DEPARTAMENTUL DE ÎNVĂŢĂMÂNT LA DISTANŢĂ

U.S.A.M.V. BUCUREŞTI

Prof. univ. dr. DUMITRU ENE

MATEMATICĂ ŞI STATISTICĂ
APLICATĂ ÎN AGRICULTURĂ
VOLUMUL I: MATEMATICĂ ŞI SISTEME AGRICOLE

Ediţia II revizuită

1
2
 CUPRINS

PREFAŢĂ .................................................................................................................... 7

CAPITOLUL 1 – ALGEBRĂ LINIARĂ .................................................................. 9

1.1 SPAŢIUL EUCLIDIAN Rn ..................................................................................................... 10
1.1.1 Operaţii cu vectori şi mărimi metrice în Rn ...................................................................... 10
A. Corpul numerelor reale R .................................................................................................. 10
B. Spaţiul vectorial Rn............................................................................................................ 12
C. Mărimi metrice în Rn ......................................................................................................... 13
D. Subspaţii vectoriale în Rn .................................................................................................. 19
1.1.2 Matrici de numere reale .................................................................................................... 20
A. Definiţii ............................................................................................................................. 20
B. Operaţii cu matrici ............................................................................................................. 22
C. Indicatori numerici ai matricilor........................................................................................ 24
D. Clase de matrici ................................................................................................................. 26
1.2 BAZE DE VECTORI ÎN Rn .................................................................................................... 27
1.2.1 Definiţia bazei şi dimensiunii în Rn .................................................................................. 27
1.2.2 Subspaţii vectoriale şi sisteme liniare omogene ............................................................... 29
1.2.3 Substituirea unui vector dintr-o bază şi aplicaţii. .............................................................. 31
A. Calculul determinantului unei matrici pătratice A ............................................................ 34
B. Calculul rangului unei matrici dreptunghiulare A ............................................................. 36
C. Calculul matricii inverse A-1 a unei matrici pătratice nesingulare A ................................ 39
D. Calculul inversei generalizate A+ a unei matrici dreptunghiulare A ................................... 41
E. Calculul produsului de matrici F-1.G ................................................................................. 43
F. Calculul produsului de matriciG.F-1 .................................................................................. 44
1.3 SISTEME DE ECUAŢII LINIARE......................................................................................... 46
1.3.1 Rezolvarea şi discuţia unui sistem de ecuaţii liniare......................................................... 46
1.3.2 Soluţii generalizate ale sistemelor liniare incompatibile .................................................. 52
1.4 Mulţimi convexe pe Rn ............................................................................................................ 54
1.5 Extremele unui polinom convexconcav pe o mulţime convexă din Rn .................................. 59
1.6 Rezumat ................................................................................................................................... 64
1.7 Întrebări .................................................................................................................................... 65
1.8 Bibliografie .............................................................................................................................. 65

3
 CAPITOLUL 2 – PROGRAMARE LINIARĂ ŞI GRAFURI ÎN
AGRICULTURĂ ....................................................................................................... 66
2.1 Modele liniare de optimizare a producţiei în agricultură ......................................................... 66
2.1.1 Modelul structurii optime a culturilor vegetale................................................................. 68
2.1.2 Modelul raţiei furajere optime pentru animale domestice ................................................ 70
2.1.3 Modelul rotaţiei optime a culturilor vegetale .................................................................... 73
2.2 Dualitatea modelelor liniare de optimizare .............................................................................. 75
2.3 Găsirea soluţiilor optime pentru modelele liniare primal şi dual cu metoda simplex ......................... 82
2.4 Modele de optimizare tip transport şi de repartiţie (assignment)........................................... 100
2.5 Drumuri de lungime optimă în reţele ..................................................................................... 106
2.6 Eşalonarea optimă a activităţilor unui proiect agricol prin metoda drumului critic .............. 111
2.7 Rezumat ................................................................................................................................. 118
2.8 Întrebări .................................................................................................................................. 118
2.9 Bibliografie ............................................................................................................................ 118

CAPITOLUL 3 – ANALIZĂ MATEMATICĂ .................................................... 119

3.1 CALCUL DIFERENŢIAL PENTRU FUNCŢII DE O VARIABILĂ REALĂ .................... 119
3.1.1 Funcţii elementare şi aplicaţii ......................................................................................... 119
3.1.2 Rolul derivatelor de ordinul unu şi doi în studiul funcţiilor de o variabilă reală ............ 128
3.1.3 Optimele funcţiilor monofactoriale şi aplicaţii ............................................................... 133
3.1.4 Aplicaţiile integralelor la funcţii cumulate în timp ......................................................... 143
3.2 CALCUL DIFERENŢIAL PENTRU FUNCŢII DE n VARIABILE REALE...................... 145
3.2.1 Rolul derivatelor parţiale de ordinul unu şi doi în studiul funcţiilor de n variablile reale
.................................................................................................................................................. 145
3.2.2 Extreme libere ale funcţiilor de n variabile reale ............................................................ 147
3.2.3 Extreme cu legături ale funcţiilor de n variabile reale .................................................... 159
3.3 Rezumat ................................................................................................................................. 165
3.4 Întrebări .................................................................................................................................. 165
3.5 Bibliografie ............................................................................................................................ 166

CAPITOLUL 4 Modele neliniare de alocare optimă a resurselor în agricultură

................................................................................................................................... 167
4.1 Producţii, indicatori economici şi aporturi ............................................................................. 167
4.1.1 Producţii fizice şi valorice............................................................................................... 167
4.1.2 Indicatori economici ai producţiei suplimentare ............................................................. 172
4.2 Optimele producţiei suplimentare şi aporturile factorilor ...................................................... 174
4.2.1 Optimele producţiei suplimentare ................................................................................... 174
4.2.2 Aporturile factorilor ........................................................................................................ 179
4.3 Exemple ................................................................................................................................. 182

4
 4.3.1 Doi factori şi un produs ................................................................................................... 182
4.3.2 Un factor şi două produse ............................................................................................... 189
4.4 Modele cu restricţii liniare şi funcţie-obiectiv pătratică ........................................................ 196
4.4.1 Cazul când toate restricţiile sunt ecuaţii ......................................................................... 196
4.4.2 Cazul când restricţiile sunt inecuaţii ............................................................................... 199
4.4.3 Modele de optimizare patratică în agricultură ................................................................ 203
A. Model pătratic de alocare a resurselor în producţia vegetală .......................................... 203
B. Model pătratic de maximizarea venitului din raţia furajeră ............................................ 204
4.5 Rezumat ................................................................................................................................. 206
4.6 Întrebări .................................................................................................................................. 206
4.7 Bibliografie ............................................................................................................................ 206

CAPITOLUL 5 – SISTEME AGRICOLE ........................................................... 207

5.1 Definiţia, clasificarea şi proprietăţile sistemelor.................................................................... 207
5.1.1 Definiţia sistemelor ......................................................................................................... 207
5.1.2 Clasificarea sistemelor .................................................................................................... 208
5.1.3 Proprietăţile sistemelor ................................................................................................... 210
5.1.4 Sisteme liniare ................................................................................................................. 211
5.2 SISTEME BIOLOGICE ........................................................................................................ 214
5.2.1 Sistemele biologice până la nivel de organism (biosisteme) .......................................... 214
5.2.2 Sistemele biologice la nivel de populaţii (biocenoze) .................................................... 217
5.2.3 Pădurile ca ecosisteme vegetale ...................................................................................... 224
5.3 PROPRIETĂŢI GENERALE ALE SISTEMELOR AGRICOLE ........................................ 225
5.3.1 Particularităţi ale sistemelor agricole .............................................................................. 225
5.3.2 Intrări în sistemele agricole ............................................................................................. 227
5.3.3 Ieşiri din sistemele agricole............................................................................................. 232
5.4 ANALIZA TEHNICO-ECONOMICĂ A SISTEMELOR AGRICOLE ............................... 236
5.4.1 Analiza tehnico-economică a sistemului producţiei vegetale ......................................... 236
5.4.2 Analiza economică a sistemului producţiei de lapte ....................................................... 240
5.4.3 Analiza economică a sistemului producţiei de carne ...................................................... 244
5.4.4 Analiza economică a sistemului comercializării produselor agricole ............................. 249
5.5 Balanţa legăturilor între ramuri .............................................................................................. 254
5.6 Concentrarea şi diversificarea producţiei agricole pe ramuri ................................................ 261
5.7 Rezumat ................................................................................................................................. 265
5.8 Întrebări .................................................................................................................................. 266
5.9 Bibliografie ............................................................................................................................ 266

BIBLIOGRAFIE GENERALĂ ............................................................................. 267

TABEL 1 .................................................................................................................. 271
5
6
 PREFAŢĂ

Această lucrare este destinată studenţilor de la Facultatea de Management, Inginerie

Economică în agricultură şi agroturism, curs de zi şi la distanţă, putând fi folosită şi de studenţii
altor facultăţi cu profil Agricol.
Primele 5 capitole sunt consacrate aplicaţiilor matematicii în agricultură.
Matematica abstractă are o dezvoltare exponenţială ca număr de articole şi monografii,
precum şi ca valoare a acestora. Este suficient să menţionăm că 90% din matematicienii din toate
timpurile sunt în viaţă.
După al doilea război mondial, odată cu apariţia computerelor s-au dezvoltat exploziv
aplicaţii ale matematicii în ştiinţele naturii, în medicină, în tehnică, în economie, în agricultură etc.
În acest moment orice domeniu al activităţii umane are atâta valoare câtă matematică
conţine.
Aplicaţiile consistente ale matematicii sunt la fel de dificil de elaborat ca şi teoriile abstracte
ale acesteia. Realitatea este extrem de complexă şi se lasă modelată cu greutate: orice model trebuie
validat de practică prin confruntarea permanentă a rezultatelor simulării pe model cu comportarea
reală a fenomenului modelat.
Semnalăm şi faptul că teorii extrem de abstracte din matematică şi-au găsit ulterior aplicaţii
în situaţii foarte concrete.
În Capitolul 1 se studiază spaţiul euclidian Rn, subspaţiile sale şi elemente de calcul
matricial, noţiunea de bază în spaţiul Rn, metoda substituirii unui vector din bază şi aplicaţiile
acesteia în calculul matricial, sistemele de ecuaţii liniare (discuţie şi rezolvare),convexitatea în Rn
precum şi extremele unui poligon convex/concav pe o mulţime convexă din Rn.
În Capitolul 2 se prezintă trei modele liniare de optimizare a producţiei agrozootehnice:
structura optimă a culturilor vegetale:structura optimă a raţiei furajere şi rotaţia optimă a culturilor
vegetale, se studiază dualitatea acestor modele, se prezintă metoda simplex de optimizare cu
calculatorul a acestor modele prin produsul informatic EXCEL precum şi interpretarea economică a
soluţiilor optime primală şi duală.
Capitolul se încheie cu metoda drumului critic pentru optimizarea în timp a proiectelor
agricole.
În Capitolul 3 se defineşte funcţia reală de o variabilă reală, se enumeră proprietăţile ei, se
prezintă rolul derivatelor de ordinul unu şi doi în studiul funcţiei, în special la găsirea maximelor şi
minimelor funcţiei. O aplicaţie a acestor maxime o constituie stabilirea preţului de vânzare a
produselor agricole care să asigure vânzarea cu valoare bănească maximă precum şi înlocuirea
optimă a echipamentelor.
Tot în Capitolul 3 se defineşte funcţia reală de n variabile reale, se prezintă rolul derivatelor
parţiale de ordinul unu şi doi în studiul funcţiei, în special la găsirea maximelor şi minimelor libere
sau cu legături ale funcţiei. O aplicaţie a acestor maxime o constituie stocurile cu cerere constantă;
cu această ocazie am tratat şi stocurile cu cerere aleatoare.
În Capitolul 4 se prezintă un model neliniar de alocare optimă a resurselor în agricultură cu
funcţii-obiectiv diferite: optim marginal, de echilibru, economic, tehnic, maxim de venit cu
cheltuieli limitate, minim de cheltuieli cu venit garantat. Capitolul se încheie cu modele de
optimizare cu restricţii liniare şi funcţie-obiectiv pătratică rezolvate cu produsul informatic EXCEL.
În Capitolul 5 se prezintă pe scurt teoria sistemelor agricole care se exemplifică pe patru
sisteme agricole: vegetală, zootehnie (lapte şi carne) şi comercializare produse agricole vegetale,
pentru care se dezvoltă în detaliu calculul tehnico-economic. În continuare se prezintă etapele de
analiză şi planificare a producţiei agricole pe ramuri prin metoda balanţei. Capitolul se încheie cu
evaluarea cantitativă şi optimizarea concentrării şi diversificării producţiei agricole pe ramuri.

7
 Capitolele 4 şi 5 sunt contribuţia integrală a autorului acestei lucrări.
La finele lucrării se dă o bibliografie cu lucrările efectiv consultate de autor precum şi un
tabel numeric.

Iunie 2010 Autorul

8
 CAPITOLUL 1 – ALGEBRĂ LINIARĂ

Obiective: Însuşirea de către studenţi a operaţiilor cu vectori şi matrici precum şi aplicaţiile

lor în geometria spaţiului euclidian R3, a noţiunii de bază de vectori şi dimensiune, a metodei
substituirii unui vector din bază şi aplicaţiile sale în calculul matricial, a metodelor de rezolvare a
sistemelor de ecuaţii liniare, a convexităţii mulţimii soluţiilor unui sistem liniar compatibil nedeter-
minat şi a extremelor unui polinom convex/concav pe această mulţime.

Conţinut:

1.1 Spaţiul euclidian Rn

1.1.1 Operaţii cu vectori şi mărimi metrice în Rn
A. Corpul numerelor reale R
B. Spaţiul vectorial Rn
C. Mărimi metrice în Rn
D. Subspaţii vectoriale în Rn
1.1.2 Matrici de numere reale
A. Definiţii
B. Operaţii cu matrici
C. Indicatori numerici ai matricilor
D. Clase de matrici
1.2 Baze de vectori în Rn
1.2.1 Definiţia bazei de vectori şi dimensiunii în Rn
1.2.2 Subspaţii vectoriale şi sisteme liniare omogene
1.2.3 Substituirea unui vector dintr-o bază şi aplicaţii
A. Calculul determinantului unei matrici pătratice
B. Calculul rangului unei matrici dreptunghiulare
C. Calculul inversei A-1 pentru o matrice pătratică nesingulară A
D. Calculul inversei generalizate A+ pentru o matrice dreptunghiulară A
E. Calculul produsului de matrici F-1.G
F. Calculul produsului de matrici G.F-1
1.3 Sisteme de ecuaţii liniare
1.3.1 Rezolvarea şi discuţia unui sistem de ecuaţii liniare
1.3.2 Soluţii generalizate ale sistemelor liniare incompatibile
1.4 Mulţimi convexe pe Rn
1.5 Extremele unui polinom convex/concav pe o mulţime convexă din Rn
1.6 Rezumat
1.7 Întrebări
1.8 Bibliografie

Cuvinte cheie: vector, normă, distanţă, unghi, produs scalar, produs vectorial, produs mixt,
subspaţii vectoriale, matrice, urmă, determinant, rang, normă a matricii, bază de vectori, coordona-
tele unui vector într-o bază, substituirea unui vector dintr-o bază, soluţie generală şi soluţie
particulară bazică a unui sistem liniar, soluţie generalizată a unui sistem liniar incompatibil, mulţimi
convexe şi polinoame concave/convexe, soluţii bazice (extremale) şi optime.

9
 1.1 SPAŢIUL EUCLIDIAN Rn

1.1.1 Operaţii cu vectori şi mărimi metrice în Rn

A. Corpul numerelor reale R

Mulţimea numerelor reale R se poate defini constructiv astfel: N  Z  Q  R .

N={0,1,…,n,…} este mulţimea numerelor naturale, Z = {…, - n ,…, - 1,0,1,…,n,…} este
mulţimea numerelor întregi, Q = {a / b a,b  Z , b ≠0 } este mulţimea numerelor raţionale
(fracţionare), I este mulţimea numerelor iraţionale (limite ale şirurilor convergente de numere
raţionale) iar R = Q  I cu Q ∩ I = . Pentru numere reale se adoptă scrierea zecimală:
a  α1α2 ...αm . β1β2 ...βn  (α110m1  ...  αm110  αm )  (β1101  ...  β n10 n ) .
Partea întreagă  a  Int  a  a numărului real a este numărul întreg format cu cifrele
α1 ,...,αm din stânga punctului zecimal, iar partea fracţionară a  a   a  a numărului real a
este numărul din intervalul [0;1) format cu zecimalele β1 ,...,β n din dreapta punctului zecimal.
La exprimarea zecimală a numărului raţional a = r / s, (r, s  Z s ≠ 0 ), numărul de zecimale
din dreapta punctului zecimal poate fi finit (dacă numitorul s se divide numai cu 2 sau cu 5) sau
infinit dar periodic (dacă numitorul s se divide şi cu alte numere prime afară de 2 sau 5).

Exemple:
135
1)  16.875
8
25
2)  4.1666...
6
La exprimarea zecimală a unui număr iraţional, numărul de zecimale din dreapta punctului
zecimal este infinit şi neperiodic.

Exemple:
1) π  3.1412...
2) e  2.718...
3) 2  1.414...
4) ln 3  1.09861...
5) sin37  0.60182…
6) tg 104  - 0.24933…
7) arccos 0.4  1.159283…
8) arctg 2.1  1.126377…
În cazul numerelor reale cu un număr infinit de zecimale (periodic sau nu) se reţine un
număr finit de zecimale în raport de precizia calculului.

Exemplu:
La computere se reţin 7 zecimale în simplă precizie şi 16 zecimale în dublă precizie.
Pentru numere reale foarte mari sau foarte mici se adoptă scrierea exponenţială.

Exemple:
1) 12580000  0.1258 108  0.1258E8
2) 0.000306  0.306 103  0.306E-3
10
 Mulţimea numerelor reale R admite şi o definiţie axiomatică:
Pe mulţimea R se definesc legile de compoziţie  a, b   a  b numită adunare şi
 a, b   a  b numită înmulţire şi o relaţie de ordine a  b faţă de care sunt îndeplinite patru
grupe de axiome:

I. R este corp comutativ faţă de adunare şi înmulţire.

1) (Comutativitatea adunării): a  b  b  a
2) (Asociativitatea adunării):  a  b   c  a   b  c 
3) (Elementul neutru faţă de adunare): Există 0R astfel că a  0  0  a  a pentru orice
aR
4) (Elementul simetric faţă de adunare): Pentru orice aR există elementul simetric (opus)
- a R astfel că a   a    a   a  0
5) (Comutativitatea înmulţirii): a  b  b  a
6) (Asociativitatea înmulţirii):  a  b   c  a  b  c
7) (Elementul neutru faţă de înmulţire): Există 1R astfel încât a  1  1  a  a pentru
orice aR
8) (Element simetric faţă de înmulţire): Pentru orice aR, a  0 există elementul invers
1 1
a – 1R astfel încât a  a  a  a  1
9) (Distributivitatea înmulţirii faţă de adunare): a  b  c  a  b  a  c ;
b  c  a b  a c  a

II. R este corp comutativ ordonat faţă de relaţia de ordine “≤”.

10) a  b ; b  c  a  c pentru orice a,b,cR (Tranzitivitate)
11) a  b ; b  a  a  b pentru orice a,bR (Reflexivitate)
12) Pentru orice a,bR, avem sau a  b sau a≥b (Dihotomie)
13) a  b  a  c  b  c pentru orice a,b,cR
14) a, b  0  a  b  0

III. R este corp comutativ ordonat arhimedian

15) Pentru orice a,bR cu a  0 , b  0 există numărul natural n cu b  n  a

IV. R este corp comutativ ordonat arhimedian continuu

16) Pentru orice şiruri (an), (bn), nN, de numere din R, astfel că:
a1  a2  ...  an  ...  bn  ...  b2  b1 există şi este unic αR astfel că: ai  α  bi
pentru orice iN.

Mulţimea numerelor reale se corespunde bijectiv cu mulţimea punctelor unei drepte:punctul

M este imaginea numărului real a iar numărul real a este abscisa punctului M.
  a, a  0
Modulul lui aR este: a  
 a, a  0
Axiomele modulului:
1) a  0 ; a  0 dacă şi numai dacă a  0
2) |λa| = |λ| . |a|; (λ, aR)
3) a  b  a  b (Inegalitatea triunghiului)
11
Distanţa între numerele reale a, b este d  a, b   b  a

Axiomele distanţei:
1) d  a, b   0 ; d  a, b   0 dacă şi numai dacă a  b
2) d  a, b   d  b, a 
3) d(a,c) ≤ d(a,b)+ d(b,c) (Inegalitatea triunghiului)

B. Spaţiul vectorial Rn

Fie R corpul numerelor reale.

Spaţiul Rn este mulţimea ansamblurilor ordonate de numere reale a   a1 ,..., an  , numite
vectori.
Operaţii cu vectori:
1) Adunarea vectorilor:
Fie a   a1 ,..., an  ; b=(b1,…,bn); ai,biR. Suma vectorilor a, b este vectorul din Rn:
a  b  c   c1,..., cn  cu ci  ai  bi 1  i  n 
2) Înmulţirea vectorilor cu scalari
Fie a   a1 ,..., an  Rn şi αR. Produsul vectorului a cu scalarul  este vectorul din Rn:
α a   α a1 ,...,α an 

Teorema 1.1
Rn este spaţiu vectorial peste corpul R faţă de adunarea vectorilor şi înmulţirea vectorilor cu
scalari.

Demonstraţie:
Se verifică uşor axiomele care definesc un spaţiu vectorial pentru cazul lui Rn, bazându-ne
pe proprietăţile operaţiilor din corpul scalarilor R:

I. Adunarea vectorilor este comutativă: a  b  b  a pentru orice a,bRn

II. Adunarea vectorilor este asociativă:  a  b   c  a   b  c  pentru orice a,b,cRn
III. Pentru adunarea vectorilor există elementul neutru: 0   0,...,0  Rn: a  0  0  a  a
pentru orice aRn
IV. Pentru orice vector aRn, există vectorul simetric (opus): a   a1 ,..., an  Rn astfel că
a   a    a   a  0
V. Pentru orice aRn, avem 1  a  a  1  a
VI. Înmulţirea cu scalari este distributivă faţă de adunarea vectorilor: α   a  b   α a  α b ;
 a  b  α  a  α  b  α
VII. Înmulţirea cu scalari este distributivă faţă de adunarea scalarilor:  α  β   a  α  a  β  a ;
a  α  β  a  α  a  β
VIII. Înmulţirea cu scalari este asociativă faţă de înmulţirea scalarilor: α  β  a    α  β   a
Q.E.D.

12
 Dacă Rn şi Rm sunt spaţii vectoriale peste R, produsul lor cartezian Rn X Rm este mulţimea
perechilor de vectori (a; b) unde a este vector din Rn iar b este vector din Rm.
Rn X Rm devine spaţiu vectorial peste R faţă de operaţiile:
1) (a; b) + (c; d) = (a +c; b + d) unde a, c sunt vectori din Rn iar b, d sunt vectori din Rm
2) α (a; b) = (α a; α b) unde a este vector din Rn, b este vector din Rm, iar α este scalar din R.
Spaţiul vectorial produs Rn X Rm este izomorf cu spaţiul vectorial Rn+m
De exemplu R X R2 este izomorf cu R3
x2
Exemple:
I) n=2: R2 ={(a1,a2) | ai R}
Orice vector a   a1 , a2  se reprezintă
a2 M(a1,a2)
grafic printr-un punct M în planul raportat la
două axe rectangulare:
a1 se numeşte abscisa punctului M,
a2 se numeşte ordonata punctului M.
Reciproc, orice punct M din plan ce x1
corespunde cu un vector din R2 ale cărui
componente sunt coordonate ale lui M. 0 a1
x3
II) n  3 : R3 ={(a1,a2,a3) | ai R}
Orice vector a   a1 , a2 , a3  se
reprezintă grafic printr-un punct M în
spaţiul raportat la trei axe rectangulare: a3
a1 se numeşte abscisa lui M,
a2 se numeşte ordonata lui M, M
a3 se numeşte cota lui M.
În geografie, abscisa se numeşte
a2
longitudine, ordonata latitudine iar cota
0 x2
altitudine.
Originea axelor pe pământ este la
intersecţia ecuatorului cu meridianul 0 a1
(Greenwich).
În spaţiile vectoriale R2 şi R3 x
adunarea vectorilor revine la regula 1
paralelogramului din mecanică: a  b este diagonala din originea 0 a paralelogramului cu laturile
a, b iar înmulţirea unui vector a cu un scalar  dă ca rezultat un vector  a, coliniar cu vectorul a.

C. Mărimi metrice în Rn

În spaţiul vectorial Rn se introduc mărimile metrice:

a) Norma vectorilor
b) Distanţa scalară a doi vectori
c) Produsul scalar a doi vectori
d) Unghiul a doi vectori
e) Aria paralelogramului construit pe doi vectori necoliniari
f) Volumul paralelipipedului construit pe trei vectori necoplanari

Teorema 1.2
a) Vectorul a   a1 ,..., an  Rn are norma euclidiană: a  a12  ...  an2

13
b) Distanţa euclidiană între doi vectori a   a1 ,..., an  şi b   b1 ,..., bn  din Rn este:

d  a, b    b1  a1   ...   bn  an 
2 2

c) Produsul scalar al vectorilor a   a1 ,..., an  şi b   b1 ,..., bn  din Rn este:

a * b = a1b1 + … + anbn

Demonstraţie:
a) Norma euclidiană verifică axiomele normei:
1) a  0; a  0  a  0
2) αa  α a
3) a  b  a  b (Inegalitatea triunghiului)
Axiomele 1), 2) se verifică imediat. Axioma 3) se reduce la inegalitatea clasică a lui
 a1  b1   ...   an  bn   a12  ...  an2  b12  ...  bn2
2 2
Minkovski:
În spaţiul euclidian Rn există şi alte norme în afară de cea euclidiană:

Exemple:
a)
p p
1) a p
= ( a1 + ... + a n )1/p
2) a 
 max ai
1 i  n
Spaţiul vectorial Rn înzestrat cu o normă, este spaţiu vectorial normat.
b) Distanţa euclidiană verifică axiomele distanţei:
4) d  a, b   0 ; d  a, b   0  a  b
5) d  a, b   d  b, a 
6) d  a, c   d  a, b   d  b, c  (Inegalitatea triunghiului)
Axiomele 4), 5) rezultă imediat. Axioma 6) devine:
d  a, c   c  a   b  a    c  b   b  a  c  b  d  a, b   d b, c 
folosind axioma 3).
În spaţiul vectorial Rn există şi alte distanţe în afară de cea euclidiană.

Exemple:

 
1
d p  a, b   b1  a1  ...  bn  an
p p p
i)

ii) d  a, b   max bi  ai
1i n
Spaţiul vectorial Rn înzestrat cu o distanţă, este spaţiu metric.

c) Produsul scalar verifică axiomele:

7) a * a  0 ; a * a  0 dacă şi numai dacă a  0

8) a *b  b *a
9)  α a  β b * c  α  a * c   β b * c 
14
 Axiomele 7) – 9) se verifică imediat.
Spaţiul vectorial Rn înzestrat cu un produs scalar, este spaţiu euclidian.
Dacă avem produs scalar a* b avem şi normă: a  a*a
Dacă avem normă: ||a|| avem şi distanţă: d(a; b) = ||b – a||
Observăm că ||a|| = d(a; 0) . Q.E.D.

În afară de şiruri ordonate a = (a1,…,an) din Rn cu ai din R, şi alte mulţimi de elemente

formează spaţiu vectorial faţă de adunare şi înmulţire cu scalari, având şi produs scalar (verifică
axiomele I-VIII şi axiomele 7) – 9) din teorema 1.2):

1) Mulţimea polinoamelor cu coeficienţi reali de grad cel mult n:

Dacă P(x) = a0xn + a1xn-1 +…+ an şi Q(x) = b0xn + b1xn-1 +…+ bn avem produsul scalar:
P*Q = a0b0 + a1b1 +…+ anbn

2) Mulţimea polinoamelor trigonometrice cu coeficienţi reali,cu 2n + 1 termeni:

Dacă P(x) = a0 + (a1cos x + b1 sin x) +…+ (an cos nx +bn sin nx) şi
Q(x) = c0 + ( c1cos x + d1 sin x) +…+ (cn cos nx + dn sin nx), avem produsul scalar:
P*Q = a0c0 + (a1c1 + b1d1) +…+ (ancn + bndn)

3) Mulţimea matricilor dreptunghiulare de tip m x n cu elemente reale:

Dacă A = (aij), B = (bij) sunt matrici de tip mxn, avem produsul scalar:
m n
A  B   a ij bij
i 1 j1
4) Mulţimea funcţiilor continue pe [a; b] cu valori reale:
Dacă f, g sunt funcţii continue pe [a; b] avem produsul scalar:
b
f  g   f (x) g(x) dx
a
Proprietatea rămâne valabilă pentru funcţii derivabile, integrabile şi mărginite pe [a; b].

Teorema 1.3

Pentru orice a,bRn avem:

1) | a*b | ≤ || a || . || b || (Inegalitatea Cauchy-Schwartz)

2) || a + b ||2 + || a – b ||2 = 2 (|| a ||2 + || b ||2 ) (Regula paralelogramului)

3) Dacă a*b = 0 avem || a+ b ||2 = || a ||2 + || b ||2 (Relaţia Pitagora)

Demonstraţie:
1) Pentru orice λR avem (a + λb)*(a + λb) ≥ 0, adică:

|| b ||2 . λ2 + 2 a b λ + || a ||2 ≥ 0 deci Δ = 4 ((a*b)2 - || a ||2. || b ||2) ≤ 0

adică: | a*b | ≤ || a ||.|| b ||

15
2) Avem: || a + b ||2 = || a ||2 + 2 a*b + || b ||2

|| a – b ||2 = || a ||2 – 2 a*b + || b ||2

Prin adunare obţinem: || a + b ||2 + || a – b ||2 = 2 (|| a ||2 + || b ||2)

3) Dacă a*b = 0 relaţia || a + b ||2 = || a ||2 + 2 a*b + || b ||2 devine:

|| a + b ||2 = || a ||2 + || b ||2 Q.E.D.

Inegalitatea de la punctul 1) al teoremei 1.3, permite definirea unghiului  a doi vectori a, b:

a *b
cosθ 
a  b
deci, cos θ[-1; 1].
În particular, vectorii a, b sunt perpendiculari (ortogonali)  a  b dacă şi numai dacă
π
θ deci: cosθ  0 , deci: a*b = 0.
2
Aria paralelogramului construit pe vectorii a, b este:

a    a * b
2
S  a  b  sin θ   b
2

Produsul scalar este o arie:

P(c) N(b) M(a)

R 

0
Fie M  a  şi N  b  imaginile vectorilor a, bR2.
Fie P  c  imaginea vectorului c cu OP  OM şi c  a .
Fie OPQN paralelogramul construit pe ON, OP. Ducem NR  OP deci unghiurile  = MON şi
ONR sunt egale. Rezultă NR  b cosθ şi OP  a aşa că
a  b  a   b cosθ   OP  NR deci produsul scalar a  b este aria paralelogramului
construit pe vectorii OP şi ON cu lungimile a şi b.

16
 Fie vectorii a = (a1,…,an), b = (b1,…,bn) din Rn.
Vectorii a, b sunt coliniari dacă există αR, α ≠ 0 astfel că b = α.a. Notaţie: a ~ b
Relaţia de coliniaritate a vectorilor este o relaţie de echivalenţă:
1) a ~ a deoarece a = 1.a
2) a ~ b implică b ~ a deoarece b = α.a implică a = (1/α).b
3) a ~ b şi b ~ c implică a ~ c deoarece b = α.a şi c = β.b implică c = (αβ).a cu α, β ≠ 0 deci α.β ≠ 0.
Clasa de echivalenţă a tuturor vectorilor b coliniari cu vectorul a se numeşte direcţia definită
de vectorul a iar a1,…,an se numesc parametrii directori ai acestei direcţii.
Parametrii directori ai versorului a / ||a|| adică a1 / ||a||,…, an / ||a|| sunt cosinuşii unghiurilor
făcute de vectorul a cu versorii bazei-standard E1,…, En (vezi secţiunea 1.2.1 de mai jos).
cos θ1 = a1 / ||a||,…, cos θn = an / ||a|| se numesc cosinuşii directori ai direcţiei definite de
vectorul a şi definesc în mod unic această direcţie.
Avem (cos θ1)2 +…+ (cos θn)2 = 1
Exemplu:
Fie în R3 vectorii a   1;0;4  ; b   2;3;0 
1) Să se calculeze 2a  3b
2) Să se calculeze a , b şi d  a, b 
3) Să se calculeze a * b
4) Să se calculeze unghiul  între vectorii a, b
5) Să se calculeze aria paralelogramului construit pe vectorii a, b

Soluţie:
1) 2a  3b  2  1;0;4   3 2;3;0    2;0;8   6;9;0    4;9;8 
a   1  02  42  17 ; b  22  32  02  13 ;
2
2)

d  a, b    2   1   3  0
2 2
  0  4   34
2

3) a * b   1  2  0  3  4  0  2
a *b 2 2
4) cosθ   
a  b 17  13 221

a    a * b  221   2   217
2
S  b
2 2
5)

Pentru calculul ariilor şi volumelor se folosesc produsul vectorial şi produsul mixt al

vectorilor din Rn.
Fie E1 = (1,0,…,0);…,En = (0,…,0,1) versorii bazei standard în Rn (vezi secţiunea 1.2.1) şi
fie vectorii:
a    a21 ,..., a2 n  ,..., a    an1 ,..., ann   Rn
2 n

Produsul vectorial al celor n  1 vectori a(2),…,a(n) din Rn este vectorul din Rn definit
E1 .........E n
 2 a .........a2 n
 ...  a 
n
astfel: a  21
.................
an1 .........ann

17
 Dezvoltând acest determinant după prima linie, se vede că componentele vectorului
 2
 ...  a
n
a sunt complemenţii algebrici de ordin n  1 ai versorilor-unitate E1,…, En din
determinantul precedent.

Proprietăţi ale produsului vectorial

a   ...  a   0 dacă şi numai dacă a 2 ,..., a n sunt liniar dependenţi.
2 n
1)
a  ,..., a  :
2 n
2) Produsul vectorial este funcţie liniară în raport cu orice vector

 α a   β b    a   ...  a   α  a   a   ...a    β b   a   ...  a  

2 2 3 n 2 3 n 2 3 n

a   a   ...  a     a   a   ...  a   deci produsul vectorial este antisimetric.

2 3 n 3 2 n
3)

Pentru orice i  2,..., n avem: a   a  ...  a   0 deci produsul vectorial al

     i 2 n
4)
 2  n
vectorilor a ,..., a este ortogonal pe fiecare din aceşti vectori.

Proprietăţile 1) – 4) rezultă din proprietăţile determinanţilor.

Caz particular: Pentru n  3 fie vectorii a
 2
  a21, a22 , a23  ; a    a31, a32 , a33  din R3.
3

Produsul vectorial al acestor vectori este:

E1 E2 E3
 2  3 a a23 a a a a
a a  a21 a22 a23  22  E1  21 23  E 2  21 22  E3
a32 a33 a31 a33 a31 a32
a31 a32 a33
 2
 a
3
 a
2
 a
3
Se verifică relaţia a  sinθ unde  este unghiul vectorilor a(2), a(3)
 2
 a
3  2  3
din R3 aşa că a este aria paralelogramului construit pe a , a .

  a11 ;...; a1n  , a    a21 ;...; a2n  , a    an1;...; ann   R n

1 2 n
Fie vectorii a
a11 .........an
       
Produsul mixt al vectorilor a , a ,..., a este:  a ,..., a   ................
1 2 n 1 n
 
an1 .......ann
Proprietăţi ale produsului mixt
5)  a1 ,..., a n   0 dacă şi numai dacă a1 ,..., a n sunt vectori liniar dependenţi.
 
1  n
6) Produsul mixt este funcţie liniară în raport cu orice vector a ,..., a :
α a1  βb1 , a 2 ,..., a n   α  a1 , a 2 ,..., a n   β b1 , a 2 ,..., a n 
     
7)  a1 , a 2 ,..., a n    a 2 , a1 ,..., a n  deci produsul mixt este antisimetric
   
8)
  
 a1 , a 2 ,..., a n   a1  a 2  ...  a n 
Proprietăţile 5) – 8) rezultă din proprietăţile determinanţilor.
Caz particular: Pentru n  3 fie vectorii a
1
  a11, a12 , a13  ; a    a21, a22 , a23  ;
2

a    a31, a32 , a33  din R3.

3

18
 a11 a12 a13
1  2   3
Produsul mixt al acestor vectori este:  a , a , a   a21 a22 a23 şi modulul acestui
 
a31 a32 a33
1  2  3
produs mixt reprezintă volumul paralelipipedului cu laturile a , a , a , concurente în originea 0.

Exemplu:
1
  2;0;5 ; a    0;1;4 ; a    3;1; 1 ; a    2;3;0  din R3
2 3 4
Fie vectorii a
 2
, a  , a
3 4
1) Se cere aria triunghiului cu vârfurile a şi distanţa h1 de la vârful a(2) la baza
formată cu vârfurile lui a(3), a(4)
1  2 3  4
2) Se cere volumul piramidei cu vârfurile a , a , a , a şi distanţa h2 de la vârful a(1) la
 2  3  4
baza formată cu vârfurile lui a , a , a .

Soluţie:
1) Aria cerută este jumătate din aria paralelogramului cu laturile în vârfurile lui

a   a    3;0; 5 şi a   a    2;2; 4  deci S 

3 2 4 2

2

1  3 2 4 2
 
a  a   a   a  . 
E1 E2 E3
0 5 3 5
a   a 
3 0
 3
a  2  4
a  2
 3 0 5   E1   E2   E3  10; 2;6  deci
2 4 2 4 2 2
2 2 4

S  102  22  62  140 . Avem a   a    1;2;1 deci

4 3

1 4 1
a   a    1  22  12  6 iar S  a   a   h1 sau 140   6  h1 deci
4 3 2 3

2 2
70
h1  2
3
1
din volumul paralelipipedului oblic cu laturile a  a   2;1; 1
 2 1
2) Volumul cerut este
6
; a  a   5;1; 6  ; a  a   4;3; 5 deci
 3 1  4 1

2 1 1
1
 a 2  a 1 , a 3  a 1 , a  4  a 1   5 1 6  16 deci V= 16  8 . Avem V  S  h2
  6 3 3
4 3 5
8 4
şi cum V = 8 / 3 şi de la punctul 1) avem S  140 aşa că h2  
140 35

D. Subspaţii vectoriale în Rn

Submulţimea LRn este subspaţiu vectorial al lui Rn dacă este spaţiu vectorial faţă de
operaţiile din Rn:
1) a, bL  a+bL
2) aL, R  .aL
19
 Axiomele I) – VIII) ale spaţiului vectorial, valabile în Rn, vor fi valabile şi în L.
Conform punctului 2) pentru α  1, din aL rezultă -aL iar conform punctului 1) din
a, -aL rezultă a + (-a) = 0L
O clasă importantă de subspaţii liniare sunt soluţiile sistemelor liniare omogene (Teorema 1.4)

Exemple în R3 (n = 3):
 x1 
1)
 
m = 1: Mulţimea vectorilor X  x2  R cu a11x1 + a12x2 + a13x3 = 0 este un plan care
3
 
x 
 n
trece prin originea 0 a axelor de coordonate. În particular planele de coordonate
x1Ox2 , x1Ox3 , x2Ox3 au ecuaţiile x3  0 ; x2  0 ; x1  0 .
 x1 
2)
 
m = 2: Mulţimea vectorilor X  x2  R cu
3
 
x 
 n
1 a11 x1  a12 x2  a13 x3  0

 2 a21 x1  a22 x2  a23 x3  0

este o dreaptă care trece prin originea O a axelor de coordonate. Această dreaptă este intersecţia
planelor care trec prin O şi satisfac ecuaţiile (1) respectiv (2).
Dacă L este subspaţiu vectorial în Rn şi bL, mulţimea b + L = {b+a  aL} se numeşte
varietate liniară paralelă cu subspaţiul vectorial L.
Mulţimea varietăţilor liniare ale subspaţiului vectorial LRn, formează un spaţiu vectorial,
numit spaţiu vectorial-cât şi notat Rn / L, faţă de operaţiile:
1) (b + L) + (c + L) = (b + c + L), (b, cL);
2) (b + L) = b + L, (bL, R)

Exemple:
1) Mulţimea soluţiilor M = (x,y,z)R3 a ecuaţiei a11 x + a12 y + a13 z + a14 = 0 este un plan
paralel cu planul care trece prin origine asociat ecuaţiei omogene: a11 x + a12 y + a13 z = 0
2) Mulţimea soluţiilor M = (x,y,z)R3 a sistemului de ecuaţii compatibil nedeterminat:
a11 x  a12 y  a13 z  a14  0

a21 x  a22 y  a23 z  a24  0
este o dreaptă, paralelă cu dreapta care trece prin origine asociată sistemului omogen:
a11 x  a12 y  a13 z  0

a21 x  a22 y  a23 z  0

1.1.2 Matrici de numere reale

A. Definiţii

O matrice de numere reale, cu m linii şi n coloane (de tip m  n ) este un tablou

dreptunghiular cu mn numere reale aij , aranjate pe m linii şi n coloane:

20
  a11 a1n 
A 
 
 am1 am n 
Dacă m  n , matricea se numeşte pătratică de ordin n:

 a11 a1n 
A 
 
 an1 an n 

În particular, un vector – linie b   b1 ,..., bn  este o matrice de tip 1 n iar un vector –

 c1 
coloană c 
  este o matrice de tip m  1 .
 
c 
 m
O mulţime de p matrici A1 ,...,A p , toate de tip m  n formează o hipermatrice A cu m linii, n
coloane şi p rame:

 a111 ,..., a1n1   a11 p ,..., a1n p 

 
A1           ; ... ; A p         
 
 am11 ,..., am n1   am 1 p ,..., am n p 
 

Aceste rame A1 ,...,A p pot fi aşezate una în spatele celeilalte ca ramele într-un stup.
Transformări
1) Orice matrice se poate transforma într-un vector – linie şi reciproc.

1.1 Fie matricea de tip m  n cu m n elemente:

 a11 a1n 
A 
 
 am1 am n 
Matricea A se transformă în vectorul – linie A   a11 ,..., a1n ,..., am1,..., am n  deci prin


schimbarea notaţiilor, avem vectorul – linie cu q  mn elemente: b  b1 ,..., bk ,..., bq  unde
bk  aij cu k = n  ( i – 1) + j, unde i = 1,…, m; j = 1,…, n, deci k = 1,…, q.


b) Fie vectorul – linie: b  b1 ,..., bk ,..., bq  cu q elemente. Fie m un divizor al lui q şi n = q / m.
Vectorul – linie b cu q  mn elemente se transformă în matricea A de tip m  n :
 a11 a1n 
A  unde a  b cu i = Int((k – 1)/n)+1; j = k – n.Int((k – 1)/n)
  ij k

 am1 am n 
unde k = 1,…, q deci i = 1,…, m; j = 1,…, n.
21
2) Orice hipermatrice se poate transforma într-un vector – linie şi reciproc.

c) Fie hipermatricea A de tip m  n  p cu mnp elemente a i j h (i=1,…, m; j=1,…, n;h=1,…, p).

Hipermatricea A se transformă în vectorul – linie A   a111 ,..., am n 1 ,..., a11 p ,..., am n p 


deci prin schimbarea notaţiilor, avem vectorul – linie cu q = m n p elemente: b  b1 ,..., bk ,..., bq 
unde bk  ai j h cu k =p. n.(h – 1) + n.(i –1) + j unde i= 1,…, m; j = 1,…, n; h = 1,…, p


d) Fie vectorul – linie: b  b1 ,..., bk ,..., bq  cu q elemente. Fie m, n doi divizori ai lui q şi
p=q/mn
Vectorul – linie b cu q  mnp elemente se transformă în hipermatricea A de tip m  n  p
cu elementele ai j h  bk cu i = Int((k – 1)/n – p.Int(Int((k – 1)/n)/p);
j = k – n.Int((k – 1)/n); h = Int(Int((k – 1)/n)/p) + 1 unde k = 1,…, q.

Dacă A   aij  1  i  m; 1  j  n  este o matrice de tip m  n , transpusa sa, notată AT, este
o matrice de tip n  m cu AT  a ji  1  j  n; 1  i  m  adică prin transpunere, liniile
devin coloane şi coloanele devin linii.

Transpusa unei matrici pătratice A de ordin n este tot o matrice pătratică, notată AT de
acelaşi ordin n. Matricea A este simetrică dacă coincide cu transpusa sa: AT = A deci a ji  aij şi
este antisimetrică dacă AT  A deci a ji  aij

B. Operaţii cu matrici

1) Adunarea şi scăderea matricilor:

Dacă A   aij  şi B  bij  sunt matrici de tip m  n , suma lor este A  B   aij  bij 

tot de tip m  n iar diferenţa lor este A  B   aij  bij  tot de tip m  n .

2) Înmulţirea matricilor:
Dacă A   aij  1  i  m; 1  j  n  este matrice de tip m  n şi B  b jk 
1  j  n; 1  k  n  este matrice de tip n  p atunci produsul lor este A  B  Cik 
n
1  i  m; 1  k  p  de tip m  p unde: Cik   aijb jk
j 1

3) Înmulţirea matricilor cu scalari:

Dacă A   aij  1  i  m; 1  j  n  este matrice de tip m  n şi λ atunci

produsul matricii A cu scalarul  este λA   λaij  tot de tip m  n .

22
4) Împărţirea matricilor pătratice:
Dacă A   aij  1  i, j  n  este matrice pătratică nesingulară (cu det  A   0 ) de
ordin n şi B  bij  1  i, j  n  este o altă matrice pătratică de ordin n, câtul lor este:
B
 B  A 1 şi este tot matrice pătratică de ordin n.
A
A 1 este o matrice pătratică de ordin n care satisface relaţiile A  A-1  A-1  A  E (E
este matricea – unitate de ordin n).
A 1 se numeşte inversa matricii pătratice nesingulare A de ordin n.
Dacă matricea A este pătratică de ordin n, singulară  det  A   0  sau A este matrice
dreptunghiulară de tip m  n , inversa A 1 nu există dar există inversa generalizată A  .

Dacă A este matrice de tip m  n , A este matrice de tip n  m care satisface relaţia
A  A+  A  A . Dacă A este matrice pătratică de ordin n, A  este tot matrice pătratică de ordin n.
 1
Dacă A este matrice pătratică de ordin n, nesingulară, avem A  A

Dacă A este o matrice dreptunghiulară de tip m x n, inverse la dreapta Ad-1 este o matrice
dreptunghiulară de tip n x m astfel că A. Ad-1 = Im.

Ad-1 este soluţia X de tip n x m a ecuaţiei matriciale A.X = Im .

 x1i 
 
X  (X 1 ... X m ) cu Xi   .....   R n şi I m  (E 1 ... E m ) cu Ei  R m
x 
 ni 
Ecuaţia matricială A.X = Im se reduce la m sisteme liniare de m ecuaţii cu n necunoscute fiecare, de
forma A.Xi = Ei; (i = 1,…, m).
Aceste sisteme liniare sunt toate compatibile dacă şi numai dacă :
Rang(A) = Rang(AE1) = … = Rang(AEm)

Pentru m < n condiţia este îndeplinită deci pentru m < n inversa la dreapta Ad-1 există dar nu
este unică.
Inversa la dreapta Ad-1 permite rezolvarea sistemelor matriciale X.A = B, unde A,B,X sunt
matrici, cu soluţia X = B.Ad-1.
Dacă A este o matrice dreptunghiulară de tip m x n, inversa la stânga As-1 este o matrice
dreptunghiulară de tip n x m, astfel că As-1. A = In.
Prin transpunere avem: AT.(As-1)T = In, deci (As-1)T = (AT)d-1 aşa că As-1 = ((AT)d-1)T.
Pentru m > n As-1 există dar nu este unică.
Inversa la stânga As-1 permite rezolvarea sistemelor matriciale A.X. = B, unde A,B,X sunt
matrici, cu soluţia X = As-1.B.

5) Suma directă a matricilor:

Fie A   aij  1  i  m; 1  j  n  este o matrice de tip m  n iar A   ahk 
1  h  p; 1  k  q  este o matrice de tip p  q , suma lor directă A  B de tip
 aij 0
 m  p    n  q  are forma: A  B= 
0 bhk 

6) Produsul direct al matricilor:

23
 Dacă A   aij  1  i  m; 1  j  n  este o matrice de tip m  n şi B  bhk 
1  h  p; 1  k  q  este o matrice de tip p  q , produsul lor direct A  B de tip mp  nq
are forma: A  B   aij bhk 

C. Indicatori numerici ai matricilor

1) Urma unei matrici pătratice:

Dacă A   aij  1  i; j  n  este o matrice pătratică, urma sa este suma elementelor de
pe diagonala principală: Tr  A   a11  a22  ...  an n

2) Determinantul unei matrici pătratice:

Fie A o matrice pătratică de ordin n: A   aij  1  i; j  n  . Orice aplicaţie bijectivă a
mulţimii 1,...,n pe ea însăşi, o vom numi permutare şi o vom nota:
 1, 2, , n 
σ:
 σ 1 , σ  2  , , σ  n  
Mulţimea Sn a permutărilor σ faţă de compunerea permutărilor ca funcţii, formează un
grup, numit grupul simetric.
 i j 
O inversiune în permutarea σ este o pereche de valori   cu i  j şi
 σ  i  σ  j  
σ  i   σ  j  . Signatura permutării σ este o funcţie cu două valori: 0 dacă σ conţine un număr par
de inversiuni şi 1 dacă σ conţine un număr impar de inversiuni.
Notaţie: sign  σ 
n
Determinantul matricii pătratice A este: det  A  
σ  Sn
sign  σ  ai , σi 
i 1

O matrice pătratică A se numeşte nesingulară dacă det  A   0 şi singulară dacă

det  A   0 .

3) Rangul unei matrici dreptunghiulare:

Dacă A   aij  1  i  m; 1  j  n  este o matrice de tip m  n rangul matricii A notat
r  rang  A  este ordinul celui mai mare minor nenul, numit minor principal. Aceasta înseamnă
că:
a) Există cel puţin un minor de ordin r nenul (minorul principal)
b) Toţi minorii de ordin r  1 sunt nuli.
În acest caz, toţi minorii de ordin r  2, r  3,..., sunt nuli.
Avem: 0  rang  A   minim  m, n  .
O matrice A de tip m  n se numeşte matrice de rang maxim dacă rang  A   minim  m, n  .
Dacă matricea de rang maxim A este pătratică atunci rang  A   n şi det  A   0 , matricea A
numindu-se nesingulară.
24
4) Norma unei matrici dreptunghiulare
Dacă A   aij  1  i  m; 1  j  n  este o matrice de tip m  n , norma euclidiană a matricii
1
 m n 1
2
A este: A      aij  
i  1 j  1 
Această normă satisface axiomele:
a) A  0; A  0  A  0
b) λA  λ  A
c) A  B  A  B (inegalitatea triunghiului)
d) AB  A  B
Norma euclidiană nu este singura normă a matricii A.

Exemplu:
m n
A    aij satisface axiomele a) – d) de mai sus, fiind deci o altă normă a matricii A.
i 1j 1

5) Matricea Gram a unei matrici dreptunghiulare:

Fie A   aij  1  i  m; 1  j  n  o matrice de tip m  n şi fie A T de tip n  m
transpusa sa.
Matricea Gram a matricii A, notată   A  , este   A   A  A   gij  .
T

Matricea Gram este matrice pătratică de ordin m şi este simetrică adică gij  g ji deci

  A     A  .
T

6) Spectrul unei matrici pătratice

Dacă A este o matrice pătratică de ordin n, fie numărul  real sau complex şi vectorul XRn
astfel că A.X = .X .  se va numi valoare proprie a matricii A, iar X se va numi vector propriu al
matricii A.
Pentru găsirea valorilor proprii  şi a vectorilor proprii X, trebuie să avem
 A  λE   X  0 .
Acest sistem omogen are şi soluţii nenule X dacă:
P  λ   det  A  λE   λ n  p1λ n1  ...  pn1λ  pn  0
P  λ  se numeşte polinom caracteristic al matricii A, iar rădăcinile sale vor fi valori proprii pentru A.

Aceste n rădăcini vor fi reale sau complexe conjugate, simple sau multiple.
Mulţimea tuturor valorilor proprii  ale lui A se numeşte spectrul matricii A şi se notează cu σ(A).
  A   max  λ 
λ   A  adică cea mai mare valoare proprie în modul, se numeşte raza
spectrală a matricii A.
Ecuaţia P  λ   det  A  λE   0 se numeşte ecuaţia caracteristică a matricii A, şi are
forma desfăşurată:

25
 a11  λ a12 .... a1n
a21 a22  λ .... a2 n
0
   
an1 an 2 .... ann  λ

De aici rezultă relaţiile:

λ1  ...  λ n  Tr  A   a11  a22  ...  ann
λ1  ...  λ n  det  A 
Din ultima relaţie rezultă că rang  A   n dacă şi numai dacă 0 nu este valoare proprie
pentru A.
Proprietăţi ale spectrului (A)
1) (AT) = (A)
2)   AB    BA 
3) (A)  m(Am)
4) Dacă det  A   0 şi λ   A  atunci -1(A-1)
5) 0   A  dacă şi numai dacă det  A   0 adică rang  A   n .
6) A = matrice simetrică (A = AT )  (A) conţine numai valori proprii reale
7) A = matrice ortogonală (A-1 = AT)  (A) conţine numai valori proprii de modul 1

D. Clase de matrici

1) Matrici simetrice:
Avem a ji  aij deci AT  A adică   A   A2 .
2) Matrici antisimetrice:
Avem a ji  aij deci AT  A adică   A   A2
3) Matrici ortogonale:
  A   E deci AT  A-1 şi det  A   1
4) Matrici normale:
Avem AAT  AT A deci   A     AT  . Matricile simetrice, antisimetrice şi cele
ortogonale sunt normale.
5) Matrici nenegativ – definite şi pozitiv – definite:
Matricea simetrică A este nenegativ definită dacă pentru orice vector – coloană X cu n
componente reale, avem f  X   X AX  0 . În acest caz valorile proprii ale matricii A sunt  0 .
T

Matricea simetrică A este pozitiv definită dacă pentru orice vector – coloană X cu n
componente reale avem f  X   X AX  0 . În acest caz valorile proprii ale matricii A sunt  0 .
T

În mod similar se definesc matricile nepozitiv definite ( f  X   X AX  0 ) şi matricile

T

negativ definite ( f  X   X AX  0 )
T

1.2 BAZE DE VECTORI ÎN Rn

26
 1.2.1 Definiţia bazei şi dimensiunii în Rn

În continuare vom conveni să scriem vectorii din Rn ca vectori-coloană cu n componente.

1) Vectorii F1,…, FnRn (m ≤ n) se numesc liniar independenţi dacă relaţia α1F1  ...  αmFm
= 0 implică α1 =...  αm  0 adică cei m vectori nu satisfac nici o relaţie de dependenţă liniară.
Orice submulţime a unei mulţimi de vectori liniar independenţi este formată tot din vectori
liniar independenţi.
Vectorii F1,…, FpRn (p  n) generează pe Rn dacă pentru orice vector VRn există scalarii
1,…, pR astfel că V  α1F1  ...  α p Fp .
Dacă o submulţime a unei mulţimi de vectori generează pe Rn, atunci întreaga mulţime
generează pe Rn.
Vectorii F1,…, FnRn formează o bază în Rn dacă ei sunt liniar independenţi şi generează pe Rn.
Fie VRn cu V  α1F1  ...  α n Fn . Scalarii α1 ,...,α n se numesc coordonatele vectorului
V în baza F şi formează vectorul-coloană VF   α1 ,...,α n  .
T

Relaţia precedentă se scrie matricial V  F  VF unde F   F1 ,...,Fn  este matricea bazei

F1,...,Fn  cu vectorii-coloană F1,...,Fn .
Exemplu:
Baza standard este formată din vectorii matricii-unitate:

 E1 E 2 En 
 
 1n 0n 0n 
E   0n 1n 0n 
 
 
 0 0 1n 
 n n

Avem Ei  1 deci E i se numesc versori. În plus Ei  E j  0 , deci vectorii Ei , E j sunt

ortogonali câte doi 1  i, j  n  .
Dacă V = (V1,…, Vn)T, avem V  V1E1  ...  Vn E n , deci coordonatele lui V în baza
standard E sunt chiar componentele V1,…, Vn ale lui V ca vector din Rn.
Relaţia din chenarul de mai sus devine V  E  VE  VE .
Oricare baze din Rn au exact n vectori, n numindu-se dimensiunea spaţiului vectorial Rn:
n
dim (R ) = n.
 f11   f12   f1n 
Fie F1 
     
  ; F2    ;...;Fn    vectori-coloană din R care formează o bază
n

f  f  f 
 n1   n2   nn 
din R . Matricea F cu coloanele F1,..., Fn se numeşte matricea bazei F  F1 ,F2 ,...,Fn  :
n

27
  F1 F2 Fn 
 
F   11
f f12 f1n 
 
 
 f n1 fn2 f nn 

Avem det(F)  0 şi rang  F  n .

Dacă det(F) > 0, baza cu matricea F are orientare pozitivă, iar dacă det(F) < 0, baza cu
matricea F are orientare negativă.

Exemplu:
 F1 F2 F3 
 
Fie matricea F  
1 0 2
 0 5 3
 
 2 4 0 
a) Să se arate că vectorii-coloană F1, F2 şi F3 formează o bază în R3;
5
b)
 
Să se găsească coordonatele vectorului-coloană v  4 în baza formată cu vectorii F1, F2 şi F3.
 
 3
 
Soluţie:
a) Fie relaţia de dependenţă liniară: α1F1  α2F2  α3F3  0 , deci pe componente avem
 α1  2α3  0

 5α 2  3α3  0 , de unde rezultă α1  α2  α3  0 .
2α  4α  0
 1 2

5
Fie un vector-coloană oarecare V din R3, de exemplu V  4 .
 
 
 3
 
Să arătăm că există 1, 2, 3R, nu toţi nuli astfel că V  α1F1  α2F2  α3F3 .
 α1  2α3  5

Pe componente avem:  5α 2  3α3  4 , de unde rezultă
2α  4α  3
 1 2

58 23 49
α1   ; α 2   ; α3  .
8 8 8
58 23 49
b) α1   ; α 2   ; α3  sunt chiar coordonatele vectorului-coloană V în baza
8 8 8
F1,F2 ,F3

28
 Un sistem de m  n vectori-coloană F1,..., Fm din Rn se numeşte ortogonal dacă vectorii
Fi , Fj sunt ortogonali câte doi, deci Fi  Fj  0 .
În acest caz vectorii F1,..., Fm sunt liniar independenţi.

În adevăr, fie relaţia de dependenţă liniară:

(1) α1F1  ...  αmFm  0
 α2  F1  F2   ...  αm  F1  Fm   0 adică
2
Înmulţim scalar relaţia (1) cu F1: α1 F1
α1 F1  0 , deci α1  0 căci F1  0 .
2

În mod analog înmulţind scalar relaţia (1) cu F2,..., Fm obţinem α2  ...  αm  0 .

Pentru m  n sistemul F1 ,...,Fn  de vectori din Rn, ortogonali câte doi, devine bază
ortogonală.
Fie în acest caz VRn cu V  α1F1  ...  α n Fn .
V  Fi
Avem V  Fi  α1  F1  Fi   ...  α n  Fn  Fi   αi Fi
2
, deci αi  2 1  i  n 
Fi
O bază ortogonală este ortonormală dacă în plus F1  ...  Fn  1.
În acest caz matricea F este ortogonală F1  FT şi αi  V  Fi .

Exemplu:
Baza standard E este ortonormală.

1.2.2 Subspaţii vectoriale şi sisteme liniare omogene

Teorema 1.4
 x1 
Fie o matrice A de numere reale cu m linii şi n coloane. Mulţimea vectorilor X 
  din
 
x 
 n
R care satisfac sistemul liniar omogen AX  0 , este un subspaţiu vectorial L al lui R şi reciproc.
n n

Demonstraţie:
Afirmaţia directă:
1) din X’, X’’L rezultă AX’ = 0, AX” = 0 de unde A(X’ + X”) = 0 aşa că X’ + X”L
2) din XL, αR rezultă AX  0 deci  α A  X  0 aşa că ΑxL.

Afirmaţia reciprocă:
Fie L un subspaţiu vectorial r-dimensional al lui Rn cu baza F1 ,...,Fr  .
Fie matricea F=  F1 ,...,Fr  de tip n x r şi rang r care are pe coloane vectorii F1,…, Fr.
Fie G1,…, Gn - rRn soluţiile liniar independente ale sistemului liniar omogen F  X  0 .
T

G1,...,G nr formează o bază a subspaţiului vectorial LRn cu dim(L) = n - r

Fie matricea G= G1,...,G nr  de tip n x (n - r) şi rang r, are pe coloane vectorii
G1,...,G nr .

29
 Soluţiile liniar independente ale sistemului liniar G  X  0 sunt vectori-coloană. F1,…,
T

FrR care generează subspaţiul vectorial LRn cu dim(L)=r . Q.E.D.

n

Din teorema 1.4 rezultă că vectorii oricărei varietăţi liniare b + L unde vectorul b nu
aparţine subspaţiului vectorial L, sunt soluţii ale sistemului liniar neomogen GT.X = b şi reciproc.
Forma parametrică a soluţiei X este dată în secţiunea 1.3.1

Exemple:
F1 F2
 1 3
a) Fie LR3 subspaţiul vectorial cu baza F   deci dim(L) = 2.
2 0
 
 1 4 
G1
 x1  2 x2  x3  0 -8
Sistemul liniar omogen F  X  0 adică  are soluţia G   
T

3x1  0  x2  4 x3  0  
7
 6 
care constituie o bază pentru LR3 cu dim(L ) = 3 – 2 = 1
Sistemul liniar omogen G  X  0 adică 8x1  7 x2  6 x3  0 are ca soluţii liniar
T

independente chiar pe F1 şi F2.

F1
2
b) Fie LR3 subspaţiul vectorial cu baza F  
3
deci dim(L) = 1.
 
 4 
Sistemul liniar omogen FT  X  0 adică 2 x1  3x2  4 x3  0 are soluţii liniar
G1 G2
-3 2 
independente pe G1, G2 cu G    care constituie o bază pentru LR3 cu dim(L ) = 3 – 2 = 1
2 0
 
 0 1 
3x1  2 x2 0
Sistemul liniar omogen G  X  0 adică 
T
are ca soluţie pe
 2 x1  x3  0
F1
2
F    deci chiar baza lui LR3.
3
 
 4 

30
 1.2.3 Substituirea unui vector dintr-o bază şi aplicaţii.

 E1 E 2 En 
 
 1 0 0 
Fie E   0 1 0  baza standard în R . Fie vectorii-coloană A1,…, AmR . Aceşti
n n

 
 
 0 0 1 

vectori-coloană constituie matricea de tip n x m:

 A1 A 2 Am 
 
A   11
a a12 a1m 
 
 
 an1 an 2 anm 

Avem relaţiile:

 A1  a11E1  ...  ah1E h  ....  an1E n

                   

(1)  A k  a1k E1  ...  ahk E h  ....  ank E n
                   

 A m  a1m E1  ...  ahm E h  ....  anm E n

sau sub formă de tabel:

Baza A1 ------------ Ak ------------ Am

E1 a11 a1k A1m
---------

---------

---------

---------

Eh ah1 ------------ ahk ------------ ahm

---------

---------

---------

---------

En an1 ------------ ank ------------ anm

Dacă ahk  0 , ahk se va numi pivot şi se încercuieşte. Putem înlocui vectorul Eh din bază
cu vectorul Ak din afara bazei standard. Avem:

31
 A1  a '11 E1  ...  a 'h1 A1  ....  a 'n1 E n
                   


(2) A k  0  E1  ...  1  A k  ....  0  E n
                   

A m  a '1m E1  ...  1  A k  ....  a 'nm E n


sau sub formă de tabel:

Baza A1 ------------ Ak ------------ Am

E1 a’11 0 A’1m
---------

---------

---------

---------
Ak a’h1 ------------ 1 ------------ A’hm
---------

---------

---------

---------
En a’n1 ------------ 0 ------------ A’nm

Teorema 1.5
Prin substituirea vectorului Eh din baza standard cu vectorul Ak din afara bazei, avem
relaţiile de transformare a coeficienţilor:
ahj
(3) a 'hj   j  1,..., m 
ahk

 1 i  n 
(4)
a
a 'ij  aij  ik ahj 1  j  m 
ahk  
 ih 
 
Demonstraţie:
Înlocuind în relaţiile (2) coeficienţii daţi de relaţiile (3) şi (4) precum şi expresia lui Ak din
(1), obţinem după reducerea unor termeni, chiar relaţiile (1):
 a  a  a 
A1   a11  1k ah1  E1  ...  h1  a1k E1  ...  ahk E h  ...  ank E n   ...   an1  nk  ah1  E n 
 ahk  ahk  ahk 
 a11E1  ...  ah1E h  ...  an1E n

 a  a  a 
A m   a1m  1k ahm  E1  ...  hm  a1k E1  ...  ahk E h  ...  ank E n   ...   anm  nk  ahm  E n 
 ahk  ahk  ahk 
 a1m E1  ...  ahm E h  ...  anm E n
Q.E.D.

32
 Observăm că relaţiile (3) şi (4) sunt în fond transformări elementare ale liniilor matricii de
tip n  m :
 a11 a1m 
A   

a anm 
 n1
şi anume: Relaţia (3) specifică faptul că linia h se împarte cu pivotul ahk  0 .
Dacă m  n , det  A  se împarte cu ahk .
aik
Relaţia (4) specifică faptul că din linia i se scade linia h, înmulţită cu factorul .
ahk
Dacă m  n , det  A  rămâne neschimbat.
Relaţiile (3) şi (4) se constituie în regula dreptunghiului care constă în următoarele:
1) Linia pivotului se împarte la pivotul ahk .
2) Elementele din celelalte linii, se înmulţesc cu pivotul ahk , din produs se scade produsul
elementelor diagonalei a doua a dreptunghiului format iar diferenţa se împarte la pivotul ahk .
Regula 2) se bazează pe faptul că relaţia (4) se scrie sub forma echivalentă:

aij ahk  aik ahj

a 'ij 
ahk
Algoritmul care foloseşte numai relaţia (4) se mai numeşte algoritmul Gauss iar cel care
foloseşte relaţiile (3) şi (4) se mai numeşte algoritmul Gauss-Jordan.

Exemplu:
 A1 A2 
 
Fie în R vectorii-coloană A1, A2 cu matricea A: A  
3 3 2
 1 4
 
 0 5 
 E1 E 2 E 3 
 
Fie baza standard: E   
1 0 0
 0 1 0 
 
 0 0 1 
Avem tabelul:
↓
Baza A1 A2

← E1 3 2

E2 -1 4

E3 0 5

33
Vrem să substituim pe E1 cu A1.
Pivotul este 3 şi se încercuieşte iar E1 şi A1 se marchează cu săgeţi. Pe coloana A1 se trece
1
 
conţinutul coloanei E1 adică 0
 
0
 
2
1) Linia pivotului se împarte la pivot: 2 se înlocuieşte cu
3
4  3  2  1 14
2) În liniile 2 şi 3 aplicăm regula dreptunghiului: 4 se înlocuieşte cu  iar
3 3
5 3  0 2
5 se înlocuieşte cu 5
3
3) Tabelul iniţial devine:
Baza A1 A2
A1 1 2
3
E2 0 14
3
E3 0 5

Înlocuirea poate continua substituind pe E2 cu A2.

Aplicaţii ale metodei substituirii

A. Calculul determinantului unei matrici pătratice A

 a11 a1n 
Fie matricea pătratică de ordin n: A 
 
 
a ann 
 n1
Fie E   E1 , ... , E n  baza standard şi A1 , ... , A n vectorii-coloană din A.
Avem tabelul iniţial:
Baza A1 ------ An

E1 a11 ------ a1n

------

------

------

En an1 ------ ann

Substituim succesiv pe E1 cu A1, ..., pe En cu An şi scoatem de fiecare dată în factor pivotul
în faţa determinantului det  A  . În final avem det  A  = Produsul celor n pivoţi înmulţit cu 1
(determinantul matricii-unitate).
Dacă întâlnim pivoţi nuli, vom permuta linii sau coloane între ele pentru a găsi pivoţi nenuli.
Fiecare permutare de linii sau coloane are ca efect schimbarea semnului pentru det  A  .
34
 Dacă după un număr de substituiri, obţinem o linie nulă, atunci procesul de calcul se opreşte
şi det  A   0 .

Exemple:
1) Să se calculeze prin metoda substituirii determinantul matricii:
 2 1 0 
A   3 4 1 
 5 1 5 
 
Soluţie:
Avem:
↓ ↓ ↓

Baza A1 A2 A3

← E1 2 -1 0

E2 3 4 1

E3 -5 1 5

A1 1 1 0
2

← E2 0 11 1
2
E3 0 3 5
2

A1 1 0 1
11

A2 0 1 2/11

← E3 0 0 58
11

A1 1 0 0

A2 0 1 0

A3 0 0 1

11 58
Avem det  A   2    1  58 .
2 11

35
2) Să se calculeze prin metoda substituirii determinantul matricii:

5 0 1 
A   2 3 4 
 9 6 7 
 
Soluţie:
↓ ↓

Baza A1 A2 A3

← E1 5 0 1

E2 2 3 -4

E3 9 6 -7

A1 1 0 1
5
 22
← E2 0 3 5

 44
E3 0 6 5

A1 1 0 1
5
 22
A2 0 1 15

E3 0 0 0

Substituirea nu mai poate continua deci det  A   5  3  0  0 .

B. Calculul rangului unei matrici dreptunghiulare A

 a11 a1n 
Fie matricea de tip m  n : A 
 
 
 am1 amn 
În secţiunea 1.1.2 C, a fost definit rangul matricii A ca fiind ordinul celui mai mare minor nenul,
numit minor principal: rang  A   r dacă există un minor de ordin r, nenul (minorul principal) şi
toţi minorii de ordin r  1 sunt nuli).
Avem:
1  rang  A   r  minim  m, n 

36
rang  A   r este numărul maxim de linii liniar independente ca vectori din Rn şi este numărul
maxim de coloane liniar independente ca vectori din Rm. Cu alte cuvinte, rang  A  este
dimensiunea subspaţiului vectorial al lui Rn, generat de cei m vectori-linie din A şi este
dimensiunea subspaţiului vectorial al lui Rm, generat de cei n vectori-coloană din A.
Fie cazul m ≤ n.
Fie rang  A   r  minim  m, n  şi fie submatricea principală de ordin r:
 a11 a1r 
F  cu determinantul principal det F  0 .
 
 
 ar1 arr 
Dacă det  F  0 atunci prin permutarea între ele a liniilor şi/sau permutarea coloanelor,
vom aduce minorul principal pe primele r linii şi pe primele r coloane.
Permutarea între ele a liniilor respectiv coloanelor nu schimbă rangul matricii A.
Matricea A are forma iniţială:
F G
A=
H K

unde submatricile au tipurile: Frr ; G r nr  ; H mr r ; K  mr  nr  .
Se substituie E1 cu A1, ..., Er cu Ar şi matricea capătă forma:

Baza A1 ------ Ar Ar+1 ------ An

A1 1 ------ 0 a '1, r 1 ------ a '1n
------

------

------

------

------

Ar 0 ------ 1 a 'r , r 1 ------ a 'rn

Er+1 0 ------ 0 0 ------ 0

------

------

------

------

------

Em 0 ------ 0 0 ------ 0

adică:
-1
Er F ·G
A=
O O

37
 F
Notăm U   de tip m  r care conţine toate liniile şi numai cele r coloane principale
 H 
din forma iniţială a matricii A şi notăm V   E r F1G  de tip r  n , care conţine toate coloanele
 
şi primele r linii principale din forma finală a matricii A după substituire.
Se verifică relaţia A  U  V unde rang  A   rang  U   rang  V   r .
Această relaţie se numeşte descompunerea bazică a matricii A.
În adevăr, primele r coloane A1 ,...,Ar ale matricii A sunt liniar independente şi constituie
matricea U iar celelalte n  r coloane Ar 1 ,...,A n sunt liniar dependente de A1 ,...,Ar ,
coeficienţii de dependenţă liniară fiind cele n  r coloane ale submatricii F G de tip r   n  r  ,
1

Ar 1,...,An    A1,...,Ar   F1G  .

În cazul m  n , se lucrează cu A T de acelaşi rang cu A.
Exemplu:
 2 3 1 5 

Să se afle rangul matricii de tip 3  4 : A  0 1 4 7 

 2 4 3 12 
 

Soluţie:
Baza A1 A2 A3 A4

E1 2 3 -1 5

E2 0 1 4 7

E3 2 4 3 12

A1 1 3 1 5
2 2 2
E2 0 1 4 7

E3 0 1 4 7

A1 1 0 13 -8
2
A2 0 1 4 7

A3 0 0 0 0

38
  2 3
   1 0 13/ 2 8 
Avem U  0 1 ; V    cu
 
 2 4  0 1 4 7 
 
rang  A   rang  U   rang  V   r  2
 13
 13/ 2 8 A3   A1  4A 2
Avem  A3A 4    A1A 2   adică 
7 
2
 4 A 4  8A1  7A 2

C. Calculul matricii inverse A-1 a unei matrici pătratice nesingulare

de ordin n (cu det  A   0 )

Tabelul iniţial are forma:

Baza A1 ------ An E1 ------ En

E1 A11 ------ a1n 1 ------ 0

------

------

------

------

------
A E

En an1 ------ ann 0 ------ 1

Substituim pe E1 cu A1 ,...,E n cu A n şi obţinem tabelul final:

Baza A1 ------ An E1 ------ En

A1 1 ------ 0 a '11 ------ a '1n

------

------

------

------

------

-1
E A

An 0 ------ 1 a 'n1 ------ a 'nn

Exemplu:
 3 1 0
 
Să se inverseze matricea pătratică nesingulară A  1 0 1 cu det  A   1  0
 
 0 2 7
 

39
Soluţie:

Baza A1 A2 A3 E1 E2 E3

E1 3 1 0 1 0 0

E2 -1 0 1 0 1 0

E3 0 2 7 0 0 1

A1 1 1 0 1 0 0
3 3

E2 0 1 1 1 1 0
3 3

E3 0 2 7 0 0 1

A1 1 0 -1 0 -1 0

A2 0 1 3 1 3 0

E3 0 0 1 -2 -6 1

A1 1 0 0 -2 -7 1

A2 0 1 0 7 21 -3

A3 0 0 1 -2 -6 1

 2 7 1 
Avem: A  7
1  21 3  . Se verifică relaţiile A  A1  A1  A  E

 2 6 1 
 
a11 x1  ...  a1n xn  b1

Pentru un sistem de n ecuaţii cu n necunoscute de forma:            sau
a x  ...  a x  b
 n1 1 nn n n

matricial AX  b cu rang  A   n (sau det  A   0 ), soluţia unică a acestui sistem liniar are
1
forma matricială X  A  b unde A 1 se calculează ca mai sus.
Exemplu:
3x1  x2  2

Să se rezolve sistemul liniar:  x1  x3  4 prin metoda matricii inverse.
 2 x2  7 x3  3


40
Soluţie:
Avem rang  A   3 , det  A   1  0
 2 7 1   2   35 
X  A  b   7 21 3    4    107  deci x1  35 ; x2  107 ; x3  31
1

 2 6 1   3   31 
     

D. Calculul inversei generalizate A+ a unei matrici dreptunghiulare A

1
Dacă matricea A este dreptunghiulară de tip m  n inversa obişnuită A nu există, dar
există inversa generalizată de tip n  m notată A+ care a fost definită în secţiunea 1.1.2 punctul B)
1
prin relaţia AA A  A analoagă relaţiei AA A  A .
+

Matricea A + se poate calcula şi dacă matricea A este pătratică ( m  n ) dar singulară

( det  A   0 ).
Fie cazul m ≤ n
Fie 1  rang  A   r  minim  m, n 
În secţiunea 1.2.3,punctul B) de mai sus, la calculul lui rang  A  s-a prezentat
descompunerea bazică a matricii A: A  U  V cu U de tip m  r , V de tip r  n şi
rang  A   rang  U   rang  V   r .
Inversa generalizată a lui A, notată A+ este de tip n  m şi are forma:
A   VT   UT  U  V  VT   UT
1
(1)
În particular dacă matricea A este de rang maxim, în presupunerea m  n , avem rang  A   m .
Avem A   F G  cu F de tip m  m , nesingulară şi G de tip m   n  m  .

După pivotare avem A   E m F1G  deci avem U   F de tip m  m şi V   E m F1G  de

   
tip m  n .
Din formula (1) rezultă că pentru m  n şi rang  A   m , avem:
A   AT   AAT 
1
(2)

A T de tip n  m cu n  m deci se află  AT    A   .

 T
În cazul m  n se lucrează cu

A T , rezultă:  AT   A   AT A  şi cum
 1
Dacă rang  A   n , prin aplicarea relaţiei (2) pentru

A   A 
 T T 
rezultă prin transpunere:

A   AT A   AT
1
(3)

Exemple:
 1 1 2 0 
1)

Se dă matricea de tip 3  4 : A  1 2 3 1

 
 0 1 1 1 
 
Se cere inversa generalizată A+
41
Soluţie:
Calculăm ca la punctul 1.2.3 B. rangul matricii A:

Baza A1 A2 A3 A4

E1 1 -1 2 O

E2 -1 2 -3 1

E3 0 1 -1 1

A1 1 -1 2 0

E2 0 1 -1 1

E3 0 1 -1 1

A1 1 0 1 1

A2 0 1 -1 1

E3 0 0 0 0

Avem rang  A   2 . Liniile 1, 2 sunt principale şi coloanele 1, 2 sunt principale.

 1 1

Avem U  1 2  cu toate cele trei linii şi coloanele principale 1, 2 din matricea A iniţială.

0 1 

1 0 1 1
Avem V   cu toate cele patru coloane şi liniile principale 1, 2 din matricea A
0 1 1 1
finală (după substituire).
 2 3   3 0  6 9 
Rezultă U U   ; VV   
T T T T
  deci U UVV
  de unde:
 3 6   0 3  9 18 
6 3 
 U UVV    3 2 9 
T T 1 9

 9 9
1 0  3 0 3
0 1   6 3   1 2 
    9 9   1 1 0  1  1
Rezultă A    
 1 1  3 2   1 2 1  9  2 1 1 
   9 9  
 1 1  4 1 5

42
  3 1 2 
2) Se dă matricea de rang maxim de tip 2  3 : A   
0 1 4
Se cere inversa generalizată A+

Soluţie:
Avem rang  A   2 deci conform relaţiei (2) avem A  A  AA
 T
 
T 1
unde:

 17 7 
14 7   189 189 
 deci  AA    7 14  deci
T 1
AA  
T

 7 17   
 
 189 189 

 3 0  51 21  17 1
1  1 1    17 7  1  24 21    8 1 
1
A         3 
189    7 14  189  6  2 2
 2 4   42   

E. Calculul produsului F-1∙G unde F este matrice pătratică de ordin n

nesingulară (det (F) ≠ 0) iar G este matrice dreptunghiulară de tip n x p

Tabelul iniţial are forma:

Baza F1 ------ Fn G1 ------ Gp

E1 f11 ------ f1n g11 ------ g1p

------

------

------

------

------
F G

En fn1 ------ fnn gn1 ------ gnp

Se substituie pe rând E1 cu F1 ,...,E n cu Fn .

Tabloul final are forma:

Baza F1 ------ Fn G1 ------ Gp

F1 1 ------ 0 g '11 ------ g '1 p

------

------

------

------

------

-1
E F ·G

Fn 0 ------ 1 g 'n1 ------ g 'np

43
Exemplu:
 1 0 2  2 1 0 
   
Se dau matricile F  0 8 5 ; det  F  1  0 şi G  1 0 1 . Se cere F1  G
   
 1 0 3   0 3 5
   
Soluţie:
Baza F1 F2 F3 G1 G2 G3

E1 1 0 2 -2 1 0

E2 0 8 5 1 0 1

E3 -1 3 0 0 3 5

F1 1 0 2 -2 1 0

E2 0 8 5 1 0 1

E3 0 3 2 -2 4 5

F1 1 0 2 -2 1 0

F2 0 1 5 1 0 1
8 8 8
E3 0 0 1 19 4 37
8 8 8
F1 1 0 0 36 -63 -74

F2 0 1 0 12 -20 -23

F3 0 0 1 -19 32 37

 36 63 74 

1
Avem: F  G= 12 20 23

 
 19 32 37 
 

F. Calculul produsului G∙F-1 unde F este matrice pătratică de ordin n

nesingulară (det (F) ≠ 0) iar G este matrice dreptunghiulară de tip m x n.

Avem GF    F 
1 T T 1
 G T deci aplicăm cazul 1.2.3, punctul E) pentru matricile FT, GT.
Tabelul iniţial are forma:

44
 Baza F1T ------ FnT G1T ------ GmT

E1 f11 ------ fn1 g11 ------ gm1

------

------

------

------

------
En f1n ------ fnn g1n ------ gmn

Se substituie E1 cu F1T , ... , E n cu FnT .

Tabelul final are forma:

Baza F1T ------ FnT G1T ------ GmT

F1 1 ------ 0 g '11 ------ g 'm1

------

------

------

------

------
-1 T
E (GF )
Fn 0 ------ 1 g '1n ------ g 'mn

La urmă avem GF   GF  
T
1 1 T
 

Exemplu:
 1 0 2  2 1 0 
   
Fie matricile: F  0 8 5 ; det  F  1  0 şi G  1 0 1 . Se cere GF
1
   
 1 3 0   0 3 5
   

Soluţie:
Baza F1T F2T F3T G1T G2T G3T

E1 1 0 -1 -2 1 0

E2 0 8 3 1 0 3

E3 0 5 0 0 1 5

F1T 1 0 -1 -2 1 0

E2 0 8 3 1 0 3

E3 0 5 2 4 -1 5

45
 F1T 1 0 -1 -2 1 0

F2T 0 1 3 1 0 3
8 8 8
E3 0 0 1 27 -1 25
8 8 8
F1T 1 0 0 25 -7 25

F2T 0 1 0 -10 3 -9

F3T 0 0 1 27 -8 25

 25 10 27 

Avem după transpunere: GF  7
1
3 8 

 25 9 25 
 
1.3 SISTEME DE ECUAŢII LINIARE

1.3.1 Rezolvarea şi discuţia unui sistem liniar

Fie sistemul liniar de m ecuaţii cu n necunoscute, de forma:

a11 x1   a1n xn  b1  a11 a1n   b1   x1 

   ; b   ; X   
 . Cu notaţiile: A 
     
a x   amn xn  bm1  am1 amn     
 m1 1  bm   xn 

avem forma matricială a sistemului: AX=b

Fie rang  A   r  min  m, n  . Presupunem că minorul principal ocupă primele r linii şi
primele r coloane.
 a11    a1r 
 
Fie F submatricea minorului principal: F         cu det  F  0
 
 ar1    arr 
F G
Avem A= unde G este submatrice de tip r   n  r  , H este submatrice de
H K
tip  m  r   r iar K este submatrice de tip  m  r    n  r  .

 b1 
Fie matricea extinsă de tip m   n  1 :
F G bp
unde bp 
 ;
A/b =  
H K bs b 
 r

46
  br 1 
bS    . După pivotare în matricea extinsă
  A / b , aceasta capătă forma:
 b 
 m 
-1 -1  b '1   b 'r 1 
Er F ·G F ·bp 1
unde F  bp 
  şi  H  F / E mr   b 
1  .
O(m-r)·r
-1
O(m-r)·(m-r) [-H ·F /Em-r]·b    
b'   b' 
 r  m 
Conform teoremei Kronecker-Capelli, sistemul liniar este compatibil dacă şi numai dacă
r  rang  A   rang  A / b .

CAZURI:

I) r  rang  A   m
Matricea  A / b  este de tip m   n  1 deci rang  A / b  minim  m, n  1 şi cum
rang  A   rang  A / b rezultă rang  A / b  m deci sistemul este compatibil. Dacă
rang  A   n , sistemul este compatibil determinat iar dacă rang  A   n , sistemul este
compatibil nedeterminat.

II) r  rang  A   m
Subcazul a)
 b 'r 1 
 H  F1 / E mr   b   0
 
 b' 
 m 
adică b este ortogonal pe Ker(AT) deci b 'r 1   b 'm  0 . Rezultă r  rang  A   rang  A / b
deci sistemul este compatibil (determinat pentru r  rang  A   n şi nedeterminat pentru
r  rang  A   n ).
În acest caz ultimele m  r linii secundare din matricea extinsă  A / b  se aruncă fiind dependente
 x1 
 
   b1 
 x  1  
de primele r linii principale. Avem:  E r F  G  
1
 x   F    adică
r

 r 1  b 
   r
 
 xn 
 x1   xr 1   b1   x1   xr 1   b1 
   F1  G    F1    de unde:    F1  G   +F1    şi completând
           
x   x  b  x   x  b 
 r  n   r  r  n   r
cu necunoscutele secundare xr 1 ,..., xn , obţinem:

47
  x1   F  G   xr 1   F  b p 
1 1

    
(1) X           xr 1 ,..., xn  R 
x   E     
 n   n  r   xn   O n  r 

 F1  G 
Matricea U    este de tip n   n  r  şi rang  U   n  r . Coloanele sale
 nr 
E
Ur+1,…, UnR sunt soluţii liniar independente ale sistemului omogen A  X  0 . Aceste coloane
n

formează o bază în subspaţiul Ker(A)Rn cu dim  Ker  A   n  rang  A  .

 F1  b p 
Coloana X B     R este o soluţie particulară bazică (vezi secţiunea 5.2) a
n

 O nr 
sistemului liniar neomogen A  X  b . Ea se obţine din soluţia generală a sistemului neomogen
pentru componentele nebazice nule xr 1  ...  xn  0 . Cu notaţiile precedente, soluţia generală
din relaţia (1) are forma:

 xr 1 
(2) X  U  XS  XB unde XS     R nr
 
 x 
 n 

Soluţia generală X(0) = U.XS a sistemului omogen AX=0 reprezintă ecuaţiile parametrice ale
subspaţiului vectorial L ataşat sistemului omogen AX = 0 (vezi teorema 2.1), XS fiind vectorul celor
n – r parametri reali xr+1,…, xn.
Soluţia generală X = U.XS + XB a sistemului neomogen AX = b reprezintă ecuaţiile
parametrice ale varietăţii liniare b + L (bL) depinzând de aceiaşi parametri reali xr+1,…, xn.

Exemple:
1) Ecuaţia planului în R3 are forma generală a11x + a12y + a13z + a14 = 0.
Dacă a11  0 ecuaţia planului are forma parametrică:
x = (-a12 / a11)y + (-a13 / a11)z + (-a14 / a11); y = y; z = z cu parametrii reali y şi z.
2) Ecuaţiile dreptei în R3 au forma generală:
a11x + a12y + a13z + a14 = 0
a21x + a22y + a23z + a24 = 0
Dacă  = a11a22 – a12a21  0, din aceste ecuaţii aflăm pe x şi y în funcţie de z:
x = 1z + 1; y = 2z + 2; z = z adică ecuaţiile parametrice ale dreptei cu parametrul z.

 min im ,
2
Există o soluţie particulară unică XNRn sistemului liniar A  X  b cu X N
numită soluţie normală. Ea are proprietatea că este ortogonală pe subspaţiul liniar Ker  A  adică
UT  X N  0 deci XNIm(AT).
Conform relaţiei (2) avem: U  X  U U  XS  U  XB  0 deci:
T T T

 
1
UT U  XS  UT  XB aşa că: XS   UT U  UT X B . Rezultă din relaţia (2):
X  U   UT U   UT X B  X B deci soluţia normală are forma:
1

48
 X N  E  U   UT U   UT   X B
1
(3)
 

Subcazul b)
 b 'r 1 
 H  F E mr   b  
1 0.
 
 b' 
 m
 b 'r 1 
În acest caz cel puţin o componentă a vectorului-coloană:  H  F E mr   b 
1  
 
 b' 
 m

cu m  r componente, este nenulă.

Fie de exemplu prima componentă b 'r 1  0 . În acest caz sistemul liniar este incompatibil
deoarece r  rang  A   rang  A b  r  1 cu minorul nenul de ordin r  1:

Er F - 1.b p
0
01r b'r+1
Discuţia sistemului liniar este terminată.
Spre deosebire de sistemul liniar A  X  b care este compatibil dacă şi numai dacă
 
rang  A   rang  A b sau b  Ker AT , sistemul AT A  X  ATb este totdeauna compatibil
X  se numeşte soluţie generalizată a sistemului AX  b . Ea are proprietăţile:
şi soluţia sa
AX+ - b este ortogonal pe Im(A); ii) AX  b  minim
+
i)

Dacă c este proiecţia vectorului b pe subspaţiul Im(A) atunci X  este soluţie a sistemului
compatibil AX  c .

Exemplu:
 3x1  x2  2 x3  x4  7
 x  4 x  3x  5 x  13
 1 2 3 4
Se dă sistemul liniar: 
5 x1  9 x2  8 x3  11x4  α
 7 x1  6 x2  7 x3  7 x4  β
Să se discute sistemul după α, β şi dacă este compatibil să se rezolve sistemul.

Soluţie:
Baza A1 A2 A3 A4 b
E1 3 1 2 1 7
E2 1 4 3 5 13
E3 5 9 8 11 α
E4 7 6 7 7 
A1 1 1 2 1 7
3 3 3 3
49
 E2 0 11 7 14 32
3 3 3 3
E3 0 22
3
14
3
28
3
 3α  35
3
E4 0 11
3
7
3
14
3
 3β  49 
3
A1 1 0 5 1 15
11 11 11
A2 0 1 7 14 32
11 11 11
E3 0 0 0 0 α  33
E4 0 0 0 0 β  27

Discuţie:
Pentru α  33 sau β  27 sistemul este incompatibil. Pentru α=33 şi β=27 sistemul este
compatibil (nedeterminat căci r  rang  A   2  n  4 ). Ecuaţiile secundare a treia şi a patra se
aruncă. Ecuaţiile principale a întâia şi a doua se scriu:
5 1 15
x1 + x3 x4 =
11 11 11
7 14 32
x2 + x3 + x4 =
11 11 11
7 14
Adăugăm:
x1 + x3 + x4 = x3
11 11
14
x2 + x4 = x4
11
Soluţia generală a sistemului neomogen este:

 x1   5/11   1/11   15/11 

x       32 /11
 2 7 /11 14 /11
(4) X   x    x   
 x3   1  3  0  4  0 
       
 x2   0   1   0 

Primii doi termeni din membrul doi reprezintă soluţia generală a sistemului omogen
A  X  0 iar al treilea termen este o soluţie particulară bazică a sistemului neomogen (obţinută din
soluţia generală a sistemului neomogen pentru x3  x4  0 ).
Coloanele principale A1 , A 2 din matricea A se numesc bazice iar celelalte coloane
secundare A3 , A 4 ca şi termenul liber b al sistemului se exprimă cu ajutorul coloanelor bazice
A1 , A2 :

50
  5  1
 3 11 1   11  A 2
A  A 
 

 A  7 A  14 A
 4 11 1 11 2
15 32
b  A1  A 2
11 11
Din forma generală a soluţiei X dată de relaţia (2) rezultă:

 5/11 1/11   15/11 

 7 /11 14 /11  32 /11
U şi X B   
 1 0   0 
   
 0 1   0 

 584 
  147 
 
  3209 
 147  3561958
  minim .
2
Conform relaţiei (3) rezultă soluţia normală X N    cu X N
 151  49
 147 
 156 
 
 147 
Relaţia (4) se scrie şi sub forma:
 5 1 15 

 11 x  x 
11 
3 4
11
 
 7
X    x3 
14
x4 
32 
11 11 11 
 x 
 3 
 
 x4 
deci
2 2
 5 1 15   7 14 32 
X    x3  x4      x3  x4    x3  x4  f  x3 , x4   minim
2

 11 11 11   11 11 11 
Trebuie să avem:

 f  5 1 15   5   7 14 32   7 
 x  2   11 x3  11 x4  11     11   2   11 x3  11 x4  11     11   2 x3  0
 3        

 f  2   5 x  1 x  15    1   2   7 x  14 x  32   14   2 x  0
 x4  3 4     3 4   4
 11 11 11   11   11 11 11  11 

51
  584 /147 
 3209 /147 
151 156
de unde rezultă x3  ; x4  deci soluţia normală: X N    obţinută şi mai
147 147  151/147 
 
 156 /147 
sus cu relaţia (3).

1.3.2 Soluţii generalizate ale sistemelor liniare incompatibile

Fie un sistem liniar AX  b cu matricea A de tip m  n , X = vector-coloană cu n

componente şi b = vector-coloană cu m componente. În plus presupunem că
rang  A   r  rang  A / b   r  1 deci sistemul liniar este incompatibil deci nu există nici un
vector-coloană X astfel că A  X  b .
1
Prin analogie cu soluţia clasică a sistemelor compatibile determinate X  A b , vom numi
soluţia generalizată a sistemului compatibil expresia X+=A+b unde A  de tip n  m este inversa
generalizată a matricii A, definită de relaţia AA A  A (vezi secţiunea 1.1.2 B). În acest caz nu

mai avem AX  b dar AX  şi b sunt cei mai apropiaţi în sensul normei euclidiene după cum
arată:

Teorema 1.6
2
 n m 
Avem AX  b     aij x j  bi   min im pentru X  X  A b
2  

i 1  j 1 

Demonstraţie
2
m  n 
Fie F  x1 ,..., xm      aij x j  bi  . Anulăm derivatele parţiale ale lui F  x1 ,..., xn  în raport
i 1  j 1 
cu x1 ,..., xn (condiţie necesară de minim):
 F m  n 
   ai1   aij x j  bi   0
 x1 i 1  j 1 

                 

 F  a  a x  b   0
m n

 xn  in  ij j
 j 1
i

 i 1

adică:
 m n m

  ai1aij x j   ai1bi
 i 1 j 1 i 1

             
 m n m
  ain aij x j   aimbi
 i 1 j 1 i 1

deci matricial:

52
(1) A A  X  A b
T T

Soluţia generalizată X+ = A+b verifică condiţia de minim (1).

Facem demonstraţia în cazul particular rang(A) = min( m, n).
m  n avem A  AT   AAT   
1  T 1
deci X  A  AA
T
În adevăr, pentru b şi (1)

 
T 1
b  ATb sau: AT   AAT    AAT   ATb deci: ATb  ATb .
1
devine: A A  A  AA
T T

   AT deci: X    AT A   ATb şi (1) devine:

 1 1
Pentru m  n avem A  A A
T

AT  A   AT A   ATb  ATb adică: ATb  ATb . Q.E.D.

1

În concluzie, dacă sistemul liniar A.X = b are cel puţin o soluţie, aceasta este şi soluţia
sistemului simetric (1) iar dacă sistemul liniar A.X = b nu are soluţie, sistemul simetric (1) are
soluţia generalizată X+.

Exemplu:
Să se afle soluţia generalizată a sistemului incompatibil cu m  3 ecuaţii şi n  4
necunoscute:
 x1  x2  2 x3 3

 x1  2 x2  3x3  x4 6
 x2  x3  1
 x4
Soluţie:
Avem rang  A   2  rang  A / b  3 deci sistemul este incompatibil.
 3 0 3 
 1 1 2 
 1 
În secţiunea 1.2.3 D. am găsit: A 
9 2 1 1 
 
 4 1 5 
 12 
 
  1  11 
Soluţia generalizată este X  A b  . Ea verifică şi sistemul A AX  A b .
T T

9 1 
 
 23 
2
 n m 
Avem AX  b     aij x j  bi 
 2 

i 1  j 1 
Avem:
 12 
 1 1
0    32
1
2 3 1      6  
n 11
 
aij x j  b j   1
9  1 
1 1 1     1 
j 1
 0
 23 
 3  3  24   1  1
1  9  1  24   8  
  30    6    24   1  1
9  9  9  9   3  
 33  1  24   1  1
53
 64  64
 1   1  12  
 2
Rezultă: AX  b   minim
2 2

9   3

1.4 Mulţimi convexe în Rn

Fie o mulţime de vectori URn. Dacă X', X''  U , numim segmentul închis cu capetele
X,X mulţimea  X'; X'' a vectorilor din R de forma 1  λ  X' λX'' cu λ   0;1 . Mulţimea
n

U se numeşte convexă dacă pentru oriceX', X''  U avem  X'; X''  U deci odată cu vectorii
X', X'' mulţimea U conţine segmentul închis care uneşte pe X', X'' .
1  p
Mulţimea convexă URn este generată de vectorii X , ..., X dacă pentru orice X  U
1  p
avem X  λ1X  ...  λ p X cu 0  λi  1 şi λ1  ...  λ p  1.
Dacă U1, U2 sunt mulţimi convexe din Rn şi α,β sunt numere reale atunci U1∩U2 şi αU1 + β
U2 sunt mulţimi convexe.
Dacă A: Rn→Rm este aplicaţie liniară şi U1 este mulţime convexă din Rn şi U2 este mulţime
convexă din Rm atunci A (U1) = {A (X) / X din U1} şi A-1(U2) = {X / A(X) din U2} sunt mulţimi
convexe.

Fie sistemul liniar AX  b unde A este matrice dreptunghiulară cu m linii şi n coloane, X

R este vectorul-coloană al necunoscutelor iar bRm este vectorul-coloană al termenilor liberi. În
n

cele ce urmează vom presupune condiţiile restrictive:

1) m  n adică numărul ecuaţiilor este strict mai mic ca numărul necunoscutelor.
2) rang(A) = m (ecuaţiile sunt independente între ele).
În acest caz sistemul este compatibil nedeterminat (ecuaţiile sunt necontradictorii) şi
conform secţiunii 1.3.1, soluţia generală are forma:

(1) X  A'm1 xm1  ...  A'n  xn  b '

unde xm+1,…,xnR sunt parametri arbitrari. Aici A'm 1 , ..., A'n  Rn sunt soluţii liniar
 b '1 
 
 
 b 'm 
independente ale sistemului A  X  0 iar b '     R este o soluţie particulară bazică a
n

 0 
 
 
 0 
sistemului neomogen, obţinută din soluţia generală a sistemului neomogen pentru
xm1  ...  xn  0 .
O soluţie XRn a sistemului liniar AX  b se numeşte posibilă (admisibilă) dacă are toate
componentele nenegative: xi  0 1  i  n  .
Fie U mulţimea soluţiilor posibile X  0 a sistemului liniar AX  b cu m  n şi
rang  A   m .
O soluţie posibilă X  U, X  0 se numeşte bazică dacă are m componente strict pozitive
(numite bazice) restul de n  m componente fiind nule, iar coloanele din matricea A ce corespund
celor m componente bazice strict pozitive, formează o bază în Rm.

54
Exemplu:
Dacă în soluţia (1) de mai sus avem b '1  0, ..., b 'm  0 atunci soluţia b ' este bazică. O
X  U, X  0 se numeşte extremală dacă X  1  λ  X' λX'' cu X', X''  U ,
soluţie posibilă
X', X''  0 implică X  X' sau X  X'' unde 0  λ  1 .
Cu alte cuvinte, o soluţie posibilă X  0 a sistemului liniar AX  b cu m  n ,
rang  A   m este extremală dacă ea nu este în interiorul segmentului care uneşte alte două soluţii
posibile, ci la unul din capetele segmentului.

Teorema 1.7

Orice soluţie bazică este extremală şi reciproc. Numărul acestor soluţii este finit (egal cel
mult cu C mn )

Demonstraţie:
Fie soluţia bazică X. Presupunem că X nu este soluţie extremală.
Presupunând că primele m componente ale lui X sunt nenule, din relaţia:
X  1  λ  X' λX'' cu λ   0;1 rezultă: 1  λ  xi'  λxi''  0  i  m  1, ..., n  . Cum
λ  0 , xi' , xi''  0 , rezultă de aici că xi'  xi'' pentru i  m  1,..., n . Dar X',X'' sunt soluţii
posibile aşa că avem x1' A1  ...  xm' Am  x1''A1  ...  xm'' Am  b . Cum A1 ,...,A m sunt vectori-
coloană liniar independenţi (X = soluţie bazică) rezultă xi'  xi'' şi pentru i  1,..., m aşa că
X'  X'' absurd. Rezultă că X este soluţie extremală.
Reciproc, fie X = soluţie extremală cu xi  0 pentru i  1, ..., m .
Să arătăm că X este soluţie bazică adică vectorii-coloană A1 , ..., A m sunt liniar
independenţi. Dacă A1 , ..., A m n-ar fi liniar independenţi, am avea α1A1  ...  αmAm  0 cu
α i nu toţi nuli. Dar x1A1  ...  xmAm  b deci rezultă egalităţile:
 x1  βα1  A1  ...   xm  βαm  Am  b
 x1 +βα1  A1  ...   xm +βαm  Am  b
β poate fi ales suficient de mic astfel ca: xi  βαi  0 ; xi  βαi  0 pentru i  1, ..., m .
Rezultă că:
X'   x1  αβ1, ..., Xm  αβm , 0, ..., 0 
X''   x1 +αβ1, ..., Xm +αβm , 0, ..., 0 
1 1
sunt soluţii posibile şi în plus: X  X' X'' ceea ce contrazice faptul că X este soluţie
2 2
m
extremală. Rezultă că X este soluţie bazică. Avem C n grupuri de m componente nenule din n
componente posibile deci avem C n soluţii extremale  bazice. Q.E.D.
m

Teorema 1.8

Dacă sistemul de ecuaţii liniare AX  b , X  0 are soluţii posibile, are şi soluţii posibile
bazice.

55
Demonstraţie:
Fie X o soluţie posibilă a sistemului din enunţ cu primele m componente nenule.
Să arătăm că vectorii-coloană A1 , ..., A m sunt liniar independenţi.
Dacă A1 , ..., A m n-ar fi liniar independenţi am avea X'1A1  ...  X'm Am  0 cu X i nu
toţi nuli. Dacă X'   X'1, ..., X'm , 0, ..., 0 
notăm avem AX'  0, X'  0 deci
A  X  λX'  AX  λAX'  b pentru orice  real.

Să determinăm pe  astfel ca X  λX'  0 . Fie I1  i 1  i  m, x 'i  0 şi 
I2  i 1  i  m, x 'i  0 şi fie:

 max  xi   max  xi 
    , I  0     , I2  0
λ1  i  I1  x 'i  ; λ 2  i  I 2  x 'i 
1

  , I1  0   , I2  0
 

Este clar că pentru  cu λ  min  λ1 ,λ 2  avem X  λX'  0 . Putem alege un λ 0 astfel
ca soluţia posibilă X  λ 0 X' să aibă cel mult m-1 componente nenule: dacă λ 2   luăm
λ0  λ1 iar dacă λ1   luăm λ0  λ 2 . Dacă coloanele corespunzătoare componentelor
nenule ale soluţiei X  λ 0 X' (în număr de cel mult m-1) sunt liniar independente, aceasta ar fi
soluţie bazică.
În caz contrar se reia raţionamentul aplicat mai sus, obţinându-se o nouă soluţie cu cel mult
m-2 componente nenule etc., deci după un număr finit de paşi am ajunge la soluţia nulă (cu zero
componente nenule) care este evident soluţie bazică. Q.E.D.

Teorema 1.9

Mulţimea soluţiilor posibile URn ale sistemului liniar AX  b , X  0 este o mulţime

convexă generată de soluţiile bazice în număr finit.

Demonstraţie:
Fie X', X''  U deci AX'  b , AX''  b şi X', X''  0 .
Pentru orice 0  λ  1 avem A 1  λ  X' λX''  1  λ  AX' λAX''  1  λ  b  λb  b
şi în plus 1  λ  X' λX''  0 deci U este mulţime convexă.
1  p
Fie X , ..., X  U astfel că pentru orice X  U avem:
1
X  λ1X  ...  λ p X  p
 0  λi  1; i  1, ..., p   λ1  ...  λ p  1
1  p
Presupunem că p este minim în raport cu aceste proprietăţi. Să arătăm că X , ..., X
1
sunt soluţii extremale (deci conform teoremei 1.7 şi bazice). Dacă de exemplu X n-ar fi soluţie
extremală am avea: X  1  λ  X' λX''
1
unde X', X''  U şi 0  λ  1 . Dar
X'  λ1' X   ...  λ'p X
1
0  λ  1  λ  ...  λ
p '
i
'
1
'
p  1 şi

X''  λ X   ...  λ X   0  λ  1  λ  ...  λ  1 . Rezultă:

'' 1 '' p '' '' ''
1 p i 1 p

56
 1

X   1  λ  λ1' X   ...  λ 'p X
1 p
  λ  λ X   ...  λ X   
''
1
1 ''
p
p

 1  λ  λ1'  λλ1''  X   ...  1  λ  λ 'p  λλ ''p  X  

1 p

Dacă 1  λ  λ1  λλ1  0 am avea:

' ''

X   1  λ  λ'2  λλ''2  X   ...  1  λ  λ 'p  λλ ''p  X  cu 0  1  λ  λi'  λλi''  1 şi

1 2 p

1  λ  λ'2  λλ''2   ...  1  λ  λ 'p  λλ ''p   1 contrar minimalităţii lui p.
La aceeaşi concluzie am ajunge dacă: 1  λ  λ1  λλ1  1 căci am avea:
' ''

X  
1 1
1  1  λ  λ1  λλ1 
' '' 
 1  λ  λ '2  λλ ''2  X   1  λ  λ 'p  λλ ''p  X 
2 p

Rezultă că 1  λ  λ1  λλ1  1 deci cum: 1  λ  λ1  λλ1   ...  1  λ  λ p  λλ p   1
' '' ' '' ' ''

cu 0  1  λ  λi  λλi  1 avem: 1  λ  λi  λλi  0 pentru i  2, ..., p şi cum 0  λ  1

' '' ' ''

rezultă λi'  λi'' pentru i  2, ..., p . Însă λ1  ...  λ p  1; λ1  ...  λ p  1 aşa că rezultă
' ' '' ''

λ1'  λ1''  1 deci am avea X'  X'' absurd. Q.E.D.

Exemplu:
 x1  2 x2  4 x3  3x4  10

Se dă sistemul liniar: 2 x1  5 x2  8 x3  6 x4  21
5 x  11x  20 x  15 x  51
 1 2 3 4
Să se afle soluţia generală X  0 a sistemului liniar ca o combinaţie liniară convexă a soluţiilor
posibile bazice.

Soluţie:
Baza A1 A2 A3 A4 B
E1  2 4 3 10
E2 2 5 8 6 21
E3 5 11 20 15 51
A1 1 2 4 3 10
E2 0  0 0 1
E3 0 1 0 0 1
A1 1 0 4 3 10
A2 0 1 0 0 1
E3 0 0 0 0 0

Avem rang  A   rang  A / b  2  n  4 deci sistemul este compatibil nedeterminat.

Ecuaţia secundară numărul 3 se elimină din sistem fiind liniar dependentă de primele două.

57
  x1  2 x2  4 x3  3x4  10
Sistemul capătă forma:  . Soluţiile posibile bazice
2 x1  5 x2  8 x3  6 x4  21
 x1 
x 
X   2  au 2 componente strict pozitive (bazice) şi 2 componente nule (nebazice).
 x3 
 x 
 4

CAZURI:
4 x  3x4  10
1) x1  x2  0 . Rezultă  3 care este sistem incompatibil
8 x3  6 x4  21
2 x  3x4  10  x2  1
2) x1  x3  0 . Rezultă  2 de unde 
5 x2  6 x4  21  x4  8/ 3
 0 
 
1  1 
Avem prima soluţie posibilă bazică X 
 0 
 
 8/ 3 
2 x  4 x3  10  x2  1
3) x1  x4  0 . Rezultă  2 de unde 
 2
5 x  8 x3  21  x4  2
0
 
 2  1 
Avem a doua soluţie posibilă bazică X 
 2
 
0
 x  3x4  10
4) x2  x3  0 . Rezultă  1 care este sistem incompatibil.
 1
2 x  6 x4  21
x  4 x3  10
5) x2  x4  0 . Rezultă  1 care este sistem incompatibil.
2 x1  8 x3  21
x  2 x2  10  x1  8
6) x3  x4  0 . Rezultă  1 de unde 
2 x1  5 x2  21  x2  1

58
 8
1
Rezultă a treia soluţie posibilă bazică: X
 3
   . Conform teoremei 5.5, orice altă soluţie
0
 
0
 x1 
x 
posibilă X    cu xi  0 1  i  4  este combinaţia liniară convexă a soluţiilor posibile
2

 x3 
 
 x4 
 8λ 3   8λ 3 
 x1  λ  λ  λ   1 
x   1 2 3  
bazice: X   2 1  2  3
 λ1X  λ 2 X  λ 3 X   2λ 2    2λ 2  unde 0  λi  1 şi
 x3     
 x   8λ 8λ
  1 
 4
1

 3   3 
λ1  λ 2  λ3  1 .

1.5 Extremele unui polinom convex  concav pe o mulţime convexă în Rn

Fie URn o mulţime convexă.

O funcţie f: U  R este convexă dacă pentru orice X', X''  U şi orice λ  0; 1 avem:

(1) f 1  λ  X' λX''  1  λ  f  X'  λf  X'' 

O funcţie f: U  R este concavă dacă pentru orice X', X''  U şi orice λ  0; 1 avem:

(2) f 1  λ  X' λX''  1  λ  f  X'  λf  X'' 

Dacă f, g sunt funcţii convexe / concave pe U şi α, β  0 atunci funcţia αf  βg este

convexă / concavă pe U.

Exemplu
Funcţia polinomială liniară f  x   C  X  C1x1  ...  Cn xn este şi convexă şi concavă
T

pe Rn.

Teorema 1.10

Funcţia f: URn  R este convexă dacă şi numai dacă pentru X', X''  U avem:

(3) f  X '  df  X' X'' X'  f  X'' 

adică hiperplanul tangent la graficul lui f în X ' rămâne sub graficul lui f.
59
Demonstraţie:

Dacă f este funcţie convexă, din relaţia (1) rezultă:

f  X' λ  X'' X'  f  X'
f  X'   f  X''
λ
Trecem la limită pentru t  0 , t  0 şi ţinem cont că:
f  X ' λ  X '' X '    f  X ' 
lim  
t 0
t 0
λ
f  X ' λ  X '' X '    f  X ' 
 lim  X '' X '  df  X '   X '' X ' 
t 0
t 0
 X'+λ  X '' X '    X '

aşa că: f  X'  df  X'   X'' X'   f  X''  deci relaţia (3).
Reciproc, fie relaţia (3) îndeplinită: f  X'  df  X'   X'' X'   f  X''  .
Schimbând pe X ' cu X'' avem:

(4) f  X''  df  X''   X' X''  f  X' 

În relaţia (3) înlocuim pe X ' cu X şi înmulţim relaţia obţinută cu :

(5) λf  X   λdf  X    X'' X   f  X''

În relaţia (4) înlocuim pe X'' şi înmulţim relaţia obţinută cu 1  λ  :

(6) 1  λ  f  X   1  λ  df  X    X' X   1  λ  f  X'

Adunând relaţiile (5) şi (6) obţinem: f 1  λ  X' λX''  1  λ  f  X'   λf  X'' 
deci f este convexă pe U. Q.E.D.

Pentru funcţia f: URn  R, aceasta este concavă dacă şi numai dacă pentru orice X', X''  U
avem:
(7) f  X'  df  X'   X'' X'   f  X'' 
adică hiperplanul tangent la graficul lui f în X ' rămâne deasupra graficului lui f.
Conform formulei Taylor (vezi capitolul 2) avem:
1
f  X ''  f  X'  df  X'   X' X''   d 2 f  X'    X'' X'   R 2  X''   X'' X'
2

2
Pentru X'' suficient de aproape de X ' , relaţia (3) capătă forma:

(8) d 2 f  X'  0 pentru orice X'  U .

deci f este convexă pe URn dacă şi numai dacă este îndeplinită relaţia (8).
În mod analog relaţia (7) capătă forma:
(9) d 2 f  X'  0 pentru orice X'  U .
Deci f este concavă pe URn dacă şi numai dacă este îndeplinită relaţia (9).
Exemplu:
60
 Fie funcţia polinomială pătratică: f  x   e  2C  X  X DX unde D este matrice
T T

simetrică de ordin n, C este vector-coloană cu n componente iar eR.

 dX1 
Condiţia (8) revine la  dX   D  dX   0 pentru orice dX 
T    U deci f este
 
 dX 
 n
convexă dacă şi numai dacă matricea D este pozitiv definită.
 dx1 
   U deci f este
 dX   D  dX  0 pentru orice dX  
T
Condiţia (9) revine la

 dx 
 n
concavă dacă şi numai dacă matricea D este negativ definită.

Un criteriu ca o matrice simetrică D să fie pozitiv definită, respectiv negativ definită, este
criteriul lui Sylvester:

 d11 d12 d1n 

d d 22 d2n 
Fie D    cu d  d 1  i, j  n  matricea simetrică a părţii XT.D.X
21

  ij ji

 
 d n1 dn2 d nn 
din funcţia polinomială pătratică: f(X)= e+2.C.X+XT.D.X
Fie minorii principali:
d11 d1k
d11 d12
D1  d11 , D2  ,..., D k  ,..., D n  det  D 
d 21 d 22
d k1 d kk

Matricea D este pozitiv definită dacă şi numai dacă D1 ,D2 ,...,Dn  0 .

Matricea D este negativ definită dacă şi numai dacă D1  0, D2  0 ,...,  1 Dn  0
n

Funcţiile polinomiale pătratice convexe (cu matricile D pozitiv definită) au un minim unic dat de
relaţiile: df  X   2D  X  2C  0 deci punctul de minim este vectorul din Rn:
(10) X0  D1  C
 0
Funcţiile polinomiale pătratice concave (cu matricea D negativ definită) au un maxim unic X ,
dat de relaţia (10).
Valoarea minimului / maximului este f X   .
0

Exemple:
1) Se dă funcţia polinomială pătratică:
f  x1, x2 , x3   3x12  3x22  3x32  4 x1x2  4 x1x3  4 x2 x3    6 x1  8x2  6 x3   10
Să se arate că funcţia f este convexă pe R3 şi să se găsească punctul de minim X 0 şi valoarea
minimului f  X0  .
Soluţie:
61
  3 2 2  3 
   
Avem D  2 3 2 ; C  4 ; e  10
   
 2 2 3  3 
   
3 2
Avem D1  3  3  0 ; D2   5  0 ; D3  det  C  7 deci f este funcţie convexă pe
2 3
 5 2 2   3  1
 0 1 1    1 
3
R . Punctul de minim X este: X 0  D  C   2 5 2    4    8  deci
7     7 1
 2 2 5   3   
1 8 1
X10  ; X 20  ; X30 
7 7 7
 1 8 1  196
Valoarea minimului este: f  ; ;  
 7 7 7  49

2) Se dă funcţia:
f  x1, x2 , x3   6 x12  5x22  5x32  4 x1x2  8x1x3   6 x1  4 x2  4 x3   1
Să se arate că funcţia este concavă pe R3 şi să se găsească punctul de maxim X 0 şi valoarea
maximului f  X0  .

Soluţie:
 6 2 4   3
 
Avem: D  2 5 0 ; C  2 ; e  15
 
   
 4 0 5   2
   
6 2
Avem D1  6  6  a ; D2   26  0 ; D3  det  D  50  0 deci f este
2 5
funcţie concavă pe R3. Punctul de maxim X 0 este:
 25 10 20  3   15 
X 0  D1  C   10 14 8    1  28 
1 15 28
2
  50   deci X 10  ; X 20  ;
50  50 50
 20 8 26  
 2 
8
 
8  15 28 8  68
X30  . Valoarea maximului este: f  ; ; 
50  50 50 50  25
Funcţia liniară f  X   C  X  C1X1  ...  Cn X n nu are nici minim nici maxim deşi
T

este şi convexă şi concavă.

O soluţie posibilă X(0)Rn, X(0)0 a sistemului liniar AX  b cu m  n şi rang  A   m

se numeşte soluţie optimă dacă valoarea f X    C

0 T
 X
0
este maximă sau minimă. În
continuare ecuaţiile sistemului liniar AX  b , le vom numi legături sau restricţii.

Teorema 1.11
62
 Dacă o funcţie liniară f  CT X cu legături liniare AX  b , X  0 are soluţii optime, are
şi soluţii bazice optime.
Demonstraţie:
Fie X o soluţie optimă (de exemplu cu f  CT X=minimă ) cu primele m componente
nenule. Să arătăm că vectorii-coloană A1 , ..., A m sunt liniar independenţi. Dacă A1 , ..., A m n-ar
fi liniar independenţi, ca şi în demonstraţia teoremei 1.8 am găsi soluţia posibilă X  λX'  0 .
Dacă X este soluţie optimă (presupusă de minim pentru f) deci:
f  X   C X  f  X  λX'  C X+λC X' aşa că λC X'  0 . Nu putem avea C X'  0
T T T T T

deoarece alegând  de semn contrar lui C X' am avea λC X'<0 absurd căci λC X'  0 . Rezultă
T T T

CT X'=0 aşa că X  λX' este deasemenea soluţie optimă.

Ca şi în demonstraţia teoremei 1.8, soluţia optimă X  λ 0 X' poate avea cel mult m-1
componente nenule deci după un număr finit de paşi ajungem la o soluţie bazică optimă. Q.E.D.

Teorema 1.12

Mulţimea soluţiilor optime V  U ale unei funcţii liniare f  CT X cu legături liniare

AX  b , X  0 , este o mulţime convexă generată de soluţiile bazice optime în număr finit.

Demonstraţie:
Fie X', X''  V cu AX'  b , AX''  b ;
X', X''  0 ;
f  X'  C X'=f  X''  C X''=OPTIM
T T

Pentru orice 0  λ  1 , 1  λ  X' λX'' este soluţie posibilă, conform teoremei 5.5
Mai mult,
f 1  λ  X' λX''  CT 1  λ  X' λX'' 
 1  λ  CT X' λCT X''  1  λ   OPTIM+λ  OPTIM=OPTIM
deci V este mulţime convexă. A doua parte a enunţului se demonstrează analog cu a doua parte a
enunţului teoremei 1.9. În particular dacă V se reduce la o soluţie optimă, aceasta este bazică.
Q.E.D.

Schema relaţiilor între mulţimea soluţiilor posibile U, mulţimea soluţiilor optime V,

mulţimea soluţiilor bazice U B şi mulţimea soluţiilor optime bazice VB , este următoarea:

Soluţii posibile U
Soluţii
bazice
Soluţii Soluţii V
Optime bazice
optime VB
UB

Exemplu:

63
  x1  2 x2  4 x3  3x4  10
În secţiunea 1.4 s-a rezolvat sistemul liniar: 
2 x1  5 x2  8 x3  6 x4  21
(a treia ecuaţie s-a înlăturat, fiind liniar dependentă de primele două) şi s-au găsit trei soluţii bazice:
0
1 0 8
   2  1   3  1 

1
X   0; X   ;X 
   2  0
8
     
0 0
3

Mulţimea convexă U ale soluţiilor posibile X  0 ale sistemului liniar precedent este


U  X  R4 X  λ1X   λ 2 X   λ3 X  ; 0  λ i  1; λ1  λ 2  λ3  1
1 2 3

Dacă mulţimea convexă U este mărginită (este complet conţinută într-o sferă de rază finită)
şi închisă (îşi conţine frontiera) atunci orice funcţie liniară
f  X   C1X1  C2X2  C3X3  C4X4 are soluţie optimă pe U, care dacă este unică este
neapărat bazică conform teoremei 1.12

De exemplu funcţia f  X   X1  2X2  2X3  X4 are valorile  

f X  
1 14
3
;

f X    6 ; f  X    10 deci f
2 3
min im 
14
3
1
pentru X  X şi f max im  10 pentru X  X
 3

1.6 Rezumat
În acest capitol se prezintă axiomele corpului numerelor reale R, axiomele mulţimii Rn ca
spaţiu vectorial, axiomele mărimilor metrice ale vectorilor (normă, distanţă, produs scalar, unghi,
produs vectorial, produs mixt).
Se prezintă deasemenea operaţiile cu matrici(adunare, scădere, înmulţire, inversa A-1,inversa
generalizată A+, sumă directă, produs direct), indicatorii numerici ai matricilor pătratice (urmă,
determinant, rang, normă).
Se definesc noţiunile fundamentale de bază şi dimensiune în spaţii vectoriale şi se aplică
aceste noţiuni la subspaţii vectoriale.
Se prezintă subspaţiile vectoriale/varietăţile liniare ca mulţimi de soluţii ale sistemelor de
ecuaţii liniare omogene/neomogene.
Metoda substituirii din secţiunea 1.2.3 are importante aplicaţii în calculul matricial.
Se prezintă rezolvarea şi discuţia unui sistem de ecuaţii liniare neomogen cu aplicaţii la
soluţii generalizate pentru sisteme liniare incompatibile.
În continuare se studiază convexitatea mulţimii soluţiilor unui sistem liniar compatibil
nedeterminat cu evidenţierea soluţiilor bazice (extremale).
În final se prezintă extremele unui polinom convex/concav pe mulţimea convexă a soluţiilor
sistemului liniar compatibil nedeterminat ca o pregătire pentru programarea liniară din cap. 3.

64
 1.7 Întrebări
1. Enumeraţi definiţiile şi axiomele mărimilor metrice ale vectorilor în Rn: normă, distanţă, produs
scalar, produs vectorial, produs mixt.
2. Ce este baza şi dimensiunea în spaţiul vectorial Rn?
3. Ce aplicaţii are metoda substituirii unui vector dintr-o bază în calculul matricial?
4. Ce formă are soluţia generală a unui sistem de ecuaţii liniare?
5. Ce formă are soluţia generală a unui sistem de ecuaţii liniare ca o combinaţie liniară convexă de
soluţii bazice?
6. Cum se recunoaşte dacă un polinom de grad 2 este convex/concav şi unde se ating extremele sale
pe mulţimea convexă a soluţiilor unui sistem liniar compatibil nedeterminat?

1.8 Bibliografie
1) Stănăşilă O.: “Analiză liniară şi geometrie” Vol. I - II, Editura ALL, 2000 – 2001
2) Cenuşă Gh. şi col.: “Matematici pentru economişti”, Editura CISON, 2000
3) Cenuşă Gh. şi col.: “Matematici pentru economişti – culegere de probleme”, Editura CISON,
2000
4) Ene D.: “Matematici (I)”, Editura CERES, 2004
5) Gogonea S., Ene D.: “Analiză numerică”, Editura Cartea Universitară, 2005
6) Ene D., Gogonea S.: “Metode numerice”, Editura Cartea universitară, 2005
7) Ene D.: “Matematică aplicată în agricultură”, Editura CERES, 2006

65
 CAPITOLUL 2 PROGRAMARE LINIARĂ ŞI GRAFURI ÎN
AGRICULTURĂ

Obiective: Însuşirea de către studenţi a modelelor liniare de optimizare a producţiei agricole

a rezolvării lor cu metoda simplex pe calculator şi a interpretării economice a soluţiilor optime ale
acestor modele.

Conţinut:

2.1 Modele liniare de optimizare în producţia agricolă

2.1.1 Modelul raţiei furajere optime pentru animale domestice
2.1.2 Modelul structurii optime a culturilor vegetale
2.1.3 Modelul rotaţiei optime a culturilor
2.2 Dualitatea modelelor liniare de optimizare
2.3 Găsirea soluţiilor optime pentru modelele liniare primal şi dual cu metoda simplex cu
calculatorul.
2.4 Modele de optimizare tip transport şi de repartiţie (assignment)
2.5 Drumuri optime în reţele
2.6 Eşalonarea optimă a activităţilor unui proiect agricol prin metoda drumului critic
2.7 Rezumat
2.8 Întrebări
2.9 Bibliografie

Cuvinte cheie: model liniar, dualitate, soluţie bazică optimă, metoda simplex, drum critic.

2.1 Modele liniare de optimizare în producţia agricolă şi dualitatea lor

Metoda modelării proceselor biologice, tehnice şi economice a apărut odată cu utilizarea
calculatoarelor electronice în a doua jumătate a secolului XX.
Un model schematizează un proces complex, reţinând trăsăturile considerate esenţiale din
punctul de vedere al modelatorului. Structura şi evoluţia modelului este simulată pe calculatorul
electronic, rezultatele simulării fiind confruntate cu datele procesului modelat.
Principalele avantaje ale modelării şi simulării sunt posibilităţile de analiză şi sinteză ale
procesului modelat precum şi prognoza evoluţiei sale. În funcţie de gradul de schematizare,
modelele pot fi macromodele şi micromodele.
Macromodelele sunt mai apropiate de procesul modelat dar simularea lor comportă un mare
volum de calcul. Un macromodel se poate simplifica sub forma unui micromodel în scopul uşurării
simulării cu preţul îndepărtării de procesul modelat. Arta modelării şi simulării constă tocmai în
realizarea unui compromis rezonabil între apropierea de procesul modelat şi volumul de calcul pe
care îl comportă simularea modelului. Între modelele elaborate pentru agricultură un rol deosebit îl
au modelele de optimizare.
Un model de optimizare are ca părţi componente:
1) Necunoscutele (variabilele) modelului notate cu x1 ,..., xn care sunt numere reale pozitive ce
urmează a fi determinate. Există modele în care necunoscutele x1 ,..., xn sunt numere întregi
pozitive (de exemplu efective de animale) sau chiar valori binare (0 sau 1) (de exemplu utilizarea
(1) sau neutilizarea (0) a unei maşini agricole sau a unei tehnologii); în aceste cazuri avem modele
de optimizare cu variabile întregi respectiv modele de optimizare cu variabile bivalente.
2) Restricţiile (constrângerile) modelului care sunt m inecuaţii sau ecuaţii care conţin
necunoscutele x1 ,..., xn . Membrul doi al fiecărei restricţii este limita resursei la care se referă
66
restricţia. Dacă toate restricţiile modelului sunt ecuaţii, el se numeşte model standard. Orice model
de optimizare poate fi adus la forma standard prin adăugarea la membrul întâi al restricţiilor „” şi
„=” a unor variabile de egalizare nenegative şi prin scăderea din membrul întâi al restricţiilor „” a
altor variabile de egalizare nenegative deci modelul va avea m restricţii egalităţi şi n  m variabile
x1 ,..., xn ,xe1,…,xem.
3) Funcţiile-obiectiv ale modelului în număr de p, care conţin necunoscutele x1 ,..., xn şi care
trebuie maximizateminimizate sau cu un cuvânt optimizate. Dacă restricţiile modelului lipsesc
atunci se zice că avem un model de optimizare fără restricţii (liber) în caz contrar modelul este cu
restricţii (legături). Un sistem de valori pozitive pentru x1 ,..., xn care satisfac restricţiile, se
numeşte soluţie posibilă iar acele soluţii posibile care optimizează o funcţie-obiectiv, se numesc
soluţii optime în raport cu acea funcţie.
Dacă restricţiile şi funcţiile-obiectiv ale modelului sunt polinoame cu necunoscutele
x1 ,..., xn modelul se numeşte polinomial sau algebric în caz contrar modelul se numeşte
nepolinomial sau transcendent.
Dacă într-un model polinomial, polinoamele din restricţii şi din funcţiile-obiectiv au gradul
1, modelul polinomial se numeşte liniar, în caz contrar modelul polinomial este neliniar.
Un model polinomial neliniar des întâlnit este modelul polinomial pătratic cu restricţii
polinoame de gradul 1 şi funcţiile-obiectiv polinoame de gradul doi. Dacă modelul de optimizare
are o singură funcţie-obiectiv, el se numeşte model monocriterial în caz contrar se numeşte model
policriterial. Orice model policriterial se poate reduce la unul monocriterial prin înlocuirea
funcţiilor sale obiectiv cu o funcţie-obiectiv de utilitate maximă. O problemă delicată în elaborarea
modelelor apare în legătură cu restricţiile care trebuie să fie:
1) necontradictorii (să existe măcar o soluţie posibilă);
2) independente (să nu rezulte unele din altele).
În acest caz modelul de optimizare se numeşte coerent. Cu cât numărul m al restricţiilor
modelului este mai mare, cu atât pericolul contradicţiei şisau dependenţei restricţiilor creşte deci
este mai greu de elaborat un macromodel coerent decât un micromodel coerent. Modelele elaborate
la un moment dat se numesc statice.
În realitate, timpul schimbă coeficienţii constanţi ai modelului (stocuri de resurse, costuri ale
resurselor, preţurile de vânzare ale produselor) ceea ce necesită reoptimizarea modelului în raport
cu aceste schimbări.
În funcţie de caracterul mărimilor care intervin în modele, acestea pot fi deterministe (cu
mărimi precise valoric) sau aleatoare o parte sau toate mărimile au valori probabile cum sunt cele
legate de natură: precipitaţii, climă, calamităţi, etc. Cele mai multe macromodele de optimizare care
au fost elaborate pentru agicultură, se împart în două clase:
I. Modele de structură optimă pentru:
 culturi agricole anuale sau perene;
 rase şi grupe de animale;
 furaje grupate în raţii furajere;
 ramuri vegetaleanimale în cadrul fermei.
II. Modele de repartiţie optimă pentru:
 rotaţia culturilor;
 alocare resurse (forţă de muncă, maşini, tehnologii, energie, îngrăşăminte, apă, investiţii);
 organizarea transporturilor agricole;
 stabilirea preţurilor în economia de piaţă în raport de cerere-ofertă.

67
 2.1.1 Modelul structurii optime a culturilor vegetale

Elementele fundamentale ale producţiei vegetale sunt: I. Soiul; II. Solul; III. Clima; IV. Raportul
cerereofertă în producţia vegetală. Etapele principale ale tehnologiei producţiei vegetale sunt:
1. Arătura
2. Pregătirea patului germinativ
3. Semănat
4. Combatere buruieni, boli şi dăunători (de cultură şi depozit)
5. Fertilizare
6. Irigare
7. Recoltare-transport-depozitare
În toate aceste etape sunt necesare următoarele resurse:
a) Forţă de muncă
b) Forţă mecanică
c) Energie (motorină, curent electric, uleiuri-lubrifianţi)
d) Ierbicide, insectofungicide
e) Îngrăşăminte chimiceorganice
f) Apă de irigaţie
g) Resurse financiare
Precizăm că resursele financiare acoperă cheltuielile cu resursele a)  f) şi alte cheltuieli
precum taxe şi impozite, asigurări etc. Dintre resursele precedente, ierbicidele şi insectofungicidele
fiind specifice fiecărei culturi, s-au exprimat în lei.
Diferitele forme de energie au următoarele unităţi de măsură:
 motorina se exprimă în litri(l)
 curentul electric se exprimă în kilowaţi oră (kwh)
 conţinutul energetic brut al produselor agricole se exprimă în unităţi nutritive (UN)
1 litru motorină = 10.15 Mcal
1 kwh = 0.86 Mcal
1 UN = 4.04 Mcal
Suprafeţele ce se vor cultiva cu culturile propuse au limite bilaterale, legate de cerereaoferta
faţă de aceste culturi. Veniturile din culturi se obţin transformând în lei valoarea produsului
principal (boabe) şi a celui secundar (paiecoceni) de pe un hectar de cultură iar cheltuielile se obţin
însumând costurile fiecărei etape din tehnologie de la arătură la recoltare-transport-depozitare plus
alte cheltuieli de pe un hectar de cultură.
Profitul este diferenţa între venit şi cheltuieli iar rata profitului este raportul între profit şi
cheltuieli.

Tabelul 1 care urmează, furnizează datele necesare pentru elaborarea micromodelului

structurii optime a culturilor. Pe baza datelor din Tabelul 1 putem elabora 6 modele liniare de
optimizare a structurii culturilor după cum urmează:
I. Optim tehnic (Venit maxim)
II. Optim tehnic (Cheltuieli minime)
III. Optim economic (Profit maxim)
IV. Optim economic (Rata profitului maximă)
V. Optim condiţionat (Venit maxim cu cheltuieli date)
VI. Optim condiţionat (Cheltuieli minime cu venit dat)
Fie L numărul restricţiilor „”, E numărul restricţiilor „=”, C numărul restricţiilor „” deci
avem M  L  E  G restricţii aşezate în ordinea de mai sus. N este numărul variabilelor proprii
ale modelului respectiv.

68
 Pentru modelele V şi VI conţinute în Tabelele 2 şi 3 avem L = 8, E  1 , G  4 deci M =
13 restricţii şi P  4 variabilele proprii x1 , x2 , x3 , x4 respectiv L = 7, E  1 , G  5 deci M = 13
restricţii şi P  4 variabilele proprii x1, x2 , x3 , x4 .
TABEL 1
Culturi Grâu Porumb Floarea Sfeclă Limite
Soarelui de zahăr
Resurse
Motorină(litri/ha) 150 180 190 200 17100 Mcal.
Combatere 50 40 60 80 5000 lei
buruieni, boli şi
dăunători
Îngrăşăminte 150 100 120 140 12500 kg
chimice
Limită MIN (ha) 30 40 10 4 Suprafaţă
Limită MAX (ha) 40 60 20 10 Totală=100 ha
Venit 1200 1500 1200 1800 Total
(lei) ≥ 1365000 lei
Cheltuieli 840 960 990 1050 Total
(lei) ≤ 92000 lei

TABEL 2
Culturi Grâu Porumb Floarea Sfeclă zahăr Semn Limite
soarelui
Restricţii X1 (ha) X2 (ha) X3 (ha) X4 (ha)

1. Grâu MAX 1 0 0 0  40 ha
2. Porumb MAX 0 1 0 0  60 ha
3. Floarea 0 0 1 0  20 ha
soarelui MAX
4. Sfeclă zahăr 0 0 0 1  10 ha
MAX
5. Motorină(litri) 150 180 190 200  17100
litri
6. Combatere 50 40 60 80  5000 lei
buruieni, boli şi
dăunători
7. Îngrăşăminte 150 100 120 140  12500 kg
chimice
8. Cheltuieli (C) 840 960 990 1050  92000 lei
9. Suprafaţa 1 1 1 1 = 100 ha
10. Grâu MIN 1 0 0 0  30 ha
11. Porumb MIN 0 1 0 0  40 ha
12. Floarea 0 0 1 0  10 ha
soarelui MIN
13. Sfeclă zahăr 0 0 0 1  4 ha
MIN
Venit (V) 1200 1500 1200 1800 MAX

69
 TABEL 3
Culturi Grâu Porumb Floarea Sfeclă Semn Limite
soarelui zahăr
Restricţii X1 (ha) X2 (ha) X3 (ha) X4 (ha)

1. Grâu MAX 1 0 0 0  40 ha
2. Porumb MAX 0 1 0 0  60 ha
3. Floarea 0 0 1 0  20 ha
soarelui MAX
4. Sfeclă zahăr 0 0 0 1  10 ha
MAX
5. Motorină (litri) 150 180 190 200  17100 litri
6. Combatere 50 40 60 80  5000
buruieni, boli şi Lei
dăunători
7. Îngrăşăminte 150 100 120 140  12500
chimice Kg
8. Suprafaţa 1 1 1 1 = 100 ha
9. Venituri (V) 1200 1500 1200 1800  136500 lei
(lei)
10. Grâu MIN 1 0 0 0  30 ha
11. Porumb MIN 0 1 0 0  40 ha
12. Floarea 0 0 1 0  10 ha
soarelui MIN
13. Sfeclă zahăr 0 0 0 1  4 ha
MIN
Cheltuieli (C) (lei) 840 960 990 1050 MIN
Modelele liniare de optimizare conţinute în Tabelul 2 (model V) şi Tabel 3 (model VI) se
scriu din punct de vedere matematic sub formă de inecuaţiiecuaţii în ordinea „”, „=”, „” cu
variabile (necunoscute) nenegative şi funcţie-obiectiv optimă (maxmin). Membrii întâi ai
restricţiilor şi funcţia-obiectiv sunt polinoame de gradul întâi în raport cu variabilele respective.
Soluţia optimă a acestui model va fi dată în secţiunea 2.3

2.1.2 Modelul raţiei furajere optime pentru animale domestice

Furajele pentru animale domestice se clasifică în următoarele grupe principale:

1) Fibroase (masă verde, fânuri, furaje murate)
2) Grosiere (paie, vreji, coceni)
3) Concentrate (grăunţe de cereale, boabe de leguminoase, seminţe de oleaginoase)
4) Suculente (rădăcinoase, tuberculi, fructe)
5) Reziduri tehnice (tărâţe, turte, borhot)
6) Furaje de origine animală (făinuri de carne-oase, lapte, zer)
7) Furaje de origine minerală (sare, fosfat dicalcic)
Substanţele nutritive principale prezente în aceste furaje sunt:
a) Substanţa uscată (SU) în kg
b) Unităţi nutritive (UN)
c) Proteina digestibilă (PD) în g
d) Calciu (C) în g
e) Fosfor (P) în g
f) Caroten în mg

70
 Conţinuturile nutritive pe kg furaj se găsesc în Decretul 501982 sau în buletine de analiză
ale laboratoarelor de nutriţia animalelor. Animalele se împart în rase, rasele în grupe şi grupele în
subgrupe. De exemplu, în cadrul rasei taurine există grupa vaci în lactaţie care are subgrupe după
producţii: 4000 litrilactaţie normală, 5000 litrilactaţie normală, 6000 litrilactaţie normală. În
cadrul rasei ovine există grupa oi în lactaţie cu două subgrupe: alăptare miei şi lactaţie. Fiecare
animal domestic în raport cu rasa, grupa şi subgrupa de care aparţine, are anumite cerinţe nutritive
unitare zilnice:
I. Cerinţe pentru funcţii vitale pe 100 kg corp;
II. Cerinţe pentru funcţii de reproducţieproducţie urmărite, pe kg lapte, pe kg spor etc.
De exemplu pentru vaci în lactaţie de 500 kg avem cerinţele nutritive unitare zilnice de mai
jos la care se adaugă şi sare:

Cerinţe unitare SU UN PD Ca P Caroten Sare

(kg) (kg) (g) (g) (mg) (g)
Funcţii vitale 1.6 0.9 60 5 2.6 30 4.6
(100 kg corp)
Un litru lapte/zi, 0.48 0.48 48 2.9 2.4 15 2
(4% grăsime)

Prin înmulţirea funcţiilor vitale cu 5 şi a liniei producţiei de lapte cu 15 litrizi, obţinem

cerinţele zilnice totale pentru o vacă de 500 kg şi 15 litri laptezi:

Cerinţe totale SU UN PD Ca P Caroten Sare

(kg) (kg) (g) (g) (mg) (g)
Funcţii vitale 8 4.5 300 25 13 150 23
(500 kg corp)
15 litri lapte/zi, 7.2 7.2 720 43.5 36 225 30
(4% grăsime)
Total pe 15.2 11.7 1020 68.5 49 375 53
cap şi zi

În mod analog se calculează cerinţele totale pe cap şi pe zi pentru oi în lactaţie de 50 kg şi

0.5 litri laptezi: 1.75 kg SU, 1.4 UN, 130 g PD, 9 g Ca, 5 g P, 15 mg Caroten şi 8 g. sare. Raţiile
furajere diferă după sezon: vară sau iarnă.
De exemplu pentru rumegătoare (vaci, oi, capre) vara se dau furaje masă verde şi
concentrate în timp ce iarna se dau fânuri, grosiere, suculente şi concentrate. Cantităţile de furaje pe
cap şi pe zi au şi limite bilaterale legate de fiziologia digestiei pentru fiecare rasă, grupă şi subgrupă
din care face parte animalul domestic respectiv.
Veniturile din furaje se obţin transformând în lei valoarea produselor zootehnice oferite de
respectivul animal dintr-un kg de furaj iar cheltuielile se obţin însumând costurile de
producerecumpărare, transport, depozitare şi administrare la animale a unui kg de furaj.
Profitul este diferenţa între venituri şi cheltuieli iar rata profitului este raportul între profit şi
cheltuieli. Vom nota venitul cu V, cheltuielile cu C, profitul cu P  V  C şi rata profitului cu
RP  P / C .
Tabelul 4 care urmează, furnizează datele necesare pentru elaborarea micromodelului raţiei
furajere optime pentru o vacă de 500 kg şi 15 litri laptezi în sezonul de iarnă.

71
 TABEL 4
Furaje Fân Porumb Sfeclă Tărâţe Norme
Lucernă Siloz furajeră Grâu nutritive
Resurse zilnice
SU 0.84 0.25 0.13 0.86 15.2 kg
UN 0.48 0.25 0.12 0.77 11.7 UN
PD 122 9 10 108 1020 g
Limită MIN (kg) 10 15 10 1 Greutate raţie
Limită MAX (kg) 15 25 15 3 MAX = 40 kg
Venit (lei) 0.72 0.30 0.24 0.80 Total
≥ 16.2 lei
Cheltuieli (lei) 0.52 0.20 0.18 0.60 Total
≤ 12 lei

Pe baza datelor din tabelul 1, se poate elabora un singur model liniar de optimizare a raţiei
furajere şi anume modelul II (Cheltuieli minime), deoarece venitul din raţia furajeră este funcţie
neliniară în raport cu necunoscutele (cantităţi de furaje (Kg/cap.zi) prezente în raţie. Un model
neliniar pentru raţia furajeră în care intervine venitul neliniar, poate fi găsit în secţiunea 4.4.2
Fie L numărul restricţiilor „”, E numărul restricţiilor „=”, G numărul restricţiilor „” deci
avem M  L  E  G restricţii aşezate în ordinea de mai sus.
P este numărul variabilelor proprii ale modelului respectiv. Pentru modelul conţinut în
tabelul 5 avem L  5 , E  0 , G = 7 deci M = 12 restricţii şi P  4 variabile proprii
x1, x2 , x3 , x4 .

TABEL 5
Furaje Fân Porumb Sfeclă Tărâţe Semn Limite
Lucernă Siloz furajeră Grâu
Restricţii X1 (kg) X2 (kg) X3 (kg) X4 (kg)

1. Fân MAX 1 0 0 0  15 kg
2. Porumb MAX 0 1 0 0  25 kg
3. Sfeclă MAX 0 0 1 0  15 kg
4. Tărâţe MAX 0 0 0 1  3 kg
5. Greutate 1 1 1 1  40 kg
6. SU 0.84 0.25 0.13 0.86  15.2 kg
7. UN 0.48 0.25 0.12 0.77  11.7 UN
8. PD 122 9 10 108  1020 g
9. Fân MIN 1 0 0 0  10 kg
10. Porumb MIN 0 1 0 0  15 kg
11. Sfeclă MIN 0 0 1 0  10 kg
12. Tărâţe MIN 0 0 0 1  1 kg
Cheltuieli (C) 0.52 0.20 0.18 0.60 MIN

Modelul liniar de optimizare conţinut în Tabelul 5, se scrie din punct de vedere matematic
sub formă de inecuaţiiecuaţii în ordinea „”, „=”, „” cu variabile (necunoscute) nenegative şi
funcţie-obiectiv optimă (maxmin). Membrii întâi ai restricţiilor şi funcţia-obiectiv sunt polinoame
de gradul întâi în raport cu variabilele respective.
Soluţia optimă a acestui model va fi dată în secţiunea 2.3

72
 2.1.3 Modelul rotaţiei optime a culturilor vegetale

Monocultura este sistemul de amplasare a aceleiaşi culturi pe aceeaşi parcelă cel puţin doi
ani consecutivi. În acest caz în respectiva parcelă proliferează buruienile, bolile şi dăunătorii
specifici aceleiaşi culturi iar producţia culturii scade.
De exemplu mazărea, inul de ulei, lucerna şi trifoiul în monocultură duc la oboseala solului.
Rotaţia culturilor este sistemul de amplasare a unei culturi în parcele diferite în doi ani consecutivi.
În acest caz cultura succesoare luptă mai bine cu buruienile, bolile şi dăunătorii rămaşi de la cultura
premergătoare, acestea nefiind specifice culturii succesoare. Există culturi cum este floarea soarelui
care poate reveni în aceeaşi parcelă după minimum 5 ani.
Relaţia premergătoare-succesoare diferă de la caz la caz în ceea ce priveşte favorabilitatea.
Astfel o bună premergătoare pentru o succesoare, asigură pentru aceasta din urmă producţii şi
venituri mai mari şisau cheltuieli mai mici. De exemplu leguminoasele (mazărea, fasolea, soia,
lintea) sunt bune premergătoare deoarece lasă în sol îngrăşăminte cu azot pe nodozităţile rădăcinilor
datorate bacteriilor fixatoare de azot. Bune premergătoare sunt şi prăşitoarele deoarece praşilele
sunt mijloace mecanice de luptă cu buruienile.
O rea premergătoare pentru o succesoare secătuieşte solul în acele substanţe nutritive de
care ar avea nevoie în cantităţi mari şi succesoarea. De exemplu tutunul nu este bun premergător
pentru sfecla de zahăr. Elementele modelului rotaţiei optime a culturilor, sunt următoarele:
a) Necunoscutele xi sunt suprafeţe ce se vor cultiva cu succesoare după diferite
premergătoare.
b) Restricţiile sunt de mai multe feluri:
 restricţii bilaterale pentru succesoare;
 ocuparea întregii suprafeţe cu succesoare;
 suprafeţele cu premergătoare s-au ocupat integral de către acestea.
c) Funcţiile economice sunt ca de obicei Venit, Cheltuieli, Profit, Rata profit care vor da
modelele I-IV.
Mai există şi optimul V (venit maxim cu cheltuieli date) şi optimul VI (cheltuieli minime cu
venit dat) deci optime condiţionate. L este numărul restricţiilor „”, E este numărul restricţiilor „=”
iar G este numărul restricţiilor „” deci avem M  L  E  G restricţii şi N variabile proprii.
Tabelul 4 de mai jos conţine datele necesare pentru a elabora cele 6 modele precedente. Nu
se admite monocultură iar cheltuielileveniturile unei succesoare sunt influenţate de premergătoarea
pe care o înlocuieşte.
În căsuţa de la intersecţia liniei succesoare cu coloana premergătoarei, în partea de deasupra
sunt veniturile iar în partea de dedesupt sunt cheltuielile. Pentru modelele V şi VI conţinute în
tabelele 5 şi 6, avem L = 4, E  4 , G = 3 deci M = 11 restricţii şi P = 7 variabile proprii, respectiv
L= 3, E  4 , G = 4 deci M = 11 restricţii şi P = 7 variabile proprii x1 , x2 , ... , x7 .

73
 TABEL 6
Premergătoare Limita Limita
Grâu Porumb Soia
succesoare ↓ MIN (ha) MAX (ha)

X 1200 1300
Grâu 30 50
800 700

Venit 1600
1500 lei
Porumb X 40 60

Cheltuieli 900
1000

1800 1900 2000

Sfeclă
1200 1100 1000 4 15
de zahăr

2000 1900 1800

Cheltuieli Venituri
Suprafeţe cu
40 ha 50 ha 5 ha Totale (lei) Totale (lei)
premergătoare
≤ 94000 lei ≥ 141000 lei
TABEL 7
PREMERGĂTOARE GRÂU PORUMB SOIA
Porumb Sfeclă Grâu Sfeclă Grâu Porumb Sfeclă
SEMN

SUCCESOARE zahăr zahăr zahăr

X1 (ha) X2 (ha) X3 (ha) X4 (ha) X5 (ha) X6 (ha) X7 (ha) LIMITE
RESTRICŢII ↓
1. Grâu MAX 0 0 1 0 1 0 0  50 ha
2. Porumb MAX 1 0 0 0 0 1 0  60 ha
3. Sfeclă de zahăr 0 1 0 1 0 0 1  15 ha
MAX
4. Cheltuieli (C) 1000 1200 800 1100 700 900 1000  94000 lei
5. SUPRAFAŢĂ 1 1 1 1 1 1 1 = 100 ha
6. SUPRAFAŢĂ 1 1 0 0 0 0 0 = 45 ha
Grâu premergător
7. SUPRAFAŢĂ 0 0 1 1 0 0 0 = 50 ha
Porumb
premergător
8. SUPRAFAŢĂ 0 0 0 0 1 1 1 = 5 ha
Soia premergător
9. Grâu MIN 0 0 1 0 1 0 0  30 ha
10. Porumb MIN 1 0 0 0 0 1 0  40 ha
11. Sfeclă zahăr 0 1 0 1 0 0 1  4 ha
MIN
Venituri (V) 1500 1800 1200 1900 1300 1600 2000 MAX

74
 TABEL 8
PREMERGĂTOARE GRÂU PORUMB SOIA
Porumb Sfeclă Grâu Sfeclă Grâu Porumb Sfeclă

SEMN
SUCCESOARE zahăr zahăr zahăr
X1 (ha) X2 (ha) X3 (ha) X4 (ha) X5 (ha) X6 (ha) X7 (ha) LIMITE
RESTRICŢII ↓
1. Grâu MAX 0 0 1 0 1 0 0  50 ha
2. Porumb MAX 1 0 0 0 0 1 0  60 ha
3. Sfeclă zahăr 0 1 0 1 0 0 1  15 ha
MAX
4. SUPRAFAŢĂ 1 1 1 1 1 1 1 = 100 ha
5. SUPRAFAŢĂ 1 1 0 0 0 0 0 = 45 ha
Grâu premergător
6. SUPRAFAŢĂ 0 0 1 1 0 0 0 = 50 ha
Porumb
premergător
7. SUPRAFAŢĂ 0 0 0 0 1 1 1 = 5 ha
Soia premergător
8. Venituri (V) 1500 1800 1200 1900 1300 1600 2000  140000
lei
9. Grâu MIN 0 0 1 0 1 0 0  30 ha
10. Porumb MIN 1 0 0 0 0 1 0  40 ha
11. Sfeclă zahăr 0 1 0 1 0 0 1  4 ha
MIN
Cheltuieli (C) 1000 1200 800 1100 700 900 1000 MIN

Cele 2 modele liniare de optimizare conţinute în Tabelul 7 (Modelul V) şi Tabelul 8

(Modelul VI) se scriu din punct de vedere matematic sub formă de inecuaţiiecuaţii în ordinea „”,
„=”, „” cu variabilele (necunoscute) nenegative şi funcţie-obiectiv optimă (maxmin).
Soluţia optimă a acestui model va fi dată în secţiunea 2.3

2.2 Dualitatea modelelor liniare de optimizare

Modelele liniare din secţiunea precedentă conduc la extreme de funcţii liniare cu legături
liniare:
a11 x1  ...  a1P xP  b1


aL1 x1  ...  aLP xP  bL

aL1,1 x1  ...  aL1,P xP  bL1

1 
a x  ...  aLE,P xP  bLE
 L E,1 1
aL E 1,1 x1  ...  aL E 1,P xP  bLE 1


aL E G,1 x1  ...  aLE G,P xP  bL E G
 2  x1, ... , xP  0
 3 f  c1 x1  ...  cP xP  Optim

75
 Fie M  L  E  G . Avem M  P restricţii liniare şi P necunoscute proprii x1, ... , xP .
 AL   BL   x1   c1 
        unde submatricea A are L linii şi
Cu notaţiile: A   A E  ; B   BE  ; X  ; C
    L
A  B  x  c 
 G  G  P  P
P coloane, submatricea A E are E linii şi P coloane, submatricea A G are G linii şi P coloane iar
subvectorul-coloană BL are L componente, subvectorul-coloană BE are E componente şi
subvectorul-coloană BG are G componente, modelul liniar (1)  (3) capătă forma matricială:

 A L  X  BL

 4  A E  X  BE
A  X  B
 G G

 5 X  0
 6 f  CT  X  Optim

Aici C   c1 ,..., cP  este transpusul vectorului-coloană C. Presupunem că rang  A   M

T

(restricţiile (1) sunt liniar independente). Prin introducerea a M variabile de egalizare:

xe1, ... , xeL , xeL1,..., xeLE , xeLE1, ... , xeM modelul liniar (1)  (3) capătă forma standard:

a11 x1  ...  a1P xP  xe1  b1



aL1 x1  ...  aLP xP  xeL  bL

aL1,1 x1  ...  aL1,P xP  xeL1  bL1

7 
a x  ...  aL E,P xP  xeL E  bLE
 L E,1 1
aL E 1,1 x1  ...  aL E 1,P xP  xeLE 1  bLE 1


aM1 x1  ...  aMP xP  xeM  bM
8  x1 , ... , xP ; xe1 , ... , xeM  0
9 f  c1 x1  ...  cP xP  0  xe1  ...  0  xeM  Optim

Cu notaţia N  P  M , xP1  xe1 , ... , xN  xeM şi:

 a11 a1N   b1   x1   c1 
A   ; B   ; X   ; C   
      
a      c 
 M1 aMN   bM   xN   N

76
avem forma matricială a modelului liniar standard (7)  (9):
10  AX  B
11 X0
12  f  CT  X  Optim

Fie x10,…, xp0 componente ale soluţiei optime pentru modelul (10) - (12).
Structura în procente a valorii optime foptim se calculează astfel:
s1 = (c1* x10* 100)/foptim (%),…, sp = (cp* xp0* 100)/foptim (%)
Modelul standard (10)  (12) numit primal are M restricţii şi N  P  M necunoscute:
x1,..., xP ; xe1,..., xem .

 a11   a12   a1N 

Fie A1 
  ; A2 
  ; ...; A N 
  vectorii-coloană din matricea A. Sistemul de
     
a  a  a 
 M1   M2   MN 
restricţii liniare (10) de forma AX  B se poate scrie sub forma: x1A1  ...  xN A N  B
Modelul liniar (1)  (3), numit şi model primal, admite un model liniar dual de forma:

a11y1  ...  aL1y L  aL1,1y L1  ...  aLE,1y LE  aL E 1,1y LE 1  ...  aM1y M  c1

13 
a y  ...  a y  a y  ...  a
 1P 1 LP L L+1,P L 1 L+E,P y L  E  aL  E 1,P y L  E 1  ...  aMP y M  cP

14  y1,..., y L  0, y L1,..., yL+E  oarecare, y L+E+1,..., y M  0

15 g  b1y1  ...  bL yL  bL+1yL+1  ...  bL+E y L+E  bL+E+1y L+E+1  ...  bM y M  min im
Pentru g maxim, semnele „” din cele M restricţii (13) se vor înlocui cu „”. Modelul dual
(13)  (15) cu P restricţii şi M necunoscute duale proprii y1 , ... , yM devine standard prin
introducerea a P variabile duale de egalizare: ye1, ... , yeP . Modelul dual standard are forma:

a11y1  ...  aM1y M  ye1  c1


16  
a y  ...  a y  ye  c
 1P 1 MP M P P

17  y1,..., yL  0, yL+1,..., y L+E  oarecare, y L+E+1,..., y M  0; ye1,..., yeP  0

18 g  0  ye1  ...  0  yeP  b1y1  ...  bM y M  min im
Pentru g maxim, pe ultima coloană a membrului I al restricţiilor (16) vom avea:
+ye1, ... , +yeP . Modelul standard dual (16)  (18) are forma matricială:

77
19  AT  Y  C
 20  Y  oarecare
 21 g  BT  Y  optim dual
Aici Y oarecare este dat de (17) iar optimul dual este minim pentru f maxim şi maxim pentru
f minim. Modelul standard dual are P restricţii şi N  P  M necunoscute: ye1, ... , yeP ;
y1, ... , yM .
Exemplu:
Fie problema de optimizare primală:
4x1 + x2 ≤ 5
3x1 + 2x2 = 7
2x1 + 3x2 ≥ 10
x1,x2 ≥ 0
----------------------
f = 6x1 + 3x2 = maxim

În acest model primal avem P = 2 necunoscute proprii x1, x2 şi M = 3 restricţii.

În modelul dual avem M = 3 necunoscute proprii y1, y2, y3 şi P = 2 restricţii.
Luând coeficienţii de pe coloanele modelului primal, obţinem modelul dual:
4y1 + 3y2 + 2y3 ≥ 6
y1 + 2y2 + 3y3 ≥ 3
y1 ≥ 0; y2 = oarecare; y3 ≤ 0
-----------------------------------
g = 5y1 + 7y2 + 10y3 = minim

Se numesc concordante, restricţiile “≤“ cu fmaxim şi restricţiile “≥“ cu fminim.

Se numesc neconcordante, restricţiile “≥“ cu fmaxim şi restricţiile “≤“ cu fminim.

Restricţiile concordante din modelul primal corespund cu variabile duale proprii nenegative
în modelul dual iar restricţiile neconcordante din modelul primal corespund cu variabile proprii
nepozitive în modelul dual. Restricţiile egalităţi în modelul primal corespund cu variabile duale
proprii oarecare în modelul dual.
În modelul primal de mai sus prima restricţie este concordantă cu f deci y1 ≥ 0, a doua
restricţie este egalitate deci y2 este oarecare iar a treia restricţie este neconcordantă cu f deci y3 ≤ 0.
În modelul primal avem x1, x2 ≥ 0 deci în modelul dual restricţiile trebuie să fie concordante
cu gminim deci trebuie să fie de forma “≥“. Dacă în modelul primal am fi avut fminim atunci în modelul
dual am fi avut gmaxim deci cele două restricţii din modelul dual, concordante cu gmaxim, ar fi fost de
forma “≤“.
Ca şi modelul liniar primal, modelul liniar dual are soluţii posibile, bazice, optime.

Proprietăţi ale dualităţii:

Teorema 2.1 (Teorema de dualitate)

Fie problemele:

78
 Primala Duala
AX  b AT Y  c
X0 Y0
f  c T X  min im g  b T Y  max im

Avem unul din cazurile:

1) Primala şi duala au soluţii posibile deci au şi soluţii optime şi optimele lor coincid:
f min im  gmax im
2) Primala are soluţii posibile iar duala nu are soluţii posibile sau invers. În acest caz problema
care are soluţii posibile are optim infinit: f min im   ; gmax im  
3) Primala şi duala nu au soluţii posibile

Demonstraţie:
Folosim următoarea consecinţă a lemei Farkaş-Minkovski (fără demonstraţie): dacă U este o
 UZ  0
matrice antisimetrică (cu U  U ) sistemul de inecuaţii liniare: 
T
are cel puţin o soluţie
 Z  0
 0 A T c   X 
   
Z cu UZ  Z  0 . Luăm: U   A 0 b  şi Z   Y  cu tR deci avem:
 c T bT 0   t 
  

 X   X   X   X 
       
U   Y   0 ; Y
   0 ; U  Y   Y   0
 t   t   t   t 
       
 
sau: A Y  tc  0 ; AX  tb  0 ; c X  b Y  0 ; X ,Y , t  0 ;
T   T  T 

X  AT Y  tc  0 ; AX  Y  tb  0 ; cT X  bT Y  t  0 .

Cazuri
 1 1
a) t  0 deci cu notaţiile X  X ; Y  Y relaţiile precedente devin: AT Y  c ;
t t
AX  b ; cT X  bT Y ; X,Y, t  0 ; AT Y  X  c ; AX  Y  b ; cT X  bT Y  1. De aici
rezultă că X, Y sunt soluţii posibile ale problemei primale respectiv duale. Ele sunt chiar soluţii
optime. Înmulţind AX  b cu Y  0 obţinem Y AX  b Y şi înmulţind Y A  c cu
T T T T T

 1
X  0 obţinem bT Y  cT X . Dar mai sus am găsit că cT X=bT Y aşa că deci pentru X  X ,
t
 1
f  cT X îşi atinge minimul şi pentru Y  Y , g  bT Y îşi atinge maximul şi aceste extreme
t
coincid, X, Y fiind deci soluţii optime. Cazul 1) al teoremei este demonstrat.

79
b) t  0 . În acest caz relaţiile precedente devin: AT Y  0 ; AX  0 ; cT X  bT Y ;
X ,Y  0 ; X  AT Y ; Y  AX ; cT X  bT Y . De aici rezultă că primala şi duala nu au
simultan soluţii posibile. În adevăr, dacă prin absurd primala ar avea soluţia posibilă X ' iar duala
ar avea soluţia posibilă Y ' am avea: AX'  b ; X'  0 şi A Y'  c ; Y'  0 deci cu relaţiile de
T

bT Y   AX' Y  X'T  AT Y   0
T
mai sus, am obţine: şi respectiv

bT Y  cT X   AT Y' X  (Y')T  AX   0 deci o contradicţie. Dacă primala şi duala nu

T

au simultan soluţii posibile, avem subcazurile:

b) Una din problemele duale are soluţii posibile iar cealaltă nu are. Fie de exemplu situaţia
când primala are soluţia posibilă X ' iar duala nu are soluţie posibilă. În acest caz şi
X' λX cu λ  0 este soluţie posibilă a primalei: X ,X',λ  0 implică X' λX  0 şi
în plus A  X' λX   AX' λAX  b deoarece AX'  b şi de mai sus avem:
 

AX  0 . Avem de mai sus : cT X  bT Y   AX'  Y  X'T ATY  0 deoarece

T

 
X'T  0 şi AT Y  0 deci funcţia-obiectiv f  cT X' λX  cT X' λcT X tinde la
 pentru λ   deci primala are optim infinit. Cazul 2) este demonstrat.

b") Nici primala nici duala nu au soluţii posibile. Cazul 3) este demonstrat. Q.E.D.

Teorema 2.2 (a ecarturilor complementare)

Fie X soluţie posibilă a problemei primale:

AX  b
X0
f  c T X  min im
şi fie Y soluţie posibilă a problemei duale:
AT Y  c
Y0
f  bT Y  max im
X, Y sunt soluţii optime pentru primală respectiv pentru duală dacă şi numai dacă:
a) YT   AX  b   0 şi
b) c  A Y  X  0
T

Demonstraţie:
Dacă X, Y sunt soluţii optime pentru primală respectiv pentru duală, atunci conform teoremei de
 A Y
T
dualitate 2.1 cazul 1), avem: c X  b Y şi cum
T T T
 YT A şi bT Y  YT b , rezultă:
YT  AX  b    c  AT Y   X  0 .
T
Însă AX  b ; AT Y  c ; X, Y  0 aşa că:

YT  AX  b   0 şi  c  AT Y  X  0 deci în final YT  AX  b   0 şi  c  AT Y  X  0 .
T T

80
  AX  b   0 c  A Y
T
Reciproc, dacă Y
T
şi
T
X  0 prin adunare, după reducerea lui
YT AX   AT Y  X şi cu YT b  bT Y, rezultă că cT X  bT Y  0 deci cT X  bT Y aşa că
T

conform punctului a) din demonstraţia teoremei de dualitate 1.1, rezultă că X, Y sunt soluţii optime
pentru primală respectiv duală. Q.E.D.

Observaţie:
Relaţiile din teorema ecarturilor complementare 6.2, numite şi condiţiile Kuhn-Tucker se scriu:
a) AiT X  bi  yi  0  i  1, ... , m 
b) YT A j  c j  x j  0  j  1, ... , n 
În adevăr, relaţiile din teorema ecarturilor complementare1.2, se scriu:
y1  A1T X  b1   ...  yn  ATmX  bm   0;
x1  c1  yT A1   ...  xn  cn  YT An   0.
şi cum termenii din cele două sume sunt mai mari sau egali cu zero, rezultă că toţi termenii trebuie
să fie zero:
yi  AiT X  bi   0  i  1, ... , m 
x j  c j  YT A j   0  j  1, ... , n 
de unde rezultă cele afirmate în enunţul din observaţie.

Teorema 2.3

Fie X o soluţie optimă a primalei:

AX  b
X0
f  c T X  min im
şi fie Y o soluţie optimă a dualei:
AT Y  c
Y0
g  bT Y  max im
Avem relaţiile:
g
a) xj   j  1, ... , n 
c j
f
b) yi   i  1, ... , m 
bi

Demonstraţie:
Modificăm componentele lui b în b '  b  b astfel ca, componentele bazice ale lui X să
rămână aceleaşi, modificându-se doar valoarea lor deci obţinem o nouă soluţie optimă X

81
corespunzătoare tot lui Y. Conform teoremei de dualitate 2.1, cazul 1) avem: c X  b Y ;
T T

f
cT X'=  b+b  Y aşa că f  cT X'  cT X=  b  Y deci: Y 
T T
adică pe componente:
 b 
T

f
yi   i  1, ... , m 
bi
g
Relaţiile x j   j  1, ... , n  se demonstrează în mod analog.
c j
În concluzie, variabilele yi măsoară variaţia funcţiei-obiectiv a primalei Δf provocată de
variaţia unitară a limitelor de restricţie Δbi = 1. Din această cauză variabilele duale y i se numesc
preţuri-umbră sau costuri de oportunitate.
Interpretarea variabilelor primale xi este analoagă. Q.E.D.

2.3 Găsirea soluţiilor optime pentru modelele primal şi dual cu metoda simplex
Din cele prezentate în secţiunea 1.5 rezultă că, cunoaşterea soluţiilor bazice optime permite
găsirea oricărei soluţii optime. De regulă modelele liniare au o singură soluţie optimă care este
N  N  1 ... N  M  1
obligatoriu bazică. Numărul soluţiilor bazice este cel mult: C N 
M

1  2...M
De exemplu pentru modelul raţiei furajere optime ca şi pentru modelul structurii optime a
20 19 18 17
20  C20 
C16  4845 soluţii bazice în timp ce pentru
4
culturilor avem cel mult:
1 2  3  4
modelul rotaţiei optime a culturilor avem cel mult C13 23  C23  1144066 soluţii bazice.
10

Căutarea exhaustivă a soluţiei bazice optime este laborioasă, de aceea a fost elaborată o
metodă mai rapidă de optimizare numită metoda simplex. Această metodă pleacă de la o soluţie
bazică iniţială pe care o schimbă cu una mai bună (pentru care funcţia f se apropie de optimul ei), pe
aceasta o schimbă cu una mai bună etc. până se ajunge la o soluţie bazică optimă.
Prin aceasta se evită inspectarea soluţiilor bazice mai puţin bune ca soluţia bazică iniţială; în
plus la trecerea de la o soluţie bazică la alta mai bună, se schimbă o componentă bazică cu acea
componentă nebazică care asigură cea mai mare variaţie a funcţiei f, deci se micşorează în mod
semnificativ volumul de calcul.

1) Probleme de optimizare cu soluţie bazică iniţială

Fie problema de optimizare de forma:
a11 x1  ...  a1 p x p  b1

am1 x1  ...  amp x p  bp

x1 ,..., x p  0
f  c1 x1  ...  c p x p  max im
Forma standard a problemei este:

82
a11 x1  ...  a1 p x p  x p 1  b1

am1 x1  ...  amp x p  ......  x p m  bp

x1 ,..., x p ; x p 1,..., x p m  0
f  c1 x1  ...  c p x p  0  x p 1  ...  0  x p m  max im

Această problemă are soluţia bazică particulară iniţială:

X    x1  0,...x p  0; x p1  b1,..., x pm  bp 
0

Notăm mai departe p  m  n şi aranjăm datele problemei în tabelul simplex iniţial de mai
jos. Coloana C B conţine coeficienţii din f ai variabilelor bazice, coloana VB conţine variabilele
bazice iar coloana X B valorile variabilelor bazice. În restul tabelului se trec coeficienţii
c1, ... , c p , c p1, ... , cn ai variabilelor din f pe linia C f şi coeficienţii aij ai matricii
A   B/ E  din restricţiile formei standard.
Pe ultima linie a tabelului se găsesc valoarea iniţială a funcţiei f  CB  b şi diferenţele
  CB  A  c   CBB  c; 0  .

Cf c1 -------- cp Cp+1 -------- cn

CB VB XB x1 -------- xp Xp+1 -------- xn 
cp+1 xp+1 b1 a11 -------- a1p 1 -------- 0
--------

--------

--------

--------

--------

--------

--------
B E
cn xn bp ap1 -------- app 0 -------- 1
 f 1 -------- p 0 -------- 0 k

Forma finală din ultimul tabel simplex a soluţiei bazice optime a primalei va fi:
X   B1b; 0  , a soluţei bazice optime a dualei va fi: Y   0; CBB1  , a matricii va fi:
A   E / B1  .
Deasemenea valoarea optimă a funcţiei va fi: f max  g min  CBB1b iar diferenţele
   0; CBB1   c  Y  c . De aici rezultă Y    C deci soluţia bazică optimă a dualei se
obţine din ultimul tabel simplex, adunând diferenţele Δ din acest ultim tabel cu coeficienţii c de
deasupra primului tabel, aflaţi în dreptul variabilelor bazice ale primului tabel simplex.
Trecerea de la un tabel simplex la tabelul următor se face conform teoremei:

Teorema 2.4 (Criteriul de optim)

Avem cazurile:
I Toate diferenţele Δ sunt  0 în probleme de maxim (toate diferenţele Δ sunt  0 în probleme
de minim). În acest caz soluţia bazică corespunzătoare este optimă.

83
II Există diferenţe   0 în probleme de maxim (există diferenţe   0 în probleme de
minim). Fie  k diferenţa cea mai negativă în probleme de maxim (  k diferenţa cea mai pozitivă în
probleme de minim). Această alegere a lui  k asigură cea mai rapidă apropiere a lui f de optimul
său.
Avem subcazurile:
a) Toate elementele coloanei lui  k sunt: a1k  0,..., a pk  0 . În acest caz problema are
optim infinit.
xi x
b) Există pe coloana lui  k elemente aik  0 . În acest caz, notând: θ  min  h , ahk
aiK 0 a ahk
ik
se numeşte pivot şi se încercuieşte în tablou.
Ca pivoţi se aleg totdeauna elemente strict pozitive pentru ca f să se apropie de optimul ei
(dacă pivotul ar fi zero, θ ar fi infinit iar dacă pivotul ar fi negativ, am avea θ  0 deci f s-ar depărta
de optimul ei).
Variabila xh de pe linia pivotului devine nebazică şi variabila xk de pe coloana pivotului
devine bazică, marcându-se cu săgeţi această schimbare. Soluţia bazică cu componentele nenule din
coloana X B se îmbunătăţeşte, transformând întregul tablou cu regula dreptunghiului:
1) elementele de pe linia pivotului se împart la pivot;
2) elementele de pe celelalte linii se înmulţesc cu pivotul, din produs se scade produsul
elementelor diagonalei a II a a dreptungiului iar diferenţa obţinută se împarte la pivot.
Aplicând regula dreptungiului pentru valoarea funcţiei f avem relaţia: f '  f  θ   hk .
Tot regula dreptunghiului se aplică şi pentru calculul diferenţelor Δ.

Demonstraţie:
Cazul I)
 
Fie X   x1 ,..., xn  soluţia bazică din enunţ şi X'  x1 ,..., xn o altă soluţie bazică.
' '

Să arătăm că pentru o problemă de maxim, în condiţiile cazului I) avem c X'  C X deci X este
T T

soluţie bazică optimă. Avem:

A1  a11A p 1  ...  a p1A n


             
A  a A  ...  a A
 p 1p p 1 pp n

unde A1 ,...,A p , A p1,...,A n sunt vectorii-coloană ai matricii A. De asemenea avem:

b  x p1A p1  ...  xn An deoarece x1  ...  x p  0 (componente nebazice). Însă:

b  x1' A1  ...  x 'p A p  x 'p 1A p 1  ...  xn' A n 

 x1'  a11A p 1  a p1A n   ...  xn'  a1 p A p 1  a pp A n   x 'p 1A p 1  ...  xn' A n 
  a11 x1'  ...  a1 p x 'p  x 'p 1  A p 1  ...   a p1 x1'  ...  a pp x 'p  xn'  A n

Egalând cele două valori ale lui b şi ţinând cont că A p1 , ... , An formează o bază în Rm, rezultă:

84
 a11x1'  ...  a p1x 'p  x 'p1  x p1

               
a x'  ...  a x '  x '  x
 1p 1 pp p n n

Vom avea:
CT  X  c p 1 x p 1  ...  cn xn 
 c p 1  a11 x1'  ...  a1 p x 'p  x 'p 1  

 cn  a p1 x1'  ...  a pp x 'p  xn'  
 x1'  c p 1a11  ...  cn a p1  

 x 'p  c p 1a1 p  ...  cn a pp  
 x 'p 1c p 1  ...  xn' cn

1   c p 1a11  ...  cn a p1   c1  0



Dar:                   aşa că rezultă:

 p   c p 1a1 p  ...  cn a pp   c p  0

CT  X  x1' c1  ...  x'pc p  x'p1c p1  ...  xn' cn  CT X'

Cazul II a)

Avem: b  x p1A p1  ...  xn An şi ak  a1k Ap1  ...  apk An deci pentru orice λ  0 avem:

b   x p1  λa1k  A p1  ...   xn  λapk  An   λa1k  A p1  ...   λapk  A n deci avem şi
 x j  λa jk , j  p  1,..., n


soluţia posibilă X'  x1 ,..., xn
' '
 cu x j  λ
'
, jk
0 , j  1,..., p, j  k

Avem:

85
 
CT  X'  λck   x p+1  λa1k  c p1  ...   xn  λamk   cn  
  x p 1c p 1  ...  xn cn   λ  c p 1a1k  ...  cn a pk   ck 
 
Cum  k  c p1a1k  ...  cn a pk  ck  0 pentru o problemă de maxim, rezultă că pentru 
suficient de mare, C  X' poate fi oricât de mare deci problema are optim infinit.
T

Cazul II b)
Xh a
După aplicarea regulei dreptunghiului: X k 
'
; xi  xi  ik X h
'
i  k  obţinem o nouă
ahk ahk
 
soluţie bazică X'  x1 ,..., xn . În adevăr, xh  0 , ahk  0 deci X'k  0 . Deasemenea
' '

Xi X h
Xi ,Xh  0 , ahk  0 deci dacă aik  0 avem din definiţia lui θ:  deci din nou
aik ahk
xi'  0  i  k  . În plus AX'  b deoarece: x1' A1  ...  xk' Ak  ...  xn' An  b adică:
 a1k  x  a 
 x1  xh  A1  ...  h Ak  ...   xn  nk xh  A n  b
 ahk  ahk  ahk 
sau:
xh
x1A1  ...  xn A n  A k   a1k A1  ...  ank A n    x1A1  ...  xn A n  b
ahk 
deoarece Ak  a1k A1  ...  ank An . Pentru noua soluţie bazică găsită X ' avem:
 a  x  a 
CT X '  c1 x1'  ...  ck xk'  ...  cn xn'  c1  x1  1k xh   ...  ck h  ...  cn  xn  nk xh  
 ahk  ahk  ahk 
x x
 c1 x1  ...  cn xn  h  c1a1k  ...  cn ank   ck   CT X  h  k
ahk ahk

adică: f '  f  θ   k
În cazul problemei de maxim avem θ  0 ,  k  0 deci f '  f aşa că soluţia se
îmbunătăţeşte.
În cazul problemei de minim avem θ  0 ;  k  0 deci f '  f aşa că soluţia se
îmbunătăţeşte. Q.E.D.

Exemplu:
Fie problema de optimizare:
4 x1  x2  4
2 x1  3x2  6
x1 , x2  0
f  6 x1  7 x2  max im

Forma standard a problemei este:

86
 4 x1  xe1  4
2 x1  3xe2  6
x1 , x2 ; xe1 , xe2  0
f  6 x1  7 x2  0  xe1  0  xe2  max im

Problema are soluţia bazică iniţială: X

 0
  x1  0; x2  0; xe1  4; xe6  6  iar valoarea
iniţială a funcţiei-obiectiv este f 0  0 . Avem trei tablouri simplex rezultate din aplicarea teoremei
2.4:

↓ ↓
Cf 6 7 0 0
CB VB XB x1 x2 xe1 xe2 
0 xe1 4 4 1 1 0 6
7
→ 0 xe2 6 2 3 0 1  min
3
Δ f1 = 14 -6 -7 0 0 Δk = -7
6
→ 0 xe1 2
10
0 1 
1  min
3 3 10

2 1
7 x2 2 1 0 3
3 3
4
Δ f0 = 0 
4
0 0
7 k  
3 3 3

6 3 1
6 x1 1 0 
10 10 10
16 2 4
7 x2 0 1 
10 10 10
4 22
Δ f2 = 14.8 0 0 0
10 10

Soluţia bazică optimă a primalei: x1  0.6 ; x2  1.6

Valoarea maximului f max im  14.8
Problema duală are forma:

87
 4y1  2y 2  6
y1  3y 2  7
y1 , y 2  0
g  4y1  6y 2  min im
Soluţia bazică optimă a dualei este:
4
y1  3  c3   0  0.4
10
22
y 2   4  c4   0  2.2
10
Valoarea minimă a funcţiei-obiectiv duale este gmin im  14.8  f max im

2) Problema de optimizare fără soluţie bazică iniţială

Dacă problema de optimizare sub forma standard nu are o soluţie bazică iniţială, se adaugă
în membrul I al restricţiilor care nu conţin variabile bazice, variabile auxiliare care sunt şi bazice şi
se minimizează suma h a variabilelor auxiliare.
Dacă acest minim este zero, nici o variabilă auxiliară nu mai este bazică şi avem o soluţie
bazică iniţială care se optimizează în raport cu funcţia-obiectiv f.
Exemplu:
Fie problema de optimizare:
x1  2 x2  3x3  12
3x1  x2  4 x3  8
x1 , x2 , x3  0
f  6 x1  7 x2  10 x3  max im
Nici una din restricţii nu conţine variabile bazice deci vom adăuga în membrul I al restricţiilor,
variabilele auxiliare xa1 , xa2 care sunt şi bazice şi vom minimiza funcţia h  xa1  xa2 :
x1  2 x2  3x3  xa1  12
3x1  x2  4 x3  xa2  8
x1 , x2 , x3 ; xa1 , xa2  0
h  xa1  xa2  min im