietăţile unei funcţii de

repartiţie. Este nulă pentru x ^ rnin X; şi egală cu unitatea pentru x > înax xt .
i i
i
Este crescătoare prin salturi de mărime — în fiecare din punctele xl ,x 2,—,x n ,
n
graficul fiind o curbă în scară.

Să ilustrăm cele de mai sus, efectuând o selecţie de volum n = 100 asupra unei
variabile aleatoare X care a furnizat valorile 1, 3, 7, 10 respectiv cu frecvenţele
Vj = 20, v2 = 15, v3 = 4 0 ,v 4 = 25. Variabila de selecţie X* conform cu (4) are
repartiţia:

1
X* 20 15 40 25
,1 0 0 100 100 100

Atunci funcţia de repartiţie a selecţiei F ^ ix ) este:

316
 0 dacă x< l

0,2 dacă l<x<3

*ίοοΟΟβ 0,35 dacă 3<x <7

0,75 dac ă 7 < x < 10

1 dacă x > 10
având graficul:

Fm(x)
1
0,8-

0,6.

0,4.
0.2-

10

Pentru x fixat funcţia de repartiţie a selecţiei Fn ( x ) , care este frecvenţa relativă

a apariţiilor evenimentului X< x, converge în probabilitate conform teoremei lui
Bernoulli, către probabilitatea P { X < x ) = F (x ) a aceluiaşi eveniment, când
volumul n al selecţiei este mare. Avem deci convergenţa:

+ F (x ) (13)
n
pentru n —>°° şi x fixat, a funcţiei de repartiţie empirice către funcţia de repartiţie
teoretică. Convergenţa lui Fn (x ) către F(x) pentru orice x e R adică convergenţa
globală este dată de teorema lui Glivenko potrivit căreia, dacă notăm
dn = sup |f „*(x ) - F ( x )I
—oo<X<+oo
atunci d„ converge în probabilitate către zero, când volumul selecţiei n —>°°
adică:
p ţlim dn = o J —> 1 (14)

pentru orice x G (—1°o,+°°) .

317
 Această teoremă numită de unii autori teorema fundamentală a statisticii, dă
justificarea teoretică a folosirii metodei selecţiei. Deducem şi aici că, pentru un
volum mare al selecţiei, graficul funcţiei de repartiţie Fn ( x ) , care poartă numele
de poligonul frecvenţelor cumulate, ne oferă o imagine a funcţiei de repartiţie
teoretice F(x).
Pentru repartiţia unei selecţii se pot calcula toate valorile tipice, media,
dispersia, etc. Aceste valori tipice se numesc valori tipice de selecţie sau valori
tipice empirice. Cele mai importante dintre ele aşa numitele momente de selecţie
sau momente empirice, le vom defini în cele ce urmeză.
3. Momente de selecţie
Când se consideră o selecţie aleatoare {X ],X 2,...,X n}, adică X\, X 2,...,X n
sunt concepute ca variabile aleatoare, orice funcţie Tn( X l,X 2,...,X n) de aceste
variabile, adică orice funcţie de selecţie este la rândul său o variabilă aleatoare, a
cărei funcţie de repartiţie este unic determinată de funcţia de repartiţie
F{x,Q],θ 2,...) a caracteristicii X care a generat selecţia. Funcţia de selecţie
Tn(X \,X 2,...,X n) o vom numi statistică şi aşa cum am spus mai sus este o
variabilă aleatoare. Menţionăm că pentru o selecţie realizată .··>*„}
valoarea statisticii Tn este numărul Tn(xx,x 2,...xn\adică realizarea prin selecţie a
variabilei aleatoare Tn(X i,X 2,...,X n) .
Dintre funcţiile de selecţie importante menţionăm aşa numitele momente de
selecţie pe care le definim în continuare.

Se numeşte momentul iniţial de selecţie de ordinul r, statistica:

în particular, pentru r = 1, obţinem momentul de selecţie de ordinul întâi wz,

sau media de selecţie X :

în legătură cu momentul iniţial de selecţie de ordinul r, se pot stabili după un

calcul relaţiile:
a) M (m *r ) = mr
(17)
n
în particular, pentru r - 1 relaţiile (17) devin:

318
 M(X) = m
D (X ) = m2 ~ mi = (18)
η n
adică valoarea medie a mediei de selecţie este egală cu media populaţiei
M ( X ) = m , iar dispersia mediei de selecţie este de n ori mai mică decât dispersia
D (X ) = σ 2 a populaţiei.
Se numeşte moment centrat de selecţie de ordinul r statistica:

A =-ÿ(x,-xy -Ifcjr, -xr+(x2-xy +...+(x, -xr]

" M n
în particular pentru r = 2 obţinem momentul centrat de selecţie de ordinul doi
sau dispersia de selecţie

lh = S 2 = - f l ( X ,- X f
" ti
Se înţelege că cu cât volumul selecţiei este mai mare cu atât momentele de
selecţie vor avea valori mai apropiate de momentele teoretice corespunzătoare.
Această afirmaţie care poate fi intuită, are la bază convergenţa în probabilitate a
momentelor de selecţie către momentele teoretice, justificată de teorema lui A.I.
Hinein, conform căreia oricărui şir de variabile aleatoare independente
Z ],Z 2,...Z n identic repartizate cu aceaşi valoare medie finită:
A/(Zj) = Af (Z2) = ...M(Z„) = m

îi putem aplica legea numerelor mari adică media aritmetică

—(Zj + Z2 + ... + Zn) a acestor variabile converge în probabilitate către m când

n
1 n
n —>00 . într-adevăr momentul de selecţie de ordinul r, = — V X t este
« w
media aritmetică a variabilelor Z,· = X t , 1 = 1,2..,n, care urmează aceeaşi lege de
repartiţie şi cu aceeaşi valoare medie M {Zt) - M (X i ) = mr .
Aşadar, dacă există momentul teoretic mr al repartiţiei teoretice, atunci
★
momentul de selecţie mr converge în probabilitate către momentul teoretic de
acelaşi ordin, fapt ce se exprimă prin relaţia:

319
când « —» oo _ în mod analog, momentele centrate de selecţie /ir converg în
probabilitate către momentele teoretice μ . , când volumul selecţiei « —>00 .

Aplicaţie·. în tabelul de mai jos este dată repartiţia înălţimii X în cm a n - 1000

de muncitori, obţinută pe baza datelor culese de la o uzină. Datele sunt grupate pe r
= 15 intervale de mărime h = 3 cm şi am notat cu v, numărul de valori ale selecţiei
care cad în intervalul Punctele ζ, & [ai_v ai ) se iau chiar mijloacele
intervalelor.
Tabelul I
V; *
vi
143-146 1 1
146-149 2 2
149-152 8 9
1 5 2 - 155 26 27
155 - 158 65 65
158-161 120 120
161 - 164 181 175
1 6 4 - 167 201 198
1 6 7 - 170 170 175
170-173 120 122
173-176 64 66
1 7 6 - 179 28 28
17 9 -1 8 2 10 9
18 2 -1 85 3 2
18 5 - 188 1 1

Se observă că frecvenţele v,· din tabelul respectă o anumită legitate care ne

conduce la ideea că frecvenţele v, urmează o anumită lege de probabilitate sau lege
teoretică de repartiţie.
într-adevăr ele pot fi calculate cu mare precizie după relaţia
* _ 3 · 1000 -~ ÿ -
V' " S - J 2 Ï ' e (20)
unde Xia valorile ζ ί 1 < z < 15 adică mijloacele intervalelor
6 = 1 4 ,5 , ξ 2 = 1 4 7 ,5 ,...,6 s = 186,5
iar X şi S 2 sunt media de selecţie şi respectiv dispersia de selecţie date de
-Τ = ~ [ ΐ · ί 1 + 2 · ί 2 +8 ' ί 3 + ···1·ί,5]=16.3

■Sl2=-i^ [ 1'( Ô - ^ ) 2+ 2 - ( & - ^ ) 2 + 8 ( Î 3 - ^ ) 2 + -..+ l ·<|15- ^ ) 2]=

= 6,047
Din relaţia (20), rezultă că frecvenţele relative v, urmează cu destulă precizie
legea:
_ (x -1 8 6 ,5 )2
V,i _ J ________ 2-6,047
1000 ^ 6 ,0 4 7 λ/2τγ
Acest fapt conduce la ideea că probabilitatea ca valorile caracteristicii X să cadă
într-un interval ( x ,x + d x) este aproximativ dată de produsul
1 _x~m
e 2° 2 cbc
O-JlTC
în care x poate fi orice număr real iar m şi σ nişte parametri aproximaţi prin selecţie
de valorile X şi S.
Deducem de aici că, pe baza datelor observate, caracteristica X-(înălţimea) poate
fi considerată ca o variabilă aleatoare care are în populaţia de muncitori o repartiţie
teoretică normală cu legea:
I —Îj-U-m)2
f ( x ,m ,a ) = — j = - e 2tT x e R ,m e R ^ > 0 (2 l)
σ*]2π
m şi cr fiind după cum se ştie media şi dispersia populaţiei.

§ 2. Selecţii dintr-o populaţie normală

I. Introducere. Am văzut că o anumită caracteristică calitativă sau cantitativă

studiată pe o populaţie oarecare poate fi asimilată cu o variabilă aleatoare
unidimensională X căreia îi corespunde o densitate de repartiţie f ( x , 0 ) sau o
funcţie de repartiţie F ( x ,0 ) pe care le-am numit legi teoretice de repartiţie ale
variabilei X considerată pe populaţia generală luată în studiu, Θfiind un parametru
al repartiţiei.
Pe baza unei selecţii {Χ ι ,Χ 2,···,Χη} de volum n extrasă din populaţia
considerată, se pot construi diverse statistici, adică funcţii Τη(Χ λ,Χ 2,...,Χ„) de

321
 — 1 n
datele de selecţie, ca de exemplu media de selecţie X —— , dispersia de
n k =1

selecţie S 2 = ~ ^ \ ( X k —X ) 2 1 momentul de selecţie de ordinul r,

n
1 "
mr ~ —Σ etc· Acestea sunt şi ele din cauza caracterului aleator al selecţiei,
n k =1
nişte variabile aleatoare care la rândul lor au anumite legi de repartiţie numite
repartiţii de selecţie. Cunoaşterea legii de repartiţie a statisticii
Tn(X l ,X 2,...,X „) este de mare importanţă deoarece cu ajutorul ei se poate face
studiul probabilistic al statisticii T„ putându-se calcula probabilităţi de forma
P(Tn < a ),P (a < Tn < b ) , precum şi valorile tipice ale lui T„ ca
M(Tn),D(Tn) etc. Este astfel posibil ca prin intermediul statisticii T„ să se tragă
concluzii referitoare la populaţia generală din care a provenit selecţia.
Teoria probabilităţilor ne oferă procedee de determinare a repartiţiei exacte de
selecţie,'fie a repartiţiei asimptotice de selecţie a statisticii Tn( X x,X 2,...,X n) .
Numim repartiţie exactă a statisticii T„ repartiţia determinată pentru orice număr
natural n, adică pentru volum finit al selecţiei. Repartiţia asimptotică este repartiţia
limită a statisticii T„, adică repartiţia către care tinde repartiţia exactă când volumul
selecţiei n —» °° . Repartiţia exactă a statisticii Tn este de mare utilitate în cazul
în care condiţiile concrete ale caracteristicii studiate în populaţia generală impun
folosirea unor selecţii de volum redus (« < 30). în cazul unÔr selecţii de volum
mare n > 30 folosirea repartiţiei asimptotice conduce de asemenea la rezultate
suficient de precise.
Repartiţia de selecţie a statisticii Tn este strâns legată şi unic determinată de
legea de repartiţie teoretică a variabilei X care a generat selecţia.
în cele ce urmează ne vom ocupa de stabilirea repartiţiilor de selecţie pentru
statistici T„ constituite pe baza unei selecţii extrasă dintr-o populaţie normală.

2. R epartiţia mediei de selecţie, pentru selecţii dintr-o populaţie norm ală

Cele mai frecvente situaţii întâlnite în aplicarea metodei selecţiei, corespund
cazului când legea teoretică de repartiţie este normală N(m,<j) . Vom stabili aici
repartiţiile unor statistici importante ca media de selecţie X , dispersia de selecţie
S precum şi a unor funcţii de acestea, punând în evidenţă şi unele proprietăţi ale
lor. Ca şi până acum vom folosi selecţii de volum n, iar variabilele de selecţie
X k (\ < k < n ) le vom presupune independente.

322
 Teorema 1. (fără demonstraţie) Dacă X x,X 2,...,X n este o selecţie de volum n
dintr-o populaţie caracterizată de o variabilă aleatoare repartizată N {m ,o) atunci
media de selecţie
^ _ X i + X 2 + ... + X M
n

are o repartiţie Ν(™>-τ=).

y/n
Deci media de selecţie X pentru o selecţie dintr-o populaţie normală, urmează
tot o lege normală cu media m (media populaţiei) şi abaterea medie pătratică egală
σ
cu —7= .
V«
Putem deci scrie repartiţia lui X:
I— n( x - m Ÿ
■yjn ~~I~
nf x,m
- ,—^j=r1
}
)
II

( 1)
îs
b

{ ^n )
Pentru selecţii din populaţii normale, repartiţia mediei de selecţie X este aceeaşi
dată de (1) atât pentru selecţii de volum mic cât şi pentru selecţii de volum mare.
Să considerăm variabila redusă:
7 _X -m
Ζ '~ ~ Ϊ Γ (2)
yfn
întrucât 2 se exprimă liniar în funcţie de variabila normală X ,
_ 4 n — -Jn
£ --------X ----------m , rezultă că Z va avea o repartiţie normală tip N(0,Y) cu
<7 cr
desitatea de repartiţie:
1
= ~ ^ 2π 'β 2 (3)
Pentru selecţii de volum mic repartiţia mediei de selecţie X trebuie
determinată de la caz la caz depinzând de repartiţia / (x) a populaţiei din care s-a
extras selecţia.
Aplicaţie. S-a stabilit că productivitatea muncii unor lucrători care îndeplinesc o
anumită operaţie în condiţii tehnice asemănătoare, are o repartiţie normală.
într-o întreprindere industrială s-a determinat cu ajutorul cronometrării
proceselor de muncă, durata de efectuare a operaţiei amintite, la 9 muncitori luaţi
întâmplător dintr-o serie de grupe care efectuează această aplicaţie. Se cere să se

323
determine probabilitatea ca media X observată la cei 9 muncitori să se abată în
valoare absolută de la productivitatea medie generală m cu mai mult decât 2
bucăţi/om/oră ştiind că abaterea medie pătratică a productivităţii muncii
lucrătorilor este G = 3 bucăţi/om/oră.
Avem:

Μ yς **
k=1
Probabilitatea cerută este:
p \ x -n \ > 2 ) = P ( X -m > 2 ) + P ( X - m < - 2 ) =
f \ / \

=P +P =P(Z > 2) + P(Z < - 2 ) :

cr 3 _σ_ 3
V V« ;
1
1- F(2) + F (-2) = 1- +Φ(2)

= 1-0,95450 = 0,04550
Prin urmare din punct de vedere practic putem fi siguri că productivitatea
medie X observată, nu se va abate de la productivitatea medie generală cu mai
mult de 2 bucăţi/om/oră.
Se ştie de la studiul repartiţiei χ2 că variabila

^ = z ,2 + z | + ...+ z „! = £ z ,
k=1
unde Zk sunt variabile aleatoare independente iV (0 ,l) are o repartiţie χ 2 cu n
grade de libertate
1 "A- 1 7
h(x) x /2 -e 2 ;x > 0 (4)
2 * Γ (^ )

pentru care Μ (χ 2) = n şi Ό (χ2) = 2 n, iar funcţia caracteristică este

Rezultă că din punct de vedere al teoriei selecţiei dintr-o populaţie normală,

2
repartiţia % şi repartiţia normală sunt legate prin teorema următoare:

Teorema 2. Dacă X l , X 2,—, X n reprezintă o selecţie de volum n dintr-o

324
 η

populaţie normală /V(0,1) atunci variabila aleatoare 7 = ^ X * urmează o

jfc=l
2
repartiţie X cu n grade de libertate dată de (4).

Aplicaţie. Se efectuează n = 10 observaţii independente asupra variabilei

aleatoare X repartizată ^ (0 ,1 ). Se cere probabilitatea ca suma pătratelor
rezultatelor observaţiilor să depăşească 15.
Fie X k ( l< k < 10) rezultatele observaţiilor. Trebuie să calculăm
iu N
^ X l > 15 . Cum fiecare din variabilele Xkare o repartiţie normală cu media
,*=> )
_ Xk
0 şi abaterea medie pătratică 2, rezultă că variabila £ - are o repartiţie

normală N (0,1) . Probabilitatea cerută va fi:

( io Λ f -, io ic
ς ^ 2» 5 Η ϊ Σ χ » > 7 =F >3,75
k=l
ί 10
=P Σ ζ *2 >3·75 = Ρ (χ 2 > 3,75) = 0,9644

valoarea fiind luată din tabelele repartiţiei X la n = 10 grade de libertate.

3. Repartiţia dispersiei de selecţie pentru selecţii dintr-o populaţie

normală

Dispersia σ 2 a unei populaţii oarecare poate fi evaluată pe baza selecţiei

X x, X 2,...,X n în următoarele moduri :
- dacă media m a populaţiei generale este cunoscută, atunci dispersia de selecţie
este dată de relaţia:
1 "
S,2 = - Y ( X * - m ) 2 (5)
n k =1
dacă media m a populaţiei generale nu este cunoscută, o putem evalua cu media
_ 1 n
de'se le c ţie X ~ şi dispersia dc selecţie este:
n *=1

325
 S2 = i j T ( X * - X ) 2 (6)
n k =1

- în cazul selecţiilor de volum mic este indicat să se evalueze dispersia (X cu

dispersia de selecţie dată de relaţia:

* 2 = - r r Ê < x * - f
> <7 >
n 1 *=1
în cele ce urmează vom stabili repartiţiile unor funcţii de variabilele
aleatoare S ? ,S 2 şi s 2 pentru selecţii dintr-o populaţie normală N(m,(T).
Teorema 3 Dacă Χ λ, X 2,—,X n este o selecţie dintr-o populaţie normală
N(m, σ) atunci variabila aleatoare :
nS:
U, .2 > (8)

are o repartiţie X cu n grade de libertate,

într-adevăr, putem scrie succesiv:

n
nS: *=i
σ σ σ2 =ΣΖ
*=1
·
şi cum Zk (1 < k < n ) simt variabile normale (0 ,1 ), în baza teoremei 2
2
variabila U· va avea o repartiţie X cu n grade de libertate.
Ca urmare a celor de mai sus, putem deduce media şi dispersia variabilei
S * . Deoarece M (U„) = n şi D(U* ) = 2 n , rezultă:
i
îîSC *2 λ
n
M , M (S }) = n

adică
(9)
n n ,„ 2
Şi D D (S t) = 2n sau

2σ
D{Si) = (10)
n

326
 Aplicaţie. Dintr-o populaţie normală cu N(3,2) cu media m = 3 şi abaterea
medie pătratică <7 = 2 se extrage o selecţie aleatoare de volum n = 6. Se cere
r* 2
probabilitatea ca dispersia de selecţie S , să fie cuprinsă în intervalul (2,6), adică
P (2 < S* < 6).

Avem: P ( 2 < S 2 < 6) - P <-■6

4 σ2 4
P (3 < U. < 9) = [ l - [/>(£/* > 9 )] + [ l - P(U, > 3)]
= 0 ,8 0 8 8 - 0 ,1 7 3 6 = 0 ,6 3 5 2 .
2
Valorile au fost luate din tabela cu repartiţia X la 6 grade de libertate.

Teorema 4. (fără demonstraţie) Dacă Χ 2·>···, X„ este o selecţie dintr-o

populaţie normală N(m,(J), atunci:
a) Variabilele

X = n- ■
2 > ( şi
n 1 n ■
sunt independente,
b) Variabila
nS‘
U= ( 11)

are o repartiţie χ cu η - 1 grade de libertate, dată de (12).

η- 1
1 -1
h(u) = - n -l /·
■U 2 -e 2,w > 0 ( 12)
n -l
2 2 Γ

de aceea existenţa acestei dependenţe face să scadă cu o unitate numărul gradelor

de libertate în legea (12).
nS2
După cum se vede din relaţia (12) repartiţia variabilei — ^~de selecţie nu
G
2
depinde de dispersia C7 a populaţiei normale din care s-a extras selecţia, fapt ce
se va dovedi important mai departe.
O consecinţă imediată a teoremei 4 este aceea că dacă considerăm drept
2 1 ’cp
A « 2
dispersie de selecţie dispersia s = ----- - ^ (X k —X ) , atunci variabila:
n — ^ k=l

327
 (n - 1 )ä;
y = (13)
σ
are de asemenea o repartiţie χ cu η -1 grade de libertate.
Din faptul că variabilele (11) şi (12) au repartiţii X cu η -1 grade de libertate
putem deduce media şi dispersia şi pentru variabilele S 2 şi s 2 . Avem pentru S 2

M (U ) = M = - V M ( S 2) = n - 1 sau

(14)
n
<n S 2 ^
D(U) = D 4 - W 2) = 2 ( n - l ) sau
σ
2(n - 1 ) 4
D(S ) = σ (15)
n
Pentru variabila S :

{" -IV n -l
m (v )= m A/(.s2)= n - l sau

m(s2)= σ 2 (16)
( n - l) s 2 \ ( n - l ) 2
D (s2) = 2 ( n - l ) sau

ο ( ^ ) = 2σ (17)
n -l
Am văzut în teorema 1 că dacă selecţia se extrage dintr-o populaţie
X γη _
n o r m a l ă r e p a r t i ţ i a variabilei Z - — —— este normală tip. în cazul în

care nu se cunoaşte abaterea medie pătratică σ atunci ea trebuie evaluată cu

abaterea medie pătratică de selecţie. Dacă volumul selecţiei nu este mare (η < 3θ)
atunci este indicat să luăm pentru dispersia de selecţie expresia dată de relaţia (10).
X -m
în aceste condiţii raportul s nu mai este normal distribuită şi are o repartiţie

Tn

328
care rezultă din teorema de mai jos, analogă teoremei 1.
Teorema 6. Dacă X x,X 2,...,X n este o selecţie dintr-o populaţie normală
N {m ,a) atunci variabila aleatoare:
X -m
'= -7 7 . o«)

unde s2 = ----- - V (x * - X J are o repartiţie Student cu n -1 grade de libertate.

n ~ l *=1
Pentru demonstraţie vom ţine seama de faptul că dacă Z este o variabilă N(0,1 )
2 ·
şi F o variabilă X cu k grade de libertate, iar Z ş 1 V sunt independente, atunci
variabila aleatoare:
Z
t= (19)

are o repartiţie Student cu k grade de libertate:

J k + Ιλ *+1
t 2 V 2
r 1+ — ,t e R (20 )
k
yfh t

X -m
într-adevăr conform teoremei 1 variabila: Z=
σ
V«
are o repartiţie normală tip N (0,1) iar conform consecinţei teoremei 4 variabila:
Cn - l ) s 2
V =

are o repartiţie X cu η- 1 grade de libertate.

Variabilele Z şi V (vezi teorema 4) fiind independente formăm raportul (19)
luând k =n —1:
Z X -m
--1

n-l

329
adică variabila (18) este repartizată Student cu n -1 grade de libertate având
repartiţia (20) în care k = n - 1:
n
.2 y t
V i(0= ' 1+- >t G R (21)
'n - P n -l

Astfel teorema este demonstrată.

Aplicaţie. Dintr-o populaţie normală N(m,C) cu parametrii m şi σ
necunoscuţi, se extrage o selecţie constând din n = 10 probe. Media de selecţie
X = 3,6 . Se cere probabilitatea inegalităţii X - m > 0,7 ştiind că s = 0,6. Avem:

P (X - m > 0 ,7 ) = P Io = P(t > 3,5) =

σ 0,6
Λ
4n /
= 1 - P(t < 3,5) = 1 - S 9 (3,5) = 1 - 0,996 = 0,004,
unde Sk (t) este funcţia de repartiţie a variabilei Student cu k grade de libertate.

s*(0= fJ —oo
(22)
ale cărei valori se iau din tabelă pentru diverse valori ale lui t şi ale numărului
gradelor de libertate k.

§ 3. Elemente de teoria estimaţiei

1. Noţiuni introductive
în multe din fenomenele din economie, din tehnică şi în general din ştiinţele
experimentale pe care le cerctăm cu ajutorul statisticii matematice, există motive
teoretice şi practice să afirmăm că forma funcţiei care exprimă legea probabilistică
pe care o urmează fenomenul studiat este cunoscută.
Astfel dacă în cadrul unui proces de producţie considerăm variabila X care
reprezintă numărul de produse necorespunzătoare ce se obţin într-o selecţie
repetată de volum n, dintr-un lot supus controlului statistic, atunci repartiţia
variabilei X este cea binomială:
p (x ;p ) = C Ïp * ( 1 - p )n~x;x = < ρ<1 ( 1)
unde p este probabilitatea ca un produs cercetat să fie necorespunzător.
Dacă variabila X reprezintă numărul de strunguri dintr-o secţie mecanică care
ies din funcţiune în decursul unei anumite perioade de lucru, atunci repartiţia
variabilei X este repartiţia Poisson:

330
 •_ a
p(x;a) = e~a — ;* = 0,1,2,...;α > Ο, (2)
χ\
deoarece în condiţii normale de producţie, ieşirea din funcţiune a unui strung este
considerat un eveniment rar, care nu depinde de ieşirea din funcţie a altuia dintre
strunguri.
De asemenea, dacă variabila ξ reprezintă dimensiunea unor piese fabricate de o
maşină, atunci variabila abatere X - ζ - Μ (ξ) de la dimensiunea nominală
adică de la media Μ (ζ ) a dimensiunii ξ are o repartiţie normală:

n(x;m,a) = — r = e
ί x ~ m
°
T R',me R-,σ > 0, (3)
σ^2π

în sfârşit, dacă variabila aleatoare T reprezintă durata în ore de funcţionare fară

defecte a unei aparaturi, repartiţia lui T este repartiţi»exponenţială:
j -L
f ( t , Ă ) = j e x t> 0 ;A > 0 . (4)
Din exemplele de mai sus, se vede că în toate cazurile forma funcţiei care
exprimă legea de probabilitate a variabilei aleatoare respective este cunoscută, cum
se mai spune specificată. în fiecare din aceste legi de probabilitate figurează însă
anumiţi parametri ale căror valori sunt necunoscute, astfel în prima parametrul p, în
a doua parametrul a, în a treia parametrul m şi a ş i în a patra parametrul λ .
Cunoaşterea valorilor numerice ale acestor parametri ne permite sa cunoaştem
complet repartiţia şi în acest fel să putem descrie în întregime fenomenal cercetat,
în cazul când cunoaştem valorile numerice ale parametrilor din legiic de
probabilitate, spunem că aceste legi sunt complet specificate.
Operaţia prin care se evaluează parametrii necunoscuţi ai unei legi de
probabilitate se numeşte estimarea parametrilor şi ea se face pe baza unei selecţii
{X ,, X 2,···, X „} de volum n, extrasă din populaţia pe care este definită variabila
X cu legea specificată care conţine parametrul ce trebuie estimat. Valorile obţinute
cu ajutorul selecţiei, care aproximează parametrii legilor de probabilitate
specificate, poartă numele de estimaţii punctuale ale parametrilor. Problema
determinării valorilor parametrilor ce figurează în legile de probabilitate pe baza
datelor furnizate de experienţă (selecţie) constituie obiectul teoriei estimaţiei.
Estimarea parametrilor este o metodă a statisticii matematice care poate fi
privită ca un mod de a face inferenţă asupra populaţiei cercetate, adică de a extinde
- în limite specificate de incertitudinea exprimată în termeni probabilistici -
rezultatele obţinute în selecţie, la întreaga populaţie.
întrucât selecţia este o parte a populaţiei generale, care constă dintr-un număr
redus de observaţii, ea ne oferă o informaţie parţială, de aceea există riscul de a
comite erori în aprecierile referitoare la întreaga populaţie deci riscul de a trage

331
concluzii false. Acest risc se micşorează odată cu creşterea volumului selecţiei,dar
el există întotdeauna.

2. Estim aţii punctuale ale param etrilor

în paragraful de faţă ne vom ocupa de estimaţiile punctuale ale parametrilor

conţinute în legile de repartiţie ale populaţiilor cercetate şi vom defini noţiunile cu
care operează teoria estimaţiei.
Fie X o variabilă aleatoare discretă sau continuă definită pe o populaţie oarecare
având legea de repartiţie f ( x , 0 ) , care pentru uşurinţa expunerii presupunem că
depinde de un singur parametru necunoscut Θ. Să extragem din populaţia
considerată o selecţie aleatoare {X1(X 2,···, X „} şi fie Tn(X x, X 2,...,X n) o
statistică.
Definiţie. Statistica Tn( X u X 2 , ...,X n) definită ca funcţie univocă de variabile
de selecţie, cu ajutorul căreia tragem concluzii cu privire la valoarea necunoscută a
parametrului 0 din legea de repartiţie f ( x , 0 ) a populaţiei generale, poartă numele
de estimaţie punctuală a parametrului Θ.
O statistică Γη(Χ 1,Χ 2,..., X „) trebuie aleasă bineînţeles în funcţie de
parametrul pe care trebuie să-l estimeze. Astfel, dacă avem de estimat media m a
— 1 *
unei populaţii, evident că drept estimatie vom alege statistica X - ~ X Xk ,
" ti
2
adică media de selecţie, iar dacă avem de estimat dispersia cr a populaţiei, drept
2 ίi. n *””” 2
estimaţie vom alege statistica S = — > - X ) adică dispersia de selecţie.
n k=\
Observăm că pentru medie am putea lua ca estimaţie şi media de selecţie iar
1 ”
pentru dispersie, fie dispersia de selecţie dată de relaţia S* = - ~ V ( X * - m ) în
n *=i
cazul când media m este cunoscută, fie cea dată de relaţia
I Λ _
s 2 = ----- - ( x k - X ) 2 _Re2uită de aici şi din cele ce vor urma,că se pot găsi
n ~ 1 k-\
mai multe statistici diferite care ar putea fi propuse ca estimaţii punctuale ale
aceluiaşi parametru. Dintre acestea vom alege pe aceea care dă aproximaţia cea
mai bună a parametrului.
în acest sens, alegerea unei astfel de statistici T„ ca estimaţie a parametrului
trebuie să satisfacă condiţiile:

332
 1. Pentru o selecţie realizată, statistica trebuie să dea valoarea adevărată a
parametrului Θ,
2. Statistica trebuie să dea valoarea care este cel mai frecvent aproape de
valoarea adevărată a parametrului θ.
Uneori estimaţia găsită pentru parametrul Θeste însoţită de mărimea erorii medii a
estimaţiei care ne indică gradul de aproximare a valorii exacte a parametrului. Prin
eroarea estimaţiei înţelegem diferenţa t - Θ dintre valoarea estimaţiei şi valoarea
adevărată a parametrului (am notat cu t valoarea numerică a estimaţiei Tn pentru o
selecţie realizată). Eroarea medie a estimaţiei T„ a parametrului θ o vom nota cu
(7(Tn) şi reprezintă abaterea medie pătratică a estimaţiei. Adesea rezultatul
estimării punctuale a parametrului θ se scrie sub forma:
σ - t ± a ( Ţ n) (5)
Relaţia (5) trebuie înţeleasă astfel: cea mai bună evaluare a lui Θeste numărul t
iar eroarea medie comisă în această evaluare este o{Tn) Găsirea unei cât mai bune
estimaţii pentru un parametru necunoscut este problema fundamentală a teoriei
estimaţiei. Rezolvarea acestei probleme necesită cunoaşterea unor proprietăţi de
bază ale estimaţiilor punctuale şi clasificarea lor după aceste proprietăţi. De acestea
ne vom ocupa în cele ce urmează.

3. Estimaţii deplasate şi nedeplasate

în paragraful precedent am arătat că o condiţie pe care trebuie să o îndeplinească
statistica Tn pentru a fi o bună estimaţie a parametrului Θ, este ca ea să dea
valoarea adecvată a parametrului (condiţia 1), cu alte cuvinte condiţia 1 cere ca
repartiţia statisticii folosite să aibă media egală cu valoarea adecvată a
parametrului. Să explicăm sensul acestei afirmaţii.
Să presupunem că o selecţie de volum n ne-a dat pentru parametrul θ o
estimaţie TM
(1). Extragem o a doua selecţie de acelaşi volum care ne dă estimaţia
T{n2). Repetând procedeul obţinem estimaţiile Τ„\Τ„ 2 ) ale aceluiaşi parametru
care în general diferă între ele. Statistica Tn poate fi privită ca o variabilă aleatoare
având o anumită repartiţie, iar numerele Γη(1),Γη(2),... ca valorile ei posibile. Să
presupunem că estimaţia Tn dă o aproximaţie prin exces a lui Θ, adică fiecare din
numerele T‘ , i = 1,2,... este mai mare decât valoarea căutată a parametrului 0.
în acest caz valoarea medie a statisticii Tn va fi mai mare decât 0, adică
Μ (Tn) > θ . Evident dacă Tn dă o aproximaţie prin lipsă, M(Ţn) < 6 .
Prin urmare folosirea unei estimaţii a cărei valoare medie nu este egală cu
parametrul estimat ne-ar conduce la erori sistematice. Din această cauză este

333
natural să cerem ca valoarea medie a lui Tn să fie egală cu Θ. Deşi această condiţie
nu elimină erorile (unele valori ale lui Tn pot fi mai mari,altele mai mici decât Θ),
cu alte cuvinte condiţia Μ(Τη) = θ ne asigură că Tn estimează parametrul fară
erori sistematice şi că în medie estimaţia Tn dă valoarea exactă a parametrului Θ.
Consideraţiile de mai sus ne conduc la următoarea definiţie:
Definiţie. Statistica Τη( Χ ι , Χ 2,.··,Χη) se numeşte estimaţie nedeplasată a
parametrului Θ, dacă există valoarea medie a statisticii Tn şi este egală cu Θ, adică
dacă pentru orice volum n finit al selecţiei,
Μ(Τη) = θ . (6)
Diferenţa dintre valoarea medie a estimaţiei şi valoarea parametrului de estimat
se numeşte deplasarea estimaţiei. O notăm cu Bn şi avem:
Βη =Μ (Τη) - θ (7)
Din relaţia (6) şi (7) rezultă că o estimaţie nedeplasată este estimaţia a cărei
deplasare este nulă.
Nu trebuie să confundăm eroarea estimaţiei cu deplasarea ei. Prima este Tn -Θ şi
este o variabilă aleatoare, în timp ce deplasarea Bn este pentru n dat o mărime
constantă şi reprezintă eroarea sistematică. Statistica Tn pentru care are loc relaţia
Μ (Tn) > Θ se numeşte estimaţie deplasată şi anume pozitiv deplasată dacă
Μ(Τη) > θ şi negativ deplasată dacă M(Tn) < θ .
Exemplul 1. Media de selecţie X obţinută printr-o selecţie X\, Χ 2,···Χη
asupra variabilei aleatoare X dintr-o populaţie oarecare, este o estimaţie
nedeplasată a mediei m a populaţiei.
Avem:

T J X ,, X 2......X „) = X = i 2 > t
« k=l
şi media

Μ (Tn) = Μ (X ) - M “ Σ * * ) = - 5 > W = -»m = m

k=1 n k=1
deoarece M { X k) - m pentru orice 1 < k < n . Deci
M {X ) = m (8)
relaţie care exprimă că X este o estimaţie nedeplasată a parametrului m.

334
 Aplicaţia 1. într-o secţie mecanică cu 10 strunguri s-a efectuat zilnic în decursul
unei anumite perioade întregistrarea numărului de strunguri care nu funcţionează,
în total s-au făcut n = 200 astfel de înregistrări. Repartiţia numărului de strunguri
care nu funcţionează determinată pe baza celor 200 de înregistrări este dată în
tabelul 2.

Tabelul 2
Nr. de 0 1 2 3 4 5 6 7 8 9 10
strunguri
Frecv. abs. «,· 41 62 45 22 16 8 4 2 0 0 0

Se cere să se estimeze numărul mediu de strunguri care nu funcţionează.

Notând cu X variabila aleatoare care reprezintă numărul de strunguri care nu
funcţionează, am arătat în § 1 că X urmează o repartiţie Poisson:
χ
p(x\a) = e~a — , x = 0,1,2,...,a > 0
jc !

pentru care ştim că M ( X ) = a şi D (X ) = a deci <7(X) = -Jâ .

Prin urmare estimaţia nedeplasată a parametrului a va fi media de selecţie:
__ 1 io i
X = - Y ntX ,· = — (0,41 +1,62 + ... + 9,0 + 10,0) = 1,8.
τι η-* 200

Repartiţia complet specificată a variabilei X, luând a = 1,8 este :

ig (1 8)*
P(x) = e ’ ------— ; χ = 0,1,2,... Pentru calculul erorii medii avem:
jc!

D (X ) = = - = - = — = 0,009 ia r σ ( Χ ) = 0,09 .
n n n 200

Conform relaţiei (5) rezultatul estimării făcute se scrie: a = 1,8 ± 0,09 .

Aplicaţia 2. S-au încercat 10 aparate de acelaşi tip înregistrându-se momentul

ieşirii din funcţiune a fiecărui aparat. Rezultatele observaţiilor sunt date în tabelul 3.

Tabelul 3.
Nr. aparate 1 2 3 4 5 6 7 8 9 10
ti (ore) 200 350 600 450 400 400 500 350 450 550

Să se estimeze durata medie de funcţionare fară căderi a tipului de aparate

încercate.
335
 Se ştie că durata funcţionării fără căderi este o variabilă aleatoare T, care are
repartiţie exponenţială:
1 --
f( t ;Ă ) = —e λ , ί > 0 , λ > 0 .

Cu Μ (Γ ) = λ şi D(T) = λ 2 . Prin urmare drept estimaţie nedeplasată pentru

parametrul λ al repartiţiei luăm media de selecţie:

T - — (2 0 0 + 350 + ... + 550) = 425 ore. Repartiţia complet specificată a

variabilei T va fi luând λ - 425 şi λ '1=0,0235:

f ( t ) = 0,0235 · e -0,0235f
Eroarea medie este:
4,25
σ (η
= σ(Τ) = 127,6
4n 4n -Jn -n/TÖ
Prin urmare rezultatul estimaţiei făcute este:
λ = 425 ± 127,6 ore.

Exemplul 2. Să considerăm un eveniment A de probabilitate p, constantă în

fiecare probă şi fie X variabila aleatoare care reprezintă numărul de apariţii ale
evenimentului A în n probe independente. Rezultă că X se prezintă ca o sumă
X = X t + X 2 +... + X n unde variabila aleatoare Xt are repartiţia:
f 1 0'
X, ; q =l - p
P <?
sau altfel scrisă:
P (x ,p ) = p x( l - p ) ] x, χ = 0,1; 0 < p < 1, (9)
adică Xi = 1 dacă A se realizează în proba de rang i cu probabilitateap şi Xt = 0 dacă
A nu se realizează cu probabilitatea 1-p. Frecvenţa relativă a numărului de realizări
ale evenimentului A în cele n probe este:
Λ (α). £ . ( 10)
η n
Avem:

Μ(/„) = Λ/ί— ) = ± m [ £ x, |= - 5 > < X , ) = ±»p = p

\ n ) n {l i J " tr »
deoarece M ( X ; ) - l- p + 0 - q = p . Prin urmare relaţia obţinută
M { f n) = p (11)

336
exprimă că frecvenţa relativă în n probe independente a unui eveniment, este o
estimaţie nedeplasată a probabilităţii constante p a evenimentului.
X
Observaţie. Dacă în loc de frecventă relativă f n = — considerăm expresia
n
X
, notaţiile fiind cele precedente avem:

M (h) = M 1 7 M ( a ) --------
----- nP - -_ p„ --------
P - sau
n+1 n +1 n +1 n +1
p _ . X
— —Λι (/î) —p de unde rezultă că estimaţia — propusă pentru

parametrul p este negativ deplasată, deplasarea fiind Bn = — .

n +1

Exemplul 3. Să considerăm o selecţie aleatoare X v Χ 2,···Χ„ dintr-o populaţie

oarecare având dispersia necunoscută O . Să luăm drept estimaţie a parametrului
1 « _

necunoscut cr2 dispersia de selecţie S 2 = —^ ( X k - X ) 2 . Vom arăta că S 2

n *=i
2
este o estimaţie deplasată a dispersiei O .
în cele precedente s-a arătat că media şi dispersia mediei de selecţie
— — — σ2
X sunt Μ (X ) —m şi D (X ) = ---- . Pe de altă parte să considerăm identitatea
ti
uşor de stabilit:

£2 = - V ( X * - m ) 2 - ( X - m ) 2 .

n M
Luând media în ambii membri ai relaţiei de mai sus avem:

M ( S 2) = - \ M ( X k - m ) 2 - M ( X - m ) 2 ( 12)

şi cum M ( X k - m)2 = σ 2 pentru orice 1< k < n iar

— 2 — σ2
M ( X —m) = D (X ) = ----- din relaţia (12) rezultă:
n

M ( S 2) = - n a 2 sau
η n

337
 η η
ί1 η
2 ■■■2
Din relaţia (13) rezultă că dispersia de selecţie S - — Λ , ( Χ * “ X ) este o
n £i
. 2 ·
estimaţie deplasată şi anume negativ deplasată a dispersiei σ a populaţiei,
σ2
eroarea sistematică, deplasarea fiin d -----—.
n

2
Pentru a obţine o estimaţie nedeplasată a dispersiei CT este necesar să
2 n
înmulţim dispersia de selecţie S cu factorul----- -, adică

- ^ 2 = ^ - Σ ( Χ 4-Χ )2 = ΐ2 (14)
n -l n-
2 l1 τ nρ 2
într-adevăr dispersia s = ----- - / ,(%k ~ X ) este o estimaţie nedeplasată,
n ~^ λ=1
deoarece ţinând seama de (13):
n 2 η ____ , . n n -l
M ( s 2) =M -5 M ( S 2) = — ---------- σ 2 = σ 2 (ΐ5)
V
η —1 n -l n -l n

Aşadar estimaţia nedeplasată s2 a dispersiei populaţiei diferă de dispersia

n

deplasată S 2 numai prin aceea că suma ] ^ ( X * ~ X ) 2 nu se imparte la « ci la « -

Jt=l

1. în practică această modificare se face în cazurile când n < 5 0 . F racţia----- - se

n -l
numeşte corecţia lui Bessel şi pentru valori mici ale lui n valoarea ei diferă simţitor
de 1, dar odată cu creşterea lui n tinde relativ rapid către 1. Pentru n > 50 practic
nu există diferenţă între estimaţiile S 2 şi s2.
în cazul când media populaţiei generale m este cunoscută, atunci estimarea
1 n
dispersiei <72 este dată de dispersia de selecţie S* k. ~ m) care este o
n *=i
estimaţie nedeplasată. într-adevăr:

338
M (S*) = M i ] T ( X * - m ) 2 = - ] £ m ( X * - m ) 2 = - η σ 2 = σ 2 ( ι 6)
η ί J η λ=Ι n

Din relaţiile (14), (16), (9) de la § 2, rezultă că proprietăţile exprimate de

relaţiile (13), (15) de mai sus, se verifică aşa cum era firesc şi pentru cazul
particular când selecţia se face dintr-o populaţie normală.

4. Estimaţii consistente

A doua condiţie pe care trebuie să o îndeplinească statistica Tn pentru a fi o

bună estimaţie a parametrului Θeste ca ea să dea valoarea care este cel mai frecvent
mai aproape de valoarea adevărată a parametrului, cu alte cuvinte trebuie ca
repartiţia statisticii să fie concentrată în jurul parametrului ce se estimează. O astfel
de concentrare cel puţin pentru valori mari ale lui n este asigurată de convergenţa
în probabilitate a statisticii T„ către parametrul 0. Suntem astfel conduşi la
următoarea definiţie:

Definiţie. Statistica Tn(X l , X 2,...X n) este o estimaţie consistentă pentru

parametrul Θdacă ea converge în probabilitate către parametrul Θ, adică dacă avem
pentru orice £ > 0 arbitrar de mic,
H fc - β|< ε)-»1, (17)
când n —> .
Tocmai consistenţa estimaţiei statistice este cea care asigură apropierea cel
puţin pentru valori mici ale lui n, de parametrul pe care-1 estimăm. Din consistenţa
estimaţiei nu rezultă însă pentru valori mici ale lui n nici o concluzie cu privire la
utilitatea sa pentru determinarea cu aproximaţie a parametrului respectiv. De
asemeni se poate spune că în general, nu orice estimaţie consistentă este şi
nedeplasată. Valoarea medie a estimaţiei poate să nu fie egală cu Θ ci doar să se
apropie indefinit de ea când n creşte. Pentru o valoare finită a lui «, o asemenea
estimaţie poate fi pozitiv sau negativ deplasată.

în legătură cu estimaţiile consistente, vom demonstra următoarea teoremă

importantă:
Teorema 1. Dacă statistica Tn(X l , X 2,.··Χη) este o estimaţie a parametrului 0,
astfel încât:
1. este nedeplasată, sau dacă este deplasată, adică Bn Φ0 , atunci

339
 2. dispersia estimaţiei D(Tn) satisface condiţia lim D(Tn) = 0 , atunci
n —+°°
estimaţia Tneste consistentă.
Pentru demonstraţie vom aplica variabilei aleatoare Tn inegalitatea lui Cebâşev.
Avem:

ρ(\Τη -Μ (Τ η) \ < ε ) > 1 - ^ - .

£
Punând M (Ţn) = θ + Bn ,

Dar pentru n —» °° avem lim Bn = 0 şi conform condiţiei 2 lim D(Tn) = 0

n—* » n—>oo
deci:
p(|r„ —θ| < ε ) —>1 când n —>oo ceea ce demonstrează consistenţa estimaţiei T„

Folosind teorema 1, suntem în măsură să stabilim câteva rezultate conţinute în

următoarele exemple:
*
Exemplul 4. Momentul iniţial Or de ordinul r, obţinut prmtr-o selecţie
X x, X 2,~; X n de volum n este o estimaţie nedeplasată şi consistentă a
momentului teoretic mr.
Demonstraţia acestei afirmaţii rezultă din relaţiile:
M (m*r ) = mr , (18)
_, mlr - m2r
D{mr ) = — ------
n
stabilite anterior. Prima asigură nedeplasarea estimaţiei, iar a doua pentru
lim D(m* ) = 0 asigură consistenta.
n —>oo
★ ~
Pentru r= 1, ml = X şi relaţiile (18) ne dau:

M ( X ) = m; D( X) = üh-ZJUl. = (19)
ti n

— σ2
şi deoarece D ( X ) = -------->0 când n —» rezultă că media de selecţie este o
n
estimaţie consistentă a mediei m a populaţiei.

340
 Exemplul 5. în condiţiile exemplului 2 să arătăm că estimaţia nedeplasată f„ a
parametrului p din repartiţia binomială (9) este o estimaţie consistentă,
într-adevăr,
(
D ( fn) = D - ^ \ D (X )= \ n p q =^ - j l
l n η η η
când n —>00.
Putem deci scrie: p (|/„ - p| < ε ) —» 1 când n —>00. Regăsim astfel
proprietatea de stabilitate a frecvenţei relative exprimată de legea numerelor mari
sub forma teoremei lui Bemoulli.
Aplicaţia 3. Pentru determinarea procentului de piese necorespunzătoare, dintr-
un lot de 10.000 de piese s-au controlat n = 500 de piese printre care s-au găsit 10
necorespunzătoare. Se cere să se estimeze proporţia de piese necorespunzătoare din
lot (se consideră selecţia repetată).
Problema se încadrează în schema probabilistică de la exemplul 2. Parametrul
ce se cere estimat este proporţia p de piese necorespunzătoare din lot iar estimaţia
X 10
sa este frecventa relativă f„ = — = — ~ = 0,02 , Eroarea medie va fi:
n 500
10 ,0 2 (1 -0 ,0 2 )
σ ( Λ ) = JI p Q.- "p ) ξ
_ M ~fn) = _
rr ' /
1

= 0 ,00627 .
1

" \
V η
n M n-l
\ V 5 0 0 -1
3

Prin urmare rezultatul estimării este:

p = 0,02 ± 0,0062
şi repartiţia dată de (9) se scrie luând p = 0,02,
p{x) = 0,02* (1 - 0 ,0 2 )1“jr, x = 0 ;1 .
5. Estimaţii eficiente
Ar fi greşit să admitem că o estimaţie nedeplasată dă întotdeauna cea mai bună
aproximaţie a parametrului ce se estimează. într-adevăr, valorile posibile ale
estimaţiei Tn obţinute într-un şir de selecţii succesive de acelaşi volum a, pot fi
foarte mult împrăştiate în jurul valorii medii Μ (Τ) = Θ, adică dispersia
D(Tn) = Μ (Tn - Θ ) 2poate să fie mare. în acest caz valoarea estimaţiei T„
calculată după o selecţie de volum dat ar fi foarte îndepărtată de valoarea medie a
lui T„ adică de însuşi Θ. Luând o astfel de valoare drept valoare aproximativă a lui Θ
am comite o eroare mare, însă dacă am cere ca dispersia estimaţiei Tn să fie mică,
posibilitatea comiterii unei erori mari ar fi exclusă.
în acest sens este evident că dintre două estimaţii nedeplasate Γη(1) şi T„2)ale
aceluiaşi parametru 0 pentru care :
D(r„(1)) < D(T^2)) vom prefera pe Tn(l) adică pe aceea care are dispersia mai

341
mică. Se poate arăta în ipoteze destul de generale referitoare la forma estimaţiilor
cât şi la funcţia f ( x , 6 ) , că dispersia estimaţiilor nedeplasate, construite pe baza
unei selecţii de volum n nu este mai mică decât o margine inferioară stabilită de
următoarea teoremă, pe care o dăm fară demonstraţie:
Teorema 2. (Rao-Cramer), Dacă T„ este o estimaţie nedeplasată a parametrului
Θdin repartiţia / (χ ,θ ) a variabilei X discretă sau continuă, atunci:

unde I (Θ) poartă numele de cantitate de informaţie pe o observaţie şi are una din
expresiile echivalente:
2
" a in / ( jc ,0 ) " d 2 Î n/ ( χ , θ )
1(9 ) = M = —M (21)
L de J 3Θ2
Definiţie Estimaţia nedeplasată Tn a cărei dispersie este egală cu marginea
inferioară din membrul doi al relaţiei (20) adică pentru care:

(22)
se numeşte estimaţie de minimă dispersie sau estimaţie eficientă. Prin urmare, Tn
este o estimaţie eficientă a parametrului Θ dacă T„ dă valori care sunt concentrate
mai aproape de valoarea lui Θdecât valorile oricărei alte estimaţii.
Observaţie. în practică un rol mai important îl joacă abaterea medie pătratică
a(T n) = + 4 D Î J J a estimaţiei Tn care aşa cum am văzut poartă numele de
eroarea medie a estimaţiei. Această denumire este justificată de faptul că 0 ( J n)
indică în medie eroarea comisă la estimarea parametrului Θîntr-o serie de selecţii
succesive de acelaşi volum n .
_ j n
Exemplul 7. Să se arate că media de selecţie X este 0 estimaţie
k=1
eficientă pentru parametrul m al repartiţiei normale:

1
f(x;m) = me R,a > 0
σ 4 ϊπ
Avem:
•m
In/(x;m ) = Ιη(σ^ΐ2π)~ι - Şi

342
d in f(x,m ) _ x - m
dm σ ’
r d\nf(x,m) I2
I(m) = M = M Μ * - " ) 2) = —j M ( x - m ) 2 =
dm
_ σ^__1_
σ4 σ2
1 _σ
_____
Deci: D ( 0 =
ni {m) n
Ştim însă că media de selecţie X este o estimaţie a mediei m a populaţiei şi
— σ2
D(X) Prin urmare X are dispersia minimă deci estimaţia eficientă a

parametrului m al populaţiei normale este T* = X

Exemplul 8. Pentru parametrul Θal repartiţiei Poisson:

θχ
p ( x ,d ) - e ~ e ------,x = 0,1,2,... 0 > O ,
jc!
_ j n
media de selecţie X ——^ X* este de asemenea o estimaţie eficientă. Ţinând
n 1
seama că în acest caz
_ 02
M (X ) = 0 , M ( X z) = 0 ' + 0 şi D( X) = 0 avem:

In ρ (χ ,θ ) —-Θ + * 1 η 0 - In x !; = -1 + -
^ 00 0
Λ
3 ln p ( x ,0 ) ) o *—+1,
7(0) = M = M — -1 =M 2—
00 0 02 0

1 • 2> 2 0 2 +0 20 1
0 2 '” ^ ' 0 0‘ 0 +1 0

Ştim însă că media de selecţie X este o estimaţie a mediei populaţiei care în

acest caz este parametrul Θ.

343
 Avem D( X) ——-—------- , deci X are dispersia minimă, adică estimaţia
η n
eficientă a parametrului Θdin repartiţia Poisson este Tn - X ,
. k
Exemplul 9 Frecventa relativă J n ----- în « probe independente a unui
n
eveniment de probabilitate constantă p în fiecare probă, este o estimaţie eficientă a
parametrului p din repartiţia:
f ( x ; p ) = p x( l - pŸ~x, x = 0,1;0 < p < 1 ,

k fiind numărul de apariţii ale evenimentului în cele n probe. în acest caz ;

In f ( x , p) = x In p + (1 - x) ln (l - p );
d\nf(x,p) _ x l- x _ x-p şi
dp p 1- p p(l-p)
ί x - p λ2
I(p)=M — Ί Μ ( χ - ρ γ = - ξ (1 P\ = — -—
P (l-P ) p \ l- p ) 2 r p2( \ - p f p a -p )
1 Pd-P)
D(K) =
nl(p) " n

Dar = = =
l n) n n
Rezultă că /„ are dispersia minimă deci este o estimaţie eficientă a
parametrului p.

6. Metode de determinare a estimaţiilor pentru parametrii repartiţiilor

statistice
a) Metoda momentelor
în prezentul capitol de teoria estimaţiei, am expus până acum numai probleme
referitoare la tipurile de estimaţii ale parametrilor din legile de repartiţie precum şi
diverse proprietăţi ale acestora.
în cele ce urmează vom prezenta două procedee de determinare a estimaţiilor,
adică a statisticilor Tn( X ], X 2,···, X n) ale căror valori să poată fi socotite drept
evaluări aproximative ale valorilor necunoscute ale parametrilor. în acest sens, am
considerat deja unele cazuri particulare când se cunoaşte intrepretarea
probabilistică a parametrilor din unele legi de repartiţie.

344
 Astfel de exemplu în legea repartiţiei Poisson parametrul a este media M ( X )
a variabilei observate X şi este logic să estimăm pe a cu media de selecţie X . De
asemenea, în cazul repartiţiei normale parametrii m şi σ sunt respectiv media
M ( X ) şi dispersia D( X) a variabilei normale x, deci este firesc ca pentru
aceşti parametri să luăm drept estimaţii media de selecţie X şi respectiv dispersia
de selecţie X . Este evident că precizia acestor estimaţii este cu atât mai mare cu
cât volumul n al selecţiei este mai mare. Prin urmare pentru un număr mare de
observaţii, pot fi luate ca estimaţii ale parametrilor necunoscuţi ai repartiţiilor
toaretice momentele de selecţie. Acest procedeu de obţinere a estimaţiilor poartă
numele de metoda momentelor şi se bazează pe convergenţa în probabilitate a
momentelor de selecţie către momentele teoretice corespunzătoare, adică pe
consistenţa momentelor de selecţie (vezi teorema lui Hinein).
în acest caz, când numărul n al observaţiilor este mare, este suficient ca
estimaţia parametrului necunoscut să satisfacă condiţia de a fi consistentă, fară a fi
obligatoriu strict nedeplasată sau eficientă, deoarece eroarea sistematică devine
neglijabilă, iar dispersia estimaţiei va asigura într-un mod oarecare o concentrare
suficient de bună a valorilor ei în jurul parametrului pe care îl estimăm.
Metoda momentelor propusă de K. Pearson pentru estimarea parametrilor
θ ι ,θ 2,...,θί din legea de repartiţie / (χ',θν θ 2,...,θ5) , a variabilei observatei,
constă în următoarele:
1 "
Se calculează primele s momente de selecţie ^ X ]k f j = 1,2,..., s şi
n *=i
se egalează cu momentele teoretice M ( X J ) = m j(9x,Q2,..ß s), j —1,2,... care

depind de parametrii θ ν ...,θ5 . Estimaţiile θ ι ,θ 2 ,...,θ* ale parametrilor

θ {, θ 2 6 S prin metoda momentelor se obţin rezolvând ecuaţiile:
my( 0 ,,0 2.....0 f ) = m*(Xl , X 2,...,Xn), 1 < j < s (17)
dacă acestea sunt independente funcţional şi sunt date de relaţii de forma:

Precizia relaţiilor (18) depinde de gradul de apropiere a momentelor de selecrie

*
rrij de momentele teoretice estimate mj.
Exemplul 10. Folosind metoda momentelor să se estimeze pe r i r : î: :
{X ], X 2,···, X n} de volum «, parametrii m şi O2 ai populaţiei
Primele două momente teoretice sunt:
M ( X ) - m { -- mşi Μ ( X 2) - m- = r ' - w ‘
iar momentele de selecţie corespunzătoare sunt:
1A

Ecuaţiile (18) se scriu:

m = ml ,
m2 + σ 2 - *m2,

sau m — - X şi
n 1

( σ 2) ' =τη2 - m ,’ = i £ x , 2 ~ ί - Σ χ ^
η k=1 η *=ί

= 1 £ ( Χ , - Χ ) 2 = ώ = 5 2.
η £ί
2
Regăsim rezultatul că dispersia σ a populaţiei poate fi estimată cu dispersia
de selecţie 5 .
Exemplul 11. Să estimăm parametrii a ş i β din repartiţia Beta având legea de
repartiţie:

f(x \ a , β ) = Ι & + Λ xa- \ l - χ)Ρ-\ * e (0 ,1 )

J Γ (α )Γ (β ) α ,β > 0
în acest caz se ştie că media şi dispersia sunt:
a aß
M(x) = ml = ■ -, D(x) =
a +ß ’ (a + ß)2{a + ß + 1)’
Estimaţiile CC* şi β* se obţin rezolvând sistemul de ecuaţii:

“ =x
a +ß
aß
=S‘
(a + ß y(a + ß +1)
Obţinem estimaţiile:
* x 2a - x ) - s 2x
a = X 2(l - X ) - 5^(1 - X)
; ß=
Pentru o selecţie realizată, relaţiile de mai sus dau valorile numerice ale
estimaţiilor a şi β' pentru parametri necunoscuţi a şi β .

346
 Aplicaţie 4. Repartiţia de selecţie obţinută ca rezultat al cântăririi a 800 bile de
oţel este dată în tabelul de mai jos (în prima coloană este indicat intervalul
greutăţii în grame, iar în a doua coloană frecvenţa, adică numărul de bile a căror
greutate este cuprinsă între limitele intervalului).

Tabelul 4
(Xk-i. Xk)

20,0 - 20,5 91
2 0 ,5 -2 1 ,0 76
2 1 ,0 -2 1 ,5 75
2 1 ,5 -2 2 ,0 74
2 2 ,0 -2 2 ,5 92
22,5 - 23,0 83
23,0 - 23,5 79
23,5 - 24,0 73
24,0 -24,5 80
2 4 ,5 -2 5 ,0 77

Presupunând că variabila X (greutatea în grame) are o repartiţie uniformă:

/ (χ ',θι,θ2) = ~ — χ^ \ βι ,θ 2\ θ2 > ^
0 2 -Ö ,
se cere să se estimeze prin metoda momentelor parametrii 0 ; şi θ2, pe baza celor
800 de cântăriri.
Se ştie că în cazul repartiţiei uniforme:

η θ } 4" 2θι Θ9 + θη
Μ (X ) = m2 = —--------^

Estimaţiile 0* şi θ 2 se obţin rezolvând sistemul:

0j + 0 2
=m

0,i + 010? +09 m 2*

i-i------i-~

Găsim:

0* = ml - ^3(m*2 - m ï ) = X - s^j- - - - - - ,

347
 02 = m2 + ^ 3(m *2 - m*) = X + —— — - t

2 i τJL
ρ 2
unde s = —— ~ ^ ( Χ * - X ) este dispersia nedeplasată. Pentru selecţia

realizată din tabelul 4 obţinem X = 22,47 şi 5 = 1,44 . Relaţiile de mai sus ne

conduc la valorile estimate ale parametrilor:
0,* = 19,98 şi 0* = 2 4 ,9 6 ,
iar legea de repartiţie uniformă a greutăţii bilelor de oţel este:

f ( x ) = — ; x e ( 1 9 ,9 8 ; 2 4 ,9 5 ).
0,2

b) Metoda verosimilităţii maxime

Statisticianul englez R.A. Fisher nu s-a mărginit numai să arate neajunsurile
metodei momentelor ci a elaborat o nouă metodă de estimare a parametrilor unei
repartiţii, numită metoda verosimilităţii maxime. Această metodă este strâns legată
de noţiunea de funcţie de verosimilitate. Estimaţiile obţinute prin această metodă
posedă proprietăţi remarcabile care conferă metodei un plus de eficacitate.
Să considerăm variabila aleatoare X definită pe o populaţie oarecare, având
legea de repartiţie / ( x ; 0 ) ce depinde de un singur parametru. Fie
X l , X 2,...,Xn variabile aleatoare de selecţie independente şi
x j,x 2,...,x „ , valorile concrete obţinute într-o selecţie realizată adică
X j = Xj, X 2 = x2,...Xn - xn . Probabilitatea obţinerii valorilor x ,,x 2,...,x B
este funcţia de verosimilitate:
n

i(x\ , x2.... x„;0 ) =f(x\ ;0 ) / ( χ 2; 0)···/(χπ ; θ) - Π / * ;θ) (19)

ί
care poate fi privită ca o funcţie de parametru Θ.
Metoda verosimilităţii maxime constă în aceea că pentru Xj, x 2,..., xn daţi, cea
mai bună estimaţie a parametrului Θcorespunde acelei valori a lui θ , pentru care
funcţia de verosimilitate (19) este maximă. Acelaşi principiu se aplică şi în cazul
când se estimează mai mulţi parametri necunoscuţi 0 1,0 2,...,0 J ce figurează în
funcţia de repartiţie a variabilei X, deci şi în funcţia de verosimilitate
L ( x 1, x 2,...,x /),;01,02,...,0j ) . Căutând valori ale pârametrilor 01,02,...,0i
pentru care funcţia Z,(x1,x 2,...,x n;0 1,0 2,...,0 i.) sau, ceea ce este acelaşi lucru,
348
funcţia \ηί,{χχ,χ2,...,χη\θχ,θ2,...,θ5) este maximă (pentru xltx2,...,xn daţi),
obţinem estimaţiile cele mai bune (în sensul principiului indicat) ale parametrilor
θχ,θ2,.··,θs .
în esenţă prin metoda verosimilităţii maxime se determină acele estimaţii ale
parametrilor θχ,θ2,...,θs pentru care sistemul de observaţii xx,x2,...,xn, de care
dispunem este cel mai probabil. Cu alte cuvinte, pentru orice alte valori ale
parametrilor θι ,θ2,...,θί , probabilitatea de a obţine un sistem de observaţii care
să coincidă cu cel de care dispunem, ar fi mai mică.
Prin urmare estimaţiile parametrilor 0 ,,0 2,...,0i obţinute prin metoda
verosimilităţii maxime pe care le vom nota 0 1ν ,0 2v,...,0 jv şi le vom numi
estimaţii de maximă verosimilitate sunt soluţii ale sistemului de ecuaţii:
dL(xv x2,...,xn',ex,e2...,es)
= 0 j = 1,2,..., j·

sau (20)
d I n L(xl ,x 2,...,xn,0 l ,e 2,...,Os) _ Λ ^

j
care poartă numele de ecuaţii de verosimilitate. în cazul când avem de estimat un
singur parametru,sistemul de ecuaţii (20) se reduce la
d\nL(x,„.. x"d) 1 dL Λ
------------I----- 5----- -- ---------= o (21)
dG L άθ K ’
Este evident că pentru existenţa estimaţiilor de maximă verosimilitate trebuie
asigurată derivabilitatea funcţiei L în raport cu fiecare din parametrii pe care îi
conţine.
în încheierea expunerii acestei metode de estimare a parametrilor unei legi de
repartiţie, vom prezenta câteva exemple.
Exemplul 12. S-au efectuat n observaţii independente asupra variabilei aleatoare
X cu repartiţia Poisson
Qx
p (x , e ) = e~e — , x - 0,1,2,,.., 9> 0
x\
şi s-au obţinut rezultatele xl ,x 2,...,xn Folosind aceste date să se estimeze
parametrul Θ, prin metoda verosimilităţii maxime,
în acest caz funcţia de verosimilitate este
n ^x*
L(x 1, ;t2 xn; 0) = f j p(xk; 0) = e~n0 θ
k=\

349
iar logaritmul său natural este
n
ln L(xl ,x 2,...,xn;0 ) = - η θ + ^ x k ln ö - l n ( ^ ! . . j c „ ! )
1
Ecuaţia verosimilităţii este

de Θ
a cărei soluţie este estimaţia de verosimilitate:
1 n
β ;= 1 Σ
n1
xk

adică media de selecţie. Estimaţia 0* asigură maximul funcţiei

L(x\,χ2,...,χη,θ ) deoarece:
d 2 ln L I A
rf0 2 ■=-ζτΣ**<
0' w 0·
Exemplul 13. Să estimăm parametrul λ din repartiţia exponenţială:
/ ( χ ,λ ) = Ăe- **, λ: > 0, λ > 0 .
Avem:

L (x 1, * 2,...*,i ;A ) = A"e t=’

n
\nL(xlt x2,...,xn;Ă) = η ΐ η λ - ,
1
iar ecuaţia verosimilităţii:
d ln L n A
ΐ ά - =ϊ - Σ ^ = 0 .
a cărei soluţie este
2* _ n _ 1

şi care asigură maximul lui Z, deoarece:

d 2 lnL n _
F
Exemplul 14. Să estimăm parametrul p din repartiţia:

350
ρ(χ·,ρ) = p x( l ~ P Ÿ x, x = 0 ,l 0 < ρ < 1 .
Funcţia de verosimilitate este:
L(xv x2,...,xn, p) = p ^ Xk( 1 - p )n~ ^Xk
ln L ( x ,, x2 xn; p ) = J xk ln p + (n - x* )ln (l - p ) ,
iar ecuaţia verosimilităţii este:

din Z. Σ * » «-Σ * » p
φ ρ 1 -ρ
care rezolvată în raport cu p, ne dă estimaţia:

• Σ■**■,
P v ------------ f nn, :
n
n
deoarece în acest caz variabilele de selecţie Xk iau valorile 0 sau 1, iar
k=1
este numărul de apariţii ale evenimentului de probabilitate p în cele n probe
independente.
Se constată şi în acest caz că L are un maxim, deoarece:

d 2 \nL _ ΓΣ * * η~ Σ**Λ
<0
dp2 p2 (1-ρ)2

iar η > Σ χ*·

Exemplul 15. Să estimăm acum cei doi parametri m şi σ2 ai repartiţiei normale

f(x-,m,a) =— \= e 4(~ ]f
σ^2π
Funcţia de verosimilitate este:
« 1V Î Xi~mf
L(xx,...,x„) = (2 n a ) * e 2 ^ σ >

iar logaritmul său natural:

lnL = -|ln(2;r<7 -m )2 .

Sistemul ecuaţiilor de verosimilitate este:

351
 dm σ' k=1
a lnL
9(σ ) 2σζ τ + ·2σζ τ k=
Σ ( ^ - ^ 2=0
1

a cărei soluţie este:

i n
4 ς*=1
Şi
2 11 XT'
" ✓ *\2
σ ν = ~ 2 j ( xk ~mv) ,
n £l
Să arătăm că (mv, (7V) este un punct de maxim ai lui L. Avem

d2 lnL _ n d2 lnL n
•<0
~dinr ~ ~ ^ 2< ; 0^ 7 2σι
a 2 lnL a 2 lnL
1 Σ ( * * ~ m) 2 < 0
dmd(a ) d(cr )3m σ k=l
d lnL a 2 lnL
am2 dm2d(a2)
Δ=
θ 2 lnL a 2 lnL
3(σ )dm d{a 2 x)2

n
n2 [ 2 > * - m)2f
~ m ) n 2σ
σ4 2σ
înlocuim în expresia precedentă a lui Δ pe m şi pe σ2 cu valorile lor din (22)
găsim:

Δ = —r—----- — ----- r — > 0

şi prin urmare L este maximă.

 7. Intervale de estimaţie

Noţiunea de interval de estimaţie şi procedeul de determinare a intervalului de

estimaţie.
în cele ce preced s-a arătat că teoria estimaţiei oferă metode pentru determinarea
funcţiilor de selecţie Tn( X x, X 2,..., X n) care aproximează valorile necunoscute
ale parametrilor 9 k(k = 1,2,...) din legile de repartiţie şi pe care le-am numit
estimaţii punctuale ale parametrilor. Am văzut că estimaţiile punctuale sunt
afectate de erori, ele reprezentând numai evaluări aproximative ale adevăratelor
valori ale parametrilor estimaţi. Deoarece o estimaţie variază în precizie, este
important ca ea să fie însoţită de o indicaţie cu privire la precizia ei, adică cât de
aproape poate fi estimaţia de parametrul pe care trebuie să-l estimeze. Cu alte
cuvinte apare necesitatea de a se indica un interval cum se mai spune, cu o
siguranţă cunoscută, că acoperă valoarea parametrului estimat care este o mărime
cunoscută.
Spunem astfel că estimăm parametrul Θ printr-un interval de estimaţie sau de
încredere şi, în acest sens, estimarea parametrilor prin interval de estimaţie apare
ca o generalizare a estimării punctuale.
Să presupunem că efectuând o selecţie {X j, X 2,···, X n} de volum n din
populaţia a cărei lege de repartiţie teoretică este f ( x , 9 ) , există două funcţii de
selecţie Qm ( X l , X 2, » , X n) Şi Θ (Χ\>Χ2 >···’ Χη) cu 0 .< θ aşa fel încât
probabilitatea inegalităţii:
θ<θ<θ (1)
să fie independentă de Θ, adică:
p j ö C X p X j , . . . , Χ „ ) < θ < θ ( X x, X 2,...,Xn) ] = l - a unde a nu depinde de Θ.
Pentru o selecţie realizată funcţiile 0 şi Θ iau valori bine determinate, iar
pentru probabilitatea l - a foarte apropiată de unitate, inegalitatea (1) este
satisfăcută în marea majoritate a cazurilor. Rezultă că am găsit astfel un interval
( 0 , Θ ) care acoperă parametrul Θ necunoscut, cu un grad mare de siguranţă,
garantat de probabilitatea l - a , unde a este foarte mic.
Intervalul ( 0 , Θ ) astfel determinat se numeşte interval de estimaţie sau de
încredere pentru parametrul θ, 0 şi Θ poartă numele de limită inferioară respectiv
limită superioară de încredere pentru parametrul Θ, iar probabilitatea 1 - a se
numeşte probabilitate confidenţială sau coeficient de încredere. Cu cât intervalul
( 0 , Θ ) este mai mic şi probabilitatea l - a este mai mare, cu atât avem o
indicaţie mai precisă cu privire la valoarea parametrului Θ. Trebuie precizat că

353
parametrul Θ nu este o variabilă aleatoare, ci o mărime constantă pe care însă noi
nu o cunoaştem. în schimb intervalul (0 , 0 ) ale cărui limite depind de datele de
selecţie, este un interval aleator care variază de la o selecţie la alta atât ca mărime
cât şi ca poziţie pe o axă a valorilor parametrului Θ. De aceea, legătura dintre
valoarea adevărată a parametrului Θşi intervalul ( 0 , 0 ) trebuie înţeleasă astfel:
probabilitatea ca intervalul aleator ( 0 , 0 ) să acopere punctul Θ este egală cu
1 —CC. Mai precis, ori de câte ori calculăm limitele 0 şi 0 şi afirmăm că
P ( 0 < 0 < 0 ) = 1 ~ α , aceasta înseamnă că din 100 de intervale de încredere
pentru acelaşi parametru, construite pe baza a 100 de selecţii din una şi aceeaşi
populaţie, ( l - a ) 1 0 0 dintre intervale cuprind în interiorul lor valoarea adevărată a
parametrului Θ şi numai Ci· 1 0 0 dintre ele nu îl cuprind. în practică drept
coeficient de încredere se ia 1 —CC = 9 5 % , 99% sau 99,9% adică
CC = 5 % , 1 % sau 0 ,1% . Menţionăm că la alegerea coeficientului de încredere
1 - C( deci a lui α se au în vedere considerente de ordin practic impuse de
problema concretă ce se rezolvă.
în afara coeficientului de încredere 1 - CC, un rol important îl joacă şi lungimea
intervalului 0 şi 0 . Un interval de lungime mică construit cu un coeficient de
încredere mare estimează cu precizie valoarea parametrului. Jumătatea intervalului
de încredere o vom nota cu δ. Al treilea element important în teoria intervalelor de
încredere este volumul n al selecţiei. Cele trei mărimi 1 - CC(sau a), 5 şi n sunt
strâns legate între ele şi cunoaşterea a două dintre ele permite determinarea celei
de-a treia.
în cele ce urmează vom prezenta o metodă de determinare a intervalelor de
încredere, pe care o vom aplica la estimarea parametrilor conţinuţi în unele legi de
repartiţie, frecvent folosite în practică. întrucât estimarea parametrilor prin
intervale de încredere se impune mai ales în cazul unui număr mic de observaţii,
când estimaţia punctuală nu este precisă, vom expune construirea intervalelor de
încredere pe baza selecţiilor de volum redus (n < 3 0 ) .
Să considerăm repartiţia f ( x , 0 ) a variabilei aleatoare X definită pe o anumită
populaţie şi care pentru uşurinţa expunerii să presupunem că depinde numai de un
singur parametru Θ. Ne propunem ca pe baza unei selecţii X v X 2,...,Xn de
volum n să determinăm un interval de încredere pentru parametrul necunoscut Θ.
Metoda constă în găsirea unei funcţii U ( X 1, X 2,...,Xn’, 0) de datele de selecţie
şi de parametrul Θcare posedă proprietăţile:
a) este definită în orice punct aparţinând intervalului ( 0 , 0 ) al valorilor
posibile ale lui 0,

354
 b) este continuă şi monotonă în raport cu Θ,
c) repartiţia sa g ( u ) n u depinde de parametrul Θ şi nici de alţi parametri
necunoscuţi.
Dacă aceste condiţii sunt îndeplinite, atunci pentru fiecare coeficient de
încredere 1 - CC, putem găsi folosind repartiţia g(u) a statisticii U, limitele u, şi
w2 care depind de a , dar sunt independente de datele de selecţie, astfel încât să
avem:
fu2
P( ul < U < u 2) =\ g( u)du- \- OC (3)
Ju t

Alegerea acestor limite pentru un a dat nu se face în mod unic deoarece

între «i şi u2 avem o singură relaţie (3), însă inegalităţile
Mj < £/(X[, X 2 ,■··, X n; Θ) <>U2 (4)
în baza monotoniei şi continuităţii funcţiei U în raport cu Θ pot fi scrise sub
forma echivalentă:
(ţ(X l , X 2,.., X J < Θ < Θ( X l , X 2,..., x„) (5)
£ şi Θ fiind două funcţii de datele de selecţie şi de numerele U\ şi u2 respectiv
şi se obţin ca soluţii ale ecuaţiilor U ( X l , X 2,..., X η',θ) = u2 şi
U { X x, X 2, - - - X = w, . Am obţinut astfel intervalul de încredere (Θ , 0 )
pentru parametrul Θal repartiţiei f ( x , 9 ) dat de inegalităţile (5), care acoperă
valoarea necunoscută a lui Θ cu probabilitatea 1 -OC conform relaţiei:
P (0 < θ < Θ ) = 1 - a (6)
Intervalele de estimaţie pentru parametrii repartiţiei normale
Să considerăm o populaţie normală, la care variabila sub cercetare X are după
cum se ştie legea:

/ (x ;m , σ ) = — = e 2<T ;
σν2π
depinzând de doi parametri m şi σ 2 , respectiv media şi dispersia variabilei X. Ne
propunem să determinăm intervalele de încredere pentru parametrii m şi σ 2 .
a) Intervalul de încredere pentru media m când σ 2 este cunoscut
Ca funcţie U ( Χ χ, X 2,···, Χ„',θ) vom alege abaterea normală a mediei de selecţie
X:
1} ( Χι , Χ 2,··.,Χη, θ) vom alege abaterea normală a mediei de selecţie X :

U ( X l , X 2,...,Xn,m) = ? ^ y f c , (?)
(7

355
care este monotonă şi continuă în raport cu parametrul de estimat m şi a cărei
repartiţie este conform teoremei 1, § 1 repartiţia normală tip

g (u ) =
1 4 (8)
V 2π
Din (8) se vede că g(u) nu depinde de m şi nici de alţi parametri. Suntem astfel
în condiţiile enunţate mai sus, prin urmare 1 -C C fiind o probabilitate foarte
apropiată de unitate, putem determina numerele U\ şi u2 astfel încât să avem:
J ‘U2 g(u)du = 1 -oc
u,
sau:

X -m 1 u
< un f 2e 2 du = 1 - 0 ? (9)
σ V 2π
yfn
Relaţia (9) se mai poate scrie sub forma:

P (X - U2 ~ r < m < X - Mj - i · ) = 1 -CC

yln vn

( Λ
Ϋ - — f—, AΫ -
Μ, σr—Λ pentru
Am obţinut aşadar intervalul de încredere
Vn vn
parametrul w, coeficientul de încredere fiind 1 - CC. Se observă că se pot obţine o
infinitate de astfel de intervale de încredere pentru parametrul m, toate au aceleaşi
probabilitate 1 - OC deoarece între u\ şi w2 avem o singură relaţie dată de (9). Pe noi
ne interesează intervalul de lungime minimă.
Lungimea intervalului este:

δ = -T = («2 - « i )
Vn
Pentru a vedea pentru ce valori u\ şi u2, obţinem intervalul cu cea mai mică
lungime, minimizăm δ cu condiţia (9). Vom folosi metoda multiplicatorilor lui
Lagrange şi în acest scop formăm funcţia
σ
<Ρ(μ1, μ2) = ~ ( μ2 - μ1) + Α Γ g ( u ) d u - ( I - a )
Vn
din care deducem:
d(p
-Xg(u1) = 0
dux yfn

356
 ! ^ - = ~ ? = + Ag(w2) = 0
ou2 Vn

care ne dă g ( u , ) = g(w2) de unde rezultă Mj = u2 sau - u { = u 2 .Prima soluţie nu

' convine deci - u{ = u2 = z .
Cu această soluţie ecuaţia (9) devine:
Z
1
f e~ 2 du = F(z) - F (-z ) = F(z) - 1 + F ( z ) = 2 F(z) - 1,

Γ e~2 dt.
unde F (-z ) = l~ F ( z ) , iar F(z) = -j= = J—oo

Din relaţia F(z) - 1 = 1 -O C rezultă F(z) = 1 - — deci vom nota Z = Z a care

2 l-y
rezultă din tabele.

F ig. 4

Prin urmare u\ = ~Z „ u 2 ~ z]_a

2 2
Deci intervalul de încredere este:

X — z a —ţ= < m < X + z a —7=· (11)

ι- γ ν η '- γ v n
Observaţie. Menţionăm că şi în cazul când X nu este repartizată normal pentru
*fn(X -m )
valori mari ale lui n, v ariab ila----------------- este aproximativ repartizată
σ
N(0,1) (Teorema 1), deci şi în acest caz (11) este un interval de încredere pentru
parametrul m, cu coeficientul de încredere 1 -CC.

357
 Aplicaţia 1. Variabila aleatoare Xeste repartizată normal N (0 ,2 ).
Se cere intervalul de încredere 95% (1 - OL = 0,95) pentru media m pe baza
selecţiei de volum n = 16, care a dat X —4,1.
Folosind relaţia (11), găsim:

Z a · -5= = 1 ,9 6 -3 = = 0,98 şi cum X = 4,1 (

1-7 v n V l6
avem;
X - 0,98 = 4 ,1 - 0 ,9 8 = 3,12 şi X + 0,98 = 5,0 8 .

Prin urmare intervalul cerut este

3,12 < m < 5,08
Aplicaţia 2. Selecţia dintr-un lot numeros de becuri electrice conţine n - 100
bucăţi. Durata medie de ardere a celor 100 de becuri este X = 1000 ore.
Să se determine un interval de încredere 95% pentru durata medie de ardere m a
întregului lot ştiind că abaterea medie pătratică a duratei de ardere a becurilor este
σ = 40 ore.
în baza observaţiei, întrucât volumul n = 100 al selecţiei este mare vom folosi
tot relaţia (11) în care :
- Z0 975 - 1,96 .
2
Deci;
40 40
100 - 1 ,9 61—i ' 11 ^< m < 1000 +1,96-
^ 1V/V7V7 I Xţ y v/ r·1· · ■■
V i00 V100
adică:
992,16 <m < 100 7 ,8 4 .
în situaţii reale, de regulă, abaterea medie pătratică σ a populaţiei nu este
cunoscută şi ea trebuie estimată pe baza datelor de selecţie. în acest caz pentru
selecţii de volum mic, intervalul definit de relaţia (1) nu mai este aplicabil.

b) Intervalul de încredere pentru media m când cr2 este necunoscut

Drept funcţie U ( X v X 2,---,Xn,m) vom alege statistica:
X-m
,= ~ 7 7 ' <12>
■Jn

358
undei2 = - ^ - y ( A : - X ) 2 .
«-ΐ£ ί
Conform teoremei variabila t are o repartiţie Student cu η -1 grade de libertate:

t2 Λ 2
1+ - ; te R
n-l
7( n - 1)π

care se vede că nu depinde de parametrul estimat şi al cărei grafic este:

Fig. 5

Pentru construcţia intervalului de încredere avem şi în acest caz:

y fn (X - m ) ^ eh ... .
h< ■<u = s„-\(t)dt = l - a ?
\
sau:

P{X - 12 - 4= < m < X - r, -4= ) = 1 - α .

Vn vn

Prin urmare X —t2 —ţ= ,X - fj —^ este un interval de încredere pentru

l vn Vn
parametrul m având coeficientul de încredere 1 —(X. Procedând ca în cazul
precedent din motive de simetrie ale graficului repartiţiei s n_j(/) găsim că
intervalul de lungime minimă corespunde cazul când - tx = t2 . Notăm cu Sn_{(t)
funcţia de repartiţie a variabilei Student:

359
 V 1 (<2 ) = P(ţ < h ) = J '1 ί . . . ( Ο * = 1 ■ -Ş ,
şi atunci
h = ί,1—:π-1
α , »» ί, =/α = - ί α
— 1—:π-1
2 2 2
Rezultă intervalul de încredere căutat:

X + t a ,-Ţ = < m <X + t a (13)

-:n-l I—-"-' V «
Observaţii, a) Dacă w > 30 se ştie că repartiţia Student poate fi aproximată cu
legea normală şi prin urmare:
tot—τι-l ~ Za—
2 2
b) Intervalele date de (13) vor varia de la o selecţie la alta, atât ca poziţie cât şi
ca lungime, deoarece, ţinând seama că ta ~ a , lungimea:
—in —1 1— :n - l
2 2

^ ~ a
1—:n-l j—>
*Jn
depinde de mărimea s.
Aplicaţia 3. Se cunosc rezultatele Xl ,X 2,···,X^i a n = 22 măsurători ale
unui unghi oarecare în grade: 3,1; 3,3; 2,9; 3,0; 3,1; 3,2; 2,8; 2,7; 3,1; 3,2; 2,9; 3,0;
2,9; 3,1; 2,8; 2,9; 3,2; 3,3; 2,9; 3,1; 3,2; 3,0. Presupunând că rezultatele
măsurătorilor urmează o lege normală, să se determine un interval de încredere
98% pentru media m a populaţiei (valoarea adevărată m ).
Găsim:

* =^ ţ X‘ = 3·0318; *2 = ^ Σ ( Χ » - X ) 2 = 0,0303

Tabelele ne dau: ta = *001-21 = 2,518

—71-1
2
şi conform cu (13) limitele intervalului pentru media tn sunt:
s
x = 'o, 01:21- 7= = 3,·0318 -0 ,0 9 3 4 ;
V22
X +1 2 -jL= = 3,0318 + 0,0934 = 3,1252
’ ’ V 22

Deci intervalul de încredere 98% pentru media m este:

2,9384 < m < 3,1252
360
 c) Intervalul de încredere pentru dispersia σ2
în acest caz statistica U (X x,X 2,..., Χη, σ 2) posedând proprietăţile menţionate
şi cu ajutorul căreia vom construi intervalul de încredere pentru parametrul σ2 este:

U (X l t X2 ..... Χη , σ 2) = {-η --ψ 2 (H)

1 n
2 V1 —2
unde s = —— - ^ ( X t - X ) . Conform consecinţei teoremei 4 variabila U are

o repartiţie X cu η -1 grade de libertate:

n -l _a
1
£ (« ) = — u 2 e 2
n -l
2 2 Γ

care nu depinde de parametrul σ2, ci numai de parametrul n, volumul selecţiei, şi al

cărei grafic este cel de mai jos:

Prin urmare 1 —Cî fiind o probabilitate foarte apropiată de 1. putem determina

2 · 2
numerele u y = %x şi u2 = χ 2 astfel încât să avem:

361
 2 (jl~"ï)S4 2
P(ux < U < u 2) = P Xi <-- - - J— <x\
n-l_j n
çzi 1
2 e 2du = 1 - a .
^ 2 2 n'n -ï\
,2 „„2
Numerele şi se determină cu ajutorul tabelelor de valori ale funcţiei
de repartiţie H (x ) = Ρ ( χ 2 < x) a variabilei X2 . Avem, conform figurii,
CC CC
P(X 2 < X i) = — deci X\ = Xa şi, de asemenea, P{X2 < χ\ ) = 1 - — deci
2 y * -1 I

^ 2 ( n - l) i2 2
Din relaţia ^ "7- Γ ...< X.1—
a-;n-l, = l - a
— ;/i-l , < ....<
2 2
deducem:
Λ
(η - 1 ) s 2
------ -— < σ 2 < (w ~ l)^ 2 = l - a
X a Xa lfl-1

adică intervalul pentru σ2:

(n - l)s 2 2 (« ~ 1 )ί2
- — <σ < (15)
X1 a2;«-l
2
Observaţii, a) Am determinat intervalul de încredere 1 - CL pentru σ2 astfel
situat pe axa Ou, încât în afara lui ariile de sub curba densităţii g(u) să fie egale.
Acest interval se mai numeşte şi intervalul cozilor egale,
b) Din (15) deducem că intervalul:

(16)
ix\c \x7
V ' T ' - 1 V T:n~l
poate servi pentru scopuri practice ca interval de încredere pentru σ. întrucât aşa
cum am menţionat se folosesc selecţii de volum mic, determinarea intervalului de
362
încredere pentru parametrul σ, necesită o metodă mai exactă pe care nu o vom
expune în continuare.
Aplicaţia 4. în condiţiile problemei de la aplicaţia 3 să se determine intervalul
de încredere pentru dispersia σ2. în acest caz valorile tabelare necesare sunt:
X a = Zo,9 9 ;2 i = 38,392; χ α = Xqqi-21 —8,897
-\n-l
iar limitele intervalului (15) pentru σ2 sunt:
( - l ) £ l = 21^ 0289
X2« 38,932
1— ;n-l
2

(« ^ 1)^ 2 1^ 0 2 8 9
xl 8397
r*-'

Deci intervalul pentru σ2 este (0,0163; 0,0715).

Conform cu relaţia (16) găsim pentru σ:

■>/0,0163 < σ 2 < V 0,0715 ,

sau
0,127 < σ < 0,267.

8. Funcţia de repartiţie a selecţiei, momente de selecţie.

Mulţimea valorilor de observaţie {xl, x 2,...,xn} ale unei caracteristici
(variabilă aleatoare) X se numeşte selecţie de volum n din populaţia Γ supusă
cercetării.
Elementele mulţimii {X,,X2,...,X„} numite variabile de selecţie au o dublă
interpretare:
(1) Considerate după efectuarea selecţiei, variabilele Xl,X2,...,Xn reprezintă
valori concrete pe care le folosim ca informaţii asupra variabilei aleatoare X şi le
notăm:
Xj =xt,X2 = x2,...X„ = x„ .
(2) Considerate înainte de efectuarea selecţiei, variabilele Xu X2,...,Xn pot fi
privite ca variabile aleatoare independente şi identic repartizate din punct de vedere
probabilistic cu variabila aleatoare X.
Deci putem scrie:
(a) M ( X ;) = M ( X ') = mr ( V ) ; = ü i ;

363
 (b) M ((X j-m Y )= M { (X -m )r)= ß r (V );= l,n
unde m - M(X),mr, ß r reprezintă media, momentul iniţial de ordin r şi momentul
centrat de ordin r ale variabilei aleatoare X .
Se consideră că fiecare variabilă aleatoare X j j = 1,« se realizează cu aceeaşi

probabilitate egală cu —. Pe baza acestui fapt se construieşte variabila aleatoare de

n
selecţie (variabila empirică).
Definiţie 1. Variabila aleatoare de selecţie are următoarea repartiţie:
fX \ x2
v V
■YΛ» \ 1 __
X \_ în care P(X* = Xk) = - (V)* = 1, n .
n
n n n
Presupunând că după efectuarea a n observaţii am obţinut:
de nxori a aparat X,
de n2 ori a aparat X 2
unde n,+n2+... + nk =n, atunci:

den* oriaaparut Xk
[Xx X2 ... X k' X2 • X ,'
% .

X*: , unde:
Ol !h Ol
Vn n n ,
fi ” fn ,

// = 2— l . i = l,k [i^ / / =1
* i=i
Definiţie 2. Fie Γ o populaţie cu caracteristica X, o selecţie de volum n,
{X],X2,...,Xn}şi x e R . Fie nx o valoare care ne dă numărul observaţiilor în care a
apărut o valoare a caracteristicii X mai mică decât x în selecţia {Xu X2,...,Xn}.
Funcţia empirică de repartiţie (funcţia de repartiţie a selecţiei) este definită
astfel:
F * (x ) =
n
Definiţie 3. Fie X o variabilă aleatoare considerată pe o populaţie oarecare Γ.
Numim moment iniţial de selecţie de ordin r statistica:
- .1 A .
»fti » « li
_ n\X\ ^ n2-^2 + ·■·+ nkXk
n
Notăm m\ = X şi o numim media de selecţie.
364
 Numim moment centrat de selecţie de ordin r statistica:

- xy -x y
nM
j n _
μ ΐ = —\ ( X k - X)2 se numeşte dispersia de selecţie
" tÎ
(Vom nota μ 2 = S )
Propoziţie 1. Momentul iniţial de selecţie de ordin r, m*, are media şi dispersia:
_ m2r - mr

_ m2 - m _D (X )
în particular : M(X) = M(X) = m , D(X )
Propoziţie 2. Media dispersiei de selecţie este:
^ n_oi w·—1
Μ (μΙ) = M (S2) = ----- 0 (X ) şi dispersia dispersiei de selecţie este:
n

n
Propoziţie 3. Momentele de selecţie converg în probabilitate spre momentele
teoretice ale variabilei aleatoare X şi anume: tn] —£—>mr şi μ*—ε~^μΓ■ Cu alte
cuvinte cu cât volumul selecţiei este mai mare cu atât momentele de selecţie vor
avea valori mai apropiate de momentele teoretice corespunzătoare.

Probleme:
Problema 1. Durata de execuţie a unei lucrări într-o bandă de montaj este repatizată
normal cu media m şi abaterea σ = 4 minute. S-a cronometrat durata de efectuare a
operaţiei la un număr de n = 9 muncitori. Determinaţi probabilitatea ca media
duratei determinate pe baza celor n observaţii să nu difere de m în valoare absolută
cu mai mult de 3 minute la un muncitor: p \x - w|< 3)= ?
Rezolvare:
f \
3-Jn X- m 3-Jn
p\x - < 3)= P{-3<X - m<3) = Ρ
σ %
r 3 fn
=P = 2Φ ■1 ■1 = 2Φ(2,25) - 1 =
σ σ - « ( ¥ )
= 2 · 0,9878 - 1 = 1,975 - 1 = 0,975.

365
Problema 2. Presupunând că diametrul unor piese fabricate la un strung este
repartizat normal N(m, 2 ), care trebuie să fie volumul n al selecţiei astfel încât
P (jj-m | < l)= 0 ,9 9 .
Rezolvare'.

4n X - m σ
P ^ X - m < 1j = 0,99 = P ( - l < X -m < l) = P -----<---------< —
σ σ
rn

= 2Φ 1 = 2Φ -1 = 0,99,
σ
\
ί Γ~\
2Φ = 1,99 => Φ = 0,995 => — = 2,58,
2 2
=> 4 η = 2 ■2,58 = 5,16 => η = 26,62 => η = 27.

Problema 3 Fie X ο variabilă aleatoare exponenţială cu legea de repartiţie

1 —
/ (χ ,λ ) = —e λ ,x> 0,A > 0 . Să se găsească un estimator consistent şi nedeplasat
Λ
pentru A.
Rezolvare :
—_ X\ + Xz +... + Xn
Fie {Xu X2,...,Xn} o selecţie de volum η. X = . Ştiind că

Μ(Χ) =λ şi D (X) = A2, o (X) = D (X) A2 -i-ir—>ρ , rezultă că X este un

η n
estimator nedeplasat şi cosistent pentru A.

Problema 4. Aflaţi prin metoda momentelor un estimator pentru parametrii

repartiţiei uniforme.
Rezolvare : Repartiţia uniformă are forma:

f(x ,a ,b ) = - b - a x e \a,b\
0, în rest
Fie {Xl,X2,...,Xn} o selecţie de volum n. Folosind metoda momentelor obţinem:

366
 a +è a + b = A=$a +b = 2A
m, (a, b) = m*
<=>
m2(a,b) = m\ j g + - + ^ 2 -= m, a2+ab+b2
=B

=>(a + b)2 - ab = 3B =>ab =4A2 - 3 5 .

Formăm ecuaţia de gradul II cu rădăcinile a şi b şi avem:
X2-2AX +4A2- 3 B 2 = 0
Δ = 4A2 - 1 6A2+12B2 = 12(5 2 -A 2) = \2μ* = 12S2

=>a,b = - A- ? £ ^ =*a,b =X ± s J 3 .

Problema 5. Aflaţi un estimator pentru parametrul repartiţiei binomiale (p) folosind

metoda verosimilităţii maxime.
Rezolvare : După cum ştim, numărul de apariţii ale unui eveniment în n probe
independente poate fi considerat o variabilă aleatoare de forma: X = ^ Xt , unde:
i=l
^0 Π
Xi (V)i = l,n .
X p
Legea de repartiţie pentru variabila aleatoare de parametri 1 şi p este:
P(x,p ) = p x( \ - p ) ' - x, x=0,l 0< p < l.
Folosind metoda verosimilităţii maxime obţinem următoare funcţie de
verosimilitate:
" Σ*' - î*
Ι ( χ λ,..·χη, ρ ) = \ γ p x‘ ( i - P) ‘ = p (1 - P )
/*i
“
_ a in L(xu ...,xn,p ) d η f' » Ί
Σ ^ ,··ΐη ρ+ ” “ Σ χ· 1η(1-ρ) = 0
dp d p _i=l
1 «=' J
ί

« = ο = > ( ΐ - ρ ) Σ χι - ι \ " “ £*<· =0

P i- p /=! i=l
η

i=l i=l
~ Σ/=*! .

367
=$ p = —— = X şi este punct de maxim pentru ln L(x{...xn, p ) => p - X este
n
un estimator de maximă verosimilitate pentru p.

Problema 6. Aflaţi un estimator de maximă verosimilitate pentru parametrul Θ

din repartiţiile:
(1) / (χ ,θ) = (1 + θ ) · χ β, 0<χ<1,θ > 0 ;
(2) ρ (χ ,θ ) = θ ( 1 - θ ) χ , * = 0,1,2... Ο<0 <1 ;
θ — 1
(3) / (χ,θ) = ~ - ^ · χ ι-ϋ , 0 < * < 1 ^ < β < 1 ;
— 1η—
(4) ρ (χ ,θ ) = ( 2 - θ ) · χ ' η2' 2~ο , χ = 1,2 1<θ <2

Rezolvare :
(l)L (x ],...,Xn, e ) = f l f ( x i, e ) = ( l + e r - x f - x e2...xe„
;=ί
ln L(xv ..xn,6 ) = η1η(1 + θ ) + θ ^ 1 η χ (.
ί=1

dlnL^ Ţ:-X-- - - = 0 <=» - ~ + Σ 1η*,· =0=> (1 + θ ) ^ 1 η χ ,.+n = 0

/=i (=1
n
- n - VlnjCj
=>θ =·— ^ ------ =- — ■-------1.
J ln x ,. ]Γ ΐη χ ,
i =1 (=1

(2) L(xl,...,xn,9) = Ţ l p ( x i, e ) = 9n - ( l - e y · '

i=l

ln L(χ,.. .χπ, Θ) = n InΘ + xt ■ln(l - Θ)

/I
Θ ΙηΖ ^,.,.χ,,β) _ w . y i . . f ___[__)
—+ -------- |= 0 = > « - « θ - θ ν χ. = 0
ΘΘ θ £ί \ ι - θ ) £
 Y*
28,-1 20-1
-β +1 -β +1
(3) L(*,,...,xn,0 ) = J ţ / ( * .,0 ) = ·*1 ···*„
i=l 1-0
20 -1 v
lnL(jt1..jtn,0) = n ( ln 0 - ln ( l-0 ) ) + · Σ ,η *>
“ θ + 1 ι=1

Β Ι η Ι ^ ,,- χ ,,θ ) _ f
Ι+ —
de 0 1-0 (0 —1) ^i»! '

0 (1 -0 ) (0 -1 ) ti ι=1

0 = ------ ------- =____ L 1

it η η

”-Σ1η*'·
ι=1
Σ1ηχ<
\ - Μ ------
· Σ1η*< 1 _ _ ί Ξ !------

I , θ-1 1 , 0-1
— 1η-------------------- 1η-------
1η 2 2 -0 1η 2 2 -0
(4) L(xl ,...,xn,0 ) = Ţ l p ( x i,9 ) = ( 2 - e ) ·χΙ ... χ-
<=ι
ln L(x}...χ„,θ) = η 1η(2 - 0) +^ · · 1η Σ \ηχ,
ί=ί

d\nL(xu ...xn,6) _η -1 | 1 2 - 0 2 - 0 + 0 - ! ^·
30 2 - 0 1η2 0 - 1 2 -0 ί=1
1η*<= 0 Σ
, Σ ΐη ^
1 /=1 = 0 => -(0 - \)η 1η2 + (2 - 0 )Σ 1η χ, =0=>
2 -0 1η 2 0 - 1 1=1
η η

«(1-0)1η 2 + 2 Σ ΐ η * ι - 0 Σ ΐ η ^/ =0 =>
ΐ= 1 ι=1

η η
η1η2 + Σ ΐ ηχ,· = η1η2 + 2 Σ ΐ η *,·
ι=1 ί=1

«1η2 + 2 Σ ^ χ , 1+ ~ Σ 1ομ
=>0=- ι=1 ;=ι
1 vï
” 1η2 + Σ ^ η χ ί 1+ - Σ 1ο 8 2 */
/=ι
 Problema 7. Să se determine intervalul de încredere 95% pentru media m a unei
populaţiei normale cu dispersia σ 2 =400, pe baza unei selecţii de volum n = 25 în
urma căreia s-a obţinut media de selecţie X = 200 .
Rezolvare : Se cunoaşte că intervalul de încredere pentru media m a unei
populaţii normale, în cazul în care σ 2 este cunoscută, este:
X - Z a -- ir < m < X +Z a ·~η= pentru care avem:
>-y V« V«
f \
X - Z . „ ~ < m < X +Z vσ- = 1- a = 0,95;

20 __ 20
Z a = Z0 975 = 1,96 => 200 -1,96---- < m < 200 +1,96-----<=>
l~2 ^
<=>200 - 7,84 < m < 200 + 7,84 <=>192,16 < m < 207,84

Problema 8. O selecţie de volum n = 10 dintr-o populaţie normală a dat

rezultatele:
Xi -2 0 1
«,· 2 1 2 2
a) Determinaţi un interva de încredere 90% pentru media populaţiei;
b) Determinaţi un interval de încredere 95% pentru dispersia populaţiei.
Rezolvare :
a) t a ‘ j—<m<X +t a ■ <=>t —10 95.9 = 1,83
Vn >—.«-> V« '-γ'"-1

X = 1,2 ; s 2 = — Y (xj - x ) 2=— S2 =— ■3,76 = 4,18 => s = 2,04 .

n -\ r ~ n -l 9
2 04 2 04
=* 1,2 -1,83 ·- ţ Z < m < 1,2 +1,83 ·=ţZ <=>1,2 -1,18 <m< 1,2 +1,18
VÎO VTÖ
<=» 0,02 <m < 2,38 o 0,02 <m< 2,38.
b) Se ştie că intervalul de încredere pentru dispersia populaţiei este:
(n - l)i2 2 (n - l)s 2 9-4,18 2 9-4,18
-— < σ ι < 2 < σ2 <=»
Z a
1-- ,Λ-1 Xa ,
—,Λ-1 Z o, 975,9 Ζ θ . 025,9
2 2
« 1 ,9 8 < σ 2 <13,93.

370
 CAPITOLUL VI

ELEMENTE DE MATEMATICI FINANCIARE

ŞI ACTUARIALE

§ 1. Operaţii financiare certe

1. Dobânda simplă
în general, prin dobândă se înţelege o sumă ce se plăteşte de către debitor
(se percepe de către creditor), pentru o sumă oarecare împrumutată de către debitor
pentru folosinţă temporară.
Se numeşte procent, dobânda care se plăteşte pentru suma de 100 lei pe timp
de un an.
Se numeşte dobândă unitară, dobânda calculată pentru suma de 1 leu pe
timp de un an şi este egală cu a suta parte din procent.
Notaţii:
S - suma depusă sau împrumutată pentru care se calculează dobânda;
t = durata pe care se calculează dobânda - exprimată în ani;
p = procentul;
i = —— dobânda unitară;
100
D = dobânda simplă.
Este evident că dobânda este direct proporţională cu suma împrumutată
(depusă) S, cu durata t şi cu procentul p.
Avem:
dobânda unitară i = (1)
100

dobânda produsă de 1 leu pe t ani este it = ;

dobânda produsă de S lei pe t ani este:
Sp
D =i t S = ^ . (2)
100

Dacă în (2) considerăm t = — unde k reprezintă numărul de părţi egale în

k
care am împărţit anul, iar tkeste un număr oarecare de astfel de părţi din an pentru
care se calculează dobânda, obţinem:
d= Ş!Îl A . ,3)
k 100k
Pentru k = 2 —>t2 semestre; pentru k = 4—>u trimestre.
Pentru k = 12 tl2 luni; pentru k = 360 —>tm zile.

371
 Remarcăm că formula (2) conţine 4 elemente. Cunoscând trei dintre ele se
poate determina al patrulea.

100
100D
P =-
St
100 D '
t =-
Sp '
100D
S=
pt
Valoarea finală şi valoarea actuală
Să notăm cu 50 suma depusă iniţial şi fie D=S0it dobânda simplă produsă de
suma S0 pe durata t cu procentul egal cu lOOi.
Suma sau valoarea finală notată S, este suma disponibilă peste t ani dacă se
plasează cu dobânda simplă în momentul iniţial suma S0.
Astfel spus 5, este suma dintre S0 şi dobânda produsă de S0 pe timp de t ani,
adică:
S, = S0 +D = S0 +S0it = S0(l + it) . (4)
Din (4) se poate deduce valoarea actuală (suma depusă în momentul iniţial
care împreună cu dobânda produsă pe durata t, a devenit St):

S° =T + Î' (5)
Scadenţa comună şi scadenţa medie
Scadenţa comună
Fie S],S2, .... S„ mai multe sume depuse pe duratele t,,t2,...,tn cu acelaşi
procent p. Ne propunem să înlocuim sumele S* şi duratele tk, k=l,2,...,n cu o sumă
unică 5 şi o durată unică t astfel încât suma dobânzilor produse de sumele
Si,S2,...,Sn să fie egală cu dobânda produsă de suma unică S pe durata t cu acelaşi
procent p.
Avem:
Sxpt i | S2pt2 | Snp tn _ Spt
100 100 100 100 ’

sau S,/, + S2t2 +... + Sntn = S t.

Scadenţa comună este durata unică t, deci cunoscând S obţinem:

t = Γ -. (6)

372
 η
Dacă Si + S 2 +··· + Sn = »
;=i
obţinem:

i> A
f = —----
η

Ii=l s>
Durata ί dată de (7) se numeşte scadenţa medie (medie aritmetică ponderată,
ponderile fiind sumele Si).
Procent mediu de depunere
Fie sumele Si,S2,...,S„ plasate pe duratele ί/,ί2,...Λ· Ne propunem să
determinăm un procent unic p, astfel încât sumele considerate depuse cu acelaşi
procent p pe aceleaşi durate să producă aceeaşi dobândă. Avem:
SlPlh ! ^2Pzf 2 j i SnPntn _
100 100 100
_ Sxpty ^ S2p t2 ! I Snp tn ^
100 100 100
Slp ltl +S2p 2t2+...+S„pntn = p(S,f, +S2t2 + ...+ S„pn),
de unde
n

P = ^ ---------· (8)
Y jS ktk
k=1
Formula (8) dă procentul unic căutat p în condiţiile enunţate, care apare ca o
medie aritmetică ponderată, ponderile fiind produsele Sktk; k=l,2,...,n de aici şi
numele de procen t mediu de depunere.

Exemplu:
Să se calculeze procentul mediu de depunere pentru sumele:
5.000 lei cu 4% pe timp de 45 zile,
10.000 lei cu 5% pe timp de 60 zile
50.000 lei cu 2% pe timp de 100 zile
5.000·4·45+ 10.000-5-60 + 50.000·2-100 -- 2,38%
p ------------------------------------------------------- „
5.000 ■45 +10.000 ■60 + 50.000 ·100

2. Dobânda com pusă

Spunem că o sumă este depusă (se fructifică) cu dobândă compusă dacă la

373
sfârşitul unei perioade dobânda simplă produsă pe această perioadă se adaugă
pentru a produce la rândul său dobândă în perioada următoare ş.a.m.d.
în operaţiile financiare pe termen lung, unitatea de timp (perioada) frecvent
utilizată este anul·, uneori se foloseşte semestrul sau trimestrul.
în calculul dobânzii compuse se obişnuieşte să se folosească dobânda unitară
i şi nu procentul p.

Stabilirea form ulei dobânzii compuse

Presupunem de la început că timpul t de depunere este un număr întreg de
perioade (ani, semestre, trimestre etc.).

Vom nota:
So = suma depusă inţial sau valoarea actuală,
i = dobânda unitară (corespunzătoare unei perioade),
n = numărul de perioade,
Sn = suma disponibilă după n perioade sau valoarea finală.

Ţinând seama de cum am definit modul de fructificare a unei sume, cu

dobânda compusă, putem întocmi tabelul:

Tabelul 1
Suma depusă Dobânda
Suma obţinută la sfârşitul
Anul la începutul produsă în
perioadei
perioadei timpul perioadei
1 So S0i Sj=So+Soi=So( 1+i)
2 s, S,i S2=S,+S,i=So(l+i)2

n Sn-l Sn/i Sn=S„.i+S„.n=So( 1+i)n

Avem deci:
s „ = s 0{\+iy (9)
Dacă notăm 1 + i =u, obţinem:
Sn =S0un . (10)
Factorul 1 + i = u se numeşte factor de fructificare şi în tabelele financiare
se găseşte calculat un pentru diferite procente şi pentru diverşi ani (n). Formula (10)
se mai numeşte şi formulă de fructificare.
Cunoscând valoarea finală Sn şi valoarea actuală, putem determina dobânda
compusă, şi anume:
D = Sn —S0 = S0u —S0 =S0(m —l).
Avem deci formula dobânzii compuse:
D = S0{un-\). (11)

374
 Valoarea actuală a unei sume
Formula d e actualizare
Actualizarea este operaţia inversă fructificării. Problema se pune astfel:
Ce sumă S0 trebuie depusă în prezent pentru ca după n ani cu dobânda
unitară i să obţinem suma Sn dată ?
Valoarea actuală este deci So.
Deci: 5 „ = 5 0(l + if =>S0 = - ^ - = Sn(l +i)-n
(1+ iŢ

Punând (l + i)~' ~~“ “ v » (12)

v ' 1+i
obţinem: S0 =Snv n (13)
Factorul v = (l + i)~l se numeşte fa cto r de actualizare, în tabele fiind date v"
pentru diferite perioade.
Exemple:
1°. Ce devine suma de 10.000 lei plasată pe timp de 10 ani la C.E.C. cu
procentul actual de 5%.
a) Soluţie cu ajutorul logaritmilor:
S I0= 10.000· 1,0510
log S10 = log 10.000+ 10-logl,5 =4+ 10 0,02119 = 4,2119
de unde Sio = 16.289,29 lei.
b) Soluţie cu ajutorul tabelele financiare:
S 10 = 10.000· 1,0510 = 10.000· 1,628894 = 16,288,94 l e i .
2°. Calculul valorii actuale S0-
Să se determine ce sumă trebuie depusă la C.E.C. cu 4,5% pentru a putea
încasa 5 ani suma de 5.000 lei.
Avem: S0 = S5(l+i)'5 = 8.000-1,045 5 = 8.000-0,802451 = 6.419,61 lei
3°. Calcularea procentului p
Avem (Z+ i)" = — .
S0
Cu ajutorul unei interpolări liniare se poate determina procentul.
Cu ce procent suma de 3.450 lei depusă pe timp de 8 ani devine 5.324,45
lei?
Avem:
(/ + {f - 5 ·3 2 4 ’ 4 5 . - 1 , 5 4 3 3 1 88
V ’ a 3.450
în tabelele financiare corespunzătoare lui un avem pentru n=8:
1,4802443 ..............................4%
1,5433188.............................. ?
1,5529694............................... 5%

375
 0,0727251 0,50
0,0630749 x

0,50-0,630745
x =------------------ = 0,43
0,0727251

Deci procentul va fi p = 4% + 0,43% = 4,43%.

4°. Calcularea timpului t
Folosim de asemenea formula:
Ö+ 0"
şi vom face tot o interpolare liniară.
în cât timp suma de 4.650 lei depusă cu 4% devine 7.344,28 lei?
Avem:
7 344 28
1,04" = ’ = 1,579415
4.650
în tabela financiară care dă pe un, pe coloana procentului de 4% găsim:
1,539454.......................... lla n i
1,579415 ..........................
1,601032.......................... 12 ani

0,061578 .......................... 1
0,039961 .......................... x

x - M ” « ,0,6489493.
0,061578
Deci η = 11,6489493 ani =11 ani 7 luni 23 zile.
Cazul când timpul t nu este în număr întreg de perioade
în stabilirea formulei generale Sn =S0un am presupus că n este întreg;
numărul de perioade n poate fi fracţionat, de exemplu pentru 8 ani şi 5 luni avem
71 = 8 — .
12
O modalitate de calcul al lui Sn când n este fracţionar:
Se foloseşte formula generală (10) pentru partea întreagă şi se calculează
dobânda simplă pentru partea fracţionară.
Această modalitate se numeşte raţională.
Punem n = k +— . După k ani suma obţinută prin depunerea unei sume
4

376
iniţiale de S0 lei va fi:
Sk= S0(l+ if.
Vom calcula acum dobânda simplă produsă de suma Sk pe perioada
fracţionară — a anului. Aceasta va fi:
q
Ski —= SQ(l +i'f i—,
<7 <7
de unde
5 „= 5 ο(1 +0*+ 5ο(1 + 0 * / Α
<7
sau
Sn =S0{l +i f

P rocente proporţionale
Două procente corespunzătoare la perioade de timp diferite sunt
proporţionale dacă raportul lor este egal cu raportul perioadelor respective de
fructificare.
Exemple
Tabelul 2
procent semestrial 3%
Procent anual 6% procent trimestrial 1,5%
procent lunar 0,5%
procent semestrial 2%
Procent anual 4% procent trimestrial 1%
procent lunar 0,33%

Subliniem că în regimul de dobândă simplă două procente proporţionale

conduc o sumă la aceeaşi valoare finală, ceea ce nu este valabil în regim de
dobândă compusă.
Astfel, cu procentul anual i valoarea finală a sumei S0 este S0+S0i.
Cu procentul semestrial valoarea finală după un an va fi:

~ 2 = S0 + S0i .
Cu procentul anual i valoarea finală, la sfârşitul anului, obţinută de 1 leu cu
dobândă compusă este 1+i.
Cu procentul semestrial — valoarea finală produsă de 1 leu la sfârşitul
anului, cu dobânda compusă va fi:

377
 ( 1H—i λ2 = l +i +—
i2 >1 + /.
2 4
P rocente echivalente
Două procente corespunzând la perioade de fructificări diferite sunt
echivalente dacă pentru o aceeaşi durată de depunere ele conduc la o aceeaşi
valoare finală calculată cu dobândă compusă.
Exemplu
a) Un leu plasat cu procentul anual i devine la sfârşitul primului an 1+i.
1 leu plasat cu procentul semestrial i, devine la sfârşitul anului (l + is f .
Procentele i şi is sunt echivalente dacă valorile finale obţinute la sfârşitul
anului sunt egale:
1+/ = (1+i,)2-
b) Pentru un procent trimestrial i, echivalent cu procentul anual i avem:
1+i = (1+i,)4.
c) Pentru un procent mensual imechivalent cu procentul anual i avem:
1+i = (1+im)1
Pentru un procent ikcorespunzând unei fracţiuni din an echivalenţa este dată
de relaţia:
1+i = (1+i*)*·
De unde obţinem:
1+ i, =(1 + 1) 2 ,

1 + i, = (l + 1)4 ,

i + 'm = (1 + 0*2 »
1+ i* =(l + i ) l .
Vom utiliza noţiunea de procente echivalente pentru a extinde formula
generală a dobânzii compuse în cazul când n este fracţionar:
n = * +£ .

In k ani suma depusă iniţial So devine:

s ,= s „ (i+ tf.
Pentru o fracţiune — din an, un leu va deveni 1 + iq, iar pentru p fracţiuni ale
<7
anului va deveni:
(1+ i/ ·
în consecinţă:

378
s k R = s 0(\+iy(i+iqy = s 0{ i+ iy{ \ + iţ= s0{\+iy+7 = s 0( i + i y ,

deoarece 1+ L
Am arătat deci că formula generală a dobânzii compuse se aplică şi în cazul
când n este fracţionar.
P rocent nominal şi p rocen t real sau efectiv
Atunci când calcularea dobânzii se face pe fracţiuni de an, dobânda adusă
până la sfârşitul anului diferă de aceea, calculată cu procentul anual care s-a stabilit
pentru fiecare fracţiune din an.
Pentru mai multă claritate să considerăm exemplul următor:
Presupunem că am plasat suma de 100.000 u.m. cu procentul de 6% şi că
efectuăm calculul dobânzii de două ori pe an. în primele 6 luni suma de 100.000
u.m. va aduce o dobândă de 3.000 u.m. iar la sfârşitul primei perioade vom avea
100.000 + 3.000 = 103.000 u.m.
în următoarele 6 luni vom avea:
100.000 u.m vor aduce o dobândă de 3.000 u.m.
3.000 u.m. vor aduce o dobândă de 90 u.m.
deci 103.000 u.m. vor aduce o dobândă de 3.090 u.m.
Aşadar, pe timp de un an suma de 100.000 u.m. va aduce o dobândă de
6.090 u.m.
Primul procent de 6% se numeşte procent nominal iar cel de-al doilea,
p rocen t real sau efectiv.
Notăm cu 100 ik procentul efectiv iar prin 100 j k procentul nominal (k
reprezintă numărul de perioade în care a fost împărţit anul). Rezultă că ik este
procentul unitar anual efectiv iar j kprocentul unitar anual nominal.
Ţinând seama că procentul unitar ik corespunde perioadei Yk V, din an, vom
avea:

Jk = k ik s a u h “
K·
înlocuind în formula 1+ i = (1 + ik)k, obţinem:

jk ~k (i+ » y * -1 ,
formule cu ajutorul cărora putem trece de la procentul unitar efectiv la cel nominal

379
şi invers. între cele două procente există relaţia j < i .
Aplicaţie
1. Fie 6% procentul anual efectiv. Să se determine procentul anual nominal
presupunând că se face calculul dobânzii trimestriale.
Avem i = 0,06 de unde
j A=4^(1,06)^ -1 = 0,0586952
Procentul anual nominal de fructificarea dobânzilor calculate trimestrial va fi
100Λ =5,86952%.
2. Fie 5% procentul nominal, fructificarea facându-se semestrial. Să se determine
procentul anual efectiv.
Avem: j 2 = 0,05 de unde:

/= 1+ Jl ■1= Κ ­ Ι =0,050625.

Deci, procentul anual efectiv este 100/ = 5,0625 %.

3. Se depune suma de 10.000 u.m. pe timp de 12 ani cu procentul de 5%
fructificarea dobânzilor fâcându-se semestrial. Să se determine suma disponibilă
peste 12 ani.
2-12

Avem: Sl2 =S0(1 + /)12 = S 1+Ä

=io.oodJ i+ -i—
0 05^24
= 10.000 ■(1,025)24 = 10.000 ·1,808726 =

= 18087,26 u.m.
Dobânda unitară instantanee
Să presupunem că dobânda unitară anuală efectivă este i şi facem ca numărul
k de părţi în care am împărţit anul să crească nemărginit (k —>°°).
Să se determine în acest caz pentru procentul anual unitar nominal o limită,
limită ce constituie unul din elementele fundamentale ale teoriei matematice a
convertibilităţii dobânzii şi care este denumită dobândă unitară instantanee. Vom
avea:

lim ii = δ = lim k (1 + 0
k—>co lc~) oo
= lim ■(i + 0 ^ - i

-F o+
+oi)% ln(l + 0
= lim ■= ln(l + i).
*-»«> - 1/
Această relaţie ne dă legătura dintre dobânda unitară instantanee şi dobânda
unitară efectivă.
380
 Din δ - ln(l + /) rezultă 1+ i = es .
Dezvoltând în serie Mac-Laurin funcţia es obţinem:

sau

Rezultă că i >δ.

Compararea valorilorfinale ale unei sume depuse cu dobândă simplă şi cu

dobândă compusă înfuncţie de timpul n

Valorile finale în regim de dobândă simplă şi dobândă compusă sunt:

S’n = S0(l + in) (1)
Scn =S0{l +iT (2)
S 5n depinde liniar de n, este o funcţie liniară de n, crescătoare.
S' este o funcţie exponenţială cu baza 1+i, supraunitară, de asemenea
crescătoare.

Pentru η = 1 avem S*n =S', deci:

Ds(n) = Dc(n).
Pentru η > 1, constatăm că din dezvoltarea
(ΐ + ί)" =1 + m + ——t2 +...->(! + i)" >1 + ni,
2
S„ >S^ =>Dc (ri) > Ds (n ).

Pentru 0 < η < 1 constatăm că Scn < S n

s deoarece (l +i)" < 1+ n i.

De exemplu pentru n = — avem:

1 1 iL
(l + /)2 <1 + -î= > 1 + î<1+/+— =>0<— evident.
v ' 2 4 4
Rezultă că pentru 0 < η < 1:
Dc(n) < Ds(n) .

Putem recurge şi la grafice pentru a compara cele două dobânzi.

Avem:

381
 Ds(n) = S0in,
Dc (n) = 50 [(l + iY - 1]

Funcţia Ds (n) reprezintă dreapta care trece prin origine şi prin A(l, S0i),
iar Dc (n ) reprezintă o curbă care trece de asemenea prin A(l, S0i).

Avem graficul:

Din grafic rezultă că:

pentru 0 < n <, Dc(n) < Ds(n);
pentru n =1, Dc(n) < Ds(n)\
pentru n > 1, Dc(n) > Ds(n).

3. Plăţi eşalonate (anuităţi)

Plăţile eşalonate sunt sumele de bani plătite la intervale de timp egale
(perioade).
Perioade: anul, semestrul, trimestrul, luna (de unde şi numele plăţilor:
anuităţi, semestrialităţi, trimestrialităţi, mensualităţi).
Ne vom ocupa în continuare de anuităţi. Ele sunt de mai multe tipuri:
• Anuităţi de plasament sau fructificare - în scopul constituirii unei sume;
• Anuităţi d e amortizare (rambursare) - cu scopul rambursării
(amortizării) unei datorii;
• Anuităţi anticipate - plata fiecărei sume se face la începutul fiecărui an
(anuităţi de plasament);

382
 • Anuităţi posticipate - plăţile se fac la sfârşitul fiecărui an (cazul
anuităţilor de rambursare).
Din punct de vedere al numărului de plăţi, anuităţile pot fi:
• Anuităţi temporare - numărul de plăţi este fixat prin contract;
• Anuităţi perpetue - numărul plăţilor este nelimitat (rentele perpetue);
• Anuităţi viagere - numărul plăţilor depinde de durata vieţii unei
persoane;
• Anuităţi constante şi anuităţi variabile - după cum sumele plătite
periodic sunt constante sau variabile.
Din punct de vedere al momentului când se face prima plată:
• Anuităţi imediate - prima plată se face în primul an;
• Anuităţi amânate - prima plată se face după un număr oarecare de ani.
3.1. Anuităţi constante posticipate
Valori finale, valori actuale
Anuităţile constante posticipate sunt plăţile egale care se fac la sfârşitul
fiecărui an.
a) Valoarea finală a unui şir de anuităţi constante posticipate, imediate,
temporare
1 2 3 p n-l n
------- 1-----1— i— i-------------------- ,-------------------------- 1------- 1--------
0 T T T T T T
Vom nota:
T = valoarea anuităţii constante
n = numărul de anuităţi
1= dobânda unitară anuală
S„ 1= suma finală a şirului de anuităţi la momentul n, momentul plăţii ultimei
anuităţi.
Valoarea finală a şirului de anuităţi la momentul n este egală cu suma
valorilor finale a fiecărei anuităţi la momentul n.

Urmărind schema de mai sus avem:

• valoarea finală la momentul n a primei anuităţi este : r ( l + if~
• valoarea finală la momentul n a celei de a doua anuităţi este τ (1+ i j 1' 2

• valoarea finală la momentul n a celei de a p -a anuităţi este Τ(1+ i)n”p

♦ valoarea finală la momentul n a celei de a n-l-a anuităţi este T(\+i)

♦ valoarea finală la momentul n a celei de a n-a anuităţi este T.
Putem scrie:
= Γ + r (l + i)+...+r(l +if~%+^(l + if~x=
383
 = t (i + U + u 2 + ... + h ”~2 + m " -1 ) = Γ — — —
x ' M -1

adică £ ] = τ *- —
i
unde u =1 + i.
Pentru T= 1 obţinem valoarea finală a unui şir de anuităţi posticipate a 1 leu
fiecare se notează cu
un - 1
A l = — τ­
ι
Rezultă:
oTnl =Tjn1 (2)
Exemplu
Să se determine valoarea finală a unui şir de 12 anuităţi posticipate a 7.000 lei la
momentul plăţii ultimei anuităţi; procentul este 5,50%.
Soluţie cu ajutorul tabelelor financiare:
S 12] = 7.0001,9012Q-8·—1 = 7.000 · 16,385591 = 114 699,13 lei
0,055
1 2 3 p n-l n
------- 1-----1— i— j------------------- Ş--------------------------1------- 1--------
0 T T T T T T

b) Valoarea actuală a unui şir de anuităţi constante posticipate, imediate,

temporare
Determinarea valorii actuale a unui şir de anuităţi posticipate se face la
momentul semnării contractului, adică cu o perioadă înaintea primei plăţi. Vom
nota această valoare actuală cu dfo.
Valoarea actuală a şirului de anuităţi este egală cu suma valorilor actuale ale
fiecărei anuităţi. Conform schemei deducem: valoarea actuală la momentul zero
a primei anuităţi este Γ(1 + i)'1,
a celei de a doua anuităţi este Γ(1 + i)'2,

a celei de a η - 1 anuităţi este Γ(1 + i) (n l),

a celei de a n-a anuităţi este T( 1 + i)"n.
Făcând suma şi notând-o cu An]avem:

^„l=7’(l + i)“1+Τ(ΐ + ί)'2 +... +7’(l + i)~(n~1) + r(i+ i)"n =

+ r(v + v 2 +... + v" )= 7v(l + v + ...^+ v"-1 )= 7 v ^ — = T ^ -

1-v

384
 1
unde —— - * + · = - .
1 -v j __ 1_ i
1+ i
Deci:
^ n1=ri z Z l . (3)
i
Dacă T = 1 obţinem valoarea actuală a unui şir de anuităţi posticipate a 1 leu
fiecare, care se notează:
an~\—(1+i) '+(1+0 2+...+(l+i)n adică
a „1 = v + v2 +...+V« = v-------,
1-V" sau
1 -v
1-v" ...
an]= —;— · (4)
l
Rezultă = T a„] . (5)

Exemplu
Ce sumă unică depusă imediat poate să înlocuiască plata a 12 anuităţi
posticipate a 1.250 lei fiecare cu procentul 3,5%?

Soluţie:
1-1 035-12
a , 2 1 = 1.250 .... — — = 1.250-9,663334 = 12.079,17 lei
0,035
c) Valoarea actuală a unui şir de anuităţi constante posticipate, perpetue,
imediate
în cazul când plata este perpetuă (plăţile se efectuează nelimitat), valoarea
actuală a şirului de anuităţi posticipate unitare se notează i şi este
a»] = - (6)
iar dacă anuitatea este T, avem:
^ .1 = 7 ·- (7)
i
De aict reiese că T = adică rata anuităţii posticipate perpetue este tocmai
dobânda anuală a valorii actuale.
d) Valoarea finală a unui şir de anuităţi posticipate, constante, temporare,
amânate
Vom presupune că prima anuitate T se plăteşte după r ani, posticipat,
conform schemei:

385
 T T T T
-------1----- 1---- 1---- 1-------------------- 1-----1-----1--------------- 1------- 1--------
0 1 2 3 r-1 r r+1 n-1 n

Prima plată se face după r ani posticipat, adică la începutul anului r + 1

(sfârşitul anului r). Ultima plată făcându-se la momentul n, în total sunt n - r
anuităţi. Valoarea finală o vom nota cu r,£,i şi este suma:
rSn-}=T(l +if~r-] +7’(l + 0',~r~2 +...+T(l +i)+T =

= t [\+u +u2 +...+un- r~l]=T - — ----- -

u -1 i (8)
adică:
ΓοΓηΤ= TΛ -fl - (9)
Putem spune că valoarea finală a unui şir de anuităţi posticipate egale cu T
dar amânate r ani, este egală cu valoarea finală a acestui şir de plăţi imediate
limitate la n - r ani.
Exemplu
Care este valoarea finală a unui şir de 10 anuităţi egale cu 2.000 lei, plătibile
la sfârşitul fiecăriu an, prima plată făcându-se după 5 ani, cu procentul 5%.
Avem:
n - r = 10
r =5
« = 15
10510 -1
5oSi5l = 2.000— ------ = 2.000-12,57789 = 25,155,78 lei
0,05
e) Valoarea actuală a unui şir de anuităţi constante posticipate, temporare,
amânate
T T T
-------1----- 1---- |---- 1-------------------- 1-----1-----1--------------- 1--------1--------
0 1 2 3 r-1 r r+1 n-l n
Presupunem că prima plată se face după r ani posticipat, deci în momentul r
+ 1.
în total sunt n - r plăţi. Notăm cu rû n] această valoare actuală.
Avem conform schemei:
r ^ i= r ( l + i)~(r+1) + r ( l + z)~(r+2) +...+T(l +i)~(n' l) + r(l + i)"n =
= 7’(vr+I + vr+2 + ... + V'1-1 +v")=
7Vr+1(l + v +... + vn“r_1 )=

l- v

386
 Sau, în final,
= TV αη.|] (10)
Remarcăm că se poate deduce şi din actualizarea sumei rifa şi anume:

rû ni = rSn] v" = T——-—-·ν" =

i
„ k V iT '-v" ^Vr - V n r \- V n~r
= T ---------------- = T ----------= Tv ----------
i i i
Exemplu
Care este suma unică pe care urmează să o plătească o persoană pentru a
înlocui plata a 12 unităţi posticipate a 3.000 lei fiecare, prima plată având loc după
3 ani, procentul 5%?
Avem: n - r = 12, r = 3, n = 15.
1—1
3^51= 3.000 ■1,05~3 — — — = 3.000-8,86324 ·0,863837 = 2.929,21 lei
i
f) Valoarea actuală a unui şir de anuităţi constante posticipate, perpetue,
amânate
în cazul când plata este perpetuă dar amânată cu r ani, valoarea actuală va fi:
r^ „ ]= -v r . (11)
i
3.2. Anuităţi constante anticipate
a) Valoarea finală a unui şir de anuităţi constante, anticipate, temporare,
imediate
în acest caz anuităţile se plătesc la începutul anului la momentele 0 ,1 ,..., η -1.
Evaluarea sumei 5n] se face la momentul n. Avem conform schemei:
rp r ji rp tjp

------- ,-----,---- ,------------------------- ,-----,-----,--------------- ,------- ,--------

0 1 2 r-1 r r+1 n-l n
Valoarea finală a şirului la momentul n este egală cu suma valorilor finale
ale fiecărei anuităţi la momentul n.
Valoarea la momentul n
a primei anuităţi este Γ(1+ζ')"
a celei de a doua anuităţi este T(l+i)n'!

a celei de a n-a anuităţi este 7(1+0

Avem deci:
S„T=r(l + z)|l + (l + /)+... + (l + i)" ’ ] =

= Tu(\ +u +... +u’'-l )= T u ? -Z l = Tu?— ± . (1)

u -1 i

387
 Pentru Γ = 1 obţinem suma unui şir de anuităţi anticipate a 1 leu fiecare pe
care o notăm cu $„1-

(1+i f + ( ί+ i T ‘ +...+d + 0 = ( i + i ) M - ^ ,

sau
un - l ...
Snl=M------- . (2)
I
Prin urmare:
S„i = T j „i . (3)
Observaţie: Am văzut că:
5n1= (1 +iY 1 + ( l + l ) n 2 + ... + ( l + î ) + l = in l+ 1.

deci Jnl = 1 + ini (4)

b) Valoarea actuală a unui şir de anuităţi constante anticipate , imediate
temporare
Numim valoare actuală a unui şir de anuităţi anticipate, suma necesară în
momentul iniţial pentru a putea plăti la fiecare din scadenţele fixate 0, 1, ..., η - 1,
suma 7; o vom nota A„i.
Anticipate
f ji Ţ Ţ Ţ Ţ Ţ r j^

-----—I----- 1---- 1-------------------------1-----1-----1--------------- 1------- 1--------

0 1 2 p-1 p p+1 n-l n
Ani
Dacă reprezentăm grafic şi cazul plăţilor eşalonate posticipate
Posticipate
r ji r ji r ji rp rj"i rjn rjp ţ

-------1— η ---- 1— — ------------------t-----1-----1--------------- 1---- -H--------

0 1 2 p-1 p p+1 n-l n
^nl
Observăm că valoarea actuală la momentul 0 a unei anuităţi de gang p este
7’(l+ 0'ip' l) pe când valoarea actuală a unei anuităţi posticipate de rang p este 7(1+*7
p
Aceasta permite să scriem următoarea relaţie între valorile actuale ale unui
şir de anuităţi anticipate şi posticipate:
Ani = ^ i(l+ i) (5)
înlocuind prin expresia sa, obţinem

An1=7--~i - - l - (l + O (6)
i
Pentru T = 1 obţinem valoarea actuală a unui şir de anuităţi anticipate a 1 leu
fiecare:

388
 an1= (l + i) 1 ~ (l+ f>~'’ (7)
I
Rezultă că
Α„ΐ=7αηι (8)
Legătura dintre an] (care se găseşte în tabelele financiare) şi an] se poate
obţine astfel:
ani=(l + i)— -------— =------- ------------- = 1+— ------ ------- adică
i i i
a„i = 1 + an.ii (9)
Exemplu
De ce sumă de bani va dispune o persoană peste 15 ani dacă depune la
începutul fiecărui an la C.E.C. cîte 2.000 lei cu 4,5%?
Avem:
c^ 5l= 2.000· S,5i= 2.000-21,719336 = 43.438,67 lei
c) Valoarea actuală a unui şir de anuităţi constante anticipate, perpetue,
imediate
în cazul când plata este perpetuă, valoarea actuală a şirului de anuităţi
anticipate unitare este:
a~l =— ( 10)
i
iar rata este T avem:
( 11)
i
d) Valoarea actuală a unui şir de anuităţi anticipate constante, temporare,
amânate
Presupunem că avem un şir de anuităţi limitate la n ani, prima plată facându-
se nu la momentul 0 ci la momentul r, conform schemei de mai jos.
------- 0^-----,-----,-------------------------,-------
1 2 r r+1 n-l---------μ
1------------------1 n

T T T
Vom nota această valoare actuală cu r Λπ].
Avem:
r A n] = 7X 1 + 0 " + 7’ ( l + 0 ”(r+l) + . . . + Γ ( 1 + 0 " (" " ,) =

=T( 1+ 0"r [l + (1 +0"1+... + (1 + 0 -(n"r-1) ]=

=r(1+Î)K , - , , M i ± v r i =ÎVM „

Având, în general, relaţia:

„ .,1-(1 + 0"Λ
anl= (1 + 0 -------:------

389
 Rezultă:
r Ani -TV an.ri (12)
e) Valoarea actuală a unui şir de anuităţi anticipate, perpetue, amânate
în cazul când este perpetuă, însă amânată r ani, valoarea actuală va fi:
v''"1
rA»i = T- —— (13)
i
f) Valoarea finală a unui şir de anuităţi anticipate, constante, temporare,
amânate
0 1 2 r r+1 n-l n
--------1 1----- 1-------------------------- 1--------1------------------- 1--------- f
T T T rSni
Vom nota valoarea finală a şirului de astfel de anuităţi cu rSn\ Prima plată se
face deci la momentul r, iar ultima la momentul n - 1. Avem conform schemei de
mai sus:
rS„i= Γ(1 + ϊ)"- γ +Γ(1 + 0 'Κγ+1) +... +Γ(1 + ϊ) =
= r ( i +i)[(i+Ο ""'1 +- + ( ί + 0+ 1]=
(1 + ,·)'·-'· _1 sau
= Γ(1 + ί ) ^ —! ------ -
i
γ5„ι =Γ (14)
Exemplu
Care este valoarea finală a unui şir de 10 anuităţi anticipate, a 2.000 lei
fiecare, prima plată facându-se după 5 ani, cu procentul 5%?
Avem: n - r = 10, r = 5, n = 15.
55isi = 2.000· Si ol = 2.000-13,206787 = 26.413,57 lei

3.3. Plăţi eşalonate fracţionate

Se numeşte plată eşalonată fracţionată constantă, plata eşalonată în care
T
rata anuală T este împărţită în k plăţi egale fiecare cu rk = —, plătindu-se la
k
începutul sau sfârşitul perioadei după cum plata este anticipată sau posticipată.
Dacă plata eşalonată este temporară imediată atunci numărul ratelor sau al
termenelor este k„ . O asemenea plată se spune că este fracţionată de k ori pe an.
a) Valoarea finală a unui şir de plăţi eşalonate posticipate temporare,
imediate, fracţionate de k ori p e an.
Vom nota această valoare . Presupunem că la sfârşitul fiecărei perioade

se depune suma rk~~£·

390
 i Λn*-l γ ( i +Iijlλ
nk-2
( 1+2*. T
Avem: S - ? = — +— +... Η--- --
»1 k k k\ k, k, k
_ τ (1 + λ Γ - ι
k Λ/
nk
l +% \ -1
sau S y = T
Jk
/ ; \k
Ştim însă că: 1+Δ. = l +i deci

^(*) _ ţ (1 + 0 " -1 =_ Tt -(l + O" -1 i

de unde:

s y = Γ ·— .JH (1)
»I jk -I

Factorul se găseşte calculat în tabelele financiare.

Aplicaţii
1. De ce sumă de bani va dispune o persoană dacă depune la bancă timp de 15 ani
câte 2000 u.m. la sfârşitul fiecărei luni, procentul fiind 5%?
Avem T= 12 x 2000 = 24 000, n = 15, k = 12, de unde:
$< !»*24.000 ·— = 24.000· 21,578563· 1,022715 =
15l 0,05 jn
=529649,3 u.m.
2. Ce sumă va trebui să depună o persoană la bancă la sfârşitul fiecărei luni timp de
10 ani cu procentul de 5% pentru a dispune de suma de 70.000 u.m. ?
Avem: n = 10, k = 12, = 70.000
T= 12 r i2 (r]2 este rata lunară) deci:
(1,05)10 -1 0,05
70.000 = 12r12
0,05 J 12
0,05
70.000
(1,05)'° - 1 70.000 0,1295045
r\2-· = 453,481 u.m.
12 -0,0 5 12-1,022715
j\2

391
 b) Valoarea actuală a unui şir de plăţi eşalonate posticipate, temporare, imediate,
fracţionate de k ori p e an
înmulţind valoarea finală cu factorul de actualizare (1 + 0 ” obţinem:
nl
Û^) =T-— (i +i r n -^ = T -—a-, (2)
"I Jk "I Jk "I
Aplicaţie
Ce sumă trebuie depusă astăzi cu procentul de 3,5% pentru a putea încasa
timp de 5 ani câte 500 u.m. la sfârşitul fiecărui luni ?
Avem: n = 5, k = 12, r[2 = 500, T= 12 x 500 = 6000
i _ ί πί^~5 π n is
û -( 2)- 6000· = 6000·4,5150523■ 1,0159415 =
5 0,035 y12
= 27522,17 u.m.
c) Plăţi eşalonate perpetue posticipate imediate, fracţionate de k ori p e an.
Făcând în (2) « —> , se obţine:
(3)
h ‘ Jk Jk
Aplicaţie
Ce sumă trebuie depusă astăzi cu procentul de 3,5% pentru a putea încasa
perpetuu câte 300 u.m. la sfârşitul fiecărei luni ?
Avem: T = 12-300 = 3600 u.m.
/J(12) - ------
«Ü 3600 =-------------- 1r\AAC\HOAu.m.
3600 = 104496,84
yI2 0,0344508

d) Plăţi eşalonate temporare posticipate amânate, fracţionate d e k ori p e an.

Valoarea finală a unui şir de plăţi eşalonate posticipate limitată la n ani dar
amânată r ani şi fracţionată de k ori pe an va fi:
r ^ » = r (l± iŢ l.± sau
"I i Jk

rS y= T ~ A - (4)
"I Jk Η
deoarece prima sumă se plăteşte după r ani la sfârşitul fiecărei perioade.
Aplicaţie
Să se calculeze de ce sumă se poate dispune peste 10 ani dacă se depun
trimestrial câte 2000 u.m. posticipate începând cu anul al cincilea; procentul fiind
de 5%.
Avem: n = 10, r = 5, r4 = 2000, T = 4 r^ = 8000 u.m.

392
 ί5?=7'-— λ—10-5; = 8000 - 1,055 1 ° ’05 = 8000-5,52563-1,018559 =
5 «S'10! J4 0,05 j4
= 45025,44 u.m.

e) Valoarea finală a unui şir de plăţi eşalonate anticipate, imediate, fracţionate de

k ori p e an.
Presupunem că rata anuală este T iar la începutul fiecărui an se depun câte
% u .m .
Avem:
\nk ί ; \ nk~l
stk)= - 1+ Jk
+- 1+ Jk +... +: 1+ Jk

. \nk
. νλΑγ-Ι 1+ J kλ -1
i +Zl 1+ Jk + ... + 1 i+ A
Λ
k
_ ţ (1 + 0" -1 i 1+Â
= r- , adică
jk { k )
1 Jk l kJ
1+Δ- A~i (5)
n\
Jk
Factorul 1+ J k este calculat în tabelele financiare.
Jk
Aplicaţie
De ce sumă se va dispune peste 10 ani dacă se depun la începutul fiecărei
luni câte 200 u.m. cu procentul de 5% ?
Avem:
0,05
5 ^ 2 4 0 0 - ^ 1 ^ 1+ = 2400 ·12,577892 ·1,0259547 =
10 0,05 y12 J\2
= 30970,43 u.m.

4. îm prum uturi
Teoria gen era lă a împrumuturilor. Relaţii între diferitele elem en te ale
unui împrumut. în tocm irea unui tabel de amortizare
Ne vom ocupa în cele ce urmează de împrumuturile obişnuite, adică acelea
care nu comportă decât un singur împrumutător (bancă, C.E.C. etc.)
în sistem clasic, împrumutul va fî rambursat prin anuităţi constante formate

393
din: rambursarea unei părţi a datoriei şi dobânda asupra sumei rămase de plată.
Sumele rambursate anual care au rolul de a amortiza treptat suma
împrumutată se numesc amortismente.
1. Amortizarea unui împrumut prin anuităţi constante posticipate
Vom nota:
• V0 = suma împrumutată la momentul iniţial;
• Tj, T2, ..., T„ anuităţile succesive, prima fiind plătită după un an de la
semnarea contractului, a doua un an mai târziu ş.a.m.d. (este vorba de
anuităţi posticipate);
• Q i , Q 2, ···, Qn amortismentele succesive conţinute în prima, a doua, ..., a
n-a anuitate;
• i = dobânda unitară a împrumutului;
• n = durata rambursării.
Dacă descompunem în fiecare an anuităţile în amortismente şi dobânzi, se
poate construi un tabel ca cel de mai jos, având în partea stângă descompunerea
anuităţilor succesive, iar în partea dreaptă suma necesară de plată, după plata
fiecărei anuităţi. Pornind de la acest tabel, vom stabili relaţiile între diferitele
emente a le unui împrumut obişnuit.
momentul Anuităţile Suma rămasă de plată
0
II

1 Ti = Qi+di = Qi+Voi V, = Vo-Q,

2 T2 — Q2+d2 = Qi+Vii V2 = V1-Q2
...

P Tp = QD+d0= Qp+Vp.,i Vj> = Vp-rQp

IP

Tp+i = Qp+i+d„+i = Qp+i+VJ

II
+

_ />+!

n Tn = Qn+dn= Qn+Vn-lï J i —i k i L · ? _______

Observaţii:
1°. Acest tabel este valabil oricare ar fi legea de anuităţi pentru care nu s-a
formulat nici o ipoteză.
2°. V„ fiind nul, rezultă că:
Vn., = Qn,
adică ultima sumă rămasă de plată este egală cu ultimul amortisment, şi
T„ = Qn + V„.]i = Qn + Qni = Qn (1+i)
adică ultima anuitate este egală cu ultimul amortisment plus dobânda
corespunzătoare.
a) Relaţia între suma împrumutată şi amortismente
Adunând membru cu membru partea dreaptă din tabel, găsim:
V0 = Q i + Q 2 + — + Qn (1 )
adică suma împrumutată V0 este egală cu suma amortismentelor.
b) Relaţia între anuităţi şi amortismente
Diferenţa dintre două anuităţi consecutive Tp, Tp+i este:

394
 Τρ+1 Tp - Q p+l+Vpi Qp Vp-\ i-
= QP+l + (Yp-i - Qp )i - Q P~v PJ = Qp+i - Ö d+0
deci Γρ+1-Τ ρ = β ρ+1- β ρ(l + o (2)
formulă valabilă oricare ar fi legea anuităţilor.
Distingem următoarele situaţii:
1°: Dacă anuităţile sunt constante T/ = T2 = ... = T„ = T
obţinem Tp+, - T p - 0, adică
ßp+i = Qp(l+0 (3)
Relaţia precedentă ne permite să enunţăm următoarea lege de amortisment:
dacă anuităţile sunt constante, amortismentele formează o progresie crescătoare cu
raţia 1 + i.
Putem deduce în acest caz:
QP+, = Q ,(l+ if (4)
2°. Dacă amortismentele sunt constante, adică Q\ = Q2 = ... = =Q„= — ,
n
obţinem:
Tp+l - T p = Qp+l - ß p( 1+ 0 = Qp - Qp(1 ■+0 = -Qpi = de unde

Tp+l=Tp - ^ i (5)
n
relaţie din care rezultă că anuităţile succesive formează o progresie aritmetică cu
• V0 .
raţia — - i
n
în cazul când anuităţile sunt constante, din formulele (1) şi (4) obţinem

V0 = a + β , (1 +0 +... ■+ßi d + O""' = ß, — — Γ- = ß, ini

Avem deci în acest caz următoarele relaţii între suma împrumutată şi primul
amortisment

Vo = Q\ «ni sau ß i = Vo— (6)

Snl

Vom arăta că expresia - î - se poate calcula cu ajutorul lui —— care ştim că

Sni! αn ί!
se găseşte în tabele.

395
 într-adevăr:
1 i i(l + i)
Snl (1 + 0 " - i i —(1 + 0 '

i(l + Q -"-i + i _ t
-i adică
i- (i+ 0 " " " i- (i+ 0 " n
J_ = -L -« (7)
Sn1 a nl

c) Relaţia între anuităţi şi suma împrumutată

Presupunem cazul anuităţilor constante şi egale cu 7.

Din echivalenţa între suma împrumuată V0 şi suma anuităţilor actualizate
rezultă:
V0 = 7(1 + O"1+7(1 +O"2 +... +7(1 + i)~n =
1-v" i l- v n
= 7 - —— (1 + 0 =7v-
1 -v j __ 1
1+ i
_ Ţ 1 1 - d + Q-" _ r l - ( l + Q-"
1+ i i i
1+i
adică Vo = 7 a„i (8)
şi T= V0 — (9)
°nl
d) Suma rambursată după plata a p anuităţi
Notăm cu Rp suma rambursată în primii p ani. Evident că:
r p =Qi + 0 2 + . . . + G , = 0 : + e , a + o + . . . + a a + i ) p' 1
(anuităţi constante şi deci amortismentele în progresie geometrică), adică:
Kp = ßlSn1 (10)
relaţia dintre primul avertisment şi suma rambursată în primii p ani.
Ţinând seama că Q\ - Vb—* >rezultă că:
Snl

Rp ~ Jp i V0— - (11)
Sn1
relaţie care dă legătura dintre suma rambursată în primii ani şi suma împrumutată.

396
 e) Calculul sumei rămasă de plată după plata a p anuităţi
Această sumă este Yp; avem:
Vp =V0 - R p = V0 -V 0 — snl = V0 f îlZ f jîl -
Snl Snl

—Vq a + o " - a + i r " —Vn i - (———— i + o _<B_,,).......

—— sâu .
(î + O - i i- (i+ 0 " n
1_Π + Λ-('|-Ρ) i 1
V = VQ- —i i —i i--------------- ------- = Pq·α
' 0 ί 1—(1 + 0 ” n'pl a nl
deci

v>=v° -nlr a~’ ί (12)

f) Legea urmată de diferenţele su ccesive ale dobânzilor

Ne situăm tot în cazul anuităţilor constante:
T = Qi +d{ d x—T{ —
T = Q2 +d2 d 2 —T2 Q2
T = Q3 +dş dş =Tş —Qş
T = Q4 + i/4 î/4 = 7*4 —β 4

T = Qn +dn d n - T n - Qn
Avem:
di - dz = Q.2 - Qi - Qi(l+i) - Qi = Qii
d2- d 3 = Q3- Q 2 = Q i(l+ if - Q,(l+i) = ß/i(i+0
d3- d 4 = Q4- Q 3 = Q i(l+ if - ß/f/+i/ = ß/i(/+02

Se observă că diferenţele di - d 2, d2 - d3, d„.i - dn formează o progresie

geometrică crescătoare având primul termen egal cu ß/i şi raţia 1 + i.
întocmirea tabelului de amortizare
Tabel de amortizare
Suma datorată Amortis­ Suma datorată la
Anui­
Anii la începutul Doblnda dp mentul sfârşitul perioadei
tatea
perioadei . _ Qp v„
ă
>

>

1 V0 di = Voi Q. T
II
0
I

2 V, d2 = V,i q2 T v 2= v , - q2
··· ... ···
>
*C
■0

n -l Vn-2 Qn-I T V„-l = Vn-2 - Qn-1

II

n v„., d„ = Vn.1i Qn T Vn= Vn.i- Qn =0

397
 Exemple
1). Banca agricolă acordă unei întreprinderi un credit de 1.000.000 lei care
urmează a fi rambursat în 6 ani, cu procentul de 6% prin anuităţi constante
posticipate.
Se cere:
a) valoarea primului şi ultimului amortisment;
b) valoarea anuităţii constante.

Soluţie:
1 1 (
a) ßi = Vb- — adică Q1 = 1.000.000- — =1.000.000 — -1
S n] S 6l V a6l
= 1.000.000 (0,20336263 - 0,06) = 143.362,63 lei
06 = ß i ■(1+i)5 = 143362-1,065= 143.362-1,338226= 191.851,588 lei
b) Γ= Vo~— adică T = 1.000.000- — = 203.362,63 lei
a »l a6l
2) O persoană împrumută o sumă de bani pe care urmează să o ramburseze
în 6 ani prin anuităţi constante posticipate. Suma primelor două amortismente este
egală cu 9.226,63 lei, iar suma dintre al doilea şi al treilea amortisment este egală
cu 9.559,69 lei.
Să s e calculeze :
a) procentul p al împrumutului
b) primul şi ultimul amortisment
c) anuitatea
d) valoarea împrumutului
Soluţie:
a) Avem:
Qi + 0.2 = Qi + Qi(l+i) -Qi(2+i) = 9.226,63 lei
Qi + ß j = Q id + if = Q,(l+i)(2+i) = 9.559,69 lei
prin împărţire găsim:
9 559 69
1+ i ——-----’■— = 1,04 adică i = 0,04 şi p = 4%
9.226,63
b) Din β ,(2+i) = 9.26,63
obţinem:
Λ 9.226,63 , . .
q =------------- 4 .522,86 lei
1 2,04
06 = βι(1+05 =4.522,86-1,045 =5.502,75 lei
c) Anuitatea T o putem obţine având în vedere că ea reprezintă ultimul
amortisment plus dobânda corespunzătoare.
T= 06(1+ 0 = 5.502,75 -1,04 = 5.722,86 lei

398
 d) Determinarea sumei împrumutate V0
- folosind primul amortisment:
Vo =Qi ini adică V0 = 4.522,86- $„] = 30.000 lei
- folosind anuitatea:
v0 = T-an\ adică
V0 = 5.722,86- a„i = 5.722,86-5,2421368 = 30.000 lei
- descompunând prima anuitate obţinem:
T=Q1+ V0i
de unde
T —Q 5.722,86-4.522,86
v0 =-----—=------------------------ = 30.000 lei
0 i 0,04
3. O persoană a împrumutat suma de 5.000 lei pe care urmează să
ramburseze în 4 ani, cu procentul de 4%, prin anuităţi posticipate comportând
amortismente egale.
Să se întocmească tabelul de amortizare corespunzător.
V0 = 5.000, n = 4, p = 4%
ß = ^ - = 1.250.
n

Tabelul de amortizare va fi:

Suma de Suma de
plată la Amortis­ plată la
Anii Dobînda Anuitate
începutul mentul sfârşitul
anului anului
1 5 .0 0 0 200 1.25 0 1.45 0 3 .7 5 0
2 3 .7 5 0 15 0 1.2 5 0 1.4 0 0 2 .5 0 0
3 2 .5 0 0 10 0 1.25 0 1.3 5 0 1.2 5 0
4 1.2 5 0 50 1.250 1.3 0 0 0

2. împrumuturi cu anuităţi constante cu dobânda plătită la începutul anulu

La semnarea contractului se plăteşte dobânda pentru primul an, suma reală
primită nefiind V0 ci V0 - Voi; pentru fiecare din anii următori, dobânda se
calculează asupra sumei rămase de plătit şi se plăteşte în acelaşi timp cu
amortismentul.

Tabelul utilizat pentru împrumuturile obişnuite, utilizat la început, trebuie

modificat astfel:

399
 momentele Anuităţile Suma rămasă de plată

>
o
Suma efectiv primită V0-V0i=V0(l-i)

o
1 Ti=Qi+Vj i cu V, = Vo-O.
2 T2=Q2+V2l CU v 2 v ,-q 2 =

P
Tp=Qe+Vpi cu Vd= Vd.,-Qp
Tp+i=Qp+i+Vp+|i cu V p + i = V p - Q p + i

n-l T n - l = CU
Q Vn-1 = Vn.2-Qn-1
n - l + V n_ [i

>

>

O
Tn=Qn+Vni CU

O'
IIc
II

1
c
c
Observaţie
Din V„ - Orezultă că ultima anuitate nu conţine decât ultimul amortisment.
Dacă formăm diferenţa dintre 2 anuităţi consecutive de rang oarecare, obţinem:
Tp+1~TP = Qp+1~Qp +Vp+[i-V pi = Qp+X- Q p +
+ (Vp - ô p+1)i —V^i = (1 —OQp+i - Qp
Dacă anuităţile sunt egale Ti = T2 = ... = Tn = T avem:

Qp+i = ~
Λ 7 Qp
1- i
1
Notând =l +r
1—i
obţinem Qp+\ = Qp(\+r) (13)
In sistemul de împrumut cu dobânzile plătite anticipat, dacă anuităţile sunt
constante, amortismentele formează o progresie geometrică cu raţia (1 + r), unde
'■= —— · (14)
1~i
Exemplu:
Un împrumut de 40.000 lei este rambursabil în 5 ani prin anuităţi constante,
cu dobânzile plătibile la începutul anului, procentul fiind 5%.
1) Să se calculeze primul amortisment;
2) Să se calculeze al cincilea amortisment;
3) Să se calculeze anuitatea;
4) Să se întocmească tabelul de amortizare.
Soluţie'.
1) Suma amortismentelor fiind egală cu suma împrumuată, putem exprima
primul amortisment Q\ în funcţie de suma împrumutată şi de r astfel

Q,=V r
(l + r)n- l
0,05
unde r = ■
1-/ 0,95

400
 Rezultă: β, = 40.000·- 9-i-05— ~ -- ==7.201,04 lei
1 1,05263152 -1
2) Qs = ßi(l+ r)4= 7.201,04-1,0526315 = 8.841 lei
3) Din faptul că anuitatea este egală cu ultimul amortisment, rezultă că
Γ = β 5 = 8.841 lei
Acelaşi rezultat se poate obţine de la prima anuitate:
Γ= ß i + VW = 7.201,04 + (4.000-7.201,04)-0,05 = 8.841 lei
4) Vom întocmi tabelul de amortizare, sumele fiind rotunjite către cel mai
apropiat întreg.________ _______ ________________ ________
Anii Suma de plată la Amortis­ Dobânda la Anuităţi Suma
sfârşitul anului mente începutul rămasă
anului
0 4 0 .0 0 0 - 2 .0 00 - -
1 4 0 .0 0 0 7 .2 01 1.64 0 8.841 3 2 .7 9 9
2 3 2 .7 9 9 7 .5 8 0 1.261 8 .841 2 5 .2 1 9
3 2 5 .2 1 9 7 .9 79 862 8.841 17 .2 4 0
4 17 .2 4 0 8 .3 99 4 42 8.841 8 .8 4 1
5 8 .8 41 8 .8 41 - 8.841 0

PROBLEME
1. O sumă de 5000 u.m. este plasată într-un cont cu un procent anual de 12%.
Care va fi suma disponibilă peste 72 de zile?
Dar peste 6 luni? Dar peste 1 an?
Rezolvare:
Avem: So=5000 u.m.
p= 12%
Dacă durata plasamentului este t360=72 zile, avem:
D=Ş o ^ = 5Q00 1 2 ;72 = i 2 o M m
36000 36000
iar suma disponibilă după 72 zile va fi:
St=So+D=5000+120=5120 u.m.
Dacă durata plasamentului este ti 2=6 luni, avem:
d = 5 A = 5 0 0 0 1 2 ^ = 3 0 0 am
1200 1200
iar suma disponibilă după 6 luni va fi:
St= So+D= 5000+300= 5300 u.m.
Peste un an, dobânda obţinută va fi:
„ S0p t 500012
D= ------ =-----------= 600 u j t l
100 100
iar suma finală:
St= So+D= 5000+600= 5600 u.m.
401
2. Ce sumă a fost plasată cu dobândă simplă pe data de 15 aprilie cu procentul
anual de 5% pentru a putea dispune la 20 iulie acelaşi an de suma de 10000 u.m.?
Rezolvare:
Avem: St = 10000 u.m.
p= 5%
Durata plasamentului este:

aprilie 30-15 = 15 zile

mai 31 zile
iunie 30 zile
iulie 20 zile
96 zile

_ ----- Ş,-----=_ 1 0 0 œ _=987t6 6 u.m,

S.=So
36000J ° 1 + _p^o_ n 5 %
36000 36000

3. Să se determine scadenţa sumei de 30000 u.m. care produce o dobândă egală cu

suma dobânzilor produse de:
32000 u.m. pe timp de 100 zile
10000 u.m. pe timp de 142 zile
68000 u.m. pe timp de 50 zile
25000 u.m, pe timp de 80 zile
Rezolvare:
32000-100+10000· 142+68000·50+25000· 80
t= = 334 zi/e
30000

4. Să se determine scadenţa medie a unei sume care produce o dobândă egală cu

suma dobânzilor produse de:
500 u.m. pe timp de 40 zile
600 u.m. pe timp de 50 zile
700 u.m. pe timp de 60 zile
800 u.m. pe timp de 80 zile
Rezolvare:
500-40+ 600-50+ 700-60+ 800-80 ^
f =-----------------------------------------------= 60 zile
500+ 600+ 700+ 800

5. Diferenţa dintre două capitaluri este de 35000 u.m. Cel mai mare a fost plasat 6
luni cu 5%, iar al doilea 4 luni cu 6% conducând la o dobândă simplă totală în
valoare de 2000 u.m.

402
 Care sunt cele două capitaluri?
Rezolvare:
Soi-So2= 35000
_ ^oiPi^i2 _ 5οι · 5 · 6 _ 30·501 _ 5 · 501
1 1200
“ 1200~ 1200
” 200 ~

_ SgiP ihi _ ^02 ’ ^ ' 4 _ 24 · S02 ^ 4 ·S q2

2 ~ 1200 1200
~ 1200 " 200 “

Di+ D2 = 2000
ÎS01 - S 02 =35000
1 2 => 9Soi = 540000 => Soi = 60000 u.m.
[5S01 + 4 S02 =400000
So2 = Soi-35000 = 25000 u.m.

6. Două capitaluri a căror sumă este de 40000 u.m. sunt plasate cu dobândă simplă
astfel:
primul 60 de zile cu 4%, iar al doilea 80 de zile cu 6%
Dobânda primului este dublă dobânzii celui de-al doilea.
a) Determinaţi cele două capitaluri şi dobânzile lor.
b) Câte zile ar trebui să fie plasate simultan cele două sume pentru ca diferenţa
dintre valorile lor finale să fie de 25000 u.m.?
Rezolvare:
50i ·4 ·60 2S01
36000 300
S q2 ' 6 180 _ 45q2
36000 300
S01 + SQ2 —40000
=> 5So2 = 40000 => So2 = 8000 u.m.
s m =4iS02

Soi = 32000 u.m. => Soi = 32000 u.m.

„ 2501 2-32000
D. =— —= ==2133
213,3 u.m,
u.m.
300 300
= 106,6 u.m.
300 300
b) Sti - St2 = 25000 u.m.

403
S ti- St2 = 25000 =>Soi (36000 + 4t) - S02 (36000+6t) = 25· 36· 106=> => t(4Soi-
6S02) = 36000· 25000 + 36000 (S 02-S 01)
_ 3600C (25000+ Sm - S 01 ) _ 3 6 0 0 0 -1 0 0 0 _
= 4 5 0 zile
4 S 01 —6Sm 80000

7. Trei sume în progresie aritmetică sunt plasate 6 luni cu dobândă simplă cu un

procent anual de 1 0 % . Dobânda totală este de 1 2 0 0 u.m., iar diferenţa dintre a ΠΙ-a
sumă şi prima este de 1000 u.m.
Determinaţi cele trei sume.
Rezolvare:
Soi, S02 = Soi+r, S 03 = Soi+2r
_ Sqi ·10·6 β _ S02 -10-6 p _ ^03 ·10·6
1 1200 ’ 2 1200 ’ 3 1200 ’
DX+ Dj + Dj = 1 2 0 0
^03 ~ s m —1000
S03-S01 =1000 => 2 r= 1000 => |r = 500
Deci S02 = S01+ 500
S03 = S01+ 1000
D, + D2 +D , = 1 2 0 0 =» £ L ( Sm + i 02 + S „ ,)= 1 2 0 0 =»

=> 60 (Soi + S01+ 500+ S01+ 1000) = 12· 12- IO4

3Soi + 1500=2· 12- 104= 24000
3Soi= 24000-1500= 22500
=» 5 = 22500=7500
01 3
Deci: Soi= 7500 u.m.
So2= S01+ 500= 8000 u.m.
So3= S01+ 1000= 8500 u.m.
8. Se plasează 10000 u.m. pe 3 ani cu 5%, apoi pe timp de 2 ani rata devine 6%, iar
pe următorii 5 ani rata va fi 7%.
Care va fi suma obţinută la sfârşitul celor 10 ani?
Rezolvare:
S = 10000(1 + 0,05)3 · (l + 0,06)2 · (l + 0,07 )5 =
= 10000 1,053 ·1,062 1,075 = 10000 1,157625-1,123600 ·
•1,402551 = 18243,085u.m.
9. Se plasează pe 5 ani o sumă de 9000 u.m. cu 3%. La sfârşitul primului an se
adaugă 1000 u.m., la capitalul constituit. Care va fi capitalul final la capătul celor 5
ani, ştiind că rata dobânzii devine 6% începând de la sfârşitul anului al III-lea?

404
 Rezolvare:
S = 9000 ·(l + 0,03)3 · (l + 0,06)2 + 1000(l + 0,03)2(l + 0,06)2 =
= 9000-l,033 ·1,062 + 1000-1,032 -1,062 *
= 9000 ·1,092727 ·1,123600+1000 ·1,060900 ·1,123600 =
= 11050,092 +1192,027 = 12242,119 u.m.
10. O datorie se eşalonează pe timp de 15 ani, plătindu-se în acest scop la sfârşitul
flăcărui an suma de 10000 u.m. cu procentul anual de 5%.
Care va fi valoarea finală a operaţiunii şi care ar fi valoarea actuală a acesteia?
Rezolvare
Avem: T = 10000 u.m.
n = 15 ani
i = 0,05
^ - ,= 7 · · ^ - ^ = 100001,Q5i5 ~1 =10000 2,Q789— = 2157855 u.m.
"I i 0,05 0,05
^ = 7 . 1 ^ = 1 0 0 0 0 . 1 2 ^ = 1 0 0 0 0 .1 ^ 1 0 1 7 =
"I i 0,05 0,05
= 10000-10,37966 = 103796,6 u.m.

11. Un imobil a fost evaluat la valoarea de 2· 108 u.m. la sfârşitul a 10 plăţi anuale
anticipate constante şi cu un procent anual de 7%.
Cât s-a plătit anual pentru a ajunge la valoarea considerată şl care a fost
valoarea iniţială (de vânzare) a imobilului?
Rezolvare:
S -l ί
u η —!1 «
S - ^ T u -------- => T — ţ -1 - λ
"I i u\u - l )
2 -108 -0,07 _ 0,14-108 _ 14-106
_ l,07(l,0710- l ) _ 1,07(1,967151-1)" 1,07-0,967151 "
14-IO6
= 13528517 u.m.
1,034851
1 vn 1 —1 0 7 -10
A-. = T ———(l + i)= 13528517 - —— ----- 1,07 =
"I i v ' 0,07
1 _ o ^08^40
= 13528517 ·- ....·1,07 = 13528517 ·7,5152366 =
0,07
= 101463877,5 u.m.

405
12. Cu o amânare de 5 ani s-a stabilit începerea plasării anuale anticipate a unei
sume de câte 10000 u.m. în vederea strângerii unui fond de investiţii, cu un procent
anual de 6% şi o perioadă de 9 ani.
Care va fi valoarea finală a fondului acumulat şi cât ar fi valoarea acestuia la
data convenirii strângerii lui, dacă s-ar pune problema să fie atunci disponibil?
Rezolvare:
r =5
n -r =9
i = 0,06
T = 10000

rS-, = T(l + i — — = 10000-1,06 ■1,Q6- ~ -- = 121807,94u.m.

«I v ’ i 0,06

rA- = T vr (l + i ) 1~(1 + i )-----=

"I i

= 10000 -1,06-5 ·1,06 · 1 -1 ,0 6 = 53876,06 u.m.

0,06

13. Părinţii unui copil de 5 ani doresc să-i prevadă de acum studiile universitare,
adică să-i asigure 20000 u.m. imediat şi anticipat anual timp de 5 ani începând cu
vârsta de 19 ani.
în acest sens, intenţionează să-i depună la fiecare aniversare începând cu 5 ani şi
până la 18 (deci 14 ani consecutiv) aceeaşi sumă cu un procent anual de 7% pentru
toate operaţiile.
Ce sumă anuală posticipată va trebui să depună? Care este fondul disponibil la
împlinirea vârstei de 19 ani şi deci a primei cheltuieli din acest fond?
Rezolvare:
Calculăm fondul necesar la începutul studiilor:
A -= T — — (l + i)= 20000 1,0 - ■) -1,07 =
"I z ’ 0,07

= 20000·-1~Q’-7 - ^98-6 -1,07 = 87744,28 u.m.

0,07
A-.«I = S n| = fondul la împlinirea vârstei de 19 ani

ς x «"-l - S H-i 87744,28-0,07

s = r T~ ^ γ = 1 7 ^ Γ ' Ί ; ο7 · ' - ι =

= « 1 ^ = 2382
2,578534
406
 Deci Γ = 2382 u.m.

14. Pentru cumpărarea unui anumit utilaj se face un împrumut care se amortizează
în 10 ani prin anuităţi constante posticipate. Ştiind că al treilea amortisment este de
2103,7 u.m., iar al şaselea este de 2435,29 u.m., să se calculeze :
a) procentul împrumutului ;
b) suma împrumutată ;
c) anuitatea constantă ;
d) datoria rămasă după 5 ani de plată.
Rezolvare:
a) Q3 = 2103,70; Q6= 2435,29
Ql = ß ifl + I')3 _ n j. a 3
, 2 =(i + 0
ß3 α σ + ο 2
Rezultă că: (1 + 0 --------’— = 1,157625 => i = 0,05=» p = 5%
2103,70
b)

l
Qx = - - 3 - = 21° 3,7· = 1908,11 u.m.
1 (1 + 0 U025

V0 = 1908,11 ·1,0510 "-1 = 1908,11 ·-1,6- --8 -— 1 = 23999,97 u.m.

0 0,05 0,05
c)
v oi = 23999,97 ·0,05 _ 23999,97 - 0,05 _
~ 1- (1 + 0 _" ~ 1- 1,05"10 1- 0,613913
23999,97 0,05
= 3108,10 u.m.
0,386087
d)

p 0 l - ( l + 0""

V5 = 23999,97 · 5--5- = 23999,97 ·

5 1 -1,0 5 1-0 ,6 13 9 13

= 23999,97 ·—Z16-4--4- = 13456,47 u.m.

0,386087
407
 15. Un împrumut în valoare de 500000 u.m. trebuie rambursat în 5 ani prin anuităţi
posticipate, cu un procent anual de 5,5%. Să se întocmească tabelul de amortizare
în cazul în care amortismentele sunt egale.
Rezolvare :

Anii Suma la Dobânda Amortis­ Anuitatea Suma

începutul mentul rămasă
anului de plată
1 500000 27500 100000 127500 400000
2 400000 22000 100000 122000 300000
3 300000 16500 100000 116500 200000
4 200000 11000 100000 111000 100000
5 100000 5000 100000 105000 0

ß, = 02 = 03 = 04 = ß 3 = j = = 100000

16. Să se întocmească tabelul de amortizare în cazul împrumutului din problema

precedentă, dacă rambursarea se face prin anuităţi egale.
Rezolvare:

Anii Suma la Dobânda Amortis­ Anuitatea Suma

începutul mentul rămasă
anului de plată
1 500000 27500 89588 117088 410412
2 410412 22573 94515 117088 315897
3 315897 17374 99714 117088 216183
4 216183 11890 105198 117088 110985
5 110985 6104 110985 117088 -

408
 CAPITOLUL VII

OPTIMIZAREA GESTIUNII STOCURILOR

Modele deterministe şi modele modele aleatoare

Introducere. Prin stoc înţelegem o rezervă de bunuri materiale destinate vânzării

sau folosirii în procesul de producţie. Astfel putem întâlni stocuri de mărfuri, de
materii prime, de piese de schimb, etc.
Constituirea stocurilor presupune cheltuieli de aprovizionare sau producţie,
cheltuieli de stocaj (depozitare, întreţinere, etc.) pierderi prin deprecierea
mărfurilor şi altele. Orice gestiune de stoc presupune intrări în stoc sau
aprovizionări (imputs) şi ieşiri din stoc (outputs), acestea putând avea un caracter
cert (determinist) sau aleator.
Deciziile ce se iau în organizarea ştiinţifică a stocurilor au la bază un criteriu de
optim, determinat de politica economică, aceasta fiind de obicei costul global
minim. Menţionăm că se numeşte politică optimă activitatea de management a
stocurilor care implică un cost total minim. Elementele unei politici optime sunt:
nivelul optim al stocului, volumul optim de reaprovizionare, perioada optimă de
reaprovizionare, numărul optim de reaprovizionări, etc.
In concluzie prin gestiunea ştiinţifică a stocurilor se urmăreşte fundamentarea
deciziilor privind conducerea procesului de consum-aprovizionare. în acest cadru
un rol important îl are stabilirea pe baza unor modele economico-matematice a
nivelurilor stocurilor şi a momentelor la care se face reaprovizionarea.
Se poate spune că un model de stoc reprezintă un instrument cu ajutorul căruia
se minimizează volumul de fonduri ce se imobilizează în procesul de stocare şi în
acelaşi timp se asigură continuitatea procesului de producţie sau de desfacere.
Menţionăm că probleme se pune şi în sensul satisfacerii cererii consumatorilor,
adică a maximizării venitului net ce rezultă din activitatea de desfacere a
produselor.
în cele ce urmează vom prezenta câteva modele de stoc deterministe precum şi
două modele aleatoare.

§. 1. Modele deterministe.
Modelul 1. Gestiune (stoc) cu perioada fixă, cer ere constantă şi Jară
posibilitatea lipsei de stoc.
Considerăm gestiunea unui stoc de cantitatea Q pe un interval de timp θ , cu
aprovizionări la perioade fixe T, de cantitate conform cererii constante q, în care
presupunem că se cunoaşte costul unitar de stocaj c s, costul de lansare a unei
comenzi c h că lansarea comenzii se face în timp util şi aprovizionarea se face în
momentul în care s-a epuizat stocul s. Se presupune de asemenea consumul de stoc
ca fiind uniform (cu variaţie liniară) şi că nu admite lipsa de stoc.

409
 O astfel de gestiune se prezintă în figura 1.

Pentru modelarea acestei gestiuni, vom lua drept criteriu de optim costul total
minim.
Din datele problemei, rezultă că pentru fiecare perioadă T avem următoarele
cheltuieli:

c \ + Y < l-cs -T (1)

deoarece în medie, în stoc, se va afla cantitatea —·

2
Perioadele fiind egale, avem pentru numărul aprovizionărilor v, egalităţile:
v= e =0
(2)
q T
Costul total se obţine înmulţind cheltuielile corespunzătoare unei perioade cu
numărul de perioade adică:
( 1 ^
C (?)= C \ + - q - c s 'T -v (3)
V j
Din (2) şi (3) se obţine pentru costul total o funcţie de o singură variabilă q
căreia îi putem determina minimul;
Avem:

C(q) = -Q c i+ \ q c ß (4)
q 2

şi CXq) = - \ Q Cl+ U c s (5)

q 2
respectiv:

Qc\ (6)
c '= 7
410
 Notând cu q soluţia ecuaţiei obţinute prin anularea expresiei (5), avem:

<7>
şi cum C ( q ) > 0 , extremul este minim ( din considerente economice luăm pentru
q numai valori pozitive).
înlocuind valoarea optimă a unei comenzi q , dată de (7), în (2) obţinem
numărul optim de aprovizionări, adică:
7c~
( 8)

Din (2) şi (8) rezultă valoarea optimă pentru T:

(9)

Gestiunea optimă se determină înlocind în (4) pe q cu valoarea optim q , adică:

C ( i) = - ß c ,+ ^ c ,e
q 2
care după înlocuirea lui q din (7) devine:
C = ^ 2 Q e c lCs (10)
Exemplu. Serviciul comercial al unei fabrici de pâine trebuie să asigure lunar
1,5 milioane kg. faină. La fiecare comandă de aprovizionare se cheltuie 5000 u.m.
iar depozitarea fainii costă 1 u.m. pentru 500 kg. pe zi. Să se determine volumul
optim al unei comenzi, numărul optim de aprovizionări, perioada optimă de
aprovizionare şi gestiunea optimă ştiind că aprovizionările se fac la intervale egale
şi că nu se admite lipsă de stoc.
Rezolvare. Avem: Q = 1 5 ,1 0 5kg\ Θ = 3 0 zile, c, = 5 0 0 0 u .m . ,

c , = —— u.m ./kg / z i .
* 500
D eci:.

2 ·1 5 ·105; . ^ 500.000%
30·
500

411
C = JlQ c,cs = ^ 2·15·105 ·30·5·103 = 3 0 0 0 0 u.m..

Modelul 2. Gestiune (stoc) cu perioadă fixă, cer e r e constantă şi cu

posibilitatea lipsei de stoc.
Considerăm gestiunea de la modelul 1, cu modificarea că se admite lipsa de
stoc, dar penalizată cu un cost de penalizare unitară cp.
Această gestiune o prezentăm în figura următoare:

Perioada constantă a fost împărţită în două perioade, perioada Ti în care stocul

satisface cererea şi perioada T2 în care stocul nu mai satisface cererea (avem lipsă
de stoc).
Vom alege drept criteriu de optim, costul total minim.
Corespunzător acestei gestiuni, în perioada T\ se va plăti, pentru stocul mediu
1 q —s
—q , costul unitar cs , iar în perioada T2 pentru stocul mediu —- — , costul unitar
^ z
CP·
Rezultă că pentru o perioadă Tse vor face următoarele cheltuieli:
C, H— T,cs + —----- T2C
1 2 2 ( 1)
care determină un cost total:

C{q,s) = V f ΤΛ + ψ τ 2α , λ (2)
înlocuind valoarea lui v din (2) (modelul 1) în (2) obţinem:

412
 C ( q ,s ) = % -cx+~TlCi- + £ -_ £ T2c - (3 )
q ' 2 T 2 pT w
Din asemănarea triunghiurilor formate în figura de mai sus, deducem:
Zl - £ · Zl -JL Z £
T ~ q Ş1 T " q
de unde:

r , = i - r Şi r 2 = i ^ r (4)
4 <7
Din (3) şi (4) rezultă:
O θ Θ
C ( q ,s ) = ^ - c x+ — s 2c s + — ( q - s ) 2c ( 5)
q 2q 2q μ
Anulând derivatele parţiale ale lui C(q, s ) în raport cu variabilele q, respectiv s,
obţinem sistemul:

= — Ţ g C | T s 2c s + ~ V (g 2 - s 2)0c = 0 (6)
dq q 2q s 2q
^ l =± e c , - 3 ^ e c p =0 (7)
ds q s q
Valorile optime pentru q şi s se obţin ca soluţii ale sistemului format cu
ecuaţiile (6) şi (7)
Din (6) rezultă:
2 2 Qc l t ( c s + c )
q = &
00P
r CP
(8)
iar din (7) :
CP
s = q T T T (9)
('S Cp
Introducând valoarea lui s din (9) în ecuaţia (8) şi rezolvând această ecuaţie se
obţine valoarea optimă q pentru volumul unei comenzi:
*2 2 Q<i Cs +Cp

Notând:
(J
p = — -£— (11)
C s ’T1 ^
Cp

4 13
(factorul p se numeşte factor de penalizare), formula (10) se mai poate scrie:

( 12)

Din (9) şi (12), pentru stocul optim, găsim:

(13>
Perioada fixă optimă se obţine din (2) şi (12), la fel ca şi numărul optim de
apovizionări (frecvenţa optimă).
Avem:

(.4 )
q y 2c,
şi:
* θ 2 0 ci 1
~ 1----- L- (15)

Gestiunea optimă se obţine înlocuind în (15) valorile optime q şi s , adică:

C = p Q e c sc, . (16)

Exemplu. Necesarul anual de aspiratoare la un magazin de produse electrice este

de 20.000 bucăţi. O comandă făcută costă 200 u.m. iar costul stocajului pentru un
aspirator este de 1 u.m. Ştiind că aprovizionările trebuie făcute la intervale egale şi
în cantităţi egale şi că lipsa aspiratoarelor din stoc se penalizează cu 5 u.m. pe zi
pentru un aspirator lipsă, să se determine volumul optim al unei comenzi, stocul
optim, perioada optimă de aprovizionare, numărul optim de aprovizionări şi
gestiunea optimă.

Rezolvare. Datele problemei sunt: Q = 20.000 aspiratoare, Θ= 360 zile; c; = 200

u.m.; c s - 1 u.m./zi.

Avem succesiv:
c 5
CS + C p, 6’

_ |4· IO4 -200-6 16 0 aspiratoare,

f c sP Ί 360-5-1

414
s —q p —160 ·— = 133 aspiratoare,
6

- 1 2 0 aprovizionări,

2 · 2 · 104 · 360 · 1 ■2 0 0 | = 48.000 u.m.

PROBLEME

1. O fabrică de confecţii realizează producţia semestrială folosind 100000 m2

ţesături de mătase. Pentru fiecare comandă de baloturi se cheltuiesc 5000 u.m. de la
darea comenzii până la recepţionarea baloturilor.
Ştiind că aprovizionarea se face la intervale de timp egale, cu cantităţi egale, iar
costul depozitării este de 1 u.m. pentru 5m2 de ţesături depozitate pe zi, să se
determine lotul cu care trebuie să se aprovizioneze depozitul fabricii astfel ca
procesul de producţie să nu fie întrerupt din cauza lipsei de ţesături, numărul optim
de aprovizionări, intervalul dintre două aprovizionări şi costul total al acestui
program optim de aprovizionare şi stocare.
Rezolvare
Avem: Q=100000m2 ; Θ = 180 zile

Comanda optimă este:

5
Numărul optim de aprovizionări este:

Perioada optimă de aprovizionări se calculează cu formula:

T θ - -----
■f = — 180 « 9ozileί
ϋ 19
Gestiunea optimă:

2 ·105 ·180 ·5 ·103 ·i = 189736,65 u.m.

415
2. Un magazin alimentar are o cerere trimestrială de 900000 pachete de unt. Pentru
fiecare comandă de aprovizionare se cheltuiesc 1000 u.m., iar costul depozitării
este de 2 u.m. pentru 9 pachete depozitate pe zi.
Aprovizionarea se face la intervale de timp egale, cu cantităţi egale şi nu se admite
lipsă de stoc.
Să se determine volumul optim al unei comenzi, numărul optim de aprovizionări,
perioada optimă de aprovizionare şi gestiunea optimă.
Rezolvare
Avem: Q=900000 pachete ; Θ = 90 zile
2
cr=1000u.m. ; c s = —u.m./pachet / zi

2Qc, _ 2 - 9 -IO5 -10

= 9487 pachete de u nt ,

, <2 _ 900000
= 95 aprovizionări
V~ q 9487

2·9·105 ·9·10·103·| = 189736,65 u.m.

416
 BIBLIOGRAFIE

1. V. Bădin, C Raischi, Curs d e Matematici, vol I, Universitatea

Româno-Americană, Bucureşti, 1992
2. V. Bădin, D. Vasiliu, Curs d e Matematici, voi Π, Universitatea
Româno-Americană, Bucureşti, 1993
3. O. Popescu şi colab., M atematici a plicate în eco n o m ie, vol I şi Π,
( Editura Didactică şi Pedagogică, Bucureşti, 1993
4. V. Bădin, C. Raischi, Curs d e Matematici, Lito ASE, Bucureşti, 1992
5. F.G. Goald, G.D. Eppen, C.P. Schimdt, In trod u ctory M anagem ent
S cien ce, Pretice Hall Englewood Cliffs, N.J. 1993
6. W. Mendenhall, J. Reinmuth, R. Beaver, Statics f o r M a n agem en t and
E con om ics PWS, Kent Publ. Co., Boston, M.A. 1989
7. F. Hillier, G. Lieberman, Introduction to O peration R esearch, Me
Grew Hill Publ. Co., USA, 1990.
8. Ion Purcaru, M atem atici fin a n cia re, vol. I, Editura AGER -
Economistul, Bucureşti, 1992.
9. Ion Purcaru, M atem atici fin a n cia re, voi Π, Editura Economică,
Bucureşti, 1993.
10. E.M. Certirchin, Stattisticeskie m etodi p rogn ozirovan ia, Moscova,
„Statistika”, 1993.
11. H. Ionescu, O Firică, E. Moscovici, P ro gr a m a r e liniară, vol I şi Π, Lito
ASE, Bucureşti, 1972.
12. K. Thulasiraman, M.N.S. Swamy, Graphs: T heory a n d Algorithms,
John W iley and Sons, Inc. N.Y. 1992.
13. W. Stevenson, Introduction to M a nagem ent S cien ce, Homewood, IL.
Boston M.A. 1989.
14. G. Ciucu, V. Craiu, A. Ştefanescu, Statistică m atem atică şi cer cetă r i
operaţion ale, vol I, Editura Didactică şi Pedagogică, Bucureşti, 1986.
417
15. V. Bădin, M. Enăchescu, O Firică, C Raischi, M Toma, Matematici
aplicate în economie. Culegere de probleme. Lito ASE, B ucureşti, 1986.
16. V. Bădin, M Enăchescu, I. Săcui, C u legere d e p ro b lem e, Lito ASE,
Bucureşti, 1985.
17. H. Taha, O peration R esea rch - An Introduction, The M ac M illan Co.,
N . Y . , 1972.
18. A. Filip, S. Hoţulete, R. Niculescu, C. Socol, Woinaroschi, Curs d e
m a tem a tici a p lica te la eco n om ie, Lito ASE, 19081.
19. Gh. Mihoc, H. Ionescu, Curs d e m atem atici p en tru econ om işti, Editura
Didactică şi Pedagogică, Bucureşti, 1958.
20. Catedra de matematică ASE, Curs d e m atem atici su p erioa re, vol II,
Editura Didactică şi Pedagogică, Bucureşti, 1960.
21. N. M ihăilă, M atem atici s p e cia le a plicate în eco n om ie, Lito ASE, 1976.
22. V. Bădin, O Firică, Curs d e m atem atici p en tru econom işti,
Universitatea Româno-Americană, Editura Sylvi, 1995
23. Tiberiu Ionescu Grafuri, Editura didactică 1973.
24. Ion Purcaru, Florian Berbec, Dan Sorin M atem atici fin a n cia r e şi decizii
în afa ceri, Editura economică 1996
25. Ion Purcaru, M atem atici g e n e r a le şi elem en te d e optimizare, Editura
Economică 1997
26. Octavian Popescu şi colectiv, M atematici a p lica te în eco n o m ie, Editura
didactică, 1997
27. Gheorghe Ciobanu, V asile Nica şi alţii, c e r c e tă r i o p era ţio n a le cu
a plicaţii în eco n o m ie, Matrix Rom, 1996.
28. V. Bădin, Radu Despa, Curs d e m atem atici p en tru econ om işti, Vol I şi
Π, Universitatea Româno-Americană, Editura Sylvi, Bucureşti, 1998.
29. Despa Radu, Andronache Cătălina, Ciocănel Bogdan, Ghenciu Ioana,
Tetileanu Cristina, Toropu Cristina, C u leger e d e p r o b le m e d e
m a tem a tici a p lica te în eco n om ie, Vol I şi Π, Universitatea Româno-
Americană, Editura Sylvi, Bucureşti, 1998.
30. Radu Despa, Cătălina Vişan, M atem atici a p lica te în eco n o m ie, Univ.
Româno-Americană, Editura Sylvi, Bucureşti, 2003.

418