Documente Academic
Documente Profesional
Documente Cultură
A 1.01 Matematica 2015 PDF
A 1.01 Matematica 2015 PDF
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
Dr. Ciprian Chiruţă Suport de curs
Introducere
3
Dr. Ciprian Chiruţă Suport de curs
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
Dr. Ciprian Chiruţă Suport de curs
Unitate de învăţare I
Elemente de matematică liniară
Cuprins U.I. I
-----------------------------------------------------------------------------------
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.
-----------------------------------------------------------------------------------
⎛ a11 ⎞
⎜ ⎟
⎜ a21 ⎟
A=⎜ ⎟.
⎜ ⎟
⎜a ⎟
⎝ m1 ⎠
A = (a 11 a 12 a 1n ).
⎛ a11 0 0 ⎞
⎜ ⎟
⎜ 0 a22 0 ⎟
A=⎜ ⎟.
⎜ ⎟
⎜ 0 0 ann ⎟⎠
⎝
⎛1 0 0⎞
⎜ ⎟
⎜0 1 0⎟
In = ⎜ ⎟.
⎜ ⎟
⎜0 0 1 ⎟⎠
⎝
6
Dr. Ciprian Chiruţă Suport de curs
Definitia 2. Două matrice de acelaşi tip Am,n şi Bm ,n sunt egale dacă elementele
1. Adunarea matricelor
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
7
Dr. Ciprian Chiruţă Suport de curs
C = A ⋅ B ∈ M m, p ( ) cu elementele C = (cik ) unde
n
cik = ∑a b
j =1
ij jk = ai1b1k + ai 2b2 k + ... + ainbnk .
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 ⎟⎠
A ⋅ (B + C ) = A ⋅ B + A ⋅ C .
(A + B) ⋅ C = A ⋅ C + B ⋅ C .
EXEMPLU:
8
Dr. Ciprian Chiruţă Suport de curs
⎛ 1 2 4 ⎞ ⎛ a 2a 4 a ⎞
⎜ ⎟ ⎜ ⎟
a ⋅ A = a ⋅ ⎜ 0 3 − 1⎟ = ⎜ 0 3a − a ⎟ .
⎜ 2 1 0 ⎟ ⎜ 2a a 0 ⎟⎠
⎝ ⎠ ⎝
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 .
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
9
Dr. Ciprian Chiruţă Suport de curs
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
a11 a12
det A1 = = a11 ⋅ a22 − a21 ⋅ a12 ,
a21 a22
= a11 ⋅ a22 ⋅ a33 + a21 ⋅ a32 ⋅ a13 + a12 ⋅ a23 ⋅ a31 − a31 ⋅ a22 ⋅ a13 − a11 ⋅ a32 ⋅ a23 − a21 ⋅ a12 ⋅ a33
EXEMPLU:
1 1 1 1
2 2 3 4
det A = ,
0 2 1 2
1 2 1 2
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
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
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
11
Dr. Ciprian Chiruţă Suport de curs
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.
A ⋅ A −1 = A −1 ⋅ A = I n .
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
Dr. Ciprian Chiruţă Suport de curs
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
# 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
Dr. Ciprian Chiruţă Suport de curs
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.
∑a
j =1
ij x j = bi unde i = 1, … m . (2)
A⋅ X = B . (3)
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.
1
Leopold Kroneker (1823‐1891) ‐ matematician german;
2
Alfredo Capelli (1855‐1910) ‐ matematician Italian;
15
Dr. Ciprian Chiruţă Suport de curs
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)
det A j
xj = , unde j = 1, … n , (5)
det A
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
4 − 2 −1
Δ = 1 −3 2 = 4 ⋅ (− 3) − 1 − 4 − 3 − 8 + 2 = −26 ≠ 0 .
1 1 1
3
Gabriel Cramer (1704‐1752) ‐ matematician elveţian, doctorat la 18 ani in matematică,
contribuţii: regula lui Cramer, paradoxul lui Cramer;
16
Dr. Ciprian Chiruţă Suport de curs
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 .
4
Carl Friedrich Gauss (1777‐1855) ‐ mathematician, fizician, astronom german, directorul
observatorului astronomic din Gottingen;
17
Dr. Ciprian Chiruţă Suport de curs
Fie sistemul:
⎧ 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 .
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
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 ;
⎧ 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:
⎧4 x1 − 2 x 2 − x3 = 9,
⎪
⎨ x1 − 3 x 2 + 2 x3 = 7,
⎪ x + x + x = 2.
⎩ 1 2 3
19
Dr. Ciprian Chiruţă Suport de curs
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 ⎟⎠
⎝
⎛ 1 1 9⎞
⎜1 − − ⎟
⎜ 2 4 4⎟
⎜1 − 3 2 7⎟.
⎜1 1 1 2⎟
⎜ ⎟
⎝ ⎠
⎛ 1 1 9 ⎞
⎜1 − − ⎟
⎜ 2 4 4 ⎟
⎜0 ⎛− 5 ⎞ 9 19 ⎟
.
⎜ ⎜ ⎟
⎝ 2⎠ 4 4 ⎟
⎜ 3 5 1 ⎟
⎜0 − ⎟
⎝ 2 4 4⎠
⎛ 1 1 9 ⎞
⎜1 − − ⎟
⎜ 2 4 4 ⎟
⎜0 1 9 19
− − ⎟.
⎜ 10 10 ⎟
⎜ 3 5 1⎟
⎜0 − ⎟
⎝ 2 4 4⎠
20
Dr. Ciprian Chiruţă Suport de curs
⎛ 1 1 9 ⎞
⎜1 − − ⎟
⎜ 2 4 4 ⎟
⎜ 9 19 ⎟
⎜ 0 1 − 10 − ⎟.
10
⎜ 13 ⎟⎟
⎜⎜ 0 0 ⎛⎜ 13 ⎞⎟
⎝ ⎝5⎠ 5 ⎟⎠
⎧ 1 1 9
⎪ x1 − 2 x 2 − 4 x 3 = − 4 ,
⎪
⎪ 9 19
⎨ x 2 − x3 = − ,
⎪ 10 10
⎪13 13
⎪ 5 x3 = 5 .
⎩
⎧ 1 1 9
⎪ x1 − 2 x2 − 4 x3 = − 4 ,
⎪
⎪ 19 9
⎨ x2 = − + = −1,
⎪ 10 10
⎪ x3 = 1.
⎪
⎩
⎧ 9 −2 1
⎪ x1 = − 4 + 4 − 4 = 2
⎪
⎨ x 2 = −1;
⎪ x = 1,
⎪ 3
⎩
21
Dr. Ciprian Chiruţă Suport de curs
3. Metoda eliminării totale (GAUSS - JORDAN5)
5
Wilhelm Jordan (1842‐1899) ‐ geodesist german;
22
Dr. Ciprian Chiruţă Suport de curs
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 ⎟⎠
⎝
Observaţii:
1. Dacă o singură valoare din şirul q r +1 , qr + 2 , , qm este diferită de zero
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
Dr. Ciprian Chiruţă Suport de curs
⎛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 ⎟⎠
x1 = q1 , x2 = q2 , x3 = q3 , , xn = q n .
⎧ 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
24
Dr. Ciprian Chiruţă Suport de curs
EXEMPLU:
⎧4 x1 − 2 x2 − x3 = 9,
⎪
⎨ x1 − 3 x2 + 2 x3 = 7,
⎪ x + x + x = 2.
⎩ 1 2 3
⎛ (4 ) − 2 − 1 9⎞
⎜ ⎟
A = ⎜ 1 −3 2 7⎟ .
⎜1 1 1 2 ⎟⎠
⎝
⎛ 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
Dr. Ciprian Chiruţă Suport de curs
⎛1 0 0 2⎞
⎜ ⎟
⎜0 1 0 − 1⎟ .
⎜0 0 1 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
⎧ 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
Dr. Ciprian Chiruţă Suport de curs
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 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
Dr. Ciprian Chiruţă Suport de curs
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.
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.
⎧ x1 + 2 x2 − 3x3 + x4 = 2
⎨ .
⎩2 x1 + x2 − x3 + 3 x4 = 6
⎛1 2 − 3 1 2⎞
⎜ ⎟.
⎜ 2 1 −1 3 6 ⎟⎠
⎝
⎛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
Dr. Ciprian Chiruţă Suport de curs
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
explicite.
⎧ x1 + 5 x 2 − 8 x3 =0
⎨ .
⎩ − 3 x 2 + 5 x3 + x 4 = 2
⎧ x1 + 5α − 8β =0
⎪ − 3α + 5β + x = 2
⎪ 4
⎨ .
⎪ 2x = α
⎪⎩ x3 = β
⎧ x1 = −5α + 8β
⎪ x = 2 + 3α − 5β
⎪ 4
⎨ .
⎪ x2 = α
⎪⎩ x3 = β
⎛a a12 ⎞
A = ⎜⎜ 11 ⎟.
⎝ a21 a22 ⎟⎠
29
Dr. Ciprian Chiruţă Suport de curs
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
⎛ 1 0 b11 ⎞ ⎛ 1 0 b12 ⎞
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ,
⎝ 0 1 b21 ⎠ ⎝ 0 1 b22 ⎠
adică:
de unde rezultă:
30
Dr. Ciprian Chiruţă Suport de curs
⎛ a11 a12 1 0⎞
⎜ ⎟.
⎜a a 22 0 1 ⎟⎠
⎝ 21
⎛1 0 x11 x12 ⎞
⎜ ⎟.
⎜0 1 x21 x22 ⎟⎠
⎝
EXEMPLU:
⎛2 0 1 ⎞
⎜ ⎟
A = ⎜ 2 1 − 1⎟ .
⎜ 3 1 − 1⎟
⎝ ⎠
⎛ (2 ) 0 1 1 0 0⎞
⎜ ⎟
A = ⎜ 2 1 −1 0 1 0⎟ .
⎜ 3 1 −1 0 0 1 ⎟⎠
⎝
⎛ 1 1 ⎞
⎜1 0 0 0⎟
⎜ 2 2 ⎟
⎜0 1 − 2 −1 1 0⎟ .
⎜ 5 3 ⎟
⎜0 1 − − 0 1⎟
⎝ 2 2 ⎠
31
Dr. Ciprian Chiruţă Suport de curs
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
Dr. Ciprian Chiruţă Suport de curs
Unitate de învăţare II
Elemente de algebră abstractă
Cuprins U.I. II
--------------------------------------------------------------------------------
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.
---------------------------------------------------------------------------------------
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
Dr. Ciprian Chiruţă Suport de curs
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 .
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 .
x ∗ ( y z ) = (x ∗ y ) ( x ∗ z ) ∀ x, y , z ∈ M .
(y z ) ∗ x = (y ∗ x) ( z ∗ x ) ∀ x, y , z ∈ M .
34
Dr. Ciprian Chiruţă Suport de curs
∀ x, y ∈ H ⇒ x∗ y∈H .
Definiţie 7. (M , ∗) se numeşte semigrup dacă operaţia "∗ " este operaţie asociativă
pe M.
Dacă în plus operaţia "∗ " este comutativă (M , ∗) se numeşte semigrup comutativ.
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 .
35
Dr. Ciprian Chiruţă Suport de curs
⎧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 .
⎧⎪0 ; n = 0,
∀a ∈ M ∀n ∈ n⋅a = ⎨
⎪⎩( n − 1) ⋅ a + a ; n > 1,
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
Dr. Ciprian Chiruţă Suport de curs
Reguli de calcul în grup
Simplificare la stânga a ∗ b = a ∗ c ⇒ b = c .
Simplificare la dreapta b ∗ a = c ∗ a ⇒ b = c .
1. ∀ x, y ∈ H ⇒ x ∗ y ∈ H ,
2. ∀ x ∈ H ⇒ x′ ∈ H .
f ( x ∗ y ) = f ( x ) f ( y ), ∀x, y ∈ G
2. f ( x') = ( f (x ))' , ∀x ∈ G .
37
Dr. Ciprian Chiruţă Suport de curs
definitie
Demonstraţie: 1. e ∗ e = e ⇒ f (e ) = f (e ∗ e ) = f (e ) f (e ) . Înmulţim la dreapta cu
relaţia ε = f (e ) ε adică f (e ) = ε .
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.
comutativ.
4. ( M n [ ] , +, • ) mulţimea matricelor pătratice de ordin n cu elemente
Definţie 14. Spunem că inelul (I , +, ⋅) este inel fără divizori ai lui 0 dacă
x ≠ 0 si y ≠0 ⇒ x⋅ y ≠0.
⎛1 1⎞ ⎛ 3 4 ⎞
alegem matricele: A = ⎜⎜ ⎟⎟ şi B = ⎜⎜ ⎟⎟ ambele diferite de 0, dar A ⋅ B = 0 .
⎝ 2 2⎠ ⎝ − 3 − 4⎠
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.
# 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
Dr. Ciprian Chiruţă Suport de curs
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
(α , v ) → α ⋅ v
1. Asociativitatea adunării: ( u + v ) + w = u + (v + w) ∀ u , v , w ∈V ;
4. Comutativitate: u + v = u + v , ∀ u , 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
Dr. Ciprian Chiruţă Suport de curs
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
( n
)
, +, ⋅ spaţiul vectorial real în n dimensiuni unde operaţia de adunare a
(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 ) .
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
Dr. Ciprian Chiruţă Suport de curs
numeşte combinaţie liniară a vectorilor v1 , v2 , …, vm ; scalarii μ1 , μ 2 , …, μ m
numindu-se coeficienţii combinaţiei liniare.
v = μ1v1 + μ 2 v2 + … + μ m vm .
pentru spaţiul vectorial V , dacă orice vector din V este combinaţie liniară a
vectorilor sistemului S.
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 .
α2 α α
v1 = − v2 − 3 v3 − … − m vm .
α1 α1 α1
42
Dr. Ciprian Chiruţă Suport de curs
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 ,
EXEMPLU:
μ1 , μ 2 , μ3 ∈ a. î.
w = μ1v1 + μ 2 v2 + μ 3 v3 .
implică μ1 = μ 2 = μ 3 = 0 .
⎧1 = 2 ⋅ λ1 + 3 ⋅ λ2 − 1 ⋅ λ3 ,
⎪
⎨− 1 = 1 ⋅ λ1 + 2 ⋅ λ2 − 1 ⋅ λ3 , .
⎪− 2 = 1 ⋅ λ + 1 ⋅ λ − 2 ⋅ λ .
⎩ 1 2 3
v = 3 ⋅ v1 − 1 ⋅ v2 + 2 ⋅ v3 .
⎧ 3a1 − 5a2 + a3
⎪μ1 = 2
,
⎪
⎪ − a1 + 3a2 − a3
⎨μ 2 = ,
⎪ 2
⎪ a1 − a2 − a3
⎪μ 3 = 2
,
⎩
⎧ 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
EXEMPLU:
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.
45
Dr. Ciprian Chiruţă Suport de curs
2.4 Lema substituţiei
reprezentarea
u = α 1e1 + α 2 e2 + … + α n en
λi λ
λi * = ; λj* = λj − i α j; j ≠ i .
αi αi
Regula dreptunghiului
λi
αi λi 1
αi
⇔ .
αj λj λ
0 λj − i α j
αi
46
Dr. Ciprian Chiruţă Suport de curs
∗
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
EXEMPLU:
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
Dr. Ciprian Chiruţă Suport de curs
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
echivalente:
{
şi B* = f1 , f 2 , …, f n } două baze ale spaţiului. Fiecare element al bazei B' se
reprezintă în baza B sub forma :
B*.
v = x1e1 + x2 e2 + + x n en şi
v = y1 f1 + y 2 f 2 + + yn f n .
X = S ⋅ Y ⇔ Y = S −1 ⋅ X .
# Exerciţii
49
Dr. Ciprian Chiruţă Suport de curs
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
w2 = (1, 1, 1) , w3 = (1, 0, 3) .
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 .
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 ) .
particularizăm.
Alegem α = 1, β = 1 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.
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 ) =
( )
T OV = OV ' şi T ( − v ) = − T (v ), v ∈V ,
{
Ker T = v ∈ V / T (v ) = 0 . }
Numărul d = Ker T se numeşte defectul transformării.
51
Dr. Ciprian Chiruţă Suport de curs
Im T = { v2 ∈V ' / ∃ v1 ∈V a.i. T (v1 ) = v2 } .
{ }
Dacă B = {e1 , e2 , …, en } este bază în Vn şi B' = f1 , f 2 , …, f m este bază în
bazele B şi B'.
Exemplu:
Rezolvare:
T (2, 3) = (2 ⋅ 2 + 5 ⋅ 3, 4 ⋅ 2 − 2 ⋅ 3) = (19, 2) ,
⎛2 5 ⎞
A = ⎜⎜ ⎟⎟ .
⎝ 4 − 2⎠
52
Dr. Ciprian Chiruţă Suport de curs
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
Eλ = {v / v ∈V − {0}, T (v ) = λ v }
EXEMPLU:
⎛ 1 2⎞
A = ⎜⎜ ⎟⎟ .
⎝ 2 1⎠
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 .
53
Dr. Ciprian Chiruţă Suport de curs
Vectorii proprii asociaţi valorii proprii λ1 = −1 au coordonatele în raport
cu baza canonică:
⎧(1 − λ1 ) a1 + 2a2 = 0,
⎨
⎩2a1 + (1 − λ1 )a2 = 0.
⎧2 a1 + 2a2 = 0,
⎨
⎩2a1 + 2a2 = 0.
⎧a1 = − a2
De unde obţinem ⎨ .
⎩a2 = α ∈
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.
⎧− 2 a1 + 2a2 = 0,
⎨
⎩2a1 − 2a2 = 0.
⎧a1 = a2
De unde obţinem ⎨ .
⎩a2 = α ∈
este Eλ2 = {v / v = (α , α ) , α ∈ }.
# Exerciţii
54
Dr. Ciprian Chiruţă Suport de curs
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
⎛2 0 1 ⎞
⎛ 2 3⎞ ⎜ ⎟ ⎛ 4 2⎞
A = ⎜⎜ ⎟⎟ , B = ⎜ 2 1 − 1⎟ , C = ⎜⎜ ⎟⎟ .
⎝ 3 2⎠ ⎜ 3 1 − 1⎟ ⎝2 1⎠
⎝ ⎠
55
Dr. Ciprian Chiruţă Suport de curs
Unitate de învăţare III
Elemente de programare liniară
Cuprins U.I. III
----------------------------------------------------------------------------
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.
-----------------------------------------------------------------------------------------
56
Dr. Ciprian Chiruţă Suport de curs
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.
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
Dr. Ciprian Chiruţă Suport de curs
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
EXEMPLU:
max z = 5 x1 + 3 x2 , (1)
⎧2 x1 + 3 x2 ≤ 20,
⎨ (2)
⎩3 x1 + 4 x2 ≥ 25.
x1 , x2 ≥ 0 . (3)
58
Dr. Ciprian Chiruţă Suport de curs
x1 , x2 ,…, xn ≥ 0 . (6)
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
max z = 5 x1 + 6 x2 .
⎧3 x1 + 2 x2 ≤ 120,
⎨
⎩4 x1 + 6 x2 ≤ 260.
59
Dr. Ciprian Chiruţă Suport de curs
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)
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
Dr. Ciprian Chiruţă Suport de curs
⎛ 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
Dr. Ciprian Chiruţă Suport de curs
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.
EXEMPLU:
max z = 9 x1 + 3 x2 ,
⎧ x1 + x2 ≤ 20,
⎨
⎩2 x1 + x2 ≤ 32,
62
Dr. Ciprian Chiruţă Suport de curs
x1 , x2 ≥ 0 .
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 ) .
O(0, 0 ) → z = 9 ⋅ 0 + 3 ⋅ 0 = 0 ,
A(0, 20 ) → z = 9 ⋅ 0 + 3 ⋅ 20 = 60 ,
# Exerciţii
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.
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
Dr. Ciprian Chiruţă Suport de curs
3.4. Metoda simplex de rezolvare a problemelor de programare liniară
Notăm cu:
- (a ) i = 1, 2, …, m; j = 1, 2, …, n
ij cantitatea i de resursă folosită pentru
9
George Bernard Dantzig (1914 ‐ 2005) ‐ matematician american
65
Dr. Ciprian Chiruţă Suport de curs
- x j - necunoscut - cantitatea de produs ce se va produce j = 1, 2, …, n .
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)
b) Problema dietei
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
66
Dr. Ciprian Chiruţă Suport de curs
O unitate din elementul A j costă c j unităţi monetare. Se pune problema să
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
monetare.
Se cere să se determine cantităţile x j din materia primă M j care sunt
67
Dr. Ciprian Chiruţă Suport de curs
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)
⎧ 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
⎪⎩
2 x1 − 5 x2 + x3 − 3 x4 ≤ −10 / (− 1)
− 2 x1 + 5 x2 − x3 + 3 x4 ≥ 10 .
68
Dr. Ciprian Chiruţă Suport de curs
EXEMPLU:
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 .
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 .
{
M = X ∈ R n / AX = b, X ≥ 0 .}
Definiţie 6. O bază B = {a1 , a 2 , ..., am } a subspaţiului V generat de coloanele
EXEMPLE:
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.
70
Dr. Ciprian Chiruţă Suport de curs
⎧ x1 + 2 x2 + x3 =4
⎨ unde xi ≥ 0 .
⎩ x1 − x2 − x3 + x4 = 2
Rezolvare:
⎛1 2 1 0 4⎞
A = ⎜⎜ ⎟.
⎝1 − 1 − 1 1 2 ⎟⎠
⎛ 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.
⎡1 2 (1) 0 4⎤
⎢ ⎥.
⎣1 − 1 − 1 1 2⎦
⎡1 2 1 0 4⎤
⎢ ⎥.
⎣2 1 0 (1) 6⎦
71
Dr. Ciprian Chiruţă Suport de curs
Baza în acest caz este formată de vectorii (x3 , x4 ) acest lucru conducând la
o formă explicită în raport cu necunoscutele (x3 , x4 ) .
⎡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⎦
Baza în acest caz este formată de vectorii (x1 , x2 ) acest lucru conducând la
o formă explicită în raport cu necunoscutele (x1 , x2 ) .
2 4
Soluţia de bază va fi x1 = , x2 = şi x3 = 0, x4 = 0 soluţie nedegenerată
3 3
admisibilă;
⎡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 ⎦
Baza în acest caz este formată de vectorii (x1 , x3 ) acest lucru conducând la
o formă explicită în raport cu necunoscutele (x1 , x3 ) .
72
Dr. Ciprian Chiruţă Suport de curs
Soluţia de bază va fi x1 = 1, x3 = 3 şi x2 = 0, x4 = 0 soluţie nedegenerată
admisibilă.
# Exerciţii
⎧− 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
C T V = max C T X .
X ∈M
Teorema 1.
Dacă sistemul de restricţii (10) are o soluţie (admisibilă) atunci el are cel puţin o
soluţie admisibilă de bază.
73
Dr. Ciprian Chiruţă Suport de curs
m
ak = ∑λ
i =1
ik ai = λ1k a1 + λ2 k a2 + + λrk ar , k = 1, 2, ..., n ,
xi xi
= min .
λik λik >0 λik
Atunci B' = {a1 , a2 , ..., ai−1 , ak , a1+1 ,..., am } este o bază admisibilă.
m
dk = ∑λ
i =1
ik ci − ck < 0 ,
atunci
CT X '≥ CT X .
m
ak = ∑λ
i =1
ik ai , k = 1,2,..., n ,
m
dk = ∑λ
i =1
ik ci − ck ≥ 0 ,
74
Dr. Ciprian Chiruţă Suport de curs
atunci baza B este optimală.
Teorema 5.
n
max z= ∑c x
j =1
j j , (1)
∑a
j =1
ij x j = bi , i = 1, 2, …, m , (2)
75
Dr. Ciprian Chiruţă Suport de curs
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
c2 a2 x20 0 1 … 0 … 0 λ2 m+1 … λ2 k … λ2 n
CTX0 0 0 … 0 … 0 d m +1 … dk … dn
76
Dr. Ciprian Chiruţă Suport de curs
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
( λik < 0 ) atunci programul liniar are optim infinit (teorema 5) şi determinarea ei
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
Dr. Ciprian Chiruţă Suport de curs
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 )] .
EXEMPLU:
max z = 5 x1 + 6 x2 ,
⎧3 x1 + 2 x2 ≤ 120,
⎨
⎩4 x1 + 6 x2 ≤ 260,
x1 , x2 ≥ 0 .
78
Dr. Ciprian Chiruţă Suport de curs
max z = 5 x1 + 6 x2 + 0 x3 + 0 x4 ,
⎧3 x1 + 2 x2 + x3 = 120,
⎨
⎩4 x1 + 6 x2 + x4 = 260,
⎛ a1 a2 a3 a4 b ⎞
⎜ ⎟
A=⎜ 3 2 1 0 120 ⎟ .
⎜4 6 0 1 260 ⎟⎠
⎝
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.
xi 0 xk 0
= min .
λij λkj >0 λkj
şi iese din bază vectorul a 4 . La intersectia dintre cei doi vectori gasim noul pivot
79
Dr. Ciprian Chiruţă Suport de curs
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
⎛ 130 100 ⎞
este X = ⎜ 0, , , 0⎟ .
⎝ 3 3 ⎠
⎧ 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
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
Dr. Ciprian Chiruţă Suport de curs
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 .
A ⋅ X = b; X ≥0, (6)
min ( y1 + y2 + y3 + + yn ) , (7)
A ⋅ X + I m ⋅ Y = b; X ≥ 0, Y ≥ 0 , (8)
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).
81
Dr. Ciprian Chiruţă Suport de curs
Renunţând la componentele artificiale obţinem o soluţie admisibilă de
bază a problemei (4) - (5) şi continuăm cu faza 2.
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 .
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
Dr. Ciprian Chiruţă Suport de curs
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⎠
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 .
⎛ 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
Dr. Ciprian Chiruţă Suport de curs
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
84
Dr. Ciprian Chiruţă Suport de curs
# Exerciţii
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.
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
Dr. Ciprian Chiruţă Suport de curs
Unitate de învăţare IV
Elemente de teoria probabilităţilor
şi statistică matematică
Cuprins U.I. IV
-----------------------------------------------------------------------------
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
Dr. Ciprian Chiruţă Suport de curs
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
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.
87
Dr. Ciprian Chiruţă Suport de curs
b). La verificarea unui fruct spaţiul de selecţie este alcătuit din
Ω = { bun, stricat} .
88
Dr. Ciprian Chiruţă Suport de curs
4.2. Operaţii cu evenimente
Notaţie: A ∩ B .
89
Dr. Ciprian Chiruţă Suport de curs
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 .
a) A ∈ F atunci A ∈ F,
b) A ∈ F şi B ∈ F atunci A ∪ B ∈ F şi A ∩ B ∈ F.
n n
∪ Ai ∈ F şi
i =1
∩ A ∈ F.
i =1
i
90
Dr. Ciprian Chiruţă Suport de curs
(ii). Ai ∩ A j = ∅, i ≠ j , i, j = 1, 2,..., n - evenimentele sunt incompatibile două câte
două.
4.3. Probabilităţi
nA
f n ( A) =
n
EXEMPLU:
91
Dr. Ciprian Chiruţă Suport de curs
care indică frecvenţa relativă de apariţie a evenimentului A într-o serie de n
repetiţii ale experimentului.
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
92
Dr. Ciprian Chiruţă Suport de curs
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 ) ,
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.
∀Ai ∈ P(Ω ), i = 1, , n
Probabilităţi condiţionate
93
Dr. Ciprian Chiruţă Suport de curs
se numeşte probabilitatea evenimentului A condiţionată de evenimentul B
expresia:
P( A ∩ B )
PB ( A) = .
P (B )
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.
Evenimente independente
P ( A ∩ B ) = P ( A) ⋅ P (B ) .
11
Abraham de Moivre (1667 ‐ 1754) ‐ matematician francez.
94
Dr. Ciprian Chiruţă Suport de curs
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).
determină cu formula:
n
P ( A) = ∑ P ( A ) ⋅ P ( A) ⋅
i =1
i Ai
probabilităţii totale.
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
Dr. Ciprian Chiruţă Suport de curs
n
sau P( A1 ∩ A2 ∩ ∩ An ) ≥ ∑ P( A ) − n + 1
i =1
i (Inegalitatea lui Boole13).
EXEMPLU:
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
Dr. Ciprian Chiruţă Suport de curs
se extrage o bilă. Care este probabilitatea ca bila să fie albastră? Dar să fie neagră?
SCHEMA POISSON14
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 .
14
Simeon Denis Poisson (1781 ‐ 1840) ‐ matematician, fizician, astronom francez; în memoria sa
numele i‐a fost scris pe Turnul Eiffel.
97
Dr. Ciprian Chiruţă Suport de curs
P ( A) = coeficientul lui x din dezvoltarea ( p1 x + q1 )( p2 x + q2 )
k
( pn x + qn ) .
EXEMPLU:
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
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?
P( A) = C nk ⋅ p k ⋅ q n−k .
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,
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
Dr. Ciprian Chiruţă Suport de curs
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
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
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
100
Dr. Ciprian Chiruţă Suport de curs
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
n! Ak n!
Pn = 1 ⋅ 2 ⋅ 3 ⋅ … ⋅ n = n !, Ank = , C nk = n = , unde n ≥ k .
(n − k )! k ! k !⋅(n − k )!
# Exerciţii
101
Dr. Ciprian Chiruţă Suport de curs
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
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
ia valoarea xi .
Notaţie: p1 = P( X = x1 ); p2 = P( X = x2 ); , pn = P( X = xn ); .
⎛ 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 ) .
102
Dr. Ciprian Chiruţă Suport de curs
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
103
Dr. Ciprian Chiruţă Suport de curs
1 3
⎛3⎞ ⎛1⎞ 3
p1 = P( X = 1) = C n1 ⋅ p1 ⋅ q n−1 = C 41 ⋅ ⎜ ⎟ ⋅ ⎜ ⎟ = = 0.0468;
⎝4⎠ ⎝4⎠ 64
⎛ 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
⎛x xi xn ⎞ ⎛ y1 yi ym ⎞
X : ⎜⎜ 1 ⎟⎟ şi Y : ⎜⎜ ⎟.
⎝ p1 pi pn ⎠ ⎝ q1 qj qm ⎟⎠
⎛ x1 + y1 x1 + y 2 … xi + y j … xn + y m ⎞
X + Y : ⎜⎜ ⎟.
⎝ p11 p12 … pij … pnm ⎟⎠
∑∑ p
i =1 j =1
ij =1.
⎛ 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 ⎟⎠
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.
⎛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
Dr. Ciprian Chiruţă Suport de curs
( )
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 ⎠
⎛ 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
Dr. Ciprian Chiruţă Suport de curs
⎛ 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 ⎠
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
⎛0 1⎞
Dacă variabila aleatoare are tabloul de distribuţie: X A : ⎜⎜ ⎟ , unde
⎝q p ⎟⎠
107
Dr. Ciprian Chiruţă Suport de curs
⎧0, x ≤ 0,
⎪
FX ( x ) = ⎨q, 0 < x ≤ 1,
⎪1, x > 1.
⎩
P(a ≤ X < b ) = F (b ) − F (a ) .
imediat
P(a ≤ X < b ) = F (b ) − F (a ) .
EXEMPLU 1:
⎛x x2 xi xn ⎞
X : ⎜⎜ 1 ⎟.
⎝ p1 p2 pi pn ⎟⎠
⎧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:
⎛1 2 3 4 5 6⎞
X :⎜1 1 1 1 1 1⎟.
⎜ ⎟
⎝6 6 6 6 6 6⎠
⎧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 →∞
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 ) .
Demonstraţie:
2. F (− ∞ ) = lim F (x ) = P( X < −∞ ) = P(∅ ) = 0 ,
x→−∞
Observaţie:
109
Dr. Ciprian Chiruţă Suport de curs
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.
F (x ) = ∑ f (x ) = ∑ p
xi ≤ x
i
xi ≤ x
i .
F ' (x ) = f (x ) . ∀ x ∈ R
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
Dr. Ciprian Chiruţă Suport de curs
+∞
EXEMPLU:
⎧0, x ≤ 1,
⎪x
⎪
f (x ) = ⎨ , 1 < x ≤ 3,
⎪4
⎩⎪1, x > 3.
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
1
P (1 ≤ X < 3) = F (3) − F (1) = (9 − 1) − 1 (1 − 1) = 8 + 0 = 1 .
8 8 8
111
Dr. Ciprian Chiruţă Suport de curs
4.5.3 Valori tipice ale unei variabile aleatoare
a) Media
n
M ( X ) = x1 ⋅ f (x1 ) + x2 ⋅ f ( x2 ) + + xn ⋅ f (xn ) = ∑ x ⋅ f (x ) .
i =1
i i
n
M ( X ) = x1 ⋅ p1 + x2 ⋅ p 2 + + xn ⋅ p n = ∑x ⋅ p
i =1
i i .
M ( X ) = ∫ x ⋅ f ( x ) dx .
R
2. M (a X ) = a M ( X ),
3. M ( X + Y ) = M ( X ) + M (Y ),
4. M ( X + a ) = M ( X ) + a,
112
Dr. Ciprian Chiruţă Suport de curs
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.
Exemple:
b) Mediana
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
Dr. Ciprian Chiruţă Suport de curs
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
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
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
114
Dr. Ciprian Chiruţă Suport de curs
d) Valoarea modală
Notaţia este M 0 ( X ) .
( ) ∑x
n
M r (X ) = M X r = r
i pi .
i =1
În particular
M1 (X ) = M (X ).
∞
M r (X ) = ∫x
r
⋅ f (x ) dx .
−∞
[ ] ∑ (x − M ( X )) p
n
mr = M r ( X − M ( X )) = M ( X − M ( X )) =
r r
i i .
i =1
115
Dr. Ciprian Chiruţă Suport de curs
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.
d i = xi − M ( X )
xi − M ( X )
di % = ⋅100 .
M (X )
∑x
i =1
i − M (X )
d=
n
g). Dispersia
116
Dr. Ciprian Chiruţă Suport de curs
[ ] ∑ (x − M (X )) ⋅ p .
n
D 2 ( X ) = m2 ( X ) = M ( X − M ( X )) =
2 2
i i
i =1
⎛x ⎞ ⎛ x − M ( X )⎞
X : ⎜⎜ i ⎟⎟, i = 1...n , X − M ( X ) : ⎜⎜ i ⎟⎟, i = 1...n
⎝ pi ⎠ ⎝ pi ⎠
( ) (
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 ) .
1. D 2 (a ) = 0;
2. D 2 (a X ) = a 2 D 2 ( X );
3. D 2 (a + X ) = D 2 ( X );
D 2 (X )
P( X − M ( X ) < a ) ≥ 1 −
a2
15
Pafnuti Lvovici Cebîşev (1821 ‐ 1894 ) ‐ matematician rus; este cunoscut pentru teorema limită
centrală şi legea numerelor mari.
117
Dr. Ciprian Chiruţă Suport de curs
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 );
2
b
⎛b ⎞
D ( X ) = x f (x ) dx − ⎜ x ⋅ f ( x ) dx ⎟ .
2
∫
2
∫
⎜ ⎟
a ⎝a ⎠
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
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
Dr. Ciprian Chiruţă Suport de curs
i). Coeficientul de variaţie
D( X )
C.V .( X ) = ⋅100
M (X )
m3 ( X )
β1 ( X ) = ,
(σ X )3
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
Dr. Ciprian Chiruţă Suport de curs
k). Coeficientul de boltire – kurtosis (Pearson)
m4 ( X )
β 2 (X ) = ,
(σ )
2 2
X
Covarianţa (corelaţia)
cov( X , Y ) = M [( X − M ( X )) ⋅ (Y − M (Y ))] .
Observaţii:
cov( X , Y )
ρ (X , Y ) = .
σ X ⋅σ Y
EXEMPLU 1:
120
Dr. Ciprian Chiruţă Suport de curs
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 ⎠
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
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
( )
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
Dr. Ciprian Chiruţă Suport de curs
( )
D 2 ( X ) = M X 2 − (M ( X ))
2
=
1974
36
− 7 2 = 5.83 .
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
Dr. Ciprian Chiruţă Suport de curs
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
Dr. Ciprian Chiruţă Suport de curs
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:
⎛ 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
Dr. Ciprian Chiruţă Suport de curs
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
125
Dr. Ciprian Chiruţă Suport de curs
Vom defini câteva variabile aleatoare cu un număr finit de valori mai des
întâlnite în aplicaţii.
⎛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
⎛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
Dr. Ciprian Chiruţă Suport de curs
σ = D (X ) = M X
2
X
2
( )− M
2 2
(X ) = p − p 2
= p(1 − p ) = p ⋅ q .
Notaţie: B (1, p ) .
⎛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 ) .
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.
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
Dr. Ciprian Chiruţă Suport de curs
n
C ak⋅ Cbn −k
şi ∑k =0 C an+b
=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) .
128
Dr. Ciprian Chiruţă Suport de curs
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! ⎠
129
Dr. Ciprian Chiruţă Suport de curs
B. Repartiţii continue
⎧ 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
2. Repatiţia normală N (μ , σ )
( x − μ )2
1 −
f ( x, μ , σ ) = e 2σ 2
, daca x ∈ R .
σ 2π
σ X2 = D 2 ( X ) = σ 2 .
130
Dr. Ciprian Chiruţă Suport de curs
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
x2
1 −2
f ( x,0, 1) = e , daca x ∈ R .
2π
x t2
1 −
F (x ) = P( X < x ) = ∫ e 2 dt
−∞
2π
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
Dr. Ciprian Chiruţă Suport de curs
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 ) .
1
F (x ) = + Φ(x ) .
2
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 ) .
⎛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
Dr. Ciprian Chiruţă Suport de curs
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%
133
Dr. Ciprian Chiruţă Suport de curs
⎛ 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:
Rezolvare:
Notăm cu X variabila aleatoare care reprezinta greutatea la naştere a unui
copil.
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
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
Dr. Ciprian Chiruţă Suport de curs
Probabilitatea de a se naşte un copil cu greutatea cuprinsă între 3.1 şi 3.4
kg este 57,53%.
1 1
În acest caz media este M ( X ) = şi dispersia este D 2 ( X ) = .
λ λ2
4. Repartiţia Hi pătrat ℵ2 (n )
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.
⎩
∞
Γ : (− 1, ∞ ) → R şi Γ(x ) = t x −1 ⋅ e −t dt
∫
0
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
Dr. Ciprian Chiruţă Suport de curs
5. Repatiţia Student t (n )
17
William Sealy Gosset (1876 ‐ 1937) ‐ statistician britanic.
136
Dr. Ciprian Chiruţă Suport de curs
⎛ 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.
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 .
137
Dr. Ciprian Chiruţă Suport de curs
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.
138
Dr. Ciprian Chiruţă Suport de curs
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.
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
Dr. Ciprian Chiruţă Suport de curs
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
142
Dr. Ciprian Chiruţă Suport de curs
Reprezentarea grafică cu bare
Fig. 10 - Histograma
143
Dr. Ciprian Chiruţă Suport de curs
Reprezentarea grafică cu diagrame de tip structură radială
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
144
Dr. Ciprian Chiruţă Suport de curs
# Exerciţii
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
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
145
Dr. Ciprian Chiruţă Suport de curs
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
xi −x
d i = x i − x respectiv d i % = ⋅100 , i=1, ... n.
x
∑ 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
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
146
Dr. Ciprian Chiruţă Suport de curs
n
∑ (x i − x)
2
σ2= i =1
n
Respectiv
∑ (x − x ) 2
⋅ ki
σ = i =1
n
∑k
i =1
i
[ ]
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
∑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.
EXEMPLU:
Se efectuează un sondaj asupra unui eşantion de 60 de unităţi de cazare din
zona oraşului Iaşi, obţinându-se următoarele date:
148
Dr. Ciprian Chiruţă Suport de curs
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
149
Dr. Ciprian Chiruţă Suport de curs
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.
EXEMPLU:
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
150
Dr. Ciprian Chiruţă Suport de curs
unde f(x) este frecvenţa relativă a valorii x, nx este frecvenţa absolută a acestei
valori, iar n este efectivul total.
⎛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
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
151
Dr. Ciprian Chiruţă Suport de curs
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.
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,
152
Dr. Ciprian Chiruţă Suport de curs
Rezolvare:
numărul de familii care au cel mult 3 copii = 108 familii (coloana 4);
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
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;
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
153
Dr. Ciprian Chiruţă Suport de curs
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
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 ) .
⎧ S ( x, y )
⎪a 0 = 2 ,
⎨ D (x )
⎪b = M ( y ) − a M ( x).
⎩ 0 0
∑ (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
154
Dr. Ciprian Chiruţă Suport de curs
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 .
i =0
EXEMPLU:
Înălţimea plantei 25 30 40 50 55
Număr de păstăi
5 9 8 10 11
pe plantă
~ 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
155
Dr. Ciprian Chiruţă Suport de curs
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
n
Deci h (a0 , b0 ) = ∑ ( yi − 0.15 ⋅ xi − 2.45)2 = 5.8154 .
i =1
# Exerciţii
x 33 29 22 12 9
y 144 81 49 36 9
156
Dr. Ciprian Chiruţă Suport de curs
4.12 Intervale de încredere
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
Dr. Ciprian Chiruţă Suport de curs
⎡ 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:
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⎦
158
Dr. Ciprian Chiruţă Suport de curs
n<30
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
Dr. Ciprian Chiruţă Suport de curs
Pentru a calcula valorea t α = t 0.025; 4 se utilizeaza tabelul din Anexa 2.
;n −1
2
⎡ 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.
( )
P t1 < σ 2 < t 2 = 1 − α .
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 ⎦
s2 =
1
n −1
[ ]
(x1 − x )2 + (x2 − x )2 + ... + (xn − x )2 ,
n 2
s ≈ Χ 2 (n − 1) .
σ2
# Exerciţii
161
Dr. Ciprian Chiruţă Suport de curs
Anexa 1
u t2
1 −
Funcţia Laplace Θ(u ) = ∫ e 2 dt .
2π 0
163
Dr. Ciprian Chiruţă Suport de curs
BIBLIOGRAFIE
164
Dr. Ciprian Chiruţă Suport de curs
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
Dr. Ciprian Chiruţă Suport de curs
Anexa 1 ..................................................................................................... 162
Anexa 2 ...................................................................................................... 163
166