A 1.01 Matematica 2015 PDF

Universitatea de Ştiințe Agricole şi Medicină
Veterinară „Ion Ionescu de la Brad” ‐ Iaşi

Suport de curs
MATEMATICĂ
Programare liniară, Teoria Probabilităților şi
Statistică Matematică

DR. CIPRIAN CHIRUȚĂ

2014
Dr. Ciprian Chiruţă Suport de curs

2

Introducere
Acest suport de curs „Matematică - Programare liniară, teoria

probabilităţilor şi statistică” se adresează studenţilor din anul I de la facultăţile de
Agricultură, Horticultură şi Zootehnie ale Universităţii de Ştiinţe Agricole şi
Medicină Veterinară precum şi tuturor studenţilor ce doresc să se iniţieze în
noţiunile şi conceptele matematice ce apar în primul an de facultate de la
Universitatea de Ştiinţe Agricole şi Medicină Veterinară "Ion Ionescu de la Brad"
din Iaşi.
Cuvântul „matematică” îşi are originea în cuvântul grecesc „mathema”
care înseamnă „învăţare”, „studii”.
Dezvoltarea conceptelor matematice a pornit din necesitatea de a face
calcule comerciale, de a măsura suprafeţe de teren sau de a prevedea evenimentele
astronomice în scopuri agricole şi culturale.
Matematica este o stiinţă care trebuie învăţată de către studenţi prin lucru
individual, prin repetarea exemplelor ce apar în curs precum şi prin participarea
consecventă a studenţilor la cursuri şi seminarii. Numai asistarea la seminarii şi
citirea precum o poveste a cursului nu este suficientă pentru o bună învăţare a
disciplinei Matematică.
Acest material de curs oferă studenţilor la fiecare capitol de teorie
explicaţii teoretice ale noţiunilor noi introduse precum şi exemple practice
rezolvate în detaliu.
Studenţii trebuie să ştie faptul că noţiunile matematice ce vor fi prezentate
în acest curs se vor strecura în foarte multe cursuri ce vor urma anului I.
Primul capitol este o prezentare a algebrei liniare, utilizată apoi în capitolul
II de algebră abstractă.
Capitolul III urmăreşte noţiunile şi teoremele importante din Programarea
liniară noţiuni ce se vor relua în cursuri de management şi optimizări din anii
superiori.
Capitolul IV de probabilităţi şi statistică este o introducere într-un domeniu
vast şi actual, într-o ramură împortantă a matematicii aplicate şi anume statistica.
3

Aceasta utilizează teoria probabilităţilor care facilitează definirea, analiza şi
predicţia a diverse fenomene, având aplicaţii importante în economie.
Materia este împărţită în două zone distincte.
Prima se va finaliza prin rezolvarea problemelor de programare liniară
folosind algoritmul simplex sau metoda celor două faze.
A doua parte se finalizează prin determinarea intervalelor de încredere
pentru indicatorii statistici ceea va conduce la analiza ipotezelor statistice folosind
testul Student.
Celelalte capitole adună suportul matematic teoretic necesar pentru
înţelegerea conceptelor definite şi analizate în partea finală: elemente de algebră
vectorială şi respectiv probabilităţi.
Pentru studenţii de la Învăţământ la Distanţă este obligatoriu ca
la prezentarea la examenul scris să depună un REFERAT care să
cuprindă rezolvarea de către student a tuturor problemelor propuse în
acest suport de curs de la fiecare capitol.
Autorul.
4

Unitate de învăţare I
Elemente de matematică liniară
Cuprins U.I. I
1.1. Matrice şi determinanţi
1.2. Sisteme de ecuaţii liniare
-----------------------------------------------------------------------------------
Obiectivele U.I. I.
1. Să identifice diferite tipuri de matrice;
2. Să calculeze prin diferite metode determinanți, rangul unei matrice,
inversa unei matrice;
3. Să rezolve prin metodele: Cramer, Gauss şi Gauss‐Jordan sisteme de
ecuații liniare;
4. Să determine inversa unei matrice utilizând metoda eliminării totale;
5. Să rezolve inecuații liniare şi sisteme de inecuații liniare în două
variabile.
-----------------------------------------------------------------------------------
1.1. Matrice şi determinanţi
În această secţiune vor apărea definiţii şi proprietăţi din algebra matriceală

cum ar fi noţiunea de matrice, determinant, rang al matricei, sisteme de ecuaţii
liniare.
Definiţia 1. Se numeşte matrice M m, n ( ) o mulţime de m ⋅ n numere aranjate
într-un tablou dreptunghiular având m linii şi n coloane.
⎛ a11 a12 a1n ⎞

⎜ ⎟
⎜a a22 a2 n ⎟
A = ⎜ 21 ⎟,
⎜ ⎟
⎜a am 2 amn ⎟⎠
⎝ m1
unde aij , i = 1,… m, j = 1,… n se numesc elementele matricei A.
O matrice cu m linii şi n coloane se numeşte matrice de tip (m, n ) sau

matrice de ordinul m × n . M m,n ( ) reprezintă mulţimea matricelor de tip (m, n ) ,
având toate elementele din .
5

1.1.1. Cazuri particulare:
1. O matrice de tip (m,1) se numeşte matrice coloană (vector coloană).
⎛ a11 ⎞
⎜ ⎟
⎜ a21 ⎟
A=⎜ ⎟.
⎜ ⎟
⎜a ⎟
⎝ m1 ⎠
2. O matrice de tip (1, n ) se numeşte matrice linie.
A = (a 11 a 12 a 1n ).
3. O matrice de tip (n, n ) se numeşte matrice pătratică de ordin n.
⎛ a11 a12 a1n ⎞

⎜ ⎟
⎜a a22 a2 n ⎟
A = ⎜ 21 ⎟.
⎜ ⎟
⎜a an 2 ann ⎟⎠
⎝ n1
Elementele a11 , a22 , a33 , … ann formează diagonala principală a matricei.

4. O matrice de tip (m, n ) având toate elementele egale cu zero se numeşte
matrice nulă. Se notează cu O .
5. O matrice patratică ale cărei elemente care nu se află pe diagonala
principală sunt toate nule se numeşte matrice diagonală.
⎛ a11 0 0 ⎞
⎜ ⎟
⎜ 0 a22 0 ⎟
A=⎜ ⎟.
⎜ ⎟
⎜ 0 0 ann ⎟⎠
⎝
6. O matrice diagonală pentru care a11 = a22 = a33 = … = ann = 1 se numeşte

matrice unitate de ordin n. Matricea unitate se notează cu I n sau En .
⎛1 0 0⎞
⎜ ⎟
⎜0 1 0⎟
In = ⎜ ⎟.
⎜ ⎟
⎜0 0 1 ⎟⎠
⎝
6

Definitia 2. Două matrice de acelaşi tip Am,n şi Bm ,n sunt egale dacă elementele
lor sunt respectiv egale: aij = bij , i = 1,… m, j = 1,… n. Notăm A = B .
1.1.2. Operaţii cu matrice
1. Adunarea matricelor
Definiţia 3. Fie A, B ∈ M m,n ( ) având (a )

ij elementele matricei A şi (bij )
elementele matricei B . Definim adunarea matricelor A şi B ca fiind matricea

C ∈ M m,n ( ) cu elementele (c ) i = 1,…m, j = 1,…n unde c
ij ij = aij + bij .
Proprietăţile adunării matricelor:

1. Asociativitate
Oricare ar fi matricele A, B, C ∈ M m,n ( ) implică ( A + B ) + C = A + (B + C ) .
2. Comutativitate
Oricare ar fi matricele A, B ∈ M m,n ( ) implică A+ B = B + A.
3. Element neutru
Există matricea nulă O ∈ M m,n ( ) astfel încât ∀A ∈ M m,n ( ) are loc
A+O =O+ A= A.
4. Opusa matricei
Oricare ar fi matricea A ∈ M m,n ( ) există matricea ( )
− A = − aij ∈ M m ,n ( )
astfel încât are loc relaţia A + (− A) = (− A) + A = O .
EXEMPLU:
⎛ − 1 4 0 ⎞ ⎛ 2 3 1⎞ ⎛ 1 7 1 ⎞
A + B = ⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ .
⎝ 3 2 − 6⎠ ⎝ 6 − 2 8⎠ ⎝ 9 0 2⎠
2. Înmulţirea matricelor
Definiţia 4. A ∈ M m,n ( ) şi B ∈ M n, p ( ) , cu elemenentele ( )

A = aij şi B = b jk . ( )
Definim produsul matricelor A ⋅ B (în această ordine) ca fiind matricea
7

C = A ⋅ B ∈ M m, p ( ) cu elementele C = (cik ) unde
n
cik = ∑a b
j =1
ij jk = ai1b1k + ai 2b2 k + ... + ainbnk .
Observaţie. Produsul A ⋅ B a două matrice se poate efectua doar dacă numărul de

coloane a matricei A este egal cu numărul de linii a matricei B.
EXEMPLU:
A ∈ M 2, 3 ( ) ; B ∈ M 3, 2 ( ) ⇒ A ⋅ B = C , C ∈ M 2, 2 ( ) ;
⎛1 2 ⎞
⎛ 1 0 3⎞ ⎜ ⎟
A⋅ B = ⎜ ⎟ ⎜ 3 −1 ⎟ =
⋅
⎝ −2 4 1 ⎠ ⎜0 2 ⎟
⎝ ⎠
⎛ 1 ⋅1 + 0 ⋅ 3 + 3 ⋅ 0 1 ⋅ 2 + 0 ⋅ ( −1) + 3 ⋅ 2 ⎞ ⎛ 1 8 ⎞
= ⎜⎜ ⎟= .
⎝ ( −2 ) ⋅ 1 + 4 ⋅ 3 + 1 ⋅ 0 ( −2 ) ⋅ 2 + 4 ⋅ ( −1) + 1 ⋅ 2 ⎟⎠ ⎜⎝10 −6 ⎟⎠
Proprietăţile înmulţirii matricelor:

1. Asociativitate
Oricare ar fi matricele A ∈ M m,n ( ), B ∈ M n, p ( ), C ∈ M m, p ( ) are loc
relaţia ( A ⋅ B ) ⋅ C = A ⋅ (B ⋅ C ) .
2. Element neutru la înmulţire
Există matricea unitate I n astfel încât oricare ar fi matricea pătratică de
ordin n A ∈ M n ( ) are loc relaţia A ⋅ In = In ⋅ A = A .
3. Distributivitatea la stânga a înmulţirii faţă de adunare

Fie matricele A, B, C ∈ M n ( ) atunci are loc relaţia
A ⋅ (B + C ) = A ⋅ B + A ⋅ C .
4. Distributivitatea la dreapta a înmulţirii faţă de adunare

Fie matricele A, B, C ∈ M n ( ) atunci are loc relaţia
(A + B) ⋅ C = A ⋅ C + B ⋅ C .
1.1.3. Înmulţirea cu un scalar
Definiţia 5. Definim produsul matricei A ∈ M m,n ( ) cu scalarul α∈ ca fiind
matricea B ∈ M m,n ( ) cu elemenetele bij = α ⋅ aij . Putem scrie B = α ⋅ A = A ⋅ α .
EXEMPLU:
8

⎛ 1 2 4 ⎞ ⎛ a 2a 4 a ⎞
⎜ ⎟ ⎜ ⎟
a ⋅ A = a ⋅ ⎜ 0 3 − 1⎟ = ⎜ 0 3a − a ⎟ .
⎜ 2 1 0 ⎟ ⎜ 2a a 0 ⎟⎠
⎝ ⎠ ⎝
Proprietăţi ale înmulţirii cu scalari:

1. 1 ⋅ A = A,
2. (α + β ) ⋅ A = α ⋅ A + β ⋅ A,
3. α ⋅ ( A + B ) = α ⋅ A + α ⋅ B,
4. (α ⋅ β ) ⋅ A = α ⋅ (β ⋅ A),
5. α ⋅ ( A ⋅ B ) = (α ⋅ A) ⋅ B, unde A, B ∈ M m,n ( ) şi α , β ∈ R .
1.1.4. Transpusa unei matrice
Definiţia 6. Numim transpusă a matricei A ∈ M m ,n ( ) cu elementele (a )

ij
matricea notată AT = (a ji ) care are drept linii, respectiv coloanele matricei A şi
drept coloane respectiv liniile matricei A .

Exemplu:
⎛ 1 2 3⎞ ⎛1 4 7⎞
⎜ ⎟ T
⎜ ⎟
Transpusa matricei A = ⎜ 4 5 6 ⎟ este matricea A = ⎜ 2 5 8 ⎟ .
⎜7 8 9⎟ ⎜3 6 9⎟
⎝ ⎠ ⎝ ⎠
Definiţia 7. Spunem că matricea pătratică A ∈ M n ( ) este simetrică dacă

matricea transpusă este egală cu matricea iniţială AT = A adică aij = a ji oricare ar
fi i, j = 1, n şi antisimetrică dacă AT = − A adică aij = − a ji oricare ar fi
i, j = 1, n.
Exemplu:
⎛1 8 5⎞ ⎛1 8 5⎞
⎜ ⎟ T
⎜ ⎟
Transpusa matricei A = ⎜ 8 2 9 ⎟ este matricea A = ⎜ 8 2 9 ⎟ .
⎜ 5 9 3⎟ ⎜ 5 9 3⎟
⎝ ⎠ ⎝ ⎠
1.1.5. Determinanţi
Definiţia 8. Fie A = ( aij ) ∈ M n ( ) o matrice pătratică. Se numeşte determinantul

lui A numărul det A definit prin relaţia:
9

det A = ∑ (− 1)ω a α a α
(α α α α )
1 1 2 2
anα n unde α1 , α 2 , … α n sunt elementele {1, 2, 3, … n} ,
1, 2 3 , n
iar suma cuprinde toate permutările posibile ale acestora şi ω = 0 dacă

permutarea este pară şi ω = 1 dacă permutarea este impară.
Exemplu:
a11 a12
det A1 = = a11 ⋅ a22 − a21 ⋅ a12 ,
a21 a22
a11 a12 a13

det A2 = a 21 a 22 a 23 = .
a31 a32 a33
= a11 ⋅ a22 ⋅ a33 + a21 ⋅ a32 ⋅ a13 + a12 ⋅ a23 ⋅ a31 − a31 ⋅ a22 ⋅ a13 − a11 ⋅ a32 ⋅ a23 − a21 ⋅ a12 ⋅ a33
În practică, dacă determinantul este de ordin n (n > 3) se foloseşte o tehnică prin

care este adus la o sumă de determinanţi de ordin mai mic n-1 până când poate fi
calculat cu ajutorul formuleleor de mai sus. Tehnica constă în descompunerea
determinantului după o linie sau coloană.
EXEMPLU:
Să se calculeze determinantul următor:
1 1 1 1
2 2 3 4
det A = ,
0 2 1 2
1 2 1 2
Determinantul propus este de 4 linii şi 4 coloane. Facem descompunerea după

prima linie astfel:
1 1 1 1
2 3 4 2 3 4
2 2 3 4
= (− 1) ⋅ 1 ⋅ 2 1 2 + (− 1)
1+1 1+ 2
det A = ⋅1⋅ 0 1 2 +
0 2 1 2
2 1 2 1 1 2
1 2 1 2
2 2 4 2 2 3
+ (− 1) ⋅ 1 ⋅ 0 2 2 + (− 1)
1+3 1+ 4
⋅1 ⋅ 0 2 1 .
1 2 2 1 2 1
În acest mod determinatul a fost transformat într-o sumă de determinanţi ce pot fi

10

calculaţi.
Pentru a ne simplifica calculele se poate observa că prima linie conţine numai

valori de 1. Înainte de a face descompunerea după prima linie se pot aplica o serie
de transformări liniare care să aibă ca rezultat apariţia pe prima linia a mai multor
valori de zero.
1 1 1 1 1 0 1 1 1 0 0 1 1 0 0 0
2 2 3 4 2 0 3 4 2 0 1 4 2 0 1 2
det A = C 2 − C1 C3 − C1 C 4 − C1
0 2 1 2 0 2 1 2 0 2 1 2 0 2 1 2
1 2 1 2 1 1 1 2 1 1 0 2 1 1 0 1
1 0 0 0
0 1 2 2 1 2
2 0 1 2
= (− 1) ⋅ 1 ⋅ 2 1 2 + (− 1)
1+1 1+ 2
det A = ⋅0⋅ 0 1 2 +
0 2 1 2
1 0 1 1 0 1
1 1 0 1
2 0 2 2 0 1
+ (− 1) ⋅ 0 ⋅ 0 2 2 + (− 1)
1+ 3 1+ 4
⋅0⋅ 0 2 1 .
1 1 1 1 1 0
În urma acestor calcule observăm că determinantul iniţial de ordin 4 s-a

descompus ca sumă a 4 determinanţi de ordin 3 din care doar unul singur (primul)
este înmulţit cu un scalarul diferit de zero.
1 0 0 0
0 1 2
2 0 1 2
= (− 1)
1+1
det A = ⋅1 ⋅ 2 1 2 = 0 + 0 + 2 − 2 − 0 − 2 = −2.
0 2 1 2
1 0 1
1 1 0 1
1.1.6. Rangul unei matrice
Definiţia 9. Fie A ∈ M m,n ( ) o matrice de tipul (m, n ) . Dacă în matricea A

alegem la întâmplare k linii şi k coloane (unde k ≤ min{m, n} ) atunci elementele
care se găsesc la intersecţia acestor linii şi coloane formează o matrice pătratică de
ordinul k. Determinantul acestei matrice se numeşte minor de ordin k al matricei
A.
11

Definiţia 10. Fie A ∈ M m,n ( ) o matrice nenulă. Spunem că matricea A are
rangul r dacă matricea A are un minor de ordin r nenul şi toţi minorii de ordin
superior, dacă există, sunt nuli. Notaţia rang A = r.
1.1.7. Matrice inversabile
Definiţia 11. O matrice pătratică se numeşte singulară dacă determinantul său

este nul şi se numeşte nesingulară dacă determinantul său este nenul.
Definiţia 12. Fie A o matrice pătratică de ordin n. Spunem că matricea A este

inversabilă dacă există o matrice pătratică de ordin n, notată A −1 , astfel încât are
loc relaţia:
A ⋅ A −1 = A −1 ⋅ A = I n .
Teoremă 1. Fie o matrice A pătratică de ordin n. Matricea este inversabilă dacă

şi numai dacă ea este nesingulară, adică det A ≠ 0 .
Definiţia 13. Numim transformări elementare liniare asupra matricei A aplicarea

uneia din următoarela operaţii:
T1: Înmulţirea unei linii cu un număr diferit de zero;
T2: Adunarea unei linii la altă linie element cu element;
T3: Schimbarea a două linii între ele.
Observaţie. Dacă asupra unei matrice A aplicăm transformări elementare rangul

acesteia nu se schimbă.
EXEMPLU:
⎛2 0 1 ⎞
⎜ ⎟
Fie matricea A = ⎜ 2 1 − 1⎟ . Verificaţi dacă matricea este inversabilă şi calculaţi
⎜ 3 1 − 1⎟
⎝ ⎠
rangul matricei A .
Rezolvare:
Verificăm dacă matricea este inversabilă, utilizând Teorema 1:
12

2 0 1
det A = 2 1 − 1 = 2 ⋅1 ⋅ (− 1) + 2 ⋅1 ⋅1 + 0 ⋅ (− 1) ⋅ 3 − 3 ⋅1 ⋅1 − (− 1) ⋅1 ⋅ 2 − 2 ⋅ 0 ⋅ (− 1) =
3 1 −1
= −2 + 2 + 0 − 3 + 2 + 0 = −1 ≠ 0 deci matricea este nesingulară şi
conform teoremei 1 este inversabilă.

Având în vedere că determinatul de ordin 3 este diferit de zero şi alt minor
cu grad mai mare nu avem rezultă ca rangul matricei este egal cu 3.
# Exerciţii:
1. Să se calculeze următorii determinanţi, aplicând proprietăţile
determinanţilor:
⎛3 0 3 ⎞ ⎛a + b a − b a + b⎞
⎜ ⎟ ⎜ ⎟
A = ⎜4 1 4 ⎟ , B=⎜ 1 1 1 ⎟.
⎜ 3 0 10 ⎟ ⎜ 2ab 0 2ab ⎟⎠
⎝ ⎠ ⎝
⎛1 x 1 1⎞ ⎛1 1 1 3⎞
⎜ ⎟ ⎜ ⎟
⎜ x 1 1 1⎟ ⎜1 1 3 1⎟
C =⎜ , D=⎜ .
1 1 1 x⎟ 1 3 1 1⎟
⎜ ⎟ ⎜ ⎟
⎜1 1 x 1⎟ ⎜3 1 1 1 ⎟⎠
⎝ ⎠ ⎝
2. Să se verifice dacă următoarele matrice verifică relaţia:
A3 + 2 A 2 − A + I n = 0
⎛1 0 1⎞
⎛ 1 2⎞ ⎜ ⎟
A = ⎜⎜ ⎟⎟ , A = ⎜ 4 1 4⎟ .
⎝ 2 1⎠ ⎜1 0 1⎟
⎝ ⎠
3. Ridicaţi la puterea n , n ∈ matricele:
⎛ 1 0 1⎞
⎛ 1 1⎞ ⎜ ⎟
A = ⎜⎜ ⎟⎟ , A = ⎜ 0 1 1⎟ .
⎝ 0 1⎠ ⎜ 0 0 1⎟
⎝ ⎠
4. Determinaţi rangul matricei:
⎛ 4 2 −2 6 ⎞ ⎛ 1 2 6 6 ⎞
⎜ ⎟ ⎜ ⎟
A = ⎜ − 2 − 4 2 − 4⎟ ; B = ⎜ − 2 6 2 − 4⎟
⎜ 2 − 2 4 − 2⎟ ⎜ 1 2 6 2 ⎟
⎝ ⎠ ⎝ ⎠
13

1.2. Sisteme de ecuaţii liniare
Multe fenomene din viaţa reală se pot modela cu ajutorul sistemelor de
ecuaţii liniare. Acest curs este dedicat studiului sistemelor de ecuaţii algebrice de
gradul întâi cu mai multe necunoscute şi a metodelor de rezolvare a acestor
sisteme.
Definiţia 14. Se numeşte sistem liniar de m ecuaţii cu n necunoscute ansamblul

de ecuaţii liniare:
⎧a11 x1 + a12 x2 + + a1n x n = b1 ,

⎪
⎪a 21 x1 + a 22 x 2 + + a 2 n x n = b2 ,
⎨ (1)
⎪
⎪⎩a m1 x1 + a m 2 x2 + + a mn x n = bm .
unde aij ∈ , bi ∈ , unde 1 ≤ i ≤ m, 1 ≤ j ≤ n , variabilele x1 , x2 , …, xn ∈ R se
numesc necunoscutele sistemului, constantele aij ∈ se numesc coeficienţii
sistemului, iar bi ∈ se numesc termenii liberi.
Observaţie: a) Coeficienţii sistemului formează o matrice de tip (m, n ) denumită

matricea sistemului.
⎛ a11 a12 a1n ⎞

⎜ ⎟
⎜a a 22 a2n ⎟
A = ⎜ 21 ⎟.
⎜ ⎟
⎜a am 2 a mn ⎟⎠
⎝ m1
Dacă adăugăm coloana termenilor liberi obţinem matricea extinsă a

sistemului, notată A .
⎛ a11 a12 a1n b1 ⎞

⎜ ⎟
⎜a a 22 a2n b2 ⎟
A = ⎜ 21 ⎟.
⎜ ⎟
⎜a am 2 a mn bm ⎟⎠
⎝ m1
b) Sistemul (1) se poate scrie sub forma:
∑a
j =1
ij x j = bi unde i = 1, … m . (2)
Dacă pentru necunoscute şi termeni liberi se folosesc vectorii coloană:

14

⎛ x1 ⎞ ⎛ b1 ⎞
⎜ ⎟ ⎜ ⎟
⎜ x2 ⎟ ⎜b ⎟
X = ⎜ ⎟ şi B = ⎜ 2 ⎟ ,
⎜ ⎟ ⎜ ⎟
⎜x ⎟ ⎜b ⎟
⎝ n⎠ ⎝ n⎠
atunci sistemul (1) se poate scrie sub forma matriceală:
A⋅ X = B . (3)
Un sistem liniar se numeşte omogen dacă coloana termenilor liberi este

formată numai din valori nule, iar în caz contrar se numeşte neomogen.
Definiţie 15. Se numeşte soluţie a unui sistem liniar de forma (1) un n-uplu
(x1 , x2 , … , xn ) care verifică simultan toate cele m ecuaţii ale acestuia.
Sistemul (1) se numeşte compatibil dacă are cel puţin o soluţie şi se numeşte
incompatibil în caz contrar.
Un sistem compatibil se numeşte compatibil determinat dacă are o singură
soluţie şi compatibil nedeterminat dacă admite mai multe soluţii.
Observaţie: problema fundamentală în legătură cu un sistem liniar este

determinarea mulţimii S a soluţiilor sale, adică a tuturor n-uplurilor care verifică
simultan toate ecuaţiile.
Teoremă (Kronecker1 - Capelli2)

Un sistem de m ecuaţii liniare cu n necunoscute este compatibil determinat
dacă şi numai dacă rangul matricei sistemului este egal cu rangul matricei extinse
a sistemului.
Dacă rang A = rang A = k = n (n - numărul necunoscutelor) atunci sistemul
este unic determinat.
Dacă rang A = rang A = k < n atunci sistemul este compatibil
nedeterminat.
Dacă rang A ≠ rang A atunci sistemul este incompatibil.

1
Leopold Kroneker (1823‐1891) ‐ matematician german;
2
Alfredo Capelli (1855‐1910) ‐ matematician Italian;
15

1.2.1. Rezolvarea sistemelor de ecuaţii:
1. Sistem CRAMER3
Un sistem algebric liniar pentru care r = m = n (rangul matricei este egal cu
numărul de linii şi de coloane) se numşte sistem Cramer.
Formula generală este
∑a
j =1
ij x j = bi , unde i = 1, … n şi det A ≠ 0 . (4)
Acest sistem este compatibil unic determinat şi soluţia sa se obţine cu

formula lui Cramer:
det A j
xj = , unde j = 1, … n , (5)
det A
iar A j se obţine din matricea A prin înlocuirea coloanei j cu coloana termenilor
liberi.
EXEMPLU:
Fie sistemul:
⎧4 x1 − 2 x 2 − x3 = 9,
⎪
⎨ x1 − 3 x 2 + 2 x3 = 7,
⎪ x + x + x = 2.
⎩ 1 2 3
Pentru a verifica dacă acest sistem poate fi rezolvat cu metoda Cramer

trebuie să calculăm determinantul lui şi să observăm dacă este diferit de zero.
4 − 2 −1
Δ = 1 −3 2 = 4 ⋅ (− 3) − 1 − 4 − 3 − 8 + 2 = −26 ≠ 0 .
1 1 1
În acest caz rangul matricei este 3 egal cu numărul necunoscutelor şi cu

numărul ecuaţiilor deci este sistem Cramer:
Pentru determinarea necunoscutelor x1 , x2 , x3 vom calcula determinanţii

3
Gabriel Cramer (1704‐1752) ‐ matematician elveţian, doctorat la 18 ani in matematică,
contribuţii: regula lui Cramer, paradoxul lui Cramer;
16

corespunzători acestor soluţii Δx1 , Δx2 , Δx3 astfel: pentru Δx1 vom înlocui prima
coloană din determinant cu coloana termenilor liberi. În mod analog şi pentru
ceilalţi determinanţi. Necunoscutele se vor găsi prin fomula:
Δx1 Δx Δx
x1 = , x 2 = 2 , x3 = 3 .
Δ Δ Δ
9 − 2 −1
Δx1 = 7 − 3 2 = −27 − 7 − 8 − 6 − 18 + 14 = −52 ,
2 1 1
4 9 −1
Δx2 = 1 7 2 = 28 − 2 + 18 + 7 − 16 − 9 = 26 ,
1 2 1
4 −2 9
Δx3 = 1 − 3 7 = −24 + 9 − 14 + 27 − 28 + 4 = −26 ,
1 1 2
Δx1 − 52 Δx 26 Δx − 26
x1 = = = 2, x2 = 2 = = −1, x3 = 3 = =1.
Δ − 26 Δ − 26 Δ − 26
Rezolvând sistemul folosind regula lui Cramer se obţine soluţia
x1 = 2, x2 = −1, x3 = 1 .
2. Metoda eliminării parţiale GAUSS4 (metoda eliminărilor succesive)
Metoda eliminării parţiale GAUSS constă în utilizarea unor transformări

elementare succesive ale sistemului iniţial pentru a transforma sistemul iniţial într-
un sistem de ecuaţii echivalent, eliminând pe rând câte o variabilă din toate
ecuaţiile sistemului cu excepţia unei singure ecuaţii în care coeficientul variabilei
să fie egală cu unitatea.
Procesul de calcul prezentat în această secţiune se numeşte PIVOTAJ şi se
realizează efectuând transformări elementare asupra liniilor din sistem.

4
Carl Friedrich Gauss (1777‐1855) ‐ mathematician, fizician, astronom german, directorul
observatorului astronomic din Gottingen;
17

Fie sistemul:
⎧a11 x1 + a12 x2 + + a1n x n = b1 ,

⎪
⎪a 21 x1 + a 22 x 2 + + a 2 n x n = b2 ,
⎨
⎪
⎪⎩a m1 x1 + a m 2 x2 + + a mn x n = bm .
Dacă a11 ≠ 0 atunci pentru variabila x1 putem să avem coeficientul egal cu

1 dacă se împarte prima linie la a11 . Dacă a11 = 0 atunci putem facem o
transformare elementară şi anume să schimbăm linia 1 cu oricare altă linie în care
coeficientul lui x1 este diferit de zero.
Elementul a11 se numeşte pivot. Prin această operaţie elementară prima
ecuaţie devine:
⎧ a12 a1n b1
⎪ x1 + a x2 + + a xn = a ,
⎪⎪ 11 11 11
⎨a21 x1 + a22 x2 + + a2 n xn = b2 ,
⎪
⎪
⎪⎩am1 x1 + am 2 x2 + + amn xn = bm .
Pentru a elimina necunoscuta x1 din celelalte ecuaţii rămase 2, 3, 4, ..., m

vom înmulţi prima ecuaţie pe rând cu a 21 , a31 , … , a m1 şi se scade din ecuaţia 2,
apoi din ecuaţia 3 până la ecuaţia m. În final vom obţine următoarele ecuaţii
echivalente unde necunoscuta x1 se găseşte doar în prima ecuaţie.
a12 a a1n b
x1 + x 2 + 13 x3 + + xn = 1 ,
a11 a11 a11 a11
⎛ a ⎞ ⎛ a ⎞ ⎛ a ⎞ b
0 + ⎜⎜ a 22 − 12 a 21 ⎟⎟ x 2 + ⎜⎜ a 23 − 13 a 21 ⎟⎟ x3 + + ⎜⎜ a 2 n − 1n a 21 ⎟⎟ x n = b2 − 1 a 21 ,
⎝ a11 ⎠ ⎝ a11 ⎠ ⎝ a11 ⎠ a 11
⎛ a ⎞ ⎛ a ⎞ ⎛ a ⎞ b
0 + ⎜⎜ a m 2 − 12 a m1 ⎟⎟ x 2 + ⎜⎜ a m3 − 13 a m1 ⎟⎟ x3 + + ⎜⎜ a mn − 1n a m1 ⎟⎟ x n = bm − 1 a m1 .
⎝ a11 ⎠ ⎝ a11 ⎠ ⎝ a11 ⎠ a11
La pasul următor dacă x 2 are coeficientul nenul în ecuaţia a doua se va alege

acesta drept pivot şi se foloseşte aceaşi schemă de eliminare a necunoscutei x 2
din toate ecuaţiile cu excepţia ecuaţiei 2 în care va avea coeficientul egal cu 1.
Dacă coeficientul lui x 2 este zero atunci putem facem o transformare
elementară şi anume să schimbăm linia 2 cu oricare altă linie în care coeficientul
lui x 2 este diferit de zero.
18

Algoritmul continuă până când nu vom mai putea elimina nici o variabilă
prin această schemă de calcul.
Prin aceste transformări elementare efectuate numai asupra liniilor matricei
extinse A se va obţine forma (6).
⎛1 p12 p13 p1n q1 ⎞

⎜ ⎟
⎜0 1 p 23 p2 n q2 ⎟
⎜0 0 1 p3 n q3 ⎟
⎜ ⎟
⎜ ⎟
P=⎜ ⎟ cu pij ≠ 0, i = 1, ,r. (6)
⎜0 0 0 1 qr ⎟
⎜0 0 0 0 qr +1 ⎟
⎜ ⎟
⎜ ⎟
⎜0 0 0 0 qm ⎟⎠
⎝
Sistemul (1) este echivalent cu sistemul care are drept matrice extinsă
matricea P.
Observaţie:
a) Dacă r = m = n sistemul (1) este compatibil unic determinat;
b) Dacă r < m sistemul (1) este compatibil dacă şi numai dacă
qr +1 = qr + 2 = = qm = 0 ;
c) Dacă r < n atunci sistemul este compatibil nedeterminat şi admite o

infinitate de soluţii.
Soluţia sistemului se citeşte începând cu necunoscuta r.
⎧ xn = q r ,
⎪
⎪ xn −1 = q r −1 − p r −1n x n ,
⎨ . (7)
⎪
⎪⎩ x1 = q1 − p12 x 2 − p13 x3 − − p1n x n
EXEMPLU:
Să se rezolve următorul sistem, folosind metoda eliminării parţiale:
⎧4 x1 − 2 x 2 − x3 = 9,
⎪
⎨ x1 − 3 x 2 + 2 x3 = 7,
⎪ x + x + x = 2.
⎩ 1 2 3
19

Pas 1. Scriem matricea extinsă a sistemului. Stabilim pivotul în acest caz 4:
⎛ (4 ) − 2 − 1 9⎞
⎜ ⎟
A = ⎜ 1 −3 2 7⎟ .
⎜1 1 1 2 ⎟⎠
⎝
Pas 2. Facem ca valoarea pivotului să fie 1. Împărţim linia 1 cu 4:
⎛ 1 1 9⎞
⎜1 − − ⎟
⎜ 2 4 4⎟
⎜1 − 3 2 7⎟.
⎜1 1 1 2⎟
⎜ ⎟
⎝ ⎠
Pas. 3. Contruim zerouri pe restul coloanei în afară de pivot. Adunăm la linia 2

linia 1 înmulţită cu (-1) şi adunăm la linia 3 linia 1 înmulţită cu (-1). Notăm
L 2 + L1(− 1) şi L3 + L1(− 1) . Obţinem:
⎛ 1 1 9 ⎞
⎜1 − − ⎟
⎜ 2 4 4 ⎟
⎜0 ⎛− 5 ⎞ 9 19 ⎟
.
⎜ ⎜ ⎟
⎝ 2⎠ 4 4 ⎟
⎜ 3 5 1 ⎟
⎜0 − ⎟
⎝ 2 4 4⎠
Pas 4. Se repetă procedeul pentru o coloana a doua. Alegem pivotul pentru

5
coloana a doua pe − . Facem ca valoarea pivotului să devină 1. Înmulţim linia
2
2
2 cu − :
5
⎛ 1 1 9 ⎞
⎜1 − − ⎟
⎜ 2 4 4 ⎟
⎜0 1 9 19
− − ⎟.
⎜ 10 10 ⎟
⎜ 3 5 1⎟
⎜0 − ⎟
⎝ 2 4 4⎠
Pas. 5. Folosind metoda eliminării parţiale trebuie să facem numai elementul de

⎛ 3⎞
sub pivot pe coloana 2 să fie zero. L3 + L 2⎜ − ⎟ :
⎝ 2⎠
20

⎛ 1 1 9 ⎞
⎜1 − − ⎟
⎜ 2 4 4 ⎟
⎜ 9 19 ⎟
⎜ 0 1 − 10 − ⎟.
10
⎜ 13 ⎟⎟
⎜⎜ 0 0 ⎛⎜ 13 ⎞⎟
⎝ ⎝5⎠ 5 ⎟⎠
Matricea anterioară este corespunzătoare următorului sistem de ecuaţii:
⎧ 1 1 9
⎪ x1 − 2 x 2 − 4 x 3 = − 4 ,
⎪
⎪ 9 19
⎨ x 2 − x3 = − ,
⎪ 10 10
⎪13 13
⎪ 5 x3 = 5 .
⎩
Se poate calcula imediat valoarea lui x3 =1.
Apoi înlocuim valoarea aflată în ecuaţia 2 a sistemului pentru a afla x2:
⎧ 1 1 9
⎪ x1 − 2 x2 − 4 x3 = − 4 ,
⎪
⎪ 19 9
⎨ x2 = − + = −1,
⎪ 10 10
⎪ x3 = 1.
⎪
⎩
Apoi înlocuim valoarea aflată în ecuaţia 1 a sistemului pentru a afla x1:
⎧ 9 −2 1
⎪ x1 = − 4 + 4 − 4 = 2
⎪
⎨ x 2 = −1;
⎪ x = 1,
⎪ 3
⎩
deci soluţia sistemului va fi: x1 = 2, x2 = −1, x3 = 1 .
21

3. Metoda eliminării totale (GAUSS - JORDAN5)
Metoda de lucru propusă în acest paragraf va fi folosită la rezolvarea

sistemelor de ecuaţii cu m ecuaţii şi n necunoscute, la calcularea inversei unei
matrice, în tot capitolul de spaţii vectoriale şi în cadrul algoritmului simplex sau
problema celor două faze.
Generalizarea pentru sisteme de tip (m, n ) este simplă: ideea centrală a
metodei eliminării complete este de a aduce matricea extinsă a sistemului la o
formă care să conţină numărul maxim posibil de coloane ale matricei unitate.
Metoda se aplică începând cu prima coloană şi la fiecare pas se obţine o nouă
coloană a matricei unitate.
Model intuitiv:
⎛ a11 a12 a13 b1 ⎞ ⎛ 1 0 0 x1 ⎞

⎜ ⎟ ⎜ ⎟
⎜ a 21 a 22 a23 b2 ⎟ ⇔ ⇔ ⎜ 0 1 0 x2 ⎟ (10)
⎜a a32 a33 b3 ⎟⎠ ⎜0 0 1 x ⎟
⎝ 31 ⎝ 3⎠
FORMĂ INIŢIALĂ TRANSFORMĂRI ELEMENTARE SOLUŢIE
Se porneşte de la sistemul de ecuaţii cu m ecuaţii şi n necunoscute:
⎧a11 x1 + a12 x2 + + a1n xn = b1 ,

⎪
⎪a21 x1 + a 22 x2 + + a 2 n xn = b2 ,
⎨ (*)
⎪
⎪⎩am1 x1 + a m 2 x2 + + amn xn = bm .
Matricea extinsă ataşată acestui sistem este:
⎛ a11 a12 a1n b1 ⎞

⎜ ⎟
⎜ a21 a22 a2n b2 ⎟
⎜ ⎟
⎜ ⎟
⎜a am 2 a mn bm ⎟⎠
⎝ m1
Metoda de lucru în acest scop va fi denumită regula dreptunghiului şi o

prezentăm pe scurt în 4 paşi:

5
Wilhelm Jordan (1842‐1899) ‐ geodesist german;
22

Pas 1. Se alege un pivot diferit de zero.
Pas 2. Linia pivotului se împarte la valoarea pivotului pentru a obţine
valoarea 1.
Pas 3. Coloana pivotului se completează cu zerouri.
Pas 4. Celelalte elemente se calculează cu regula dreptunghiului de mai
jos:
b
1
pivot b pivot
rezultatul va fi .
a locatie a⋅b
0 locatie −
pivot
⎛1 0 0 0 p1r +1 p1n q1 ⎞
⎜ ⎟
⎜0 1 0 0 p 2 r +1 p 2n q2 ⎟
⎜0 0 1 0 p 3r +1 p 3n q 3 ⎟⎟
⎜
⎜ ⎟
⎜ ⎟
⎜0 0 0 1 p rr +1 p rn qr ⎟
⎜0 0 0 0 0 0 q r +1 ⎟
⎜ ⎟
⎜ ⎟
⎜0 0 0 0 0 0 q m ⎟⎠
⎝
Observaţie: Se presupune că am identificat numărul maxim de linii şi

coloane din matricea unitate. În urma acestor calcule vom ajunge în cazul general
la matricea anterioară.
Pentru o justificare matematică a metodei vezi Lema substituţiei din cap.
III.
Teoremă 2.
Sistemul (*) este compatibil dacă şi numai dacă q r +1 = q r + 2 = = qm = 0 .
Observaţii:
1. Dacă o singură valoare din şirul q r +1 , qr + 2 , , qm este diferită de zero
atunci sistemul este incompatibil. În acest moment algoritmul se opreşte.

2. Dacă toate valorile din şirul q r +1 , qr + 2 , , qm sunt zero atunci sistemul
este compatibil iar liniile completate doar cu valoarea zero pot fi eliminate
deoarece ele reprezintă combinaţii liniare ale celorlalte linii din sistem.
3. După eliminarea liniilor cu valoarea zero va rămâne un sistem de forma
23

⎛1 0 0 0 p1r +1 p1n q1 ⎞
⎜ ⎟
⎜0 1 0 0 p 2 r +1 p2n q2 ⎟
⎜0 0 1 0 p3r +1 p3 n q3 ⎟⎟
⎜
⎜ ⎟
⎜⎜ ⎟
⎝0 0 0 1 prr +1 p rn qr ⎟⎠
unde matricea unitate are r linii şi coloane.

Distingem următoarele cazuri:
Primul caz este sistem compatibil determinat cu soluţie unică care apare
atunci când matricea unitate are n coloane. (r = n).
În acest caz soluţia sistemului se citeşte pe coloana termenilor liberi:
x1 = q1 , x2 = q2 , x3 = q3 , , xn = q n .
Al doilea caz este sistem compatibil nedeterminat. În acest caz

variabilele ce corespund coloanelor matricii unitate se vor numi principale şi vor
fi determinate în funcţie de celelalte variabile numite secundare.
Sistemul va deveni în acest caz:
⎧ x1 + p1r +1 x r +1 + + p1n x n = q1
⎪
⎪ x 2 + p 2 r +1 x r +1 + + p 2n xn = q 2
⎪
⎨ x 3 + p 3r +1 x r +1 + + p 3n x n = q 3
⎪
⎪
⎪⎩ x r + p rr +1 x r +1 + + p rn x n = q r
Soluţia acestui sistem o obţinem trecând în membrul drept toţi termenii în

afară de variabilele principale.
⎧ x1 = q1 − p1r +1α r +1 − − p1nα n xr +1 = α r +1 ,

⎪
⎪ x2 = q2 − p2 r +1α r +1 − − p2 nα xr + 2 = α r + 2 ,
⎪
⎨ x3 = q3 − p3r +1α r +1 − − p3nα n şi xr +3 = α r +3 ,
⎪
⎪
⎪⎩ xr = qr − prr +1α r +1 − − prnα n xm = α m .
24

EXEMPLU:
Să se rezolve următorul sistem, folosind metoda eliminării totale (GAUSS-

JORDAN):
⎧4 x1 − 2 x2 − x3 = 9,
⎪
⎨ x1 − 3 x2 + 2 x3 = 7,
⎪ x + x + x = 2.
⎩ 1 2 3
Se porneşte de la matricea extinsă a coeficineţilor sistemului:
⎛ (4 ) − 2 − 1 9⎞
⎜ ⎟
A = ⎜ 1 −3 2 7⎟ .
⎜1 1 1 2 ⎟⎠
⎝
Iteraţia 1. Se alege pivotul 4, se împarte linia pivotului la valoarea 4, coloana

pivotului se completează cu zero şi restul elementelor se calculează cu regula
dreptunghiului. Obţinem:
⎛ 1 1 9 ⎞
⎜1 − − ⎟
⎜ 2 4 4 ⎟
⎜0 ⎛− 5 ⎞ 9 19 ⎟
.
⎜ ⎜ ⎟
⎝ 2⎠ 4 4 ⎟
⎜ 3 5 1⎟
⎜0 − ⎟
⎝ 2 4 4⎠
5 5
Iteraţia 2. Se alege pivotul − , se împarte linia pivotului la valoarea − ,
2 2
coloana pivotului se completează cu zero şi restul elementelor se calculează cu
regula dreptunghiului. Obţinem:
⎛ 7 13 ⎞
⎜1 0 − ⎟
⎜ 10 10 ⎟
⎜ 9 19 ⎟
⎜ 0 1 − 10 − ⎟.
10
⎜ 13 ⎟⎟
⎜⎜ 0 0 ⎛⎜ 13 ⎞⎟
⎝ ⎝5⎠ 5 ⎟⎠
13 13
Iteraţia 3. Se alege pivotul , se împarte linia pivotului la valoarea , coloana
5 5
pivotului se completează cu zero şi restul elementelor se calculează cu regula
dreptunghiului. Obţinem:
25

⎛1 0 0 2⎞
⎜ ⎟
⎜0 1 0 − 1⎟ .
⎜0 0 1 1 ⎟⎠
⎝
Observăm în partea stângă a matricei extinse apariţia matricii unitate şi în

partea dreaptă cele trei soluţii x1 = 2, x2 = −1, x3 = 1 .
# Exerciţii:
1. Să se rezolve următoarele sisteme folosind metoda Cramer:
⎧ x1 + 2 x2 − 3 x3 = 0,
⎪
a) ⎨ x1 − 2 x2 + 3 x3 = 2, S: x1 = 1, x2 = 1, x3 = 1 .
⎪− x + 2 x + 3x = 4.
⎩ 1 2 3
⎧ x1 + 2 x2 + x3 = 8,
⎪
b) ⎨2 x1 + x2 + x3 = 7, S: x1 = 1, x2 = 2, x3 = 3 .
⎪ x + x + 2 x = 9.
⎩ 1 2 3
2. Să se rezolve următorul sistem folosind metoda eliminării parţiale

(Gauss):
⎧4 x1 + x2 + x3 + x4 = 7,
⎪
⎪ x1 + 4 x2 + x3 + x4 = 4,
⎨ S: x1 = 1, x2 = 0, x3 = 1, x4 = 2 .
⎪ x1 + x2 + 4 x3 + x4 = 7,
⎪⎩ x1 + x2 + x3 + 4 x4 = 10.
3). Să se rezolve următoarele sisteme folosind metoda eliminării totale

(Gauss Jordan):
⎧ x1 + x2 + x3 + 3 x4 = −2,
⎪
⎪ x + x + 3 x3 + x 4 = 2,
a). ⎨ 1 2 S: x1 = −1, x2 = 1, x3 = 1, x4 = −1 .
⎪ x1 + 3 x2 + x3 + x4 = 2,
⎪⎩3 x1 + x2 + x3 + x4 = −2.
⎧ x1 + x2 + x3 = 20,
⎪ 4 1
b). ⎨2 x1 − 3x2 + x3 = −5, S: x1 = 11 − α , x2 = 9 − α , x3 = α , α ∈ R .
⎪6 x − 4 x + 4 x = 30. 5 5
⎩ 1 2 3
26

Explicitarea unui sistem de ecuaţii
Acest paragraf va fi necesar în cadrul explicaţiilor şi aplicaţiilor din capitolul III.
Definiţie 16. Un sistem de ecuaţii liniare este explicitat dacă matricea sistemului
conţine toate coloanele matricei unitate de ordin egal cu numărul ecuaţiilor
sistemului.
Definiţie 17. Fie un sistem de ecuaţii liniare adus la o formă explicită. Variabilele
care corespund coloanelor matricei unitate se numesc variabile principale sau
variabile de bază, iar celelalte variabile se numesc variabile secundare sau
nebazice.
Un sistem compatibil determinat nu are decât variabile principale. În
această formă soluţia sistemului poate fi citită direct de pe ultima coloană, cea
corespunzătoare termenilor liberi. Deci poate fi compatibil determinat doar un
sistem cu numărul de linii egal cu numărul de coloane.
De un interes deosebit pentru elementele de programare liniară care vor fi
abordate în capitolele următoare sunt sistemele compatibile nedeterminate.
Un astfel de sistem are rangul egal cu numărul ecuaţiilor, iar numărul
ecuaţiilor este mai mic decât numărul necunoscutelor (m < n). El va avea m
necunoscute principale şi n – m necunoscute secundare.
Variabilele principale se exprimă în funcţie de variabilele secundare care
pot primi orice valori reale şi astfel se obţine înfinitatea de soluţii.
Definiţie 18. Se numeşte soluţie de bază a sistemului liniar de m ecuaţii cu n

necunoscute orice soluţie a sistemului obţinută în cadrul unei forme explicite prin
egalarea cu zero a variabilelor secundare.
Observaţie: Este posibil ca în urma egalării cu zero a variabilelor secundare să

rezulte şi printre variabilele principale unele soluţii egale cu zero. Se poate face o
nouă clasificare dată de definiţia următoare.
Definiţie 19. Dacă o soluţie de bază are exact m componente nenule ea se numeşte
nedegenerată, iar dacă ea are mai puţin de m componente nenule se numeşte
degenerată.
27

Fiind dat un sistem liniar de m ecuaţii cu n necunoscute, având m < n, cu cele n
variabile ale sistemului se pot forma Cnm grupuri diferite de m variabile.
Teorema 3. Dacă un sistem liniar de m ecuaţii cu n necunoscute admite cel puţin

o formă explicită atunci el admite cel mult Cnm forme explicite.
Definiţie 20. Dacă pentru o soluţie de bază toate variabilele au valoare nenegativă
atunci soluţia se numeşte admisibilă sau fezabilă.
Orice formă explicită a sistemului are m variabile principale şi n - m
variabile secundare. Formele explicite diferă între ele tocmai prin grupul de
variabile principale. Atunci când se face trecerea de la o formă explicită la alta
prin pivotaj una din variabilele secundare devine principală sau de bază, iar una
din variabilele principale devine secundară (sau nebazică), pentru că numărul de
m variabile principale rămâne constant.
O justificare riguroasă a acestor expresii va apare în capitolul următor prin

prisma structurilor algebrice care se numesc spaţii liniare (spaţii vectoriale).
Exemplu:
Să se rezolve şi să se discute soluţiile sistemului:
⎧ x1 + 2 x2 − 3x3 + x4 = 2
⎨ .
⎩2 x1 + x2 − x3 + 3 x4 = 6
Scriem matricea extinsă a sistemului :
⎛1 2 − 3 1 2⎞
⎜ ⎟.
⎜ 2 1 −1 3 6 ⎟⎠
⎝
Pentru a construi o matrice unitate vom folosi regula dreptunghiului. Aleg

pivotul 1 de pe prima linie şi prima coloană:
⎛1 2 − 3 1 2⎞
⎜ ⎟.
⎜0 − 3 5 1 2 ⎟⎠
⎝
Pentru a uşura exemplul vom alege următorul pivot valoarea 1 din locaţia linia 2
coloana 4.
⎛1 5 − 8 0 0⎞
⎜ ⎟.
⎜0 − 3 5 1 2 ⎟⎠
⎝
28

În acest moment am determinat o formă explicită a sistemului: matricea unitate
este pe coloana 1 şi coloana 4. Acest lucru conduce la variabile principale x1 şi
x 4 , iar variabile secundare x 2 şi x3 . Sistemul va avea C nm = C 42 = 6 forme
explicite.
Sistemul este compatibil (are soluţie) nedeterminat (are o infinitate de soluţii):
Sistemul corespunzător matricei obţinute este:
⎧ x1 + 5 x 2 − 8 x3 =0
⎨ .
⎩ − 3 x 2 + 5 x3 + x 4 = 2
Dacă x2 şi x3 sunt variabile secundare atunci le vom nota α şi β parametrii reali

şi vom obţine forma sistemului:
⎧ x1 + 5α − 8β =0
⎪ − 3α + 5β + x = 2
⎪ 4
⎨ .
⎪ 2x = α
⎪⎩ x3 = β
De unde obţinem soluţia generală:
⎧ x1 = −5α + 8β
⎪ x = 2 + 3α − 5β
⎪ 4
⎨ .
⎪ x2 = α
⎪⎩ x3 = β
1.2.2. Calcularea inversei unei matrice folosind metoda eliminării complete
Metoda eliminării complete oferă o modalitate comodă de calculare a

inversei unei matrice. Amintim din definiţia 12 (paragraf 1.1.7.) că o matrice
pătratică de ordinul n este inversabilă dacă există A −1 astfel încât
A ⋅ A−1 = A−1 ⋅ A = I n , unde I n este matricea unitate de ordinul n.
Vom exemplifica metoda pe o matrice pătratică de ordinul 2, generalizarea

la o matrice de ordin n fiind imediată.
Fie A ∈ M 2 (R ) pe care o presupunem inversabilă.
⎛a a12 ⎞
A = ⎜⎜ 11 ⎟.
⎝ a21 a22 ⎟⎠
29

Calcularea inversei înseamnă determinarea elementelor necunoscute ale
matricei
⎛x x12 ⎞
A −1 = ⎜⎜ 11 ⎟ astfel încât A ⋅ A−1 = A−1 ⋅ A = I 2 ,
⎝ x21 x22 ⎟⎠
adică
⎛ a11 a12 ⎞ ⎛ x11 x12 ⎞ ⎛ 1 0 ⎞

⎜⎜ ⎟⋅⎜ ⎟=⎜ ⎟.
⎝ a21 a22 ⎟⎠ ⎜⎝ x21 x22 ⎟⎠ ⎜⎝ 0 1 ⎟⎠
Dezvoltăm expresiile şi obţinem:
⎛ a11 x11 + a12 x21 a11 x12 + a12 x22 ⎞ ⎛ 1 0 ⎞

⎜⎜ ⎟=⎜ ⎟,
⎝ a21 x11 + a22 x21 a21 x12 + a22 x22 ⎟⎠ ⎜⎝ 0 1 ⎟⎠
din care obţinem sistemele:
⎧a11 x11 + a12 x21 = 1 ⎧a11 x12 + a12 x22 = 0

⎨ ⎨ . (11)
⎩a21 x11 + a22 x21 = 0 ⎩a 21 x12 + a22 x22 = 1
Matricele extinse ale sistemelor (11) sunt:
⎛ a11 a12 1⎞ ⎛ a11 a12 0⎞

⎜⎜ ⎟ ⎜⎜ ⎟.
⎝ a21 a22 0 ⎟⎠ ⎝ a21 a22 1 ⎟⎠
Ambele sisteme se pot rezolva prin metoda eliminării complete
⎛ 1 0 b11 ⎞ ⎛ 1 0 b12 ⎞
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ,
⎝ 0 1 b21 ⎠ ⎝ 0 1 b22 ⎠
adică:
⎧ x11 = b11 ⎧ x12 = b12

⎨ ⎨ ,
⎩ x21 = b21 ⎩ x22 = b22
de unde rezultă:
⎛x x12 ⎞ ⎛ b11 b12 ⎞

A −1 = ⎜⎜ 11 ⎟=⎜ ⎟.
⎝ x21 x22 ⎟⎠ ⎜⎝ b21 b22 ⎟⎠
Sistemele (11) au ambele aceaşi matrice a coeficienţilor de aceea ele pot fi

rezolvate simultan, scriind împreună cele două matrice extinse:
30

⎛ a11 a12 1 0⎞
⎜ ⎟.
⎜a a 22 0 1 ⎟⎠
⎝ 21
În acest fel se poate calcula A−1 , plecând de la tabloul în care matricea A

ocupă partea stângă şi matricea unitate partea dreaptă. Se aplică metoda eliminării
complete până când se ajunge la tabloul care are în stânga matricea unitate
moment în care în partea dreaptă apare matricea A−1 :
⎛1 0 x11 x12 ⎞
⎜ ⎟.
⎜0 1 x21 x22 ⎟⎠
⎝
Dacă în urma calculelor în membrul drept se obţine o linie compusă numai

cu valori zero atunci se trage concluzia că matricea nu este inversabilă.
EXEMPLU:
Să se calculeze inversa matricei A:
⎛2 0 1 ⎞
⎜ ⎟
A = ⎜ 2 1 − 1⎟ .
⎜ 3 1 − 1⎟
⎝ ⎠
Se construieşte tabloul următor:
⎛ (2 ) 0 1 1 0 0⎞
⎜ ⎟
A = ⎜ 2 1 −1 0 1 0⎟ .
⎜ 3 1 −1 0 0 1 ⎟⎠
⎝
Pas. 1. se alege pivotul şi se aduce la valoarea 1 prin regula dreptunghiului
⎛ 1 1 ⎞
⎜1 0 0 0⎟
⎜ 2 2 ⎟
⎜0 1 − 2 −1 1 0⎟ .
⎜ 5 3 ⎟
⎜0 1 − − 0 1⎟
⎝ 2 2 ⎠
Pas. 2. Alegem al doilea pivot care are valoare 1 şi repetăm raţionamentul:

⎛ 1 1 ⎞
⎜1 0 0 0⎟
⎜ 2 2 ⎟
⎜0 1 −2 −1 1 0⎟ .
⎜ ⎟
⎜ 0 0 ⎛⎜ − 1 ⎞⎟ −
1
− 1 1 ⎟⎟
⎜
⎝ ⎝ 2⎠ 2 ⎠
31

Pas. 5. Construim zerouri deasupra pivotului şi obţinem:
⎛1 0 0 0 −1 1 ⎞
⎜ ⎟
⎜0 1 0 1 5 − 4⎟ .
⎜0 0 1 1 2 − 2 ⎟⎠
⎝
de unde aflăm forma matricei inverse:
⎛ 0 −1 1 ⎞
⎜−1
⎟
A = ⎜1 5 − 4⎟ .
⎜1 2 − 2⎟
⎝ ⎠
# Exerciţii:
1. Să se calculeze inversa matricelor folosind metoda eliminării totale:
⎛1 2 3 ⎞ ⎛1 2 3⎞
⎜ ⎟ ⎜ ⎟
a) A = ⎜1 − 1 − 2 ⎟ , b) A = ⎜ − 1 2 − 1⎟
⎜1 2 − 2 ⎟ ⎜ 1 2 − 1⎟
⎝ ⎠ ⎝ ⎠
2. Să se rezolve ecuaţiile matriceale:
⎛ 1 − 1⎞ ⎛ 2 3⎞ ⎛−1 0⎞ ⎛ 1 4⎞
a) ⎜⎜ ⎟⎟ * A = ⎜⎜ ⎟⎟ , b) ⎜⎜ ⎟⎟ * A = ⎜⎜ ⎟⎟ .
⎝−1 2 ⎠ ⎝ −1 2⎠ ⎝ 1 2⎠ ⎝ − 2 2⎠
⎛1 1 1 ⎞ ⎛ 2 1 1⎞
⎛ 1 2⎞ ⎛ 1 0 ⎞ ⎛1 4 ⎞ ⎜ ⎟ ⎜ ⎟
c) ⎜⎜ ⎟⎟ * A * ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ , d) ⎜1 2 1 ⎟ * A = ⎜ 1 2 1 ⎟ .
⎝ −1 2⎠ ⎝ − 2 2 ⎠ ⎝1 5 ⎠ ⎜1 1 3 ⎟ ⎜ 4 1 3⎟
⎝ ⎠ ⎝ ⎠
3. Să se rezolve sistemele:
⎧ x1 + x2 − x3 + x4 = 4
a). ⎨
⎩2 x1 + 3 x2 − 4 x3 + 3 x4 = 12
⎧2 x + x2 − 2 x3 + x4 = 8
b). ⎨ 1
⎩ x1 + 2 x2 − 4 x3 + 6 x4 = 12
32

Unitate de învăţare II
Elemente de algebră abstractă
Cuprins U.I. II
2.1. Lege de compoziţie
2.2. Structuri algebrice
2.3. Spaţii vectoriale
2.4. Transformări liniare
--------------------------------------------------------------------------------
Obiectivele U.I. II
1. Să definească următoarele structuri algebrice: grup, inel, corp;
2. Să lucreze cu operații şi cu proprietățile lor pe diferite mulțimi de elemente;
3. Să definească spațiul vectorial, să construiască o bază de vectori şi un sistem
de generatori, să lucreze cu combinații liniare de vectori;
4. Să utilizeze în probleme teorema de caracterizare a bazei, lema substituției şi
regula dreptunghiului;
5. Să identifice transformările liniare, să determine vectorii proprii şi valorile
proprii.
---------------------------------------------------------------------------------------
2.1. Lege de compoziţie
Definiţie 1. Fie M o mulţime nevidă, se numeşte lege de compoziţie (sau operaţie

binară) pe M orice aplicaţie ϕ : M × M → M . Pentru orice ( x, y ) ∈ M × M
elementul ϕ ( x, y ) se numeşte compusul lui x cu y prin legea de compoziţie.
Notaţii: Putem folosi următoarele notaţii x + y, x ⋅ y, x ∗ y, x ∨ y,
x ∧ y, x ⊥ y, x y .
EXEMPLE:
1. Adunarea şi înmulţirea sunt operaţii binare pe mulţimile: , , , , .
Scăderea (-) nu este operaţie pe , dar este pe .
2. Reuniunea ( ∪ ) şi intersecţia ( ∩ ) sunt operaţii pe mulţimea tuturor părţilor
mulţimii nevide X.
33

Definiţia 2. Operaţia binară ϕ : M × M → M se numeşte
1. Asociativă dacă ϕ (ϕ (x, y ), z ) = ϕ (x, ϕ ( y, z )) , ∀ x, y, z ∈ M ;
2. Comutativă dacă ϕ (x, y ) = ϕ ( y, x ) , ∀ x, y ∈ M .
EXEMPLU: Adunarea şi înmulţirea sunt operaţii asociative şi comutative pe

mulţimile , , , , .
În continuare vom nota operaţia binară ϕ (x, y ) cu x ∗ y .
Definiţie 3. Elementul e ∈ M se numeşte element neutru pentru o operaţie binară

"∗ " pe mulţimea M dacă are loc:
e ∗ x = x ∗ e = x pentru orice x∈M .
Observaţie: a) Elementul neutru, dacă există, este unic. Presupunem prin absurd
că există e şi e′ ∈ M elemente neutre e = e ∗ e′ = e′ .
b) Numărul 0 este element neutru la adunare, numărul 1 este element neutru la
înmulţire pe mulţimile , , , , .
Definiţia 4. Fie "∗ " o operaţie binară definită pe M, având elementul neutru e.
Elementul x se numeşte simetrizabil dacă există elementul x′ din mulţimea M
astfel încât
x ∗ x′ = x ′ ∗ x = e .
În acest caz x′ se numeşte element simetric al lui x .
Definiţia 5. Se spune că operaţia "∗ " pe M este:

1. Distributivă la stânga în raport cu „ ” dacă:
x ∗ ( y z ) = (x ∗ y ) ( x ∗ z ) ∀ x, y , z ∈ M .
2. Distributivă la dreapta în raport cu „ ” dacă:
(y z ) ∗ x = (y ∗ x) ( z ∗ x ) ∀ x, y , z ∈ M .
3. Distributivă în raport cu „ ” dacă este distributivă la stânga şi la dreapta.
Definiţie 6. Fie (M , ∗) şi H o parte nevidă a lui M. Se spune că H este parte

stabilă a lui M în raport cu operaţia "∗ " dacă
34

∀ x, y ∈ H ⇒ x∗ y∈H .
În acest caz restricţia operaţiei "∗ " la H × H este lege de compoziţie pe H şi se

numeşte legea de compoziţie indusă de "∗ " pe H.
EXEMPLU: ( , +, ⋅) este parte stabilă în ( , +, ⋅ ) .
2.2. Structuri algebrice
Definiţie 7. (M , ∗) se numeşte semigrup dacă operaţia "∗ " este operaţie asociativă
pe M.
Dacă în plus operaţia "∗ " este comutativă (M , ∗) se numeşte semigrup comutativ.
Definiţie 8. (M , ∗) se numeşte monoid dacă este semigrup cu element neutru.

Dacă în plus operaţia "∗ " este comutativă atunci (M , ∗) se numeşte monoid
comutativ.
Exemplu: ( , + ) şi ( , + ) sunt monoizi comutativi.
Proprietăţi
1. Orice element simetrizabil are simetric unic.
Demonstraţie:
Presupunem că există un element x cu două elemente simetrizabile x′ şi
x′′ astfel încât:
x ∗ x′ = x′ ∗ x = e .
x ∗ x′′ = x′′ ∗ x = e .
De unde: x′ = x′ ∗ e = x′ ∗ x ∗ x′′ = e ∗ x′′ = x′′ ; adică simetricul unui element dacă

există el este unic.
2. Dacă x şi y sunt elemente simetrizabile, având simetricele x′ şi y ′
atunci x ∗ y este simetrizabil şi are loc: ( x ∗ y )′ = y′ ∗ x′ .
3. În monoidul (M , ∗) cu element neutru e se pot defini puterile naturale ale

oricărui element
35

⎧e ; n = 0,
n ⎪
a = ⎨a ; n = 1,
⎪ n−1
⎩a ∗ a ; n > 1.
Au loc formulele:
a m ∗ a n = a m+ n ∀a ∈ M ,
(a )
m n
= a m⋅n ∀m, n ∈ N .
4. Dacă operaţia de monoid este comutativă se obişnuieşte să fie

notată aditiv "+ " , având element neutru pe 0.
Au loc formulele
⎧⎪0 ; n = 0,
∀a ∈ M ∀n ∈ n⋅a = ⎨
⎪⎩( n − 1) ⋅ a + a ; n > 1,
unde n ⋅ a se numesc multiplii lui a; "- a" se numeşte opusul lui a.
n ⋅ a = (− n ) ⋅ (− a ) ,
(m + n ) ⋅ a = m ⋅ a + n ⋅ a .
Definiţie 9. (G, ∗) se numeşte grup dacă operaţia "∗ " are proprietăţile:
1. Este asociativă;
2. Are element neutru;
3. Orice element diferit de zero din G este simetrizabil.
Dacă în plus operaţia "∗ " este comutativă se numeşte grup comutativ sau grup
abelian.
În orice grup comutativ (G, + ) se poate defini operaţia de scădere
x − y = x + (− y ), ∀x, y ∈ G .
EXEMPLE:
( , +) , ( , +) , ( , +) , ( , + ) sunt grupuri comutative.
36

Reguli de calcul în grup
Proprietate 1. În orice grup (G, ∗) funcţionează legile de simplificare la stânga şi

la dreapta:
Simplificare la stânga a ∗ b = a ∗ c ⇒ b = c .
Simplificare la dreapta b ∗ a = c ∗ a ⇒ b = c .
Proprietate 2. În orice grup (G, ∗) ecuaţiile a ∗ x = b şi x ∗ a = b au soluţii unice şi

anume x = b ∗ a' unde a′ este simetricul lui a.
Definiţie 10. Fie (G, ∗) un grup, a ∈ G şi n > 0 un număr natural. Se spune că
elementul a are ordinul n dacă a n = e dar a k ≠ e pentru orice k ∈ {1, 2, .., n − 1} .

Dacă G este o mulţime de cardinal n se spune că grupul (G, ∗) are ordinul n.
Orice grup cu un număr finit de elemente se numeşte grup finit.
Definiţie 11. Submulţimea nevidă H a grupului (G, ∗) se numeşte subgrup dacă

este parte stabilă în raport cu operaţia "∗ " .
Teoremă 1. Submulţimea nevidă H a grupului (G, ∗) este subgrup dacă şi numai

dacă
1. ∀ x, y ∈ H ⇒ x ∗ y ∈ H ,
2. ∀ x ∈ H ⇒ x′ ∈ H .
Definiţie 12. Fie (G, ∗) şi (Γ, ) două grupuri. O aplicaţie f : G → Γ se numeşte
morfism de grupuri dacă satisface condiţia
f ( x ∗ y ) = f ( x ) f ( y ), ∀x, y ∈ G
Un morfism bijectiv se numeşte izomorfism.
Teoremă 2. Fie (G , ∗) şi (Γ, ) două grupuri având elementele neutre e şi

respectiv ε . Dacă f : G → Γ este morfism de grupuri atunci:
1. f (e ) = ε ,
2. f ( x') = ( f (x ))' , ∀x ∈ G .
37

definitie
Demonstraţie: 1. e ∗ e = e ⇒ f (e ) = f (e ∗ e ) = f (e ) f (e ) . Înmulţim la dreapta cu
( f ( e ) )′ de unde rezultă f ( e ) ( f ( e ) )′ = f ( e ) f ( e ) ( f ( e ) )′ ceea ce conduce la
relaţia ε = f (e ) ε adică f (e ) = ε .
2. ε = f ( e ) = f ( x ∗ x′ ) = f ( x ) f ( x′ ) . Înmulţim la dreapta cu ( f ( x ) )′ de unde
ε ( f ( x ) )′ = f ( x ) f ( x ') ( f ( x ) )′ , rezultă f (x') = ( f (x ))', ∀x ∈ G .
Definiţie 13. O mulţime nevidă I dotată cu două legi de compoziţie, una notată
aditiv "+" şi numită adunare, iar cealaltă notată multiplicativ "⋅" numită înmulţire
se numeşte inel dacă
I1. (I , + ) este grup comutativ;
I2. (I , ⋅) este monoid;
I3. Înmulţirea este distributivă faţă de adunare.
Dacă, în plus, înmulţirea este comutativă inelul se numeşte inel comutativ.
EXEMPLU:
1. ( , +, ⋅) este inel comutativ.
2. ( n, ⊕, ⊗ ) cu operaţiile ⊕ adunarea modulo n şi ⊗ înmulţirea modulo n
este inel comutativ.

3. ( [ X ] , +, • ) mulţimea polinoamelor cu coeficienţi reali este un inel
comutativ.
4. ( M n [ ] , +, • ) mulţimea matricelor pătratice de ordin n cu elemente
numere reale este inel necomutativ.

Elementele lui I simetrizabile în raport cu înmulţirea se numesc elemente
inversabile.
Definţie 14. Spunem că inelul (I , +, ⋅) este inel fără divizori ai lui 0 dacă
x ≠ 0 si y ≠0 ⇒ x⋅ y ≠0.
Dacă există x ≠ 0 şi y ≠ 0 astfel încât x ⋅ y = 0 se spune că x şi y sunt

divizori ai lui 0.
Un inel care are cel puţin două elemente, care este comutativ şi este fără
divizori ai lui 0 se numeşte domeniu de integritate.
38

EXEMPLU:
( M n [ ] , +, • ) este inel necomutativ cu divizori ai lui 0. Pentru exemplificare
⎛1 1⎞ ⎛ 3 4 ⎞
alegem matricele: A = ⎜⎜ ⎟⎟ şi B = ⎜⎜ ⎟⎟ ambele diferite de 0, dar A ⋅ B = 0 .
⎝ 2 2⎠ ⎝ − 3 − 4⎠
Reguli de calcul într-un inel
Orice inel (I , +, ⋅) are proprietăţile:

P1. x ⋅ 0 = 0 ⋅ x = 0, ∀x ∈ I ;
P2. Dacă I are cel puţin două elemente rezultă că 1 ≠ 0 ;
P3. (− x ) ⋅ y = x ⋅ (− y ) = −(x ⋅ y ) ;
(− x ) ⋅ (− y ) = x ⋅ y, ∀x, y ∈ I (regula semnelor):
P4. x ⋅ (y − z) = x ⋅ y − x ⋅ z ;
( y − z ) ⋅ x = y ⋅ x − z ⋅ x, ∀x, y, z ∈ I ;
P5. Într-un inel fără divizori ai lui 0 se pot face simplificări la stânga şi la
dreapta prin elemente diferite de zero.
Definiţie 15. Un inel (K , +, ⋅) pentru care 0 ≠ 1 având proprietatea că orice

element diferit de zero este inversabil se numeşte corp. Orice corp comutativ se
numeşte câmp.
1. Corpurile nu conţin divizori ai lui zero.
2. Elementele diferite de zero dintr-un corp formează un grup – grupul
multiplicativ al corpului.
# Exerciţii:
x+ y
1. Să se arate că x ∗ y = determină pe mulţimea G=(-1, 1) o structură de
1+ x y
grup abelian.
2. Să se arate că x ∗ y = xy − 2(x + y ) + 6 determină pe mulţimea G=(2, ∞) o
structură de grup.
39

2.3. Spaţii vectoriale6
Definiţie 16. Fie K un câmp de scalari (de regulă K este corpul numerelor reale R
sau corpul numerelor complexe C). Se numeşte spaţiu vectorial sau spaţiu liniar
peste corpul K orice mulţime nevidă V dotată cu o operaţie liniară de la
V ×V → V :
(u , v ) → u + v
notată aditiv "+" numită adunare şi o aplicaţie de la K × V → V :
(α , v ) → α ⋅ v
notată multiplicativ "⋅" numită operaţie externă sau lege de compoziţie

externă care satisfac axiomele:
1. Asociativitatea adunării: ( u + v ) + w = u + (v + w) ∀ u , v , w ∈V ;
2. Element neutru: ∃ 0 ∈ V astfel încât 0 + v = v + 0 = v , ∀ v ∈ V ;
3. Element simetrizabil: ∀ v ∈V , ∃ v '∈ V astfel încât v '+ v = v + v ' = 0 ,

∀ v ∈V ;
4. Comutativitate: u + v = u + v , ∀ u , v ∈V ;
5. Elementul 1 este element neutru la înmulţirea din K: 1 ⋅ v = v ∀ v ∈V ;
6. α ⋅ ( u + v ) = α ⋅ u + α ⋅ v , ∀ u , v ∈V , α ∈ K ;
7. (α + β ) ⋅ u = α ⋅ u + β ⋅ u , ∀ u ∈V , α , β ∈ K ;
8. α ⋅ ( β ⋅ v ) = α ⋅ β ⋅ v , ∀ v ∈V , α , β ∈ K .
Notaţii:
1. Elementele lui V se numesc vectori, operaţia de adunare este adunarea
vectorilor.
2. Elementele lui K se numesc scalari, iar operaţia externă se numeşte
înmulţire cu scalari.

6
Istoria algebrei liniare moderne începe în anii 1843 și 1844. În 1843, W. R. Hamilton este cel
care a introdus termenul de vector şi a descoperit cuaternionii
40

3. Când K = atunci mulţimea V se numeşte spaţiu vectorial real.
4. Când K = atunci mulţimea V se numeşte spaţiu vectorial complex.
5. Elementul neutru pentru adunare se numeşte vectorul zero 0 .
Din primele 4 axiome rezultă ca (V , + ) este grup comutativ, având element
neutru vectorul zero 0 şi opusul elementului v este vectorul v ' = −v .

Exemplu:
( n
)
, +, ⋅ spaţiul vectorial real în n dimensiuni unde operaţia de adunare a
vectorilor este definită astfel:
(x1 , x2 , , xn ) + ( y1 , y 2 , , y n ) = ( x1 + y1 , x2 + y 2 , , xn + y n ) .
şi înmulţirea cu scalar:
α ⋅ (x1 , x2 , , xn ) = (α ⋅ x1 ,α ⋅ x2 , ,α ⋅ xn ) .
Pentru n = 2 obţinem: ( 2
, +, ⋅ ) unde 2
= × = {( x1 , x2 ) / x1 ∈ , x2 ∈ }
(x1 , x2 ) + ( y1 , y2 ) = (x1 + y1 , x2 + y2 ) şi înmulţirea cu scalar
α ⋅ (x1 , x2 ) = (α ⋅ x1 , α ⋅ x2 ) .
Reguli de calcul în spaţiu vectorial
Proprietate. Orice spaţiu vectorial V peste corpul K are proprietăţile:

P1. 0 ⋅ u = 0 şi α ⋅ 0 = 0 ∀ u ∈ V , α ∈ K ;
P2. α ⋅ u = 0 ⇔ α = 0 sau u = 0 ;
P3. (− α ) ⋅ u = α ⋅ (− u ) = − (α ⋅ u ) ;
(− α ) ⋅ (− u ) = α ⋅ u , ∀ α ∈ K , ∀ u ∈V ;
P4 (α − β ) ⋅ u = α ⋅ u − β ⋅ u ;
α ⋅ (u − v ) = α ⋅ u − α ⋅ v , ∀ α , β ∈ K , ∀ u , v ∈ V ;
P5. (− 1) ⋅ u = −u , ∀ u ∈V .
Definiţie 17. Dacă S = {v1 , v2 , …, vm } este un sistem de vectori din spaţiul vectorial
V orice expresie de forma μ1v1 + μ 2 v2 + … + μ m vm cu μ1 , μ 2 , …, μ m ∈ K se
41

numeşte combinaţie liniară a vectorilor v1 , v2 , …, vm ; scalarii μ1 , μ 2 , …, μ m
numindu-se coeficienţii combinaţiei liniare.
Exemplu: Fie vectorii v1 , v2 , v3 atunci vectorul v = 3v1 − v2 + 2v3 este o combinaţie

liniară a vectorilor v1 , v2 , v3 .
Definiţie 18. Vectorul v ∈ V este o combinaţie liniară a vectorilor v1 , v2 , …, vm

dacă există scalarii μ1 , μ 2 , …, μ m ∈ K astfel încât:
v = μ1v1 + μ 2 v2 + … + μ m vm .
Definiţie 19. Un sistem de vectori S = {v1 , v2 , …, vm } este un sistem de generatori
pentru spaţiul vectorial V , dacă orice vector din V este combinaţie liniară a
vectorilor sistemului S.
Definiţie 20. Un sistem de vectori S = {v1 , v2 , …, vm } este un sistem liniar

independent dacă orice relaţie de forma μ1v1 + μ 2 v2 + … + μ m vm = 0 implică
μ1 = μ 2 = … = μ m = 0 .
Definiţia 21. Un sistem de vectori S = {v1 , v2 , …, vm } este un sistem liniar

dependent dacă există un sistem de m scalari, μ1 , μ 2 , …, μ m ∈ K , nu toţi nuli, astfel
încât μ1v1 + μ 2 v2 + … + μ m vm = 0 .
Proprietate 1. Un sistem de vectori S = {v1 , v2 , …, vm } din spaţiul vectorial V este

liniar dependent dacă şi numai dacă cel puţin un vector din sistem este o
combinaţie liniară a celorlalţi vectori.
Demonstraţie:
Direct: Fie S = {v1 , v2 , …, vm } liniari dependeţi rezultă că există
α1 , α 2 , …, α m ∈ K nu toţi nuli astfel încât
α1v1 + α 2 v2 + … + α m vm = 0 .
Presupunem că elementul α 1 ≠ 0 de unde avem prin împărţire la α 1 :
α2 α α
v1 = − v2 − 3 v3 − … − m vm .
α1 α1 α1
42

Ceea ce este o combinaţie liniară de ceilalţi vectori.
Reciproc: Dacă un vector v1 . este combinaţie liniară a sistemului de
vectori {v2 , …, vm } atunci
v1 = α 2 v2 + α 3v3 + … + α m vm ,
de unde 1 ⋅ v1 − α 2 v2 − … − α m vm = 0 , cum 1 este diferit de 0 rezultă că sistemul de
vectori S = {v1 , v2 , …, vm } este liniar dependent.
EXEMPLU:
În spaţiu vectorial real 3

se consideră sistemul de vectori S = {v1 , v2 , v3 }
unde v1 = (2, 1, 1) , v2 = (3, 2, 1) , v3 = (− 1, − 1, − 2 ) . Se cere
1. Să se arate că pentru vectorul v = (1, − 1, − 2 ) ∈ 3

există scalarii
λ1 , λ2 , λ3 ∈ astfel încât v = λ1v1 + λ2 v2 + λ3 v3 ;
2. Să se arate că pentru oricare vector w = ( a1 , a2 , a3 ) ∈ 3

există scalarii
μ1 , μ 2 , μ3 ∈ a. î.
w = μ1v1 + μ 2 v2 + μ 3 v3 .
3. Să se arate că orice combinaţie cu proprietatea μ1v1 + μ 2 v2 + μ 3 v3 = 0
implică μ1 = μ 2 = μ 3 = 0 .
Rezolvare: 1. Putem scrie v = λ1v1 + λ2 v2 + λ3 v3 dacă şi numai dacă
⎧1 = 2 ⋅ λ1 + 3 ⋅ λ2 − 1 ⋅ λ3 ,
⎪
⎨− 1 = 1 ⋅ λ1 + 2 ⋅ λ2 − 1 ⋅ λ3 , .
⎪− 2 = 1 ⋅ λ + 1 ⋅ λ − 2 ⋅ λ .
⎩ 1 2 3
Rezolvăm sistemul folosind metoda Cramer ( det A = −2, det A1 = −6,

det A2 = −2, det A3 = −4 ) şi obţinem soluţiile: λ1 = 3, λ2 = − 1, λ3 = 2 de unde
rezultă că vectorul v se poate scrie
v = 3 ⋅ v1 − 1 ⋅ v2 + 2 ⋅ v3 .
2. Putem scrie w = μ1v1 + μ 2 v2 + μ 3 v3 unde w = (a1 , a2 , a3 ) ∈ R 3 dacă

43

⎧a1 = 2 ⋅ μ1 + 3 ⋅ μ 2 − 1 ⋅ μ 3 ,
⎪
⎨a2 = 1 ⋅ μ1 + 2 ⋅ μ 2 − 1 ⋅ μ 3 ,
⎪a = 1 ⋅ μ + 1 ⋅ μ − 2 ⋅ μ .
⎩ 3 1 2 3
Sistem ce are soluţie unică deoarece determinatul este egal cu 2 diferit de

zero.
⎧ 3a1 − 5a2 + a3
⎪μ1 = 2
,
⎪
⎪ − a1 + 3a2 − a3
⎨μ 2 = ,
⎪ 2
⎪ a1 − a2 − a3
⎪μ 3 = 2
,
⎩
de unde rezultă că sistemul S = {v1 , v2 , v3 } este un sistem de generatori.

3. Pentru ca S să fie un sistem de vectori liniar independenţi trebuie,
conform definiţiei, ca μ1v1 + μ 2 v2 + μ 3 v3 = 0 . Această relaţie se poate scrie:
⎧ 2 ⋅ μ1 + 3 ⋅ μ 2 − 1 ⋅ μ 3 = 0,
⎪
⎨1 ⋅ μ1 + 2 ⋅ μ 2 − 1 ⋅ μ 3 = 0,
⎪ 1 ⋅ μ + 1 ⋅ μ − 2 ⋅ μ = 0.
⎩ 1 2 3
Sistemul are un determinant diferit de zero rezultă că are soluţia banală

μ1 = μ 2 = μ 3 = 0 . Deci sistemul S = {v1 , v2 , v3 } este sistem de vectori liniar
independenţi.
Definiţie 22. Sistemul de vectori S se numeşte bază a spaţiului vectorial V dacă:

1. S este un sistem liniar independent;
2. S este un sistem de generatori pentru V .
Definiţia 23. Dacă B = {e1 , e2 , …, en } este bază în V şi orice vector
v = μ1e1 + μ 2 e2 + … + μ n en rezultă că elementele μ1 , μ 2 , …, μ m ∈ K se numesc
coordonatele vectorului v în baza B.
EXEMPLU:
Alegem baza B = {e1 , e2 , e3 } şi vectorul v = ( x1 , x2 , x3 ) = x1e1 + x2 e2 + x3 e3 adică
componentele vectorului sunt chiar coordonatele vectorului în baza canonică în

3
unde
44

e1 = (1, 0, 0 ) , e2 = (0, 1, 0 ) e3 = (0, 0, 1) .
Observaţie: Unicitatea coordonatelor unui vector într-o bază nu exclude faptul că

în baze diferite acest vector are coordonate diferite. Exemplu vectorul
v3 = (1, − 1, − 2) are coordonatele (1, − 1, − 2) în baza canonică, dar are
coordonatele (3, − 1, 2 ) în baza din exemplu.
Teorema (de caracterizare a bazei)
Sistemul de vectori B = {e1 , e2 , …, en } este bază a spaţiului vectorial V dacă şi
numai dacă orice vector v ∈ V se scrie în mod unic sub forma
v = μ1e1 + μ 2 e2 + … + μ n en . unde μ1 , μ 2 , …, μ m ∈ K .
Demonstraţie:
Direct: presupunem că B este bază, rezultă din definiţie că B este sistem de
generatori pentru V , de unde rezultă că pentru orice vector v ∈ V se poate scrie
v = μ1e1 + μ 2 e2 + … + μ n en . Să demonstrăm că scrierea este unică.
Presupunem că există pentru vectorul v ∈V o a doua scriere:

v = μ '1 e1 + μ ' 2 e2 + … + μ ' n en . Scădem cele două forme şi obţinem relaţia:
0 = (μ1 − μ '1 ) ⋅ e1 + (μ 2 − μ ' 2 ) ⋅ e2 + … + (μ n − μ ' n ) ⋅ en . Având în vedere că este
sistem liniar independent (definiţia bazei) rezultă că

μ1 = μ '1 , μ 2 = μ ' 2 , …, μ n = μ ' n ceea ce implică scrierea unică.
Reciproc: Dacă orice vector v ∈V are o scriere de forma
v = μ1e1 + μ 2 e2 + … + μ n en rezultă că B este sistem de generatori.
Dacă alegem vectorul 0 ∈V rezultă 0 = μ1e1 + μ 2 e2 + … + μ n en
reprezentare unică. Dar 0 = 0 ⋅ e1 + 0 ⋅ e2 + … + 0 ⋅ en de unde obţinem imediat că
μ1 = μ 2 = … = μ n = 0 de unde B sistem de vectori liniari independent (q.e.d.).
45

2.4 Lema substituţiei
Fie B = {e1 , e2 , …, en } o bază a spaţiului vectorial V , u ∈ V un vector fix cu
reprezentarea
u = α 1e1 + α 2 e2 + … + α n en
şi sistemul de vectori B ∗ = {e1 , e2 , …, ei −1 , u , ei +1 , …, en ,} obţinut din baza B
înlocuind vectorul ei cu vectorul u atunci au loc afirmaţiile:
1. B ∗ este bază dacă şi numai dacă α i ≠ 0 .
2. dacă B ∗ este bază a lui V atunci coordonatele λ1 *, λ2 *, …, λn * ∈ K în baza B ∗
ale unui vector v ∈ V se exprimă în funcţie de coordonatele λ1 , λ2 , …, λn ∈ K în
baza B ale lui v prin egalităţile:
λi λ
λi * = ; λj* = λj − i α j; j ≠ i .
αi αi
Trecerea de la λi la λi * se face pe baza regulii dreptunghiului.
Regula dreptunghiului
λi
αi λi 1
αi
⇔ .
αj λj λ
0 λj − i α j
αi
46

∗
B u v
λi
B u v e1 0 λ1 − α
αi 1
e1 α1 λ1 λ
e2 α2 λ2 e2 0 λ2 − i α 2
αi
λi
ei αi λi ⇒ u 1
αi
ej αj λj λi
ej 0 λj − α
αi j
en αn λn λi
en 0 λn − α
αi n
Trecerea de la B la B* se face în felul următor:

1. elementele corespunzătoare liniei pivotului din B* se obţin împărţind la
λi
valoarea pivotului toate elementele liniei pivotului. λi * = ;
αi
2. se completează coloana corespunzătoare pivotului cu zerouri.
3. toate celelalte elemente corespunzătoare vectorului se calculează după
λi
regula λ j * = λ j − αj.
αi
EXEMPLU:
Fie baza S = {v1 , v2 , v3 } având coordonatele în baza canonică: v1 = (2, 1, 1) ,
v2 = (3, 2, 1) , v3 = (− 1, − 1, − 2) şi vectorul v cu coordonatele în baza canonică
v = (1, − 1, − 2 ) .
3
a) să se arate că S este bază în spaţiul .
b) să se determine coordonatele lui v în baza S.
BC v1 v2 v3 v
e1 (2) 3 −1 1
e2 1 2 −1 −1
e3 1 1 −2 −2
47

B1 v1 v2 v3 v
3 1 1
v1 1 −
2 2 2
⎛1⎞ 1 3
e2 0 ⎜ ⎟ − −
⎝2⎠ 2 2
1 3 5
e3 0 − − −
2 2 2
B2 v1 v2 v3 v
v1 1 0 1 5
v2 0 1 −1 −3
e3 0 0 (− 2) −4
S v1 v2 v3 v
v1 1 0 0 3
v2 0 1 0 −1
v3 0 0 1 2
În ultimul tabel observăm că:
1. Conform lemei substituţiei sistemul de vectori S este bază în spaţiul vectorial

V de unde rezultă că primul punct al problemei este rezolvat.
2. Vectorii v1 , v2 , v3 depind doar de ei înşişi adică sunt liniari independenţi.
3. Pe ultima coloană am obţinut coordonatele vectorului v in noua bază de date S.

Coordonatele vectorului v în baza S sunt: (3, − 1, 2 ) .
Teoremă 4. Dacă V are o bază B = {e1 , e2 , …, en } atunci au loc relaţiile:
1. orice sistem liniar independent din V are cel mult n vectori;
2. orice bază a lui V are n vectori.
Teoremă 5. Fie V un spaţiu vectorial de dimensiune n peste câmpul K . Pentru

orice sistem de n vectori S = {v1 , v2 , …, vn } următoarele afirmaţii sunt
echivalente:
1. S este bază pentru V ;
2. S este un sistem de generatori pentru V ;

48

3. S este un sistem liniar independent.
Definiţia 24. Spunem că spaţiul vectorial V peste corpul K are dimensiunea n şi

scriem n = dim K V dacă în V există o bază formată din n vectori.
Definiţia 25. Fie Vn un spaţiu vectorial real de dimensiune n, iar B = {e1 , e2 , …, en }
{
şi B* = f1 , f 2 , …, f n } două baze ale spaţiului. Fiecare element al bazei B' se
reprezintă în baza B sub forma :
⎧ f1 = a11e1 + a21e2 + + an1en ,

⎪
⎪ f 2 = a12 e1 + a22 e2 + + a n 2 en ,
⎨
⎪
⎪
⎩ f n = a1n e1 + a2 n e2 + + ann en ,
unde elementele aij ∈ R .
Matricea S = (aij )n×n se numeşte matricea de trecere de la baza B la baza
B*.
Observaţie: Matricea S este inversabilă.

Un vector v ∈ Vn se exprimă unic în fiecare din cele două baze prin:
v = x1e1 + x2 e2 + + x n en şi
v = y1 f1 + y 2 f 2 + + yn f n .
Atunci vectorii X = (x1 , x2 xn ) , Y = ( y1 , y 2

T
y n ) se leagă prin formulele
T
echivalente (legea matriceală):
X = S ⋅ Y ⇔ Y = S −1 ⋅ X .
# Exerciţii
1. Fie sistemul de vectori S = {v1 , v2 , v3 } având coordonatele în baza

canonică: v1 = (1, 1, 1) , v 2 = (1, 2, 1) , v3 = (1, 1, 4) şi vectorul w cu coordonatele în
baza canonică w = (2, 1, 4 ) .

3
a) să se arate că S este bază în spaţiul .
b) să se determine coordonatele lui w în baza S.
49

2. Să se arate că vectorii v1 = (1, 0, 1) , v 2 = (0, 2, 1) , v3 = (1, 1, 1) formează
o bază în 3
şi să determine coordonatele lui w = (1, 1, 2 ) în această bază.
3
3. În spaţiu vectorial real se consideră sistemul de vectori
S = {v1 , v2 , v3 } unde v1 = (1, 1, 1) , v 2 = (− 2, 1, 2 ) , v3 = (1, 2, 1) . Fie vectorul ce are
coordonatele v = (1, 0,1) ∈ 3

în baza S. Să se exprime coordonatele vectorului v
în raport cu baza B = {w1 , w2 , w3 } alcătuită din vectorii w1 = (− 1, 2, 0 ) ,
w2 = (1, 1, 1) , w3 = (1, 0, 3) .
2.4 Transformări liniare
Definiţie 26. Fie V şi V ' două spaţii liniare vectoriale reale. Se numeşte
transformare liniară (sau operator liniar) a spaţiului vectorial V în spaţiul
vectorial V ' orice aplicaţie T : V → V ' care satisface condiţiile:
1. T (v1 + v2 ) = T (v1 ) + T (v2 ), ∀ v1 , v2 ∈V .
2. T (λ v ) = λ T (v ) ∀ v ∈V , λ ∈ R .
Observatie: Prima proprietate se numeşte aditivitate şi a doua se numeşte

omogenitate.
Teoremă 6. (de caracterizare a transformărilor liniare)
Aplicaţia T : V → V ' este transformare liniară dacă şi numai dacă
T (α v1 + β v2 ) = α T ( v1 ) + β T ( v2 ) , ∀ v1 , v2 ∈ V , α , β ∈ .
Demonstraţie.
Direct: T aplicaţie liniară rezultă conform definiţiei:
T (α v1 + β v2 ) = T (α v1 ) + T (β v2 ) = α T (v1 ) + β T (v2 ) .
Reciproc: Presupunem că relaţia

T (α v1 + β v2 ) = α T (v1 ) + β T (v2 ), ∀ v1 , v2 ∈V , α , β ∈ R este verificată atunci
particularizăm.
Alegem α = 1, β = 1 de unde obţinem:
T (v1 + v2 ) = T (v1 ) + T (v2 ), ∀ v1 , v2 ∈V .

50

Alegem β = 0 de unde obţinem:
T ( λ v1 ) = λ T ( v1 ) ∀ v1 ∈ V , λ ∈ .
EXEMPLU:
3 3
Aratăm că aplicaţia T: → definită prin relaţia
T (v ) = (x1 + x2 , x1 + x3 , x2 + x3 ) unde v = ( x1 , x2 , x3 ) este o transformare liniară.
Aplicăm teorema de caracterizarea transformărilor liniare. Alegem doi

vectori u = (a1 , a 2 , a3 ), v = (b1 , b2 , b3 ) .
T (α ⋅ u + β ⋅ v ) = T (α (a1 , a2 , a3 ) + β (b1 , b2 , b3 )) =
= T ((α a1 , α a2 , α a3 ) + (β b1 , β b2 , β b3 )) =
= T ((α a1 + β b1 , α a2 + β b2 , α a3 + β b3 )) = conform definiţiei aplicaţiei T=
= (α a1 + β b1 + α a2 + β b2 , α a1 + β b1 + α a3 + β b3 , α a 2 + β b2 + α a3 + β b3 ) =
continuăm calculele prin scoaterea in factor a scalarilor α şi β :

= (α (a1 + a2 ) + β (b1 + b2 ), α (a1 + a3 ) + β (b1 + b3 ), α (a 2 + a3 ) + β (b2 + b3 )) =
Desfacem vectorul obţinut în suma a doi vectori:

= (α (a1 + a2 ), α (a1 + a3 ), α (a2 + a3 )) + (β (b1 + b2 ), β (b1 + b3 ), β (b2 + b3 )) =
Conform proprietăţii 2 din definiţie scalarii α şi β ies de sub vector:

= α (a1 + a2 , a1 + a3 , a2 + a3 ) + β (b1 + b2 , b1 + b3 , b2 + b3 ) = α T (u ) + β T ( v ) .
Dacă are loc relaţia atunci conform reciprocei teoremei de caracterizare a

transformărilor liniare aplicaţia T este un operator liniar.
Teoremă 7. Dacă T : V → V ' este transformare liniară atunci au loc:
( )
T OV = OV ' şi T ( − v ) = − T (v ), v ∈V ,
unde OV , OV ' sunt vectorii nuli din spaţiul V şi V '.
Definiţie 27. Se numeşte nucleu al transformării liniare T mulţimea
{
Ker T = v ∈ V / T (v ) = 0 . }
Numărul d = Ker T se numeşte defectul transformării.
Definiţie 28. Se numeşte imagine a transformării liniare T mulţimea
51

Im T = { v2 ∈V ' / ∃ v1 ∈V a.i. T (v1 ) = v2 } .
Numărul r = Im T se numeşte rangul operatorului T.
{ }
Dacă B = {e1 , e2 , …, en } este bază în Vn şi B' = f1 , f 2 , …, f m este bază în
V ' m atunci fiecare element T (e j ) = a1 j f1 + a2 j f 2 + + amj f m , j= 1, 2, ..., n.
Atunci matricea A = (aij )m×n se numeşte matricea transformării liniare T în
bazele B şi B'.
⎧T (e1 ) = a11 f1 + a 21 f 2 + + am1 f m ,

⎪
⎪T (e2 ) = a12 f1 + a 22 f 2 + + am 2 f m ,
⎨
⎪
⎪
⎩T (en ) = a1n f1 + a2 n f 2 + + amn f m ,
Exemplu:
Fie operatorul liniar T : R 2 → R 2 definit prin relaţia T (x, y ) = (2 x + 5 y, 4 x − 2 y ) . Să

se calculeze T (2, 2 ) , T (5, 10 ) . Să se determine matricea operatorului T în baza
canonică Bc = {e1 , e2 } din 2

.
Rezolvare:
T (2, 3) = (2 ⋅ 2 + 5 ⋅ 3, 4 ⋅ 2 − 2 ⋅ 3) = (19, 2) ,
T (5, 10 ) = (2 ⋅ 5 + 5 ⋅10, 4 ⋅ 5 − 2 ⋅10) = (60, 0 ) .
Pentru a calcula matricea operatorului în baza Bc = {e1 , e2 } calculăm:
T (e1 ) = T (1, 0) = (2 ⋅ 1 + 5 ⋅ 0, 4 ⋅ 1 − 2 ⋅ 0) = (2, 4) ;
T (e2 ) = T (0, 1) = (2 ⋅ 0 + 5 ⋅1, 4 ⋅ 0 − 2 ⋅) = (5, − 2) .
Matricea operatorului T în baza canonică este
⎛2 5 ⎞
A = ⎜⎜ ⎟⎟ .
⎝ 4 − 2⎠
Definiţie 29. Fie T : Vn → Vn , orice vector v ≠ 0 , v ∈ Vn pentru care există λ ∈
astfel încât T (v ) = λ v se numeşte vector propriu al transformării T.
52

Folosind matricea operatorului T în baza B rezultă că matricea X a
vectorului propriu v ∈ Vn satisface sistemul de ecuaţii liniare omogene A X = λ X
⇔ ( A − λI n ) X = 0 .
Acest sistem va avea soluţii nenule dacă şi numai dacă λ este soluţia
ecuaţiei
A − λI n = 0
numită ecuaţia caracteristică a transformării T.
Observaţie. Ecuaţia caracteristică nu depinde de baza aleasă.

Din ecuaţia caracteristică deducem valorile proprii λ . În continuare vom
înlocui valorile proprii în sistemul ( A − λI n ) X = 0 şi vom obţine vectorii proprii.
Acestui sistem îi corespund o infinitate de vectori proprii deoarece sistemul
este compatibil nedeterminat. Mulţimea soluţiilor formează un subspaţiu numit
subspaţiul propriu ataşat valorii proprii:
Eλ = {v / v ∈V − {0}, T (v ) = λ v }
EXEMPLU:
Să se determine valorile proprii şi vectorii proprii asociaţi matricei A:
⎛ 1 2⎞
A = ⎜⎜ ⎟⎟ .
⎝ 2 1⎠
Ecuaţia caracteristică este P(λ ) = A − λI n = 0 deci
1 2 1 0 1 2 λ 0 1− λ 2
−λ = − = .
2 1 0 1 2 1 0 λ 2 1− λ
1− λ 2
Ecuaţia caracteristică: =0,
2 1− λ
(1 − λ )2 − 4 = 0 ,
(λ + 1)(λ − 3) = 0 .
Valorile proprii sunt λ1 = −1; λ2 = 3 .
53

Vectorii proprii asociaţi valorii proprii λ1 = −1 au coordonatele în raport
cu baza canonică:
⎧(1 − λ1 ) a1 + 2a2 = 0,
⎨
⎩2a1 + (1 − λ1 )a2 = 0.
Înlocuim pe λ1 = −1 şi obţinem sistemul:
⎧2 a1 + 2a2 = 0,
⎨
⎩2a1 + 2a2 = 0.
⎧a1 = − a2
De unde obţinem ⎨ .
⎩a2 = α ∈
Vectorul propriu v1 = (− 1, 1) iar subspaţiul vectorilor proprii valorii
λ1 = −1 este Eλ = {v / v = ( −α , α ) , α ∈
1
}
Vectorii proprii asociaţi valorii proprii λ2 = 3 au coordonatele în raport cu
baza canonică:
⎧(1 − λ2 ) a1 + 2a2 = 0,
⎨
⎩2a1 + (1 − λ2 )a 2 = 0.
Înlocuim pe λ2 = 3 şi obţinem sistemul:
⎧− 2 a1 + 2a2 = 0,
⎨
⎩2a1 − 2a2 = 0.
⎧a1 = a2
De unde obţinem ⎨ .
⎩a2 = α ∈
Vectorul propriu v2 = (1, 1) iar subspaţiul vectorilor proprii valorii λ2 = 3
este Eλ2 = {v / v = (α , α ) , α ∈ }.
# Exerciţii
1. Să se arate folosind teorema de caracterizare a operatorilor liniari că

aplicaţia T : 3
→ 2
definită prin relaţia T (x, y, z ) = (x + y + z , x − y − z ) este
operator liniar.
2. Să se arate folosind teorema de caracterizare a operatorilor liniari că
aplicaţia T : 2
→ 2
definită prin relaţia T (x, y ) = (4 x + 5 y, 3 x − y ) este operator
54

liniar. Să se calculeze T (1, 2 ) , T (12, 10 ) şi matricea operatorului T în baza
2
canonică a .
3 3
3. Să se arate că aplicaţia T: → definită prin relaţia
T ( x, y , z ) = ( x + y + 2 z , 3 x − y + z , 2 x + 2 y − z ) este operator liniar. Să se calculeze
T (1, 2, 3) , T (− 3, 1, 6) , T (10, 20, − 3) şi matricea operatorului T în baza canonică

3
a .
3 3
4. Fie aplicaţia T : → definită prin relaţia
T (x, y , z ) = (4 x − y + z , x + y + z , 4 x + 2 y − 4 z ) . Să se arate că T este
operator liniar. Să se determine matricea operatorului T în baza canonică a

spaţiului.
5. Să se scrie ecuaţia caracteristică, să se determine valorile proprii şi
vectorii proprii ale transformărilor liniare ce au matricele asociate:
⎛2 0 1 ⎞
⎛ 2 3⎞ ⎜ ⎟ ⎛ 4 2⎞
A = ⎜⎜ ⎟⎟ , B = ⎜ 2 1 − 1⎟ , C = ⎜⎜ ⎟⎟ .
⎝ 3 2⎠ ⎜ 3 1 − 1⎟ ⎝2 1⎠
⎝ ⎠
55

Unitate de învăţare III
Elemente de programare liniară
Cuprins U.I. III
3.1. Introducere în programare liniară
3.2. Structura unei probleme de programare liniară
3.3. Rezolvarea grafică a problemelor de programare liniară în

două variabile
3.4. Metoda simplex de rezolvare a problemelor de programare

liniară
3.5. Descrierea algoritmului simplex primal
3.6. Metoda celor două faze
----------------------------------------------------------------------------
Obiective U.I. III
1. Să transforme problemele de tip economic în probleme standard de
programare liniară;
2. Să determine utilizând metoda grafică, algoritmul simplex şi metoda celor
două faze soluția optimă în cadrul problemelor de programare liniară.
-----------------------------------------------------------------------------------------
3.1. Introducere în programare liniară
Prima parte a acestui capitol este dedicată introducerii noţiunilor de bază

legate de programare liniară.
Tehnica programării liniare are o largă arie de aplicativitate în cele mai
diverse domenii de inginerii: economică, agricolă, industrială.
Vom începe cu rezolvarea grafică a problemelor de programare liniară
care, deşi se poate aplica doar problemelor în două variabile, are avantajul de a
oferi o imagine intuitivă a conceptelor implicate într-un program liniar.
56

Problema rezolvării sistemelor liniare de inegalităţi datează de la Fourier7,
dar a fost dezvoltată de matematicianul L. Kantarovici8 in anul 1939.
În condiţiile actuale ale evoluţiei economice dificile este important ca
deciziile să nu fie adoptate doar în baza intuiţiei şi a judecăţii obişnuite, ci e bine
să se cunoască mai multe variante din care să se aleagă cea care va conduce la un
rezultat aşteptat mai bun.
Pentru aceasta vom apela la metode matematice şi anume la cercetarea
operaţională.
3.2. Structura unei probleme de programare liniară
Programarea liniară este o metodă de optimizare matematică.
Definiţie 1. Prin metodă de optimizare se înţelege o tehnică al cărei scop este să

se determine cea mai bună soluţie pentru atingerea unui anumit obiectiv.
Obiectivul este exprimat printr-o valoare numerică; de aceea optimizarea
poate însemna maximizarea sau minimizarea sa.
În orice problemă de programare liniară trebuie luate anumite decizii prin
aplicarea cărora să se atingă valoarea optimă a obiectivului.
Aceste decizii sunt reprezentate printr-un set de variabile de decizie notate
xj .
Variabilele de decizie sunt folosite pentru formularea modelului de

programare liniară. Folosind variabile de decizie se descriu atât obiectivul care
trebuie atins cât şi o serie de condiţii restrictive care trebuie respectate de către
soluţia finală căutată.
O problemă de programare liniară îşi propune să maximizeze sau să
minimizeze o funcţie obiectiv în condiţiile respectării unui set de restricţii.
Funcţia obiectiv este o funcţie liniară de variabile x j . Ea este reprezentarea
matematică a scopului avut în vedere: nivelul profitului, costuri totale etc.

7
Jean Baptiste Joseph Fourier (1768 ‐ 1830) ‐ matematician şi fizician francez; cunoscut pentru:
serii Fourier, transformata Fourier, legea Fourier.
8
Leonid Vitaliyevich Kantorovich (1912 ‐ 1986) ‐ matematican rus; care a încercat să reducă
costurile armatei şi să crească pierderile inamicului. Problema a fost ținută secret până în anul
1947 când George B. Dantzig a publicat metoda simplex

57

Setul de restricţii este un sistem liniar de ecuaţii şi inecuaţii în variabilele
x j . El descrie condiţiile pe care trebuie să le satisfacă variabilele de decizie
pentru a fi în conformitate cu realitatea: capacităţi de producţie limitate, nivel

minim obligatoriu al vânzărilor etc.
Atât funcţia obiectiv cât şi restricţiile prezentate sunt liniare, din această
cauză problemele de acest gen se numesc de programare liniară.
EXEMPLU:
max z = 5 x1 + 3 x2 , (1)
⎧2 x1 + 3 x2 ≤ 20,
⎨ (2)
⎩3 x1 + 4 x2 ≥ 25.
x1 , x2 ≥ 0 . (3)
Această problemă cere să se maximizeze funcţia (1) care este o funcţie

liniară în două variabile x1 şi x2 . Nu putem alege valori pentru x1 şi x2 fără să
ţinem seama de cele patru restricţii exprimate de inegalităţile liniare (2) şi (3).
Sistemul (2) descrie restricţiile care reflectă condiţiile impuse de structura
situaţiei analizate: resurse limitate, niveluri minime respectate. Aceste condiţii se
numesc restricţii structurale.
Condiţiile (3) exprimă ideea că nici o variabilă de decizie nu are voie să ia
valori negative. Acest lucru se întâmplă în problemele de programare liniară
deoarece variabilele de decizie reprezintă mărimi care nu pot avea valori negative:
sume de bani, cantităţi de produse, consumuri etc. Aceste restricţii (3) se numesc
restricţii de nenegativitate.
O problemă de programare liniară cu n variabile de decizie x1 , x2 , … xn şi
având m restricţii structural are următoarea formă generală:
max (min ) z = c1 x1 + c2 x2 + … + cn xn , (4)
⎧a11 x1 + a12 x2 + … + a1n xn (≤, =, ≥ ) b1

⎪a x + a x + … + a x (≤, =, ≥ ) b
⎪ 21 1 22 2 2n n 2
⎨ . (5)
⎪
⎪⎩am1 x1 + am 2 x2 + … + amn xn (≤, =, ≥ ) bm
58

x1 , x2 ,…, xn ≥ 0 . (6)
Parantezele semnifică faptul că pe locul respectiv se foloseşte în funcţie de

problemă elementul dorit.
EXEMPLU:
O firmă fabrică două produse: A şi B. Fiecare produs este prelucrat în două
secţii. Se dau numărul de ore de lucru necesare, pe unitatea de produs în fiecare
secţie şi capacităţile de lucru, în ore, ale fiecărei secţii pe săptămână.
De asemenea, este indicat preţul care se obţine de pe urma vânzării unei
unităţi din fiecare produs.
Se ştie că întreaga producţie are vânzare. Trebuie să se decidă câte unităţi
din fiecare produs trebuie fabricate săptămânal pentru ca profitul să fie maxim.
PRODUS A PRODUS B CAPACITATE
SECŢIA 1 3 ore / unitate 2 ore / unitate 120 ore
SECŢIA 2 4 ore / unitate 6 ore / unitate 260 ore
PROFIT / 5 euro / unitate 6 euro / unitate z funcţia obiectiv
UNITATE
Se notează cu x1 şi x2 numărul de unităţi care trebuie fabricate respectiv

din produsele A şi B. Trebuie determinate valorile acestor variabile de decizie
pentru ca să se obţină un profit maxim.
Profitul total il notăm cu z şi exprimă adunarea contribuţiilor pe care le are
fiecare produs. Trebuie maximizată funcţia obiectiv.
max z = 5 x1 + 6 x2 .
Singurele restricţii în stabilirea numărului de unităţi care trebuie fabricate

sunt date de capacităţile de producţie ale celor două secţii. Ele impun restricţiile
structurale ale problemei.
⎧3 x1 + 2 x2 ≤ 120,
⎨
⎩4 x1 + 6 x2 ≤ 260.
Varibilele de decizie x1 şi x2 trebuie să respecte restricţiile de

nenegativitate.
59

Dacă combinăm funcţia obiectiv cu restricţiile anterioare se obţine
următoarea problemă de programare liniară (PL).
max z = 5 x1 + 6 x2 , (7)
⎧3 x1 + 2 x2 ≤ 120,
⎨ (8)
⎩4 x1 + 6 x2 ≤ 260,
x1 , x2 ≥ 0 . (9)
Observaţie. Rezolvarea prin simpla încercare a diferitelor seturi de valori

(variante) pentru variabilele de decizie nu poate duce decât întâmplător la soluţia
optimă. Soluţia optimă trebuie căutată folosind o metodă riguroasă de investigare.
3.3. Metoda grafică de rezolvare a problemelor de programare liniară
Metoda grafică se poate aplica acelor probleme de programare liniară cu

două variabile de decizie.
Primul pas în investigarea mulţimii soluţiilor pentru a o determina pe cea
optimă este stabilirea acestei mulţimi. Pentru aceasta se foloseşte setul de restricţii
al problemei pentru că soluţiile examinate trebuie să respecte aceste restricţii.
Definiţie 2. Mulţimea soluţiilor care respectă toate restricţiile avute în vedere se

numeşte mulţimea soluţiilor admisibile sau mulţimea soluţiilor fezabile.
Definiţie 3: O mulţime de puncte din plan se numeşte convexă dacă are

proprietatea că pentru orice două puncte M şi N aparţinând mulţimii, întreg
segmentul MN este inclus în mulţime.
Teoremă 1. Intersecţia unei familii arbitrare de mulţimi convexe este tot o

mulţime convexă.
Proprietăţi.
1. Într-o problemă de programare liniară rezolvată prin metodă grafică
mulţimea soluţiilor admisibile este o suprafaţă poligonală convexă.
2. Soluţia optimă a unei probleme de programare liniară determinată prin
metodă grafică va include întotdeauna un vârf al poligonului soluţiilor
admisibile.
60

Figura 1 - Rezolvarea grafică a problemelor de programare liniară

Restricţiile (8) şi (9) formează un sistem de inegalităţi liniare. Rezolvarea
grafică a sistemului de inecuaţii (8) este dată în figura 2 unde punctele cu ajutorul
cărora am construit dreapta d1 sunt A(40, 0 ) şi B(0, 60 ) ; punctele folosite pentru
⎛ 130 ⎞
trasarea dreptei d 2 sunt C (65, 0) şi D⎜ 0, ⎟.
⎝ 3 ⎠
Datorită restricţiilor de nenegativitate ne încadrăm în cadranul I din reperul
cartezian x1Ox2 .
Soluţia este dată de suprafaţa poligonului OAMC inclusiv laturile care se
numeşte poligonul soluţiilor admisibile. Vârfurile acestuia au coordonatele
⎛ 130 ⎞
O(0, 0 ) , A(40, 0 ) , D⎜ 0, ⎟ şi M (20, 30 ) .
⎝ 3 ⎠
Numai coordonatele punctelor ce formează poligonul soluţiilor admisibile
pot da soluţia optimă a funcţiei obiectiv. În acest caz trebuie ca funcţia obiectiv să
fie maximă. Vom urmări combinaţiile ( x1 , x2 ) pentru care se obţine o anumită
valoare a funcţiei obiectiv:
Dreapta de ecuaţie 5 x1 + 6 x2 = 0 intersectează poligonul soluţiilor
admisibile şi trece prin punctul O(0, 0 ) ;.
Dreapta de ecuaţie 5 x1 + 6 x2 = 200 este o dreaptă ce trece prin punctul
A(40, 0 ) ;
Dreapta de ecuaţie 5 x1 + 6 x2 = 260 este o dreaptă ce trece prin punctul
⎛ 130 ⎞
D⎜ 0, ⎟;
⎝ 3 ⎠
Dreapta de ecuaţie 5 x1 + 6 x2 = 280 este o dreaptă ce trece doar prin
punctul M (20, 30 ) .
61

Dreptele sunt paralele şi formează un fascicol de drepte. Cea mai depărtată
de origine conduce la valoarea cea mai mare pentru funcţia obiectiv.
Funcţia obiectiv este maximizată pentru valorile x1 = 20 şi x2 = 30 ale
variabilelor de decizie şi are valoarea z = 280 .
Se pune problema de a se determina o metodă de calcul pentru cea mai
îndepărtată dreaptă.
Algoritmul pentru a determina soluţia optimă.
1. Se trasează grafic poligonul soluţiilor admisibile;

2. Se determină coordonatele vârfurilor poligonului soluţiilor admisibile;
3. Se calculează valoarea funcţiei obiectiv pentru fiecare vârf; pentru
aceasta se înlocuiesc coordonatele punctelor în funcţia obiectiv;
4. Pentru o problemă de maximizare soluţia optimă este în vârful
poligonului pentru care se obţine cea mai mare valoare a funcţiei obiectiv; iar
pentru o problemă de minimizare se va căuta valoarea minimă a funcţiei obiectiv.
Există posibilitatea ca o problemă de programare liniară să aibă mai mult
de o soluţie optimă. Acest lucru se întâmplă atunci când dreapta corespunzătoare
funcţiei obiectiv ce intersectează poligonul soluţiilor admisibile coincide cu o
latură a acestuia. Atunci se trage concluzia că valoarea maximă (optimă) va apare
pentru orice punct de pe latura poligonului şi deci vor fi soluţii multiple.
Al doilea caz posibil este ca sistemul de restricţii al unei probleme de
programare liniară să nu aibă soluţie (să fie incompatibil). Deci nu va exista nici o
pereche ( x1 , x2 ) care satisface toate restricţiile.
Al treilea caz ce poate să apară rezolvând sistemul restricţiilor este acela al
soluţiei nemărginite. În acest caz suprafaţa poligonului soluţiilor admisibile este
nemărginită.
EXEMPLU:
Fie următoare problemă de programare liniară:
max z = 9 x1 + 3 x2 ,
⎧ x1 + x2 ≤ 20,
⎨
⎩2 x1 + x2 ≤ 32,
62

x1 , x2 ≥ 0 .
Pasul 1. Se trasează dreptele ataşate restricţiilor structurale.

d1 : x1 + x2 = 20 de unde x1 = 0 → x2 = 20 → A(0, 20 ) ;
x2 = 0 → x1 = 20 → B(20, 0 ) ;
d 2 : 2 x1 + x2 = 32 de unde x1 = 0 → x2 = 32 → C (0, 32 ) ;
x2 = 0 → x1 = 16 → D(16, 0 ) .
Pasul 2. Se determină coordonatele punctului de intersecţie al dreptelor;

⎧ x1 + x2 = 20
⎨ se scad relaţiile şi obţinem
⎩2 x1 + x2 = 32
x1 = 12 → x2 = 8 → M (12, 8) .
Pasul 3. Se trasează graficul.
Figura 2 - Reprezentarea grafică a poligonului soluţiilor admisibile
Pasul 4. Se determină poligonul soluţiilor admisibile. În acest caz el este

determinat de vârfurile O(0, 0 ) , A(0, 20 ) , D(16, 0 ) şi M (12, 8) .
Pasul 5. Se calculează valorile funcţiei obiectiv z corespunzătoare punctelor

O(0, 0 ) , A(0, 20 ) , D(16, 0) şi M (12, 8) :
O(0, 0 ) → z = 9 ⋅ 0 + 3 ⋅ 0 = 0 ,
A(0, 20 ) → z = 9 ⋅ 0 + 3 ⋅ 20 = 60 ,
D(16, 0 ) → z = 9 ⋅16 + 3 ⋅ 0 = 144 ,
M (12, 8) → z = 9 ⋅12 + 3 ⋅ 8 = 108 + 24 = 132 .

63

Concluzia este că valoarea maximă a funcţiei obiectiv se obţine în punctul
D(16, 0) z = max = 144 şi x1 = 16, x2 = 0 .
# Exerciţii
1. Să se rezolve prin metoda grafică urmatoarele probleme de programare liniară:
max z = 3 x1 + 6 x2 max z = 16 x1 + 8 x2
⎧3 x1 + 2 x2 ≥ 36, ⎧2 x1 + x2 ≤ 30,
1) ⎨ 2) ⎨
⎩4 x1 + 5 x2 ≤ 90, ⎩ x1 + 2 x2 ≤ 24,
x1 , x2 ≥ 0. x1 , x2 ≥ 0.
max z = 30 x1 + 20 x2 max z = 6 x1 + 12 x2
⎧3 x1 + x2 ≤ 18, ⎧ x1 + x2 ≤ 9,
⎪ ⎪
3). ⎨ x1 + x2 ≤ 12, 4) ⎨− 4 x1 + 2 x2 ≤ −8,
⎪ x ≤ 2, ⎪2 x + 3x ≥ 6,
⎩ 1 ⎩ 1 2
x1 , x2 ≥ 0. x1 , x2 ≥ 0.
max / min z = 2 x1 + x2 max / min z = − x1 + x2

⎧ x1 + x2 ≤ 4 ⎧ x1 + x2 ≤ 4
⎪ ⎪
5). ⎨6 x1 − 2 x2 ≤ 36, 6) ⎨− 2 x1 − x2 ≤ 3,
⎪− x + 2 x ≤ 6, ⎪3 x − x ≤ 5,
⎩ 1 2 ⎩ 1 2
x1 , x2 ≥ 0. x1 , x2 ≥ 0.
max / min z = 6 x1 − 9 x2
max / min z = 2 x1 + 3 x2
⎧ x1 + x2 ≤ −3
⎧2 x1 + 4 x2 ≤ −14 ⎪ x − x ≥ 3,
⎪ ⎪
7) ⎨2 x1 + x2 ≥ 2, 8). ⎨ 1 2
⎪ x − x ≤ 1, ⎪2 x1 − x2 ≥ 0,
⎩ 1 2 ⎪⎩ x1 − 2 x2 < 0
x1 , x2 ≥ 0.
x1 , x2 ≥ 0.
max z = 9 x1 + 7 x2
⎧ x1 − x2 ≤ 8
⎪
⎪ x + 3 x2 ≤ 12,
9) ⎨ 1
⎪ x1 ≤ 4,
⎪⎩ x2 ≤ 3.
x1 , x2 ≥ 0.
64

3.4. Metoda simplex de rezolvare a problemelor de programare liniară
Metoda grafică de rezolvare a problemelor de programare liniară este

limitată la probleme în două variabile. Algoritmul simplex este metoda algebrică
cea mai utilizată pentru rezolvarea unei probleme de programare liniară indiferent
de numărul de variabile.
În anul 1947 G. Dantzig9 a construit prima variantă a metodei simplex, iar
în anul 1953 C. E. Lemke a dat a doua metodă generală numită algoritmul simplex
dual.
Modelul matematic al unei probleme de programare liniară îl vom numi
program liniar (P.L.). Vom prezenta mai întâi trei exemple ce ne vor conduce la
problema generală de programare linară.
a) Problema utilizării eficiente a resurselor limitate.
Presupunem că o fabrică utilizează în procesul de producţie m feluri de

resurse R1 , R2 , , Rm şi produce n tipuri de produse P1 , P2 , , Pn .
Notăm cu:
- (a ) i = 1, 2, …, m; j = 1, 2, …, n
ij cantitatea i de resursă folosită pentru
producerea unităţii j de produs;

P1 P2 ... Pj ... Pn Resurse
R1 a11 a12 ... a1j ... a1n b1
R2 a21 a22 ... a2j ... a2n b2
... ... ... ... ... ... ... ...
Ri ai1 ai2 ... aij ... ain bi
... ... ... ... ... ... ... ...
Rm am1 am2 ... amj ... amn bm
n
Profit c1 c2 ... cj ... cn z = ∑c j x j
j =1
- bi - cantitatea totală de resursă i (pe care îl deţine producătorul)

( i = 1, 2, …, m );
- c j - profitul realizat prin vânzarea unităţii j de produs ( j = 1, 2, …, n );

9
George Bernard Dantzig (1914 ‐ 2005) ‐ matematician american
65

- x j - necunoscut - cantitatea de produs ce se va produce j = 1, 2, …, n .
Ne propunem să determinăm, folosind doar resursele existente, valorile

x1 , x2 , … , xn pentru care profitul fabricii să fie maxim.
Funcţia z care reprezintă profitul trebuie maximizată şi se numeşte funcţia

obiectiv.
Modelul matematic va fi următorul:
n
max z= ∑c x
j =1
j j (1)
∑a
j =1
ij x j ≤ bi , i = 1, 2, …, m , (2)
x1 , x2 , , xn ≥ 0 . (3)
unde (1) funcţie obiectiv, (2) restricţii structurale, (3) condiţii de

nenegativitate.
b) Problema dietei
Pentru a se păstra sănătos un individ are nevoie ca alimentaţia sa să conţină

minim valorile b1 , b2 , … , bm din nutrienţii N1 , N 2 , … , N m (glucide, lipide etc.). Se
ştie că aceste elemente nutritive se găsesc în alimentele A1 , A2 , … , An . Mai exact
într-o unitate din alimentul A j se găsesc aij unităţi din elementul nutritiv N i .
Necesar
A1 A2 ... Aj ... An
biologic
N1 a11 a12 ... a1j ... a1n b1
N2 a21 a22 ... a2j ... a2n b2
... ... ... ... ... ... ... ...
Ni ai1 ai2 ... aij ... ain bi
... ... ... ... ... ... ... ...
Nm am1 am2 ... amj ... amn bm
n
Cost c1 c2 ... cj ... cn z= ∑c x

j =1
j j
66

O unitate din elementul A j costă c j unităţi monetare. Se pune problema să
se determine un meniu care să asigure necesarul biologic la un preţ minim.

Modelul matematic:
n
min z= ∑c x
j =1
j j , (4)
∑a
j =1
ij x j ≥ bi , i = 1, 2, …, m , (5)
x1 , x2 , , xn ≥ 0 . (6)
c) Problema amestecului
Un amestec are în compoziţie m substanţe S1 , S 2 , … , S m care se găsesc în

materiile prime M 1 , M 2 , … , M n . Se ştie că în compoziţia amestecului trebuie să fie
exact bi unităţi din substanţa S i , că într-o unitate din materia M j se găsesc aij
unităţi dintr-o substanţă S i şi că o unitate din materia primă M j costă c j unităţi
monetare.
Se cere să se determine cantităţile x j din materia primă M j care sunt
necesare realizării amestecului cu compoziţia prescrisă la un cost minim.
M1 M2 ... Mj ... Mn Necesar

S1 a11 a12 ... a1j ... a1n b1
S2 a21 a22 ... a2j ... a2n b2
... ... ... ... ... ... ... ...
Si ai1 ai2 ... aij ... ain bi
... ... ... ... ... ... ... ...
Sm am1 am2 ... amj ... amn bm
n
Cost c1 c2 ... cj ... cn z= ∑c x

j =1
j j
67

Modelul matematic:
n
min z= ∑c x
j =1
j j , (7)
∑aj =1
ij x j = bi , i = 1, 2, …, m , (8)
x1 , x2 , , xn ≥ 0 . (9)
La toate cele trei probleme prezentate pentru a putea aplica algoritmul

simplex trebuie transformate într-o problema de programare liniară standard:
⎧ n
⎪max z = c j x j , ∑
⎪ j =1
⎪ n
⎪
∑
⎨ aij x j = bi , i = 1, 2, …, m, (10)
⎪ j =1
⎪ x , x , , x ≥ 0.
⎪ 1 2 n
⎪⎩
1. Termenul liber al fiecărei restricţii să fie nenegativ.

Acest inconvenient se rezolvă înmulţind restricţiile structurale care au
termen liber negativ cu (-1). Atenţie prin această înmulţire inegalitatea respectivă
îşi va schimba semnul. Exemplu:
2 x1 − 5 x2 + x3 − 3 x4 ≤ −10 / (− 1)
− 2 x1 + 5 x2 − x3 + 3 x4 ≥ 10 .
2. Toate restricţiile structurale trebuie exprimate ca ecuaţii.

Pentru a transforma inegalităţile în egalităţi se introduc o serie de variabile
suplimentare. Astfel: pentru fiecare restricţie de tip „ ≤ ” se adună o variabilă ecart
nenegativă în partea stângă a restricţiei.
Pentru fiecare restricţie de tip „ ≥ ” se scade o variabilă ecart nenegativă din
partea stângă a restricţiei.
Variabilele ecart echilibrează inegalităţile transformându-le în egalităţi.
Aceste variabile trebuie să respecte condiţia de nenegativitate şi vor apărea
în funcţia obiectiv cu coeficient egal cu zero.
68

EXEMPLU:
Fie programul liniar
max z = 10 x1 + 7 x2 + x3 − 2 x4
⎧− 2 x1 − 5 x2 + x3 − 3 x4 ≥ −10,
⎨
⎩ x1 + x2 − 2 x3 + 5 x4 ≤ 25.
x1 , x2 , x3 , x4 ≥ 0 .
Pentru a aduce sistemul la forma standard trebuie să facem următoarele

modificări:
max z = 10 x1 + 7 x2 + x3 − 2 x4 + 0 x5 + 0 x6
⎧2 x1 + 5 x2 − x3 + 3 x4 + x5 = 10,
⎨
⎩ x1 + x2 − 2 x3 + 5 x4 + x6 = 25.
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0 .
Am înmulţit cu -1 prima restricţie structurală. Această operaţie a modificat

toate semnele relaţiei inclusiv inegalitatea şi apoi am adăugat variabile ecart x5 şi
x6 pentru a echilibra relaţiile. În cadrul funcţiei obiectiv am adăugat variabilele
ecart au coeficientul egal cu zero. Variabilele ecart trebuie să respecte condiţiile

de nenegativitate.
Definiţie 3. Pentru o problemă de programare liniară de maximizare restricţiile

structurale de tip „ ≤ ” se numesc concordante. Pentru o problemă de programare
liniară de maximizare restricţiile de tip „ ≥ ” se numesc neconcordante.
Definiţie 4. O problemă de programare liniară are formă canonică dacă toate

restricţiile sale sunt concordante.
Metoda simplex este o metodă de rezolvare a problemei de programare liniară

aranjată sub formă standard.
Definiţie 5. Soluţiile sistemului AX = b care satisfac condiţiile de nenegativitate

se numesc soluţii admisibile.
69

Notăm cu M – mulţimea tuturor soluţiilor admisibile:
{
M = X ∈ R n / AX = b, X ≥ 0 .}
Definiţie 6. O bază B = {a1 , a 2 , ..., am } a subspaţiului V generat de coloanele
matricei A este numită bază admisibilă dacă există o soluţia admisibilă

X = ( x1 , x2 , ..., xn ) ∈ M cu x j = 0, j = m + 1, … n . În acest caz se spune că X este
soluţia admisibilă de bază corespunzătoare bazei B; iar x1 , x2 , x3 , … xm se numesc
componentele bazice ale soluţiei.
Teoremă Dacă un sistem liniar de m ecuaţii cu n necunoscute are cel puţin o

soluţie de bază atunci el va admite cel mult Cnm soluţii de bază.
Definiţie 7. Baza admisibilă B este numită degenerată dacă cel puţin o

componentă bazică a soluţiei este zero. În caz contrar se numeşte nedegenerată.
EXEMPLE:
1. În cazul general o soluţie de bază corespunzătoare bazei B = {a1 , a 2 , ..., am } are
formula X = ( x1 , x2 , ..., xm , 0, ..., 0) . Baza B este degenerată dacă măcar unul
dintre locurile a1 , a 2 , ..., am este ocupat de elementul zero.
Dacă B = {a1 , a 2 , ..., am } este bază admisibilă atunci b coloana vectorilor
liberi se scrie în mod unic ca o combinaţie liniară de vectori din baza B. Deci o
bază admisibilă determină soluţia admisibilă de bază în mod unic.
După ce am determinat o soluţie pentru a determina soluţia de bază

necunoscutele secundare se vor egala cu valoarea 0 şi se determină imediat
valorile pentru necunoscutele principale.
Dacă necunoscutele principale sunt diferite de zero atunci avem soluţie de

bază nedegenerată. Dacă măcar o valoare a necunoscutelor principale este 0
atunci vom avea soluţie de bază degenerată.
2. Să se determine toate soluţiile admisibile de bază pentru sistemul ecuaţii:
70

⎧ x1 + 2 x2 + x3 =4
⎨ unde xi ≥ 0 .
⎩ x1 − x2 − x3 + x4 = 2
Rezolvare:
Scriem matricea extinsă ataşată sistemului:
⎛1 2 1 0 4⎞
A = ⎜⎜ ⎟.
⎝1 − 1 − 1 1 2 ⎟⎠
Pentru a determina soluţiile admisibile de bază trebuie mai întâi să

determinăm o bază.
a) Construim o bază în matricea sistemului folosind regula dreptunghiului

aplicată la capitolul anterior:
⎛ x1 x2 x3 x4 b⎞
⎜ ⎟
⎜ (1) 2 1 0 4⎟ .
⎜ 1 −1 −1 1 2 ⎟⎠
⎝
⎛ x1 x2 x3 x4 b ⎞
⎜ ⎟
⎜1 2 1 0 4 ⎟.
⎜0 −3 −2 (1) − 2 ⎟⎠
⎝
Baza în acest caz este formată de vectorii (x1 , x4 ) acest lucru conducând la
o formă explicită în raport cu necunoscutele (x1 , x4 ) . Egalăm variabilele secundare
cu zero şi obţinem soluţia de bază x1 = 4, x4 = −2 şi x2 = 0, x3 = 0 soluţie
nedegenerată. Ea nu este soluţie admisibilă deoarece conţine o variabilă negativă.
b) În mod analog vom constui o nouă bază în matricea sistemului
⎡1 2 (1) 0 4⎤
⎢ ⎥.
⎣1 − 1 − 1 1 2⎦
⎡1 2 1 0 4⎤
⎢ ⎥.
⎣2 1 0 (1) 6⎦
71

o formă explicită în raport cu necunoscutele (x3 , x4 ) .
Soluţia de bază va fi x3 = 4, x4 = 6 , x1 = 0, x2 = 0 nedegenerată şi

admisibilă;
c) În mod analog vom constui o nouă bază în matricea sistemului
⎡1 2 1 0 4⎤
⎢ ⎥.
⎣(1) − 1 − 1 1 2⎦
⎡0 (3) 2 − 1 2⎤
⎢ ⎥.
⎣1 − 1 − 1 1 2⎦
⎡ 2 −1 2⎤
⎢0 1 3 3 3⎥ .
⎢ −1 2 4⎥
⎢1 0 ⎥
⎣ 3 3 3⎦
2 4
Soluţia de bază va fi x1 = , x2 = şi x3 = 0, x4 = 0 soluţie nedegenerată
3 3
admisibilă;
d) În mod analog vom constui o nouă bază în matricea sistemului
⎡1 2 1 0 4⎤
⎢ ⎥.
⎣(1) − 1 − 1 1 2⎦
⎡0 3 (2 ) − 1 2⎤
⎢ ⎥.
⎣1 − 1 − 1 1 2⎦
⎡ 3 −1 ⎤
⎢0 2
1
2
1⎥
⎢ 1 1 ⎥.
⎢1 0 3⎥
⎣ 2 2 ⎦
72

Soluţia de bază va fi x1 = 1, x3 = 3 şi x2 = 0, x4 = 0 soluţie nedegenerată
admisibilă.
În mod asemănător au mai rămas de aflat formele explicite în raport cu

necunoscutele: (x2 , x3 ) , (x2 , x4 ) .
# Exerciţii
Să se determine toate soluţiile admisibile de bază pentru sistemele:
⎧− x1 + 2 x2 + 3 x3 + 4 x4 = 4
1. ⎨ .
⎩2 x1 − 3 x2 − 6 x3 − 2 x4 = −5
⎧2 x1 + x2 + 2 x3 + 3 x4 = 1
2. ⎨ .
⎩ x1 + 2 x2 + x3 + x4 = 1
Definiţie 8. O bază admisibilă B şi V soluţia admisibilă de bază corespunzătoare

ei sunt numite optimale dacă funcţia obiectiv ia valoare maximă în soluţia
admisibilă găsită:
C T V = max C T X .
X ∈M
În continuare presupunem că sistemul de condiţii (10) are cel puţin o

soluţie, adică M ≠ Φ . Vom prezenta un algoritm care conduce la o soluţie optimă
acceptând că există o soluţie admisibilă şi că sunt indeplite condiţiile.
Teorema 1.
Dacă sistemul de restricţii (10) are o soluţie (admisibilă) atunci el are cel puţin o
soluţie admisibilă de bază.
Observaţie: A doua teoremă ne va ajuta să trecem de la o bază admisibilă la altă

bază admisibilă:
Teorema 2. (Criteriul de ieşire din bază)
Fie B = {a1 , a 2 , ..., am } o bază admisibilă, X = ( x1 , x2 , ..., xm , 0, ..., 0) soluţia
admisibilă de bază corespunzătoare şi expresia:
73

m
ak = ∑λ
i =1
ik ai = λ1k a1 + λ2 k a2 + + λrk ar , k = 1, 2, ..., n ,
expresiile coloanelor matricei A în baza B. Dacă pentru un anumit k > m, fixat,

există numere pozitive λik şi
xi xi
= min .
λik λik >0 λik
Atunci B' = {a1 , a2 , ..., ai−1 , ak , a1+1 ,..., am } este o bază admisibilă.
Observaţie: Vom da în continuare un criteriu care să ne asigure că funcţia obiectiv

creşte când se trece de la o bază admisibilă la o altă bază admisibilă folosind
teorema 2.
Teorema 3. (Criteriul de intrare în bază)
În ipotezele şi notaţiile din teorema 2 se va schimba baza admisibilă B cu baza

admisibilă B’. Dacă
m
dk = ∑λ
i =1
ik ci − ck < 0 ,
atunci
CT X '≥ CT X .
Teorema 4.(Criteriul de verificare a optimalităţii soluţiei)
Fie B = {a1 , a2 , ..., am } o bază admisibilă şi
m
ak = ∑λ
i =1
ik ai , k = 1,2,..., n ,
expresiile coloanelor matricii A în baza B. Dacă pentru toţi k avem:
m
dk = ∑λ
i =1
ik ci − ck ≥ 0 ,
74

atunci baza B este optimală.
Observaţie: valorile dk care corespund elementelor unei baze admisibile sunt

întotdeauna egale cu zero.
Teorema 5.
Fie B = {a1 , a2 , ..., am } o bază admisibilă presupunem că pentru un anumit k fixat, k

> m, d k este negativ şi λik ≤ 0 , i = 1, 2, ..., m. Atunci funcţia obiectiv nu este
mărginită pe mulţimea M a soluţiilor admisibile.
Rezultatele teoremelor precedente arată că avem o metodă care conduce la

soluţia problemei de maximizare. Mai întâi se rezolvă sistemul (10) şi se găseşte o
soluţie admisibilă. Se trece apoi, prin teorema 1 de la o soluţie admisibilă la o
soluţie admisibilă de bază.
Se verifică dacă soluţia obţinută în acest mod este optimă sau nu cu
ajutorul teoremei 4. Dacă soluţia este optimă algoritmul se opreşte.
Dacă soluţia nu este optimă trebuie găsită o nouă soluţie pentru a fi
verificată optimalitatea ei. O altă soluţie este determinată prin schimbarea bazei
admisibile.
Trecerea de la o bază admisibilă la alta se face prin înlocuirea câte unui
vector coloană, ales cu ajutorul teoremei 3, din baza admisibilă cu un vector nou,
ales cu ajutorul teoremei 2 din matricea A. Se ajunge la un şir crescător de valori
ale funcţiei obiectiv.
La fiecare pas se verifică teoremele 4 şi 5, dacă soluţia este optimală sau
dacă problema are sau nu optim finit.
3.5. Descrierea algoritmului simplex primal
Pas.1 Înainte de a începe algoritmul simplex trebuie ca problema de

programare liniară să fie adusă la forma standard:
n
max z= ∑c x
j =1
j j , (1)
∑a
j =1
ij x j = bi , i = 1, 2, …, m , (2)
75

x1 , x2 , , xn ≥ 0 , (3)
[ ]
A = aij m×n
C = [c1 c2 cn ]
T
z = CT X . (4)
Pas 2.
Se scrie matricea coeficienţilor A pentru a observa existenţa matricei
unitate, adică o bază admisibilă B = {a1 , a2 , ..., am } şi soluţia admisibilă de bază
X 0 = [x10 , x20 , ..., xm 0 , 0, …, 0] .
Pas. 3
Se introduce soluţia de bază şi toate datele problemei de programare
liniară în tabelul simplex pentru a verifica dacă soluţia obţinută la pasul 2 este
optimă.
CB - coeficienţii funcţiei obiectiv corespunzători coloanelor ce formează
baza B;
CJ - coeficienţii funcţiei obiectiv;
B - vectorii bazei admisibile B;
X0 - componentele bazice ale soluţiei X0;
Coloanele ai - numerotarea coloanelor matricei A;
CB CJ → c1 c2 … ci … cm cm +1 … ck … cn
↓ B X0 a1 a2 … ai … am a m +1 … ak … an
c1 a1 x10 1 0 … 0 … 0 λ1m +1 … λ1k … λ1n
c2 a2 x20 0 1 … 0 … 0 λ2 m+1 … λ2 k … λ2 n
ci ai xi 0 0 0 … 1 … 0 λim+1 … λik … λin
cm am xm 0 0 0 … 0 … 1 λmm+1 … λmk … λmn
CTX0 0 0 … 0 … 0 d m +1 … dk … dn
În ultima linie CTX0 este valoarea funcţiei obiectiv şi dk valorile calculate

după formula:
76

m
dk = ∑λ
i =1
ik ci − ck .
Pas 4.
După completarea tabelului se testează optimalitatea soluţiei cu ajutorul
teoremei 4. Dacă toţi d k ≥ 0 problema este rezolvată - s-a determinat o soluţie
optimă, se trece la Pas 4 şi algoritmul se opreşte.

Dacă există d k < 0 şi toţi termenii ce alcătuiesc coloana k sunt negativi
( λik < 0 ) atunci programul liniar are optim infinit (teorema 5) şi determinarea ei
nu mai prezintă interes, algoritmul se opreşte.

Dacă există d k < 0 şi există λik > 0 soluţia nu este optimă, dar soluţia se
poate îmbunătăţi şi se trece la Pas 3. Se iniţiază prima iteraţie a algoritmului

simplex primal.
Pas 5.
Vom căuta o altă soluţie admisibilă de bază. Pentru aceasta vom schimba
baza şi acest lucru se face schimbând un vector din baza existentă şi introducem
un vector nou în bază.
Vectorul ce intră în bază (teorema 3) se determină după cantitatea dj
corespunzătoare lui care trebuie să fie negativă minimă.
d j = min{d k / d k < 0} .
Observaţie: Alegerea lui dj cel mai negativ nu este obligatorie, ea are ca efect
micşorarea numărului de iteraţii necesare rezolvării problemei de programare
liniară.
Vectorul ce iese din bază (teorema 2) corespunde indicelui pentru care
xi 0 xi 0
= min .
λik λik >0 λik
Se reia pas 4.
La intersecţia vectorului ce intră în bază cu vectorul ce iese din bază se
obţine pivotul ce va fi obligatoriu pozitiv. În continuare se recalculează
elementele tabelului utilizând regula dreptunghiului şi vom construi un tabel de
acelaşi tip corespunzător noii baze. După completarea noului tabel cu cantităţile dk
77

se testează optimalitatea noii soluţii. Dacă noua soluţie este optimă algoritmul se
opreşte, dacă nu se începe o nouă iteraţie.
Pas 6.
În cazul în care verificarea optimalităţii dă un răspuns afirmativ ultimul
tabel simplex conţine soluţia programului liniar: componentele din coloana X0
sunt chiar componentele bazice ale soluţiei optime (componentele ce nu apar în
coloană au valoare egală cu zero), iar CTX0 reprezintă valoarea optimă a funcţiei
obiectiv.
Observaţie.
1. Se poate formula un algoritm analog pentru minimizarea funcţiei obiectiv, dar
nu este necesar deoarece problema de minimizare se poate rezolva pe baza
aceluiaşi algoritm ţinând cont de egalitatea:
min z ( X ) = − max [− z ( X )] .
2. Până în acest moment am rezolvat probleme de maximizare şi minimizare cu un

anumit tip de restricţie " ≤ " . Pentru o problemă de programare liniară ce are toate
tipurile de restricţii metoda de lucru nu se schimbă. Diferenţele apar în momentul
în care aducem problema liniară la o formă standard.
EXEMPLU:
Să se rezolve folosind algoritmul simplex următoarea problemă de programare

liniară:
max z = 5 x1 + 6 x2 ,
⎧3 x1 + 2 x2 ≤ 120,
⎨
⎩4 x1 + 6 x2 ≤ 260,
x1 , x2 ≥ 0 .
Rezolvare: Problema trebuie adusă la forma standard. Având în vedere că

restricţiile erau mai mic sau egal atunci trebuie să adunăm un termen pentru a face
egalitate în prima ecuaţie adunăm x3 şi în a doua x4. Aceste necunoscute vor primi
în funcţia obiectiv coeficientul zero.
78

max z = 5 x1 + 6 x2 + 0 x3 + 0 x4 ,
⎧3 x1 + 2 x2 + x3 = 120,
⎨
⎩4 x1 + 6 x2 + x4 = 260,
Matricea acestui sistem este:
⎛ a1 a2 a3 a4 b ⎞
⎜ ⎟
A=⎜ 3 2 1 0 120 ⎟ .
⎜4 6 0 1 260 ⎟⎠
⎝
Baza este formată din vectorii B = {a3 , a4 } şi soluţia admisibilă de bază

este X 0 = (0, 0, 120, 260) . Construim tabelul simplex:
CB CJ → 5 6 0 0
↓ B X0 a1 a2 a3 a4
0 a3 120 3 2 1 0
0 a4 260 4 (6) 0 1
0 -5 -6 0 0
Acestă soluţie X = (0, 0, 120, 260 ) nu este una optimă deoarece în ultima
linie există termeni negativi. Alegem pe "cel mai negativ" şi coloana
corespunzătoare acestui termen intră în bază conform criteriului de intrare în bază.
Vectorul a 2 intră în bază. Coloana a 2 devine coloana cheie.
Urmează să determinăm ce vector iese din bază folosind criteriul de ieşire

din bază.
Vectorul ce iese din bază corespunde indicelui pentru care
xi 0 xk 0
= min .
λij λkj >0 λkj
⎧120 260 ⎫ ⎧ 130 ⎫

În acest caz min ⎨ , ⎬ = min ⎨60, ⎬ = 43.3 Intră în bază vectorul a 2
λ >0
kj ⎩ 2 6 ⎭ ⎩ 3 ⎭
şi iese din bază vectorul a 4 . La intersectia dintre cei doi vectori gasim noul pivot
79

pe care il transformăm în valoarea 1 prin împarţire la 6. Facem modificările în
tabel
CB CJ → 5 6 0 0
↓ B X0 a1 a2 a3 a4
100 ⎛5⎞ 1
0 a3 ⎜ ⎟ 0 1 −
3 ⎝3⎠ 3
130 4 1
6 a2 1 0
3 6 6
260 -1 0 0 1
Baza este formată din vectorii B = {a3 , a2 } şi soluţia admisibilă de bază
⎛ 130 100 ⎞
este X = ⎜ 0, , , 0⎟ .
⎝ 3 3 ⎠
Această soluţie nu este soluţia optimă deoarece nu toti termenii d k sunt
pozitivi. Trecem la pasul următor. Căutăm o nouă soluţie admisibilă. Vectorul ce

intră în bază este a1 deoarece "cea mai negativă" valoare pentru dk este -1.
⎧ 100 130 ⎫
⎪⎪ 3 ⎪⎪ = min{20, 65} = 20 . Vectorul care iese din bază
În acest caz min ⎨ 3 ,
λkj >0
⎪ 5 4 ⎬⎪
⎪⎩ 3 6 ⎪⎭
este a 3 . La intersectia dintre cei doi vectori gasim noul pivot pe care îl
transformăm în valoarea 1 prin împarţire la pivot. Facem modificările în tabel
CB CJ → 5 6 0 0
↓ B X0 a1 a2 a3 a4
3 1
5 a1 20 1 0 −
5 5
2 3
6 a2 30 0 1 −
5 10
3 1
280 0 0
5 5
Baza este formată din vectorii B = {a1 , a2 } şi soluţia admisibilă de bază este
X = (20, 30, 0, 0) . În linia coeficenţilor d k avem numai termeni pozitivi. Concluzia
80

este că am găsit soluţia optimă a problemei de programare liniară. Valoarea
maximă pentru funcţia obiectiv este z = 280 şi se obţine dacă x1 = 20, x2 = 30 .
3.6. Metoda celor două faze
Există probleme de programare liniară în care în matricea A a restricţiilor

nu conţine o matrice unitate. Vom încerca construirea unei matrice unitate,
utilizând variabile artificiale.
Vom arăta cum se poate determina, utilizând algoritmul simplex primal, o
soluţie admisibilă de bază pentru programul liniar standard
max C T X = max (c1 x1 + c2 x2 + c3 x3 + + cn xn ) , (5)
A ⋅ X = b; X ≥0, (6)
folosind metoda celor două faze.

Faza 1. Considerăm programul liniar
min ( y1 + y2 + y3 + + yn ) , (7)
A ⋅ X + I m ⋅ Y = b; X ≥ 0, Y ≥ 0 , (8)
unde Y = [ y1 , y 2 , ..., y m ] şi variabilele y1 , y2 , ..., ym se numesc variabile
artificiale.
Teoremă. Dacă X0 este o soluţie admisibilă a programului (5) - (6) atunci
~
X 0 = [ X 0 ,0, ..., 0]∈ R n + m este soluţie a programului (7) - (8).
Reciproc, orice soluţie optimă a programului (7) - (8) care are

componentele artificiale egale cu 0 conduce la soluţia admisibilă X0 a programului
iniţial.
La sfârşitul fazei 1 vom avea una din următoarele 3 situaţii:
În cazul 1. Valoarea optimă este strict pozitivă;
Programul iniţial nu are nici o soluţie admisibilă pentru că dacă ar exista
~
X0 o soluţie admisibilă atunci X 0 = [X 0 ,0, ..., 0] ar fi soluţie problemei asociate de
unde min ( y1 + y 2 + y3 + + y n ) = 0 contrar ipotezei.
În cazul 2. Valoarea optimă este zero şi nici o componentă artificială nu

este bazică;
81

Renunţând la componentele artificiale obţinem o soluţie admisibilă de
bază a problemei (4) - (5) şi continuăm cu faza 2.
În cazul 3. Valoarea optimă este zero şi cel puţin o componentă artificială

este bazică.
Soluţia de bază conţine şi componente artificiale, dar care vor fi egalate cu
zero. În acest caz obţinem o soluţie de bază degenerată a problemei iniţiale.
În situaţiile 2 şi 3 se trece la realizarea fazei a doua.
Faza 2.
Se trece la rezolvarea problemei de optimizare iniţială, luând ca soluţie de
bază de plecare soluţia determinată la sfârşitul primei faze şi folosim algoritmul
simplex.
Dacă suntem în situaţia 2 primul tabel al fazei a doua se obţine din ultimul
tabel al fazei întâi, renunţând la coloanele corespunzătoare variabilelor artificiale.
Dacă suntem în situaţia 3 primul tabel al fazei a doua se obţine din ultimul
tabel al primei faze, renunţând la coloanele tabelului corespunzătoare variabilelor
artificiale nebazice.
Funcţia obiectiv devine:
C T X = c1 x1 + c2 x2 + c3 x3 + + cn xn + 0 y1 + 0 y 2 + 0 y3 + + 0 ym .
şi se continuă rezolvarea problemei de programare liniară folosind algoritmul

simplex.
EXEMPLU:
Să se rezolve programul liniar
max z = − x1 − 2 x2 − x4 + 5 x5 ,
⎧6 x1 − 2 x2 + x3 − x4 + 2 x5 = 4,
⎪
⎪ 1
⎨2 x1 − x2 − x3 + x4 = 3,
⎪ 3
⎪⎩3 x1 − x2 + 2 x3 + 4 x4 + x5 = 2,
x1 , x2 , x3 x4 , x5 ≥ 0 .
82

Sistemul este adus la forma standard şi scriem matricea coeficienţilor
pentru a cerceta existenţa matricei unitate.
⎛ 6 − 2 1 −1 2⎞
⎜ 1 ⎟
A = ⎜2 −1 1 0⎟ .
⎜⎜ 3 ⎟⎟
⎝ 3 −1 2 4 1⎠
Observăm că nu apare explicit o matrice unitate. Vom aplica metoda celor

două faze.
Faza 1. Considerăm programul liniar
min ( y1 + y2 + y3 ) = − max(− y1 − y2 − y3 ) ,
⎧6 x1 − 2 x2 + x3 − x4 + 2 x5 + y1 = 4,
⎪
⎪ 1
⎨2 x1 − x2 − x3 + x4 + y 2 = 3,
⎪ 3
⎩⎪ 1
3 x − x 2 + 2 x3 + 4 x 4 + x5 + y3 = 2,
x1 , x 2 , x3 , x 4 , x5 , y1 , y 2 , y 3 ≥ 0 .
Matricea coeficienţilor este în acest caz:
⎛ a1 a2 a3 a4 a5 a6 a7 a8 ⎞
⎜ ⎟
~ ⎜6 − 2 1 −1 2 1 0 0⎟
A=⎜ 1 ,
⎜2 − −1 1 0 0 1 0 ⎟⎟
3
⎜3 −1 2 4 1 0 0 1 ⎟⎠
⎝
~
unde baza este formată din B = {a6 , a7 , a8 } şi X 0 = [0, 0, 0, 0, 0, 4, 3, 2]T soluţie
admisibilă de bază.
CB CJ → 0 0 0 0 0 -1 -1 -1
↓ B X0 a1 a2 a3 a4 a5 a6 a7 a8
-1 a6 4 6 -2 1 -1 2 1 0 0
1
-1 a7 3 2 − -1 1 0 0 1 0
3
-1 a8 2 (3) -1 2 4 1 0 0 1
10
-9 -11 -2 -4 -3 0 0 0
3
-1 a6 0 0 0 -3 -9 0 1 0 -2
83

5 1 7 5 2 2
-1 a7 0 ( ) − − − 0 1 −
3 3 3 3 3 3
2 1 2 4 1 1
0 a1 1 − 0 0
3 3 3 3 3 3
5 1 16 32 2 11
− 0 − 0 0
3 3 3 3 3 3
-1 a6 0 0 0 -3 -9 0 1 0 -2
0 a2 5 0 1 -7 -5 -2 0 3 -2
7 5 1 1 1
0 a1 1 0 − − − 0 1 −
3 3 3 3 3
0 0 0 3 9 0 0 1 3
~ ⎡7 ⎤
S-a obţinut soluţia optimă X 0 = ⎢ , 5, 0, 0, 0, 0, 0, 0⎥ a programului ajutător.
⎣3 ⎦
Ne aflăm în cazul 3 adică o componentă artificială este în bază. Trecem la
faza 2.
⎡7 ⎤
Alegem soluţia X 0 = ⎢ , 5, 0, 0, 0⎥ a programului de iniţiere faza 2.
⎣3 ⎦
Ultimul tabel de la programul ajutător este primul tabel de la faza 2.
CB CJ → -1 -2 0 -1 5 0
↓ B X0 a1 a2 a3 a4 a5 a6
0 a6 0 0 0 -3 -9 0 1
-2 a2 5 0 1 -7 -5 -2 0
7 5 1 1
-1 a1 1 0 − − − 0
3 3 3 3
37 47 34 2
− 0 0 − 0
3 3 3 3
Programul nu are optim finit deoarece variabila d5 este negativă şi toate

componentele coloanei corespunzătoare ei din tabel sunt negative sau zero. Pe
1
coloana a5 termenul d5=-2/3 < 0 şi λ15 = 0; λ25 = −2; λ35 = − de unde rezulta ca
3
problema de programare liniară are optim infinit iar iteraţiile se opresc.
84

# Exerciţii
1. Să se rezolve PPL folosind algoritmul simplex:
max z = 5 x1 − 3 x2 + 2 x3 ,
max z = 6 x1 + 8 x2 + 10 x3 ,
⎧6 x1 + 2 x2 + 2 x3 ≤ 240,
⎧ x − 3 x2 ≤ 1200, ⎪
a) ⎨ 1 b) ⎨2 x1 − 2 x2 + 4 x3 ≤ 40,
⎩2 x1 + 3x2 + 4 x3 ≤ 2600, ⎪2 x + 2 x − 2 x ≤ 80,
⎩ 1 2 3
x1 , x2 , x3 ≥ 0.
x1 , x2 , x3 ≥ 0.
max z = 4 x1 + 3 x2 + 2 x3 + x 4
⎧ 3 x2 + 2 x3 + 2 x4 ≤ 30, max z = 2 x1 + x2 + 2 x3
⎪
⎪ x + 2 x2 + 2 x3 + 4 x4 ≤ 24, ⎧ x + 2 x 2 + 2 x3 ≤ 2,
c) ⎨ 1 d) ⎨ 1
⎪ x1 + x2 + 3x4 ≤ 6, ⎩2 x1 − x2 + 2 x3 + 3 x4 ≤ 4,
⎪⎩ x1 + 3 x2 + x3 + 4 x4 ≤ 18,
x1 , x2 , x3 , x4 ≥ 0.
x1 , x2 , x3 , x4 ≥ 0.
2. Să se rezolve P.P.L. folosind metoda celor doua faze.
max z = − x1 − 2 x2 − x4 + 5 x5
⎧6 x1 − 2 x2 + x3 − x4 + 2 x5 = 4,
⎪
⎪ 1
⎨2 x1 − x2 − x3 + x4 = 3,
⎪ 3
⎪⎩3 x1 − x2 + 2 x3 + 4 x4 + x5 = 2,
x1 , x2 , x3 x4 , x5 ≥ 0 .
85

Unitate de învăţare IV
Elemente de teoria probabilităţilor
şi statistică matematică
Cuprins U.I. IV
4.1. Noţiuni fundamentale
4.2. Operaţii cu evenimente
4.3. Noţiunea de probabilitate
4.4. Scheme probabilistice clasice
4.5. Variabile aleatoare.
4.6. Repartiţii clasice
4.7. Organizarea şi descrierea datelor
4.8. Reprezentarea grafică a datelor statistice
4.9. Caracteristici numerice ale seriilor statistice
4.10. Frecvenţa absolută, frecvenţa relativă şi frecvenţe

cumulate
4.11. Ajustarea datelor unei serii statistice
4.12. Intervale de încredere
-----------------------------------------------------------------------------
Obiective:
1. Să identifice diferite tipuri de evenimente;
2. Să definească probabilitatea unui eveniment folosind cele 3 definiţii: clasică,
statistică, axiomatică;
3. Să utilizeze în probleme schemele probabilistice clasice şi formulele de calcul
ale probabilităţilor;
4. Să calculeze valorile tipice ale variabilelor aleatoare;
5. Să identifice şi să utilizeze repartiţiile clasice: discrete şi continue;
6. Să grupeze corect şi să descrie datele statistice;
7. Să reprezinte grafic datele statistice;
8. Să ajusteze liniar şi parabolic date statistice.
------------------------------------------------------------------------------------------
86

Multe fenomene din viaţa reală sunt caracterizate de incertitudine sau de
evoluţie întâmplătoare. Teoria probabilităţilor este un instrument matematic care
permite modelarea unor astfel de situaţii.
4.1. Evenimente
Teoria probabilităţilor se ocupă cu studiul modelelor matematice ce

descriu experienţe aleatoare. Exemple: controlul tehnic al calităţii produselor
alimentare, jocuri de noroc, asigurări, prognoza vremii etc.
Pentru a construi un model matematic se pleacă de la un experiment.
Definţie 1. Prin experiment aleator se înţelege o acţiune a cărui rezultat este

supus întâmplării, nu poate fi anticipat cu exactitate dar mulţimea rezultatelor
posibile este cunoscută.
EXEMPLE: aruncarea unui zar, aruncarea unei monede, extragerea unei bile dintr-o
urnă ce conţine bile de mai multe culori, observarea duratei de viaţă a unei maşini,
cercetarea duratei de viaţă a unui individ dintr-o populaţie umană sau biologică şi
altele.
Definiţie 2. Aplicarea experimentului asupra unei populaţii date se numeşte

probă iar rezultatul ei se numeşte eveniment.
Definiţie 3. Evenimentul reprezintă orice rezultat al unei experiment. Poate fi

elementar sau compus.
EXEMPLU: Se consideră aruncarea unui zar. Experimentul constă în acţiunea de

aruncare a unui zar care poate fi repetată în condiţii similare. Proba constă în
rezultatul obţinut. Evenimentele sunt asociate feţelor 1, 2, 3, 4, 5, 6. Un exemplu
de eveniment elementar sa apara fata cu numarul {6}. Un exemplu de eveniment
compus evenimentul sa apara fete cu numar par {2, 4, 6}.
Definiţie 4. Se numeşte spaţiu de selecţie al unui experiment aleator mulţimea

tuturor evenimentelor elementare (mulţimea tuturor rezultatelor posibile ale
experimentului).
EXEMPLU: a) Spaţiul de selecţie la aruncarea unui zar este format din
Ω = { 1, 2, 3, 4, 5, 6}.
87

b). La verificarea unui fruct spaţiul de selecţie este alcătuit din
Ω = { bun, stricat} .
Definiţie 5. Definim un eveniment ca fiind un element a mulţimii P(Ω ) . Vom

considera o submultime de evenimente relevante pentru experiment. F ⊂ P(Ω )
Notaţie: P (Ω ) este mulţimea formată din toate submulţimile mulţimii Ω .
Definiţie 6. Se numeşte eveniment sigur, evenimentul care se realizează

întotdeauna ca rezultat al efectuării unui experiment.
Definiţie 7. Se numeşte eveniment imposibil evenimentul care nu se poate

realiza niciodată.
Notaţii: Ω – eveniment sigur şi ∅ - eveniment imposibil.
EXEMPLE: Se aruncă un zar, spaţiul de selecţie este Ω = {1, 2, 3, 4, 5, 6} .

Evenimentul A să apară o faţă cu număr par: A = {2, 4, 6}, evenimentul B să apară
o faţă cu număr impar B = {1, 3, 5} sau evenimentul C să apară o faţă cu un număr
mai mare sau egal cu 4: C = {4, 5, 6} . Un eveniment imposibil este să apară o faţă
cu numarul 7. Evenimentul sigur este să apară o faţă cu unul dintre numerele
{1, 2, 3, 4, 5, 6} .
Definiţie 8. Fie evenimentul A. Se numeşte evenimentul contrar lui A

evenimentul care se realizează ori de câte ori nu se realizează A. Notaţie A sau
cA .
Definiţie 9. Se spune că evenimentul A implică evenimentul B dacă B se

realizează ori de câte ori se realizează A. Notaţie A ⊂ B .
Definiţie 10. Se spune că evenimentul A este echivalent cu evenimentul B dacă

A implică B şi B implică A. Adică A ⊂ B şi B ⊂ A ⇔ A = B.
88

4.2. Operaţii cu evenimente
Definiţie 11. Fie date două evenimente A şi B. Se numeşte reuniunea lui A cu B

evenimentul care se realizează atunci când are loc cel puţin unul dintre cele două
evenimente. Notaţie: A ∪ B .
Proprietăţi: Reuniunea evenimentelor are următoarele proprietăţi:

1. A ∪ B = B ∪ A comutativitate;
2. ( A ∪ B ) ∪ C = A ∪ (B ∪ C ) asociativitate;
3. A ⊂ A ∪ B şi B ⊂ A ∪ B legile absorbţiei;
4. A ∪ A = A ;
5. A ∪ Ω = Ω ;
6. A ∪ ∅ = A .
Definiţie 12. Fie date două evenimente A şi B. Se numeşte intersecţia lui A cu B

evenimentul care se realizează atunci când au loc simultan cele două evenimente.
Notaţie: A ∩ B .
Proprietăţi: Intersecţia evenimentelor are următoarele proprietăţi:

1. A ∩ B = B ∩ A comutativitate;
2. ( A ∩ B ) ∩ C = A ∩ (B ∩ C ) asociativiitate;
3. A ∩ (B ∪ C ) = ( A ∩ B ) ∪ ( A ∩ C ) distributivitatea intersecţiei faţă de
reuniune;
4. A ∪ (B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) distributivitatea reuniunii faţă de
intersecţiei;
5. A ⊂ B ⇒ A ∩ B = A ; A ∩ A = A, A ∩ Ω = A, A ∩ ∅ = ∅ ;
6. A ∩ B ⊂ A, A ∩ B ⊂ B .
Definiţie 13. Două evenimente A şi B se numesc compatibile dacă ele se pot

realiza simultan, adică există probe comune care realizează atât pe A cât şi pe B.
Dacă evenimentele nu se pot realiza simultan se numesc incompatibile.
A ∩ B ≠ ∅ - compatibile; A ∩ B = ∅ - incompatibile.
89

Definiţie 14. Fie date două evenimente A şi B se numeşte diferenţa dintre A şi B
evenimentul care se realizează atunci când se realizează A, dar nu se produce B.
Notaţie: A \ B .
Proprietăţi:
1. ∅ = Ω, Ω = ∅, (A ) = A ;
2. A ∪ A = Ω,
3. A ∩ A = ∅,
2. A ⊂ B ⇒ B ⊂ A ;
3. Legile lui De Morgan
a). A ∪ B = A ∩ B ;
b). A ∩ B = A ∪ B .
Definiţie 15. Fie date două evenimente A şi B se numeşte diferenţa simetrică

dintre A şi B evenimentul notat A Δ B = ( A \ B ) ∪ (B \ A) .
Definiţie 16. Spunem că F ⊂ P(Ω ) este un spaţiu de evenimente dacă
a) A ∈ F atunci A ∈ F,
b) A ∈ F şi B ∈ F atunci A ∪ B ∈ F şi A ∩ B ∈ F.
Proprietate: Un spaţiu de evenimente are următoarele proprietăţi:

1. ∅ ∈ F;
2. Dacă A ∈ F, B ∈ F şi A ⊂ B atunci B − A ∈ F;
3. Dacă Ai ∈ F, i ∈ N atunci:
n n
∪ Ai ∈ F şi
i =1
∩ A ∈ F.
i =1
i
Definiţie 17. Fie spaţiul de evenimente F, o mulţime de evenimente Ai ∈ Ω, i ∈ N

formează un sistem complet de evenimente dacă sunt îndeplinite următoarele
condiţii:
n
(i). ∪A
i =1
i = Ω reuniunea tuturor evenimentelor dă evenimentul sigur;
90

(ii). Ai ∩ A j = ∅, i ≠ j , i, j = 1, 2,..., n - evenimentele sunt incompatibile două câte
două.
4.3. Probabilităţi
Fiind dat un spaţiu de evenimente F se pune problema de a caracteriza

printr-un număr cuprins între 0 şi 1 şansa de apariţie a fiecărui eveniment. Se
poate spune că probabilitatea de apariţie a fiecărui eveniment este o expresie
cuantificată a previziunii de a se produce acel eveniment.
Definiţia statistică a probabilităţii
Fie A un eveniment asociat unui experiment E. Presupunem că

experimentul E a fost repetat de n ori şi că evenimentul A s-a realizat de n A ori.
Numărul n A se numeşte frecvenţa absolută de apariţie a evenimentului A.
Numărul
nA
f n ( A) =
n
se numeşte frecvenţa relativă a evenimentului A în seria de repetări a

experimentului.
Observaţie: S-a constatat că dacă numărul de repetări a experimentului

creşte, numărul de apariţii a evenimentului A se grupează în jurul valorii f n ( A)
care dă probabilitatea de producere a evenimentului A.
EXEMPLU:
Se aruncă o monedă de 200 de ori şi se urmăreşte evenimentul apariţiei

feţei cu stemă. Presupunem că evenimentul a apărut de 75 de ori. Numărul
75 15 3
f 200 ( A) = = = reprezintă frecvenţa relativă a evenimentului A.
200 40 8
Definiţie 18. Se numeşte probabilitatea evenimentului A numărul
P( A) = lim f n ( A) ≈ f n ( A), n >> 1

n →∞
91

care indică frecvenţa relativă de apariţie a evenimentului A într-o serie de n
repetiţii ale experimentului.
Definiţia clasică a probabilităţii
Această definiţie a probabilităţii este utilă pentru că este intuitivă şi poate

fi aplicată într-o clasă destul de largă de evenimente.
Presupunem ca numarul de cazuri posibile este finit si evenimentele
elementare sunt echiprobabile (au aceeasi probabilitate). In acest caz putem da
urmatoarea definitie.
Definiţie 19. Se numeşte probabilitatea evenimentului A, numărul P(A) care se

calculează ca raportul între numărul de cazuri favorabile producerii evenimentului
şi numărul de cazuri posibile a apărea în urma efectuării experimentului.
n nr. de cazuri favorabile

P ( A) = =
N nr. de cazuri posibile
EXEMPLU: Fie o urnă U ce conţine 10 bile roşii şi 20 bile albastre. Din urnă se
extrage o bilă. Care este probabilitatea să obţinem o bilă albastră?
Notăm cu A evenimentul să obţinem o bilă albastră din extragere.
Numărul de cazuri favorabile evenimentului A este n = 20; numărul de cazuri
posibile N = 30.
Probabilitatea să obţinem o bilă albastră se calculează:
n 20 2
P ( A) = = = = 0.66 ≈ 66%
N 30 3
Definiţia axiomatică a probabilităţii
Funcţia de probabilitate cuantifică şansa de realizare a fiecărui eveniment

dintr-un experiment efectuat. În anul 1931 Kolmogorov10 a pus bazele axiomatice
ale teoriei probabilităţilor.
Definiţie 20. Se numeşte probabilitate pe spaţiul de evenimente F ⊆ P(Ω ) o

funcţie P : F → [0, 1] ce asociază fiecărui eveniment A ∈ P(Ω ) un număr real P(A)
cu proprietăţile:

10
Andrei Nikolaevici Kolmogorov (1903 ‐ 1987) ‐ matematician rus.
92

1. P(Ω ) = 1 ;
2. P(cA) = 1 − P( A) ; oricare A ∈ F;
3. În cazul în care spaţiul de evenimente Ω este infinit
P( A1 ∪ A2 ∪ ∪ An ) = P( A1 ) + P( A2 ) + + P( An ) ,
oricare A1 , A2 , , An evenimente incompatibile.
Observaţie;
1). Din prima relaţie probabilitatea evenimentului sigur este egală cu 1;
2). Din a doua relaţie probabilitatea reuniunii a mai multor evenimente
incompatibile este egal cu suma probabilitaţilor acelor evenimente.
Proprietăţi: Dacă P este o probabilitate P : P(Ω ) → [0, 1] atunci are loc

1). P(∅ ) = 0 ;
2). Oricare A, B ∈ F , A ∩ B = ∅ , are loc :
P ( A ∪ B ) = P ( A) + P (B ) ;
3). P(B \ A) = P(B ) − P( A ∩ B ), ∀A, B ∈ F;
4). P(B \ A) = P(B ) − P( A), A ⊂ B ;
5). P( A) ≤ P(B ) dacă A ⊆ B, A, B ∈ F regulă de monotonie
6). P( A ∪ B ) = P( A) + P(B ) − P( A ∩ B ), ∀A, B ∈ F regulă de adunare pentru
evenimente nu neaparat incompatibile;
⎛ n ⎞ n
∪
P⎜⎜ Ai ⎟⎟ =
7). ⎝ i =1 ⎠ i =1 ∑ ∑ (
P( Ai ) − P Ai ∩ A j +
i< j
) + (− 1)
n +1
P( A1 ∩ A2 ∩ ∩ An ),
∀Ai ∈ P(Ω ), i = 1, , n
Probabilităţi condiţionate
Există multe probleme în care evenimentul A urmărit este condiţionat de

realizarea unui alt eveniment B. Datorită acestui fapt probabilitatea evenimentului
A se va calcula în ipoteza că evenimentul B s-a realizat. Această probabilitate se
numeşte probabilitatea lui A condiţionată de evenimentul B şi se notează PB ( A) .
Definiţie 21. Fie spaţiul F cu n evenimente elementare şi evenimentele A ∩ B şi B

venimente elementare. În ipoteza că evenimentul B are loc si respecta P(B ) > 0 ,
93

se numeşte probabilitatea evenimentului A condiţionată de evenimentul B
expresia:
P( A ∩ B )
PB ( A) = .
P (B )
Observaţie: Formula a fost propusă de Moivre11 (1718). Se poate defini analog

daca A respecta P( A) > 0
P( A ∩ B )
PA (B ) = .
P ( A)
Vom obţinem din cele două relaţii formula care leagă probabilităţile
condiţionate reciproc de două evenimente:
P( A ∩ B ) = P(B ) ⋅ PB ( A)
şi
P( A ∩ B ) = P ( A) ⋅ PA (B ) .
Adică:
P( A) ⋅ PA (B ) = P(B ) ⋅ PB ( A) .
EXEMPLU: Analizăm defectele unor mere dintr-un lot cules de studenţi. A este
evenimentul ca un măr este mic, B este evenimentul ca mărul analizat este stricat.
Probabilitatea ca un măr ales să fie mic este P ( A) = 0,2 şi probabilitatea ca un
măr ales sa fie stricat stiind ca este mict este PA (B ) =0,3. Care este probabilitatea
ca mărul ales să fie şi mic şi stricat.
P( A ∩ B ) = P( A) ⋅ PA (B ) = 0,2 ⋅ 0,3 = 0,06 .
Evenimente independente
Definiţie 22. Se spune că A şi B sunt evenimente independente dacă
P ( A ∩ B ) = P ( A) ⋅ P (B ) .

11
Abraham de Moivre (1667 ‐ 1754) ‐ matematician francez.
94

Dacă A ∩ B ≠ ∅ atunci PA (B ) = P(B ) (şansa de realizare a lui B nu este influenţată
de şansa de realizare a lui A) şi PB ( A) = P( A) (şansa de realizare a lui A nu este
influenţată de şansa de realizare a lui B).
Definiţie 23. Se spune că evenimentele A1, A2, … An sunt independente dacă

probabilitatea intersecţiei oricărora dintre ele este egală cu produsul
probabilităţilor evenimentelor respective.
P( Ai1 ∩ Ai 2 ∩ ∩ Aim ) = P( Ai1 ) ⋅ P( Ai 2 ) ⋅ ⋅ P ( Aim ) .
Formule pentru calcularea unor probabilităţi
Definiţie 24. Fie spaţiu de evenimente F şi A1, A2, … An un sistem complet de

evenimente, P( Ai ) ≠ 0 . Atunci probabilitatea oricărui eveniment A din F se
determină cu formula:
n
P ( A) = ∑ P ( A ) ⋅ P ( A) ⋅
i =1
i Ai
Adică P( A) = P( A1 ) ⋅ PA1 ( A) + P( A2 ) ⋅ PA2 ( A) + + P( An ) ⋅ PAn ( A) se numeşte fomula
probabilităţii totale.
Definiţie 25. Fie A1, A2, … An un sistem complet de evenimente, P( Ai ) ≠ 0 şi B un

eveniment oarecare. Presupunem că evenimentul B s-a realizat în acest caz care
este probabilitatea ca realizarea lui B să se datoreze cauzei Ai:
Formula lui Bayes12:
P( Ai ) ⋅ PAi (B )
PB ( Ai ) = n
.
∑ P ( A ) ⋅ P (B )
i =1
i Ai
Definiţie 26. Fie A1, A2, … An un sistem de evenimente care nu sunt independente.
Are loc inegalitatea
n
P( A1 ∩ A2 ∩ ∩ An ) ≥ 1 − ∑ P(A ) .
i =1
i

12
Thomas Bayes (1701 ‐ 1761) ‐ matematician englez, a fost preot presbiterian.
95

n
sau P( A1 ∩ A2 ∩ ∩ An ) ≥ ∑ P( A ) − n + 1
i =1
i (Inegalitatea lui Boole13).
EXEMPLU:
Doi sportivi aruncă independent aceeaşi greutate şi doresc să depăşească distanţa

de 10 metri. Probabilitatea ca primul să depăşească distanţa este 1/3, iar
probabilitatea ca al doilea să depăşească distanţa este 3/5. Cei doi sportivi au câte
o încercare. Să se calculeze probabilitatea ca limita să fie depăşită de:
1. cel puţin unul din sportivi;
2. ambii sportivi;
3. doar primul sportiv.
Care este probabilitatea ca nici un sportiv să nu depăşească distanţa propusă?
Rezolvare:
Vom considera evenimentele următoare:
A - evenimentul ca primul sportiv să depăşească distanţa;
B - evenimentul ca al doilea sportiv să depăşească distanţa;
P( A) = , P (A ) = , P(B ) = , P(B ) = .
1 2 3 2
3 3 5 5
1 3 1 3 1 2 11
1. P( A ∪ B ) = P( A) + P(B ) − P( A) ⋅ P(B ) = + − ⋅ = + = .
3 5 3 5 3 5 15
1 3 1
2. P( A ∩ B ) = P( A) ⋅ P(B ) = ⋅ = .
3 5 5
3. P(A ∩ B ) = P( A) ⋅ P(B ) = ⋅ =
1 2 2
.
3 5 15
P (A ∩ B ) = P (A ) ⋅ P (B ) =
2 2 4
⋅ = .
3 5 15
# Exerciţii
1. Un elev face parte dintr-o clasă de 25 elevi. El este elev în clasa I unde
sunt 82 elevi. Şcoala are în total 567 elevi. Elevul se întâlneşte în curtea şcolii cu
un coleg. Care este probabilitatea a) să fie coleg de clasă, b) să fie tot în clasa I.
2. O urnă conţine bile de trei culori. 3 albe, 4 negre şi 5 albastre. Din urnă

13
George Boole (1815 ‐ 1864) ‐ matematician, logician şi filozof englez, creatorul logicii
matematicii moderne şi a algebrelor booleene.
96

se extrage o bilă. Care este probabilitatea ca bila să fie albastră? Dar să fie neagră?
3. Doi arcaşi trag în aceeaşi ţintă. Probabilitatea ca primul să lovească ţinta

este 1/4, iar probabilitatea ca al doilea să lovească ţinta este 1/2. Cei doi sportivi
au câte o încercare. Să se calculeze probabilitatea ca ţinta să fie lovită de:
1. cel puţin unul dintre arcaşi;
2. ambii arcaşi;
3. numai primul arcaş.
Care este probabilitatea ca nici un arcaş să nu atingă ţinta?
4.4. Scheme probabilistice clasice
Extragerea aleatoare dintr-o populaţie este un procedeu de a alege la

întâmplare un element şi se poate face în mod repetat.
Există două moduri prin care se poate face extragerea respectivă şi anume:
cu revenire - elementul extras este repus în populaţie înainte de următoarea
extragere şi fără revenire - elementul extras este eliminat din mulţime după
extragere.
SCHEMA POISSON14
Se consideră un experiment E si n efectuari independente a experimentului

E1, E2, … En.
Fie A1, A2, … An evenimente asociate experimentelor E1, E2, … En , având
probabilităţi de realizare:
P( A1 ) = p1 , P( A2 ) = p2 , … , P( An ) = pn ,
P ( A1 ) = 1 − p1 = q1 , P ( A2 ) = 1 − p 2 = q 2 , … , P ( An ) = 1 − p n = qn .
Să se determine probabilitatea ca la o efectuare a experimentului E să se

realizeze evenimentul A care constă în realizarea exact a k ( 0 ≤ k ≤ n ) din
evenimentele A1, A2, … An .
Probabilitatea căutată este:

14
Simeon Denis Poisson (1781 ‐ 1840) ‐ matematician, fizician, astronom francez; în memoria sa
numele i‐a fost scris pe Turnul Eiffel.
97

P ( A) = coeficientul lui x din dezvoltarea ( p1 x + q1 )( p2 x + q2 )
k
( pn x + qn ) .
EXEMPLU:
Se dau 3 urne U1 ce conţine 2 bile albe si 3 bile negre, U2 ce conţine 4 bile

albe si 1 bilă neagră, U3 ce conţine 3 bile albe si 2 bile negre. Din fiecare urnă se
extrage câte o bilă.
Care este probabilitatea ca 2 bile să fie albe şi una neagră?
Rezolvare:
Evenimentul A1 - bila extrasă din prima urnă să fie albă,
Evenimentul A2 - bila extrasă din a doua urnă să fie albă,
Evenimentul A3 - bila extrasă din a treia urnă să fie albă,
n = 3, k = 2,
Conform definiţiei probabilitatea căutată este coeficientul lui x2 din
polinomul ( p1 x + q1 )( p2 x + q2 )( p3 x + q3 ) ,
2 2 3
p1 = P( A1 ) = , q1 = 1 − = ,
5 5 5
4 4 1
p2 = P( A2 ) = , q2 = 1 − = ,
5 5 5
3 3 2
p3 = P( A3 ) = , q3 = 1 − = ,
5 5 5
de unde rezultă că
( p1 x + q1 )( p2 x + q2 )( p3 x + q3 ) = ⎛⎜ 2 x + 3 ⎞⎟ ⎛⎜ 4 x + 1 ⎞⎟ ⎛⎜ 3 x + 2 ⎞⎟ =
⎝5 5⎠⎝ 5 5⎠⎝5 5⎠
=
1
125
(
(2 x + 3)(4 x + 1)(3x + 2) = 1 24 x 3 + 58 x 2 + 37 x + 6 .
125
)
58
Deci probabilitatea cătată este P ( A) = = 0.464.
125
SCHEMA BINOMIALĂ
Această schemă este un caz particular al schemei Poisson.
Se consideră o urnă U care conţine a bile albe şi b bile negre. Din această urnă se
fac n extrageri cu repunerea bilei extrase in urna dupa extragere. Care este
probabilitatea sa obtinem k bile albe?
Alegem A evenimentul sa obtinem k bile albe. Probabilitatea evenimentului A se

98

calculeaza dupa formula:
P( A) = C nk ⋅ p k ⋅ q n−k .
unde p este probabilitatea evenimentului sa extragem o bila alba la prima

incercare iar q este probabilitatea evenimentului sa extragem o bila neagra.
Exemple: extragerea dintr-o urnă a unei bile cu repunere, aruncarea repetată a

unui zar sau aruncarea repetată a unei monede (toate aruncările se produc în
aceleaşi condiţii).
EXEMPLU:
Se consideră o urnă care conţine 15 bile albe şi 10 bile negre. Din această
urnă se fac 5 extrageri punându-se de fiecare dată bila extrasă înapoi.
Care este probabilitatea ca din 5 extrageri să obţinem 2 bile albe?
Rezolvare:
Evenimentul A – evenimentul ca din 5 extrageri să obţinem 2 bile albe,
P ( A) = C nk ⋅ p k ⋅ q n−k . Scriem n = 5, k = 2,
Numărul de bile albe a = 15, bile negre b = 10,

a 15 3 b 10 2
p= = = , q= = = .
a + b 25 5 a + b 25 5
Deci:
2 3
⎛ 3⎞ ⎛ 2⎞ 5! ⎛ 9 ⎞ ⎛ 8 ⎞ 144
P ( A) = C52 ⋅ ⎜ ⎟ ⋅ ⎜ ⎟ = ⋅⎜ ⎟⋅⎜ ⎟ = = 0.2304 ≈ 23.04% .
5
⎝ ⎠ ⎝ ⎠5 2!⋅(5 − 2 )! ⎝ 25 ⎠ ⎝ 25 ⎠ 625
SCHEMA HIPERGEOMETRICĂ
Se consideră o urnă U care conţine a bile albe şi b bile negre. Din această
urnă se fac n extrageri fără a pune bila extrasă înapoi în urnă.
Să se determine probabilitatea evenimentului A care constă în extragerea a
k ( 0 ≤ k ≤ n ) bile albe.
C ak ⋅ Cbn−k
P( A) = .
C an+b
99

EXEMPLU:
Se consideră o urnă care conţine 5 bile albe si 5 bile negre. Din această
urnă se extrag 3 bile fără a le pune înapoi.
a). Care este probabilitatea extrageri a 3 bile albe?
b). Dar probabilitatea obţinerii a 2 bile albe şi o bilă neagră?
Rezolvare:
a) Evenimentul E1 – evenimentul ca din 3 extrageri să obţinem 3 bile albe,
Cak ⋅ Cbn−k
P( E1 ) =
Can+b
a = 5, b = 5, a + b = 10,
n = 3, k = 3,
C ak ⋅ Cbn−k C53 ⋅ C50 1
P ( E1 ) = n
= 3
= = 0,083 ≈ 8,3%
C a +b C10 12
b) Evenimentul E2 – evenimentul ca din 3 extrageri să obţinem 2 bile albe si o bilă

neagră,
Cak ⋅ Cbn−k
P( E2 ) =
Can+b
a = 5, b = 5, a + b = 10
n = 3, k = 2,
C ak ⋅ Cbn−k C53 ⋅ C51 5
P( E2 ) = = = = 0,416 ≈ 41,6%.
C an+b C103 12
SCHEMA HIPERGEOMETRICĂ GENERALIZATĂ
O urnă U conţine mi bile de culori ci, i=1, 2, ...p. Din această urnă se
extrag fără repunere n bile.
Probabilitatea ca dintre cele n bile extrase ki să fie de culoarea ci este dată
de formula:
C mk11 ⋅ C mk 22 ⋅ kp
⋅ C mp
Pmk11.......mp
kp
( A) =
C mk11++km22++ kp
+ mp
unde k1+k2+ ... +kp = n.
100

EXEMPLU:
Se consideră o urnă care conţine 3 bile roşii, 2 bile albastre, 4 bile verzi şi
2 bile albe. Din această urnă se extrag 3 bile fără repunere. Care este
probabilitatea ca să obţinem o bilă roşie şi două verzi.
Rezolvare:
Evenimentul A – evenimentul ca din 3 extrageri să obţinem o bilă roşie şi două
verzi.
C31 ⋅ C 20 ⋅ C 42 ⋅ C 20 C31 ⋅ C 42 6
P31204220 ( A) = = = = 0.109 .
C31++02++24++02 C113 55
Tehnicile de numărare (permutări, aranjamente şi combinări) se vor

aminti la seminar, dar ele trebuie pregătite individual de fiecare student deoarece
au fost în progama analitică a clasei a X-a.
Amintim următoarele formule importante:
n! Ak n!
Pn = 1 ⋅ 2 ⋅ 3 ⋅ … ⋅ n = n !, Ank = , C nk = n = , unde n ≥ k .
(n − k )! k ! k !⋅(n − k )!
# Exerciţii
1. Se aruncă o monedă de 15 ori. Se cere probabilitatea de a obţine de 3 ori

stema. (Indicaţie: se foloseşte schema binomială)
2. Într-o fabrică sunt 3 strunguri. Primul dă 1,3% rebuturi, al doilea 0,8%
şi al treilea 1%. Dacă luăm la întâmplare o piesă de la fiecare strung care este
probabilitatea ca două din piesele alese să fie bune şi una să fie rebut? (Indicaţie:
schema Poisson)
3. O urnă conţine 40 bile numerotate cu 1, 2, 3, … 40. Se extrag simultan
12 bile. Care este probabilitatea să obţinem 5 dintre numele 5, 13, 18, 24, 29, 30?
(Indicaţie: schema bilei neîntoarse).
101

4.5. Variabile aleatoare
Fie F mulţimea a Ai evenimente elementare ale unei experienţe (fiecare
eveniment Ai se realizează printr-o probă şi numai una i = 1, 2, ... n). Fiecărui
eveniment elementar Ai i se ataşează un număr real xi , deci experienţei i se
ataşează o mulţime de numere reale, fiecare număr având o anumită probabilitate

pi şi anume probabilitatea evenimentului elementar căruia îi corespunde.
Definiţie 26. O functie care ia valori dintr-o multime data si fiecarei valori fiindu-
i atasata probabilitatea cu care ia valoarea respectiva se numeşte variabilă
aleatoare.
Notaţie: X : F → R
Definiţie 27. Numim variabilă aleatoare discretă variabila aleatoare pentru care
mulţimea valorilor este un număr finit (experiment în care "numărăm": Numărul
fructelor stricate dintr-un lot; numărul studenţilor ce au trecut un examen).
Definiţie 28. Numim variabilă aleatoare continuă variabila aleatoare pentru care
mulţimea valorilor este un interval finit sau infinit (experiment în care "măsurăm":
timpul de aşteptare a unui student să intre la un examen etc).
Fie X o variabilă aleatoare şi valorile x1 , x2 , , xn ce apar cu probabilitatile
pi , i=1, 2, .., n. Spunem că pi este probabilitatea cu care variabila aleatoare X
ia valoarea xi .
Notaţie: p1 = P( X = x1 ); p2 = P( X = x2 ); , pn = P( X = xn ); .
Schematic variabila aleatoare X se notează astfel:
⎛ x … xn ⎞ ⎛x ⎞
X : ⎜⎜ 1 ⎟⎟ sau X : ⎜⎜ i ⎟⎟, i = 1, n .
⎝ p1 … pn ⎠ ⎝ pi ⎠
Observaţii
1. Valorile xi se scriu în ordine crescătoare;
2. Scrierea de mai sus poartă denumirea de tablou de repartitie a variabilei
aleatoare X.
Putem să notăm variabila aleatoare şi în forma: X (xi , pi ) .
3. Suma tuturor probabilităţilor corespunzătoare X este egală cu 1.
102

n n
∑ p = ∑ P( X = x ) = P( X ∈ {x , x ,
i =1
i
i =1
i 1 2 , xn }) = P(Ω ) = 1 .
EXEMPLU 1:
Considerăm următorul experiment: se aruncă un zar. Să se găsească variabila
aleatoare X atasata experimentului.
⎛1 2 3 4 5 6⎞
X :⎜ 1 1 1 1 1 1⎟.
⎜ ⎟
⎝6 6 6 6 6 6⎠
n
Se verifică uşor că ∑p
i =1
i = 1 adică
1 1 1 1 1 1
p1 + p 2 + p3 + p 4 + p5 + p6 = + + + + + =1.
6 6 6 6 6 6
EXEMPLU 2:
Un tratament împotriva obezităţii urmat timp de o săptămână, conduce cu
probabilitatea p = 0,75 la scăderea cu un kilogram a greutăţii corporale, ceea ce
înseamnă că tratamentul a avut succes. In celelalte cazuri nu se observa
modificari. Presupunem ca 4 pacienţi urmează acest tratament. Variabila
aleatoareatasata experimentului pentru care tratamentul a avut succes este de tip
binomial. Să se scrie tabloul de repartiţie al lui X.
Pornim de la faptul că variabila aleatoare este de tip binomial. De aici
rezultă că
75 3 3 1
p = 0,75 = = de unde q = 1 − p = 1 − = .
100 4 4 4
Variabila aleatoare notată X are următoarea formă:
⎛ 0 1 2 3 4⎞
X : ⎜⎜ ⎟
⎝ p0 p1 p2 p3 p4 ⎟⎠
unde P( X = k ) = C nk ⋅ p k ⋅ q n−k .
Pentru a completa variabila aleatoare prezentăm ce rezultate pot sa apară la
cei 4 pacienţi:
Probabilitatea ca pentru nici un pacient tratamentul să nu aibă rezultate:
0 4 −0
⎛3⎞ ⎛1⎞ 1
p0 = P ( X = 0 ) = C n0 ⋅ p 0 ⋅ q n−0 = C 40 ⋅ ⎜ ⎟ ⋅ ⎜ ⎟ = = 0.0039;
⎝4⎠ ⎝4⎠ 256
Probabilitatea ca numai pentru un singur pacient să aibă rezultat:
103

1 3
⎛3⎞ ⎛1⎞ 3
p1 = P( X = 1) = C n1 ⋅ p1 ⋅ q n−1 = C 41 ⋅ ⎜ ⎟ ⋅ ⎜ ⎟ = = 0.0468;
⎝4⎠ ⎝4⎠ 64
Probabilitatea ca tratamentul să aibă rezultat pentru 2 pacienţi:

2 2
⎛3⎞ ⎛1⎞ 27
p2 = P( X = 2) = C n2 ⋅ p 2 ⋅ q n−2 = C 42 ⋅ ⎜ ⎟ ⋅ ⎜ ⎟ = = 0.2109;
4
⎝ ⎠ ⎝ ⎠4 128
Probabilitatea ca tratamentul să aibă rezultat pentru 3 pacienţi:

3 1
⎛ 3 ⎞ ⎛ 1 ⎞ 27
p3 = P( X = 3) = C n3 ⋅ p 3 ⋅ q n−3 = C 43 ⋅ ⎜ ⎟ ⋅ ⎜ ⎟ = = 0.42187;
⎝ 4 ⎠ ⎝ 4 ⎠ 64
Probabilitatea ca toţi cei 4 pacienţi să răspundă pozitiv la tratament.
4 0
⎛3⎞ ⎛1⎞ 81
p4 = P( X = 4) = C n4 ⋅ p 4 ⋅ q n−4 = C 44 ⋅ ⎜ ⎟ ⋅ ⎜ ⎟ = = 0.3164.
4
⎝ ⎠ ⎝ ⎠4 256
De unde obţinem variabila aleatoare cerută în problemă:
⎛ 0 1 2 3 4 ⎞
X :⎜ 1 3 27 27 81 ⎟ .
⎜ ⎟
⎝ 256 64 128 64 256 ⎠
1 3 27 27 81
Verificare: + + + + =1.
256 64 128 64 256
4.5.1. Operaţii cu variabile aleatoare
În cele ce urmează vom presupune că variabilele aleatoare X şi Y au

următoarele tablouri de distribuţie:
⎛x xi xn ⎞ ⎛ y1 yi ym ⎞
X : ⎜⎜ 1 ⎟⎟ şi Y : ⎜⎜ ⎟.
⎝ p1 pi pn ⎠ ⎝ q1 qj qm ⎟⎠
a) Adunarea variabilelor aleatoare
Variabila aleatoare X + Y are tabloul de distribuţie
⎛ x1 + y1 x1 + y 2 … xi + y j … xn + y m ⎞
X + Y : ⎜⎜ ⎟.
⎝ p11 p12 … pij … pnm ⎟⎠
unde pij = P(X + Y = xi + y j ) = P[( X = xi ) ∩ (Y = y j )] şi

n m
∑∑ p
i =1 j =1
ij =1.
In urma calculelor valorile se aseaza in ordine crescatoare iar daca exista

valori ce se repeta atunci valoarea va fi scrisa o singură dată iar probabilităţile
valorilor identice se vor aduna.
104

Dacă variabilele aleatoare X şi Y sunt independente atunci
( ) ( )
pij = P X + Y = xi + y j = P( X = xi ) ⋅ P Y = y j = pi ⋅ q j , Ceea ce conduce la scrierea:
⎛ xi + y j ⎞
X + Y : ⎜⎜ ⎟.
⎟
⎝ pi ⋅ q j ⎠
Variabila aleatoare X + Y se numeşte suma variabilelor aleatoare X şi Y.
În cazul în care Y = a constantă se obţine suma dintre o constanta şi o
variabilă aleatoare şi avem:
⎛x +a x 2 + a … xi + a … x n + a ⎞
X + a : ⎜⎜ 1 ⎟.
⎝ p1 p2 … pi … p n ⎟⎠
b) Înmulţirea variabilelor aleatoare
Variabila aleatoare X Y are tabloul de distribuţie

⎛ x1 y1 x1 y 2 … xi y j … xn y m ⎞
X ⋅ Y : ⎜⎜ ⎟
⎝ p11 p12 … pij … pnm ⎟⎠
unde ( ) [ ( )] (
pij = P X ⋅ Y = xi ⋅ y j = P ( X = xi ) ∩ Y = y j = P( X = xi ) ⋅ P Y = y j = pi ⋅ q j ) şi
n m
∑∑ pi =1 j =1
ij =1.
Variabila aleatoare X Y se numeşte produsul variabilelor aleatoare X şi Y.

În cazul în care Y = a constanta iar a ≠ 0 se obţine produsul dintre o
constanta şi o variabilă aleatoare şi avem:
⎛ ax a x2 … a xi … a xn ⎞
a X : ⎜⎜ 1 ⎟.
⎝ p1 p2 … pi … pn ⎟⎠
In urma calculelor valorile se aseaza in ordine crescatoare iar daca exista

valori ce se repeta atunci valoarea va fi scrisa o singura data iar probabilitatile
celor doua valori identice se vor aduna.
c). Ridicare la putere a unei variabile aleatoare:
⎛x n x2
n
… xi
n
… xn ⎞⎟
n
X n : ⎜⎜ 1 .
⎝ p1 p2 … pi … pn ⎟⎠
( )
P X n = x1 = P( X = x1 ) = p1 ,
n
P (X ) = P( X = x ) = p ,
n n
= x2 2 2
105

( )
P X = xi = P ( X = xi ) = p i ,
n n
P (X ) = P( X = x ) = p .
n n
= xn n n
EXEMPLU:
Fie următoarele două variabile aleatoare:
⎛0 2 4⎞ ⎛1 2⎞
X :⎜ 2 3 5 ⎟ şi Y : ⎜ 3 7 ⎟.
⎜ ⎟ ⎜ ⎟
⎝ 10 10 10 ⎠ ⎝ 10 10 ⎠
Să se calculeze: 2 + X , (− 4) ⋅ X , X3, X+Y, X Y.

⎛ 2 + 0 2 + 2 2 + 4⎞ ⎛ 2 4 6⎞
2 + X :⎜ 2 3 5 ⎟=⎜ 2 3 5 ⎟,
⎜ ⎟ ⎜ ⎟
⎝ 10 10 10 ⎠ ⎝ 10 10 10 ⎠
2
P(2 + X = 2 ) = P( X = 0) = ,
10
3
P(2 + X = 4 ) = P( X = 2) = ,
10
5
P(2 + X = 6 ) = P( X = 4) = .
10
⎛ − 4 ⋅ 0 − 4 ⋅ 2 − 4 ⋅ 4⎞ ⎛ 0 − 8 − 16 ⎞
− 4⋅ X :⎜ 2 3 5 ⎟=⎜ 2 3 5 ⎟,
⎜ ⎟ ⎜ ⎟
⎝ 10 10 10 ⎠ ⎝ 10 10 10 ⎠
2
P(− 4 ⋅ X = 0) = P ( X = 0) = ,
10
3
P(− 4 ⋅ X = −8) = P( X = 2 ) = ,
10
5
P (− 4 ⋅ X = −16 ) = P ( X = 4 ) = .
10
⎛0 2 4⎞ ⎛1 2⎞
X +Y = ⎜ 2 3 5 ⎟+⎜ 3 7 ⎟=
⎜ ⎟ ⎜ ⎟
⎝ 10 10 10 ⎠ ⎝ 10 10 ⎠
⎛ 0 +1 0+2 2 +1 2+2 4 +1 4+2 ⎞

⎜2 3 2 7 3 3 3 7 5 3 5 7 ⎟=
⎜ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⎟
⎝ 10 10 10 10 10 10 10 10 10 10 10 10 ⎠
⎛ 1 2 3 4 5 6 ⎞
⎜ 6 14 9 21 15 35 ⎟ .
⎜ ⎟
⎝ 100 100 100 100 100 100 ⎠
⎛0 2 4⎞ ⎛1 2⎞
X ⋅Y = ⎜ 2 3 5 ⎟⋅⎜ 3 7 ⎟=
⎜ ⎟ ⎜ ⎟
⎝ 10 10 10 ⎠ ⎝ 10 10 ⎠
106

⎛ 0 ⋅1 0⋅2 2 ⋅1 2⋅2 4 ⋅1 4⋅2 ⎞
⎜2 3 2 7 3 3 3 7 5 3 5 7 ⎟=
⎜ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⎟
⎝ 10 10 10 10 10 10 10 10 10 10 10 10 ⎠
⎛ 0 2 4 8 ⎞
⎜ 20 9 36 35 ⎟ .
⎜ ⎟
⎝ 100 100 100 100 ⎠
4.5.2. Funcţia de repartiţie a unei variabile aleatoare
În practică apare nevoia de a determina probabiliatea ca o variabilă

aleatoare să ia o valoare mai mică decât o valoare reală. Pentru a descrie acest
lucru vom defini în continuare funcţia de repartiţie a variabilei aleatoare.
Definiţie 29. Fie X : Ω → R o variabilă aleatoare. Se numeşte funcţie de
repartiţie a variabilei aleatoare X, notată FX , o funcţie FX : R → R cu
proprietatea că:
FX (x ) = P ( X < x ) .
⎛a⎞
Observaţie: 1. Dacă variabila aleatoare este o constantă X : ⎜⎜ ⎟⎟ atunci funcţia de
⎝1⎠
repartiţie este definită în modul următor:
⎧0, x ≤ a
FX ( x ) = ⎨ .
⎩1, x > a
Fig. 3. - Reprezentare grafică a funcţiei de repartiţie
⎛0 1⎞
Dacă variabila aleatoare are tabloul de distribuţie: X A : ⎜⎜ ⎟ , unde
⎝q p ⎟⎠
A = {X = 1 / P( A) = p}. Funcţia de repartiţie este definită astfel:
107

⎧0, x ≤ 0,
⎪
FX ( x ) = ⎨q, 0 < x ≤ 1,
⎪1, x > 1.
⎩
3. După cum am definit funcţia de repartiţie putem deduce în continuare

probabilitatea ca variabila X să ia valori într-un anumit interval (a, b].
P(a ≤ X < b ) = F (b ) − F (a ) .
Pentru aceasta pornim de la faptul că intervalele ( X < a ); (a ≤ X < b ) sunt disjuncte,

iar reuniunea lor dau intervalul ( X < b ) :
definitie
F (b ) = P( X < b ) = P( X < a ) + P(a ≤ X < b ) = F (a ) + P(a ≤ X < b ) de unde rezultă
imediat
P(a ≤ X < b ) = F (b ) − F (a ) .
EXEMPLU 1:
Fie variabila aleatoare X:
⎛x x2 xi xn ⎞
X : ⎜⎜ 1 ⎟.
⎝ p1 p2 pi pn ⎟⎠
Funcţia de repartiţie pentru această variabilă aleatoare se determină astfel:
⎧0, x ≤ x1 ,
⎪p , x < x ≤ x ,
⎪ 1 1 2
⎪⎪ p1 + p2 , x2 < x ≤ x3 ,
FX (x ) = ⎨
⎪
⎪ p1 + p2 + + p n−1 , xn−1 < x ≤ xn ,
⎪
⎩⎪ p1 + p2 + + p n−1 + p n , xn < x.
EXEMPLU 2:
Se consideră variabila aleatoare X reprezentând rezultatul aruncării unui zar.

Tabloul de repartiţie va fi:
⎛1 2 3 4 5 6⎞
X :⎜1 1 1 1 1 1⎟.
⎜ ⎟
⎝6 6 6 6 6 6⎠
Această variabilă aleatoare are funţia de repartiţie

108

Fig. 4. - Reprezentare grafică a funcţiei de repartiţie
⎧0, x ≤ 1,
⎪1
⎪ , 1 < x ≤ 2,
⎪6
⎪2
⎪ , 2 < x ≤ 3,
⎪6
⎪3
FX ( x ) = ⎨ , 3 < x ≤ 4,
⎪6
⎪4
⎪6 , 4 < x ≤ 5,
⎪
⎪5 , 5 < x ≤ 6,
⎪6
⎪
⎩1, x > 6.
Proprietăţi:
P1. Funcţia de repartiţie F este crescătoare;
P2. F (− ∞ ) = lim F (x ) = 0 ;
x→−∞
F (+ ∞ ) = lim F (x ) = 1 ;
x →∞
P3. Funcţia de repartiţie F este continuă la stânga, adică

F (x − 0 ) = F ( x ), ∀ x ∈ R ;
P4. Fie X o variabilă aleatoare şi F ( x ) funcţia de repartiţie. Atunci au loc:
P(a ≤ X ≤ b ) = F (b ) − F (a ) + P( X = b ) .
P(a < X ≤ b ) = F (b ) − F (a ) − P( X = a ) + P( X = b ) .
P(a < X < b ) = F (b ) − F (a ) − P( X = a ) .
Demonstraţie:
2. F (− ∞ ) = lim F (x ) = P( X < −∞ ) = P(∅ ) = 0 ,
x→−∞
F (+ ∞ ) = lim F (x ) = P( X < +∞ ) = P(Ω ) = 1 .

x →∞
Observaţie:
109

1. Pentru o variabilă aleatoare discretă X ce ia valorile x1 , x2 , x3 ,... cu
probabilităţile p1 , p2 , p3 ,... se defineşte funcţia de densitate de repartiţie prin:
⎧ p , daca x = xi ,
f (x ) = ⎨ i
⎩0, in rest.
Astfel funcţia de distribuţie poate fi determinată în modul următor:
F (x ) = ∑ f (x ) = ∑ p
xi ≤ x
i
xi ≤ x
i .
Definiţie 30. Fie F funcţia de repartiţie a unei variabile aleatoare X. Se numeşte

densitate de repartiţie (densitate de probabilitate) a variabilei aleatoare X orice
x
funcţie f : R → R + integrabilă pe R cu probabilitatea F (x ) = ∫ f (t )dt .
−∞
Deoarece funcţia de densitate este continuă cu excepţia eventual a unui

număr finit de puncte de discontinuitate de specia întâi vom spune că variabila
aleatoare este de tip continuu. Mai mult ea este şi derivabilă şi conform definiţiei
30 obţinem prin derivare în raport cu x:
F ' (x ) = f (x ) . ∀ x ∈ R
Această relaţie ne permite să cunoaştem funcţia densitate de repartiţie f

când cunoaştem funcţia de repartiţie F.
Proprietăţi: Dacă X este variabilă aleatoare continuă cu funcţia densitate de

reparţie f şi funcţia de repartiţie F atunci au loc proprietăţile:
1. Dacă I ⊆ R :
P( X ∈ I ) = ∫ f (t ) dt ;
I
2. Dacă I = (a, b ] :
b
P(a ≤ X < b ) = F (b ) − F (a ) = ∫ f (t ) dt ;
a
3. Dacă I este R:
110

+∞
∫ f (t ) dt = P(− ∞ < X < +∞ ) = P(Ω) = 1 .

−∞
4. Pentru variabile aleatoare continue are loc:
P(a ≤ X ≤ b ) = P(a < X ≤ b ) = P(a ≤ X < b ) =

b
= P(a < X < b ) = ∫ f (t ) dt = F (b ) − F (a ), oricare a , b ∈ R.
a
EXEMPLU:
Se consideră variabila aleatoare continuă X având funcţia densitate de repartiţie:
⎧0, x ≤ 1,
⎪x
⎪
f (x ) = ⎨ , 1 < x ≤ 3,
⎪4
⎩⎪1, x > 3.
Să se determine funcţia de distribuţie F şi să se calculeze P(1 ≤ X < 3) .
Rezolvare: Folosind definiţia calculăm:
x x
Pentru intervalul x ≤ 1 , F (x ) = ∫ f (t ) dt = 0 dt = 0 ,
∫
−∞ −∞
x 1 x x
Pentru intervalul 1 < x ≤ 3 F (x ) = ∫ f (t ) dt = ∫ f (t ) dt + ∫ f (t ) dt =
1
∫
41
1
( )
t dt = x 2 − 1 .
8
−∞ −∞ 1
x 1 3 3
1 1
Pentru intervalul x > 3 F (x ) = ∫ f (t ) dt = ∫ f (t ) dt + ∫ f (t ) dt = ∫t dt = (9 − 1) = 1 .
−∞ −∞ 1
41 8
⎧0, x ≤ 1,
⎪1
Am obţinut
⎪
(
F ( x ) = ⎨ x 2 − 1 , 1 < x ≤ 3, )
⎪8
⎪⎩1, x > 3.
3 3
1
Vom calcula P(1 ≤ X < 3) = ∫ f (t ) dt = ∫
t dt = 1
1
41
sau folosim definiţia funcţiei F
1
P (1 ≤ X < 3) = F (3) − F (1) = (9 − 1) − 1 (1 − 1) = 8 + 0 = 1 .
8 8 8
111

4.5.3 Valori tipice ale unei variabile aleatoare
Analiza unui fenomen sau experiment se realizează cu dificultate pe baza

analizei valorilor sau a probabilităţilor de apariţie. De aici apare necesitatea
utilizării a unor valori standard ale unei variabile aleatoare numite în continuare
valori tipice.
I. Caracteristici numerice ce exprimă tendinţa centrală a valorilor unei

variabile aleatoare.
a) Media
Definiţie 31. Fie X o variabilă aleatoare discretă având tabelul de repartiţie:

⎛x ⎞
X : ⎜⎜ i ⎟⎟ , i= 1,n. Se numeşte media variabilei aleatoare discrete numărul
⎝ pi ⎠
n
M ( X ) = x1 ⋅ f (x1 ) + x2 ⋅ f ( x2 ) + + xn ⋅ f (xn ) = ∑ x ⋅ f (x ) .
i =1
i i
Dacă se ţine seama de definiţia funcţiei densitate de probabilitate f atunci

media variabile se poate calcula după formula:
n
M ( X ) = x1 ⋅ p1 + x2 ⋅ p 2 + + xn ⋅ p n = ∑x ⋅ p
i =1
i i .
Observaţie: Media se notează μ (μ X ) şi caracterizează tendinţa centrală a

valorilor variabilei aleatoare.
Definiţie 32. Fie X o variabilă aleatoare continuă. Se numeşte media variabilei

aleatoare continue (dacă există):
M ( X ) = ∫ x ⋅ f ( x ) dx .
R
Proprietăţi: Fie a ∈ R , X şi Y două variabile aleatoare:

1. M (a ) = a,
2. M (a X ) = a M ( X ),
3. M ( X + Y ) = M ( X ) + M (Y ),
4. M ( X + a ) = M ( X ) + a,
112

5. M ( X Y ) = M ( X ) M (Y ), X şi Y variabile aleatoare independente.
Demonstraţie:
⎛a⎞
1. a constantă a : ⎜⎜ ⎟⎟ conform definiţiei M (a ) = a ⋅ 1 = a ;
⎝1⎠
n n
2. M (aX ) = ∑ a ⋅ xi ⋅ pi = a ⋅ ∑ xi ⋅ pi = a ⋅ M ( X ) ;
i =1 i =1
⎛x ⎞ j ⎛y ⎞ i j ⎛x + y ⎞
3. X : ⎜⎜ i ⎟⎟ şi Y : ⎜⎜ ⎟⎟ şi conform definiţiei X + Y : ⎜⎜ ⎟
⎟
p
⎝ i⎠ q
⎝ j⎠ p ⋅
⎝ i j⎠q
n m n m n m
M (X + Y ) = ∑∑ (x
i =1 j =1
i )
+ y j ⋅ pi ⋅ q j = ∑∑
i =1 j =1
xi ⋅ pi ⋅ q j + ∑∑ y
i =1 j =1
j ⋅ pi ⋅ q j =
n m n m
= ∑ (x ⋅ p )∑ ⋅ q + ∑ p ∑ (y
i =1
i i
j =1
j
i =1
i
j =1
j )
⋅ q j = M ( X ) + M (Y ) , deoarece
n m
∑p
i =1
i = 1 şi ∑q
j =1
j = 1.
4. demonstraţie este imediată deoarece alegem la relaţia anterioară

variabila aleatoare Y constantă.
n m n m
5. M ( X ⋅ Y ) = ∑∑ xi ⋅ y j ⋅ pi ⋅ q j = ∑ (xi ⋅ pi ) ⋅ ∑ (y j ⋅ q j ) = M ( X ) ⋅ M (Y ) .
i =1 j =1 i =1 j =1
Exemple:
Observaţii: Media unei variabile aleatoare discrete X are următoarea

interpretare: M ( X ) este valoarea în jurul căreia se grupează valorile variabilei
aleatoare X.
b) Mediana
Definiţie 33. Mediana unei variabile aleatoare discrete este o valoare

numerică, notată M e ( X ) , care împarte valorile variabilei X în două grupe de
probabilităţi egale:
1
P( X < M e ( X )) = P( X ≥ M e ( X )) = .
2
Pentru a determina mediana unei variabile aleatoare continue folosim funcţia
de repartiţie F (x ) = P( X < x ) . Proprietatea din definiţia anterioară se scrie
P( X < M e ( X )) = P( X ≥ M e ( X ))
113

definitie
Dar P( X < M e ( X )) = F (M e ( X ))
definitie
P( X ≥ M e ( X )) = 1 − F (M e ( X )) de unde obţinem:
1
F (M e ( X )) = 1 − F (M e ( X )) şi de aici F (M e ( X )) = .
2
1
Pentru variabilă aleatoare continua X relaţia F (x ) = conduce la
2
Me
1
∫ f (x ) dx = 2 .
a
Având în vedere că funcţia F este continuă şi crescătoare rezultă o soluţie unică.
2x +1
EXEMPLU: Fie variabila aleatoare continua X cu f ( x ) = , x ∈ [1, 2] . relaţia
8
1
F (x ) = conduce la
2
x x
2t + 1 1
F (x ) = ∫ dt = ∫ (2t + 1) dt = 1
1
8 81 2
de unde:
8
(
1 2 1
)
x + x − 2 = ⇒ x 2 + x − 6 = 0 ⇒ x1 = −3 ∉ [1, 2]; x2 = 2 ∈ [1, 2]⇒ M e ( X ) = 2 .
2
c. Cuantile (de ordin n)
Alte valori ce analizează gruparea valorilor sunt cuantilele de ordin n. Ele sunt
valori ale unei variabile aleatoare care împart repartiţia în n părţi egale. Trebuie
iniţial ca valorile să fie ordonate crescător. În funcţie de valorile lui n identificăm
mai multe cazuri:
n = 4, atunci vorbim despre cuartile, în număr de 3: prima x 0.25 sau Q1 -
cuartila inferioară, x 0.50 sau Q2 este chiar mediana, x 0.75 sau Q3 cuartila
superioară iar diferenţa Q3 - Q1 reprezintă intervalul intercuartilic.

n = 10, atunci vorbim despre decile (în număr de 9);
n = 100, atunci vorbim despre percentile (în număr de 99).
114

d) Valoarea modală
Valoarea modală sau dominantă este valoarea variabilei X cu funcţie

densitate de repartiţie f ( xi ) care are probabilitatea cea mai mare de apariţie.
Notaţia este M 0 ( X ) .
M 0 ( X ) = xk unde pk = max pi = max f (xi ) i =1, 2, …n.
Dacă variabila aleatoare are două valori cu probabilitaţi egale maxime

spunem că variabila este bimodală. Dacă are trei valori cu probabilitaţi egale
maxime trimodală, dacă toate valorile au aceeaşi probabilitate de apariţie atunci
variabila nu are valoare modală.
e) Momentul simplu şi centrat
În momentul în care am definit valoarea medie a unei variabile aleatoare

se poate defini cu uşurinţă o altă valoare importantă şi anume momentul simplu.
Definiţie 28. Se numeşte momentul iniţial de ordin r ( r ∈ N * ) al variabilei

aleatoare discrete X, numărul:
( ) ∑x
n
M r (X ) = M X r = r
i pi .
i =1
În particular
M1 (X ) = M (X ).
Pentru varibile aleatoare continue se defineşte în mod analog (daca integrala

există):
∞
M r (X ) = ∫x
r
⋅ f (x ) dx .
−∞
Definiţie 29. Se numeşte momentul centrat de ordin r al variabilei aleatoare X

numărul:
[ ] ∑ (x − M ( X )) p
n
mr = M r ( X − M ( X )) = M ( X − M ( X )) =
r r
i i .
i =1
115

II. Caracteristici numerice ce caracterizează gradul de împrăştiere a
valorilor unei variabile aleatoare.
f) Amplitudinea
Amplitudinea este valoarea egală cu diferenţa dintre cea mai mare şi cea
mai mică dintre valorile variabilei X.
A( X ) = max{x1 , x2 ,..., xn } − min{x1 , x2 ,..., xn }.
Media unei variabile aleatoare poate da o idee greşită asupra mărimii

majorităţii valorilor dacă în seria de valori apar valori extreme (foarte mici sau
foarte mari). Astfel introducem următoare definiţie.
g). Abaterea individuală
Definiţie 30. Abaterea individuală se calculează ca diferenţa dintre

valoarea variabilei aleatoare minus media valorilor:
d i = xi − M ( X )
sau, în mărime relativă:
xi − M ( X )
di % = ⋅100 .
M (X )
h) Abaterea medie liniară
Definiţie 31. Abaterea medie liniară reprezintă valoarea obţinută ca o

medie aritmetică a abaterilor individuale faţă de medie:
∑x
i =1
i − M (X )
d=
n
g). Dispersia
Definiţie 32. Se numeşte dispersia (varianţa) lui X momentul centrat de ordin

doi al variabilei aleatoare discrete X.
Dispersia unei variabile aleatoare X se notează cu D 2 ( X ) sau σ X2 .
116

[ ] ∑ (x − M (X )) ⋅ p .
n
D 2 ( X ) = m2 ( X ) = M ( X − M ( X )) =
2 2
i i
i =1
Observaţie: 1. Dacă urmărim raţionamentul de mai jos observăm că
⎛x ⎞ ⎛ x − M ( X )⎞
X : ⎜⎜ i ⎟⎟, i = 1...n , X − M ( X ) : ⎜⎜ i ⎟⎟, i = 1...n
⎝ pi ⎠ ⎝ pi ⎠
de unde M ( X − M ( X )) = M ( X ) − M (M ( X )) = 0 . Astfel dispersia se defineşte ca

fiind media pătratelor abaterii de la medie.
2. În calcule este mai uşor de utilizat expresia:
( ) (
D 2 ( X ) = M ( X − M ( X )) = M X 2 − 2 ⋅ X ⋅ M ( X ) + M 2 ( X ) = .
2
)
( )
= M X 2 − 2 ⋅ M (X )⋅ M (X ) + M 2 (X ) = M X 2 − M 2 (X ) . ( )
( )
D 2 (X ) = M X 2 − M 2 (X ) .
Proprietăţi: Dispersia unei variabile aleatoare are proprietăţile a ∈ R :
1. D 2 (a ) = 0;
2. D 2 (a X ) = a 2 D 2 ( X );
3. D 2 (a + X ) = D 2 ( X );
4. D 2 ( X + Y ) = D 2 ( X ) + D 2 (Y ); dacă X şi Y sunt independente.
5. Inegalitatea lui Cebîşev15: Fie X o variabilă aleatoare, iar a un număr

pozitiv oarecare atunci
D 2 (X )
P( X − M ( X ) < a ) ≥ 1 −
a2
Adică probabilitatea ca X să se abată de la medie trebuie să fie mai mică

D 2 (X )
decât .
a2

15
Pafnuti Lvovici Cebîşev (1821 ‐ 1894 ) ‐ matematician rus; este cunoscut pentru teorema limită
centrală şi legea numerelor mari.
117

Demonstraţie:
1. D 2 (a ) = M (a 2 ) − M 2 (a ) = 0;
2.
( )
D (a ⋅ X ) = M a 2 ⋅ X 2 − M 2 (a ⋅ X ) =
2
2
= a ⋅M X ( )− a M
2 2 2
(X ) = a 2 ⋅ D 2 (X ) ;
( )
3. D 2 ( X + Y ) = M ( X + Y )2 − M 2 ( X + Y ) = M (X 2 + 2 ⋅ X ⋅ Y + Y 2 ) − M 2 ( X + Y ) =
( ) ( )
= M X 2 − 2 ⋅ M ( X )⋅ M (Y ) + M Y 2 − (M ( X ) + M (Y )) =
2
= M (X ) − 2 ⋅ M ( X )⋅ M (Y ) + M (Y ) − (M ( X ) + 2 M ( X )⋅ M (Y ) + M
2 2 2 2
(Y )) =
= M (X ) + M (Y ) − (M ( X ) + M (Y )) = D ( X ) + D (Y )
2 2 2 2 2 2
4. D 2 (a + X ) = D 2 (a ) + D 2 ( X ) = 0 + D 2 ( X ) = D 2 ( X );
Dacă X este o variabilă aleatoare continuă cu funtia densitate de

repartitie f ( x ) spunem că dispersia se calculează în modul următor (dacă integrala
există):
2
b
⎛b ⎞
D ( X ) = x f (x ) dx − ⎜ x ⋅ f ( x ) dx ⎟ .
2
∫
2
∫
⎜ ⎟
a ⎝a ⎠
h) Abaterea medie pătratică (deviaţia standard)
Definiţie 31. Abaterea medie pătratică este definită ca fiind rădăcina pătrată a
dispersiei. Se notează cu D(X) sau σ X .
D( X ) = σ X = D 2 ( X ) .
adică:
n
D( X ) = σ X = ∑ (x
i =1
i − M ( X )) ⋅ pi .
2
Observaţie: 1. Cantităţile precum media şi dispersia care indică anumite

proprietăţi ale distribuţiei se numesc parametrii distribuţiei.
2. Abaterea medie pătratică reflectă într-o măsură mai mare influenţa factorilor
aleatori comparativ cu abaterea medie liniară. Deoarecel abaterile extreme prin
ridicare la pătrat au o influenţă mai mare decât abaterile intermediare, mai
apropiate de medie.
118

i). Coeficientul de variaţie
Acest coeficient este utilizat în scopul stabilirii gradului de omogenitate a unui

eşantion şi se obţine din raportul dintre abaterea medie pătratică şi media
variabilei.
D( X )
C.V .( X ) = ⋅100
M (X )
Observaţie: Interpretarea rezultatelor se face în felul următor (Jaba, 2005):
1. pentru variabila aleatoare X variabilitatea caracteristică se consideră mică

atunci când C.V .( X )% < 17% . În acest caz împrăştierea valorilor este mică de
unde rezultă că media este strict reprezentativă.
2. variabilitatea caracteristică se consideră medie atunci când C.V .( X )% < 35% .

În acest caz împrăştierea datelor este medie de unde rezultă că media este suficient
de reprezentativă.
3. variabilitatea caracteristică se consideră mare atunci când C.V .( X )% < 50% . În

acest caz media este reprezentativă în sens larg.
4. variabilitatea caracteristică se consideră foarte mare atunci când

C.V .( X )% > 50% . Împrăştierea valorilor este foarte mare şi media nu mai este
reprezentativă pentru reprezentarea tendinţei centrale a datelor. În acest caz se
recomandă utilizarea medianei în analiza statistică.
j). Coeficientul de asimetrie – skewness (Fisher)
m3 ( X )
β1 ( X ) = ,
(σ X )3
unde m3 ( X ) reprezintă momentul centrat de ordin 3, iar σ X2 varianţa.
Dacă valoarea mărimii β1 ( X ) este zero atunci variabila are distribuţia simetrică,
iar dacă valoarea coeficientului de asimetrie este pozitivă atunci distribuţia este
asimetrică.
119

k). Coeficientul de boltire – kurtosis (Pearson)
m4 ( X )
β 2 (X ) = ,
(σ )
2 2
X
unde m4 ( X ) reprezintă momentul centrat de ordin 4, iar σ X2 varianţa variabilei

aleatoare X.
Observaţie: pentru o distribuţie normală acest coeficient va avea valoarea 3.

Pentru valori mai mari distribuţia poartă denumirea de distribuţie leptocurtică
("leptos" = subţire), iar pentru valori mai mici poartă denumirea de distribuţie
platicuritcă ("platus" = lat).
Covarianţa (corelaţia)
Definiţie 32. Fie X şi Y două variabile aleatoare ce admit medie. Se numeşte

covarianţă (corelaţie) a celor două variabile valoarea:
cov( X , Y ) = M [( X − M ( X )) ⋅ (Y − M (Y ))] .
Observaţii:
1. Covarianţa este o măsură a variaţiei simultane a celor două variabile.
2. Dacă variabilele aleatoare X, Y sunt independente atunci cov( X , Y ) = 0 .

Reciproca nu este adevărată adică dacă două variabile aleatoare au
corelaţia 0 nu rezultă că sunt independente.
3. Daca covarianta este pozitiva variabilele X si Y cresc sau descresc

impreună (datele sunt corelate).
În practică coeficientul de corelaţie a două variabile este calculat astfel:
cov( X , Y )
ρ (X , Y ) = .
σ X ⋅σ Y
Coeficientul ρ ( X , Y ) este adimensional si − 1 ≤ ρ ( X , Y ) ≤ 1 .
EXEMPLU 1:
Să se calculeze caracteristicile numerice ale variabilei aleatoare X

determinată de suma punctelor obţinute la aruncarea a două zaruri.
120

Rezolvare: Se cer media, mediana, dominanta, dispersia, abaterea medie
pătratică, amplitudinea. Vom folosi definiţiile anterioare. Trebuie să determinăm
iniţial valorile variabilei aleatoare.
⎛ 2 3 4 5 6 7 8 9 10 11 12 ⎞
X :⎜ 1 2 3 4 5 6 5 4 3 2 1 ⎟.
⎜ ⎟
⎝ 36 36 36 36 36 36 36 36 36 36 36 ⎠
Modul de calcul a fost următorul: valoarea 2 o obţinem când pe ambele

zaruri apare faţa cu numărul 1. Probabilitatea de apariţie a acestui caz se
determină folosind definiţia probabilităţilor: există un singur caz favorabil şi 36
cazuri posibile (6 feţe are un zar şi 6 feţe al doilea zar).
11
Media: formula este M ( X ) = ∑ xi ⋅ pi :
i =1
1 2 3 4 5 6 5 4
M (X ) = 2 ⋅ + 3⋅ + 4 ⋅ + 5⋅ + 6 ⋅ + 7 ⋅ + 8⋅ + 9 ⋅ +
36 36 36 36 36 36 36 36
.
3 2 1
+ 10 ⋅ + 11 ⋅ + 12 ⋅ =7
36 36 36
Mediana: M e ( X ) = 7 verificăm dacă îndeplineşte condiţiile din definiţie:
1 2 3 4 5 15 1
P( X < 7 ) = + + + + = ≤ ,
36 36 36 36 36 36 2
15 6 1
P( X ≤ 7 ) = + > (adevărat).
36 36 2
Dominanta: M 0 ( X ) = 7 valoarea are probabilitatea cea mai mare.
Dispersia: Folosim formula D 2 ( X ) = M (X 2 ) − (M ( X ))2 .
Trebuie să mai calculăm media lui X2:
⎛ 4 9 16 25 36 49 64 81 100 121 144 ⎞

X 2 :⎜ 1 2 3 4 5 6 5 4 3 2 1 ⎟.
⎜ ⎟
⎝ 36 36 36 36 36 36 36 36 36 36 36 ⎠
( )
M X 2 = 4⋅
1
36
2 3 4 5 6
+ 9 ⋅ + 16 ⋅ + 25 ⋅ + 36 ⋅ + 49 ⋅ + 64 ⋅ +
36 36 36 36 36
5
36
4 3 2 1 1974
+ 81 ⋅ + 100 ⋅ + 121 ⋅ + 144 ⋅ = .
36 36 36 36 36
121

( )
D 2 ( X ) = M X 2 − (M ( X ))
2
=
1974
36
− 7 2 = 5.83 .
Abaterea pătratică medie:
σ X = D 2 ( X ) = 5.83 = 2.41 .
EXEMPLU 2:
Se consideră variabila aleatoare X cu următorul tablou de repartiţie:
⎛ −1 0 1⎞
X :⎜ 1 1⎟.
⎜α ⎟
⎝ 3 3⎠
a) Să se determine tabloul de repartiţie al variabilei aleatoare
Y = 2X + X 2 ;
b) Să se calculeze M (3Y ) şi D 2 (2011 − 2Y ) .
Rezolvare:
n
a) Folosim proprietatea ∑p
k =1
k = 1 pentru a găsi valoarea α :
1 1 1 1 1
α + + = 1 ⇒ α = 1− − = . .
3 3 3 3 3
⎛ −1 0 1⎞ ⎛− 2 0 2⎞
De unde obţinem X : ⎜ 1 1 1 ⎟ . Calculăm valoarea 2X : ⎜ 1 1 1⎟
⎜ ⎟ ⎜ ⎟
⎝3 3 3⎠ ⎝ 3 3 3⎠
unde am folosit realaţiile:
1
P(2 X = −2 ) = P( X = −1) = ,
3
1
P (2 X = 0 ) = P ( X = 0 ) = ,
3
1
P(2 X = 2 ) = P( X = 1) = .
3
⎛0 1⎞
Calculăm variabila aleatoare X 2 : ⎜ 1
⎜
( ) 1
2 ⎟ ; P X 2 = 0 = P ( X = 0 ) = şi
⎟ 3
⎝3 3⎠
( )
P X 2 = 1 = P[( X = 0) ∪ ( X = −1)] = P( X = 0) + P( X = −1) =
1 1 2
+ = .
3 3 3
⎛ − 2 −1 0 1 2 3⎞
Y = 2X + X 2 : ⎜ 1 2 1 2 1 2⎟.
⎜ ⎟
⎝ 9 9 9 9 9 9⎠
122

Modul de calcul pentru probabilităţile ce apar în variabila aleatoare Y este
următorul:
[ ( )] 1 1 1
P(Y = −2) = P (2 X = −2) ∩ X 2 = 0 = P(2 X = −2)P X 2 = 0 = ⋅ = ,
3 3 9
( )
[ ( )] 1 2 2
P(Y = −1) = P (2 X = −2 ) ∩ X 2 = 1 = P(2 X = −2 )P X 2 = 1 = ⋅ = ,
3 3 9
( )
[ ( )] 1 1 1
P(Y = 0) = P (2 X = 0) ∩ X 2 = 0 = P(2 X = 0 )P X 2 = 0 = ⋅ = ,
3 3 9
( )
[ ( )] 1 2 2
P(Y = 1) = P (2 X = 0) ∩ X 2 = 1 = P(2 X = 0)P X 2 = 1 = ⋅ = ,
3 3 9
( )
[ ( )] 1 1 1
P(Y = 2) = P (2 X = 2 ) ∩ X 2 = 0 = P(2 X = 2)P X 2 = 0 = ⋅ = ,
3 3 9
( )
[ ( )] 1 2 2
P (Y = 3) = P (2 X = 2 ) ∩ X 2 = 1 = P (2 X = 2 )P X 2 = 1 = ⋅ = .
3 3 9
( )
b) Pentru a calcula media folosim proprietăţile mediei M (3Y ) = 3 ⋅ M (Y ) unde
1 2 1 2 1 2 −2−2+2+2+6 2
M (Y ) = (− 2 ) ⋅ + (− 1) ⋅ + 0 ⋅ + 1 ⋅ + 2 ⋅ + (3) ⋅ = = .
9 9 9 9 9 9 9 3
2
Deci media ce trebuia calculată este M (3Y ) = 3 ⋅ =2.
3
Pentru a calcula dispersia variabilei aleatoare folosim proprietăţile
D 2 (2011 − 2Y ) = D 2 (− 2Y ) = (− 2 ) ⋅ D 2 (Y ) = 4 ⋅ D 2 (Y )
2
dispersiei unde
( )
D 2 (Y ) = M Y 2 − [M (Y )] .
2
⎛0 1 4 9⎞
Y 2 :⎜ 1 4 2 2⎟ .
⎜ ⎟
⎝9 9 9 9⎠
Modul de calcul pentru probabilităţile ce apar în variabila aleatoare Y2 este
următorul:
( )
P Y 2 = 0 = P(Y = 0 ) =
1
9
,
( )
P Y 2 = 1 = P[(Y = −1) ∪ (Y = 1)] = P(Y = −1) + P(Y = 1) =
2 2 4
+ = ,
3 3 9
( )
P Y 2 = 4 = P[(Y = −2) ∪ (Y = 2 )] = P(Y = −2 ) + P(Y = 2 ) =
1 1 2
+ = ,
3 3 9
( )
P Y 2 = 9 = P(Y = 3) =
2
9
,
( ) 1
9
4
9
2
9
2 4 + 8 + 18 30 10
M Y 2 = 0 ⋅ + 1⋅ + 4 ⋅ + 9 ⋅ =
9 9
=
9
=
3
,
123

2
[M (Y )]2 = ⎛⎜ 2 ⎞⎟ =
4
. Înlocuim valorile găsite în definiţia dispersiei:
⎝3⎠ 9
( )
D 2 (Y ) = M Y 2 − [M (Y )] =
2 10 4 30 − 4 26
− =
3 9 9
=
9
.
26 104
De unde obţinem în final: D 2 (2011 − 2Y ) = 4 ⋅ D 2 (Y ) = 4 ⋅ = .
9 9
EXEMPLUL 3:
Un partid a estimat că un anumit candidat are 35% şanse să câştige alegerile

locale. Câţi alegători trebuie să chestionăm dacă vrem să verificăm poziţia
partidului cu o probabilitate de cel puţin 0.97, ştiind că procentul de alegători ce
intenţionează să-l voteze pe candidat se încadrează între 30% şi 40%?
Rezolvare: Considerăm o variabilă aleatoare Xn este numărul celor care
votează candidatul din n participanţi aleşi aleator. Vom calcula numărul cel mai
mic n pentru care
⎛ X ⎞
P ⎜ 0.3 ≤ n ≤ 0,4 ⎟ ≥ 0,97 .
⎝ n ⎠
Variabila aleatoare X are repartiţia de tip binomial B(n, 0.25) unde n este
numărul de oameni pe care vrem să-l determinăm.
Xn
Frecvenţa relativă cu care este votat candidatul se calculează uşor .
n
⎛ X n ⎞ np
Media este dată M ( X n ) = n ⋅ p , dar M ⎜ ⎟= = p = 0.35 , iar pentru a calcula
⎝ n ⎠ n
⎛X ⎞ 1
dispersia folosim proprităţile D 2 ⎜ n ⎟ = 2 D 2 (X n ) de unde rezultă
⎝ n ⎠ n
1 91
2
npq = 0.35 ⋅ 0.65 = . Aplicăm inegalitatea lui Cebîşev pentru a = 0.05.
n 400n
⎛X ⎞
D2 ⎜ n ⎟
⎛ Xn ⎞ ⎝ n ⎠ ≥ 0,97 , de aici putem determina numărul
P⎜⎜ − 0,35 ≤ 0.05 ⎟⎟ ≥ 1 −
⎝ n ⎠ 0 .05 2
n:
124

91
91 ⋅10000 91
1 − 400n2 ≥ 0,97 adică 1− ≥ 0,97 de unde ≤ 0,03
0.05 400n ⋅ 25 n
9100
⇒n≥ ≅ 3033 .
3
Concluzia: chestionarul trebuie făcut pe un minim de 3033 de alegători.
# Exerciţii
1. Fie X şi Y două variabile aleatoare cu repartiţiile:

⎛− 2 3 ⎞ ⎛ 0 4 6 ⎞
X : ⎜⎜ ⎟⎟ Y : ⎜⎜ ⎟⎟ .
⎝ 0.4 0.6 ⎠ ⎝ 0.3 0.5 0.2 ⎠
a) Să se determine tabloul de repartiţie pentru următoarelor variabile
aleatoare: 12 X + 4Y , X 2 + Y 2 , X + Y , X 2 ⋅ Y 2 ;
b) Să se calculeze
M ( X ), M (Y ), M (X 2 ), M (Y 2 ), D 2 ( X ), D 2 (Y ), D 2 (4X ), D 2 ( XY ) .

⎛− 2 0 2⎞ ⎛−1 0 1⎞
X :⎜ 5 1⎟, Y :⎜ 3 1⎟.
⎜ p p ⎟ ⎜ q q ⎟
⎝ 3 3⎠ ⎝ 5 5⎠
a) Să se determine valorile p şi q;
b) Să se calculeze D 2 (3 X + 2Y ) .

⎛a 1 2⎞ ⎛a −1 1 2⎞
X :⎜1 1 1⎟, Y :⎜ 1 1 1⎟.
⎜ ⎟ ⎜ ⎟
⎝3 3 3⎠ ⎝ 4 4 2⎠
2
Să se determine valoarea lui a dacă D 2 ( X + Y ) = .
3
4. Se aruncă o monedă de 9 ori. Să se calculeze caracteristicile numerice
ale variabilei aleatoare X ce reprezinta numărul de apariţii ale stemei.
125

4.6 Repartiţii clasice
A. Repartiţii de tip discret
Vom defini câteva variabile aleatoare cu un număr finit de valori mai des
întâlnite în aplicaţii.
1) Repartiţia uniformă discretă U(n)
Definiţie 33. Spunem că variabila aleatoare X are repartiţie uniformă U(n)

dacă valorile lui X au aceeaşi probabilitate de apariţie:
⎛1 2 … n⎞
X : ⎜⎜ ⎟,
⎝ p1 p2 … p n ⎟⎠
1
unde p k = P( X = k ) = , k = 1, …, n.
n
În acest caz media este
1 1 1 1 + 2 + + n n ⋅ (n + 1) n + 1
μ X = M ( X ) = 1⋅ + 2 ⋅ + n⋅ = = = .
n n n n 2n 2
⎛ 12 22 … n2 ⎞
Calculăm X 2 : ⎜⎜ ⎟ de unde
⎝ p1 p2 … pn ⎟⎠
1 1 1 12 + 2 2 + + n2
M ( X 2 ) = 12 ⋅ + 22 ⋅ + n2 ⋅ = =
n n n n
n ⋅ (n + 1)(2n + 1) (n + 1)(2n + 1)
= =
6n 6
Dispersia este
( )
σ X2 = D 2 ( X ) = M X 2 − M 2 ( X ) =
(n + 1)(2n + 1) − (n + 1)2 =
n2 −1
.
6 4 12
2) Repartiţia Bernoulli de parametru p
Definiţie 34. Variabila aleatoare X are repartiţie Bernoulli de parametru p

dacă ia valorile 0 şi 1 cu probabilităţile: p = P( X = 1) şi q = P( X = 0 ) :
⎛0 1⎞
X : ⎜⎜ ⎟ unde p + q = 1, şi X2 este identic cu X.
⎝q p ⎟⎠
( )
μ X = M ( X ) = M X 2 = 0 ⋅ q + 1⋅ p = p ;
126

σ = D (X ) = M X
2
X
2
( )− M
2 2
(X ) = p − p 2
= p(1 − p ) = p ⋅ q .
Notaţie: B (1, p ) .
3) Repartiţia binomială de parametrii n şi p ( B(n, p ) )
Definiţie 35. Variabila aleatoare X are repartiţie Bernoulli de parametrii n

şi p dacă ia ca valori numărul de realizări ale unui eveniment A în n încercări cu
probabilitatea: P( X = k ) = C nk ⋅ p k ⋅ q n− k
Variabila X are următorul tablou de distribuţie:
⎛0 1 2 … k … n ⎞
X : ⎜⎜ n ⎟
⎝q C n1 pq n−1 C n2 p 2 q n−2 … C nk k
p q n− k
p n ⎟⎠
n
unde ∑C
k =1
k
n p k q n−k = ( p + q ) = 1
n
.
Notaţie: B(n, p ) .
În acest caz media este μX = M (X ) = n ⋅ p şi dispersia este
σ X2 = D 2 ( X ) = n ⋅ p ⋅ q .
Observaţie: 1. Variabila aleatoare X poate fi considerată ca suma a n
variabile Bernoulli de parametru p.
2. În practică este folosită la experimentele în care extragerile se
efectuează cu repunere.
4). Repartiţia hipergeometrică de parametrii n, a, b
Definiţie 35. Variabila aleatoare X are repartiţie hipergeometrică cu

parametrii n, a, b (n – numarul de extrageri, a numarul de bile albe, b numarul de
bile negre) dacă poate lua orice valoare întreagă cuprinsă între max(0, n − b ) şi
C ak ⋅ Cbn−k
min (n, a ) cu probabilitatea P( X = k ) = , n≤a+b.
C an+b
⎛ 0 1 2 … k … n ⎞
⎜ 0 n C a1 ⋅ C bn −1 C a2 ⋅ Cbn −2 C ak ⋅ C bn −k C an ⋅ Cb0 ⎟
X : ⎜ C a ⋅ Cb … ⎟
⎜ Cn C an+b C an+b C an+b C an+b ⎟
⎝ a +b ⎠
127

n
C ak⋅ Cbn −k
şi ∑k =0 C an+b
=1.

a+b−n a b
σ X2 = D 2 ( X ) = n ⋅ p ⋅ q ⋅ , unde p = , q= , n reprezintă numărul
a + b −1 a+b a+b
de extrageri şi N = a+ b.
Observaţie 1. Această repartiţie se utilizează în practică la experimentele
în care extragerile se efectuează fără revenire.
Notaţie H (N , n, p ) .
2. În practică se aproximează repartiţia hipergeometrică cu o repartiţie
n 1
binomială dacă are loc relaţia: < .
N 10
X are următorul tablou de distribuţie:
a+b−n N −n
D 2 ( X ) = npq = npq , N >> n.
a + b −1 N −1
EXEMPLU: Se ştie că 150 din cei 1500 de studenţi, din anul I, ai unei
universităţi sunt cetăţeni străini. Dacă se aleg la întâmplare 9 studenţi, care este
probabilitatea ca ei sa nu fie studenţi străini?
Demonstraţie:
Variabila aleatoare ce rezultă din problemă este X ∈ H (1500, 9, p ) .
a = 150, b = 1500-150=1350, n = 9, N = 1500.
9 1
În acest caz se respectă regula < de aici rezultă că repartiţia
1500 10
hipergometrică se aproximeaxă cu o repartiţie binomială X ∈ B(n, p ) .
150
Probabilitatea ca să alegem un student străin p= = 0,1 şi
1500
q = 1 − p = 1 − 0,1 = 0,9 de unde X ∈ B(9, 0,1) .
Alegem A evenimentul ca cei 9 studenţi aleşi să nu fie străini.

P( A) = C90 ⋅ p 0 ⋅ q 9 = (0,9 ) = 0,3467
9
Dacă folosim formulele de la repartiţia hipergeometrică obţinem:

0 9
C150 ⋅ C1350 1 ⋅ 3.996 ⋅10 22
P ( A) = 9
= = 0.347 .
C1500 1.034 ⋅10 23
128

5) Repartiţia Poisson de parametru λ (repartiţia evenimentelor rare)
Definiţie 36. Variabila aleatoare X are repartiţie Poisson de parametru λ, λ

> 0, dacă
λk
P ( X = k ) = e −λ , ∀k ∈ N .
k!
⎛ 0 1 2 … k … n ⎞
X : ⎜ −λ λ λ2 λk λn ⎟ .
⎜e e −λ ⋅ e −λ ⋅ … e −λ ⋅ e −λ ⋅ ⎟
⎝ 1! 2! k! n! ⎠
În acest caz media este μ X = M ( X ) = λ şi dispersia este σ X2 = D 2 ( X ) = λ .

Notaţie: X ∈ P(λ ) .
Observaţii: 1. Această repartiţie este utilizată în practică în situaţii diferite:
numărul de studenţi ce intră la un examen într-un interval dat, numărul de animale
cu efecte negative la acelaşi tratament etc.
2. Repartiţia Poisson de parametru λ poate fi o bună aproximare a
repartiţiei binomiale atunci când n > 40.
129

B. Repartiţii continue
1. Repartiţia uniformă U(a,b)
Definiţie 36. Variabila aleatoare X are repartiţie uniformă U(a, b) dacă

funcţia sa de densitate este definită:
⎧ 1
⎪ , daca x ∈ (a, b )
f ( x, a , b ) = ⎨ b − a .
⎪⎩0 , daca x ∉ (a, b )
a+b
În acest caz media este μX = M (X ) = şi dispersia este
2
σ X2 = D 2 ( X ) =
(b − a )2 .
12
Fig. 5. - Reprezentare grafică a repartiţiei
2. Repatiţia normală N (μ , σ )
Definiţie 37. Variabila aleatoare X are repartiţie normala N (μ , σ ) dacă

funcţia sa densitate de probabilitate este defintă astfel:
( x − μ )2
1 −
f ( x, μ , σ ) = e 2σ 2
, daca x ∈ R .
σ 2π
În acest caz media este μX = M (X ) = μ şi dispersia este
σ X2 = D 2 ( X ) = σ 2 .
130

0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
-0.05
Fig. 6. Reprezentare grafică a funţiei densitate de probabilitate

pentru diferite valori ale dispersiei şi media 0
Această repartiţie poartă denumirea de repartiţia gaussiană deoarece

graficul funcţiei de densitate este clopotul lui Gauss.
Dacă pentru medie şi dispersie alegem valorile 0 şi 1 atunci funcţia de
densitatea de repartiţie devine:
x2
1 −2
f ( x,0, 1) = e , daca x ∈ R .
2π
Aceasta poartă denumirea de repartiţie normală standard notată N (0, 1) .

Observaţie: Deoarece în analiza statistică este asociată diverselor
caracteristici ale unei populaţii, repartiţia normală este considerată o repartiţie
importantă.
Considerăm o variabilă aleatoare X ∈ N (0, 1) . Atunci funcţia de repartiţie
F : R → R se defineşte astfel:
x t2
1 −
F (x ) = P( X < x ) = ∫ e 2 dt
−∞
2π
de unde prin calcule obţinem:
0 t2 x t2 x t2
1 − 1 − 1 1 − 1
F (x ) = ∫ + Φ(x ) .
2π ∫ 2π ∫
e 2 dt + e 2 dt = + e 2 dt =
2π −∞ 0
2 0
2
131

x t2
1 −
În continuare funcţia notată Φ (x ) = ∫ e 2 dt se numeşte funcţia
2π 0
Laplace.
Observaţie: 1. Funcţia Laplace este o funcţie impară:
Φ (− x ) = −Φ (x ) .
2. În urma notaţiei obţinem:
1
F (x ) = + Φ(x ) .
2
La finalul materialului de curs în anexa 2 se găsesc valorile pentru funcţia

Laplace.
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
-0.05
Fig. 7. Curba lui Gauss pentru diferite valori ale dispersiei şi media 0, -3, +3
Proprietăţi:
Fie o variabilă aleatoare X cu repartiţie X ≈ N (0, 1) atunci:
1. P ( a ≤ X < b ) = Φ (b ) − Φ (a ) .
2. Dacă X ≈ N (μ , σ ) atunci are loc relaţia:
⎛b− μ ⎞ ⎛a−μ⎞
P ( a ≤ X < b) = Φ ⎜ ⎟ − Φ⎜ ⎟.
⎝ σ ⎠ ⎝ σ ⎠
3. P ( X ≤ k ) = 2 ⋅ Φ (k ) sau P ( − k ≤ X ≤ k ) = 2 ⋅ Φ (k ) .
132

Demonstraţie:
1 ⎛1 ⎞
1. P ( a ≤ X < b ) = F (b ) − F (a ) = + Φ (b ) − ⎜ + Φ (a )⎟ = Φ (b ) − Φ (a )
2 ⎝2 ⎠
2. Dacă variabila aleatoare X are repartiţie normală X ≈ N (μ X , σ X ) atunci
X − μX
prin procedeul de normalizare noua variabilă aleatoare Y = ≈ N (0, 1) .
σX
Astfel obţinem:
⎛ a − μX X − μX b − μX ⎞ prop 1
P ( a ≤ X < b ) = P ⎜⎜ ≤ < ⎟⎟ =
⎝ σX σX σX ⎠
.
⎛ b − μX ⎞ ⎛ a − μX ⎞
= Φ⎜⎜ ⎟⎟ − Φ⎜⎜ ⎟⎟
⎝ σX ⎠ ⎝ σX ⎠
3. dacă X ≈ N (0, 1) şi a = − k , b = k atunci P ( − k ≤ X ≤ k ) = Φ (k ) − Φ (− k ) .
Funcţia Laplace fiind impară atunci:
P ( − k ≤ X ≤ k ) = Φ (k ) + Φ (k ) = 2 ⋅ Φ (k )
EXEMPLU 1:
Să determinăm prin calcul câteva din valorile importante pentru o
repartiţie normală
În intervalul [μ X − σ X , μ X + σ X ] se găsesc aproximativ 68% din valorile
variabilei.
În acest caz a = μ X − σ X , b = μ X + σ X . Aplicăm proprietatea de mai sus:
⎛ b − μX ⎞ ⎛ a − μX ⎞
P ( a ≤ X < b ) = P ( μ X − σ X ≤ X < μ X + σ X ) = Φ⎜⎜ ⎟⎟ − Φ⎜⎜ ⎟⎟ =
⎝ σX ⎠ ⎝ σX ⎠
⎛ μ +σ X − μX ⎞ ⎛ μ −σ X − μX ⎞
Φ⎜⎜ X ⎟⎟ − Φ⎜⎜ X ⎟⎟ = Φ (1) − Φ (− 1) =
⎝ σX ⎠ ⎝ σX ⎠
anexa 2
= 2 ⋅ Φ (1) = 2 ⋅ 0.3413 = 0.6826 ≈ 68%
În mod analog pentru intervalul [μ X − 2 ⋅ σ X , μ X + 2 ⋅ σ X ] se găsesc aproximativ

95% din valorile variabilei:
⎛ μ + 2 ⋅σ X − μ X ⎞ ⎛ μ − 2 ⋅σ X − μ X ⎞
Φ⎜⎜ X ⎟⎟ − Φ⎜⎜ X ⎟⎟ == Φ (2) − Φ (− 2) = 2 ⋅ Φ (2 ) =
⎝ σX ⎠ ⎝ σX ⎠
anexa 2
= 2 ⋅ 0.4772 = 0.954 ≈ 95%
În mod analog pentru intervalul [μ X − 3 ⋅ σ X , μ X + 3 ⋅ σ X ] se găsesc aproximativ
99% din valorile variabilei:
133

⎛ μ + 3 ⋅σ X − μ X ⎞ ⎛ μ − 3 ⋅σ X − μ X ⎞
Φ⎜⎜ X ⎟⎟ − Φ⎜⎜ X ⎟⎟ == Φ (3) − Φ (− 3) = 2 ⋅ Φ(3) =
⎝ σX ⎠ ⎝ σX ⎠
anexa 2
= 2 ⋅ 0.4985 = 0.997 ≈ 99,73%
EXEMPLU 2:
Se presupune că greutatea la naştere a unui copil urmează o distribuţie

normală de medie μ = 3.3 kg şi o dispersie σ 2 = 0.0324 . Se cere:
a) să se determine probabilitatea de a se naşte un copil cu greutatea mai
mică decât 3.4 kg.
b) să se determine probabilitatea de a se naşte un copil cu greutatea
cuprinsă între 3.1 şi 3.4 kg.
Rezolvare:
Notăm cu X variabila aleatoare care reprezinta greutatea la naştere a unui
copil.
Variabila X are distribuţie normală de medie 3.3 şi dispersie 0.0324 adică

X ≈ N (3.3, 0.0324 )
Abaterea medie standard este σ = σ 2 = 0.0324 = 0.18
normalizam
⎛ X − 3.3 3.4 − 3.3 ⎞ def Φ 1 ⎛ 3.4 − 3.3 ⎞ 1
a) P ( X < 3.4 ) = P⎜ < ⎟ = + Φ⎜ ⎟ = + Φ (0.5556 )
⎝ 0.18 0.18 ⎠ 2 ⎝ 0.18 ⎠ 2
din tabelul Anexă 1 obţinem valoarea funcţiei Φ (0.5556 ) de unde obţinem:

1
P ( X < 3.4 ) = + 0.2088 = 0.7088.
2
Probabilitatea de a se naşte un copil cu greutatea mai mică decât 3.4 kg este de

70,88%.
normalizam
⎛ 3.1 − 3.3 X − 3.3 3.4 − 3.3 ⎞ def Φ
P ( 3.1 < X < 3.4) = P⎜ < < ⎟ =
⎝ 0.18 0.18 0.18 ⎠
b)
⎛ X − 3.3 ⎞
= P ⎜ − 1.1111 < < 0.5556 ⎟ =
⎝ 0.18 ⎠
fct impara
= Φ (0.5556 ) − Φ (− 1.1111) = Φ (0.5556 ) + Φ (1.1111) = .
= 0.2088 + 0.3665 = 0.5753
134

Probabilitatea de a se naşte un copil cu greutatea cuprinsă între 3.1 şi 3.4
kg este 57,53%.
3. Repartiţia exponenţială exp(λ )
Variabila aleatoare X are repartiţie exp(λ ) dacă funcţia sa de densitate

este defintă astfel:
⎧λe − λ x , daca x > 0,

f ( x, λ ) = ⎨
⎩0 , daca x ≤ 0.
1 1
În acest caz media este M ( X ) = şi dispersia este D 2 ( X ) = .
λ λ2
4. Repartiţia Hi pătrat ℵ2 (n )
Fie n variabilele aleatoare independente X 1 , X 2 , X 3 , , X n cu distribuţie
normală standard. Variabila aleatoare obţinută prin însumarea pătratelor lor

X = X 12 + X 22 + X 32 + + X n2 are o repartiţie ℵ2 (n ) (hi pătrat cu n grade de
libertate).
Funcţia densitate de probabilitate se defineşte astfel:
⎧ 1
n
−1 −
x
2 e 2 , daca x > 0,
⎪ n
x
⎪
f ( x, n ) = ⎨ Γ ⎛⎜ n ⎞⎟ 2 2
⎪ ⎝2⎠
⎪0 , daca x ≤ 0.
⎩
unde Γ este funcţia lui Euler16 dată de relaţia:
∞
Γ : (− 1, ∞ ) → R şi Γ(x ) = t x −1 ⋅ e −t dt
∫
0
În acest caz media este M ( X ) = n şi dispersia este D 2 ( X ) = 2n .

X
Dacă X ∈ℵ2n (σ X ) atunci Y = ∈ ℵ2n (1)
σ X2

16
Leonhard Euler (1707 ‐ 1783) ‐ matematician şi fizician elveţian. Secolul al XVIII a fost dominat
de Euler în mai multe domeniii cum ar fi: analiza matematică, teoria numerelor, mecanică,
astronomie, logică şi principii filozofice.
135

5. Repatiţia Student t (n )
Fie două variabile aleatoare X ∈ ℵ2n (n ) şi Y ∈ N (0, 1) atunci variabila
aleatoare Z are repartiţie t (n ) (repartiţie Student cu n grade de libertate):

Y
Z= ∈ t (n ) .
X
n
Funcţia densitate de probabilitate este defintă astfel:
⎛ n +1⎞
Γ⎜ ⎟ n +1
2 − 2
2 ⎛ x ⎞
f ( x, n ) = ⎝ ⎠ ⎜1 + ⎟ , daca x ∈ R .
⎛ n ⎞ ⎜⎝ n ⎟⎠
nπ Γ ⎜ ⎟
⎝2⎠
n
În acest caz media este M ( X ) = 0 şi dispersia este D 2 ( X ) = ,
n−2
n > 2.
Observaţii 1. distribuţia Student cunoscută ca "distribuţia t" fost publicată
de W.S. Gosset17 sub pseudonimul Student. Această lege este folosită în
descrierea distribuţiilor în cazul unor eşantioane cu volum mai mic de 30
elemente.
2. pentru distribuţia student cu numărul gradelor de libertate mai mare de
30 se poate aproxima cu o distribuţie normală.
EXEMPLU:
În urma unui sondaj s-a obţinut că 52% din absolvenţii unei şcoli de şoferi
sunt bărbaţi şi 48% sunt femei. Să se determine cu o probabilitate de 0.99
intervalul în care variază numărul de bărbaţi la 1000 de absolvenţi.
Rezolvare:
Xn variabila aleatoare care ia drept valori numărul de bărbaţi din n
absolvenţi.
Xn are o repartiţie binomială B(n, p ) cu n=1000 şi p = 0,52 şi q = 1 - p =
0.48.
Aducem variabila aleatoare la o variabilă normală:
Xn − n⋅ p
X n ≈ B(n, p ) → Yn = ≈ N (0, 1) .
n⋅ p⋅q

17
William Sealy Gosset (1876 ‐ 1937) ‐ statistician britanic.
136

⎛ X −n⋅ p ⎞
Ştim din ipoteză că P ⎜ n
≤ k ⎟ = 2 ⋅ Φ (k ) = 0.99 .
⎜ n⋅ p⋅q ⎟
⎝ ⎠
Din tabelul Anexa 1 (de la sfârşitul cărţii) calculăm valoarea lui k.
2 ⋅ Φ (k ) = 0.99 de unde Φ (k ) = 0.4955 , k = 2.58.
Xn −n⋅ p X 1000 − 1000 ⋅ 0.52

≤k ⇔ ≤ 2.58 ⇔
n⋅ p⋅q 1000 ⋅ 0.52 ⋅ 0.48
.
X 1000 − 1000 ⋅ 0.52
− 2.58 ≤ ≤ 2.58
1000 ⋅ 0.52 ⋅ 0.48
Continuăm calculele:
X 1000 − 520 X 1000 − 520
− 2.58 ≤ ≤ 2.58 ⇔ −2.58 ≤ ≤ 2.58
249.6 15.798
⇔ −40.76 ≤ X 1000 − 520 ≤ 40.76 ⇔
− 40.76 ≤ X 1000 ≤ 40.76 ⇔ 479.76 ≤ X 1000 ≤ 560.76 .
Deci intervalul în care variază numărul de bărbaţi din 1000 de absolvenţi

este I = (479.76, 560.76 ) .
137

4.7 Organizarea şi descrierea datelor
Statistica matematică este acea ramură a matematicii care isi propune sa

răspunda la întrebările următoare:
- proprietăţile unei părţi a unei mulţimi de indivizi sunt sau nu şi

proprietăţi ale populaţiei?
- se poate prevedea desfăşurarea viitoare a unei fenomen pe baza unor

observaţii făcute în trecut şi prezent?
EXEMPLE:
Fenomenul de apariţie a unei epidemii într-o populaţie de animale,
fenomenul de apariţie a unor piese rebut într-o mulţime de piese fabricate de
aceeaşi maşină, evoluţia precipitaţiilor atmosferice în ultimii zeci de ani.
Analiza statistica presupune a studia o mulţime de obiecte care au una sau
mai multe proprietăţi comune.
Noţiunea fundamentală în statistică este cea de grup sau mulţime de
obiecte echivalente care se numeşte populaţie sau colectivitate.
Elementele unei populaţii statistice se vor numi indivizi sau unităţi
statistice.
Statistica studiază proprietăţile populaţiilor, nu cele ale indivizilor
particulari.
Analiza statistică poate avea în vedere una sau mai multe caracteristici.
EXEMPLE: a) o populaţie de brazi dintr-o plantaţie se poate cerceta după înălţimea

brazilor şi vârsta lor; b) la o populaţie de 10000 de pui nou născuţi se pot cerceta
sexul şi greutatea lor.
Caracteristicile care se pot măsura se numesc cantitative. Exemplu:

înălţimea, talia, vârsta.
Aceste caracteristici apar ca funcţii definite pe populaţia statistică cu valori

numerice. Aceste caracteristici le vom numi variabile.
Spre deosebire de caracteristicile cantitative există caracteristici care nu se

pot măsura: starea civilă, culoarea feţei care se numesc calitative.
138

Caracteristicile cantitative care pot lua numai valori întregi se numesc
discrete sau discontinue.
Caracteristicile cantitative care pot lua orice valoare dintr-un interval finit
de numere reale se numesc continue.
Modul de lucru al analizei statistice este următorul: mai întâi acţionează

statistica descriptivă, care culege datele asupra unui fenomen analizat apoi
intervine statistica matematică, care grupează datele, le analizează şi le
interpretează.
Dorim să analizăm ce buget să alocăm pentru bursele viitorilor studenţi din

anul II dar problema pe care o întâmpinăm este că nu putem şti ce note vor lua în
anul I. Putem însă să analizăm rezultatele obţinute de studenţii actuali din anul I şi
să prognozăm că următorii studenţi vor lua note asemănătoare.
În această problemă trebuie să colectăm notele de la toţi studenţii din anul

I. Binenţeles, că pot să apară erori de aproximare deoarece noii studenţi pot fi mai
buni sau mai slabi decât colegii lor pe care i-am evaluat.
Statistica ne poate ajuta să introducem metode de predicţie şi analiză

pornind de la datele pe care le avem colectate.
Din punct de vedere etimologic Statistica este o "ştiinţă care culege,

sintetizează, descrie şi interpretează date referitoare la fenomene generale"
(http://dexonline.ro/definitie/statistica).
În agricultură folosim statistica pentru a analiza ce soiuri, specii de culturi

sunt cele mai bune pentru a fi cultivate în funcţie de solul pe care îl avem.
Statistica descriptivă este ramura statisticii ce se ocupă cu descrierea

trăsăturilor unei populaţii (colectivităţi). Elementele care alcătuiesc o populaţie
statistică le vom numi unităţi statistice sau indivizi.
O caracteristică a unei colectivităţi poate fi cantitativă (poate fi măsurată

sau apreciată prin numere) şi calitativă (nu poate fi măsurată de exemplu: blond,
brunet, roşcat).
Caracteristicile cantitative pot fi împărţite în variabile discrete (numărul de

elevi ce se înscriu la facultate) sau continue (timpul de aşteptare a unui student la
înscriere să depună dosarul). Deoarece numărul de elevi ce se înscriu la
139

universitate este suficient de mare nu putem să-i chestionăm pe toţi (ar trebui să
organizăm un referendum). De aceea vom extrage dintre ei doar un eşantion (să
facem o selecţie) ales la întâmplare.
Selecţiile eşantionului de studenţi se pot face prin diferite metode de

selecţie (Stoleriu, 2010):
- selecţie simplă - de un volum dat prin care toţi indivizii ce compun

populaţia au aceeaşi şansă;
- selecţie sistematică - presupune aranjarea populaţiei studiate după o

anumită schemă (aleg primul student aleatori apoi pe ceilalti dupa schema din 5 în
5 candidaţi înscrişi);
- selecţie stratificată - în care populaţia este separată pe categorii şi

alegerea se face la întâmplare din fiecare categorie (aleg un număr de studenţi din
fiecare judeţ în funcţie de cât de mare ese populaţia judeţului);
- selecţie ciorchine - populaţia este împărţită pe categorii şi selectăm
indivizi din fiecare categorie (alegem studentii dupa anumite categorii – alegem
studenţii din anumite judeţe);
- selecţia de tip experienţă - care ţine cont de elementul temporar în
selecţie (encefalogramă);
- selecţie de convenienţă - alegem dintre studenţii care se înscriu la
facultatea de Agricultură;
- selecţie de judecată - profesorul decide ce student intră în selecţie şi cine
nu;
- selecţie de cotă - se selecţionează de către profesor după un anumit
criteriu (alegerea in urma unui vot cine a primit mai multe voturi primeste mai
mult locuri).
Gruparea datelor statistice
Pentru caracteristici discrete

Să presupunem că am analizat anul I de la cursul de matematică după
înălţime. Rezultatele obţinute le vom aduna într-un şir în ordinea în care au
apărut: 176, 178, 179, 180, 150, 155, 159, 165, 168, 170, 176, 178, 165, 168, 176,
180, 150, 155, 165, 168, 170, 176, 178, 179, 180, 150, 155, 159, 165, 176, 178,
179, 180, 150, 165, 168.
140

Se observă uşor că în acest mod de prezentare nu putem obţine informaţii
utile pentru analiza statistică. Vom face o nouă grupare a acestor date într-un
tabel.
Tabel 1
xi = Cm ni = Nr. de
studenţi
176 5
178 4
179 3
180 4
150 4
155 3
159 2
165 4
168 4
170 2
În prima coloană am trecut înălţimea studenţilor în centimetri şi în a doua
coloană numărul de studenţi ce au această înălţime. Observăm că înălţimea de 176
cm este cea mai des întâlnită, iar înălţimile de 159 şi 170 sunt cele ce apar de cele
mai puţine ori.
În tabelul 2 sunt prezentate rezultatele obţinute de studenţi la prima
sesiune din iarnă la disciplina Matematică şi Statistică. Observăm că analiza unui
fenomen în raport cu o singură caracteristică ne conduce la o serie de perechi de
valori pe care o vom numi serie statistică.
Tabel 2.
Nota Nr. de studenţi
2 1
3 1
4 5
5 12
6 16
7 12
8 21
9 15
10 10
Putem nota această serie statistică ( xi , ni ) unde 1 < i < p asociată acestui
studiu statistic.
Pentru caracteristici continue
La un strung se fac piese rotunde cu diametrele cuprinse în diferite
intervale de măsură în cm. Vom face gruparea acestor date într-un tabel.
141

Tabel 3
xi = Cm ni = Nr. de piese
[2, 5) 5
[5, 10) 4
[10, 15) 3
[15, 20) 4
[20, 25) 4
[25, ∞) 3
În continuare vom prezenta tot o serie cu caracteristici cantitative, dar cu
două caracteristici ale studenţilor: culoarea ochilor şi culoarea părului. În acest caz
citirea tabelelor devine greoaie şi este necesară o nouă grupare a datelor.
Tabel 4
Culoarea ochilor
negri căprui verzi albaştri Total
Culoarea părului
Negru 145 285 30 11 471
Castaniu 62 431 87 67 647
Blond 33 36 185 128 382
Total 240 752 302 206 1500
4.8. Reprezentarea grafică a datelor statistice
Reprezentarea grafică a unei serii statistice este importantă deoarece ea

contribuie la o interpretare intuitivă a datelor precum şi sugerează însăşi legea pe
care o urmează fenomenul studiat.
Reprezentarea grafică prin puncte

Diferitele reprezentări grafice ce apar aici sunt ale datelor din paragraful
anterior. De exmplu la reprezentarea grafică prin puncte am ales să reprezentăm
numărul de studenţi în funcţie de notele pe care le-au obţinut.
Fig. 8. -Grafic prin puncte
142

Reprezentarea grafică cu bare
Fig. 9 - Grafic prin bare
Reprezentarea grafică cu histograme

Exemplu: Reprezentarea grafică cu ajutorul histogramelor se face luând pe
axa orizontală o succesiune de segmente egale, reprezentând aplitudinea claselor
şi ridicând, pe fiecare segment, dreptunghiuri de înălţimi proporţionale cu
frecvenţele claselor respective.
Fig. 10 - Histograma
143

Reprezentarea grafică cu diagrame de tip structură radială
Fig. 11 - Grafic de tip structură radială
Reprezentarea grafică a două caracteristici
Fig. 12 - Grafic pentru două caracteristici-
Exemplu:
La o bancă s-au înregistrat depunerile efectuate într-o lună şi s-a obţinut tabelul:
Sume depuse
[1, 7) [7, 11) [11, 20) [20, 27) [27,30)
mil. lei
Număr
34 19 18 28 12
deponenţi
Să se reprezinte grafic datele numerice folosind diferite modele.
Valoarea medie a clasei apoi calcule ……………
144

# Exerciţii
1. Să se reprezinte grafic următorele date numerice ce reprezintă viteza

maximă a masinilor de serie:
Nr. de maşini Viteze maxime

24 180
36 190
30 200
23 210
10 250
2 300
2. La o bancă s-au înregistrat depunerile efectuate într-o lună şi s-a obţinut tabelul:
Sume depuse
[1, 7) [7, 11) [11, 20) [20, 27) [27,30)
mil. lei
Număr
34 19 18 28 12
deponenţi
Să se reprezinte grafic datele numerice folosind diferite modele.
4.9 Caracteristici numerice ale seriilor statistice;
În cele de urmează considerăm o serie statistică formată din valorile măsurate în

urma unui experiment, x1 , x2 , x3 , , xn . Vom învăţa să determinăm cei mai
cunoscuţi şi utlizaţi parametrii necesari în analiza statistică: media, abaterile

individuale, abaterea medie liniară, dispersia, abaterea medie pătratică (deviaţia
standard) şi coeficientul de variaţie.
Definiţie 1. Numim media valorilor unei serii statistice valoarea x calculată după
formulele:
Media simplă
n
x1 + x2 + ... + xn
∑x
i =1
i
x= = .
n n
Media ponderată (unde kn – reprezintă ponderea fiecărui element xn)
145

n
x k + x k + ... + xn k n ∑x ⋅k i i
x= 1 1 2 2 = i =1
.
k1 + k 2 + ... + k n n
∑k i =1
i
Media pătratică
n
2 2
x 1 + x 2 + ... + x n 2 ∑x
i =1
2
i
xp = = .
n n
Definiţie 2. Abaterea individuală se poate calcula după următoarele formule:
xi −x
d i = x i − x respectiv d i % = ⋅100 , i=1, ... n.
x
Definiţie 3. Abaterea medie liniară reprezintă variaţia valorilor individuale faţă de

valoarea medie pe ansamblul datelor.
n
∑ x −x
i =1
i
d=
n
Respectiv abaterea medie liniară ponderată
n
∑ x −x ⋅ k i i
d= i =1
n
∑k
i =1
i
Definţie 4. Dispersia este media aritmetică a pătratelor abaterilor faţă de medie

ale valorilor seriei statistice.
(x − x )2 + (x2 − x )2 + ... + (xn − x )2 ∑ (x i − x)

2
σ 2
= 1 = i =1
n n
Respectiv
n
(x1 − x ) 2
k1 + (x2 − x ) k 2 + ... + ( xn − x ) k n
2 2 ∑ (x i − x ) ⋅ ki
2
σ2= = i =1
k1 + k 2 + ... + k n n
∑k
i =1
i
Definiţie 5. Abaterea medie pătratică (deviaţia standard) a valorilor este numărul

σ ce se calculează:
146

n
∑ (x i − x)
2
σ2= i =1
n
Respectiv
∑ (x − x ) 2
⋅ ki
σ = i =1
n
∑k
i =1
i
Pe baza abaterii medii liniare şi pătratice se pot determina intervalele medii de

variaţie:
[ ]
I d = x − d , x + d , respectiv I σ = [x − σ , x + σ ]
Definiţie 6. Raportul dintre abaterea medie pătratică şi valoarea medie a unei serii
statistice se numeşte coeficient de variabilitate (variaţie) notat C.V.
σ
C.V .( X )% = ⋅100
x
Acest indicator dă posibilitatea aprecierii gradului de omogenitate a unei

serii statistice. Un coeficient sub 15% (Burtea, 2005) indică o omogenitate
semnificativă a repartiţiei unui fenomen.
Exemplu:
Un sac de porumb, hibrid AMADEUS se vinde în 5 magazine. Preţul de
vânzare (lei/sac) diferă în funcţie de zona de vânzare astfel: 350, 360, 370, 380,
390. Să se determine toţi parametrii statistici definiţi.
Rezolvare: Pentru rezolvarea acestui exemplu vom construi un tabel
ajutator:
xi xi − x xi − x
⋅ 100
xi − x (xi − x )2
x
350 -20 -5.405 20 400
360 -10 -2.702 10 100
370 0 0 0 0
380 10 2.702 10 100
390 20 5.405 20 400
1850 0 - 60 1000
x = 370 d = ... σ 2 = ...
147

n
∑x
i =1
i
1850
Media x = = = 370 lei /sac
n 5
Abaterile individuale sunt calculate în tabel coloanele a doua şi a treia.
n
∑ x −x i
60
Abaterea medie liniară d = i =1
= = 12 lei /sac
n 5
Folosind această valoare determinăm primul interval mediu de variaţie:
[ ]
I d = x − d , x + d = [370 − 12, 370 + 12] = [358, 382] lei /sac
n
∑ (x i − x)
2
1000
Varianţa σ 2 = i =1
= = 200 lei/sac
n 5
n
∑ (x i − x)
2
Deviaţia standard σ 2 = i =1
= 200 = 14,142 lei/sac
n
Folosind această valoare determinăm al doilea interval mediu de variaţie:
I σ = [x − σ , x + σ ] = [370 − 14.142, 370 + 14.142] = [355.855, 384.142] lei /sac
Coeficientul de variaţie
σ 14.142
C.V .( X )% = ⋅ 100 = ⋅ 100 = 0.0382 ⋅ 100 = 3.82% .
x 370
Interpretare:
Preţul mediu de vânzare a unui sac de porumb în cele 5 magazine este de
370 lei/sac şi se abate în medie de la preţul mediu cu 12 lei /sac. Din al doilea
interval mediu de variaţie constatăm că 68% din vânzători au un preţ cuprins între
355,855 lei/sac şi 384.142lei/sac. Coeficientul de variaţie arată o dispersie mică
(<17%) ceea ce reprezintă un set de date cu distribuţie omogenă şi media este
reprezentativă pentru datele analizate.
În cazul în care datele adunate în urma experimentului sunt grupate în

intervale atunci se va folosi pentru calculele anterioare valoarea din mijlocul
fiecarui interval ( xi* ). În continuare prezentăm un asemenea exemplu.
EXEMPLU:
Se efectuează un sondaj asupra unui eşantion de 60 de unităţi de cazare din
zona oraşului Iaşi, obţinându-se următoarele date:
148

Capacitate de cazare [20,40) [40,60) [60,80) [80,100) [100,120)

(locuri de cazare)
Număr de unităţi 8 10 32 7 3
turistice
Să se caracterizeze datele din tabel folosind dispersia, abateria medie pătratică şi

coeficientul de variabilitate.
Rezolvare: Construim tabelul următor pornind de la datele din ipoteză:

xi ki xi
∗ ∗
xi k i
∗
xi − x (x
i
∗
−x )
2
(x ∗
− x ⋅ ki
i )
2
[20,40) 8 30 240 -35.67 1272.11 10176.89

[40,60) 10 50 500 -15.67 245.44 2454.44
[60,80) 32 70 2240 4.33 18.78 600.89
[80,100) 7 90 630 24.33 592.11 4144.78
[100,120) 3 110 330 44.33 1965.44 5896.33
suma 60 3940 23273.33
n
n ∑x i
*
ki
3940
N = ∑ k i = 60 , media: x = i =1
= = 65.66 locuri de cazare,
i =1 N 60
∑ (x − x ) ⋅ ki
n
2
23273.33
Varianţa: σ 2 = i =1
= = 387.89 ,
N 60
n
∑ (x − x )
2
⋅ ki
23273.33
Deviaţia standard: σ = i =1
= = 19.69 locuri de
N 60
cazare.
Coeficientul de variaţie
σ 19.69
C.V .% = ⋅ 100 = ⋅ 100 = 0.2998 ⋅ 100 = 29.98 ≈ 30% .
x 65.66
Interpretare: În cazul acestui sondaj numărul de locuri de cazare mediu la
unităţile verificate este de 65,66 locuri. Abaterea media pătratică este de 19,69
locuri de cazare faţă de media de 65,66 locuri de cazare. Coeficientul de variaţie
este de aprovimativ 30% ceea ce înseamnă că fenomenul are o repartiţie slab
omogenă şi că valoarea medie este slab reprezentativă.
# Exerciţiu
1. Se efectuează un sondaj aspra unui eşantion de 60 de şcoli din zona

oraşului Vaslui, obţinându-se următoarele date:
149

Nr. de elevei în clasă [15, 18) [18, 20) [20, 23) [23, 25) [25, 30)
Nr. de şcoli 3 9 29 11 8
Să se caracterizeze datele din tabel folosind dispersia, abateria medie
pătratică şi coeficientul de variaţie.
4.10 Frecvenţa absolută. Frecvenţa relativă. Frecvenţe cumulate
Numărul total de indivizi al unei populaţii se numeşte efectivul total al

acelei populaţii.
Definiţie 5. Se numeşte frecvenţa absolută a unei valori x numărul de apariţii ale

acelei valori.
EXEMPLU:
În tabelul 2 valoarea pentru nota 6 a caracteristicii are frecvenţa absolută egală cu

16. De aici rezultă că suma frecvenţelor absolute ale tuturor valorilor
caracteristice este egală cu efectivul total al populaţiei.
Tabel 5.
Nr. de studenţi= Frecvenţa
Nota
Frecvenţa absolută relativă
1
2 1 = = 0,01
100
3 1 0,01
4 5 0,05
5 14 0,14
6 16 0,16
7 17 0,17
8 21 0,21
9 15 0,15
10 10 0,10
Total 100
Definiţie 6. Se numeşte frecvenţă relativă a unei valori x raportul dintre

frecvenţa absolută a valorii x şi efectivul total al selecţiei.
Notăm:
nx
f (x ) = .
n
150

unde f(x) este frecvenţa relativă a valorii x, nx este frecvenţa absolută a acestei
valori, iar n este efectivul total.
În cazul caracteristicilor cantitative aceste tabele scot în evidenţă o

corespondenţă între două mulţimi de numere: mulţimea valorilor caracteristicii şi
mulţimea frecvenţelor corespunzătoare, asemănător cu corespondenţa de la
variabilele aleatoare:
⎛x x2 … xn ⎞
X : ⎜⎜ 1 ⎟,
⎝ p1 p2 … pn ⎟⎠
unde pe prima linie sunt trecute valorile variabilei, iar în cea de-a doua linie
probabilităţile corespunzătoare acelei valori.
Tabel 6
Valori Frecvenţa
x1 p1
x2 p2
x3 p3
... ...
xn pn
Observaţie: Suma frecvenţelor relative ale tuturor valorilor variabilei este 1.
Tabel 7
Nota Frecvenţa Frecvenţa Frecvenţa Frecvenţa Frecvenţa Frecvenţa
absolută relativă absolută absolută relativă relativă
cumulată cumulată cumulată cumulată
crescătoare descrescătoare crescătoare descrescătoare
2 1 0,01 1 100 0,01 1
3 1 0,01 2 99 0,02 0,99
4 5 0,05 7 98 0,07 0,98
5 14 0,14 21 93 0,21 0,93
6 16 0,16 37 79 0,37 0,79
7 17 0,17 54 63 0,54 0,63
8 21 0,21 75 46 0,75 0,46
9 15 0,15 90 25 0,90 0,25
10 10 0,10 100 10 1 0,10
Definiţie 7. Se numeşte frecvenţa absolută cumulată crescătoare a unei valori x

suma frecvenţelor absolute ale tuturor valorilor variabilei care apar până la x
inclusiv.
151

Definiţie 8. Se numeşte frecvenţa absolută cumulată descrescătoare a unei
valori x suma frecvenţelor absolute ale tuturor valorilor variabilei care apar de la x
inclusiv.
Definiţie 9. Se numeşte frecvenţă relativă cumulată crescătoare a unei valori x

suma tuturor frecvenţelor relative ale valorilor care apar până la x inclusiv.
Definiţie 10. Se numeşte frecvenţă relativă cumulată descrescătoare a unei

valori x suma tuturor frecvenţelor relative ale valorilor care apar de la x inclusiv.
Putem interpreta acest tabel în felul următor: pe linia 5 şi coloana 4 ne
spune că există 21 de studenţi cu note mai mici sau egale cu 5. Putem interpreta,
de asemenea, datele din coloana 7 că există 0,10 = 10% studenţi cu note de 10.
Exemplu:
Intr-un cartier al unui oras distribuţia familiilor dupa numărul de copii este
dată de tabelul:
xi 0 1 2 3 4 5 6 7
ni 18 30 32 28 22 10 12 11
Pentru analiza datelor utilizăm informaţiile din tabelul următor:
1 2 3 4 5 6 7 8
frecventa frecventa frecventa frecventa
frecventa xi .
xi ki absoluta absoluta relativa relativa
relativa ki
crescator descrescator crescator descrescator
0 18 0.110 18.000 163.000 0.110 1.000 0
1 30 0.184 48.000 145.000 0.294 0.890 30
2 32 0.196 80.000 115.000 0.491 0.706 64
3 28 0.172 108.000 83.000 0.663 0.509 84
4 22 0.135 130.000 55.000 0.798 0.337 88
5 10 0.061 140.000 33.000 0.859 0.202 50
6 12 0.074 152.000 23.000 0.933 0.141 72
7 11 0.067 163.000 11.000 1.000 0.067 77
total 163 Total 465
a. Să se calculeze numărul de familii care au cel puţin 4 copii şi cel mult 3 copii,
b. Să se calculeze ponderea familiilor cu 5 copii, ponderea familiilor cu cel mult 4

copii şi ponderea familiilor cu cel puţin 3 copii.
c. Să se calculeze numărul mediu de copii pe familie în acest cartier.
152

Rezolvare:
a. numărul de familii care au cel puţin 4 copii = 55 familii (coloana 5);
numărul de familii care au cel mult 3 copii = 108 familii (coloana 4);
b. ponderea familiilor cu 5 copii = 0.061 * 100 = 6,1% (coloana 3);
ponderea familiilor cu cel mult 4 copii = 0.798 * 100 = 79.8 % (coloana 6);
ponderea familiilor cu cel puţin 3 copii = 0.509 * 100 = 50.9 % (coloana 7);
∑x ⋅k i i
465
c. numărul mediu de copii pe familie = i =1
7
= = 2.852 copii pe familie.
163
∑k i =1
i
# Exerciţiu
Repartiţia frecvenţelor absolute ale elevilor olimpici dintr-un total de 100

de scoli este dată de tabelul:
x (nr. de olimpici) 2 3 4 5 6 7 8
y (frecvenţa
5 6 7 10 23 24 25
absolută)
Se cere să se determine frecvenţele absolute şi relative simple şi cumulate;
4.11 Ajustarea datelor unei serii statistice
În cadrul unor sondaje apar serii numerice ce trebuie analizate din punct de
vedere al evoluţiei în timp a sistemului.
La momentul t0 am obţinut prin măsurare o valoare n0. La fel şi pentru
celelalte valori măsurate adică: la momentul ti obţinem valori măsurate ni. Rezultă
că putem să scriem matematic că am obţinut punctele Pi (t i , ni ) . Problema este să
determinăm o funcţie al cărui grafic să treacă foarte "aproape" de valorile

determinate prin măsurare.
Acest procedeu a fost introdus de C. F. Gauss şi este cunoscut sub numele
de "metoda celor mai mici pătrate".
Pentru a înţelege mai uşor aceste noţiuni alegem un exemplu: să notăm
punctele Pi (xi , y i ) , i=1... n.
153

Primul procedeu este să căutăm o funcţie liniară al cărei grafic este o
drepată:
f : R → R, f (x ) = ax + b = y .
n
astfel încât funcţia h (a, b ) = ∑ ( yi − axi − b )2 să fie minimă.
i =1
Utilizăm notaţiile (Burdujan, 2006):
M (x ) =
1 n
∑ i
n i =1
x ; M ( y ) =
1 n
∑ i
n i =1
y ; M x 2
=
1 n 2
∑ xi .
n i =1
( )
( )
D 2 ( x ) = M x 2 − [M ( x )] ; M ( x ⋅ y ) =
2 1 n
∑ xi ⋅ y i .
n i =1
S ( x, y ) = M ( x ⋅ y ) − M ( x ) ⋅ M ( y ) .
Le putem utiliza în formula:
⎧ S ( x, y )
⎪a 0 = 2 ,
⎨ D (x )
⎪b = M ( y ) − a M ( x).
⎩ 0 0
unde a0 şi b0 sunt valorile pentru care h (a, b) devine minimă.
Funcţia obţinută folosind cele două valori f : R → R, f (x ) = a0 x + b0 se
numeşte funcţia liniară de ajustare a datelor.

Al doilea procedeu este să căutăm o funcţie polinomială de forma
(Burdujan, 2006):
f : R → R, f (x ) = a n x n + a n−1 x n−1 + an−2 x n−2 + ... + a1 x1 + a0 x 0 .
ai cărei coeficienţi minimizează expresia:
∑ (y )
n
h (a0 , a1 ,..., an ) =
2
i − a n x n − a n−1 x n−1 − an−2 x n−2 − ... − a1 x1 − a0 x 0 .
i =0
Astfel de ajustări se numesc ajustări polinomiale ale seriilor statistice.
În caz particular alegem puterea a doua pentru polinom şi obţinem o

ajustare parabolică: f : R → R, f (x ) = a2 x 2 + a1 x + a0 cu graficul o parabolă.
154

Coeficienţii se vor determina după rezolvarea următorului sistem de
ecuaţii:
⎧ n n n
∑
⎪na0 + a1 xi + a2 xi =
2
∑ ∑
yi ,
⎪ i =1 i =1 i =1
⎪⎪ n n n n
∑ 2
∑
⎨a0 xi + a1 xi + a2 xi =
3
∑ ∑ xi y i ,
⎪ i =1 i =1 i =1 i =1
⎪ n n n n
∑
⎩⎪ i =1 i =1
∑
⎪a0 xi2 + a1 xi3 + a2 xi4 =
i =1
∑ ∑
i =1
xi2 yi .
unde coeficienţii minimizează expresia: h (a0 , a1 , a2 ) = ∑ (ni − a2 x 2 − a1 x1 − a0 ) .

m
2
i =0
EXEMPLU:
Într-o cercetare s-au numărat păstăile de pe o plantă şi s-a măsurat

înălţimea plantei respective. S-au obţinut următoarele rezultate:
Înălţimea plantei 25 30 40 50 55
Număr de păstăi
5 9 8 10 11
pe plantă
Să se determine funcţia de ajustare liniară f : R → R, f (x ) = a0 ⋅ x + b0 .
Se construieşte tabelul următor:
~ yi − ~
xi yi xi y i xi2 yi = 0.15 ⋅ xi + 2.45 yi ( yi − ~yi )2
25 5 125 625 6.2923 -1.2923 1.6701
30 9 270 900 7.0615 1.9385 3.7576
40 8 320 1600 8.6000 -0.6000 0.3600
50 10 500 2500 10.1385 -0.1385 0.0192
55 11 605 3025 10.9077 0.0923 0.0085
5 5 5 5 5
∑x i =1
i ∑y
i =1
i ∑x y
i =1
i i ∑x
i =1
2
i ∑ (y
i =1
i yi )
−~
2
200 43 1820 8650

M (x ) M (y) M (xy ) M x2 ( ) = 5.8154
40 8.6 364 1730
Obţinem D 2 (x ) = M (x 2 ) − [M (x )]2 = 1730 − 402 = 1730 − 1600 = 130 ,
S ( x, y ) = M (x ⋅ y ) − M (x ) ⋅ M ( y ). = 364 − 40 ⋅ 8.6 = 364 − 344 = 20 .
155

S ( x, y ) 20
a0 = 2 = = 0.1538,
Deci D (x ) 130 .
b0 = M ( y ) − a0 M ( x) = 8.6 − 0.1538 ⋅ 40 = 8.6 − 6.1520 = 2.4461
Funcţia de ajustare liniară este f : R → R, f (x ) = 0.15 ⋅ x + 2.45 .
n
Deci h (a0 , b0 ) = ∑ ( yi − 0.15 ⋅ xi − 2.45)2 = 5.8154 .
i =1
# Exerciţii
1. Să se ajusteze liniar următoarele date:
x 0.25 0.35 0.46 0.54 0.57

y 5 9 8 10 11
2. Să se ajusteze liniar următoarele date:
x 33 29 22 12 9
y 144 81 49 36 9
156

4.12 Intervale de încredere
Estimarea prin interval de încredere constă în determinarea unui interval în

care, cu o probabilitate dată, se situează valoarea unui parametru necunoscut
pentru întreaga populaţie.
Cei mai importanţi parametrii ce pot fi estimaţi prin intervale de încredere
sunt media ( μ ), varianţa ( σ 2 ) şi proporţia (p).
Modul de lucru pentru determinarea intervalului de încredere este
următorul: se pleacă de la o estimaţie a valorii parametrului pentru un eşantion al
populaţiei şi se determină extremităţile intervalului de încredere.
Intervalul de încredere va acoperii valorile parametrului cu o probabilitate
dată (cu un coeficient de risc α având cel mai des valorile 0.05; 0.02, 0.01 ).
Dacă θ este parametrul pe care dorim să-l analizăm atunci prin interval de
încredere înţelegem un interval (t1 , t 2 ) :
P(t1 < θ < t 2 ) = 1 − α .
unde α se numeşte nivel de semnificaţie sau nivel de risc.
Acest nivel de semnificaţie, arată care este şansa ( (1 − α ) ⋅ 100% ) ca
parametrul θ să se găsească în intervalul de încredere. Cu cât valoarea lui α este
mai mică cu atât şansa este mai mare.
Procedeu de determinare a intervalului de încredere pentru media variabilei

aleatoare cu repartiţie normală cu dispersia cunoscută ( σ 2 ), având nivelul de
semnificaţie α :
n>=30
Pas. 1. Calculez x ;
Pas.2 Calculez z :
2 ⋅ Θ(t 0 ) = 2 − α .
Pas. 3.
x−μ
≈ N (0, 1) . (*)
σ
n
Pas. 4. Scriem intervalul de încredere:
157

⎡ σ σ ⎤
I = ⎢x − z ,x+z ⎥.
⎣ n n⎦
Interpretare: Cu o probabilitate de (1 − α ) ⋅100% se poate considera că
valorile parametrului θ sunt acoperite de intervalul de încredere determinat.
Există un risc de α ⋅ 100 % ca valorile parametrului θ să nu aparţină acestui
interval.
EXEMPLU:
Să se estimeze printr-un interval de încredere, cu nivel de încredere

α = 0.05 , producţia medie a unui soi de plante medicinale ştiind că variabila
aleatoare X (producţie medie pe parcele de 10 m2) are repartiţie normală cu
abaterea standard de σ = 1.84 . Se mai ştie că producţiile medii de pe 8 parcele (de
10 m2) sunt: 8kg, 10kg, 12kg, 8kg, 11kg, 14kg, 10kg, 12kg.
Rezolvare:
Pas. 1. Calculăm 2 ⋅ Θ(t 0 ) = 2 − α = 2 − 0.5 = 0.95 rezultă că Θ(t 0 ) = 0.475 .
Mergem la tabelul din anexa doi şi căutăm valoarea funcţiei 0.475. O găsim pe
linia 1.9 şi coloana 6 deci z = 1.96 .
Pas. 2. Calculăm media estimată a eşantionului ales:
1
x= (8 + 10 + 12 + 8 + 11 + 14 + 10 + 12) = 10.625 .
8
Pas. 3. Intervalul de încredere este:
⎡ σ σ ⎤ ⎡ 1.84 1.84 ⎤
⎢x − z , x+z ⎥ = ⎢10.625 − 1.96 ⋅ , 10.625 + 1.96 ⋅ ⎥=
⎣ n n⎦ ⎣ 8 8⎦
= [10.625 − 1.96 ⋅ 0.65, 10.625 + 1.96 ⋅ 0.65]

= [10.625 − 1.274, 10.625 + 1.274] = [9.351, 11.899] .
Deci I = [9.351, 11.899] kg.
Interpretare: Cu o probabilitate de 95% se poate considera că media
producţiei de plante medicinale pe parcele de 10 m2 este acoperită de intervalul
I = [9.351, 11.899] .
Există un risc de 5% ca media producţiei să nu aparţină acestui interval.
Procedeu de determinare a intervalului de încredere pentru medie când

dispersia σ 2 este necunoscută, având nivelul de semnificaţie α :
158

n<30
În acest caz dispersia σ 2 este necunoscută şi din această cauză ea trebuie

estimată.
s2 =
1
n −1
[
(x1 − x )2 + ... + (xn − x )2 ]
Pentru a estima media μ necunoscută se normalizează variabila aleatoare
X:
x−μ
≈ t (n − 1) , (*)
σ*
n
repartiţie de tip student cu n-1 grade de libertate.
Intervalul de încredere se determină în mod asemănător cu problema
anterioară:
⎡ σ* σ* ⎤
I* = ⎢ x − tα , x + tα ⎥.
;n −1 n ;n −1 n
⎢⎣ 2 2 ⎥⎦
Exemplu:
Fie un eşantion de volum n=5 firme dintr-un oras T cu cheltuieli în luna
august X: 10, 8, 12, 6, 4. (mii lei). Să se estimeze prin interval de încredere
cheltuielile firmelor din oraşul T considerând un nivel de risc α = 0,05 .
Trebuie să observăm că volumul este mai mic decât 30 şi că varianţa este
necunoscută.
⎡ σ* σ* ⎤
I* = ⎢ x − tα , x + tα ⎥.
⎢⎣ 2
;n −1 n 2
;n −1 n ⎥⎦
n
∑x
i =1
i
10 + 8 + 12 + 6 + 4 40
x= = = = 8.
n 5 5
∑ (x − x)
2
σ* = i =1
i
=
(10 − 8)2 + (8 − 8)2 + (12 − 8)2 + (6 − 8)2 + (4 − 8)2 = 8 = 2.83
n −1 4
.
159

Pentru a calcula valorea t α = t 0.025; 4 se utilizeaza tabelul din Anexa 2.
;n −1
2
t0.025; 4 = 2.776 , de unde obţinem pentru intervalul de încredere următoarele valori:
⎡ 2.83 2.83 ⎤
I * = ⎢8 − 2.776 ⋅ , 8 + 2.776 ⋅ .
⎣ 2.23 2.23 ⎥⎦
Adică
I * = [8 − 2.776 ⋅1.26, 8 + 2.776 ⋅1.26] .
I * = [8 − 3.497, 8 + 3.497] .
I * = [4.503, 11.497] .
Interpretare:
Cu o probabilitate de 95% se poate considera că firmele din oraşul T vor cheltui în
luna august o sumă ce se va situa în intervalul I * = [4.503, 11.497] mii lei. Există un
risc de 5% ca media cheltuielilor să nu aparţină intervalului determinat.
Procedeu de determinare a intervalului de încredere pentru dispersie σ 2

când media μ este cunoscută
Pas. 1. Se alege selecţia {xi }, i = 1, n .
Pas. 2. Se determină numerele t1 , t 2 din Anexa 3 astfel încât:
( )
P t1 < σ 2 < t 2 = 1 − α .
Pas. 3. Pentru estimarea lui σ 2 se determină estimaţia:
s*2 =
1
n
[
(x1 − μ )2 + (x2 − μ )2 + ... + (xn − μ )2 , ]
n
s*2 ≈ ℵ2 (n ) reprezintă o repartiţie Χ2 cu n grade de libertate
σ2
Pas. 4. Intervalul de încredere este:
⎡ n s*2 n s*2 ⎤
I =⎢ , ⎥
⎣ t2 t1 ⎦
Procedeu de determinare a intervalului de încredere pentru dispersie σ 2

când media μ este necunoscută
Nu se cunoaşte dispersia şi trebuie estimată punctual ceea ce conduce la

pierderea unui grad de libertate:
160

s2 =
1
n −1
[ ]
(x1 − x )2 + (x2 − x )2 + ... + (xn − x )2 ,
n 2
s ≈ Χ 2 (n − 1) .
σ2
Intervalul de încredere este:

⎡ (n − 1) s 2 (n − 1)s 2 ⎤
I =⎢ , ⎥.
⎣ t2 t1 ⎦
Intervalele de încredere sunt folosite la testarea ipotezelor statistice.
Aceste teste ne permit ca să putem valida anumite estimări de parameterii cum ar
fi media sau dispersia.
# Exerciţii
1. În scopul estimării producţie unei cereale se cultivă 8 parcele a 10 m2 şi

se obţine media aritmetică a producţiei de x = 10 kg şi o abatere standard de
σ = 500 g . Să se determine intervalul de încredere pentru producţia medie cu
nivel de încredere de α = 0.05 .
2. Să se determine greutatea medie a unei pâini cu nivel de încredere de
α = 0.02 ştiind că pe un eşantion de 500 de pâini s-a obţinut x = 500 g şi
σ = 15.25 g .
3. Studiind proporţia de bărbaţi si de femei ce devin absolvenţi la o
universitate s-au cercetat 150 de absolvenţi şi am găsim 69 sunt femei. Se cere să
se determine intervalul de încredere al proporţiei de bărbaţi cu un nivel de
semnificaţie de α = 0.05 .
161

Anexa 1
u t2
1 −
Funcţia Laplace Θ(u ) = ∫ e 2 dt .
2π 0
Exemplu: Θ (1.36 ) = 0.4131 , se verifică intersecţia dintre linia u = 1.3 şi coloana

cu valoarea ultima zecimală a lui u adică 6.
Invers: Dacă Θ (u ) = 0.4808 care se găseste la intersecţia dintre linia 2.0 şi coloana
7 atunci u = 2.0.
u 0 1 2 3 4 5 6 7 8 9
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.02790.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.06750.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.10640.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.14430.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.18080.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.21570.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.24860.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.27940.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.30780.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.33400.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.35770.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.37900.3810 0.3830
1.2 0.3549 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.39800.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.41470.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.42920.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.44180.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.45250.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.46160.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.46930.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.47560.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.48080.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.48500.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4571 0.4875 0.4872 0.4881 0.48840.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.49110.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.49320.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.49490.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.49620.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.49720.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.49790.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.49850.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.49890.4990 0.4990
3.1 0.4990 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.49930.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.49950.4995 0.4995
3.3 0.4995 0.4991 0.4995 0.4996 0.4996 0.4996 0.4996 0.49960.4996 0.4997
3.4 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.49970.4997 0.4998
3.5 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.49980.4998 0.4998
3.6 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.49990.4999 0.4999
3.7 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.49990.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.49990.4999 0.4999
3.9 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.50000.5000 0.5000
162

Anexa 2
Tabel Student
T este o variabilă cu repartitie student cu v grade de libertate, Acest tabel dă

valorile indicate de t care verifică relaţia P ( T ≥ t ) = P . (Jaba, 2000).
Grade de t0.1 t0.05 t0.025 t0.01 t0.005

libertate
1 3.078 6.314 12.706 31.821 63.657
2 1.886 2.920 4.303 6.965 9.925
3 1.638 2.353 3.182 4.541 5.841
4 1.533 2.132 2.776 3.747 4.604
5 1.476 2.015 2.571 3.365 4.032
6 1.440 1.943 2.447 3.143 3.707
7 1.415 1.895 2.365 2.998 3.499
8 1.397 1.860 2.306 2.896 3.355
9 1.383 1.833 2.262 2.821 3.250
10 1.372 1.812 2.228 2.764 3.169
11 1.363 1.796 2.201 2.718 3.106

12 1.356 1.782 2.179 2.681 3.055
13 1.350 1.771 2.160 2.650 3.012
14 1.345 1.761 2.145 2.624 2.977
15 1.341 1.753 2.131 2.602 2.947
16 1.337 1.746 2.120 2.583 2.921
17 1.333 1.740 2.110 2.567 2.898
18 1.330 1.734 2.101 2.552 2.878
19 1.328 1.729 2.093 2.539 2.861
20 1.325 1.725 2.086 2.528 2.845
21 1.323 1.721 2.080 2.518 2.831

22 1.321 1.717 2.074 2.508 2.819
23 1.319 1.714 2.069 2.500 2.807
24 1.318 1.711 2.064 2.492 2.797
25 1.316 1.708 2.060 2.485 2.787
26 1.315 1.706 2.056 2.479 2.779
27 1.314 1.703 2.052 2.473 2.771
28 1.313 1.701 2.048 2.467 2.763
29 1.311 1.699 2.045 2.462 2.756
∞ 1.282 1.645 1.960 2.326 2.576
163

BIBLIOGRAFIE
1. Aldea Florica, Matematici aplicate în ştiinţele agricole şi silvice, Editura

Risoprint, Cluj Napoca, 2006.
2. Bunu I. coord. colectiv de autori, Matematici economice, Departamentul
Editorial Poligrafic al Academiei de Studii Economice a Moldovei,
Chişinău, 2012.
3. Burdujan I., Elemente de algebră cu aplicaţii în biologie, Ed. Pim, Iaşi, 2006.
4. Burtea M., Burtea Georgeta, Matematică, clasa a X-a, Ed. Carminis, Piteşti,
2005.
5. Diaconiţa V., Spînu M., Rusu Ghe., Matematici aplicate în economie, Ed.
Sedcom Libris, Iaşi, 2004.
6. Diaconiţa V., Spînu M., Rusu Ghe., Amariei M., Matematici aplicate în
economie - Teste grilă, Ed. Sedcom Libris, Iaşi, 2004
7. Donciu N., Flondor D., Simionescu, Gh., Algebră şi analiză matematică -
culegere de probleme, vol. 1, Ed. Didactică şi Pedagogică, Bucureşti,
1967.
8. Donciu N., Flondor D., Simionescu, Gh., Algebră şi analiză matematică -
culegere de probleme, vol. 2, Ed. Didactică şi Pedagogică, Bucureşti,
1965.
9. Jaba Elisabeta, Statistică - ediţia a doua - Editura Economică, Bucureşti, 2000.
10. Jaba Elisabeta, Statistică descriptivă - manual pentru învăţământ deschis la
distanţă, Ed. Univ. Al. I. Cuza, Iaşi, 2005.
11. Jaba Elisabeta, Pintilescu Carmen, Statistică - teste grilă şi probleme, ediţia a
doua, Ed. SedcomLibris, Iaşi, 2007.
12. Mihoc Gh., Micu, N., Elemente de teoria probabilităţilor şi statistică
matematică, Ed. Didactică şi Pedagogică, Bucureşti, 1988.
13. Ott Lyman R., Longnecker M., An Introduction to Statistical Methods and
Data Analysis - fifth edition - Thomson learning Academic Resourse
Centre, Duxbury, USA, 2001.
14. Reischer C., Sâmboan A., Culegere de probleme de teoria probabilităţilor şi
statistică matematică, Ed. Didactică şi Pedagogică, Bucureşti, 1972.
15. Schneider Gheorghe-Adalbert, Culegere de probleme de algebră, Editura
Hyperion, Craiova, 1994.
16. Stoleriu I., Statistică prin Matlab, Ed. Matrixrom, Iaşi, 2010.
17. Tamaş V., Matematică pentru studenţi economişti, Ed. Junimea, Iaşi, 2001
164

Cuprins
Pag.
Unitate de învăţare I. Elemente de algebră liniară
1.1. Matrice şi determinanţi .......................................................... 5
1.1.1. Cazuri particulare ........................................................... 6
1.1.2. Operaţii cu matrice ........................................................ 7
1.1.3. Înmulţirea cu scalar ........................................................ 8
1.1.4. Transpusa unei matrice .................................................. 9
1.1.5. Determinanţi .................................................................. 9
1.1.6. Rangul unei matrice ....................................................... 11
1.1.7. Matrice inversabilă ......................................................... 12
1.2. Sisteme de ecuaţii liniare ....................................................... 14
1.2.1. Rezolvarea sistemelor de ecuaţii ................................... 16
1.2.1.1. Sistem Cramer ....................................................... 16
1.2.1.2. Metoda eliminării parţiale Gauss .......................... 17
1.2.1.3. Metoda eliminării totale Gauss Jordan ................. 22
1.2.1.4. Explicitarea unui sistem de ecuaţii ........................ 27
1.2.2. Calcularea inversei unei matrice folosind metoda
eliminării totale ............................................................................. 29
Unitate de învăţare II. Elemente de algebră abstractă
2.1. Lege de compoziţie ................................................................ 33
2.2. Structuri algebrice .................................................................. 35
2.3. Spaţii vectoriale ...................................................................... 40
2.4. Tranformări liniare ................................................................. 50
Unitate de învăţare III. Elemente de programare liniară
3.1. Introducere în programare liniară ......................................... 56
3.2. Structura unei probleme de programare liniară (P.P.L.) ........ 57
3.3. Metoda grafică de rezolvare a P.P.L. ...................................... 60
3.4. Metoda simplex de rezolvare a P.P.L. .................................... 65
3.5. Descrierea algoritmului simplex primal ................................. 75
3.6. Metoda celor două faze ......................................................... 81
Unitate de învăţare IV. Elemente de probabilităţi şi statistică
4.1. Evenimente ............................................................................ 87
4.2. Operaţii cu evenimente ......................................................... 89
4.3. Probabilităţi ........................................................................... 91
4.4. Scheme probabilistice clasice ................................................ 97
4.5. Variabile aleatoare ................................................................. 102
4.5.1. Operaţii cu variabile aleatoare ..................................... 104
4.5.2. Funcţia de repartiţie a unei variabile aleatoare ........... 107
4.5.3. Valori tipice ale unei variabile aleatoare ..................... 112
4.6. Repartiţii clasice ..................................................................... 126
4.7. Organizarea şi descrierea datelor ........................................... 138
4.8. Reprezentarea grafică a seriilor statistice .............................. 142
4.9. Caracteristici numerice ale seriilor statistice ......................... 145
4.10. Frecvenţa absolută, frecvenţa relativă şi frecvenţa cumulată ... 150
4.11. Ajustarea datelor unei serii statistice ................................... 153
4.12. Intervale de incredere .......................................................... 157
165

Anexa 1 ..................................................................................................... 162
Anexa 2 ...................................................................................................... 163
Bibliografie ................................................................................................. 164

Cuprins ....................................................................................................... 165
166

A 1.01 Matematica 2015 PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

A 1.01 Matematica 2015 PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Universitatea de Ştiințe Agricole şi Medicină

Acest suport de curs „Matematică - Programare liniară, teoria

1.1. Matrice şi determinanţi

1.2. Sisteme de ecuaţii liniare

1.1. Matrice şi determinanţi

În această secţiune vor apărea definiţii şi proprietăţi din algebra matriceală

Definiţia 1. Se numeşte matrice M m, n ( ) o mulţime de m ⋅ n numere aranjate

într-un tablou dreptunghiular având m linii şi n coloane.

⎛ a11 a12 a1n ⎞

unde aij , i = 1,… m, j = 1,… n se numesc elementele matricei A.

O matrice cu m linii şi n coloane se numeşte matrice de tip (m, n ) sau

1.1.1. Cazuri particulare:

1. O matrice de tip (m,1) se numeşte matrice coloană (vector coloană).

2. O matrice de tip (1, n ) se numeşte matrice linie.

3. O matrice de tip (n, n ) se numeşte matrice pătratică de ordin n.

⎛ a11 a12 a1n ⎞

Elementele a11 , a22 , a33 , … ann formează diagonala principală a matricei.

6. O matrice diagonală pentru care a11 = a22 = a33 = … = ann = 1 se numeşte

lor sunt respectiv egale: aij = bij , i = 1,… m, j = 1,… n. Notăm A = B .

1.1.2. Operaţii cu matrice

Definiţia 3. Fie A, B ∈ M m,n ( ) având (a )

elementele matricei B . Definim adunarea matricelor A şi B ca fiind matricea

Proprietăţile adunării matricelor:

Definiţia 4. A ∈ M m,n ( ) şi B ∈ M n, p ( ) , cu elemenentele ( )

Observaţie. Produsul A ⋅ B a două matrice se poate efectua doar dacă numărul de

Proprietăţile înmulţirii matricelor:

ordin n A ∈ M n ( ) are loc relaţia A ⋅ In = In ⋅ A = A .

3. Distributivitatea la stânga a înmulţirii faţă de adunare

4. Distributivitatea la dreapta a înmulţirii faţă de adunare

1.1.3. Înmulţirea cu un scalar

Definiţia 5. Definim produsul matricei A ∈ M m,n ( ) cu scalarul α∈ ca fiind

matricea B ∈ M m,n ( ) cu elemenetele bij = α ⋅ aij . Putem scrie B = α ⋅ A = A ⋅ α .

Proprietăţi ale înmulţirii cu scalari:

1.1.4. Transpusa unei matrice

Definiţia 6. Numim transpusă a matricei A ∈ M m ,n ( ) cu elementele (a )

matricea notată AT = (a ji ) care are drept linii, respectiv coloanele matricei A şi

drept coloane respectiv liniile matricei A .

Definiţia 7. Spunem că matricea pătratică A ∈ M n ( ) este simetrică dacă

fi i, j = 1, n şi antisimetrică dacă AT = − A adică aij = − a ji oricare ar fi

Definiţia 8. Fie A = ( aij ) ∈ M n ( ) o matrice pătratică. Se numeşte determinantul

iar suma cuprinde toate permutările posibile ale acestora şi ω = 0 dacă

a11 a12 a13

În practică, dacă determinantul este de ordin n (n > 3) se foloseşte o tehnică prin

Să se calculeze determinantul următor:

Determinantul propus este de 4 linii şi 4 coloane. Facem descompunerea după

În acest mod determinatul a fost transformat într-o sumă de determinanţi ce pot fi

Pentru a ne simplifica calculele se poate observa că prima linie conţine numai

În urma acestor calcule observăm că determinantul iniţial de ordin 4 s-a

1.1.6. Rangul unei matrice

Definiţia 9. Fie A ∈ M m,n ( ) o matrice de tipul (m, n ) . Dacă în matricea A

1.1.7. Matrice inversabile

Definiţia 11. O matrice pătratică se numeşte singulară dacă determinantul său

Definiţia 12. Fie A o matrice pătratică de ordin n. Spunem că matricea A este

Teoremă 1. Fie o matrice A pătratică de ordin n. Matricea este inversabilă dacă

Definiţia 13. Numim transformări elementare liniare asupra matricei A aplicarea

Observaţie. Dacă asupra unei matrice A aplicăm transformări elementare rangul

= −2 + 2 + 0 − 3 + 2 + 0 = −1 ≠ 0 deci matricea este nesingulară şi

conform teoremei 1 este inversabilă.

Definiţia 14. Se numeşte sistem liniar de m ecuaţii cu n necunoscute ansamblul

⎧a11 x1 + a12 x2 + + a1n x n = b1 ,

unde aij ∈ , bi ∈ , unde 1 ≤ i ≤ m, 1 ≤ j ≤ n , variabilele x1 , x2 , …, xn ∈ R se

numesc necunoscutele sistemului, constantele aij ∈ se numesc coeficienţii

sistemului, iar bi ∈ se numesc termenii liberi.