Documente Academic
Documente Profesional
Documente Cultură
Pagina
CUVÂNT ÎNAINTE……………………………………………………………………………….….7
8.1 Rolul derivatelor parţiale de ordinul unu şi doi în studiul funcţiilor de n variabile reale………232
8.2 Extreme libere ale funcţiilor de n variabile reale……………………………………………….235
8.3 Extreme cu legături ale funcţiilor de n variabile reale………………………………………….247
8.4 Metoda Newton-Raphson pentru rezolvarea sistemelor neliniare……………………………….254
8.5 Rezumat………………………………………………………………………………………….257
8.6 Întrebări…………………………………………………………………………………………..257
8.7 Bibliografie……………………………………………………………………………………….257
BIBLIOGRAFIE GENERALĂ………………………………………………………………………361
9
Obiective : Însuşirea de către studenţi a operaţiilor cu vectori şi matrici precum şi aplicaţiile lor
în geometria spaţiului euclidian R3 .
Conţinut :
1.4 Rezumat
1.5 Întrebări
1.6 Bibliografie
Exemple
1) π 3.1412...
2) e 2.718...
3) 2 1.414...
4) ln 3 1.09861...
5) sin 37 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
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)
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
12
2) Înmulţirea vectorilor cu scalari
Fie a a1 ,..., an Rn şi αR. 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:
Teorema 1.2
Exemple
1
i) p
d p a, b b1 a1 ... bn an
p
p
ii) d a , b max bi ai
1i n
Dacă P(x) = a0xn +a1xn-1+…+an şi Q(x) = b 0xn +b1xn-1+…+bn avem produsul scalar :
P*Q = a0b 0+a1b1+…+anbn
Dacă A = (aij) , B = (bij) sunt matrici de tip mxn , avem produsul scalar :
m n
A B a ij bij
i 1 j1
4) Mulţimea fumcţiilor 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
Demonstraţie
1) Pentru orice λ R avem ( a + λb)*(a + λb ) ≥ 0 adică:
R
0
Fie M a şi N b imaginile vectorilor a,bR2 .
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.
Soluţie
1) 2a 3b 2 1;0;4 3 2;3;0 2;0;8 6;9;0 4;9;8
2
2) a 1 02 42 17 ; b 22 32 02 13 ;
d a, b 2 1 3 0 2 2 2
0 4 34
3) a * b 1 2 0 3 4 0 2
a*b 2 2
4) cosθ
a b 17 13 221
2 2 2
5) S a b a * b 221 2 217
Pentru calculul ariilor şi volumelor se folosesc produsul vectorial şi produsul mixt al vectorilor
din Rn.
Fie E1,…,En versorii bazei standard în Rn şi fie vectorii :
a a21 ,..., a2 n ,..., a an1 ,..., ann R n
2 n
Produsul vectorial al celor n 1 vectori a(2),…,a(n) din Rn este vectorul din Rn definit
E1 .........E n
2 n a21.........a2 n
astfel a ... a
.................
an1 .........ann
Dezvoltând acest determinant după prima linie, se vede că componentele vectorului
2
a ... a n sunt complemenţii algebrici de ordin n 1 ai versorilor-unitate E1,…,En din
determinantul precedent.
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 şi distanţa h1 de la vârful a(2) la baza
3 4
1) Se cere aria triunghiului cu vârfurile a
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
, a , a .
3 4
baza formată cu vârfurile lui a
Soluţie
19
1) Aria cerută este jumătate din aria paralelogramului cu laturile în vârfurile lui
1 3
a a 3;0; 5 şi a a 2;2; 4 deci S
3 2 4 2
2
2
a a a a .
4 2
E1 E2 E3
0 5 3 5 3 0
a 3
a 2
a 4
a 2
3 0 5
2 4
E1
2 4
E2
2 2
E 3 10; 2; 6 deci
2 2 4
2 1 4 1
a a 1 2 2 12 6 iar S a a h1 sau 140 6 h1 deci
4 3 3
2 2
70
h1 2
3
1
2) Volumul cerut este din volumul paralelipipedului oblic cu laturile
6
a a 2;1; 1 ; a a 5;1; 6 ; a a 4;3; 5 deci
2 1 3 1 4 1
2 1 1
a 2 a 1 , a 3 a 1 , a 4 a 1 5 1 6 16 deci V= 16 8 . Avem V 1 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
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
Axiomele I) – VIII) ale spaţiului vectorial, valabile în Rn, vor fi valabile şi în L.
Conform punctului 2) pentru α 1, din aL rezultă - a L iar conform punctului 1) din
a , - a L rezultă a+( - a) =0 L
Exemplu
x1
Fie o matrice A de numere reale cu m linii şi n coloane. Mulţimea vectorilor X din Rn
x
n
care satisfac sistemul liniar omogen AX 0 , este un subspaţiu vectorial al lui Rn şi reciproc.
În adevăr;
1) din X’, X’’ L rezultă AX’=0 , AX”=0 de unde A(X’+X”)=0 aşa că X’+X” L
2) din XL , αR rezultă AX 0 deci α A X 0 aşa că αXL.
Reciproca va fi justificată mai jos în sectiunea 2.1
Cazuri particulare în R3 (n = 3)
20
x1
1)
3
m = 1: Mulţimea vectorilor X x2 R cu a11x1 + a12x2 + a13x3 = 0 este un plan care
x
n
trece prin originea 0 a axelor de coordonate. În particular planele de coordonate
x1Ox2 , x1Ox3 , x2 Ox3 au ecuaţiile x3 0 ; x2 0 ; x1 0 .
x1
2)
3
m = 2: Mulţimea vectorilor X x2 R cu
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).
Proprietăţi
21
a) L M L M
b) L L
c) (L1 + L2) = L1 L2
d) (L1 L2) = L1+ L2
Exemple
I) Dacă L1 şi L2 sunt două plane care trec prin origine în R3, atunci L1 L2 este dreapta
comună a celor două plane şi trece prin origine.
II) – III) Dacă L1 şi L2 sunt două drepte care trec prin origine în R3, atunci L1 +L2 este
planul determinant de cele două drepte concurente în origine şi suma este directă.
IV) Dacă L1 , L2 sunt două drepte care trec prin origine în R3 şi sunt perpendiculare între ele,
atunci suma ortogonală L1 L2 este planul determinat de cele două drepte perpendiculare una pe
alta în origine. În particular planul xOy este suma ortogonală a dreptelor Ox şi Oy.
V) Dacă L este un plan care trece prin origine în R3, atunci L este dreapta care trece prin
origine şi este perpendiculară pe acest plan.
Dacă L este o dreaptă care trece prin origine în R3, atunci L este planul care trece prin
origine şi este perpendicular pe dreapta dată.
În particular dacă L= xOy atunci L=Oz iar dacă L= Ox atunci L= yOz. Dacă L este
subspaţiu vectorial în Rn şi b L, mulţimea b+L ={b+a aL} se numeşte varietate liniară
paralelă cu subspaţiul vectorial L.
Mulţimea varietăţilor liniare ale subspaţiului vectorial LRn , formează un spaţiu vectorial ,
numit spaţiu vectorial-cât şi notat Rn / L , faţă de operaţiile :
1) (b+L)+(c+L)=(b+c+L) (b,cL) ; 2) (b+L)=b+L (bL, R)
Exemple
1) Mulţimea soluţiilor M=(x,y,z) R3 a ecuaţiei a11 x + a 12 y + a13 z + a14 = 0 este un plan
paralel cu planul care trece prin origine asociat ecuaţiei omogene: a11 x + a 12 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
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:
a11 a1n
A
am1 am n
Dacă m n , matricea se numeşte pătratică de ordin n:
22
a11 a1n
A
an1 an n
În particular, un vector – linie b b1 ,..., bn este o matrice de tip 1 n iar un vector – coloană
c1
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:
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.
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 aij bk cu i = Int((k – 1)/n)+1 ; j = k – n.Int((k – 1)/n)
am1 am n
unde k = 1,…, q deci i = 1,…,m ; j = 1,…, n .
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 al 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 .
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 a b ij 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
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).
24
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
T
3) A B A T BT
T
4) AB BT A T
T
5) A B A T BT
T
6) A B A T BT
II. Inversa unei matrici pătratice nesingulare:
1 1
1. A A
T 1 1 T
2. A A
1
3. λA λ 1A 1
1
4. AB B1A 1
1
5. A B A 1 B1
1
6. A B A 1 B1
III. Inversa generalizată a unei matrici dreptunghiulare:
1. A A
T T
2. A A
27
3. AA A A
4. A AA A
T
5. AA AA
2
6. AA AA
6. rang A rang A
1) Matrice de permutări:
Se obţine permutând între ele liniile sau coloanele matricii – unitate E.
1, 2, , n 1 pentru j σ i
Fie permutarea σ : . Avem a
σ 1 , σ 2 , , σ n
ij
0 în rest
Rezultă A E deci A este matrice ortogonală A 1 A T .
Exemplu
0 1 0 0 1 0
Fie permutarea σ 0 0 1 . Avem matricea permutării σ de forma: A 0 0 1
1 0 0 1 0 0
2) Matrice diagonală:
λ1 0
λ2
A deci A λ λ ...λ E . Avem det A λ λ ...λ
1 2 n
1 2 n
0 λ n
λ 0
λ
Pentru λ1 λ 2 ... λ n λ obţinem matricea scalară A cu det A λ n
0 λ
λ 1 0
λ 1
3) Matrice bidiagonală Jordan: J
1
0 λ
4) Matrice triunghiulară:
a11 a1n
a22 a2 n
A
0 an n
29
a11 0
a a22
Avem aij 0 pentru i j (matrice inferior triunghiulară): A
12
a1n a2 n
În ambele cazuri avem Det(A) = a11.a22…ann . Matricea diagonală de la punctul 2) este şi superior
şi inferior triunghiulară.
5) Matrici tridiagonale:
Avem aij 0 pentru i j 1 şi i j 1 :
a11 a12 0 0 0 0
a
21 a22 a23 0 0 0
0 a32 a33 a34 0 0
A
0 0 an1,n2 an1,n1 an1,n
0 0 0 an1,n ann
6) Matrici simetrice:
T 2
Avem a ji aij deci A A adică A A .
2
O matrice simetrică A pentru care A A se numeşte matrice de proiecţie.
1
De exemplu matricile P A A A
T
A T şi E P sunt matrici de proiecţie.
7) Matrici antisimetrice:
T 2
Avem a ji aij deci A A adică A A
8) Matrici semiortogonale:
T -1
Avem A D unde D este matrice diagonală. Rezultă A DA şi
2
det A det D
9) Matrici ortogonale:
A E deci A T A -1 şi det A 1
10) Matrici normale:
T T T
Avem AA A A deci A A . Matricile simetrice, antisimetrice şi cele
ortogonale sunt normale.
11) Matrici diagonalizabile:
A este matrice diagonalizabilă dacă există matricea pătratică S de ordin n cu det S 0
1
astfel că B S AS este matrice diagonală. Dacă S este ortogonală, atunci matricea A se numeşte
ortogonal – diagonalizabilă. Orice matrice normală este ortogonal – diagonalizabilă.
12) Matrici nenegativ – definite şi pozitiv – definite:
Matricea simetrică A este nenegativ definită dacă pentru orice vector – coloană X cu n
T
componente reale, avem f X X AX 0 . În acest caz valorile proprii ale matricii A (cap. 4)
sunt 0 .
30
Matricea simetrică A este pozitiv definită dacă pentru orice vector – coloană X cu n
T
componente reale avem f X X AX 0 . În acest caz valorile proprii ale matricii A (cap. 4)
sunt 0 .
În mod similar se definesc matricile nepozitiv definite ( f X X AX 0 ) şi matricile
T
T
negativ definite ( f X X AX 0 )
13) Matrici nenegative şi pozitive:
Matricea A este nenegativă dacă aij 0 pentru orice i 1,..., m şi orice j 1,..., n .
Matricea A este pozitivă dacă aij 0 pentru orice i 1,..., m şi orice j 1,..., n .
14) Matrici dublu stochastice:
m n
Sunt matricile nenegative cu aij aij 1
i 1 j 1
Orice matrice de permutări este dublu – stochastică. Reciproc, orice matrice dublu
stochastică este o combinaţie liniară convexă de matrici de permutări.
15) Matrice Vandermonde:
j 1
Avem aij xi unde x1,…,xn R şi xi x j pentru i j . Rezultă
1 x1 x12 x1n1
1 x2 x22 x2n1
A .
1 xn xn2 xnn1
Avem det A x x
i j
i j
a0 a1 a2 an1
a a0 a1 an2
1
a2 a1 a0 an3
Avem aij a j i deci vom avea: A
a n 2 a n 3 a n 4 a1
a n1 a n 2 a n3 a0
0 1 0 0 0
0 1 1 0
Fie matricile Toeplitz: C ; D 1
1
0 0 0 1 0
2
Avem: A a1D a2 D ... a n 1 D
n 1
a 0 a1C ... an1C n1
18) Matrice Hankel:
a0 a1 a2 an1
a a2 a3 an
1
a2 a3 a4 an1
Avem aij ai j 2 aşa că: A
an 2 an1 an a2 n 3
an 1 an an1 a2 n 2
0 1
1
Fie P deci PT P P 1
1
1 0
Avem proprietăţile:
a) T = matrice Toeplitz PT = matrice Hankel
b) T = matrice Hankel PH = matrice Toeplitz
32
1.4 Rezumat
1.5 Întrebări
1.6 Bibliografie
Conţinut :
2.5 Rezumat
2.6 Întrebări
2.7 Bibliografie
Cuvinte cheie : bază de vectori,coordonatele unui vector într-o bază, substituirea unui vector dintr-o
bază,matricea de trecere de la o bază la alta, matricea Gram a unei baze, bază ortogonală,bază
ortonormală,baze biortogonale,ortonormalizarea unei baze .
E1 E 2 E n
1n 0n 0n
E 0n 1n 0 n
0 0 1
n n n
F1 F2 Fn
f11 f12 f1n
F
f n1 fn2 f nn
F1 F2 F3
1 0 2
Exemplu: Fie matricea F
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
3
şi F3.
Soluţie:
a) Fie relaţia de dependenţă liniară: α1F1 α 2 F2 α 3F3 0 , deci pe componente avem
α1 2α3 0
5α 2 3α3 0 , de unde rezultă α1 α 2 α3 0 .
2α 4α 0
1 2
5
3
Fie un vector-coloană oarecare V din R , de exemplu V 4 .
3
Să arătăm că există 1 , 2 , 3 R , nu toţi nuli astfel că V α1F1 α 2 F2 α 3F3 .
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
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.
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 . Avem
2 V Fi
V Fi α1 F1 Fi ... α n Fn Fi αi Fi deci αi 2 1 i n
Fi
O bază ortogonală este ortonormală dacă în plus F1 ... Fn 1 .
1 T
În acest caz matricea F este ortogonală F F şi αi V Fi .
Exemplu: Baza standard E este ortonormală.
2 2 2
V F1 ... V Fr V
Pentru r =n această inegalitate se transformă în egalitatea Parseval după cum
vom arăta în secţiunea 2.2.3
37
2.2.2 Subspaţii vectoriale şi sisteme liniare omogene
Teorema 2.1
Vectorii oricărui subspaţiu vectorial în Rn sunt soluţii ale unui sistem liniar omogen şi
reciproc.
Demonstraţie
În primul exemplu din secţiunea 1.2 s-a arătat că soluţiile unui sistem liniar omogen
formează un subspaţiu liniar în Rn.
Să demonstrăm afirmaţia inversă.
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 .
T
Fie G1,…,Gn - r Rn soluţiile liniar independente ale sistemului liniar omogen F X 0 .
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 nr .
T
Soluţiile liniar independente ale sistemului liniar G X 0 sunt vectori-coloană. F1,…, Fr
R care generează subspaţiul vectorial L Rn cu dim(L)=r . Q.E.D.
n
Din teorema 2.1 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 5.1.1
Exemple:
F1 F2
1 3
a) Fie L R3 subspaţiul vectorial cu baza F deci dim(L) = 2.
2 0
1 4
G1
T x1 2 x2 x3 0 -8
Sistemul liniar omogen F X 0 adică are soluţia G care
3 x1 0 x2 4 x3 0
7
6
constituie o bază pentru L R3 cu dim(L )=3-2=1
T
Sistemul liniar omogen G X 0 adică 8 x1 7 x2 6 x3 0 are ca soluţii liniar
independente chiar pe F1 şi F2.
F1
2
b) Fie L R3 subspaţiul vectorial cu baza F deci dim(L) = 1.
3
4
38
T
Sistemul liniar omogen F X 0 adică 2 x1 3 x2 4 x3 0 are soluţii liniar
G1 G 2
-3 2
independente pe G1, G2 cu G care constituie o bază pentru L R3 cu
2 0
0 1
dim(L )=3-2=1.
T 3x1 2 x2 0
Sistemul liniar omogen G X 0 adică are ca soluţie pe
2 x1 x3 0
F1
2
F deci chiar baza lui L R3 .
3
4
Fie L1 , L2 subspaţii vectoriale ale lui Rn cu dim(L1)= r , dim(L2)= n - r astfel că avem suma
directă Rn = L1 L2 .
În acest caz orice vector V Rn admite descompunerea unică V=X(1)+X(2) cu
X L1 , X(2) L2 .
(1)
x1
Fie L2 R3 cu dim (L2 )=n – r = 1 ai cărui vectori X x 2 L 2 satisfac sistemul liniar
x
3
F1 F2
3 x1 2 x2 0 -3 2
omogen deci F este o bază în L2.
12 x x3 0 2 0
0 1
L2 este o dreaptă ce trece prin 0.
Avem R3 = L1 L2 deoarece L1 L2 =0
3
3
Fie V 2 R . Avem descompunerea unică V=X(1)+X(2) cu X(1) L1 , X(2) L2 .
1
Componentele unice X(1) şi X(2) se vor găsi astfel:
8 7 6 0
G T O O
5 .
n r 1
Avem A T 3 2 0 şi b T
F V F V
T
F 2 0 1 7
49 8
1 1 2 1 1
Soluţia sistemului liniar A X b este X 26 iar X V X 12 .
19 19
35 16
Descompunerea unică de mai sus se generalizează astfel: fie L1,…,Lm subspaţii vectoriale ale
lui R cu dim(Li)=ri şi r1 ... rm n , astfel că Rn = L1 …Ln .
n
1 m
Pentru orice VRn avem descompunerea unică V X ... X cu X(i)Li .
Componentele unice X(i)Li sunt soluţii ale sistemului liniar:
G 1 T X1 0,..., G m T
X
m
0
.
X1 ... X m V
T
Aici G
i
este o bază a subspaţiului vectorial Li cu dim Li n ri 1 i m .
Caz particular
1 n
Fie L1,…,Ln subspaţii vectoriale ale lui Rn cu dim(Li)= 1 şi fie F ,...,F baze ale
subspaţiilor L1,…,Ln , formate din vectorii F1 ,..., Fn .
Presupunem în plus că Rn = L1…Ln .
1
Pentru orice VRn avem descompunerea unică: V X X 2 ... X n unde
X α i Fi deci avem V α1F1 α 2 F2 ... α n Fn F VF .
i
E1 E 2 En
1 0 0
E 0 1 0
0 0 1
α F 2 α F F ... α F F V F
1 1 2 2 1 n n 1 1
. . . . . . . . . . . . . .
2
α1F1 Fn α 2 F2 Fn ... α n Fn V Fn
2
Matricea coeficienţilor este F cu det F det F 0 căci în baza
F F1 ,...,Fn este o bază în Rn, deci rang F n şi det F 0 .
În particular dacă F este o bază ortogonală avem Fi Fj 0 deci rezultă:
V Fi
αi 2 1 i n .
Fi
Mai particular , dacă F este bază ortogonală, avem : αi V Fi 1 i n .
Fie baza ortonormală cu vectorii F1,…,Fn în Rn şi fie vectorii U şi V din Rn
deci avem :
U = (U*F1).F1+…(U*Fn).Fn ; V = (V*F1).F1+…(V*Fn).Fn
U * V = (U*F1).(V*F1)+…(U*Fn).(V*Fn)
||V||2 = (V*F1)2+…+(V*Fn)2
41
2.2.4 Descompunerea unică a unui vector în raport cu o sumă ortogonală a unor
subspaţii liniare
β F 2 β F F ... β F F V F
1 1 2 2 1 r r 1 1
. . . . . . . . .
2
β1F1 Fr β 2 F2 Fr ... β r Fr V Fr
1
Cunoscând baza F F1 ,...,Fr şi vectorul V se cunosc β1 ,...,β r deci se cunoaşte X iar
X V X .
2 1
de la vectorul V la subspaţiul L.
1
42
β1 F1 2 β 2 F2 F1 V F1 6β1 β 2 1 29 25
2
adică cu soluţia: β1 ; β1 aşa
β F
2 1 2 F β 2 F2 V F2 β 1 25β 2 4 149 149
104 104
1 1 58 iar X 2 V X 1 1 91 .
că X β1F1 β 2 F2
149 149
71 78
2 25181
Distanţa de la V la subspaţiul L este X .
149
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 a12 a1m
A 11
an1 an 2 anm
Avem relaţiile:
---------
---------
---------
---------
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:
---------
---------
---------
---------
---------
---------
Teorema 2.2
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
44
1 i n
a 1 j m
(4) a 'ij aij ik ahj
ahk ih
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.
Observăm că relaţiile (3) şi (4) sunt în fond transformări elementare ale liniilor matricii de tip
nm:
a11 a1m
A
a a
n1 nm
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:
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
45
A1 A2
3 2
Fie în R vectorii-coloană A1, A2 cu matricea A: A
3
1 4
0 5
E1 E 2 E3
1 0 0
Fie baza standard: E
0 1 0
0 0 1
Avem tabelul:
↓
Baza A1 A2
← E1 3 2
E2 -1 4
E3 0 5
Baza A1 ------ An
E1 a 11 ------ a 1n
------
------
------
En a n1 ------ a nn
Baza A1 A2 A3
← E1 2 -1 0
E2 3 4 1
E3 -5 1 5
47
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
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
48
44
E3 0 6 5
A1 1 0 1
5
22
A2 0 1 15
E3 0 0 0
------
------
------
------
------
Ar 0 ------ 1 a 'r , r 1 ------ a 'rn
------
------
------
------
Em 0 ------ 0 0 ------ 0
adică:
-1
Er F ·G
A=
O O
F
Notăm U
H de tip m r care conţine toate liniile şi numai cele r coloane principale
1
din forma iniţială a matricii A şi notăm V E r F G 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 ,...,A r ale matricii A sunt liniar independente şi constituie
matricea U iar celelalte n r coloane A r 1 ,...,A n sunt liniar dependente de A1 ,...,A r ,
1
coeficienţii de dependenţă liniară fiind cele n r coloane ale submatricii F G de tip
r n r , A r 1 ,...,A n A1 ,...,A r F1G .
T
În cazul m n , se lucrează cu A 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
50
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
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 A 3A 4 A1A 2 adică 2
4 7 A 4 8A1 7A 2
Pentru a calcula rangul matricii A avem programul de calculator RANG .
2.3.3 Calculul matricii inverse A-1 a unei matrici pătratice nesingulare de ordin n (cu
det A 0 )
------
------
------
------
A E
------
------
------
------
------
E A-1
Exemplu
3 1 0
Să se inverseze matricea pătratică nesingulară A 1 0 1 cu det A 1 0
0 2 7
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
52
2 7 1
1
Avem: A 7
21 3 . Se verifică relaţiile A A 1 A 1 A E
2 6 1
1
Pentru calculul lui A avem programul de calculator INVMAT .
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 1
forma matricială X A b unde A se calculează ca mai sus.
Programul INVSIST rezolvă sistemul precedent prin această metodă.
Exemplu
3x1 x2 2
Să se rezolve sistemul liniar: x1 x3 4 prin metoda matricii inverse.
2 x2 7 x3 3
Soluţie
Avem rang A 3 , det A 1 0
2 7 1 2 35
X A 1 b 7 21 3 4 107 deci x1 35 ; x2 107 ; x3 31
2 6 1 3 31
1
(1) A VT U T U V V T U T
1
(2) A A T AA T
T
T
În cazul m n se lucrează cu A de tip n m cu n m deci se află AT A .
T 1
Dacă rang A n , prin aplicarea relaţiei (2) pentru A , rezultă: A A A A şi cum
T T
T T
A A rezultă prin transpunere:
1
(3) A AT A A T
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
54
9 9
1 0 3 0 3
0 1 6 3
9 9 1 1 0 1 1 1 2
Rezultă A
1 1 3 2 1 2 1 9 2 1 1
9 9
1 1 4 1 5
3 1 2
2) Se dă matricea de rang maxim de tip 2 3 : A
0 1 4
Se cere inversa generalizată A+
T 1
Soluţie Avem rang A 2 deci conform relaţiei (2) avem A A AA
T
unde:
17 7
14 7 1 189 189
AAT deci AA T
deci
7 17 7 14
189 189
3 0 51 21 17 1
1 1 1 17 7 1 1
24 21 8 1
A 3
189
2 4 7 14 189 6 42 2 2
2.3.5 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
------
------
------
------
------
F G
------
------
------
------
-1
E F ·G
1
Pentru calculul lui F G avem programul INVMATS .
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 G
1
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
56
F1 1 0 2 -2 1 0
F2 0 1 5 1 0 1
8 8 8
E3 0 0 1
8 19 4 37
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
2.3.6 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.
T T 1
Avem GF 1 F G T deci aplicăm cazul 2.3.5 pentru matricile FT, GT.
Tabelul iniţial are forma:
------
------
------
------
T T
Se substituie E1 cu F1 , ... , E n cu Fn .
Tabelul final are forma:
------
------
------
------
-1 T
E (GF )
Fn 0 ------ 1 g '1n ------ g 'mn
57
T T
La urmă avem GF GF1
1
1
Pentru calculul lui GF avem programul INVMATD
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 F1 T 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
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
1
Avem după transpunere: GF 7 3 8
25 9 25
1 0
a1 0 0
Orice vector a din R are faţă de baza standard E1
n ,...,E n ca şi coordonate
a
n
0 1
chiar pe a1 ,..., an deoarece: a a1E1 ... an E n EaE aE .
Dacă notăm cu aF vectorul coordonatelor lui a în baza F, avem a EaE FaF de unde
rezultă relaţia:
(1) aF F1 a
Matricea de trecere de la baza F1 ,...,Fn cu baza G1 ,...,G n cu matricea bazei G, este
matricea S nesingulară de ordin n care satisface relaţia G=F.S deci G i F Si 1 i n
adică coloanele lui S sunt coordonatele vectorilor-coloană G1 ,...,G n în baza F1 ,...,Fn . S se mai
numeşte şi matricea de schimbarea bazei.
Relaţia de calcul a matricii de trecere S de la baza cu matricea bazei F la baza cu matricea
bazei G este:
(2) S=F-1G
-1 T T T
2) S este matrice ortogonală ( S S ) dacă şi numai dacă FF GG .
1 1
În adevăr, S=F G S G 1 F deci S1 ST FFT GG T
1
3) Dacă S este matricea de trecere de la baza F la baza G atunci S este matricea de trecere de
la baza G la baza F.
1 1 1
În adevăr, dacă S F G atunci S G F
F -1
G
S = F ·G
Din relaţia a FaF GaG rezultă formula de schimbare a coordonatelor unui vector a la
schimbarea bazei: aG G 1F aF adică:
(3) aG S 1 aF
1
În particular, la trecerea de la baza E la baza F avem aF F a iar la trecerea de la baza
1
E la baza G avem: aG G a . Avem schema:
aE = a
F-1 G-1
Exemplu
F1 F2 F3 G1 G 2 G3
1 0 2 2 1 0
Fie bazele: F ; G
0 8 5 1 0 1
1 3 0 0 3 5
a) Se cere matricea de trecere S de la baza F la baza G.
0
b)
Fie vectorul a 1 . Se cere aF şi aG .
0
Soluţie
1
a) Avem S F G . Conform exemplului 2.3.5 din secţiunea 2.3 avem:
S1 S2 S3
36 63 74
S
12 20 23
19 32 37
Avem:
2
G1 1 36F1 12F2 19 F3 F S1
0
60
1
G 2 0 63 F1 20 F2 32F3 F S2
3
0
G 3 1 74 F1 23 F2 37F3 F S3
5
15 6 16 0 6
b) aF F a 5 2
1
5
1 2
8 3 8
0 3
4 37 31 6 5
aG S aF 7 74
1
60
2 10
4 45 36
3 6
Verificare
3 5 1 0 5
aG G a 5 10 2
1
1 10
3 6 1
0 6
2.4.2 Matricea Gram a unei baze
T
Matricea Gram a bazei F1 ,...,Fn cu matricea bazei F este F F F
T 1
T
În adevăr, F F F , S F G şi S G F
1 T T
deci:
1
G G T FT FT F F1 G G T G . Q.E.D.
În particular, dacă trecem de la baza E la baza F, avem E E şi S F deci
F FT E F FT F . Avem schema:
61
(E) = E
FT·F GT·G
(F) (G)
ST·(F)·S
Matricea Gram F are pe diagonala principală pătratele normelor vectorilor bazei F adică
2 2
F1 ,..., Fn iar în afara diagonalei principale are produsele scalare Fi Fj :
F1 2 F1 F2 F1 Fn
2
F F F2 F2 Fn
F 2 1
F F Fn F2 Fn
2
n 1
Pe baza matricii F se construieşte matricea cosinuşilor între vectorii F1 ,..., Fn ai bazei F,
Fi Fj
folosind relaţia: cos Fi ,Fj cosθij
Fi Fj
1; 1
1 cosθ12 cosθ1n
cosθ 1 cosθ 2 n
F 21
cosθ n1 cosθ n 2 1
Exemplu
F1 F2 F3 G1 G 2 G 3
1 0 2 2 1 0
Fie bazele F ; G
0 8 5 1 0 1
1 3 0 0 3 5
36 63 74
cu matricea de trecere S 12 20 23
19 32 37
Soluţie
2 3 2
a) F F F 3 73 40
T
2 40 29
62
3 2
1
146 58
3 40
F 1
146 2117
2 40
1
58 2117
b)
36 12 19 2 3 2 36 63 74
G ST F S 63 20 32
3 73 40 12 20 23
74 23 37 2 40 29 19 32 37
5 2 1
2 10 15
1 15 26
2 1
1
5 130
2 15
G 1
5 2 65
1 15
1
130 2 65
F1 F2 Fn G1 G2 Gn
f f12 f1n g g12 g1n
Fie bazele F 11 şi G 11 din Rn
f n1 f n 2 f nn g n1 gn 2 g nn
, det F 0 det G 0
Matricea produselor scalare ale vectorilor celor două baze este:
F1 G1 F1 G 2 F1 G n
P F,G F G
T
Fn G1 Fn G 2 Fn G n
F1 G1 F1 G 2 F1 G n
F1 G1 F1 G 2 F1 G n
C F, G
Fn G1 Fn G 2 Fn G n
Fn G1 Fn G 2 Fn G n
f11 f1n
F1 Fn
Observăm că C E,F deci C E,F este matricea cosinuşilor directori ai
f f nn
n1
F1 Fn
vectorilor F1 ,..., Fn ai bazei F în raport cu baza standard E.
g11 g
1n
G1 Gn
Matricea C E,G are o interpretare analoagă.
g g nn
n1
G1 G n
Avem şi relaţiile C F,F F şi C G,G G
O bază F1 ,...,Fn cu matricea bazei F, se numeşte ortogonală dacă vectorii Fi , Fj sunt
ortogonali adică Fi Fj 0 i i, j n .
2
F1 0 0
2
0 F2 0
În acest caz matricea F este semiortogonală adică F
0 0 Fn
2
2 2 2
deci F este matrice diagonală cu det F F1 ... Fn det F 0 .
O bază F1 ,...,Fn cu matricea bazei F, se numeşte ortonormală dacă este ortogonală şi în
plus F1 ... Fn 1 adică vectorii bazei sunt versori. În acest caz
64
Exemplu
Baza standard E1 ,...,E n cu matricea bazei E este bază ortonormală.
Orice bază ortogonală se poate transforma în bază ortonormală prin împărţirea vectorilor
bazei F1,...,Fn cu normele lor, adică prin transformarea lor în versori.
Exemple
F1 F2 F3
0 0 3
a) Baza F1 , F2 , F3 cu matricea bazei F este ortogonală.
4 0 0
0 2 0
Această bază devine ortonormală dacă împărţim vectorul-coloană F1 cu F1 4 , vectorul-coloană
0 0 1
F2 cu F2 2 şi vectorul-coloană F3 cu F3 3 deci: F0 1 0 0 ; F0 E
0 1 0
F1 F2 F3
13 2 3 2
3
b) Baza F1 , F2 , F3 cu matricea bazei F
1 T
este ortonormală: F F ;
2 1 2
3 3 3
2 2 1
3 3 3
det F 1 şi F E ; det F 1.
Dacă bazele F, G sunt ortonormale, atunci F G E deci şi matricea de trecere S este
ortogonală S 1
ST .
Teorema 2.5
Pentru a ortogonaliza o bază F1 , ... , Fn cu matricea bazei F, aplicăm relaţiile Gram-
G1 F1
F G
G 2 F2 2 2 1 G1
G1
F3 G1 F3 G 2
Schmidt: G 3 F3 2
G 1 2
G2
G 1 G 2
G F Fn G1 G Fn G 2 G ... Fn G n1 G
n n
G1
2 1
G2
2 2
G n1
2 n 1
65
Demonstraţie
Se verifică relaţiile G i G j 0 1 i, j n Q.E.D.
Gi
Fie matricea ortogonală de ordin n a versorilor proprii 1 i n notată cu
Gi
G Gn
G 0 1 , ... , şi fie matricea triunghiulară:
G
1 G n
F2 G1 Fn G1
G
G1
1
G1
Fn G 2
G2
G2
R
Gn
1 T
Avem F G 0 R cu G 0 G 0 şi R = triunghiulară.
1 1
Matricea de trecere S0 de la baza F la baza ortonormală G 0 este S0 R deoarece R G 0 F
1
deci R F1 G 0 S0 . S0 este tot triunghiulară şi are pe diagonala principală pe
1 1
,..., . Programul de calculator ORTOBAZA transformă baza F în baza ortonormală G0.
G1 Gn
Caz particular :
Dacă F1,…,Fr cu r < n , sunt versori liniar independenţi şi ortogonali doi câte doi,
66
atunci relaţiile Gram – Schmidt devin :
G1 =F1
…….
Gr =Fr
Gr+1=Fr+1 - (Fr+1*G1).G1 - ……………………………………… - (Fr+1*Gr).Gr
…………………………………………………………………………………
Gn =Fn - (Fn*G1).G1 - ………………………………………...- (Fn*Gr).Gr –
După calculul vectorilor Gr+1 ,…, Gn , aceştia se împart cu normele lor || Gr+1 ||,
…, || Gn || deci baza ortonormală G0 are forma :
G0 = [ F1 ,…, Fr , Gr-1 / || Gr+1 || ,…,Gn / || Gn || ]
1 0 ....................0 F G ..............................F G
r+1 1 n 1
1 0..................0 F r+1 G 2 .............................Fn G 2
.............................................................................
1 Fr+1 G r ..............................Fn G r
Fn G r 1
R G r+1 ..............................
G r1
. .
. .
. .
G n
Exemplu
F1 F2 F3
1 1 0
Fie baza F
2 1 1
2 0 4
Să se ortonormalizeze baza F obţinând baza ortonormală G şi să se afle matricea S 0 de la
baza F la baza ortonormală G.
Soluţie
1
2
Luăm G1 F1 2 . Avem F2 G1 3 ; F3 G1 6 şi G1 9
2
67
2
1 1 3
F G 3 2 1
Rezultă: G 2 F2 2 2 1 G1 2
G1 9 2
2 2
2
3
2
Avem F3 G 2 3 ; G 2 1
2 4
0 1 3 3
F3 G1 F3 G 2 6 3 1 4
Rezultă: G 3 F3 G1 G2 1 2
G1
2
G2
2
4 9 1 3 3
2 2 2
3 3
2
Avem G 3 4
Am obţinut baza ortogonală G1, G 2 , G 3 cu matricea bazei G semiortogonală:
G1 G 2 G 3
1 23 43
G
2 1 4
3 3
2 2 2
3 3
Prin împărţirea vectorilor-coloană G1, G2, G3 cu G1 3 ; G 2 1 ; G 3 2 obţinem baza
ortonormală cu matricea bazei:
1 2 2
3 3 3
G0 2 1 2
3 3 3
2 2 1
3 3 3
3 1 2
Avem: R 0 1 3 . Se verifică relaţia F G 0 R
0 0 2
Matricea de trecere S0 de la baza F la baza ortonormală G 0 este:
4 4 1 1 2 2 2 2 5
6 6 6 3 3 3 6 6 6
S0 F1 G 0 10 4 1 2 1 2 0 6 9 R 1
6 6 6 3 3 3 6 6
2 2 1 2 2
1 0 0 3
6 6 6 3 3 3 6
Bazele F şi G se numesc biortogonale dacă P F,G E adică G F şi
1 T
F G T . În
1
13 5 1
2.5 Rezumat
2.6 Întrebări
1. Ce este baza şi dimensiunea în spaţiul vectorial Rn ?
2. Ce aplicaţii are metoda substituirii unui vector dintr-o bază în calculul matricial ?
3. Ce sunt matricea de trecere de la o bază la alta şi matricea Gram a unei baze şi ce proprietăţi
au ele ?
4. Cum se trece de la o bază oarecare la o bază ortonormală ?
2.7 Bibligrafie
Conţinut :
3.7 Rezumat
3.8 Întrebări
3.9 Bibliografie
|| A || = s u p || A (X) ||
||x||<=1
Sunt îndeplinite axiomele normei :
1) || A ||>0 ; || A ||=0 dacă ţi numai dacă A = O
2) || λA || = | λ| . || A ||
3) || A + B|| || A || + || B ||
Proprietăţi :
a) || A (X)|| || A ||. || X ||
71
b) Pentru orice valoare proprie λ a lui A avem | λ | . || X || = || λ . X || =
|| A(X) || || A || . || X || deci | λ | <= || A ||
c) Dacă A : Rn → Rm şi B : Rm → Rp sunt aplicaţii liniare , avem :
|| B o A || || B ||. || A ||
Exemple
Se arată că în Rn există subspaţiile L1,…, Ln-1 incluse unul în altul ,cu bazele de vectori :
a11 a12 0
A a 21 a 22 0
0 0 a
33
invariază subspaţiul bidimensional L1 în R3 (plan care trece prin O) şi invariază subspaţiul
unidimensional L2 în R3 (dreaptă care trece prin O).
Subspaţiile Ker(A) şi Im( A T) ale lui Rn sunt subspaţii ortogonale unul pe celălalt:
Rn Ker( A) Im( AT )
În mod analog, subspaţiile Ker( AT ) şi Im( A ) ale lui Rm sunt subspaţii ortogonale unul pe
celălalt:
R m Ker( AT ) Im( A)
Avem :
1) Rn / Ker( A ) şi Im ( A ) sunt spaţii vectoriale izomorfe între ele cu dimensiunea rang(A)
2) Rm / Ker( AT ) şi Im ( AT ) sunt spaţii vectoriale izomorfe între ele cu dimensiunea rang(A)
Demonstraţie
1) Fie funcţia f: Rn / Ker( A ) → Im ( A ) dată de relaţia : f( b + Ker( A ))= =A (b) unde b nu
aparţine lui Ker(A).
Definiţia lui f nu depinde de b deoarece b (1) + Ker(A) = b(2) + Ker(A) ↔ b(2) – b(1) aparţine lui
Ker(A) ↔ A ( b (2) – b(1) ) = 0 ↔ A (b(1) )= A ( b(2)) ↔ f( b(1) ) = f( b (2)) .
f este injectivă : f( b(1) ) = f( b (2)) implică b(1) + Ker(A) = b (2) + Ker(A) care implică b(1) = b(2) .
f este surjectivă : Pentru orice Y din Im (A) există X în Rn cu A (X)=Y deci există
Y + Ker ( A ) în Rn / Ker ( A ) .
Punctul 2) se demonstrează în mod analog. Q.E.D.
a11 a1r
cu det F 0 . Avem
Fie F submatricea minorului principal: F
ar1 arr
F G
A= unde G este submatrice de tip r n r , H este submatrice de tip
H K
-1 -1
Er F ·G F ·Yp
O (m-r)·r O(m-r)·(m-r) -H·F-1·Yp+Em-r·Ys
x r 1
F1 G
, x r 1 ,..., xn R R
n n
De aici rezultă: K er( A) X R X
E n r x
n
1
F G
O bază în Ker( A ) este formată cu coloanele matricii: U1 de tip n n r .
E n r
Im( A) Y R m H F1 Yp E m r YS 0 R m
deci Ys = H.F-1.Yp de unde :
Yp E r
Y 1
Yp
Ys H F
Er
O bază în Im( A) R m este V1 1
de tip m r .
HF
n
F1
O valoare XR pentru AX Y este: X Y
0 nr ( nr ) p
T T
T F H
Fie transpusa matricii A de forma: A = cu n linii şi m coloane.
GT K T
Fie matricea extinsă de tip n m 1 :
75
FT H X
[AT /X= T p
)== G K X s
x1 xr 1
unde X P ; XS . După pivotare, această matrice extinsă capătă forma:
x x
r n
-1 T -1 T
Er (H F ) (F ) ·Xp
O(n-r)·r O(n-r)·(m-r) -(F-1·G)T·Xp+E n-r·Xs
y
HF1 T r 1
De aici rezultă: K er A Y R Y , y r 1 ,..., y n R R m
T m
E
m r y n
T
HF1
T
O bază în Ker( A ) este formată cu coloanele matricii: U 2 de tip m m r .
E
m r
T
Im AT X R n F1G X p E nr X S Rn .
deci Xs =(F-1.G)T.Xp de unde :
Xp Er
X 1 T Xp
Xs (F G)
E
O bază în Im( A T ) R n este V2 1 r T de tip n r .
(F G)
FT 1
O valoare YR pentru care A Y X este Y Xp
m T
0 m r ( m r )
Vectorii-coloană din matricile U1,V2 sunt ortogonali doi câte doi ceace confirmă relaţia:
Rn Ker( A) Im( AT )
Vectorii-coloană din matricile U1,V2 sunt ortogonali doi câte doi ceace confirmă relaţia:
R m Ker( AT ) Im( A)
Exemplu
76
3 5 1 4
2 0 1 6
Fie operatorul liniar A : R R cu matricea A
4 4
7 5 3 16
8 10 3 14
Se cere :
1) Ker( A ), Im( A )
2) Ker( AT ), Im( AT )
Soluţie:
Baza A1 A2 A3 A4 Y
E1 3 5 1 4 y1
E2 2 0 1 6 y2
E3 7 5 3 16 y3
E4 8 10 3 14 y4
A1 1 5 1 4 y1
3 3 3 3
E2 0 - 10 1 10 -2y1 3y 2
3 3 3 3
E3 0 20 2 20 -7y1 3y3
3 3 3 3
E4 0 10 1 10 -8y1 3y 4
3 3 3 3
A1 1 0 5 3
5y 2
10 10
A2 0 1 1 -1 2y1 3y 2
10 10
E3 0 0 0 0 y1 2y 2 y 3
E4 0 0 0 0 2y1 y 2 y 4
5 3
10
1 1 x
10 3 ; x , x R R4
K er A X R X
4
3 4
1 0 x4
0 1
77
5 3
10
1 1
10
O bază în Ker( A ) este U1
1 0
0 1
Avem rang(A)=2 deci dim[Ker( A )=n – rang(A)=2
1 0
0
1 y1
Im( A ) Y R Y
4
=0 R4
1 2 y2
2 1
1 0
0 1
O bază în Im( A ) este V1
1 2
2 1
dim[Im( A )]=rang(A)=2
0 5/10
2/10 - 3/10 y
Un vector XR cu A X Y este: X
4 1
0 0 y2
0 0
T
Pentru matricea A avem calcule similare:
Baza A1 T A2 T A3 T A4 T X
E1 3 2 7 8 x1
E2 5 0 5 10 x2
E3 1 1 3 3 x3
E4 4 6 16 14 x4
A1 T 1 2 7 8 x1
3 3 3 3
E3 0 1 2 1 - x1 3x3
3 3 3 3
E4 0 10 20 10 -4x1 3x4
3 3 3 3
78
A1 T 1 0 1 2
2 x2
10
A2 T 0 1 2 1 5 x1 3 x2
10
E3 0 0 0 0 5 x1 x2 10 x3
10
E4 0 0 0 0 3x1 x2 x4
1 2
2 1 y
K er A Y R Y
T 4
3
; y3 , y 4 R R 4
1 0 y4
0 1
1 2
2 1
O bază în Ker( AT) este U2
1 0
0 1
1 0
0 1
O bază în Im(A ) este V2
T
5/10 - 1/10
3 -1
dim[Im(AT)]= rang(AT)=2
0 2/10
5/10 - 3/10 x
Un vector YR4 cu A Y X este: Y
T 1
0
0 x2
0 0
79
3.4 Operatorul liniar care aplică o bază în alta din Rn
Fie m n şi fie bazele din Rn : F1 ,...,Fn cu matricea F respectiv G1 ,...,G n cu matricea G
( det F 0 ; det G 0 )
Operatorul liniar A care transformă baza F în baza G, are matricea A dată de relaţia A F G de
1
unde: A G F
Teorema 3.2
Proprietăţi
1) Matricea A este nesingulară.
det F 0
1 det G
În adevăr, det A det G det F
E
A=F A=G
F -1
G
A = G·F
Exemplu
F1 F2 F3 G1 G 2 G3
1 0 2 2 1 0
Fie bazele: F ; G . Să se calculeze matricea A a
0 8 5 1 0 1
1 3 0 0 3 5
opratorului A : R3 → R3 care aplică baza F în baza G.
Soluţie
80
T T
În secţiunea 2.3.6 pentru matricile din enunţ, am găsit prin pivotare asupra lui F şi G :
25 10 27
A G F 7 3 8 . Se verifică faptul că A F1 G1 ; A F2 G 2 ; A F3 G 3 .
1
25 9 25
Fie subspaţiul r-dimensional URn cu baza F0 F1 ,...,Fr de tip n r şi subspaţiul r-
dimensional VRn cu baza G 0 G1 ,...,G r de tip n r . Operatorul liniar A care aplică
subspaţiul liniar U pe subspaţiul liniar V, are matricea A nesingulară de ordin n dată de relaţia:
G 0 AF0 .
Pentru a găsi pe A, completăm baza F0 cu n r vectori Fr 1 ,..., Fn liniar independenţi de
F1 ,...,Fr deci obţinem o bază F în Rn şi completăm G 0 cu n r vectori G r 1 ,...,G n liniar
independenţi de G1 ,...,G r deci obţinem baza G în Rn .
1
Avem G A F deci A G F şi aplicăm metoda pivotării din secţiunea 2.3.6 .
Exemplu
F1 F2
3 1 0
Fie UR subspaţiul bidimensional cu baza F0 şi VR3 subspaţiul
0 8
1 3
G1 G 2
2 1
bidimensional cu baza G 0 . Pentru a găsi matricea A a operatorului A care aplică
1 0
0 3
1 0 2
subspaţiul U în subspaţiul V, completăm pe F0 la F 0 8 5 cu det F 1 0 şi
1 3 0
2 1 0
completăm pe G 0 la G 1 0 1 cu det G 1 0 .
0 3 5
25 10 27
1
În secţiunea 2.3.6 am găsit: A G F 7
3 8
25 9 25
Se verifică faptul că A F1 G1 şi A F2 G 2 deci A U V .
1
Fie bazele F, G din Rn cu matricile de trecere S F G . Schimbarea matricii
operatorului liniar A la schimbarea bazei, se face după relaţia:
81
A G S1A F S
1 1
În adevăr, avem X G S X F şi YG S YF . Pe de altă parte YF A F X F şi
YG A G X G aşa că S1A FX F A GS1X F de unde: S1A F A GS1 adică A G S1A FS .
Calculul matricii A G se face cu programul MATASEM .
În particular, trecând de la baza standard E la baza F cu matricea de trecere S F , matricea
1
operatorului liniar A se transformă după relaţia: A F F A E F . În mod analog, la trecerea de
la baza standard E la baza G cu matricea de trecere S G , matricea operatorului liniar A se
1
transformă după relaţia: A G G A E G .
Shematic avem:
AE
-1 -1
F ·AE·F G ·AE·G
AF -1
AG
S ·AF·S
Exemplu
F1 F2 F3 G1 G 2 G3
1 0 2 2 1 0
Fie bazele F ; G cu matricea de trecere de la F la G
0 8 5 1 0 1
1 3 0 0 3 5
36 63 74
1
dată de relaţia: S F G 12 20 23
19 32 37
0 1 0
a) Fie operatorul A : R3 R3 cu matricea A 1
0 0 . Se cere matricea A F a
0 0 1
operatorului A în baza F.
b) Cunoscând matricea A F a operatorului A în baza F şi matricea de trecere S, să se afle
matricea A G a operatorului în baza G.
Soluţie
Un operator liniar A : Rn Rn se numeşte simetric dacă pentru orice X,X’ Rn avem:
Teorema 3.3
Dacă operatorul simetric A are în baza ortogonală F din Rn , matricea AF, aceasta este
simetrică.
Demonstraţie
' '
Fie X x1F1 ... xn Fn ; X' x1F1 ... x1Fn . Avem
1 Fi Fj
X X ' xi Fi x 'j Fj xi xi' deoarece Fi Fj ij . Rezultă
0 Fi Fj
relaţia:
Teorema 3.4
Demonstraţie
Avem A X A X' x A F x A F x x
i i
'
j j i
'
i X T X' deoarece
1 Fi Fj
A Fi A Fj ij , baza A (F)=G fiind ortonormală. Rezultă:
0 Fi Fj
83
T
Conform relaţiei (2) de mai sus avem X X ' X X ' , deci operatorul ortogonal A
conservă produsele scalare:
2 2
(6) A X X
Teorema 3.5
Demonstraţie
Avem A X A X; A X' A X' deci conform relaţiei (2) de mai sus avem:
T
A X A X' AX AX' AX AX ' X T A T AX ' .
T T T T
Conform relaţiei (4) avem: A X A X' X X' , rezultă X A AX ' X X ' aşa că
A T A E deci A este matrice ortogonală. Q.E.D.
Un operator A : Rn → Rn se numeşte afin dacă are forma : Y = A.X + X(0) unde A este o
matrice pătratică nesingulară de ordin n ( det(A) este nenul) iar X(0) este un vector-coloană fixat
din Rn .
Pentru X(0) = 0 operatorul afin devine liniar.
Mulţimea operatorilor afini pe Rn formează un grup faţă de compunerea operatorilor, numit
grupul afin al lui Rn .
O mulţime de vectori P inclusă în Rn este o mulţime de puncte fixe faţă de operatorul afin A
dacă A (P)=P.
Operatorul afin A este izometric dacă conservă distanţele între vectori : pentru orice X’ , X’’ din
R şi Y’=A . X’+X(0) ; Y’’= A . X’’+ X(0) avem
n
1. Translaţia
7) Omotetia faţă de O
3.7 Rezumat
3.8 Întrebări
3.9 Bibliografie
Conţinut :
4.6 Rezumat
4.7 Întrebări
4.8 Bibliografie
Dacă A este o matrice pătratică de ordin n, fie numărul real sau complex şi vectorul XRn
astfel că A.X = .X . se va numi valoare proprie a matricii A, iar X se va numi vector propriu al
matricii A.
În acest caz operatorul liniar A : Rn Rn a cărui matrice este A, transformă vectorul X în
vectorul Y A X A X λ X coliniar cu X.
În continuare ne vom referi la matricea pătratică A a operatorului A pe care îl vom
subînţelege.
Valorile proprii şi vectorii proprii apar în legătură cu problema de extrem (maxim/minim)
Y XT A X extrem cu Z X T X - Z0 0 . Formăm funcţia Lagrange:
L X T A X λ X T X - Z0 .
88
0 1 0 ... 0
0 0 1 ... 0
AP
0 0 0 ... 1
p1 p2 p3 . . . pn
astfel că det A λE P λ deci rădăcinile lui P λ sunt valorile proprii ale lui A P .
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:
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 .
Calculul coeficienţilor polinomului caracteristic
P λ det A λE λ n p1λ n1 p2 λ n 2 ... pn1λ pn se face cu metoda Leverrier.
Conform proprietăţii 3) a spectrului A al matricii A, dacă λ1 ,...,λ n A atunci
λ1m ,...,λ mn (Am) deci: Tr A m λ1m ... λ mn Tm
Între sumele de puteri Tm şi coeficienţii p1 ,..., pn avem identităţile Newton:
Tk p1Tk 1 p2 Tk 2 ... pk 1T1 pk T0 0
unde k 1,2,..., n
Cunoscând pe T0 k , T1 ,...,Tn , din identităţile Newton se obţin succesiv p1 ,..., pn :
k 1: T1 p1 0
k 2 : T2 p1T1 2 p2 0
k 3: T3 p1T2 p2 T1 3 p3 0
k n : Tn p1Tn 1 p2 Tn2 ... pn1T1 npn 0
Programul POLCAR calculează pe p1 , p2 ,..., pn din coeficienţii matricii A cu metoda de
mai sus.
În cazul n 3 ecuaţia caracteristică are forma:
a11 λ a12 a13
P λ a21 a22 λ a23 0
a31 a32 a33 λ
Avem P λ λ p1λ p2 λ p3 0 unde :
3 2
Exemplu
1 0 3
Fie matricea A 2 1 2
3 0 1
3 2
Se cer coeficienţii polinomului caracteristic: P λ det A λE λ p1λ p2 λ p3 0
Soluţie
Avem T1 Tr A 3
90
10 0 9
A 2 10 1 10 T2 Tr A 2 21
6 0 10
28 0 36
A3 42 1 42 T3 Tr A3 57
36 0 28
Avem:
T1 p1 0 deci p1 3
T2 p1T1 2 p2 0 deci p2 6
T3 p1T2 p2T1 3 p3 0 deci p3 8
3 2
Polinomul caracteristic al matricii A va fi λ 3λ 6λ 8 0 cu rădăcinile λ1 2 ;
λ 2 1 ; λ3 4 care sunt valorile proprii ale matricii A.
Fie polinomul caracteristic al matricii A: P λ λ p1λ
n n 1
p2 λ n2 ... pn
Întrucât operaţiile din membrul doi au sens şi pentru matrici, poate fi şi matrice.
De exemplu putem lua λ A . În acest caz avem:
Demonstraţie
matricea asociată matricii B A λE , B
Fie B este formată cu complemenţii algebrici
det B E unde
de ordin n 1 ai elementelor lui A λE . Avem B B
det B det A λE P λ .
Toate elementele matricii B sunt polinoame de grad n 1 în deci avem:
B λ n 1 B λ n 2 ... B λ+B .
B 0 1 n 2 n 1
det B E devine:
Relaţia B B
0 F1 G
Avem vectorul propriu: X Rn
E nr
0
Mulţimea tuturor vectorilor proprii X asociaţi valorii proprii λ 0 formează un subspaţiu
vectorial L(0 ) Rn de dimensiune n r0 , numit subspaţiu propriu al valorii proprii λ 0 .
92
C1X ... CS X 0
1 S
(1)
S
Înmulţim ambii membri la stânga cu A λ1E şi ţinem cont că A λ1E X 0.
Rezultă: C2 AX 2
λ1X
2
... C AX λ X 0
S
S
1
S
adică:
C2 λ 2 X λ1X
2 2
... C λ X λ X 0
S S
S
1
S
deci:
C2 λ 2 λ1 X ... CS λS λ1 X 0
2 S
(2)
2
Înmulţim ambii membri la stânga cu A λ 2 E şi ţinem cont că A λ 2 E X 0.
Obţinem:
C3 λ 3 λ1 λ 3 λ 2 X ... CS λS λ1 λS λ 2 X 0
3 S
(3)
După S 1 astfel de înmulţiri cu A λ 3E ,..., A λ S-1E obţinem:
CS λS λ1 λS λ 2 ... λS λS-1 X 0 şi cum λ1 ,..., λ S sunt diferite două câte două
S
rezultă CS 0
Scriind relaţia în altă ordine şi repetând procedeul rezultă CS-1 0,CS-2 0,...,C1 0 .
Q.E.D.
Exemple
2 1 1
1)
Fie matricea: A 1 2 1 . Se cer valorile proprii λ1 , λ 2 , λ 3 şi matricea S care are
1 1 2
pe coloane vectorii proprii ai matricii A.
Soluţie
Polinomul caracteristic P λ λ p1λ p2 λ p3 are coeficienţii:
3 2
p1 Tr A 6
a11 a12 a11 a13 a22 a23 2 1 2 1 2 1
p2 11
a21 a22 a31 a33 a32 a33 1 2 1 2 1 2
p3 det A 6
93
3 2 2
Polinomul caracteristic este deci: λ 6λ 11λ 6 0 şi are rădăcinile: λ1 3 ; λ 2 2 ;
λ 3 1.
2 3 1 1 1 1 1
Pentru λ1 3 avem A λ1E
2 3 1 1 1 1
a)
1
1 1 2 3 1 1 1
Baza A1 A2 A3
E1 -1 -1 1
E2 1 -1 -1
E3 1 -1 -1
A1 1 1 -1
E2 0 2 0
E3 0 2 0
A1 1 0 -1
A2 0 1 0
A3 0 0 0
x1 x3 0
Sistemul omogen A λ1E X 0 are acum forma: x2 0 deci
x3 x3
x1 1 1
1
X x2 0 x3 aşa că X 0 este vector propriu ce corespunde valorii proprii λ1 3
x 1 1
3
2 2 1 1 0 1 1
Pentru λ 2 2 avem A λ 2 E=
2 2 1 1 0 1
b)
1
1 1 2 2 1 1 0
Baza A1 A2 A3
E1 0 -1 1
E2 1 0 -1
E3 1 -1 0
94
A1 0 1 -1
E2 1 0 -1
E3 1 0 -1
A1 0 1 -1
A2 1 0 -1
E3 0 0 0
x2 x3 0 x1 x3 0
Sistemul omogen A λ 2 E X 0 are acum forma: x1 x3 0 adică: x2 x3 0
x3 x3 x3 x3
1 1
2
Rezultă X 1 x3 aşa că X 1 este vector propriu ce corespunde valorii proprii λ 2 2
1 1
2 1 1 1 1 1 1
c) Pentru λ 3 1 avem A λ 3E= 1
2 1 1 1 1 1
1 1 2 1 1 1 1
Baza A1 A2 A3
E1 1 -1 1
E2 1 1 -1
E3 1 -1 1
A1 1 -1 1
E2 0 2 -2
E3 0 0 0
A1 1 0 0
A2 0 1 -1
E3 0 0 0
95
x1 0 0
Sistemul omogen A λ 3E X 0 are acum forma: x2 x3 0 deci X 1 x3 aşa că
x3 x3 1
0
3
X 1 este vectorul propriu ce corespunde valorii proprii λ 3 1.
1
1 1 0
Matricea ce are pe coloane cei trei vectori proprii va fi: S 0 1 1
1 1 1
7 12 6
2)
Se dă matricea: A 10 19 10 . Se cer valorile proprii λ1 , λ 2 , λ 3 şi matricea S
12 24 13
care are pe coloane vectorii proprii ai matricii A.
Soluţie
Ca şi în exemplul 1) găsim polinomul caracteristic P λ λ λ λ 1 0 cu
3 2
λ1 λ 2 1 ; λ 3 1
7 1 12 6 6 12 6
a)
Pentru λ1 λ 2 1 avem A λ1E 10 19 1 10 10 20 10
12 24 13 1 12 24 12
Baza A1 A2 A3
E1 6 -12 6
E2 10 -20 10
E3 12 -24 12
A1 1 -2 1
E2 0 0 0
E3 0 0 0
x1 2 x2 x3 0
Sistemul omogen A λ1E X 0 are acum forma: x2 0
x3 x3
96
x1 2 1 2 1
1 2
Rezultă X x2 1 x2 0 x3 aşa că X 1 ; X 0 sunt cei doi vectori
x 0 1 0 1
3
ce corespund valorii proprii duble λ1 λ 2 1
1
2
Pentru λ 3 1 găsim ca şi la punctul 1) vectorul propriu X 5
3
b)
6
1
2 1 1
2
Matricea vectorilor proprii este S 1 0 5
6
0 1 1
3) Contraexemplu
1 3 3
Se dă matricea A 2 6 13 . Se cer valorile proprii λ1 , λ 2 , λ 3 şi matricea
1 4 8
S ce are pe coloane vectorii proprii ai matricii A.
Soluţie
3 2
Polinomul caracteristic este λ 3λ 3λ 1 0 cu rădăcina triplă λ1 λ 2 λ3 1
1 1 3 3 0 3 3
a)
Pentru λ1 1 avem A λ1E 2 6 1 13 2 7 13
1 4 8 1 1 4 7
Avem :
Baza A1 A2 A3
E1 0 -3 3
E2 -2 -7 13
E3 -1 -4 7
A2 0 1 -1
E2 -2 0 6
E3 -1 0 3
97
A2 0 1 -1
A1 1 0 -3
E3 0 0 0
x2 x3 0 x1 3 x3 0
Sistemul omogen A λ1E X are acum forma: x1 3 x3 0 sau x2 x3 0
x3 x3 x3 x3
x1 3 3
1
Rezultă X x2 1 x3 deci X 1 este singurul vector propriu ce corespunde valorii
x 1 1
3
proprii triple λ1 λ 2 λ 3 1
Matricea A nu este diagonalizabilă deoarece multiplicitatea geometrică a valorii proprii λ1 1 este
n rang A λ1E 3 2 1 în timp ce multiplicitatea algebrică a lui λ1 1 este 3.
Teorema 4.3
Matricile pătratice de ordin n care sunt asemenea, au aceeaşi urmă, acelaşi determinant şi
aceleaşi valori proprii.
Demonstraţie
1) Tr B Tr S1AS Tr S1 AS Tr S1 Tr AS
1
Tr S Tr A Tr S Tr A
1
2) det B det S1AS det S1 det A det S det S det A det S
det A
98
Teorema 4.4
λ i 1 i p; m λ1 ... m λ p n este egală cu multiplicitatea sa geometrică
n rang A λ i E dim( L λ i )
d) R n L λ1 ... L λ p
Demonstraţie
b) a)
1 n
Fie baza formată cu n vectorii proprii X ,...,X ai matricii A.
1 n
Fie S matricea pătratică de ordin n care are pe coloane vectorii proprii X ,...,X :
S X ,...,X
1 n
Avem :
λ1 0 λ1 0
1
Dacă B S A S
avem A S S B sau A S S
0 λ n 0 λ n
Coloana S j a lui S satisface relaţia A S j λiS j deci S j este vectorul propriu ce corespunde
valorii proprii λ j 1 j n .
b) c)
S-a observat mai sus că multiplicitatea algebrică a oricărei valori proprii λ i este mai mare
sau egală cu multiplicitatea sa geometrică. Rezultă că suma multiplicităţilor geometrice ale tuturor
valorilor proprii este mai mică sau egală cu n.
Suma a multiplicităţilor geometrice ale tuturor valorilor proprii este egală cu numărul al
vectorul proprii liniar independenţi ce corespund tuturor valorilor proprii ale lui A.
În condiţiile punctului b) avem β n deci şi α n aşa că multiplicităţile geometrice ale
valorilor proprii ating valorile lor maxime şi anume multiplicităţile lor algebrice.
Reciproc, în condiţiile punctului c) avem α n deci şi β n de unde rezultă punctul b)
b) d)
... α n X cu X ,...,X vectori proprii.
1 n 1 n
Pentru orice XRn avem X α1X
Grupând vectorii proprii care aparţin aceleiaşi valori proprii distincte λ i 1 i p
rezultă X L λ1 ... L λ p
Această sumă este directă deoarece L λ i L λ j 0 .
Rezultă R n L λ1 ... L λ p . Răsturnând săgeţile în raţionamentul precedent rezultă
d) b). Q.E.D.
(1)
Din teorema 4.4 rezultă descompunerea unică X X ... X ( p ) cu
X (i ) L λi 1 i p
aşa că AX AX
(1)
... AX (p) λ1X (1) ... λ p X (p) λ1 A1X ... λ p A p X unde
A1 ,...,A p sunt matrici simetrice de proiecţie cu Ai2 Ai . Descompunerea
AX λ1 A1X ... λ p A p X se numeşte descompunere spectrală.
Exemple
T T
2) Matricea normală (cu A A AA ) este diagonalizabilă după cum rezultă din teorema 4.5
de mai jos.
T
În particular sunt diagonalizabile matricea simetrică ( A A ), cea antisimetrică
T T 1
( A A ) şi cea ortogonală ( A A ).
100
O matrice pătratică de ordin n este ortogonal-diagonalizabilă dacă matricea S din relaţia
λ1 0
1
B S AS este matrice ortogonală ( ST S1 ). Pentru matrici normale se poate
0 λ n
demonstra o teoremă mai restrictivă ca teorema 4.4
Teorema 4.5
T
În continuare vom aborda două clase particulare de matrici normale: matrici simetrice ( A A )
T 1
şi matrici ortogonale ( A A ).
Teorema 4.6
T
O matrice de ordin n, simetrică ( A A ) are n valori proprii reale, simple sau multiple.
Demonstraţie
Fie o valoare proprie presupusă complexă şi vectorul propriu X al lui (şi el cu
componente complexe) ale matricii reale simetrice A.
Avem relaţia A X λ X . A fiind reală coincide cu conjugata sa complexă A: A A .
T
Avem: X A X X
T
A X X A X X λ X λX
T T T
X
T
Pe de altă parte A A aşa că avem:
T
X AX X T AT X AX X λXT X λ X T X
T
T
T
T
Rezultă: λ X X λ X X şi cum: X X X1 ... X n
2 2
0 rezultă λ λ deci
valoarea proprie este reală. Q.E.D.
Exemple
2 1 0
1)
Fie matricea simetrică: A 1 3 1 . Se cer valorile proprii reale λ1 , λ 2 , λ 3 şi
0 1 2
matricea S formată cu vectorii proprii pe coloane.
Soluţie
1
1
Pentru λ1 4 obţinem vectorul propriu: X 2 ;pentru λ 2 2 obţinem vectorul propriu
1
1 1
X 0 ; pentru λ3 1 obţinem vectorul propriu X 1
2 3
1 1
1 1 1
Avem S 2 0 1
1 1 1
Împărţind vectorii-coloană din S cu normele lor, obţinem matricea ortogonală:
1 1 1
6 2 3
2 1
S0 0
6 3
1 1 1
6 2 3
4 0
1
Avem B S0 AS0
2
0 1
3 2 2
2)
Se dă matricea simetrică: A 2 3 2 . Se cer valorile proprii λ1 , λ 2 , λ 3 şi matricea
2 2 3
S formată cu vectorii proprii pe coloane.
Soluţie
Ca şi în exemplele din secţiunea 4.1 găsim polinomul caracteristic:
P λ λ3 9λ 2 15λ 7 0 cu rădăcinile λ1 7 ; λ 2 λ 3 1 Pentru λ1 7 găsim vectorul
1 1 1
1
2
propriu X 1 iar pentru λ 2 λ 3 1 găsim vectorii proprii: X 1 ; X 0 .
3
1 0 1
1
3 2 3
Pentru ca vectorii proprii să fie ortogonali câte doi, înlocuim pe X cu X 2X 1
2
care este tot vector propriu ce corespunde valorii proprii λ 2 λ 3 1
102
1 1 1
1 1 1 3 2 6
1 1 1
Avem S 1 1 1 ; S0
1 0 2
3 2 6
1 0
2
3 6
7 0
1
Rezultă: B S0 AS0
1
0 1
3 2 2
3)
Se dă matricea simetrică: A 2 4 0 . Se cer valorile proprii λ1 , λ 2 , λ 3 şi
2 0 2
matricea S care are pe coloane vectorii proprii ai matricii A.
Soluţie
Ca şi în exemplele din secţiunea 4.1 găsim polinomul caracteristic: P λ λ 9λ 18λ 0
3 2
cu rădăcinile λ1 6 ; λ 2 3 ; λ 3 0
Faptul că λ 3 0 se datorează situaţiei că det A 0 şi rang A 2 .Pentru λ1 6 găsim
2 1
1
2
vectorul propriu X 2 ; pentru λ 2 3 găsim vectorul propriu X 2 iar pentru
1 2
λ3 0
1 2 1 1
1 1
3
găsim vectorul propriu X deci S 2 2 şi împărţind coloanele lui S cu
2 2
1 1 2 1
2 1 2
3 3 3
normele lor găsim matricea ortogonală: S0 2 2 1
3 3 3
1 2 2
3 3 3
6 0
1
Avem: B S AS0
3
0
0 0
Programul VPROPRII calculează valorile proprii (toate reale) şi vectorii proprii ai unei matrici
simetrice .
103
Teorema 4.7
T 1
O matrice A pătratică de ordin n care este ortogonală ( A A ) are valorile proprii de modul 1.
Demonstraţie
Dacă A este matrice pătratică de ordin n iar X,Y Rn avem egalitatea produselor scalare:
(1) A X Y X AT Y
T
Pentru Y A X relaţia (1) devine: AX AX X A A X
T
Cum A este ortogonală avem A A E deci rezultă:
(2) AX AX X X
sau:
2 2
(3) AX X
(4) AX λ X
2
Comparând (3) cu (4) rezultă λ 1 sau λ 1. Q.E.D.
Exemple
1 2 2
3 3 3
1) Fie matricea ortogonală: A 2 1 2 . Se cer valorile proprii λ1 , λ 2 , λ 3 şi
3 3 3
2 2 1
3 3 3
matricea S care are pe coloane vectorii proprii ai matricii A.
Soluţie
Ca şi în secţiunea 4.1 găsim polinomul caracteristic P λ λ λ λ 1 0 cu rădăcinile
3 2
λ1 λ 2 1 şi λ3 1
1 1
1
2
Pentru λ1 λ 2 1 găsim vectorii proprii X 1 şi X 0
0 1
1
3
Pentru λ 3 1 găsim vectorul propriu X 1
1
104
1
2 1
2X 1
2
Pentru ca vectorii proprii să fie ortogonali câte doi, înlocuim pe X cu X
2
care este tot vector propriu ce corespunde valorii λ1 λ 2 1 .
1 1 1
Avem S 1 1 1
0 2 1
Împărţind coloanele lui S cu normele lor, obţinem matricea ortogonală:
1 1 1
2 6 3
S0 1 1 1
2 6 3
0 2 1
6 3
1 0
1
Avem B S0 AS
1
0 1
1 0 0
2)
Se dă matricea ortogonală: A 0 0 1 . Se cer valorile proprii λ1 , λ 2 , λ 3 şi
0 1 0
matricea S ce are pe coloane vectorii proprii ai matricii A.
Soluţie
3 2
Ca şi mai sus, găsim polinomul caracteristic P λ λ λ λ 1 0 cu rădăcinile
λ1 λ 2 1 şi λ3 1
1 0
1 2
Pentru λ1 λ 2 1 obţinem vectorii proprii X 0 ; X 1 iar pentru λ 3 1 obţinem
0 1
0
3
vectorul propriu X 1
1
105
1 0 0
Vectorii proprii sunt ortogonali doi câte doi deci S 0 1 1 şi
0 1 1
1 0 0 1 0
S0 0 1 1 . Avem B S0 AS0
1
1
2 2 0
0 1 1
1
2 2
0
r12 r13 r1n
1
1
0 r23 r2 n
R 2
0 n1
0 0
n
Cu schimbarea de variabilă X = R.Z funcţia f(X) = XT.A.X devine f(Z) = ZT.( RT.A.R).Z
=ZT.B.Z unde B = RT.A.R. Matricile A şi B sunt deci congruente(vezi secţiunea 4.5)
106
0
0
1
1
Relaţia B = RT.A.R conduce la forma diagonală: B
2
0 n1
n
Demonstraţie
Vom arăta că matricea A este pozitiv definită dacă şi numai dacă matricea diagonală
b1 0
b2
T
B R AR are elementele b1 , b2 ,..., bn 0 ( R este matrice pătratică
0 bn
nesingulară de ordin n).
În adevăr, f X X A X prin transformarea liniară X R Z cu ZRn şi
T
f Z ZT BZ bi zi 0 aşa că bi 0 i 1,..., n .
Conform metodei Lagrange-Jacobi avem: 1b1 0 , 2b2 1 ,..., nbn n1
Cum 0 1 0 , A este negativ definită dacă şi numai dacă 1 , 2 ,..., n 0 .
Deasemenea A este negativ definită dacă –A este pozitiv definită deci b1 ,..., bn 0 . Cum
n
0 1 0 rezultă 1 0, 2 0, 3 0,..., 1 n 0 . Q.E.D.
Exemple
107
2 1 0
1)
Fie matricea simetrică nesingulară: A 1 3 1 . Să se aducă matricea A la forma
0 1 2
diagonală prin metoda Lagrange-Jacobi.
Soluţie
Aplicăm regula dreptunghiului fără a împărţi linia pivotului la pivot.
Baza A1 A2 A3
E1 2 1 0
E2 1 3 -1
E3 0 -1 2
A1 2 1 0
E2 0 5 -1
2
E3 0 -1 2
A1 2 1 0
E2 0 5 -1
2
E3 0 0 8
5
1 1 1
2 1
0
2 5 8
2 2
Rezultă S 0 5 1 . Prin inversare obţinem: R S1 0 . Rezultă
2 5 8
0 0 8 5
5 0 0
8
1 0
2
T
B R AR 2 .
5
0 5
8
1 2 5
Avem 0 1 , 0 deci 1 2 ; 1 deci 2 5 ; 2 deci 3 8
1 2 2 5 3 8
Avem 1 , 2 , 3 0 deci matricea simetrică A este pozitivă definită.
108
2 2 2
2)
Se dă matricea simetrică: A 2 5 4 . Să se aducă matricea A la forma
2 4 5
diagonală prin metoda Lagrange-Jacobi.
Soluţie
Aplicăm regula dreptunghiului fără a împărţi linia pivotului la pivot.
Baza A1 A2 A3
E1 -2 -2 2
E2 -2 -5 4
E3 2 4 -5
A1 -2 -2 2
E2 0 -3 2
E3 0 2 -3
A1 -2 -2 2
A2 0 -3 2
E3 0 0 5
3
1 1 1
2 2 2 3
5
2
1 2
Rezultă S 0 3 2 . Prin inversare avem: R S 0
1
3 5
0 0 5 3
3 0 0
5
1 0
2
Rezultă B R A R 1 .
T
3
0 3
5
1 1 3
Avem 0 1 ; 0 deci 1 2 0 ; 1 deci 2 6 0 ; 2 deci
1 2 2 3 3 5
3 10 0 aşa că matricea simetrică A este negativ definită.
109
1
Înmulţind această relaţie la dreapta cu U U T (U = matrice ortogonală) obţinem
descompunerea singulară a matricii A:
110
(1) A = VDUT
T
Pentru m n vom utiliza pe A în locul lui A.
1
1
1
Fie D de tip n m
r
0
Exemplu
1 0
T 2 1
Fie matricea A 1 1 cu m 3 n 2 . Avem A A A cu valorile
0 1 1 2
proprii λ1 3 ; λ 2 1 deci numerele singulare ale matricii A sunt 1 3 ; 2 1 .
Avem r rang A rang A 2 iar matricea ortogonală a versorilor proprii pentru
1 1 1 6
2 2 1
A este: U U1 , U 2 . Avem V1 A U1 2 6 ;
1 1 3
1 6
2 2
1 2
1
V2 A U2 0
1
1 2
Completăm pe V1 ,V2 cu vectorul-coloană V3 ortogonal pe V1 ,V2 şi cu V3 1 .
1 3
Rezultă V3 1 3
1 3
111
1 1 1
6 2 3
2 1
Avem V V1 ,V2 ,V3 0 care este matrice ortogonală. Avem
6 3
1 1 1
6 2 3
3 0
1
deasemenea: D 0 1 deci descompunerea singulară a matricii A va fi: A V D U .
0 0
1 2 1 1
0 0 3 3 3
Avem D 3
+ T
deci A U D V .
1 1 2
0 1 0 3 3 3
T
Fie în descompunerea singulară A V D U cazul particular m = n, deci A, U, V, D
T
sunt matrici pătratice de ordin n iar U, V sunt ortogonale. Avem V V E aşa că:
A V Σ V T V UT
T T
Fie P V Σ V şi Q V U . P este nenegativ definită şi are aceleaşi valori proprii cu
iar Q este ortogonală.
Descompunerea singulară se transformă în descompunerea polară a matricii pătratice A:
A = PQ
T
Matricile simetrice congruente A şi B S AS păstrează:
a) rangul: rang B rang A
b) numărul valorilor proprii nenule r rang A rang B şi al valorilor proprii nule
nr.
c) numărul valorilor proprii pozitive şi al valorilor proprii negative.
Demonstraţie
a) Avem rang AS rang A :
Mai întâi rang AS rang A .
În plus rang(A) = rang(ASS-1) rang(AS)
În mod analog avem rang(STA) = rang(A)
Rezultă rang(STAS) = rang(AS) = rang(A)
b) Matricea simetrică A este ortogonal-diagonalizabilă deci există matricea ortogonală
T
(nesingulară) Q astfel că Q AQ B este matrice diagonală având pe diagonală
r rang B rang A valori proprii nenule şi n r valori proprii nule.
c)
1) Fie mai întâi cazul când A = nesingulară.
Conform descompunerii polare, orice matrice pătratică nesingulară are forma A QR ,
unde Q este ortogonală şi R este superior triunghiulară cu diagonala strict pozitivă.
T
Fie matricea S t Q R t cu R t tE 1 t R şi fie A t S t AS t .
Matricile R t , S t , A t sunt nesingulare şi A 0 S AS ; A 1 Q AQ .
T T
n n
Un polinom pătratic (formă pătratică) P x a x x ij i j are matricea coeficienţilor
i 1 j 1
simetrică de ordin n: A aij . Polinomul pătratic P x are forma vectorială P x X AX
T
4.6 Rezumat
În acest capitol se definesc noţiunile de valoare proprie şi vector propriu al unui operator liniar ,
se dau proprietăţile şi modul lor de calcul.
Se prezintă forma diagonală a unei matrici cu referire la matricile simetrice şi ortogonale.
Se prezintă descompunerea singulară a unei matrici şi descompunerea polară a unei matrici
simetrice. Capitolul se încheie cu legea inerţiei matricilor simetrice congruente.
4.7 Întrebări
4.8 Bibliografie
Conţinut :
5.4 Rezumat
5.5 Întrebări
5.6 Bibliografie
Cuvinte cheie : soluţie generală şi soluţie particulară bazică a unui sistem liniar,sisteme
tridiagonale,erori în rezolvarea sistemelor liniare,soluţie generalizată a unui sistem liniar
incompatibil,mulţimi convexe şi polinoame concave/convexe ,soluţii bazice(extremale)
şi optime .
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
F G bp
Fie matricea extinsă de tip m n 1 : A/b = unde b p ;
H K bs
b
r
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
unde F bp şi H F / E m r b .
1 1
-1
O (m-r)·r 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 min im 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 / E m r b 0
1
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 compabil (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
de primele r linii principale. Avem:
116
x1
b1 x1 xr 1 b1
xr
E r F G F adică F G F de unde:
1 1 1 1
x
r 1 b x x b
r r n r
xn
x1 xr 1 b1
F1 G +F1 şi completând cu necunoscutele secundare
xr 1 ,..., xn ,
x x b
r n r
obţinem:
1 1
x1 F G xr 1 F b p
(1) X xr 1 ,..., xn R
x E x O
n n r n n r
F1 G
Matricea U este de tip n n r şi rang U n r . Coloanele sale
E n r
Ur+1,…,Un Rn sunt soluţii liniar independente ale sistemului omogen A X 0 . Aceste coloane
formează o bază în subspaţiul Ker(A)Rn cu dim Ker A n rang A .
F1 b p n
Coloana X B R este o soluţie particulară bazică (vezi secţiunea 5.2) a
Onr
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 X S X B unde XS R nr
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 + a12 y+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 +a12 y+a13z +a14 =0
117
a21x+a22 y+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 .
1
(3) X N E U UT U U T X B
Subcazul b)
b 'r 1
H F E mr b 0 .
1
b'
m
b 'r 1
În acest caz cel puţin o componentă a vectorului-coloană: H F E m r b
1
b'
m
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
'
01r b r+1
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
E2 0 11 7 14 32
3 3 3 3
E3 0 22 14 28 3α 35
3 3 3 3
E4 0 11 7 14 3β 49
3 3 3 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 întîia 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:
119
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
A 3 , A 4 ca şi termenul liber b al sistemului se exprimă cu ajutorul coloanelor bazice A1 , A 2 :
5 1
A3 11 A1 11 A 2
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:
584
147
3209
147 2 3561958
Conform relaţiei (3) rezultă soluţia normală X N cu X N min im .
151 49
147
156
147
Relaţia (4) se scrie şi sub forma:
5 1 15
11 x x
11
3 4
11
7 14 32
X x3 x4
11 11 11
x
3
x
4
120
deci
2 2
5
2 1 15 7 14 32
X x3 x4 x3 x4 x3 x4 f x3 , x4 min im
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
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).
a) Sisteme triunghiulare
Sistemele liniare superior-triunghiulare au forma A.X = b unde A este
matrice pătratică nesingulară superior triunghiulară : aij = 0 pentru i>j .Soluţia
acestor sisteme este dată de relaţiile :
xn bn / ann ;
n
(1) xi (bi a
j i 1
ij x j ) / ai j ; (i = n , n -1 ,...,1)
x1 b1 / a11 ;
i 1
(2) xi (bi ai j x j ) / ai j ; (i = 2 , 3 ,...,n)
j 1
Algoritmul Gauss prezentat în secţiunea 2.3 , aduce sistemul liniar A.X = b la forma
superior-triunghiulară şi îl rezolvă cu relaţiile (1) de mai sus .
b) Descompunerea A = L.U
Dacă matricea A are toţi minorii principali ∆1 , ∆2 ,…, ∆n nenuli , algoritmul Gauss
realizează descompunerea A = L.U unde L şu U sunt matrici pătratice nesingulare : L este
inferior-triunghiulară iar U este superior-triunghiulară .
Sistemul liniar A.X = b devine L.(U.X) = b deci cu notaţia U.X = Y ,vom rezolva sistemul
liniartriunghiular L.Y = b cu relaţiile (2) apoi vom rezolva sistemul liniar triunghiular U.X = Y cu
relaţiile (1).
121
Dacă A este matrice simetrică pozitiv definită (are toţi minorii principali ∆1 , ∆2 ,…, ∆n
strict pozitivi , respectiv toate valorile proprii reale strict pozitive) atunci există matricea pătratică
nesingulară de ordin n ,inferior triunghiulară astfec că are loc descompunerea Cholesky A = B.BT
conform relaţiilor :
i 1
b
ii a ii bik2 ; i = 1,...,n
k 1
(3) i 1
b (a b b ) / b ; j = i+1,...,n
ji i j
k 1
jk ik ii
Sistemul liniar A.X = b devine B.(BT.X) = b deci cu notaţia BT.X =Y , se rezolvă sistemul
liniar triunghiular B.Y = b în raport cu necunoscuta Y cu formulele (2) , apoi se rezolvă sistemul
liniar triunghiular BT.X = Y în raport cu necunoscuta X cu formulele (1).
b1 c1 0.........................0
a 2 b 2 c 2 0....................0
......................................
A 0........0 a i bi ci 0.........0
......................................
0..................0 a n-1 b n-1 c n-1
0........................0 a b
n n
t1 0......................0
a 2 t 2 0...................0
..............................
T 0.......0 a i t i 0.........0
..............................
0.............0 a n-1 t n-1 0
0.................0 a t
n n
1 s1 0...................0
0 1 s 2 0...............0
...............................
S 0..........0 1 s i 0.....0
...............................
0....................0 1 s n-1
0........................0 1
t1 b1; S1 C1 / t1
(1) ti bi aiSi 1; Si Ci / ti i 2,..., n 1
t b a S
n n n n 1
Exemplu
123
2u1 1 u2 4
u 4u 5u3 22
1 2
Să se rezolve sistemul tridiagonal de ordin 4:
3u2 6u3 u4 16
7u3 u4 25
Soluţie
Din relaţiile (1) avem succesiv:
1
t1 2; S1
2
9 10
t2 ; S2
2 9
8 3
t3 ; S3
3 4
25
t4
4
16
Din relaţiile (2) avem succesiv: v1 2; v2 ; v3 0; v4 4
3
Din relaţiile (3) avem succesiv soluţiile sistemului tridiagonal:
u4 4; u3 3; u2 2; u1 1 .
a) Înmulţirea polinoamelor
m m 1
Fie polinoamele: P x a0 x a1 x ... am1 x am de grad m şi
Q m b0 x n b1 x n 1 ... bn1 x bn de grad n. Produsul P x Q x de grad m n are
forma:
P x Q x C0 x m n C1 x m n 1 ... C m n1 x C m n
Coeficienţii C 0 , C1 , ..., C m n se pot obţine prin înmulţirea unei matrici cu un vector-
T
coloană. Fie vectorul-coloană: b b0 , b1 , ..., bn , 0, ..., 0 R
m n 1
şi fie matricea pătratică
0 1 m mn
0 a0 0 0 0
1a a0 0 0
1
a1
de ordin m n 1 :
A m am a0
0 am a1
0
m n 0 0 am a1 a0
124
T
Vectorul-coloană: C C 0 , C1 , ..., C m n R
m n 1
se obţine din produsul:
(1) C=A∙b
Exemplu
Fie polinoamele P x 6 x x 2 x 7 şi Q x 3 x x 1 de grade m 3 şi
3 2 2
T
n 2 . Avem b 3; 1; 1; 0; 0; 0 R 6 şi matricea:
6 0 0 0 0 0
1 6 0 0 0 0
-2 1 6 0 0 0
A
7 -2 1 6 0 0
0 7 -2 1 6 0
0 0 7 -2 1 6
T
Vectorul c C 0 , C1 , C 2 , C3 , C 4 , C5 , C6 R se obţine din produsul: C A b adică
6
T
c 18; 9; -11; 18; 9; -7 R 6 deci P x Q x 18 x5 9 x4 11x3 18 x 2 9 x 7 .
Programul POLINM face aceste calcule.
b) Împărţirea polinoamelor
m m 1
Fie polinoamele: P x a0 x a1 x ... am1 x am de grad m şi
Q m b0 x n b1 x n 1 ... bn1 x bn de grad n. În ipoteza că m n prin împărţirea
polinomului P x la polinomul Q x se obţine polinomul-cât:
C x C0 x mn C1 x mn1 ... Cmn1 x Cmn de grad m n şi polinomul-rest:
R x r0 x n1 r1 x n 2 ... rn 1 x rn de grad n 1. Avem P x Q x C x R x de
unde: R x P x Q x C x .
Coeficienţii c0 , c1 , ..., cm n se obţin ca soluţie a unui sistem liniar compatibil determinat.
T
Fie vectorul-coloană redus: ar a0 , a1 , ..., am n R
m n 1
şi fie matricea pătratică de ordin
m n 1 redusă:
125
0 1 m mn
0 b0 0 0 0
1 b b0
1
b1
Br m b0
b1
0
m n bmn bmn1 b1 b0
T
Vectorul-coloană redus: cr c0 , c1 , ..., cm n R
m n 1
se obţine din ecuaţia matricială
Brcr=a r de unde:
1
(2) c r Br a r
m n 1
Br-1 există deoarece det Br b0 0 . Restul R x de grad n 1 se obţine din relaţia
R x P x Q x C x unde produsul Q x C x se obţine ca la punctul 1.:
T
Fie vectorul-coloană: a a0 , a1 , ..., am R
m 1
, fie matricea pătratică de ordin m 1:
0 1 m m
0 b0 0 0 0
1 b1 b0 0 0
b1
B n bn b0
0 bn b1
0
m 0 0 bn b1 b0
T
şi fie vectorul-coloană: c c0 , c1 , ..., cnm , 0, ..., 0 R
m 1
Exemplu
3 2 2
Fie polinoamele P x 6 x x 2 x 7 de grad m 3 şi Q x 3 x x 1 de
grad n 2 .
126
3
9 0
T 2 3 0 1
Avem: ar 6;1 R şi matricea redusă: Br cu inversa Br
1 3 1 3
9 9
2
1
Rezultă din relaţia (2): cr B ar 1 aşa că C x 2 x .
1
r
3
3
T 4
Avem: a 6; 1; 2; 7 R precum şi matricea de ordin m 1 4 :
3 0 0 0
1 3 0 0
B
-1 1 3 0
0 -1 1 3
1
şi vectorul-coloană c 2; ; 0; 0 R 4
3
Din relaţia (3) rezultă:
T
T 7 1 1 20 4
r a B c 6; 1; 2; 7 6; 1; ; 0; 0; ; R
3 3 3 3
1 20 2 1 20
Vectorul redus rr ; R dă coeficienţii restului R x x
3 3 3 3
Programul POLIMP face aceste calcule.
c0 a0
C C x a
1 0 0 1
C2 C1 x0 a2
Cm -1 Cm 2 x0 am1
r0 Cm1 x0 am
n
(1) xik Cij x j ,k 1 bi k 1,2,..., m
j 1
Se arată că dacă:
n
(2) max
1i n
C
j 1
ij q 1
x1k
k
atunci şirul de vectori X R n dat de relaţia (1) , este convergent către soluţia exactă
x
nk
x1e
X e = R n a sistemului AX b
x
ne
x1
Fie norma vectorului X R dată de relaţia: X max xi
n
x 1i n
n
qm
Eroarea antecalculată a procesului iterativ din ecuaţia (1) este: EA b deoarece
1 q
X X EA ε1 .
m
129
1
X X
m 1 m
Eroarea postcalculată a procesului iterativ din ecuaţia (1) este: EP
1 q
m
deoarece X X EP ε 2 .
m
Eroarea de verificare este EV AX b ε3
Exemplu
0.4 x1 0.1x2 0.2 x3 1.2
Fie sistemul liniar compatibil determinat: 0.1x1 0.5 x2 0.1x3 1.4
0.2 x 0.1x 0.6 x 2.2
1 2 3
Avem
q max 0.6 0.1 0.2 ; 0.1 0.5 0.1 ; 0.2 0.1 0.4 0.9 1 deci
1
procesul iterativ este convergent către soluţia exactă X e 2 a sistemului liniar.
3
Avem relaţiile de recurenţă (1):
b) Metoda Gauss-Seidel
Fie sistemul liniar A.X = b în care A este matrice simetrică pozitiv definită .
Fie 1 2 … n 0 valorile proprii strict pozitive ale matricii A .
Soluţia X R n va fi limita şirului recurent : X(k) = X(k – 1) + .( b – A. X(k – 1 ) ) cu X(0) oarecare
, > 0 şi k N .
Teorema 6.1
Şirul X(k) este convergent către soluţia X a sistemului liniar A.X = b dacă şi numai dacă
0 < < 2 / 1 .
Demonstraţie
Vom lua ca valori iniţiale ale soluţiilor sistemului liniar pe x1(0) = x2(0) = x3(0) = 1
După k = m = 20 iteraţii avem soluţia aproximativă :
x1(20) = 2.012685 ; x2(20) = 3.008457 ; x3(20) = 4.004229 în timp ce soluţia exactă este
x1 = 2 ; x2 = 3 ; x3 = 4
Eroarea postcalculată este EP = X(20) - X( 19) = 0.0342354 în timp ce eroarea de verificare este
EV = A. X(20) - b = 0.1027078
Programul RICHARD face aceste calcule .
Teorema 5.2
2
m
2 n
Avem AX b aij x j bi min im pentru X X A b
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):
132
F m n
ai1 aij x j bi 0
x1 i 1 j 1
F a a x b 0
m n
xn i 1
in ij j
j 1
i
adică:
m n m
i1 ij j ai1bi
a a x
i 1 j 1 i 1
m n m
ain aij x j aimbi
i 1 j 1 i 1
deci matricial:
(1) A A X A b
T T
Dacă rang(A) = max( m, n) soluţia generalizată X+ = A+b verifică condiţia de minim (1).
T 1 T 1
În adevăr, pentru m n avem A A AA
T
deci X A AA b şi (1) devine:
T
T 1 T 1
A A A AA b A b sau: A AA AA A b deci: A b A b .
T T T T T T T T
1 1
Pentru m n avem A A A A deci: X A A A b şi (1) devine:
T T T T
1
A A A A A b A b adică: A b A b . Q.E.D.
T T T T T T
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 x4 1
Soluţie
Avem rang A 2 rang A / b 3 deci sistemul este incompatibil.
3 0 3
1 1 2
1
În secţiunea 2.3.4 am găsit: A
9 2 1 1
4 1 5
133
12
1 11 T T
Soluţia generalizată este X A b . Ea verifică şi sistemul A AX A b .
9 1
23
2
m
n
2
Avem AX b aij x j bi
i 1 j 1
Avem:
12
1 1 2 0
3
11 6
n
1
aij x j b j 1 2 3 1
1
j 1 9
0 1 1 1
23 1
3 3 24 1 1
1 9 1 24 8
30 6 24 1 1
9 9 9 9 1 3 1
33 1 24
2 64 2 2 64
Rezultă: AX b
1 1 12 min im
9 3
Fie o mulţime de vectori URn . Dacă X ', X '' U , numim segmentul închis cu capetele
X,X mulţimea X'; X'' a vectorilor din Rn de forma 1 λ X ' λX '' cu λ 0;1 . Mulţimea
U se numeşte convexă dacă pentru orice X ', 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 URn este generată de vectorii X , ..., X dacă pentru orice
X U avem X λ1X ... λ p X cu 0 λi 1 şi λ1 ... λ p 1.
1 p
Dacă U1 , U2 sunt mulţimi convexe din Rn şi α,β sunt numere reale atunci U1 ∩ U2 şi
α U1 + 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 Rn
este vectorul-coloană al necunoscutelor iar bRm este vectorul-coloană al termenilor liberi. În 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 5.1.1 , soluţia generală are forma:
134
(1) X A 'm1 xm 1 ... A 'n xn b '
n
unde xm+1,…,xn R sunt parametri arbitrari. Aici A 'm 1 , ..., A 'n R sunt soluţii liniar
b '1
b 'm n
independente ale sistemului A X 0 iar b ' R este o soluţie particulară bazică a
0
0
sistemului neomogen, obţinută din soluţia generală a sistemului neomogen pentru
xm1 ... xn 0 .
O soluţie XRn 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.
Exemplu
Dacă în soluţia (1) de mai sus avem b '1 0, ..., b 'm 0 atunci soluţia b ' este bazică. O
soluţie posibilă X U, X 0 se numeşte extremală dacă X 1 λ X ' λX '' cu
X ', X '' U , 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 5.3
Orice soluţie bazică este extremală şi reciproc. Numărul acestor soluţii este finit (egal cel mult cu
Cmn )
Demonstraţie
Teorema 5.4
Dacă sistemul de ecuaţii liniare AX b , X 0 are soluţii posibile, are şi soluţii posibile bazice.
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 A m 0 cu X i nu toţi
nuli. Dacă notăm X ' X '1 , ..., X 'm , 0, ..., 0 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
I 2 i 1 i m, x 'i 0 şi fie:
max xi max xi
, I1 0 , I2 0
λ1 i I1 x 'i ; λ 2 i I 2 x 'i
, I1 0 , I2 0
Teorema 5.5
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 p
X λ1X ... λ p X 0 λ i 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 5.3 şi bazice). Dacă de exemplu X n-ar fi soluţie
1
extremală am avea: X 1 λ X ' λX '' unde
X ', X '' U şi 0 λ 1 . Dar X' λ1' X1 ... λ 'p X p 0 λ i' 1 λ1' ... λ 'p 1 şi
X'' λ1'' X ... λ ''p X
p
1
0 λ ''
i 1 λ1'' ... λ ''p 1 . Rezultă:
X1 1 λ λ1' X 1 ... λ 'p X p λ λ1'' X 1 ... λ ''p X 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 λ 'i 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:
' ''
1
X
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 λ i λλ i 1 avem: 1 λ λ i λλ i 0 pentru i 2, ..., p şi cum 0 λ 1
' '' ' ' '' ''
rezultă λ i λ i 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
137
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
CAZURI:
4 x 3 x4 10
1) x1 x2 0 . Rezultă 3 care este sistem incompatibil
8 x3 6 x4 21
2 x 3 x4 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
5
2 x 8 x3 21 x4 2
138
0
2 1
Avem a doua soluţie posibilă bazică X
2
0
x 3 x4 10
4) x2 x3 0 . Rezultă 1 care este sistem incompatibil.
2 x1 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
8
1
3
Rezultă a treia soluţie posibilă bazică: X . 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
x
4
8λ 3 8λ3
x1 λ λ λ 1
x 1 2 3
2 1 2 3
bazice: X λ1X λ 2 X λ 3 X 2λ 2 2λ 2 unde 0 λ i 1 şi
x3
8λ 1 8λ1
x4
3 3
λ1 λ 2 λ 3 1 .
Programul SOLBAZ calculează toate soluţiile bazice şi calculează valorile unei funcţii liniare /
pătratice f pe mulţimea acestor soluţii bazice , găsind valoarea maximă şi minimă a lui f (vezi
sfârşitul secţiunii 5.3) .
O funcţie f: U R este concavă dacă pentru orice X ', X '' U şi orice λ 0; 1 avem:
139
Exemplu
Funcţia polinomială liniară f x C X C1 x1 ... Cn xn este şi convexă şi concavă
T
pe Rn .
Teorema 5.6
Funcţia f: U Rn R este convexă dacă şi numai dacă pentru X ', X '' U avem:
adică hiperplanul tangent la graficul lui f în X ' rămâne sub graficul lui f.
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:
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 avem:
1 2
f X '' f X ' df X ' X ' X '' d 2 f X ' X '' X ' R 2 X '' X '' X '
2
Pentru X '' suficient de aproape de X ' , relaţia (3) capătă forma:
deci f este convexă pe U Rn dacă şi numai dacă este îndeplinită relaţia (8).
În mod analog relaţia (7) capătă forma:
Exemplu
Fie funcţia polinomială pătratică: f x e 2C X X DX unde D este matrice
T T
Un criteriu pentru matrici simetrice D pozitiv definite, respectiv negativ definite este dat de
Sylvester şi a fost demonstrat în secţiunea 4.3.2 (teorema 4.8):
d11 d12 d1n
d d22 d2 n
Fie D 21 cu dij d ji 1 i, j n matricea simetrică a părţii
d n1 d n 2 d nn
X T C X din funcţia polinomială pătratică: f X e CT X X T D X
Fie minorii principali:
d11 d1k
d11 d12
D1 d11 , D 2 ,..., Dk ,..., D n det D
d 21 d 22
d k1 d kk
141
Exemple
1) Se dă funcţia polinomială pătratică:
f x1 , x2 , x3 3 x12 3 x22 3 x32 4 x1 x2 4 x1 x3 4 x2 x3 6 x1 8 x2 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 X 0 .
Soluţie
3 2 2 3
Avem D 2 3 2 ; C 4 ; e 10
2 2 3 3
3 2
Avem D1 3 3 0 ; D 2 5 0 ; D3 det C 7 deci f este funcţie convexă pe
2 3
5 2 2 3 1
0 1 1 1
2 5 2 4 8 deci
R3. Punctul de minim X este: X 0 D C
7 7
3 1
2 2 5
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 5 x22 5 x32 4 x1 x2 8 x1 x3 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 X 0 .
Soluţie
6 2 4 3
Avem: D 2 5 0 ; C 2 ; e 15
4 0 5 2
142
6 2
Avem D1 6 6 a ; D 2 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
1 1 1 15 28
X 0 D C 10 14 8 2 28 deci X10 ; X 20 ;
50 2 50 8 50 50
20 8 26
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
Teorema 5.7
T
Dacă o funcţie liniară f C X cu legături liniare AX b , X 0 are soluţii optime, are şi
soluţii bazice optime.
Demonstraţie
T
Fie X o soluţie optimă (de exemplu cu f C 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 5.4 am găsi soluţia posibilă X λX' 0 . Dacă X
este soluţie optimă (presupusă de minim pentru f) deci:
f X CT X f X λX' CT X+λCT X' aşa că λCT X' 0 . Nu putem avea CT X' 0
T T T
deoarece alegând de semn contrar lui C X' am avea λC X'<0 absurd căci λC X' 0 .
T
Rezultă C X'=0 aşa că X λX ' este deasemenea soluţie optimă.
Ca şi în demonstraţia teoremei 5.4, 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 5.8
T
Mulţimea soluţiilor optime V U ale unei funcţii liniare f C 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 ' CT X'=f X '' CT X''=OPTIM
Pentru orice 0 λ 1 , 1 λ X ' λX '' este soluţie posibilă, conform teoremei 5.5
Mai mult,
143
Soluţii posibile U
Soluţii
bazice
Soluţii Soluţii V
Optime bazice
optime VB
UB
Exemplu
x1 2 x2 4 x3 3 x4 10
În secţiunea 5.2 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
1
2 1 3 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 R 4 X λ1X λ 2 X λ3 X ; 0 λ i 1; λ1 λ 2 λ 3 1
1 2 3
Dacă mulţimea convexă U este mărginită (este complet conţinută într-o sferă de rază
infinită) şi închisă (îşi conţine frontiera) atunci orice funcţie liniară
f X C1X1 C2 X 2 C3X3 C4 X 4 are soluţie optimă pe U, care dacă este unică este
neapărat bazică conform teoremei 5.8
14
6 ; f X 10 deci f
f X
2 3
min im
3
1
pentru X X şi f max im 10 pentru
X X .
3
144
5.4 Rezumat
În acest capitol se prezintă rezolvarea şi discuţia unui sistem de ecuaţii liniare neomogen cu
aplicaţii la operaţii cu polinoame şi 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 linia compatibil nedeterminat ca o pregătire pentru programarea liniară din cap.6
5.5 Întrebări
5.6 Bibliografie
6.3 Găsirea soluţiilor soluţiilor optime pentru modelele liniare primal şi dual cu metoda simplex
cu calculatorul .
6.6 Eşalonarea optimă a activităţilor unui proiect agricol prin metoda drumului critic
6.7 Rezumat
6.8 Întrebări
6.9 Bibliografie
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
148
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 producerecumpărare, 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 1 care urmează, furnizează datele necesare pentru elaborarea micromodelului raţiei furajere
optime pentru o vacă de 500 kg şi 15 litri laptezi în sezonul de iarnă.
TABEL 1
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, vom elabora 6 modele liniare de optimizare a raţiei furajere 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 „ = ”, 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 modelele V şi VI conţinute
în tabelele 3 şi 4 avem L 6 , E 0 , G = 7 deci M = 13 restricţii şi P 4 variabile proprii
x1 , x2 , x3 , x4 respectiv L 5 , E 0 , G = 8 deci M = 13 restricţii şi P 4 variabile proprii
x1 , x2 , x3 , x4 .
149
TABEL 2
Furaje Fân Porumb Sfeclă Tărâţe Semn Limite
lucernă siloz furajeră Grâu
Restricţii X1 (kg) X2 (kg) X3 (kg) X4 (kg)
Fân MAX 1 0 0 0 15 kg
Porumb MAX 0 1 0 0 25 kg
Sfeclă MAX 0 0 1 0 15 kg
Tărâţe MAX 0 0 0 1 3 kg
Greutate 1 1 1 1 40 kg
Cheltuieli 0.52 0.20 0.18 0.60 12 lei
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
Fân MIN 1 0 0 0 10 kg
Porumb MIN 0 1 0 0 15 kg
Sfeclă MIN 0 0 1 0 10 kg
Tărâţe MIN 0 0 0 1 1 kg
Venit (V) 0.72 0.30 0.24 0.80 MAX
TABEL 3
Furaje Fân Porumb Sfeclă Tărâţe Semn Limite
lucernă siloz furajeră Grâu
Restricţii X1 (kg) X2 (kg) X3 (kg) X4 (kg)
Fân MAX 1 0 0 0 15 kg
Porumb MAX 0 1 0 0 25 kg
Sfeclă MAX 0 0 1 0 15 kg
Tărâţe MAX 0 0 0 1 3 kg
Greutate 1 1 1 1 40 kg
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
Venit(V) 0.72 0.30 0.24 0.80 16.2 lei
Fân MIN 1 0 0 0 10kg
Porumb MIN 0 1 0 0 15 kg
Sfeclă MIN 0 0 1 0 10 kg
Tărâţe MIN 0 0 0 1 1 kg
Cheltuieli (C) 0.52 0.20 0.18 0.60 MIN
Modelele liniare de optimizare conţinute în Tabel 3 (model V) şi Tabel 4 (model VI) se scriu din
punct de vedere matematic sub formă de inecuaţiiecuaţii 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 6.3
150
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 4 care urmează, furnizează datele necesare pentru elaborarea micromodelului structurii
optime a culturilor. Pe baza datelor din Tabelul 4 vom 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.
Pentru modelele V şi VI conţinute în Tabelele 5 şi 6 avem L = 8 , E 1 , G 4 deci
151
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 4
Culturi Grâu Porumb Floarea Sfeclă Limite
Soarelui de zahăr
Resurse
Motorină(litri / Ha) 150 180 190 200 17100 Mcal.
Combatere burieni, 50 40 60 80 5000 lei
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 5
Culturi Grâu Porumb Fl.soare Sfeclă zahăr Semn Limite
Grâu MAX 1 0 0 0 40 ha
Porumb MAX 0 1 0 0 60 ha
Fl. Soarelui MAX 0 0 1 0 20 ha
Sfeclă zahăr MAX 0 0 0 1 10 ha
Motorină(litri) 150 180 190 200 17100 litri
Combatere burieni, 50 40 60 80 5000 lei
boli şi dăunători
Îngrăşăminte 150 100 120 140 12500 kg
chimice
Cheltuieli (C) 840 960 990 1050 92000 lei
Suprafaţa 1 1 1 1 = 100 ha
Grâu MIN 1 0 0 0 30 ha
Porumb MIN 0 1 0 0 40 ha
Fl.Soarelui MIN 0 0 1 0 10 ha
Sfeclă zahăr MIN 0 0 0 1 4 ha
Venit (V) 1200 1500 1200 1800 MAX
152
TABEL6
Culturi Grâu Porumb Fl.soarelui Sfeclă Semn Limite
zahăr
Restricţii X1 (ha) X2 (ha) X3 (ha) X4 (ha)
Grâu MAX 1 0 0 0 40 ha
Porumb MAX 0 1 0 0 60 ha
Fl. Soarelui MAX 0 0 1 0 20 ha
Sfeclă zahăr MAX 0 0 0 1 10 ha
Motorină(litri) 150 180 190 200 17100 litri
Combatere burieni, 50 40 60 80 5000
boli şi dăunători lei
Îngrăşăminte 150 100 120 140 12500
Chimice kg
Suprafaţa 1 1 1 1 = 100 ha
Venituri (V) ( lei) 1200 1500 1200 1800 136500 lei
Grâu MIN 1 0 0 0 30 ha
Porumb MIN 0 1 0 0 40 ha
Fl.soarelui MIN 0 0 1 0 10 ha
Sfeclă zahăr MIN 0 0 0 1 4 ha
Cheltuieli (C) (lei) 840 960 990 1050 MIN
Modele liniare de optimizare conţinute în Tabelul 5 (model V) şi Tabel 6 (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 6.3
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.
153
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 7 de mai jos conţine datele necesare pentru a elabora cele 6 modele precedente. Nu se admite
monocultură iar cheltuielileveniturile 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 8 şi 9,
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 .
TABEL 7
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
Sfeclă
1200 1100 1000 4 15
De zahăr
Cheltuieli Venituri
Suprafeţe cu
40 ha 50 ha 5 ha Totale(lei) Totale(lei)
premergătoare
≤ 94000 lei ≥ 141000 lei
154
TABEL 8
PREMERGĂTOARE GRÂU PORUMB SOIA
Porumb Sfeclă Grâu Sfeclă Grâu Porumb Sfeclă
SEMN
SUCCESOARE
Zahăr Zahăr Zahăr
LIMITE
RESTRICŢII ↓ X1(ha) X2(ha) X3(ha) X4(ha) X5(ha) X6(ha) X7(ha)
Grâu MAX 0 0 1 0 1 0 0 50 ha
Porumb MAX 1 0 0 0 0 1 0 60 ha
Sfeclă de zahăr MAX 0 1 0 1 0 0 1 15 ha
Cheltuieli (C) 1000 1200 800 1100 700 900 1000 94000
lei
SUPRAFAŢĂ 1 1 1 1 1 1 1 = 100 ha
SUPRAFAŢĂ 1 1 0 0 0 0 0 = 45 ha
Grâu premergător
SUPRAFAŢĂ 0 0 1 1 0 0 0 = 50 ha
Porumb premergător
SUPRAFAŢĂ 0 0 0 0 1 1 1 = 5 ha
Soia premergător
Grâu MIN 0 0 1 0 1 0 0 30 ha
Porumb MIN 1 0 0 0 0 1 0 40 ha
Sfeclă de zahăr MIN 0 1 0 1 0 0 1 4 ha
Venituri (V) 1500 1800 1200 1900 1300 1600 2000 MAX
TABEL 9
PREMERGĂTOARE GRÂU PORUMB SOIA
Porumb Sfeclă Grâu Sfeclă Grâu Porumb Sfeclă
SEMN
SUCCESOARE
zahăr Zahăr Zahăr
LIMITE
RESTRICŢII ↓ X1 (ha) X2 (ha) X3 (ha) X4 (ha) X5(ha) X6(ha) X7(ha)
Grâu MAX 0 0 1 0 1 0 0 50 ha
Porumb MAX 1 0 0 0 0 1 0 60 ha
Sfeclă zahăr MAX 0 1 0 1 0 0 1 15 ha
SUPRAFAŢĂ 1 1 1 1 1 1 1 = 100 ha
SUPRAFAŢĂ 1 1 0 0 0 0 0 = 45 ha
Grâu premergător
SUPRAFAŢĂ 0 0 1 1 0 0 0 = 50 ha
Porumb premergător
SUPRAFAŢĂ 0 0 0 0 1 1 1 = 5 ha
Soia premergător
Venituri (V) 1500 1800 1200 1900 1300 1600 2000 140000
lei
Grâu MIN 0 0 1 0 1 0 0 30 ha
Porumb MIN 1 0 0 0 0 1 0 40 ha
Sfeclă zahăr MIN 0 1 0 1 0 0 1 4 ha
Cheltuieli (C) 1000 1200 800 1100 700 900 1000 MIN
155
Cele 2 modele liniare de optimizare conţinute în Tabelul 8 (Modelul V) şi Tabelul 9
(Modelul VI) se scriu din punct de vedere matematic sub formă de inecuaţii ecuaţii în ordinea
„ ” , „ = ” , „ ” cu variabilele (neconoscute) nenegative şi funcţie-obiectiv optimă (max min).
Soluţia optimă a acestui model va fi dată în secţiunea 6.3
Cupajul optim al vinurilor constă în amestecul mai multor sortimente de vinuri în proporţii care
să asigure îndeplinirea anumitor condiţii de calitate şi să aibă un cost cât mai redus.
Exemple de condiţii de calitate
- tăria alcoolică (raportul între numărul de grade Salleron şi cantitatea sortimentului de vin);
- conţinutul de zahăr (g /litru) (raportul între cantitatea de zahăr şi cantitatea sortimentului de
vin);
- aciditatea organică sau volatilă(mg hidroxid de potasiu / g)
Exemplu
Dorim să preparăm un vin aromat(pelin) în cantitate de 274808 litri din 7 componente
codificate după cum urmează :
A= Vin de masă nobil în cantitate de 100000 litri,tărie alcoolică 8.954,conţinut zahăr 0 şi cost
5.30 lei/litru.
B= Vin de industrie nobil Rozé în cantitate de 25000 litri,tărie alcoolică 7.888,conţinut zahăr 0
şi cost 3.55 lei/litru.
C= Vin de masă superior hibrid în cantitate de 150000 litri,tărie alcoolică 9.390,conţinut zahăr 0
şi cost 3.75 lei/litru.
D= Vin de regiune în cantitate de 50000 litri,tărie alcoolică 11.827,conţinut zahăr 0 şi cost 7.20
lei/litru.
E= Must alcoolizat în cantitate de 15000 litri,tărie alcoolică 15.792 , conţinut zahăr 121.75 şi
cost 7 lei/litru.
F= Sirop(din 5735 Kg zahăr) în cantitate de 15000 litri,tărie alcoolică 0,conţinut zahăr 531.95 şi
cost 2.27 lei/litru.
Dorim ca amestecul rezultat să aibă tăria alcoolică de cel puţin 9.376 ,conţinut de zahăr de 25 g
/ litru şi să aibă costul minim.
Variabilele modelului vor fi cantităţile x1,…,x7 în litri din componentele A-F care vor intra în
amestec.
Urmează macheta modelului liniar de optimizare al cupajului vinurilor.
SORTIMENT
A B C D E F
X1(LITRI) X2 (LITRI) X3(LITRI) X4 (LITRI) X5(LITRI) X6 (LITRI)
SEMN LIMITE
RESTRICŢII
A max 1 0 0 0 0 0 ≤ 100000 litri
B max 0 1 0 0 0 0 ≤ 25000 litri
C max 0 0 1 0 0 0 ≤ 150000 litri
D max 0 0 0 1 0 0 ≤ 50000 litri
E max 0 0 0 0 1 0 ≤ 15000 litri
F max 0 0 0 0 0 1 ≤ 15000 litri
CANTITATE 1 1 1 1 1 1 = 274808 litri
ZAHĂR 0 0 0 0 121.75 531.95 = 6870200
TĂRIE 8.594 7.888 9.390 11.827 15.792 0 ≥ 2576600
ALCOOLICĂ
CHELTUIELI 5.30 3.55 3.75 7.20 7.00 2.27 MINIM
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 ... aL1,P xP bL1
1
a x ... aL E,P xP bL E
L E,1 1
aL E 1,1 x1 ... aL E1,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
A L X BL
4 A E X BE
A X B
G G
5 X 0
6 f CT X Optim
157
a11 a1N b1 x1 c1
A ; B ; X ; C
a b x c
M1 aMN M N N
10 AX B
11 X0
12 f CT X Optim
a11y1 ... aL1y L aL1,1y L 1 ... aL E,1y L E aL E 1,1 y L E1 ... aM1y M c1
13
a y ... a y a
1P 1 LP L L+1,P y L 1 ... aL+E,P y L E aL E 1,P y L E 1 ... aMP y M cP
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 , ... , y M devine standard prin
introducerea a P variabile duale de egalizare: ye1 , ... , ye P . Modelul dual standard are forma:
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 , ... , ye P ;
y1 , ... , y M .
Exemple:
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.
Fie problemele:
Primala Duala
AX b AT Y c
X0 Y0
f c T X min im g bT Y max im
Demonstraţie
160
Folosim următoarea consecinţă a lemei Farkaş-Minkovski (fără demonstraţie): dacă U este o
T UZ 0
matrice antisimetrică (cu U U ) sistemul de inecuaţii liniare: are cel puţin o soluţie
Z 0
0 AT c X
Z cu UZ Z 0 . Luăm: U A 0 b şi Z Y cu tR deci avem:
c T bT 0 t
X X X X
U Y 0 ; Y 0; U Y Y 0
t t t t
T T T
sau: A Y tc 0 ; AX tb 0 ; c X b Y 0 ; X ,Y , t 0 ;
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: A T Y c ;
t t
AX b ; c X b Y ; X,Y, t 0 ; A Y X c ; AX Y b ; c T X bT Y 1. De aici
T T T
rezultă că X,Y sunt soluţii posibile ale problemei primale respectiv duale. Ele sunt chiar soluţii
T T T T T
optime. Înmulţind AX b cu Y 0 obţinem Y AX b Y şi înmulţind Y A c cu
X 0 obţinem b T Y c T X . Dar mai sus am găsit că c T X b T Y aşa că c T X b T Y deci
1 T 1 T
pentru X X , f c X îşi atinge minimul şi pentru Y Y , g b Y îşi atinge maximul
t t
şi aceste extreme coincid, X, Y fiind deci soluţii optime. Cazul 1) al teoremei este demonstrat.
b") Nici primala nici duala nu au soluţii posibile. Cazul 3) este demonstrat. Q.E.D.
Demonstraţie
Dacă X, Y sunt soluţii optime pentru primală respectiv pentru duală, atunci conform teoremei de
T
T
dualitate 6.1 cazul 1), avem: c X b Y şi cum A Y
T
T
Y T A , rezultă:
T
Y T AX b c AT Y X 0 . Însă AX b ; A T Y c ; X, Y 0 aşa că:
T T
Y T AX b 0 şi c A T Y X 0 deci în final Y T AX b 0 şi c A T Y X 0 .
T
Reciproc, dacă Y
T
AX b 0 şi c A T Y X 0 prin adunare, după reducerea lui
T
Y T A AT Y , rezultă că c T X b T Y 0 deci c T X b T Y aşa că conform punctului a) din
demonstraţia teoremei de dualitate 6.1, 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) YTA j c j x j 0 j 1, ... , n
În adevăr, relaţiile din teorema ecarturilor complementare 6.2, se scriu:
y1 A1T X b1 ... y n A Tm X bm 0;
x1 c1 yT A1 ... xn cn Y T A n 0.
162
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 Y T A j 0 j 1, ... , n
de unde rezultă cele afirmate în enunţul din observaţie.
Teorema 6.3
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 corespunzătoare
T T
tot lui Y. Conform teoremei de dualitate 6.1, cazul 1) avem: c X b Y ; c X'= b +b Y aşa
T T
T T T f
că f c X' c X= b Y deci: Y T
adică pe componente:
b
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 yi se numesc
preţuri-umbră sau costuri de oportunitate.
Interpretarea variabilelor primale xi este analoagă. Q.E.D.
163
6.3 Găsirea soluţiilor optime pentru modelele primal şi dual cu metoda simplex
Din cele prezentate în secţiunea 5.2 rezultă că, cunoaşterea soluţiilor bazice optime permite
găsirea oricărei soluţii optime . De regulă modelele liniare au o singură soluţie optimă care este
M N N 1 ... N M 1
obligatoriu bazică. Numărul soluţiilor bazice este cel mult: C N
1 2...M
De exemplu pentru modelul raţiei furajere optime ca şi pentru modelul structurii optime a
16 20 19 18 17
4
culturilor avem cel mult: C 20 C 20 4845 soluţii bazice în timp ce pentru
1 2 3 4
13 10
modelul rotaţiei optime a culturilor avem cel mult C23 C23 1144066 soluţii bazice.
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.
a11 x1 ... a1 p x p x p 1 b1
am1 x1 ... amp x p ...... x p m b p
x1 ,..., x p ; x p1 ,..., x p m 0
f c1 x1 ... c p x p 0 x p 1 ... 0 x p m max im
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.
164
Pe ultima linie a tabelului se găsesc valoarea iniţială a funcţiei f C B b şi diferenţele
CB A c CBB c; 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 B1b; 0 , a soluţei bazice optime a dualei va fi: Y 0; C B B1 , a matricii va fi:
A E / B1 .
1
Deasemenea valoarea optimă a funcţiei va fi: f max g min CBB b iar diferenţele
0; CB B1 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:
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.
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;
165
2) elementele de pe celelalte linii se înmulţesccu 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.
' '
T T
Să arătăm că pentru o problemă de maxim, în condiţiile cazului I) avem c X ' C X deci X este
soluţie bazică optimă. Avem:
Egalând cele două valori ale lui b şi ţinând cont că A p 1 , ... , A n formează o bază în Rm , rezultă:
a11 x1' ... a p1 x 'p x 'p 1 x p 1
a x ' ... a x ' x ' x
1p 1 pp p n n
Vom avea:
CT X c p1 x p 1 ... cn xn
c p 1 a11 x1' ... a1 p x 'p x 'p1
cn a p1 x1' ... a pp x 'p xn'
x1' c p 1a11 ... cn a p1
x 'p c p1a1 p ... cn a pp
x 'p 1c p 1 ... xn' cn
166
1 c p 1a11 ... cn a p1 c1 0
Dar: aşa că rezultă:
p c p 1a1 p ... cn a pp c p 0
Cazul II a)
Avem: b x p 1A p 1 ... xn A n şi ak a1k Ap1 ... apk An deci pentru orice λ 0 avem:
b x p 1 λa1k A p 1 ... xn λapk A n 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 , jk
0 , j 1,..., p, j k
Avem:
CT X' λck x p+1 λa1k c p 1 ... xn λamk cn
x p 1c p 1 ... xn cn λ c p1a1k ... cn a pk ck
Cum k c p 1a1k ... cn a pk ck 0 pentru o problemă de maxim, rezultă că pentru
T
suficient de mare, C X ' poate fi oricât de mare deci problema are optim infinit.
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
X i ,X h 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' A k ... xn' A n 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 A k a1k A1 ... ank A n . Pentru noua soluţie bazică găsită X ' avem:
167
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
0
Problema are soluţia bazică iniţială: X 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 6.4:
168
↓ ↓
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
10 1 6
→ 0 xe1 2 0 1 min
3 3 10
2 1
7 x2 2 1 0 3
3 3
4 7 4
Δ f0 = 0 0 0 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
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.
169
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
↓
Cf 0 0 0 1 1
CB VB XB x1 x2 x3 xa1 xa2
12
1 xa1 12 1 2 3 1 0
3
8
→ 1 xa2 8 3 1 4 0 1 min
4
Δ h 0 = 20 4 3 7 0 0 Δk = 7
5 5 3 24
1 xa1 6 0 1 min
4 4 4 5
3 1 1
0 x3 2 1 0 8
4 4 4
5 5 7 5
Δ h1 = 6 0 0 k
4 4 4 4
24 4 3
0 x2 -1 1 0
5 5 5
4 1 2
0 x3 1 0 1
5 5 5
Δ h2 = 0 0 0 0 -1 -1 0
Ultimul tabel simplex de mai sus furnizează o soluţie bazică iniţială care se optimizează tot cu
metoda simplex faţă de funcţia-obiectiv f:
170
↓
Cf 6 7 10
CB VB XB x1 x2 x3
24
7 x2 -1 1 0
5
4 4
→ 10 x3 1 0 1 min
5 5
Δ f0 = 41.6 -3 0 0 Δk = -3
28
7 x2 0 1 1
5
4
6 x1 1 0 1
5
Δ f1 = 44 0 0 3 0
4 28
Soluţia bazică optimă a primalei este : X x1 ; x2 ; x3 0 şi f max 44
5 5
Problema de optimizare duală are forma:
y1 3y2 6
2y1 y 2 7
3y1 4y 2 10
y1 , y 2 oarecare
g 12y1 8y 2 min im
Exemplu
Să se rezolve problema de programare liniară primală următoare cu programul OPTIMF şi
cu SOLVER din EXCEL :
4x1+x2 ≤ 5
3x1+2x2 =7
2x1+3x2 ≥ 10
x1,x2 ≥ 0
-----------------------
f = 6x1+3x2 = maxim
Funcţia auxiliară fa = 5x1+8x2
Soluţie
Problema duală are forma (vezi secţiunea 6.2 exemplul 1):
4y1+3y2+2y3 ≥ 6
y1+2y2+3y3 ≥ 3
y1 ≥ 0 ; y2 = oarecare ; y3 ≤ 0
------------------------------------
g=5y1+7y2+10y3=minim
Prin indroducerea de variabile de egalizare , problemele primală şi duală capătă forma
standard (au numai restricţii egalităţi).
Această operaţie o face programul !
Aceste forme standard sunt :
Primala :
4x1+x2 +xe1= 5
3x1+2x2 +xe2=7
2x1+3x2 - xe3 = 10
x1,x2 , xe1 ,xe2 , xe3 ≥ 0
-----------------------
f=6x1+3x2 +0.xe1+0.xe2 +0.xe3= maxim
cu soluţii de forma : X=( x1 , x2 ; xe1 , xe2 , xe3 ) din R5
Duala :
4y1+3y2+2y3 – ye1 = 6
y1+2y2+3y3 – ye2 = 3
y1 ≥ 0 ; y2 = oarecare ; y3 ≤ 0 ; ye1 , ye2 ≥ 0
----------------------------------------------------
g=5y1+7y2+10y3 +0.ye1+0.ye2=minim
cu soluţii de forma Y=( ye1 , ye2 ; y1 , y2 , y3 ) din R5
Pentru computer este suficient să se dea elementele problemei primale sub forma iniţială
(nestandard) şi se calculează soluţiile bazice optime primală X(0) şi duală Y(0) ,ambele din R5
precum şi valoarea comună a optimului : fmaxim = gminim .
1) Rezolvarea cu programul OPTIMF din Anexa 1 a lucrării autorului [53]
Datele pentru programul OPTIMF au forma :
10 REM “ DATE DE INTRARE ÎN PROGRAM“
20 REM “ NUMĂRUL INECUAŢIILOR DE TIP ≤ este L“
30 L=1
40 REM “ NUMĂRUL ECUAŢIILOR DE TIP = ESTE E “
50 E=1
60 REM “ NUMĂRUL INECUAŢIILOR DE TIP ≥ ESTE G “
70 G=1
172
80 REM “ NUMĂRUL VARIABILELOR PROPRII ESTE P “
90 P=2
100 REM “ TIPUL FUNCŢIEI : MAXIM (Z=1) ; MINIM(Z= -1 ) “
110 Z=1
120 REM “ MATRICEA A , LINIE CU LINIE : “
130 DATA 4,1,3,2,2,3
140 REM “ VECTORUL b :“
150 DATA 5,7,10
160 REM “ VECTORUL c : “
170 DATA 6,3
180 REM “ NUMĂRUL FUNCŢIILOR AUXILIARE ESTE NF “
190 NF=1
200 REM “ COEFICIENŢII FUNCŢIILOR AUXILIARE ESTE NF “
210 DATA 5,8
Instrucţiunile cu comentariile REM nu trebuie tastate,fiind ignorate de program
şi având rol explicativ pentru utilizator.
După execuţia programului OPTIMF avem soluţiile bazice optime căutate :
FORMULE:
F5: =$B$5*$D$5+$C$5*$E$5
I5: =$B$5*$G$5+$C$5*$H$5
D8: =$B$5*$B$8+$C$5*$C$8
D9: =$B$5*$B$9+$C$5*$C$9
D10: =$B$5*$B$10+$C$5*$C$10
173
Se deschide meniul Tools (ALT T ) şi se alege în fereastra TOOLS , opţiunea SOLVER. Apare
feresatra Solver Parameters cu aspectul de mai jos:
În căsuţa din dreapta opţiunii Set Target Cell se scrie adresa absolută $F$5 în care se
găsescvalorile succesive ale funcţiei-obiectiv f a problemei primale , ultima valoare fiind cea
optimă.
Sub această căsuţă se face opţiunea Max în butonul radio din stânga , deoarece problema
primală este de maxim .
În căsuţa de sub opţiunea By Changing Cells se dau adresele absolute $B$5 , $C$5 în care se
găsesc valorile succesive ale variabilelor x1 , x2 ,primele valori putând fi luate egale cu zero iar
ultimele valori fiind cele optime .
Se activează opţiunea Add care deschide fereastra Add Constraint în care se scriu cele trei
restricţii ale problemei primale $D$8 <= $F$8 ; $D$9 = $F$9 ; $D$10 >= $F$10 după cum
urmează :
În fereastra Cell Reference se scrie membrul stâng al restricţiei , din lista ascunsă se alege semnul
restricţiei iar în fereastra Constraint se scrie membrul drept al restricţiei.
După terminarea scrierii fiecărei restricţii , se activează opţiunea Add pentru a introduce restricţia
următoare.
Int
int
bin
După închiderea cu OK a acstei ferestre , restricţiile precedente apar în căsuţa de sub opţiunea
Subject to the Constraints din ferestra Solver Parameters de mai sus.
Dacă ulterior dorim să modificăm sau să ştergem unele restricţii , le selectăm şi folosim opţiunile
Change sau Delete .
Activând opţiunea Solve din fereastra Solver Parameters , apare fereastra Solver Results de mai
jos :
174
În căsuţa de sub opţiunea Reports selectăm opţiunile Answer , Sensitivity şi Limits care vor
ataşa foii de calcul trei rapoarte cu rezultate : soluţiile optime primală şi duală , valoarea optimului
şi intervalele pentru componentele vectorilor b şi c care nu necesită reoptimizare. Dealtfel
variabilele primale proprii x1 şi x2 ale soluţiei bazice optime primale şi valoarea optimă a funcţiei-
obiectiv f apar şi în foaia EXCEL iniţială în celulele $B$5 , $C$5 respectiv $F$5.
În celula $I$5 apare şi valoarea funcţiei auxiliare fa .
A) Fie f0 = 15 .Ataşăm formei standard restricţia 6x1 + 7x2 +xe4 = 15 şi minimizăm funcţia
h = xe4 = minim . Găsim soluţia x1 = 13 / 22 ; x2 = 36 / 22 ; xe1 = 31 / 22 ; xe2 = 30 / 22 ;
xe3 = 0 ; xe4 = h minim = 0
B)Ataşăm formei standard funcţia h1 = xe1 = minim şi găsim soluţia optimă :
x1 = 2 , x2 = 0 ; xe1 = 0, xe2 = 3,xe3 = 4 şi h1 are valoarea minimă 0
Ataşăm formei standard funcţia h2 = xe2 = minim şi găsim soluţia optimă :
x1 = 0.25 , x2 = 3 ; xe1 = 1.75 , xe2 = 0,xe3 = 0 şi h2 are valoarea minimă 0
Ataşăm formei standard funcţia h3 = xe1 + xe2 = minim şi găsim soluţia optimă :
x1 = 2 , x2 = 3 ; xe1 = 0 , xe2 = 0,xe3 = 7 şi h3 are valoarea minimă 0
175
Soluţii optime pentru modelele din secţiunea 6.1 , găsite cu metoda simplex
Cifrele de mai jos sunt oferite de computer iar cuvintele sunt scrise de cel care
a alcătuit modelul liniar de optimizare.
Săgeţile din tabele marchează componentele nebazice nule pentru soluţia bazică optimă primală ,
respectiv componentele bazice nenule pentru soluţia bazică optimă duală.
A. RAŢIA FURAJERĂ
B. STRUCTURA CULTURILOR
Pentru soluţiile optime de mai sus avem valorile optime Vm=136500 lei ;Cm =91950 lei=minim;
Pm= 44550 lei; RPm=0.326
C. ROTAŢIA CULTURILOR
La amestecul optim de mai sus se adaogă 24850 litri macerat de pelin cu tărie alcoolică de 10.867
grade Selleron şi cu costul de 7.20 lei / litru şi 396 litri spirt rafinat(cu 44 Kg acid sorbic) cu tărie
alcoolică 9.620 grade Selleron şi cu costul de 10.12 lei / litru , ceace ridică cantitatea de amestec la
300054 litri amestec şi tărie alcoolică 9.5 grade Selleron şi cheltuielile finale minime de 1410863.5
lei .
F /B B1 . . . . . Bn Oferte
F1 c11 . . . . . c1n a1
. . . .
. . . .
. . . .
Fn cm1 . . . . . cmn am
Cereri b 1 .. . . . . bn CT=OT
Problemele de optimizare tip transport pot fi rezolvate cu metoda simplex prin transformarea
matricii coeficienţilor C=(cij) de tip mxn în şirul (c11,…,c1n,…,cm1,…,cmn) de lungime m.n şi a
matricii necunoscutelor X=(xij) de tip mxn în şirul (x11,…,x1n,…,xm1,…,xmn) de lungime m.n
Ele pot fi rezolvate şi printr-o metodă matricială numită metoda potenţialelor (Vezi secţiunea 2.3
din lucrarea autorului “Matematică şi biometrie” Fascicola I , AMD , Litografiat , 1979).
Problemele tip transport au totdeauna soluţie bazică iniţială cu m+n – 1 componente xij nenule ,
care poate fi găsită prin diverse metode : căsuţa (i,j) de Nord-Vest ,căsuţa (i,j) de cost optim pe
linii sau pe coloane sau pe ansamblul tabelului .
Modelul tip transport dual are forma :
u i+ vj ≥ (≤) cij (1 ≤ i ≤ m ¸1 ≤ j ≤ n )
u i ,vj =oarecare
----------------------------------------------
g= (a1u1+…amu m)+(b 1v1+…+bnvn) = minim(maxim)
Dacă avem gminim atunci în restricţii punem semnul ≥ iar dacă avem gmaxim atunci în restricţii
punem semnul ≤ .
u i (lei / tonă) reprezintă cota-parte din cij (lei / tonă ) care revine lui Fi iar vj (lei / tonă)
reprezintă cota-parte din cij (lei / tonă) care revine lui Bj .
Funcţia-obiectiv duală g reprezintă în lei suma cotelor- părţi ce revin tuturor furnizorilor şi
beneficiarilor pentru ofertele respectiv cererile acestora.
Problemele neechilibrate (cu OT ≠ CT ) trebuie echilibrate astfel :
a) Dacă OT = a1+…+am > b 1+…+bn = CT , introducem un beneficiar fictiv Bn+1* cu coeficienţii
c1,n+1 = …= cm,n+1 = 0 şi cu cererea OT - CT
b) Dacă OT = a1+…+am < b 1+…+bn = CT , introducem un furnizor fictiv F m+1* cu coeficienţii
cm+1,1 = …= cm+1,n = 0 şi cu oferta CT – OT.
Exemple
1) Fie problema de maxim cu doi furnizori şi doi beneficiari :
181
F \ B B1 B2 Oferte
F1 2 3 14
F2 5 4 9
OT=23
Cereri 10 8 CT=18
Deoarece OT=23 tone > 18 tone= CT ,introducem un beneficiar fictiv B3* cu cererea b3* = OT –
CT = 5 tone şi cu c13=c23 =0 iar problema devine echilibrată .
F \ B B1 B2 B3* Oferte
F1 2 3 0 14
F2 5 4 0 9
Cereri 10 8 5 23
F F1 F2
B B1 B2 B3* B1 B2 B3* Semn Limite
Restric. x1 x2 x3 x4 x5 x6
F1 1 1 1 1 1 1 = 14
F2 0 0 0 1 1 1 = 9
B1 1 0 0 1 0 0 = 10
B2 0 1 0 0 1 0 = 8
B3* 0 0 1 0 0 1 = 5
F 2 3 0 5 4 0 MAXIM
Deoarece OT=22 tone < 23 tone= CT ,introducem un furnizor fictiv F3* cu oferta a3* = CT – OT
= 1 tonă şi cu c31=c32 =0 iar problema devine echilibrată .
F \ B B1 B2 Oferte
F1 5 1 10
F2 5 4 12
F3* 0 0 1
Cereri 15 8 23
Dacă problema primală este de maxim , în rutele interzise luăm costuri cij negative ,mult mai
mici ca restul costurilor din căsuţele neinterzise.
183
În soluţia bazică optimă primală aceste căsuţe interzise nu apar ,contribuţia lor la fmaxim fiind
neglijabilă.
Dacă problema primală este de minim , în rutele interzise luăm costuri cij pozitive ,mult mai
mari ca restul costurilor din căsuţele neinterzise.
În soluţia bazică optimă primală aceste căsuţe interzise nu apar ,contribuţia lor la fminim fiind
prea mare.
În acest caz între furnizorii F1,…,Fm şi beneficiarii B1,…,Bn se interpun centrele de tranzit T1,…,
Tp care pot fi angrouri,depozite,etc în care produsele sosesc de la furnizori şi pleacă mai departe la
beneficiari . Vom echilibra oferta totală a furnizorilor cu cererea totală a beneficiarilor prin
introducerea unui furnizor / beneficiar fictiv iar la restricţii adăogăm condiţiile de tranzitare a
produselor prin centrele T1,…,Tp : cantitatea totală de produse care soseşte în fiecare centru de
tranzit este egală cu cantitatea totală de produse care pleacă din acest centru de tranzit.
Exemplu
Tabel 2
B B1 B2 Tranzit
T
T1 7 4 200 t
T2 2 9 300 t
500 t
Cereri 60 t 40 t 100 t
Echilibrăm oferta totală OT=80 t din tabelul 1 cu cererea totală CT=100 t prin adăogarea în
tabelul 1 a unui furnizor fictiv F3* cu oferta CT-OT=20 t şi costurile de transport nule deci
obţinem Tabelul 3 :
Tabel 3
T T1 T2 Oferte
F
F1 5 10 50 t
F2 8 6 30 t
F 3* 0 0 20 t
80 t
Tranzit 200 t 300 t 500 t
Funcţia-obiectiv este :
f = 5.X11 + 10.X12 + 8.X21 +6.X22 + 0.X31 + 0.X32 + 7.X41 + 4.X42 + 2X51 + 9X52 = minim
F \ B B1 B2 B3* Oferte
F1 30 10 0 1
F2 40 60 0 1
F3 50 50 0 1
Cereri 1 1 1 3
F F1 F2 F3 Semn Limite
B B1 B2 B3* B1 B2 B3* B1 B2 B3*
Restricţii x1 x2 x3 x4 x5 x6 x7 x8 x9
F1B1 1 0 0 0 0 0 0 0 0 ≤ 1
F1B2 0 1 0 0 0 0 0 0 0 ≤ 1
F1B3* 0 0 1 0 0 0 0 0 0 ≤ 1
F2B1 0 0 0 1 0 0 0 0 0 ≤ 1
F2B2 0 0 0 0 1 0 0 0 0 ≤ 1
F2B3* 0 0 0 0 0 1 0 0 0 ≤ 1
F3B1 0 0 0 0 0 0 1 0 0 ≤ 1
F3B2 0 0 0 0 0 0 0 1 0 ≤ 1
F3B3* 0 0 0 0 0 0 0 0 1 ≤ 1
F1 1 1 1 0 0 0 0 0 0 = 1
F2 0 0 0 1 1 1 0 0 0 = 1
F3 0 0 0 0 0 0 1 1 1 = 1
B1 1 0 0 1 0 0 1 0 0 = 1
B2 0 1 0 0 1 0 0 1 0 = 1
B3* 0 0 1 0 0 1 0 0 1 = 1
F 30 10 0 40 60 0 50 50 0 MAXIM
Valorile coeficienţilor unui model liniar suferă modificări în timp.Cele mai frecvente modificări
sunt :
a) Modificarea valorilor coeficienţilor c1,…,cP ai funcţiei-obiectiv f în care caz se pune problema
dacă soluţia optimă primală existentă a modelului mai rămâne optimă (nu necesită reoptimizare).
b) Modificarea valorilor termenilor liberi b1,…, bM ai restricţiilor în care caz se pune problema
dacă soluţia optimă duală existentă a modelului mai rămâne optimă (nu necesită reoptimizare).
Răspunsul la aceste întrebări este dat de raportul Limits din fereastra Solver Results a produsului
EXCEL (vezi secţiunea 6.3)
Exemplu (Modelul raţiei furajere optime)
a) În modelul V al raţiei furajere optime , modificarea preţului de vânzare al laptelui , modifică
coeficienţii c1, c2 , c3 , c4 ai funcţiei-obiectiv f . Soluţia optimă primală existentă a modelului
rămâne optimă dacă c1(0.70 ; 0.78) ; c2(0.277 ; 0.400) ; c3(0 ; 0.274) ; c4(0 ; 0.825) .
186
În modelul VI al raţiei furajere optime , modificarea costurilor furajelor , modifică coeficienţii
c1, c2 , c3 , c4 ai funcţiei-obiectiv f . Soluţia optimă primală existentă a modelului rămâne optimă
dacă c1(0.403 ; +) ; c2(0.195 ; 0.221) ; c3(0.108 ; +) ; c4(0.533 ; 0.616) .
b) În modelul V al raţiei furajere optime , la modificarea limitei de cheltuieli b6 , soluţia optimă
duală existentă a modelului rămâne optimă dacă b6 (11.65; 12.68) .
În modelul VI al raţiei furajere optime , la modificarea garanţiei de venit b9 , soluţia optimă
duală existentă a modelului rămâne optimă dacă b9 (16.126 ; 16.273) .
Exemplu (modelul structurii optime a culturilor)
c) În modelul V al structurii optime a culturilor , modificarea preţurilor de vânzare ale cerealelor ,
modifică coeficienţii c1, c2 , c3 , c4 ai funcţiei-obiectiv f . Soluţia optimă primală existentă a
modelului rămâne optimă dacă c1(1100 ; 1500) ; c2(1200 ; 1542.857) ; c3(0 ;1575) ;
c4(1725 ; +) .
În modelul VI al structurii optime a culturilor , modificarea costurilor resurselor , modifică
coeficienţii c1, c2 , c3 , c4 ai funcţiei-obiectiv f . Soluţia optimă primală existentă a modelului
rămâne optimă dacă c1(0 ;870) ; c2(945 ; 1020) ; c3(870 ; +) ; c4(960 ; 1080) .
d) În modelul V al structurii optime a culturilor , la modificarea limitei de cheltuieli b 8 , soluţia
optimă duală existentă a modelului rămâne optimă dacă b8 (92400 ; 93600) .
În modelul VI al structurii optime a culturilor , la modificarea garanţiei de venit b9 , soluţia
optimă duală existentă a modelului rămâne optimă dacă b9 (136200 ; 138000) .
Un graf este un ansamblu format dintr-o mulţime V de vârfuri şi o mulţime U (inclusă în produsul
cartezian V x V ) de arce care unesc aceste vîrfuri .
Vîrfurile vi se marchează prin puncte iar arcele u j se marchează prin linii care unesc unele din aceste
puncte.
Lungimea lij a unui arc se specifică pe acest arc.În caz contrar se consideră că arcul are lungimea 1.
Un arc poate fi orientat (prin săgeată) sau neorientat (muchie).
Un graf este orientat sau neorientat dacă toate arcele sale sunt orientate respectiv neorientate.
Două vîrfuri sunt adiacente dacă există măcar un arc care le uneşte iar un arc este incident în vârfurile
de la extremităţi.
Unui graf i se asociază matricea de adiacenţă A = (aij ) unde aij =1 dacă vîrfurile vi , vj sunt adiacente
şi aij =0 în rest.
Unui graf i se asociază matricea de incidenţă B = ( bij ) unde bij = 1 dacă arcul ui este incident în vîrful
vj şi aij = 0 în caz contrar.
Un graf parţial se obţine dintr-un graf dat dacă se înlătură o parte din arce iar un subgraf se obţine
dintr-un graf dacă se înlîtură o parte din vîrfuri şi arcele incidente în ele.
Dăm şi alte noţiuni care apar în grafuri orientate (neorientate).
Un drum(lanţ) care uneşte două vârfuri vi , vj ale garfului este o succesiune de alte vîrfuri şi arce care le
unesc astfel că parcurgându-le , se poate ajunge de la vi la vj sau invers.
Un drum(lanţ) este simplu dacă nu foloseşte de două ori acelaşi arc şi este elementar dacă nu foloseşte de
două ori acelaşi vârf.
Orice drum(lanţ) simplu este elementar.
Un drum(lanţ) închis se numeşte circuit(ciclu). Circuitul (ciclul) cu un singur arc se numeşte buclă.
Un graf este tare conex (conex ) dacă pentru orice două vârfuri , există un drum (lanţ) care le uneşte .
Un drum(lanţ) este hamiltonian dacă trece odată prin toate vârfurile grafului şi este eulerian dacă trece
odată prin toate arcele(muchiile) grafului.
Reţeaua este un graf orientat tare conex,fără bucle,care are un vârf iniţial v1 (în care nu soseşte niciun
drum) şi un vârf final vn (de unde nu pleacă niciun drum) .
Arborele este un graf neorientat ,conex,fără cicluri.
Multe modele de optimizare în grafuri se reduc la găsirea într-o reţea a drumului optim ( de lungime
minimă sau maximă) de la vârful iniţial v1 la vârful final vn .
187
1) Determinarea drumului de lungime minimă.
Fiecărui vârf vi i se ataşează distanţa minimă di de la v1 la vi calculată astfel : d 1 =0 şi
dj = minim (di + lij ) pentru toate arcele care sosesc în vj .
i
Arcele care dau minimul se marchează cu o liniuţă .
Drumul de lungime minimă are toate arcele marcate dacă este parcurs de la vn la v1 în sens invers
săgeţilor.
Exemplu
Să se determine drumul de lungime minimă de la v1 la v6 în reţeaua:
Soluţie:
Avem tabelul :
Vârful di Arc marcat
v1 0 -
v2 min(0+3)=3 A3
v3 min(0+2;3+6)=2 B2
v4 min(2+8;2+5;3+2)=5 D2
v5 min(3+4;3+5;5+1)=6 I1
v6 min(6+6;5+8)=12 K6
Drumul optim este succesiunea de vârfuri şi arce v1A3v2D2v4I1 v5K6v6 , cu toate arcele marcate ,
dacă este parcurs de la v6 la v1 ,în sens invers săgeţilor. Acest drum are lungimea minimă 12.
2) Determinarea drumului de lungime maximă.
Fiecărui vârf vi i se ataşează distanţa maximă Di de la v1 la vi calculată astfel : D1 =0 şi
Dj = maxim (Di + lij ) pentru toate arcele care sosesc în vj .
i
Arcele care dau maximul se marchează cu o liniuţă .
Drumul de lungime maximă are toate arcele marcate dacă este parcurs de la vn la v1 în sens invers
săgeţilor.
Exemplu
Să se determine drumul de lungime maximă de la v1 la v6 în reţeaua:
188
Soluţie:
Avem tabelul :
Vârful di Arc marcat
V1 0 -
V2 max(0+3)=3 A3
V3 max(0+2;3+6)=9 C6
V4 max(3+2;9+5;9+8)=17 F8
V5 max(3+4;3+5;17+1)=18 I1
V6 max(18+6;17+8)=25 J8
Drumul optim este succesiunea de vârfuri şi arce v1A3v2C6v3F8v4J8v6 , cu toate arcele marcate
, dacă este parcurs de la v6 la v1 ,în sens invers săgeţilor.Acest drum are lungimea maximă 25.
Problema drumului optim în reţele se poate formula ca model liniar de optimizare cu variabile
bivalente.
Exemplu
Pentru drumul de lungime minimă şi cel de lungime maximă de mai sus avem modelul liniar cu
variabile bivalente :
Activităţi → A B C D E F G H I J K Semn Limite
Restricţii ↓ x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
v1 -1 -1 0 0 0 0 0 0 0 0 0 = -1
v2 1 0 -1 -1 0 0 -1 -1 0 0 0 = 0
v3 0 1 1 0 -1 -1 0 0 0 0 0 = 0
v4 0 0 0 1 1 1 0 0 -1 -1 0 = 0
v5 0 0 0 0 0 0 1 1 1 0 -1 = 0
v6 0 0 0 0 0 0 0 0 0 1 1 = 1
Fie o reţea adică un graf orientat , conex în care există vârful iniţial V0 în care nu soseşte niciun
arc şi vârful final Vn din care nu pleacă niciun arc.Pentru fiecare arc u al reţelei ataşăm un număr
raţional c(u) ≥ 0 numit capacitatea arcului u .
Un flux f în reţea este o funcţie f care ataşează fiecărul arc u al reţelei fluxul arcului f(u) ≥ 0,
care îndeplineşte două condiţii :
a) f(u) ≤ c(u) pentru orice arc u al reţelei ;
b) Pentru orice vârf Vi diferit de V0 şi Vn , suma f(V) a fluxurilor arcelor care sosesc în V este
egală cu suma fluxurilor arcelor care pleacă din V .
Dacă ω - (V) este mulţimea arcelor care sosesc în vârful V şi ω + (V) este mulţimea arcelor care
pleacă din vârful V , determinarea fluxului optim se formulează astfel :
Pentru orice arc u al reţelei să se găsească fluxul său f(u) astfel că :
0 f(u) c(u)
f (u) f (u) , V V0 ;V Vn
u- (V ) u (V )
f (u)
f (u)
f (u) Maxim
u ( V) u (V )
Un arc u se numeşte arc saturat dacă f(u) = c(u) iar un flux f al reţelei se numeşte flux saturat
dacă orice drum de la V0 la Vn conţine un arc saturat.
Pentru orice mulţime A de vârfuri ale reţelei ( exclusiv V0 ) , vom numi tăietură ω(A) , mulţimea
de arce care intră în vârfurile din A , şi vom mumi capacitatea tăieturii c [ω(A)] suma fluxurilor
arcelor tăieturii ω(A) .
Din teorema de dualitate 6.1 din secţiunea 6.2 rezultă :
Teorema Ford-Fulkerson
Pentru orice reţea , valoarea maximă a fluxului reţelei este egală cu capacitatea minimă a
tăieturilor mulţimilor A de vârfuri (exclusiv V0 ) ale reţelei .
Pentru a găsi fluxul maxim într-o reţea , se poate aplica algoritmul Ford-Fulkerson :
1) Se defineşte fluxul iniţial nul : f(u) = 0 pentru orice arc u al reţelei
2) Orice drum de la V0 la Vn se poate satura astfel :
a) Se marchează vârful V0 cu “ +”
b) Vârful Vi fiind marcat , se va marca cu “ + Vi “ orice vârf nemarcat Vj pentru care arcul u
care uneşte pe Vi cu Vj este nesaturat adică f(u) < c(u) şi se va marca cu “ + Vi “ orice vârf
nemarcat Vj pentru care arcul u care uneşte pe Vi cu Vj are flux nenul adică f(u) > 0 .
190
Dacă prin acest procedeu de marcare nu se etichetează Vn , fluxul obţinut este maxim.
Dacă marcajul ajunge la Vn , fluxul obţinut nu este maxim ; fie în acest caz un drum etichetat e de
la
V0 la Vn . Fie e+ mulţimea arcelor de la Vi la Vj ale lui e în care Vj are marcajul “ +Vi “ şi fie e-
mulţimea
arcelor de la Vi la Vj ale lui e în care Vj are marcajul “ –Vi “. Fie :
Minim Minim
c(u) f (u) ;Minim
ue
f (u) ue
Mărim cu ε fluxul f(u) pentru fiecare arc u e+ şi micşorăm cu fluxul f(u) pentru fiecare arc u
e- .
3. Se repetă pasul 2 până se obţine un flux maxim .
Mulţimea arcelor care unesc vârfurile marcate cu cele nemarcate este o tăietură de capacitate
minimă.
Problema fluxului optim în reţele se poate rezolva cu computerul prin programarea liniară.
Exemplu
Fie graful din exemplul I) de mai sus în care pe arce sunt capacităţile acestora.
Avem modelul liniar :
vi vj
o-------------→------------o
ti tij tj
192
dacă s-a calculat ti , avem tj = maxim (ti + tij ) pentru toate arcele care sosesc în vârful vj .
Arcele care dau acest maxim ,se marchează cu o liniuţă.
Mărimile ti* se calculează de la vn la v1 astfel :
tn* = tn iar pentru situaţia :
vi vj
o-------------→------------o
ti* tij tj*
dacă s-a calculat tj , avem ti* = minim (tj - tij ) pentru toate arcele care pleacă din vârful vi .
Arcele care dau acest minim ,se marchează cu o liniuţă.
Drumul de la v1 la vn cu dublu marcaj pe toate arcele sale, va fi drumul critic.
Pe acest drum pentru toate v\rfurile sale vi avem ti = ti* ceace justifică denumirea de activităţi critice
dată activităţilor de pe drumul critic.
Drumul critic conţine în mod obligatoriu vârfurile v1, vn şi doar o parte din vârfurile intermediare
v2,…,vn-1 .
Activităţile necritice au următoarele rezerve de timp :
Rezerva totală Rt (vi , vj ) = tj* - ti - tij desemnează situaţia că am ajuns cel mai devreme în stadiul vi
şi vrem să ajungem cel mai târziu în stadiul vj .
Rezerva liberă Rl (vi , vj ) = tj - ti - tij desemnează situaţia că am ajuns cel mai devreme în stadiul vi
şi vrem să ajungem cel mai devreme în stadiul vj .
Rezerva intermediară Ri(vi , vj ) = tj* – ti* - tij desemnează situaţia că am ajuns cel mai târziu în stadiul
vi şi vrem să ajungem cel mai târziu în stadiul vj .
Rezerva sigură Rs(vi , vj ) = tj – ti* - tij desemnează situaţia că am ajuns cel mai târziu în stadiul vi
şi vrem să ajungem cel mai devreme în stadiul vj .
Evident avem Rt ≥Rl ≥ Rs şi Rt ≥Ri ≥ Rs .
Pentru activităţi critice avem ti = ti* şi tj = tj* aşa că Rt =Rl = Ri = Rs = 0 ceace în cuvinte înseamnă
că activităţile critice nu au niciun fel de rezerve de timp, executându-se una după alta fără pauze.
Rezerva de timp intermediară Ri a unei activităţi necritice , poate fi folosită pentru eliminarea timpilor
morţi ai forţei de muncă şi utilajelor.
Astfel prelungirea duratei tij ai unei activităţi necritice cu rezerva sa intermediară Ri (vi , vj ) permite
degrevarea de la această activitate a unui procent egal cu Ri (vi , vj ) / ( tij + Ri (vi , vj ) ) din forţa
de muncă şi utilajele repartizate iniţial activităţii necritice de la vi la vj .
În acest caz graful proiectului trebuie reezaminat căci pot apare noi drumuri critice.
În proiecte complexe , acestea se împart în subproiecte mai simple Pi cu grafuri proprii şi care au
durate de execuţie minime Ti găsite cu metoda drumului critic ca mai sus .
În graful coordonator al proiectului complex , subproiectul Pi devine o activitate cu durata Ti .
Din graful coordonator se determină cu metoda drumului critic durata totală minimă T de execuţie a
proiectului complex.
Metoda PERT se aplică atunci când durata tij a unei activităţi nu mai este constantă ci este cuprinsă
într-un interval : aij ≤ tij ≤ bij .
Mărimea aij se numeşte durata optimistă iar bij se numeşte durata pesimistă a activităţii respective.
Aceste durate aij şi b ij se stabilesc în raport de starea forţei de muncă şi a utilajelor , de aprovizionarea
cu materii prime, materiale şi combustibil necesare pentru execuţia activităţii respective.
Valoarea medie a duratei tij este dată de relaţia : tmij =(aij+4.tij+bij) / 6 iar abaterea-standard a lui tij
este : sij = ( bij – aij ) / 6 .
Conform teoremei limită-centrală , suma T a unui număr mare de variabile aleatoare independente tij
cu mediile tmij şi abaterile-standard sij este o variabilă aleatoare normală cu media TMmin = Σ tmij
şi abaterea – standard ST = ( Σ sij2 )1/2 (în aceste sume se includ doar activităţile critice).
(T – TMmin ) / ST este variabilă N( 0 , 1 ) deci :
(1) P ( T < Tcontract ) = F ( ( Tcontract - TMmin ) / ST ) = 1 - α
Dacă se dă Tcontract , din relaţia (1) se poate afla probabilitatea de a nu-l depăşi .
Din relaţia (1) rezultă :
(2) Tcontract = TMmin + u α .sT
193
deci se poate calcula Tcontract care poate fi respectat cu probabilitatea 1 – α şi depăşit cu riscul α .
Pentru α = 5% avem u0.05 = 1.65 ; pentru α = 1% avem u 0.01 = 2.33 iar pentru α = 0.1% avem
u0.001 = 3.08
Varianta deterministă CPM se poate obţine din varianta aleatoare PERT pentru aij = tij = bij deci
tmij = tij şi sij = 0 .
Programele specializate QM ,MSS,WINQSB calculează drumul critic pentru ambele variante CPM şi
PERT.
Programul DCRITIC elaborat de autor, se găseşte în Anexa 1 a lucrării [53] şi calculează
dumul critic după metoda de mai sus , fiind necesare datele :
a) Numărul n de vârfuri ;
b) Numărul maxim p de arce care unesc direct două vârfuri vi şi vj ale reţelei.
c) Semimatricea cu cele p durate ale activităţilor care unesc vârful vi cu toate vârfurile vj (j>i)
pentru i=1,…,n-1
Programul livrează un tabel cu intervalele de fluctuaţie ale vârfurilor vi , un tabel cu activităţile critice
şi necritice ale proiectului şi un tabel cu rezervele de timp Rt , Rl , Rs ale activităţilor necritice.
Exemplu
Fie proiectul agricol al campaniei de recoltare orz-grâu care conţine activităţile cu durate din tabelul
de mai jos.
Calculăm duratele medii tmij şi abaterile-standard sij cu formulele de mai sus.
Se cere drumul critic , durata minimă Tmin pentru varianta CPM respectiv T contract cu încrederea 95%
pentru varianta PERT şi rezervele de timp ale activităţilor necritice .
Soluţie
Dacă f este volumul forţei de muncă pentru durata tij iar f* este volumul forţei de muncă pentru
durata tij + Ri , avem tij.f = (tij + Ri ). f* deci f* / f = tij / (tij + Ri ).
De exemplu pentru activitatea B raportul între volumul noii forţe de muncă f* şi volumul vechii
forţe de muncă f este f* / f = 4 / 6 = 67 % .
Problema minimizării timpului total de execuţie a unui proiect agricol se poate formula direct ca
problemă de programare liniară .
Exemplu
Pentru proiectul agricol al campaniei de recoltare orz-grâu de mai sus , avem macheta modelului
liniar :
Variabila xi (i = 1,…,10) reprezintă timpul scurs de la data începerii proiectului până se ajunge în
stadiul Vi , în presupunerea că s-au efectuat toate activităţile de pe toate drumurile care sosesc în Vi
Restricţiile referitoare la activităţile A – P ale proiectului specifivă faptul că pentru orice activitate
care pleacă din Vi şi ajunge în Vj ( i,j =1,…,10 , i < j ) şi care are durata ti j , avem restricţia xj xi +
ti j adică - xi + xj ti j .
Funcţia-obiectiv a modelului este durata de execuţie a proiectului f = x10 – x1 = minim .
Modelul dual are necunoscutele proprii y1 ,…, y16 cu semnificaţia : yi = 1 dacă activitatea
corespunzătoare este critică şi yi = 1 în caz contrar .
Modelul dual are restricţiile pe coloanele machetei de mai sus , toate fiind egalităţi iar funcţia-
obiectiv duală g are coeficienţii pe ultima coloană cu limite a machetei precedente şi se caută g maxim
adică drumul critic cu lungimea maximă de la V1 la V10 .
Dealtfel un asemenea model ca cel dual , a fost formulat în secţiunea 6.4 pentru găsirea drumului de
lungime maximă într-o reţea.
Soluţia optimă a modelului primal de mai sus este : x1 = 0 ; x2 = 5 ; x3 = 11 ; x4 = 14 ; x5 = 22 ;
x6 = 30 ; x7 = 34 ; x8 = 40 ; x9 = 42 ; x10 = 45 adică chiar valorile t*i (i = 1,…,10) găsite mai sus .
Variabilele de egalzare primale xe1 , …, xe16 sunt chiar rezervele intermediare Ri ale celor 16
activităţi A-P ale proiectului , care au fost calculate mai sus în tabelul cu rezerve de timp ale
activităţilor necritice. Avem fminim = 45 zile .
Soluţia optimă a modelului dual este : y1= y3 = y4 = y7 = y9 = y10 = y14 = y15 = y16 = 1 , iar restul
de variabile duale sunt nule . Variabilele duale nenule corespund activităţilor critice A,C,D,G,I,J,N,O,P
găsite mai sus iar lungimea maximă a drumului critic este gmaxim = 45 .
199
6.7 Rezumat
În acest capitol se prezintă două modele de optimizare a producţiei agricole , se studiază dualitatea
acestor modele urmată de optimizarea lor cu metoda simplex cu calculatorul . Capitolul se încheie
cu metoda drumului critic pentru eşalonarea optimă a activităţilor unui proiect agricol.
6.8 Întrebări
1. Care sunt părţile componente ale unui model liniar de optimizare a producţiei agricole ?
2. Cum se formulează dualul unui model liniar de optimizare ?
3. În ce constă metoda de optimizare simplex ?
4. Ce este drumul critic într-o reţea ?
6.9 Bibliografie
Obiective : Însuşirea de către studenţi a rolului derivatelor de ordinul întâi şi doi în studiul
funcţiilor reale de o variabilă reală şi găsirea extremelor acesteia direct sau cu computerul.
Cuprins :
Cuvinte-cheie : funcţie reală de o variabilă reală ,derivate de ordin întâi şi doi , maximele
şi minimele unei funcţii , metode iterative de rezolvarea unei ecuaţii .
X x1 ------------------- xn
Y y1 ------------------- yn
B0 B1 x ... Bm x m
3.Funcţia cât de polinoame y ;
C0 C1 x ... Cn x n
A R \ x C0 C1 x ... C n x n 0 ; B R
4.Funcţia putere y x a ; A B R
5.Funcţia exponenţială y a x ; A R , B 0; a 0, a 1
6.Funcţia logaritmică y log a x , B R , A 0; a 0, a 1
7.Funcţiile trigonometrice directe:
a) y sin x , A=R ; B=[ -1; 1]
b) y cos x , A=R ; B=[ -1; 1]
2k 1 π
c) y tg x , A R \ x x , k Z ; B=R
2
8.Funcţiile trigonometrice inverse:
π π
d) y arcsin x , A 1; 1 ; B ;
2 2
π
e) y arccos x , A 1; 1 ; B 0;
2
π π
f) y arctg x , A R ; B ;
2 2
Funcţiile 1), 4) – 6), 8 d) – f) sunt bijective.
Teorema 7.1
1)Fie valorile lui x în pregresie aritmetică . Avem y B0 B1 x dacă şi numai dacă valorile lui
y sunt în progresie aritmetică.
2)Fie valorile lui x în progresie geometrică. Avem y b0 x B1 dacă şi numai dacă valorile lui y
sunt în progresie geometrică.
3)Fie valorile lui x în progresie aritmetică. Avem y b0 e B1x dacă şi numai dacă valorile lui y
sunt în progresie geometrică.
4)Fie valorile lui x în progresie geometrică. Avem y ln b0 x B1 dacă şi numai dacă valorile
lui y sunt în progresie aritmetică.
Demonstraţie
1)Fie valorile lui x în progresie aritmetică: x1 , x2 x1 r ,..., xn x1 n 1 r ,...
Valorile lui y B0 B1 x sunt tot în progresie aritmetică: y1 B0 B1 x1 ,
y2 B0 B1 x1 r B0 B1 x1 B1r y1 rB1 ,..., yn
B0 B1 x1 n 1 r B0 B1 x1 n 1 rB1 ,...
Reciproc, dacă valorile lui y sunt în progresie aritmetică:
y1 , y2 y1 t ,..., yn y1 n 1 r ,... pentru a avea yn B0 B1 xn pentru orice n N ,
trebuie ca y1 n 1 t B0 B1 x1 n 1 r de unde prin identificarea coeficienţilor lui n
şi a termenilor liberi din ambii membri rezultă y1 B0 B1 x1 ; t B1r
202
2)Valorile lui x sunt în progresie geometrică dacă şi numai dacă valorile lui log x sunt în
n 1
progresie aritmetică. În adevăr, dacă avem x1 , x2 x1q,..., xn x1q ,... atunci avem
ln x1 ,ln x2 ln x1 ln q,...,ln xn ln x1 n 1 ln q,...
Reciproc, dacă avem ln x1 ,ln x2 ln x1 p,...,ln xn ln x1 n 1 p,... atunci avem
n 1
x1 , x2 x1e p ,..., xn x1 e p ,...
y b0 x B1 devine prin logaritmare log y = B1 log x +B0 unde B0 = log b0.
Dacă valorile lui x sunt în progresie geometrică atunci valorile lui log x sunt în progresie
aritmetică deci conform punctului 1) avem ln y B1 ln x B0 dacă şi numai dacă valorile lui
ln y sunt în progresie aritmetică ceea ce se întâmplă dacă şi numai dacă valorile lui y sunt în
progresie geometrică.
Bx
3) y b0e 1 devine prin logaritmare log y B1 x B0 unde B0 = log b0.
Dacă valorile lui x sunt în progresie aritmetică, conform punctului 1) avem log y B1 x B0
dacă şi numai dacă valorile lui log y sunt în progresie aritmetică şi aceasta se întâmplă dacă şi
numai dacă valorile lui y sunt în progresie geometrică.
4) y ln b0 x
B1
devine y B ln x B 1 0 unde B0 ln b0 .
Dacă valorile lui x sunt în progresie geometrică atunci valorile lui log x sunt în progresie
aritmetică deci conform punctului 1) avem y B1 ln x B0 dacă şi numai dacă valorile lui y sunt
în progresie aritmetică.
În concluzie, transformările progresiilor aritmetică şi geometrică se fac cu ajutorul funcţiilor
liniară, putere, exponenţială şi logaritmică după schema:
Cazul 1): y0 < P deci P este plafon superior pentru f(x) şi Pc-b=(P-y0)(c+1) > 0 deci y’ >0
adică funcţia y = f(x) este crescătoare .
Subcazuri:
Subcazul 1.1) : Pentru y0 < P şi c > 1 , avem y’’ = 0 pentru xi = ( ln c ) / a şi cum Pc-b > 0
avem y’’ > 0 pentru x<xi respectiv y’’ < 0 pentru x>xi deci avem logistica , crescătoare de la y0 la
P , cu punctul de inflexiune xi = ( ln c ) / a şi cu graficul :
Subcazul 1.2) : Pentru y0 < P şi 0 < c ≤ 1 avem Pc – b > 0 şi c - eax < 0 deci y’’ <0 deci avem
curba de saturaţie ,crescătoare de la y0 la P şi cu graficul :
Cazul 2) : y0 > P deci P este plafon inferior pentru f(x) şi Pc-b=(P-y0)(c+1) < 0 deci y’ < 0
adică funcţia y = f(x) este descrescătoare .
Subcazul 2.1) : Pentru y0 > P şi c > 1 , avem y’’ = 0 pentru xi = ( ln c ) / a şi cum Pc-b < 0
avem y’’ < 0 pentru x<xi respectiv y’’ > 0 pentru x>xi deci avem logistica , descrescătoare de la y0
la P , cu punctul de inflexiune xi = ( ln c ) / a şi cu graficul :
204
Subcazul 2.2) : Pentru y0 > P şi 0< c ≤ 1 , avem Pc – b < 0 şi c - eax < 0 deci y’’ > 0 deci
avem curba de saturaţie , descrescătoare de la y0 la P şi cu graficul :
a a a a
x1 şi x2
b b
Graficul are forma :
a a a a
x1 şi x2
b b
Graficul are forma :
205
I .Unda putere :
4h-2 x r x
M.( 4h-3 . a ) .sin (2h 1). . a pentru 0 x a
y=
M.( 4k-2 . b x ) r .sin (2k 1). . b x pentru a x b
4k-3 b a b a
II .Unda exponenţială :
x
M.( 4h-2 ). r a 1 .sin (2h 1). . x pentru 0 x a
4h-3 r 1 a
y=
bbax
M.( 4k-2 r 1 b x
). .sin (2 k 1). . pentru a x b
4k-3 r 1 b a
e x 1
d
1 e x ; d de lungime d.
1 e x
Grafic, valorile concentraţiei y în raport cu lungimea x a intervalului de timp între două
administrări succesive, sunt cuprinse în aria haşurată de înălţimea d:
0 ln2 x
Exemplu
2
Un ierbicid se administrează în doze constante egale cu d 5mg / m la intervale de timp
egale cu x 2 luni. Să se afle intervalul de variaţie al concentraţiei ierbicidului după un număr
mare de administrări.
Soluţie
207
Pentru d 5 ; x 2 avem:
e x e 2
d x
5 2
0.78mg / m 2
1 e 1 e
1 1
d x
5 5.78mg / m 2
1 e 1 e 2
5)Calculul dobânzilor
a)Dobânda simplă
Fie y0 suma împrumutată de la bancă şi care trebuie restituită în x ani cu dobânda anuală
d % . Suma împrumutată y0 este rambursată în x ani în rate anuale de y0 / x lei.La aceste rate se
adaugă dobânzile anuale în lei pentru debitele existente în anul respectiv.
y y
În primul an debitul este y0 0 lei deci dobânda este y0 0 d lei.
x x
-------------------------------------------------------------
x 1 y
În al x - lea an, debitul este y0 y0 lei deci dobânda este y0 x 1 0 d lei.
x x
Dobânda totală în x ani în lei va fi:
y y yd
T y0 d y0 0 d ... y0 x 1 0 y0 xd 0 1 2 ... x 1
x x x
y0 d x 1 x x 1
y0 xd y0 d
x 2 2
T x 1
Dobânda anuală pe x ani în procente este D
y0
2
d % deci o funcţie liniară de x.
Suma totală ce se restituie în X ani este: y y0 1 D . Dobânda D ajunge egală cu P %
2P
dacă rambursarea se face în 1 ani.
d
Exemplu
O asociaţie agricolă împrumută de la Banca Agricolă suma de y0 = 12000 lei, care vor fi
rambursaţi în x 10 ani cu dobânda anuală d 5% . Se cere dobânda totală D % şi suma
totală y ce trebuie restituită în x 10 ani. În câţi ani avem D 50% ?
Soluţie
x 1 10 1
D d de unde D 0.05 27,5%
2 2
y y0 1 D de unde y = 15300 lei.
2P
P 50% în 1 19 ani
d
b) Dobânda compusă
Fie y0 suma depusă la bancă în momentul zero pentru care de adaugă dobânda anuală d % .
În primul an, depozitul este y0 deci valoarea dobânzii este y0 d lei.
În al doilea an, depozitul este y0 1 d deci valoarea dobânzii este y0 1 d d lei.
-------------------------------------------------------------
x 1 x 1
În al x - lea an, depozitul este y0 1 d deci valoarea dobânzii este y0 1 d d lei.
Dobânda totală pe x ani în lei va fi:
208
x 1 x 1
T y0 d y0 1 d d ... y0 1 d d y0 d 1 1 d ... 1 d
x
1 d 1 x
y0 d y0 1 d 1
d
x
Dobânda totală pe x ani în procente este: D 1 d 1 adică o funcţie exponenţială de x.
Suma totală acumulată după x ani este: y y0 1 D
log 1 P
Dobânda ajunge egală cu P % după trecerea a ani
log 1 d
Exemplu
Un fermier depune la bancă anual suma y0 = 500 lei pentru care se acordă dobânda anuală
d 5% . Se cere dobânda totală D % şi suma totală acumulată y după x 10 ani. În câţi ani
avem D 100% ?
Soluţie
x 10
Avem D 1 d 1 de unde D 1 0.05 1 63%
Avem y y0 1 D de unde y = 815 lei
log 1 P
P 100% în 14 ani
log 1 d
6).Evaluarea numărului de fructe pe pom
Date necesare:
NF = Numărul de flori pe pom = 2542
F = Proporţia de flori viabile = 0.9
S = Numărul de ovule pe floare = 10
0 = Proporţia de ovule fertile pe floare = 0.6
= Numărul de vizite ale insectelor pe oră şi pe floare = 0.4
= Probabilitatea ca o vizită de insectă să fecundeze un ovul dat într-o floare = 0.1
Parametrii perioadei de polenizare efectivă: α 0.5 şi β 3
δ k = viteza de cădere a fructelor cu k seminţe k 0,1,...,S
St
= factor de stress = 0.99
Pt
Rezultate
1)Numărul de fructe cu k seminţe pe pom la momentul zero este:
β
S k
S!θ n0 j μ j n k
M k 0 N f θ F
n k j 0 S n ! n k ! k j ! j !
Sn
1 θ 0 1 1 1 1 θ
α
2)Numărul de fructe cu zero seminţe pe pom la momentul zero este:
S β
S! S n μ n
M 0 0 N f 1 θ F N f θ F
n 0 S n !n ! α
θ 0n 1 θ 0 1 1 1 θ
3)Numărul de fructe cu k seminţe pe pom la momentul t este:
Sa
M k t M k 0 exp δ k t 1 du ; k 0,1,...,S
0
P a
S
4)Numărul de fructe total pe pom la momentul t este: M t M k t
k 0
209
Diferenţa între numărul de fructe pe pom la momentele 0 şi t este numărul de fructe căzute din
pom (cu sau fără seminţe).
7.2 Rolul derivatelor de ordinul unu şi doi în studiul funcţiilor de o variabilă reală
1)Funcţia reală f este continuă în x0 A dacă există, este unică şi finită L lim f x şi în
x x0
plus L f x0 .
2)Funcţia reală f este derivabilă în x0 A dacă există, este unică şi finită limita:
f x f x0
f ' x0 lim
x x0 x x0
f ' x0 se numeşte valoarea derivatei f ' x a funcţiei f(x) în x0 şi este egală cu panta tangentei
în x0 la graficul lui f : f ' x0 tg α
y
y0
0 x0 x
y M2
M1 M0
0 x1 x0 x2 x
În adevăr, M2 este intersecţia graficului cu coarda M1M2 paralelă cu tangenta M 0T iar x2
y
este abcisa lui M2. În concluzie, derivata instantanee f ' x0 este egală cu derivata medie iar
x
x y x
elasticitatea instantanee E x0 0 f ' x0 este egală cu elasticitatea medie : calculate pe
y0 y0 x0
un interval convenabil ales x1 , x2 care conţine pe x0 .
1
10. arctg x ' 2
x 1
Formule de derivare în operaţii cu funcţii
I. f x g x ' f ' x g ' x
II. f x g x ' f ' x g x f x g ' x
f x f ' x g x f x g ' x
III. ' 2
g x g x
Formulele 1. – 10. şi I. – III. le admitem fără demonstraţie.
n f(x)-n f (x 0 )
n f L' (x 0 ) lim
x x0 x x0
1
f ' (x )
0
f(x) x - x 0 f ( x0 )
Re zultă f L' (x 0 ) lim = e
x x 0 f(x )
0
Exemple
n
n ' x
1) f ( x ) x f ( x ) eL
2) f ( x ) e x f L' ( x ) e
1
3) f ( x ) n x f ( x ) e'
L
x n x
C x x f x1 f x2
AB f 1 2 AC
2 2
A
0 x1 x1 + x2 x2 x
2
O definiţie echivalentă a convexităţii este: pentru orice x0 A şi orice x1 x0 avem
f x1 f x0 f ' x0 x1 x0 adică ordonata tangentei în x0 la graficul lui f este sub acest
grafic:
y
C
y = f(x) AB f x0 f ' x0 x1 x0 f x1 AC
B
A
0 x0 x1 x
Exemple
Funcţiile y sin x , y cos x sunt periodice cu perioada T 2π 360 iar funcţia
y tg x este periodică cu perioada T π 180
Fie f : A R B R , x0 A , ε 0 .
Rolul derivatelor de ordin I şi II în studiul funcţiei reale f, este dat de:
Teorema 7.2
213
acelaşi semn.
Dacă x x0 avem f x f x0 iar dacă x x0 avem f x f x0 deci x0 este
punct de inflexiune cu tangentă orizontală căci f ' x0 0 .Q.E.D.
Exemple
1)Să se calculeze unghiul optim de ramificaţie între două vase sanguine de raze r1 şi r2 .
Soluţie
Vasul sanguin AD are raza secţiunii r1 iar vasul sanguin DC are raza secţiunii r2 .
d1 d
Rezistenţa totală a porţiunii ADC va fi: R k k 2 unde k este o constantă care
r1 r2
depinde de vâscozitatea şi densitatea sângelui.
2)La ce înălţime trebuie plasată o sursă de lumină într-o baterie pentru păsări astfel ca
intensitatea iluminării pardoselii să fie maximă?
Soluţie
Fie A punctul cel mai depărtat al pardoselii de verticala sursei luminoase SN.
α . Intensitatea luminoasă în punctul A este
Fie AN a ; SA r ; ASN
k cosα
I k cons tan tă .
r2
2 2 2 x kx
Avem r x a şi cosα deci: I x .
2 2 2 3
x a x 2
a
2 x 2 a 2 a 2
Avem I' x 0 cu rădăcina x0 deci α arctg2 55
5 2
x 2
a2
2k
Avem I'' x0 0 deci x0 este punct de maxim. Valoarea maximului este I x0
3 3a 2
b b
a
Baza mică a secţiunii este a, cea mare este a 2 x iar înălţimea secţiunii este b 2 x 2 deci
a 2x a 2
aria trapezului va fi: A x b x2 x a b2 x2
2
2 x 2 ax b2 a a 2 8b2
A ' x 0 are rădăcina pozitivă x0 . Avem
b2 x 2 4
A '' x0 0 deci x0 este punct de maxim. Valoarea maximului este A x0 .
Cazuri particulare
b
a) a b deci x0 aşa că α 30
2
b 2
b) a 0 deci x0 aşa că α 45
2
4)Să se dimensioneze un canal trapezoidal deschis pentru irigaţii astfel ca, costul săpării lui să
fie minim.
Soluţie
a
Fie raportul x între lăţimea fundului canalului a şi adâncimea canalului h.
h
x a x
b b
a
Costul săpăturii canalului este direct proporţional cu aria secţiunii deoarece lungimea
canalului şi costul săpăturii (lei / m3) este constantă.
Trebuie să minimizăm aria secţiunii în raport cu x astfel ca pe canal să fie asigurat un debit Q
dat de apă. Fie m = tg panta taluzului.
a a 2h m
Aria secţiunii este: S h a hm h . Dar a h x deci
2
S x m h2
h se determină cu condiţia să se asigure pe canal debitul Q, panta fundului canalului este i
iar n este rugozitatea pereţilor şi fundului canalului la curgerea apei
(n = 0.025 pentru canale de pământ şi n = 0.014 pentru canale dalate cu beton).
218
3
8 1
n
Avem relaţia: h Q
i
x 2 1 m 2
4
x 2m
5
8
3
1 8
n
Rezultă: S x K x m x 2m
5
8
x 2 1 m 2
4
unde K Q
i
este o
5 x 2 x 17 m 6 1 m 2 4m 2 22 m 1 m 2 0 cu punctul de minim:
1 2 2 2
x0 17m 6 1 m 245m 236m 1 m 36
10
5)Dintr-o foaie dreptunghiulară din fier sau carton cu lungimea a şi lăţimea b se taie în fiecare
colţ câte un pătrat de latură x iar marginile rămase se îndoaie, obţinând o cutie paralelipipedică fără
capac de tip lădiţă de fructe. Să se afle x astfel ca volumul cutiei să fie maxim.
Soluţie
a b a 2 b2 ab
x0
6
Exemplu:
Un vânzător a vândut la piaţă cu preţul curent xc = 2.5 lei / Kg în T =10 ore o cantitate yc = 8 kg
fasole boabe pentru care a primit suma zc = 20 lei .
A doua zi a vândut la aceeaşi piaţă cu preţul de probă xp = 3 lei tot în T = 10 ore o cantitate yp = 6 Kg
fasole boabe pentru care a primit suma zp= 18 lei.Din formulele de mai sus rezultă preţul de vînzare
220
economic xe = 2.25 lei /Kg cu care în T = 10 ore , s-ar vinde cantitatea ye = 9 Kg fasole boabe şi s-ar
primi suma maximă ze = 20.25 lei .
În acest caz cantitatea de produs y scade lent odată cu creşterea preţului de vînzare x , deci
cantitatea de produs vândută are forma y = a.x2 + b cu a <0 .
Coeficienţii a , b se găsesc din condiţiile :
yc = a.xc2 + b ; yp = a.xp2 + b
Avem z = x.y = a.x3 + b.x deci z = maxim pentru z’ = 3a.x2 + b = 0
aşa că xe = (b / ( - 3a))1 / 2 deci ye = 2b / 3 şi ze = xe.ye = maxim .
Trebuie să avem b / ( - 3a) > 0 şi cum a < 0 , trebuie ca să avem b >0 ,
condiţie totdeauna îndeplinită pentru că funcţia f este descrescătoare .
Exemplu:
Un vânzător a vândut la piaţă cu preţul curent xc = 1 leu / Kg în T =10 ore o cantitate
yc = 60 kg cartofi pentru care a primit suma zc = 60 lei .
A doua zi a vândut la aceeaşi piaţă cu preţul de probă xp = 1.2 lei tot în T = 10 ore o cantitate
yp = 50 Kg cartofi pentru care a primit suma zp= 60 lei..
Din formulele de mai sus rezultă preţul de vînzare economic xe = 1.1015 lei /Kg cu care în
T = 10 ore , s-ar vinde cantitatea ye = 55.15 Kg cartofi şi s-ar primi suma maximă ze = 60.7502 lei .
Exemplu:
Un vânzător a vândut la piaţă cu preţul curent xc = 2 lei / Kg în T =10 ore o cantitate yc = 10 kg
conopidă pentru care a primit suma zc = 20 lei .
A doua zi a vândut la aceeaşi piaţă cu preţul de probă xp = 2.5 lei / Kg , tot în T = 10 ore , o
cantitate yp = 8 Kg conopidă pentru care a primit suma zp= 20 lei.
Condiţia xp > xc.(yc / yp)1 / 2 este îndeplinită .
Din formulele de mai sus rezultă preţul de vînzare economic xe = 2.2361 lei /Kg cu care în
T = 10 ore , s-ar vinde cantitatea ye = 9 Kg conopidă şi s-ar primi suma maximă ze = 20.1246 lei .
În acest caz cantitatea de produs y scade brusc odată cu creşterea preţului de vînzare x , deci
cantitatea de produs vândută are forma y = 1 / (a.x + b )2
Coeficienţii a , b se găsesc din condiţiile :
1 / yc = (a.xc + b)2 ; 1 / yt = (a.xt + b)2
Avem z = x.y = x / (a.x + b)2 deci z = maxim pentru z’ = (b – a.x) / (a.x+b)3
= 0 aşa că xe = b / a deci ye = 1 / 2b şi ze = xe.ye = maxim .
222
Exemplu:
Un vânzător a vândut la piaţă cu preţul curent xc = 3 lei / Kg în T =10 ore o cantitate
yc = 10 kg căpşuni pentru care a primit suma zc = 30 lei .
A doua zi a vândut la aceeaşi piaţă cu preţul de probă xp = 4 lei / Kg , tot în T = 10 ore ,
o cantitate yp = 7 Kg căpşuni pentru care a primit suma zp= 28 lei.
Din formulele de mai sus rezultă preţul de vînzare economic xe = 2.1222 lei /Kg cu care în
T = 10 ore , s-ar vinde cantitatea ye = 14.56 Kg căpşuni şi s-ar primi suma maximă ze = 30.9077 lei .
Echipamentele suferă în timpul utilizării uzură fizică deci necesită cheltuieli de întreţinere şi
reparare.
Apariţia de echipamente noi provoacă uzura morală a celor vechi care trebuie înlocuite.
Momentul optim al înlocuirii echipamentelor vechi are ca scop minimizarea cheltuielilor medii de
întreţinere şi reparare luând în calcul şi cheltuielile de cumpărare şi instalare şi valoarea de
recuperare prin revînzare sau casare(valorificarea materialelor refolosibile şi recondiţionarea
pieselor vechi) a acestor echipamente .
N 1 2 3 4 5 6 7 8 9 10
Vn 30 25 22 18 15 10 8 7 5 0
Cn 2 5 8 14 21 25 28 30 34 38
Avem n0 = 3 ani cu cheltuieli medii minime actualizate f(n0) = 15.04 unităţi monetare .
Exemplu
Fie un echipament cu α(t) = b / (at+b) care îndeplineşte condiţiile (0) = 1 şi (t) 0 pentru
t∞.
Fie C(t) = C.t deci β(t) = C.t2 / 2 care verifică condiţiile β(0) = 0 şi β(t) este crescătoare pe
[0 ; +∞] .
Avem f(t) = {C0[1- b / (at+b)] + C.t2 / 2 } / t adică f(t) = (aC0) / ( at+b) + (C.t ) / 2 aşa că :
f ‘(t) = - (a2.C0 ) / (at+b)2 + C / 2 = 0 cu soluţia pozitivă t0 = ( 2C0 / C) 1/2 – b / a .
Cum f ’’(t0 ) > 0 , t0 este punct de minim al cheltuielilor medii f(t) . iar f0 = f(t0) sunt cheltuielile
medii minime .
În cazul actualizării cheltuielilor cu rata dobînzii d , avem funcţia de actualizare a cheltuielilor
δ(t) = 1 / (1+d)t deci cheltuielile medii au forma :
b 1 Ct 2 1
C0 1 t
at b (1 d) 2 (1 d) t
g(t)=
t
t0 va fi soluţia pozitivă a ecuaţiei g’(t) = 0 . Cum g ‘’(t0) > 0 , t0 va fi punct de minim iar valoarea
cheltuielilor medii actualizate minime este g0 = g(t0) .
225
7.4 Metode iterative de rezolvare a ecuaţiilor
Conform teoremei Fermat 7.3 punctele de maxim sau minim ale unei funcţii f x se găsesc
printre rădăcinile ecuaţiei f ' x 0 . Este deci necesară aflarea rădăcinilor reale ale unei funcţii,
adică a punctelor de intersecţie ale graficului funcţiei cu axa 0x.
Dacă funcţia este un polinom P x atunci ecuaţia P x 0 se numeşte ecuaţie algebrică. În
x
caz contrar funcţia conţine în expresia ei alte funcţii elementare ( e , ln x , sin x , cos x , tg x ,
arcsin x , arccos x , arctg x , etc.) şi ecuaţia se numeşte transcendentă.
De cele mai multe ori ecuaţiile de forma f x 0 nu au rădăcini exacte (întregi sau
raţionale) ci rădăcini aproximative.
Aceste rădăcini aproximative se află prin metode iterative care vor fi prezentate în continuare.
Prima problemă în rezolvarea ecuaţiilor f x 0 prin metode iterative este localizarea
rădăcinilor reale adică găsirea de intervale în care se găseşte câte o rădăcină (simplă sau multiplă).
O rădăcină α a, b a ecuaţiei f x 0 , este de multiplicitate m 2 dacă
f x f ' x ... fα
m 1
0 dar f α 0 .
m
Prima etapă în localizarea rădăcinilor reale ale ecuaţiei f x 0 este găsirea unui interval
care să conţină toate rădăcinile reale ale ecuaţiei. Pentru ecuaţii polinomiale de forma:
P x a0 x n a1 x n1 ... an 1 x an 0 avem:
Teorema 7.5
a a a
Dacă este rădăcină reală a lui P x şi r 1 max 1 , 2 ,..., n , vom avea
a0 a0 a0
α r; r
Demonstraţie
Împărţind la nevoie P x 0 cu a0 0 , putem presupune ecuaţia de forma:
aj
P x x n b1 x n1 ... bn1 x bn 0 cu b j 1 j n .
a0
a)Dacă 1 max b1 , b2 ,..., bn se poate arăta prin inducţie că P x 1 pentru x :
Fie S1 b1 x , S2 b2 xS1 ,...,Sn 1 bn1 xSn 2 , P x Sn bn x Sn 1 .
Dacă Sk 1 rezultă Sk1 1 pentru x deci în final P x Sn 1 pentru x .
n n 1
b)Avem: α b1α ... bn1α bn 0 de unde: α n b1α n 1 ... bn 1α bn
n n 1
Rezultă: α b1 α ... bn1 α bn deci polinomul:
Q x x n b1 x n 1 ... bn1 x bn are proprietatea Q α 0 .
Pe de altă parte Q x 1 pentru x deci :
a a a
α 1 max b1 , b2 ,..., bn 1 max 1 , 2 ,..., n Q.E.D.
a0 a0 a0
Localizarea propriu zisă a rădăcinilor ecuaţiei f x 0 se poate face cu şirul Rolle.
226
Conform teoremei lui Rolle, dacă funcţia este derivabilă pe R , între două rădăcini ale funcţiei se
găseşte cel puţin o rădăcină a derivatei sau cu alte cuvinte, între două rădăcini ale derivatei se
găseşte cel mult o rădăcină a funcţiei (în cazul unei schimbări de semn a funcţiei pentru cele 2
rădăcini ale derivatei sale).
Deci dacă cunoaştem rădăcinile ecuaţiei f ' x 0 putem localiza rădăcinile ecuaţiei
f x 0 . Pentru ecuaţii polinomiale avem:
f x P x a0 x n a1 x n 1 ... an 1 x an
f ' x na0 x n 1 n 1 a1 x n 2 ... an 1
fx A kn a0 x n k A kn 1 a1 x n 2 ... A kk an k ; k 1, 2,..., n
k
n!
Aici A n n n 1 ... n k 1 sunt aranjamentele de n luate câte k: A kn
k
n k !
Localizarea rădăcinilor ecuaţiei polinomiale se va face astfel:
fx
n
n !a0 0
n! n 2
fx
n 1
a0 x n 1 !a1 0 are o rădăcină reală cu care se localizează rădăcinile lui f x .
1!
n! n 1 !
fx
n 1
a0 x 2 a1 x n 2 !a2 0 are cel mult 2 rădăcini reale cu care se localizează
2! 1!
n3
rădăcinile lui f x , etc.
f ' x na0 x n 1 n 1 a1 x n 2 ... an 1 0 are cel mult n 1 rădăcini reale cu care se
localizează rădăcinile lui f x .
Vom prezenta în continuare patru metode iterative de rezolvare a ecuaţiei f x 0 , unde f
este continuă pe a, b , f a f b 0 şi există o singură rădăcină necunoscută α a, b .
Exemplu
227
α 0;1 . Luăm n 10 iteraţii deci avem rădăcina c10 = 0.682129 (3 zecimale exacte)
EA 0.0009766 ; EP 0.0009766 ; EV 0.0004766
Programul BISEC face aceste calcule.
Exemplu
Fie ecuaţia f x x x 1 0 pentru care se ştie că există şi este unică rădăcina
3
1 1
Eroarea postcalculată este: EP xn1 xn deoarece xn α xn1 xn ε 2 .
1 q 1-q
Eroarea de verificare este EV f xn ε 3
Exemplu
Fie ecuaţia f x cos x x 0 pentru care se ştie că există şi este unică rădăcina
α 0;1 . Fie g x f x x cos x cu g ' x sin x .
Avem q max g ' x max sin x sin1 0.841971
x 0; 1 x 0; 1
În plus g 0;1 cos 0;1 0;1 . Luăm n 30 iteraţii deci avem rădăcina c30 =
0.7390823 cu 5 zecimale exacte. EA = 0.0056386; EP = 0.0000301; EV = 0.0000048
Programul APROX face aceste calcule.
b 2
xn1 α conform relaţiilor (1) şi (3)
2a
Avem:
3 2n 1
b 2 b 4 b 2n
xn α xn 1 α xn 2 α ... x0 α .
2a 2a 2a
2n 2n
b b b
Rezultă 0 x0 α x0 α c
2a 2a 2a
2n
b b
Dar c 1 deci c 0 pentru n .Q.E.D.
2a 2a
f xn 1
Pentru a alege valoarea iniţială x0 a şirului recurent X n X n1 vom proceda
f ' xn1
astfel: fie f : [ p1 ; p2 ] R derivabilă de două ori pe p1; p2 cu f p1 f p2 0 şi care
satisface condiţiile (1), (2) pe intervalul p1; p2 .
Prin metoda bisecţiei putem ajunge la un interval q1 ; q2 p1; p2 astfel că
2a 2a
f q1 f q2 0 şi q2 q1 . În acest caz r q2 q1 aşa că
b b
2a
C min r; r şi alegem:
b
q q
(4) x0 1 2 q1; q2
2
2n 1
b 2n
Eroarea antecalculată rezultă din demonstraţia teoremei 7.7: EA c deoarece
2a
xn α EA ε1 .
b 2
Eroarea postcalculată este: EP xn xn1 deoarece xn α EP ε 2 .
2a
Eroarea de verificare este: EV f xn ε 3
Exemplu
Fie ecuaţia f x x 6 x 2 0 cu rădăcina unică α 0;1 .
3
2 2a
Avem f ' x 3 x 6 ; f '' x 6 x deci avem: a 3 ; b 6 ;
1
b
1 1 1 1 1 1 2a
Prin metoda bisecţiei găsim ; 0;1 cu f f 0 şi 1
4 2 4 2 2 4 b
1 2a 1 1 1 3
Rezultă r ; c deci alegem x0 ; de exemplu x0 0.375
4 b 4 4 2 8
3
x 6x 2
Şirul recurent are forma: X n X n1 n1 2 n1
3xn 1 6
231
După n 3 iteraţii găsim rădăcina: 0.6823719 cu 4 zecimale exacte.
Eroarea antecalculată este: EA = 0.0000153
Eroarea postcalculată este: EP = 0.0071547
Eroarea de verificare este: EV = 0.0001056
Programul TANG face aceste calcule.
7.5 Rezumat
7.6 Întrebări
1. Care este rolul derivatei de ordinul unu în studiul funcţiei de o variabilă reală ?
2. Care este rolul derivatei de ordinul doi în studiul funcţiei de o variabilă reală ?
3. Cum se găsesc maximele şi minimele unei funcţii de o variabilă reală ?
4. Ce aplicaţii au în agricultură maximele şi minimele unei funcţii de o variabilă reală ?
7.7 Bibliografie
Obiective : însuşirea de către studenţi a rolului derivatelor parţiale de ordin unu şi doi în studiul
funcţiei reale de n variabile reale şi mai ales a găsirii extremelor libere sau cu legături ale
funcţiei , direct sau cu computerul .
Cuprins :
8.1 Rolul derivatelor parţiale de ordinul unu şi doi în studiul funcţiilor de n variabile reale
8.2 Extreme libere ale funcţiilor de n variabile reale
8.3 Extreme cu legături ale funcţiilor de n variabile reale
8.4 Metoda Newton-Raphson pentru rezolvarea sistemelor neliniare
8.5 Rezumat
8.6 Întrebări
8.7 Bibliografie
Cuvinte-cheie : funcţie reală de n variabile reale , derivate parţiale de ordinul unu şi doi ,
maximele şi minimele libere sau condiţionate ale unei funcţii , metode iterative de rezolvare
a unui sistem neliniar de ecuaţii .
8.1 Rolul derivatelor parţiale de ordinul unu şi doi în studiul funcţiilor de n variablile
reale
y1 = f1 (x1,…,xn)
………………..
ym = fm (x1,…,xn)
definite pe A Rn cu valori în B R .
Un asemenea sistem de funcţii reale este în fond o funcţie o funcţie vectorială de variabilă
vectorială , definită pe Rn cu valori în Rm , care asociază vectorului
X = (x1,…,xn) A Rn un vector unic Y = (y1,…,ym) B Rm .
Asemenea funcţii sunt operatorii liniari definiţi pe Rn cu valori în Rm .
Caz particular
Pentru n = 2 funcţia y = f(x1,x2) reprezintă o suprafaţă în spaţiul R3 iar sistemul de funcţii
y = f 1(x1,x2) ; y = f2 (x1,x2) reprezintă o intersecţie de suprafeţe în R3 deci o curbă spaţială în R3 .
De exemplu funcţia y = b0 + b1 x1 + b2 x2 reprezintă un plan în spaţiul R3 iar sistemul de funcţii
y = b0 + b1 x1 + b2 x2 ; y = c0 + c1 x1 + c2 x2 reprezintă fie o dreaptă în spaţiul R3 fie o pereche de plane
paralele în R3 .
Funcţia y = b0 + b1 x1+b2 x2 + c1x12 + c2x1x2 + c3x22 reprezintă deasemenea o suprafaţă în spaţiul
3
R .
233
O funcţie reală de n variabile reale y = f (x1,…,xn) se numeşte funcţie de producţie dacă
x1,…,xn sunt factori(resurse) pentru cultura plantelor sau creşterea animaloelor iar y este producţie
fizică sau valorică în agricultură .
Unei funcţii reale de n variabile y = f (x1,…,xn) i se asociază funcţiile ajutătoare :
a) Funcţiile parţiale de o variabilă reală :
y = f ( x10 ,…, xi – 1 ,0 , xi ,xi+1,0 , … , xn 0 ) = fi (xi)
Aici doar xi este variabilă , restul argumentelor fiind constante .
Graficele funcţiilor parţiale pentru diferite valori concrete ale variabilelor , se numesc izocuante .
b) Funcţia izovalorică :
y0 = f (x1,…,xn)
Aici este fixată valoarea y deci cunoscând valorile a n – 1 dintre variabilele xi ,se poate calcula
valoarea celei de a n-a variabile , astfel că y = y0 .
Graficele funcţiilor izovalorice pentru diferite valori concrete ale lui y , se numesc curbe
izovalorice .
Fie funcţia reală y = f (x1,…,xn) , f : A Rn R şi fie vectorul fixat x(0) = ( x10 ,…, xn0 ) A .
Limita funcţiei f în punctul x(0) este numărul unic şi finit L astfel că pentru orice > 0 există
() > 0 astfel că pentru orice x = (x1,…,xn) A cu x – x(0) < rezultă f(x) – L < . Dacă în plus :
L= lim
(0)
f (x) f(x (0) )
x x
se spune că funcţia f este continuă în x(0) în raport cu ansamblul variabilelor x1,…,xn
În acest caz funcţiile parţiale y = fi (xi ) sunt şi ele continue în raport cu variabilele lor.
Funcţia reală y = f (x1,…,xn) este diferenţiabilă în x(0) A dacă există constantele
C1,…,Cn astfel că pentru orice x A cu x – x(0) < , avem :
f (x1,…,xn) = f (x10,…,xn0) + C1.(x1 – x10 )+…+Cn.(xn- xn0 ) + (x1,…,xn). x – x(0)
unde (x1,…,xn) 0 pentru x x(0) .
Funcţia reală y = f (x1,…,xn) are derivate parţiale în x(0) A dacă funcţiile parţiale
y = fi (xi) sunt derivabile în xi 0 şi au derivatele :
f (x (0) )
y = f i' (x i 0 )
x i
Dacă f este diferenţiabilă în x A , atunci f are derivate parţiale în x(0) A .
(0)
Dacă fincţia f are derivate parţiale continue în x(0) A , atunci ea este diferenţiabilă în
x(0) A .Vectorul :
f (x (0) ) f (x (0) )
d f(x (0) ) dx1 ... dx n
x1 x n
El este produsul scalar între vectorul Grad f (x(0)) şi vectorul-deplasare dx = (dx1,…,dxn)
Derivatele parţiale ale lui y = f (x1,…,xn) sunt şi ele funcţii reale de n variabile reale :
234
f
y f x' i (x1 ,...,x n )=
(x1 ,...,x n )
x i
Dacă aceste derivate au la rândul lor derivate parţiale în raport cu x1,…,xn , se spune că
funcţia f are derivate parţiale de ordinul doi :
2f f
( (x1 ,..., x n ))
x i x j x j x i
Dacă derivatele parţiale de ordinul doi sunt continue atunci derivatele mixte sunt egale :
2f 2f
=
xi x j x j x i
Derivatele parţiale de ordinul doi ale lui f formează în punctul x(0) = (x10,…,xn 0) A
o matrice numerică numită matricea Hessiană a lui f :
2 f (x (0) )
H f (x (0) ) ; (1 i,j n)
x i x j
Diferenţiala de ordin doi a lui f este polinomul omogen de grad doi în variabilele
dx1,…,dxn :
2 (0)
n n
2 f (x (0) )
d f (x ) dx i dx j (dx) H f (x (0) ) (dx) T
i 1 j1 x i x j
h11 h12
1 h11 0, 2 0,..., n Det(H f (x (0) ) 0
h 21 h 22
adică toţi minorii principali sunt strict pozitivi în x(0) .
Diferenţiala de ordinul doi a lui f se numeşte negativ-definită dacă pentru orice vector-deplasare
dxRn , avem : d2f (x(0)) = (dx).Hf(x(0)).(dx)T < 0 .
Conform criteriului lui Sylvester , d 2 f (x(0)) este negativ-definită dacă Hf(x(0)) este matrice
negativ-definită adică dacă :
h11 h12
1 h11 0, 2 0,..., n Det(H f (x (0) ) 0
h 21 h 22
adică toţi minorii principali sunt strict negativi în x(0) .
235
8.2 Extreme libere ale funcţiilor de n variabile reale
Funcţia reală de n variabile reale y = f (x1,…,xn),f:A Rn B R are în x(0) = ( x10 ,…, xn0 )A
un maxim relativ dacă pentru orice x A cu x – x(0) < avem f(x) < f(x(0)) deci în sfera cu centrul
x(0) şi raza , valoarea f(x(0)) este cea mai mare .
Funcţia reală de n variabile reale y = f (x1,…,xn) are în x(0) = ( x10 ,…, xn0 ) A un minim
relativ dacă pentru orice x A cu x – x(0) < avem f(x) > f(x(0)) deci în sfera cu centrul x(0) şi raza
, valoarea f(x(0)) este cea mai mică .
Dacă funcţia f are cel puţin un maxim relativ, cel mai mare maxim relativ se numeşte
maxim absolut pentru funcţia f .
Dacă funcţia f are cel puţin un minim relativ, cel mai mic minim relativ se numeşte
minim absolut pentru funcţia f .
Dacă funcţia f are un minim absolut şi un maxim absolut , ea se numeşte mărginită .
Fie funcţia reală de n variabile reale y = f (x1 ,…,xn) , f: A Rn B R şi fie
(0)
x = ( x10 ,…, xn0 ) A .
Dacă f are derivate parţiale continue de ordinul doi în sfera { x A x – x(0) < }
(deci este diferenţiabilă în această sferă ) atunci pentru orice x = (x1,…,xn) în sfera
precedentă avem formula Taylor :
1 f (x (0) ) f (x (0) )
f (x1 ,..., x n ) f (x10 ,..., x n 0 ) .(x 1 x10 ) ... .(x n x n 0 )
1! x1 x n
1 n n 2 f (x (0) ) R 2 (x1 ,..., x n )
(x i x i0 )(x j x j0 ) R 2 (x1 ,..., x n ) unde l i m 2
0
2! i 1 j1 x i x j
x x (0)
x x (0)
Pentru funcţii reale de n variabile reale are loc o teoremă asemănătorare cu teorema 7.3
şi anume :
Teorema 8.1
Dacă funcţia f are derivate parţiale continue în sfera { x A x – x(0) < } şi x(0)
este un punct de maxim sau de minim relativ , avem :
f(x (0) )
0 ; (i = 1,...,n) deci df(x (0) ) 0
x i
Demonstraţie
Fie de exemplu x(0) = ( x10 ,…, xn0 ) A punct de maxim relativ pentru f deci x10
este punct de maxim relativ pentru funcţia parţială y = f1(x1) = f(x1,x20,…,xn0) deci
conform teoremei 7.3 avem f (x(0) ) / x1 = 0 . Raţionamentul este analog pentru
variabilele x2,…,xn . Q.E.D.
Punctele x(0) A Rn cu f (x(0) ) / x1 = 0,…, f (x(0) ) / xn = 0 , se numesc puncte
staţionare ale funcţiei f pentru că în aceste puncte planul tangent la graficul funcţiei f
este orizontal ( valorile funcţiei f staţionează în x(0) având viteza de variaţie Gradf (x(0)
nulă ). În punctele staţionare x(0) vectorii Gradf (x(0) ;I dx = (dx1,…,dxn) sunt ortogonali .
Condiţia din teorema 8.1 este necesară dar nu suficientă peunrt puncte de maxim sau de minim
relativ , adică nu orice punct staţionar este punct de maxim sau de minim relativ .
O condiţie suficientă de maxim sau de minim relativ este dată de :
236
Teorema 8.2
Fie funcţia reală de n variabile reale y = f (x1 ,…,xn) cu derivate parţiale de ordinul doi continue
în sfera { x A x – x(0) < } unde x(0) A este punct staţionar pentru funcţia f adică
f (x(0) ) / xi = 0 ; (i=1,…,n) .
Dacă matricea hessiană Hf (x(0)) este pozitiv-definită , atunci x(0) este punct de maxim relativ
pentru f .
Dacă matricea hessiană Hf (x(0)) este negativ-definită , atunci x(0) este punct de minim relativ
pentru f .
În celelalte cazuri x(0) nu este punct de extrem relativ pentru f .
Demonstraţie
Dacă x(0) este punct staţionar pentru funcţia f , formula Taylor de mai sus , se scrie :
1 n n 2 f (x (0) )
f (x1 ,..., x n ) f (x10 ,..., x n 0 ) (x i x i0 )(x j x j0 ) R 2 (x1 ,..., x n )
2! i 1 j1 x i x j
R 2 (x1 ,..., x n )
unde l i m
(0) 2
0
x x
x x (0)
2 n n 2 f (x (0) ) (x i x i0 ) (x j x j0 ) 2R 2 (x)
f (x) f (x (0) )
2 i1 j1 x i x j 2
Dacă Hf(x(0)) este pozitiv-definită , pentru orice x cu x – x(0) < avem H0(x)>0
deci f(x) > f(x(0)) adică x(0) este punct de minim relativ pentru f .
Dacă Hf(x(0)) este negativ-definită , pentru orice x cu x – x(0) < avem H0(x)<0
deci f(x) < f(x(0)) adică x(0) este punct de maxim relativ pentru f .
În restul cazurilor, pentru unii vectori x cu x – x(0) < avem f(x) > f(x(0)) iar pentru
alţi vectori x cu x – x(0) < avem f(x) < f(x(0)) deci x(0) nu este punct de extrem relativ
ci punct-şa . Q.E.D.
Exemplu
Să se afle extremele funcţiei y = - 4 x13 – 9 x23 – x33 +12x1 + 27x2+12x3
Soluţie
a) Anulăm derivatele parţiale de ordinul unu ale funcţiei f pentru a găsi punctele ei staţionare :
y / x1 = - 12 x12+12 = 0
y / x2 = - 27 x22+27 = 0
237
y / x3 = - 3 x12+12 = 0
Sistemul are 8 soluţii de forma ( x10= ±1 , x20 = ±1 , x30 = ± 2) adică 8 puncte staţionare .
b) Derivăm parţial în raport cu x1,x2,x3 fiecare derivată parţială de ordinul unu de la punctul a) şi
obţinem Hessiana :
24x1 0 0
H(x1 , x 2 , x 3 ) 0 -54x 2 0
0 0 -6x 3
Avem minorii principali : Δ1 = - 24x1 ; Δ2 = 1296x1 x2 ; Δ3 = - 7776x1x2 x3 .
Numai pentru punctul staţionar M1(1,-1,2) avem Δ1 <0 ; Δ2 >0 ; Δ3 <0 deci M1 este singurul
punct de maxim relativ pentru f .
Numai pentru punctul staţionar M2(-1,1,-2) avem Δ1 >0 ; Δ2 >0 ; Δ3 >0 deci M2 este singurul
punct de minim relativ pentru f .
Celelalte 6 puncte staţionare nu sunt puncte de extrem relativ pentru f .
Aplicaţii
1) Dreapta de regresie în statistică
Fie în planul R2 punctele M1(x1,y1),…, Mn(xn,yn) . Se cere ecuaţia dreptei y=B0+B1.x pentru
care funcţia de două variabile este minimă : f(B0,B1)= (y1-B0-B1.x1)2+…+ (yn-B0-B1.xn)2 = minim
(Metoda celor mai mici patrate)
Soluţie
Aflăm punctele staţionare ale funcţiei f , anulând derivatele parţiale de ordinul unu
ale lui f în raport cu B1,B0 :
∂ f / ∂B1 = 2(y1-B0 – B1x1).(-x1)+…+ 2(yn-B0 – B1xn).(-xn) = 0
∂ f / ∂B0 = 2(y1-B0 – B1x1).(-1) + … +2(y1-B0 – B1x1).(-1) = 0
Acest sistem liniar se numeşte sistem de ecuaţii normale şi are forma :
n n n
B1 x i2 B0 x i x i yi
i 1 i 1 i 1
n n
B1 x i B0 n yi
i 1 i 1
2f n
2 2 f n
2f
B12
2
i 1
x i ;
B1B0
2
i 1
x i ;
B20
2n
n 2 n
2 x i 2 xi
H f i n1 i=1
2 x i 2n
i 1
n n n
1 2 x i2 0 ; 2 Det(H f ) 4 n x i2 ( x i ) 2
i 1 i 1 i 1
n n
1
4 (x i x j ) 2 0
i 1 n j1
Un stoc este o acumulare de bunuri materiale care urmează să fie folosite în producţie sau
valorificate în consum .
Intensitatea aprovizionării cu bunuri materiale nu poate fi totdeauna egală cu intensitatea cererii
acestor bunuri pentru producţie / consum deci se impune necesitatea stocării lor .
Exemple de stocuri în agricultură
- Stocuri de produse agricole vegetale în silozuri ;
- Stocuri de produse zootehnice în depozite ;
- Stocuri de îngrăşăminte,insecticide ,ierbicide la furnizori ;
- Stocuri de carburanţi şi piese de schimb în atelierele mecanice ;
- Stocuri de seminţe pentru semănat la unităţile producătoare de seminţe ;
- Stocuri de material seminal pentru însămânţări artificiale la animale la unităţile de de profil ;
Stocarea bunurilor materiale , numite convenţional şi articole , presupune comandarea şi
transportarea lor în stoc cu costul de aprovizionare ca (lei / serie) ; aceste bunuri materiale sunt
imobilizate în stoc, lipsind din procesul de producţie / consum şi trebuind ferite de depreciere sau
sustragere , deci ele comportă un cost de stocare cs (lei / articol.unitate de timp ).
Dacă intensitatea cererii pentru producţie / consum de articole , depăşeşte intensitatea stocării
acestora , numărul de articole din stoc poate deveni zero , creindu-se penurie de articole cu costul de
penurie cp (lei / articol.unitate de timp ) .
m nm
C(n,m)=k ca u cs (t u) c p
2 2
1 m2 (n m)2
C(n,m)= N ca T.cs T cp
n 2n 2n
Cu notaţia ρ = cp / (cs+cp ) deci 0< ρ < 1 acest sistem are soluţia (punctul staţionar) :
N ca 1
n0 2 ; m0 n 0
T cs
Se verifică condiţiile :
240
2C 2C
2C n 2 nm
1 2 0 ; 2 2 0 pentru n = n 0 şi m = m0
n C 2C
mn m 2
N ca N T
n0 2 m 0 ; C(n 0 ) T cs n 0 ; k 0 ; t0 u0
T cs n0 k0
Exemplu
La o fermă zootehnică , necesarul anual de furaje concentrate este de N = 200 tone
pentru T = 365 zile . Costul de aprovizionare este ca = 100 lei / serie iar cel de stocare este
cs = 5 lei / tonă.zi .
Absenţa furajelor concentrate duce la cheltuieli suplimentare astfel că costul de penurie este
cp = 3.5 lei / tonă.zi .
Se cer valorile optime n0 , m0 , C(n0 , m0) , k0 , t0 , u0 .
Soluţie
Avem ρ = cp / (cs + cp ) = 0.875 . Rezultă :
n 0 = [(2.N.ca) / (T.cs )]1 / 2 . (1 / ρ1 / 2 ) = 15.83 tone planificate pe serie .
m0 = ρ.no = 13.85 tone realizate pe serie.
C(n0 , m0 ) = T.cs.m0 = 2527.625 lei .
k 0 = N / n0 = 12.63 serii .
t0 = T / k0 = 28.9 zile între două aprovozionări succesive .
u0 = ρ.t0 = 25.29 zile fără penurie .
Intensitatea ofertei este de articole / unitete de timp iar intensitatea cererii este de articole /
unitate de timp. Presupunem că > pentru a putea constitui stocul . Fie = cp / ( cs + cp ) 0 ; 1 .
241
Avem t1 = s ; t2 = s + u ; t3 = s + u + t ; t4 = s + u + t + r .
În intervalul de timp 0 ; t1 de lungime s , se oferă s articole şi se cer s articole deci stocul
conţine ( - )s articole .
În intervalul de timp t1 ; t2 de lungime u se consumă în totalitate stocul de ( - )s articole deci :
(1) ( - )s = u
În intervalul de timp t2 ; t3 de lungime t se creează deficitul de stoc de t articole .
În intervalul de timp t3 ; t4 de lungime r se reia oferta de r articole şi se cer r articole pînă
la lichidarea deficitului de stoc aşa că :
(2) t = ( - ) r
Cheltuielile pe intervalul total de timp 0 ; t4 de lungime r + t + u + s sunt formate din :
a) Cheltuieli de lansare a producţiei ca (lei) ;
b) Cheltuieli medii de stocare egale cu cs . ( - ) s . (u+s) ) / 2 pe intervalul de timp 0 ; t2 de
lungime u + s .
c) Cheltuieli medii de penurie cp.t.(r + t) / 2 pe intervalul de timp t2 ; t4 de lungime r + t .
Cheltuielile totale pe unitatea de timp sunt :
f(s,u,t,r) = ca + cs . ( - ) s . (u+s) ) / 2 + cp.t.(r + t) / 2 / ( r + t + u + s)
Din relaţiile (1) şi (2) rezultă : s = u / ( -) şi r = t / ( -) aşa că avem :
(3) f(u,t) = ca ( -) + ( cs.u2 + cp.t2 ) / 2 / (u + t)
Anulând derivatele parţiale f / u = 0 ; f / t = 0 găsim soluţia care se dovedeşte a fi punct de
minim :
2ca ( ) c u 0 t 0
(4) u0 ; t 0 s u 0 deci s0 ; r0
cs cp
2ca ( )
u0
cs
Exemplu
La o fermă zootehnică avem costul de lansare a bazei furajere ca = 1200 lei , cel de stocare este
cs = 0.5 lei / tonă.zi iar cel de penurie este cp = 3.5 lei / tonă.zi . Avem = 0.5 tone / zi şi = 0.4 tone /
zi.
Se cer valorile optime u0 , t0 , s0 , r0 şi f0 .
Soluţie
m
r n
m2 n
(r m)2
C(m) ca cs (m ) p(r) cs p(r) cp p(r)
r0 2 r m 1 2r r m 1 2r
Valoarea optimă m0 a lui m este dată de dubla inegalitate :
C (m – 1) > C (m) < C (m+1)
Dar :
244
n
1 p(r)
C(m 1) C(m) (cs c p ) P(r m) (m )
2 r m 1 r
deci cu notaţia :
1 n p(r)
L(m) P(r m) (m
2 r m1 r
1 n p(r)
C(m 1) C(m) (cs c p ) P(r m 1) (m )
2 r m r
deci relaţia C (m –1) > C (m) devine : cp > (cs + cp ).L(m-1) adică > L(m-1) .
Am demonstrat :
Teorema 8.3
m 0 este acea valoare a lui m care satisface dubla inegalitate : L(m-1) < < L(m) .
Exemplu
Un depozit trebuie să stocheze îngrăşăminte chimice pentru un anumit timp.
Cererea de îngrăţăminte chimice (tone / lună ) este variabila aleatoare X cu repartiţia :
0 1 2 3 4
X:
0.40 0.22 0.18 0.12 0.08
2
r 4
22
C(2) 2000000 40000 (2 ) p(r) 40000 p(r)
r 0 2 r 3 2r
(r 2)2
4
360000 p(r)
r 3 2r
Avem L(1) =0.845 < ρ = 0.9 < L(2)= 0.950 deci m0 = 2 tone / serie realizate .
4) Funcţii Douglas-Cobb
P
A 0 B1x1B1 1 x B2 2 1 0
x1
P
A 0 B2 x1B1 x 2B2 1 1 0
x 2
Rezultă :
1
B1 1 B1
x 20 A 0 B B1 2
1 B1 B2
Dacă cantitatea de produs y scade direct proporţional odată cu creşterea preţului de vînzare x , cantitatea de
produs vândută are forma y = a.x + 2b cu a < 0 .
Coeficienţii a , b se găsesc din condiţiile :
yc = a.xc + 2b ; yp = a.xp + 2b
Exemplu
Un vânzător a vândut într-o piaţă cu preţul curent xc = 2.5 lei / Kg în T = 3 zile , o cantitate yc = 30 kg
mere ionatan pentru care a primit suma zc = 75 lei .
247
În continuare a vândut la aceeaşi piaţă cu preţul de probă xp = 3 lei / Kg tot în T = 3 zile , o cantitate
yp = 25 Kg mere ionatan pentru care a primit suma zp= 75 lei.Din formulele de mai sus rezultă
a = -10 ; b = 27.5 deci preţul de vînzare economic xe = 2.75 lei /Kg cu care în T = 3 zile , s-ar vinde
cantitatea ye = 27.5 Kg mere ionatan şi s-ar primi suma maximă ze = 75.625 lei .
Un alt vânzător a vândut în altă piaţă cu preţul curent xc = 3 lei / Kg în T = 3 zile , o cantitate yc = 20 kg
mere golden pentru care a primit suma zc = 60 lei .
În continuare a vândut la aceeaşi piaţă cu preţul de probă xp = 3.5 lei / Kg tot în T = 3 zile , o cantitate
yp = 17 Kg mere golden pentru care a primit suma zp= 59.5 lei.Din formulele de mai sus rezultă
a = - 6 ; b = 19 deci preţul de vînzare economic xe = 3.17 lei /Kg cu care în T = 3 zile , s-ar vinde cantitatea
ye = 19 Kg mere golden şi s-ar primi suma maximă ze = 60.17 lei .
Cazul a două produse agricole
Dacă cei doi vânzători ar vinde produsele lor în aceeaşi piaţă , merele ionatan şi golden fiind produse
concurenţiale , valoarea totală a vânzărilor celor două soiuri de mere este mai mică decât valoarea vânzărilor
pentru fiecare soi în parte adică z1 = (-10x12 + 55 x1 ) şi respectiv z2 = (- 6x22 + 39 x2 ) , avînd forma :
(1) z = (-10x12 + 55 x1 ) + (- 6x22 + 39 x2 ) + (2 a12 x1x2 ) cu a12 < 0 .
Dacă cele două produse ar fi fost complementare (de exemplu mere şi pere) am fi avut a12 > 0 .
Valoarea coeficientului de concurenţă a12 se determină astfel :
Cei doi vînzători vând soiurile lor de mere în aceeaşi piaţă cu preţurile x1c = 2.5 lei / Kg mere ionatan şi
respectiv x2c = 3 lei / Kg mere golden timp de T = 3 zile şi volumul vânzărilor împreună este zc = 115.05 lei
.Înlocuim pe x1 cu 2.5 , x2 cu 3 şi z cu 115.05 în relaţia (1) şi găsim a12 = -1.33 deci valoarea vânzărilor
ambelor soiuri de mere în aceeaşi piaţă are forma:
(2) z = (-10x12 + 55 x1 ) + (- 6x22 + 39 x2 ) + (- 2.66 x1x2 )
Anulăm derivatele parţiale ale lui z în raport cu x1 şi x2 :
z / x1 = -20x1 + 55 – 2 .66x2 = 0 ; z / x2 = -12x2 + 38 – 2.66x1 = 0
Soluţia acestui sistem liniar este x1e = 2.4 lei / Kg mere ionatan ; x2e = 2.64 lei / Kg mere golden .
Această soluţie este punct de maxim pentru funcţia z deoarece :
2z / x12 = - 20 < 0 ; 2z / x22 = -12 < 0 şi 2z / x1x2 = -2.66 deci :
= (2z / x12). (2z / x22) – [(2z / x1x2)]2 = (-20).(-12)- (-2.66)2 > 0 .
Valoarea maximă a volumului vânzărilor pentru cele două soiuri de mere împreună , se obţine
din relaţia (2) , înlocuind pe x1 cu 2.4 şi pe x2 cu 2.64 şi găsim ze = 118.69 lei = Maxim.
Valoarea volumului vânzărilor pentru merele ionatan este z1 = (-10x12 + 55 x1 ) + (- 1.33 x1x2 )
iar valoarea volumului vânzărilor pentru merele golden este z2 = (- 6x22 + 39 x2 ) + (- 1.33 x1x2 )
Pentru x1 = 2.4 şi x2 = 2.64 avem z1e = 65.97 lei şi z2e = 52.72 lei iar ze = z1e+z2e =118.69 lei.
Volumul vânzărilor pentru merele ionatan este y1 = (-10x1 + 55 ) + (- 1.33 x2 ) iar volumul vânzărilor pentru
merele golden este y2 = (- 6x2 + 39 ) + (- 1.33 x1 ) . Pentru x1 = 2.4 şi x2 = 2.64
obţinem valorile optime ale volumelor vânzărilor : y1e = 27.49 Kg mere ionatan ; y2e = 19.97
Kg mere golden .
Se procedează prin reducere la absurd : dacă relaţiile (3) nu sunt îndeplinite pentru
X(0) = (x10,…,xn0 ) , atunci x(0) nu este punct de extrem condiţionat pentru funcţia f cu legăturile (1)
.
Punctele staţionare ale funcţiei Lagrange se află din sistemul de ecuaţii (3) + (1)
adică n + m ecuaţii cu n + m necunoscute : x1,…,xn ; 1,…, m .
Valorile 1,…, m se numesc multiplicatori Lagrange şi din relaţiile (3) rezultă :
f i df
i / (4)
x j x j d i
1 1
dx1 ... 1 dx m dx m 1 ... 1 dx n 0
x1 x m x m 1 x n
........................................................................................... (5)
m m
dx1 ... m dx m dx m 1 ... m dx n 0
x1 x m x m 1 x n
Condiţiile suficiente de extrem condiţionat pentru funcţia f cu legăturile (1) sunt echivalente cu
condiţiile de extrem necondiţionat pentru funcţia g şi acestea sunt :
a) x(0) Rn – m trebuie să fie punct staţionar pentru funcţia g adică :
trebuie să fie pozitiv definită pentru ca x(0) să fie punct de minim şi respectiv negativ definită pentru ca
x(0) să fie punct de maxim .
Mai departe , condiţiile a) , b) pentru funcţia g se transferă funcţiei Lagrange L
astfel :
Conform afirmaţiei 2) condiţia a) devine pentru funcţia Lagrange L :
c) x(0) Rn trebuie să fie punct staţionar al funcţiei Lagrange adică :
250
m n
f (x (0) ) m n
(x (0) )
dL(x (0) ) df (x (0) ) i d i (x (0) ) dx j i [ i dx j ] 0
i 1 j1 x j i 1 j1 x j
f (x (0) ) m i (x (0) )
i 0 ; (j=1,...,n)
x j i 1 x j
la care se asociază legăturile (1) deci avem n+m relaţii satisfăcute de n+m soluţii :
x(0) = (x10,…,xn0 ) şi (0) = (10,…, m0 ) .
Pentru a transfera condiţia b) pentru funcţia g în condiţia d) pentru funcţia Lagrange
L , trebuie să diferenţiem legăturile (1) pentru a obţine relaţiile (5) , pe care le rezolvăm în raport cu
dx1,…,dxm obţinând relaţiile (6) şi în final înlocuim pe dx1,…,dxm date de relaţiile (6) în diferenţiala
de ordinul al doilea a lui L .
Avem :
n n
2 L(x (0) )
d 2 L(x (0) ) dx i dx j
i 1 j1 x i x j
2 (0)
n
2 L(x (0) )
n
d L(x ) dx h dx k
h m 1 k m 1 x h x k
Condiţia b) devine :
d) Diferenţiala d2L(x(0)) cu variabilele dxm+1,…,dxn , trebuie să fie pozitiv definită
pentru ca x(0) să fie punct de minim şi respectiv să fie negativ definită pentru ca x(0) să
fie punct de maxim .
Exemple
1) Se cere extremul funcţiei f = - x12 – 2x22 – 3x32 +2x1+4x2+6x3 cu legătura :
1 = x1+2x2+3x3 –12 = 0
Soluţie
Avem funcţia Lagrange L = f - .1
a) Anulăm derivatele parţiale ale lui L în raport cu x1,x2,x3 şi adăogăm legătura :
L / x1 = - 2x1+2 - = 0
L / x2 = - 4x2 +4 -2 = 0
L / x3 = - 6x3 +6 -3 = 0
x1+2x2+3x3 –12 = 0
Din primele trei ecuaţii aflăm pe x1,x2,x3 în funcţie de şi îi înlocuim în a patra ecuaţie .
Obţinem 0 = -2 de unde x10 = x20 = x30 =2 adică punctul staţionar al funcţiei Lagrange L .
Avem diferenţiala de ordinul întâi a lui L :
dL = (- 2x1+2 - )dx1+( - 4x2 +4 -2)dx2 + (- 6x3 +6 -3)dx3 0 pentru valorile 0 = -2
şi x10 = x20 = x30 =2 .
b) Diferenţiala de ordinul doi a lui L este : d2 L = - 2dx12 –4dx22 – 6dx32
Diferenţiem legătura : dx1+2dx2+3dx3 = 0 de unde dx1 = -2dx2-3dx3 pe care îl
înlocuim în d2L şi obţinem : d2L = - 12x22 –24x2x3 –24x32 cu Hessiana în x(0) :
251
12 - 12
H(x10 , x 20 , x 30 )
-12 - 24
Avem minorii principali : 1 = -12 <0 ; 2 = Det(H) = 144 > 0 deci avem un maxim .
Interpretarea lui 0 = -2
Pentru x1 variabil şi x20 = x30 = 2 avem f = - x12 + 2x1 şi 1 = x1 –2
Avem f / x1 = - 2x1+2 ; 1 / x1 =1 deci pentru x1=x10 = 2 obţinem :
(f / x1)0 = -2 şi (1 / x1)0 =1 iar raportul acestor mărimi este chiar 0 = -2 .
Aplicaţii
I) Cilindrul optim
i) Problema primală :
Dintr-o foaie de tablă de suprafaţă dată S=S0 să se confecţioneze o cutie cilindrică
pentru conserve , de volum maxim .
Soluţie
252
Fie x1 raza bazei şi x2 generatoarea cilindrului. Suprafaţa totală a cilindrului este
S=2x1(x1+x2) iar volumul cilindruui este V = x12x2 .
Avem problema de extrem cu legături primală :
V = x12x2 = maxim ;
S=2x1(x1+x2) = S0
Funcţia Lagrange este L = x12x2 - .2x1(x1+x2) - S0
Anulăm derivatele parţiale ale lui L în raport cu x1 şi x2 , şi ataşăm legătura :
L / x1 = 2x1x2 - 2(2x1 + x2) = 0
L / x2 = x12 - 2x1 = 0
2x1(x1+x2) - S0 = 0
Rezolvând acest sistem avem 0 = (S0 / 24)1/2 şi punctul staţionar cu componente pozitive : x10
= (S0 / 6)1/2 ; x20 = 2x10 .
Ca şi în exemplul 1 ) de mai sus se arată că acest punct staţionar este punct de maxim.
Avem Vmax = (S03 / 54)1/2 de unde se verifică relaţia 0 = dV / dS0 .
ii) Problema duală :
Dintr-o foaie de tablă ve volum dat V0 să se confecţioneze o cutie cilindrică pentru
conserve , de arie totală minimă .
Soluţie
Avem problema de extrem cu legături duală :
S=2x1(x1+x2) =minim
V = x12x2 = V0
Formăm funcţia Lagrange L = 2x1(x1+x2) - .(x12x2 - V0)
Anulăm derivatele parţiale ale lui L în raport cu x1 şi x2 , şi ataşăm legătura :
L / x1 = 2(2x1+x2 ) - 2 .x1 x2 = 0
L / x2 = 2x1 - x12 = 0
x12x2 - V0 = 0
Rezolvând acest sistem avem 0 = (16 / V0)1/3 şi punctul staţionar cu componente pozitive : x10
= (V0 / 2)1/3 ; x20 = 2x10 .
Ca şi în exemplul 1 ) de mai sus se arată că acest punct staţionar este punct de minim.
Avem Smin = ( 54V02)1/3 de unde se verifică relaţia 0 = dS / dV0 .
În ambele probleme de optimizare avem x20 =2x10 deci cutia cilindrică optimă are diametrul bazei
cilindrului egal cu generatoarea cilindrului .
Fie x1 cheltuielile materiale anuale la cultura porumbului (lei) ; x2 cheltuielile cu forţa de muncă
anuale la cultura porumbului (lei ) şi y venitul anual la cultura porumbului (lei ). Avem funcţia
Douglas-Cobb y = A0 x1B1x2B2 unde 0 B1 , B2 1 şi B1+B2 1 .
B1 şi B2 sunt elasticităţile venitului y în raport cu cheltuielile x1 , x2 .
L
A 0 B1 x1B1 1 x B2 2 0
x1
L
A 0 B2 x1B1 x 2B2 1 0
x 2
B1 B2 1B 1 B2 dy
0 A 0 B1B1 B2B2 ( )
C0 dC0
C0
ymax A 0 B1B1 B2B2 ( ) B1 B2
B1 B2
1 B2 1 B1
V B1 B2 B B1 B2 V B1 B2 B B1 B2
x10 0 1 ; x 20 0 2
A0 B2 A0 B1
1
0 B1 1 B1
; y min x10 x 20
A 0 B1 x10 x 20
Punctele de minim / maxim ale funcţiilor reale de n variabile reale se află printre punctele lor
staţionare adică sunt soluţii ale unor sisteme neliniare obţinute prin anularea derivatelor parţiale de
ordinul întâi ale funcţiei .
Pentru rezolvarea unor asemenea sisteme neliniare există metode de rezolvare iterative .
Una din cele uzuale se numeşte metoda Newton-Raphson şi o vom prezenta în continuare .
Fie sistemul neliniar de n ecuaţii cu n necunoscute x1,…,xn :
f1(x1,…,xn) = 0
………………
fn(x1,…,xn) = 0
unde funcţiile f1,…,fn au derivate parţiale continue pe R n în raport cu x1,…,xn .
Cu notaţiile X = (x1,…,xn )T , F = (f1,…,fn )T , sistemul neliniar se scrie vectorial :
F(X) = 0 .
T
Fie α = (α1 , … ,αn) soluţia exactă a sistemului neliniar .
Fie Jacobianul funcţiilor f1,…,fn în raport cu variabilele x1,…,xn :
255
f1 f1
x ......... x
1 n
J ( X ) .....................
f n .......... f n
x1 xn
Presupunem că Det(J(X)) ≠ 0 în sfera S(α , ε ) ={ X R n X - < } deci în această sferă
există matricea inversă J(X) - 1 .
Fie şirul de vectori definit recurent :
(5) X(p) = X(p –1 ) - J( X(p – 1 ) ) - 1.F(X(p – 1 )
cu X = ( x1,0,…,xn,0)T S(α , ε ) ; X(p = ( x1,p…,xn,p )T R n .
(0)
Det [ J ( X (0) ] -1
r ; [ J(X (0) )] 1 F ( X (0) s
n n n
2 fi
i 1 j 1 k 1 x j xk
( x1,0 ,..., xn ,0 ) t ; 2nrst 1
Fie m numărul de iteraţii ale şirului recurent : X(0), X(1) , …, X(m – 1 ) , X(m) .
Eroarea postcalculată după m iteraţii este :
EP max xi , m xi , m1 1
1i n
Se poate alege acel număr de iteraţii m pentru care sunt asigurate valori prestabilite pentru 1 ,
2 .
Caz particular
Fie sistemul polinomial pătratic :
f1(X) = XT.A1.X +b1.X +c1 =0
………………………………
fn(X) = XT.An.X +bn.X +c1 =0
Pentru alcătuirea Jacobianului J(X) = ∂ f i / ∂ x j ; (i,j = 1,2,…,n) folosim relaţiile :
n
fi
2 ai j k xk b j ; (1 i,j n)
x j k 1
x1 0.5
X x 2 ; X (0) 0.5 şi avem :
x 0.5
3
x12 x 22 x 32 1 2x1 2x 2 2x 3
F(X)= 2x12 x 22 - 4x 3 ; J(X)= 4x1 2x 2 4
3x 2 +x 32 - 4x 2 6x - 4 2x
1 1 3
Calculăm :
0.25 1 1 1
F(X (0) ) 1.25 ; J(X(0) ) 2 1 - 4
1.00 3 - 4 1
de unde rezultă :
11/40 - 7/40 1/40
Din relaţiile de recurenţă (1) rezultă :
0.875
J(X (0) F(X (0) ) 0.500
1
X (1) X (0)
0.375
0.78981
J(X F(X ) 0.49662
(2) (1) (1) 1 (1)
X X
0.36993
257
În mod analog din X(2) obţinem pe X(3) :
0.78521
J(X (2) F(X (2) ) 0.49662
1
X (3) X (2)
0.36992
0.78520
J(X (3) F(X (3) ) 0.49661
1
X (4) X (3)
0.36992
8.5 Rezumat
În acest capitol 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 . Capitolul se încheie cu o metodă iterativă de rezolvare a unui sistem neliniar de
ecuaţii cu computerul .
8.6 Întrebări
1. Care este rolul derivatelor parţiale de ordinul unu în studiul funcţiei de n variabile reale ?
2. Care este rolul derivatelor parţiale de ordinul doi în studiul funcţiei de n variabile reale ?
3. Cum se găsesc maximele şi minimele libere sau cu legături ale unei funcţii de n variabile reale ?
4. Ce aplicaţii au stocurile în agricultură ?
8.7 Bibliografie
Cuprins :
În particular : e x dx e x C
259
x
3. log a xdx x log a C ; (x>0)
e
x
În particular : ln x dx = x ln C
e
4. sin xdx -cos x + C
5. cos xdx = sin x +C
2
dx 1 x
13. 2 2
arctg C
x a a a
dx
Mai general I n 2 se reduce la cazul 13. prin relaţia de recurenţă :
( x a2 )n
1 x
In 2 (2n 3) I n 1
2(n 2)a 2 2 n 1
(x a )
dx 1 xa
14. 2 2
ln C
x a 2a xa
dx
15. ln x x 2 a 2
2 2
x a
dx x
16. arcsin C
a2 x2 a
x a2
17. x 2 a 2 dx x2 a2 ln x x 2 a 2 C
2 2
x a2 x
18. a 2 x 2 dx a 2 x 2 arcsin C
2 2 a
Jk se vor calcula astfel : calculăm α , β din identitatea Bkx+Ck =α(2ax+b)+β deci avem :
2ax b dx
Jk 2 k
dx dx
(ax bx c) (ax bx c) k
2
b
2 k 1 d(x )
(ax bx c) 2a
k k
k 1 a b 2 2
(x ) ( )
2a 2a
iar ultima integrală dim membrul II se calculează prin recurenţă ca la punctul 13.
Integralele din funcţii iraţionale (cu radicali) se reduc la cele raţionale prin substituţii
convenabile (Euler,Cebâşev,etc.) iar cele din funcţii trigonometrice se reduc la cele raţionale prin
substituţia tg (x / 2) = t deci sin x = (2t) / (1+t2) ; cos x = (1- t2) / (1+t2) ; dx = (2dt) / (1+t2 ) .
261
există, este finită şi unică lim σ f , c atunci această limită se numeşte integrala Riemann
n
b
definită pe a, b şi se notează cu f x dx iar funcţia f se numeşte integrabilă pe [a,b] .
a
Între integrala nedefinită şi integrala Riemann există relaţia Leibniz-Newton :
b
f x dx F b F a . Integrala Riemann pe a, b este deci cunoscută cu exactitate, îndată
a
ce se cunoaşte o primitivă F x a lui f x .
Există cazuri în care primitiva F x nu se poate exprima prin funcţii elementare deci sunt
b 2
necesare formule de calcul aproximativ. Acesta este cazul integralei e x dx
a
1) Formula dreptunghiurilor:
Fie diviziunea : a x0 x1 ... xn1 xn b cu puncte echidistante x j a jh cu
ba
h şi fie punctele intermediare c j x j 1 j n
n
ba
Avem deci lim 0 .
n n
Exemplu
1
x2
Să se calculeze e
0
dx prin metoda dreptunghiurilor.
262
Soluţie
x2 x2
Avem y e deci y ' xe . Rezultă M1 0.4288748
Pentru diviziunea cu n 100 puncte echidistante obţinem S 0.7436575
Eroarea antecalculată este: EA = 0.0042887
Eroarea postcalculată este: EP = 0.0000322
2) Formula trapezelor
Fie diviziunea : a x0 x1 ... xn1 xn b cu puncte echidistante x j a jh cu
ba
h . Dacă luăm punctele intermediare c j x j 1 avem cu formula dreptunghiurilor:
n
S h f a f x1 ... f xn1 I n iar dacă luăm punctele intermediare c j x j , avem
cu formula dreptunghiurilor: S h f x1 f x2 ... f b J n
Avem formula trapezelor:
f a f b I Jn
S h f x1 ... f xn 1 n Kn
2 2
3
b a
Eroarea antecalculată în metoda trapezelor este: EA M 2 unde M 2 max f '' x .
12 n 2 x a ,b
Exemplu
1
x2
Să se calculeze e
0
dx prin metoda trapezelor.
Soluţie
x2 x2 x2
Avem y e ; y ' xe 2
; y '' 2 2 x 1 e . Rezultă M 2 2
Pentru diviziunea cu n 100 puncte echidistante, obţinem: S 0.750497
Eroarea antecalculată este: EA = 0.0000167
Eroarea postcalculată este: EP = 0.0000368
2 f x2 f x4 ... f x2 m 2 L 2 m
5
b a
Eroarea antecalculată în metoda parabolelor este: EA M 4 unde
180n 4
M 4 max f xIV
x a ; b
Exemplu
1
x2
Să se calculeze e
0
dx prin metoda parabolelor.
Soluţie
x2 x2 x2 III 2
Avem y e ; y ' xe
; y '' 2 2 x 1 e
2
; y 4 x x 2 3 e x ;
2
y
IV
4 4 x 4 12 x 2 3 e x deci M 4 12
Pentru diviziunea cu n 100 puncte echidistante, obţinem S 0.74668242
10
Eroarea antecalculată este: EA 6.7 10
Eroarea postcalculată este: EP 0
Integrala Riemann se poate extinde şi la cazul când una sau ambele limite a,b este infinită sau
la cazul cănd f(x) este infinită în intervalul de integrare [a,b] , obţinându-se integrale improprii .
A. Dacă una sau ambele limite a ,b sunt infinite , vom avea prin definiţie :
b b b
Integralele din membrul I se numesc convergente dacă limitele dim membrul II există , sunt
finite şi unice .
B. Dacă există c a,b astfel că Ls (c) lim f (x) şi / sau Ld (c) lim f (x)
x c x c
x c x c
b
c b
sunt egale cu , atunci vom avea : f(x)dx = lim f (x)dx f (x)dx
0
a a c
Integrala din membrul I se numeşte convergentă dacă limita din membrul II există , este finită
şi unică .
Aplicaţiile integralei Riemann în geometrie
Fie funcţia f integrabilă pe [a,b] şi fie domeniul plan D cuprins între graficul lui
f(x),verticalele x=a , y=b şi axa Ox .
Fie punctele de pe grafic A(a,f(a)) şi B(b,f(b)) .
1) Aria domeniului D este :
b
Aria(D) = f(x)dx
a
3) Aria laterală a corpului de rotaţie obţinut prin rotirea porţiunii de grafic a lui f(x) cuprinsă
între A şi B , în jurul lui Ox , este :
b
2
A lat 2 f (x) 1 f '(x) dx
a
4) Volumul corpului de rotaţie obţinut prin rotirea porţiunii de grafic a lui f(x) cuprinsă
între A şi B , în jurul lui Ox , este :
b
Vol = f 2 (x)dx
a
Exemple
1) Fondul de acumulare al unei societăţi agricole pe un număr de ani
2) Rezerva cumulată de apă în sol pe perioada de vegetaţie şi în afara ei.
3) Consumul cumulat de apă al plantelor pe toată perioada lor de vegetaţie.
4) Consumul cumulat de furaje al animalelor pe perioada lor de exploatare.
5) Producţia cumulată de lapte de vacă pe lactaţia normală (305 zile).
6) Sporul în greutate cumulat pe durata unei serii în producţia de carne.
În afară de calculul funcţiei cumulate cu relaţia (1) apare şi problema calculului momentului
de timp x1 la care funcţia cumulată F x atinge o valoare dată P. Acest moment x x1 se
calculează din relaţia:
x
(2) f s ds P
x0
Exemplu
x = timpul în luni în perioada de vegetaţie (1 aprilie – 30 septembrie) deci x 4;9 .
f x = volumul lunar mediu al precipitaţiilor la Bucureşti (medii în perioada 1901 – 1990) în
m3 / ha.
g x = consumul lunar mediu de apă la porumb (m3 / ha).
Date experimentale
x 4 5 6 7 8 9
Soluţie
Volumul de precipitaţii cumulat va fi:
9 49.3634
VPC f x dx 577.6667 x 10.1036 cos x 206.8333sin x cos 2 x
4
2
9
47.8333
sin 2 x
2 4
Folosim valorile următoare cu argumentele în radiani:
sin 4 0.7568 ; cos4 0.6536 ; sin8 0.9894 ; cos8 0.1455 respectiv
sin 9 0.4121 ; cos9 0.9111 ; sin18 0.7510 ; cos18 0.6603
3
Găsim VPC F 9 F 4 5103 2481 2622 m / ha
Consumul de apă la porumb cumulat va fi:
9 22.5166
CPC g x dx 1124.3330x 764.9891cos x 142.3339sin x cos 2 x
4
2
9
84.3335
sin 2 x
2 4
Alte funcţii de interpolare pentru f x care îndeplinesc condiţiile (1) sunt funcţiile spline.
O funcţie S : a, b R cu derivate de ordinul m 1 continue pe a, b se numeşte funcţie
spline dacă restricţiile Si x pe subintervalele xi , xi 1 sunt polinoame de grad m:
Si x Pm x pentru x xi , xi1 1 i n 1 .
i
b1u1 c1u2 d1
(11) ai ui 1 bi ui ci ui 1 di ; 2 i n 1
an u n 1 bn un d n
unde coeficienţii sistemului sunt daţi de relaţiile:
y2 y1
a1 0; b1 2h1 ; c1 h1 ; d1 6 y '1
h1
y yi yi yi 1
(12) ai hi 1 ; bi 2 hi 1 hi ; ci hi ; d i 6 i 1 ; 2 i n 1
hi hi 1
an hn 1 ; bn 2hn 1 ; cn 0; d n 6 y 'n yn yn 1
hn 1
Dacă în relaţiile (12) nu cunoaştem pe y '1 , putem folosi polinomul de interpolare Lagrange
P2 x pentru trei puncte x1 , x2 , x3 :
x x2 x x3 x x1 x x3 x x1 x x2
y y1 y2 y
x1 x2 x1 x3 x2 x1 x2 x3 x3 x1 x3 x2 3
Derivăm pe y şi înlocuim pe x cu x1 deci obţinem:
y2 y1 y3 y2 y3 y1
(13) y '1
x2 x1 x3 x2 x3 x1
Dacă în relaţiile (12) nu cunoaştem pe y 'n , putem folosi polinomul de interpolare Lagrange
P2 x pentru trei puncte xn 2 , xn1 , xn :
x xn 1 x xn x xn2 x xn x xn 2 x xn 1
y yn 2 yn 1 y
xn2 xn 1 xn 2 xn xn1 xn 2 xn 1 xn 2 xn xn 2 xn xn 1 n
Derivând pe y şi înlocuind pe x cu xn , obţinem:
y yn 2 yn yn 1 yn yn 2
(14) y 'n n 1
xn 1 xn 2 xn xn 1 xn xn 2
Sistemul liniar tridiagonal (11) cu coeficienţii daţi de relaţiile (12), (13), (14) se rezolvă cu
programul TRIDIAG .
268
Valorile ui 1 i n obţinute din acest sistem, se înlocuiesc în relaţiile (6) deci se cunosc
3 2
restricţiile Si x αi x βi x γ i x δi ale funcţiei spline cubice de interpolare S x .
b
Funcţia S x are curbura minimă pe a, b adică f '' x dx este minimă dacă
a
xi 1 2
(15) Li 1 S'i x dx ; 1 i n 1
xi
Fie o serie tehnologică la plante cultivate / animale domestice în intervalul de timp de forma
[ 0 ; DS] unde DS este durata seriei în unităţi de timp .
Funcţia intrării eşalonate X(t) se cumulează în timp.
Funcţia intrării cumulate va fi :
270
t
XC(t) X(r)dr (1)
0
Clase de funcţii polinomiale de grad cel mult 3 care ajustează intrările în sisteme agricole
DS
1) X(t) d t = XT
0
2)X(DS) XF
Impunem condiţiile :
DS
1) X(t) d t = XT
0
X1
2) m.DS
2.X 2
De aici rezultă coeficienţii X1, X2 ai funcţiei de consum resursă :
6m XT 3 XT 1
X1 . ; X2 . 3 ; ( m 1)
3m 1 DS2 3m 1 DS 3
X2
2) m.DS
- 3X3
X 2 X 22 3X1X3
3) DS
3X 3
De aici rezultă coeficienţii X1, X2 , X3 ai funcţiei de consum resursă :
12(2m 1) XT
X1 .
8m 5 DS2
12m XT
X2 .
8m 5 DS3
4 XT
X3 . 4 ; (0 < m 0.5)
8m 5 DS
Funcţia consumului cumulat de resursă va fi :
XC(t) = X1.t2 / 2 + X2.t3 / 3 + X3.t4 / 4
Avem XT = XC(DS)
Aplicaţii numerice
De exemplu dacă în ziua 90-a a controlului Nr.6 , avem consumul real de apă de irigaţie
XR(6) = 20 m3 /ha , coeficientul diversificat la data acestui control ,fiind CX(6) = 116.6667 ,
vom avea XTA(5) = 2333.334 m3 / ha prin care se estimează la momentul t 6 = 90 zile ,
cantitatea XT = 3000 m3 / ha .
Programul COMPROD face aceste calcule şi graficele lui X(t) , XC(t).
De exemplu dacă în ziua 120-a a controlului Nr.4 , avem consumul real de furaje
concentrate XR(4) = 3 Kg /cap , coeficientul diversificat la data acestui control ,fiind CX(4) = 240 ,
vom avea XTA(4) = 720 Kg / cap prin care se estimează la momentul t6 = 120 zile , cantitatea
XT = 800 Kg / cap .
275
Programul COMPROD face aceste calcule şi graficele lui X(t) , XC(t).
După natura lor,ieşirile din sistemele agricole sunt : materiale ,energetice,financiare şi informaţionale.
După modul de obţinere în timp , ieşirile din sistemele agricole pot fi ieşiri eşalonate şi ieşiri-bloc.
Vom nota ieşirile eşalonate cu Y(t) iar pe cel bloc cu YT .
Exemple de ieşiri eşalonate la plante cultivate : recolta de legume .
Exemple de ieşiri-bloc la plante cultivate : recolta de cereale , fructe ,vie .
Exemple de ieşiri eşalonate la animale domestice : colectare producţie lape,ouă,miere.
Exemple de ieşiri-bloc la animale domestice : sacrificare animale pentru carne .
Fie o serie tehnologică la plante cultivate / animale domestice în intervalul de timp de forma
[ 0 ; DS] unde DS este durata seriei în unităţi de timp .
Funcţia ieşirii eşalonate Y(t) se cumulează în timp.
Funcţia ieşirii cumulate va fi :
t
YC(t) Y(r) d r (3)
0
Aplicaţii numerice
De exemplu dacă în ziua 140-a a controlului Nr.5 , avem producţia reală de lapte YR(5) =
22 litri –cap.zi , coeficientul diversificat la data acestui control ,fiind CY(5) = 198.76 , vom avea
YTA(5) = 4372.79 litri / vacă prin care se estimează la momentul t5 = 140 zile cantitatea YT = 5000
litri lapte .
Programul COMPROD face aceste calcule şi graficele lui X(t) , XC(t).
Experimental s-au stabilit pentru producţia de lapte de vacă din România la cele 11
controale ,următorii coeficienţi diversificaţi :
Nr.control 1 2 3 4 5 6 7 8 9 10 11
Coef.diver- 237.3 236.7 250 261 280 295.7 327.1 357.6 398.3 456.3 518.5
sificaţi
De exemplu dacă în ziua 28-a a controlului Nr.4 , avem sporul zilnic în greutate real YR(4) =
50 g / cap , coeficientul diversificat la data acestui control ,fiind CY(4) = 49.78 , vom avea
277
YTA(4) = 2488.9 g / cap prin care se estimează la momentul t4 = 28 zile cantitatea YT = 2500
grame .
Programul COMPROD face aceste calcule şi graficele lui X(t) , XC(t).
O ecuaţie diferenţială de ordinul n este o relaţie de forma F(x,y,y’ , y’’ ,…,y(n) )=0
în care y=f(x) este funcţia necunoscută care are derivate y’ , y’’ ,…,y(n) , continue până la
ordinul n inclusiv , pe intervalul a,b R (este de clasă Cn a,b )
Soluţia generală a ecuaţiei diferenţiale de ordin n este familia de funcţii
y = f (x ; C1,…,Cn ) unde C1,…,Cn sunt constante arbitrare rezultate din n integrări.
În multe cazuri soluţia generală se obţine sub forma implicită : (x ; C1,…,Cn )=0
O soluţie particulară a ecuaţiei diferenţiale de ordin n este funcţia y = f(x) care se află din
soluţia generală impunând condiţiile iniţiale (Cauchy) :
y(x0) = y00 , y’ (x0) = y10 ,…,y(n – 1)(x0) = yn-1,0 , ceace permite determinarea constantelor
C1,…,Cn .
Soluţia singulară a ecuaţiei diferenţiale de ordin n este funcţia y = (x) care deşi
verifică ecuaţia diferenţială , nu se poate deduce din soluţia generală pentru nicio valoare dată
constantelor C1,…,Cn .
Ecuaţiile diferenţiale au apărut în probleme practice de mecanică,biologie,tehnică,
economie,etc.
Exemple
1) Ecuaţia mişcării rectilinii
Dacă x este timpul şi y este spaţiul parcurs în timpul x , y ‘ are semnificaţia de viteză iar y’’
are semnificaţia de acceleraţie .
Ecuaţia diferenţială y’ = v caracterizează mişcarea rectilinie uniformă şi are ca soluţie funcţia
: y = v(x-x0) +y0 cu condiţia iniţială y(x0)=y0 .
Ecuaţia diferenţială y’’ = a caracterizează mişcarea rectilinie uniform-variată şi are ca soluţie
funcţia : y = (ax2 ) / 2 + (v0 – ax0 ) +y0 +(ax02) / 2 -v0x0 cu condiţiile iniţiale
y(x0 ) = y0 ; y’(x0) = v0 .
Aruncarea pe verticală şi căderea liberă a unui corp în atmosfera terestră sub influenţa atracţiei
pământului sunt cazuri particulare ale mişcării rectilinii uniform-variate .
2) Ecuaţia oscilaţiilor
Fie un corp de masă m care la momentul x este la distanţa y faţă de poziţia sa de repaos .
y = f(x) se numeşte elongaţie şi îndeplineşte condiţiile iniţiale : y(0) = y0 ; y’ (0) = y1 .
a) Oscilaţii libere
Asupra corpului acţionează o forţă elastică F1 = - ky unde k este o constantă
elastică . Corpul are acceleraţia y’’ sub acţiunea forţei F0 = my’’ . Echilibrul forţelor
revine la condiţia F0 = F1 deci my’’ = - ky adică y’’ + (k / m).y = 0
Fie 1 = ( k / m)1/ 2 viteza unghiulară sub acţiunea forţei elastice F1 .
Ecuaţia diferenţială a oscilaţiilor libere devine : y’’ + 12 y = 0
Punem y = ex deci y’’ = 2 ex şi ecuaţia caracteristică are forma : 2+ 12 = 0
cu soluţiile : 1,2 = i 1 deci soluţia generală are forma :
yg = C1cos 1x +C2sin 1 x
şi cu condiţiile iniţiale y(0) = y0 ; y’(0) = y1 obţinem :
(1) yg = y0 cos 1x + (y1 / 1)sin 1 x
Cu substituţiile A1 = (y02 +(y12 / 12 ) 1 / 2 ; tg = - (y1 / 1 y0) soluţia genarală capătă forma :
(2) yg = A1cos(1x + )
A1 se numeşte amplitudinea oscilaţiilor libere iar se numeşte faza iniţială a lor .
278
Graficul lui y dat de relaţia (2) este o cosinusoidă cu perioada T1 = 2 / 1 şi cu
amplitudinea A1 .
b) Oscilaţii amortizate
Presupunem că asupra corpului de masă m acţionează în afară de forţa elastică
F1 = - ky de la punctul a) şi forţa de frecare F2 = - ry’ ( r = coeficient de rezistenţă).
Echilibrul forţelor se realizează dacă F0 = F1 +F2 deci my’’ = - ky – ry’ adică
my’’ + ry’ +ky = 0 sau y’’ + (r / m)y’ +(k / m) y = 0
Fie 1= (k / m)1 / 2 viteza unghiulară şi b = r / (2m) coefientul de amortizare deci
ecuaţia devine : y’’ + 2b y’ + 12 y = 0 adică o ecuaţie diferenţială de ordin doi , cu coefienţi
constanţi omogenă . Punem y = ex deci y’ = ex ; y’’ = 2 ex deci avem
ecuaţia caracteristică : 2 +2b +12 = 0 .
Cazuri
i ) b > 1 adică r > 2(mk)1 / 2
În acest caz 1,2 = - b (b2 - 12)1 / 2 deci soluţia generală a ecuaţiei omogene este :
b 2 12 x b 2 12 x
yg e bx (C1e C2e )
unde C1 şi C2 sunt soluţiile sistemului liniar :
C1 + C2 = y0
1C1+2C2 = y1
deduse din condiţiile iniţiale : y(0) = y0 ; y’(0) = y1 .
Pentru x avem yg 0 (mişcare aperiodică amortizată) .
derivata întâi în raport cu z : - 2 (12 – z) +4b 2 = 0 deci r = (12 – 2b2 ) 1 / 2 în care caz avem
A3 m = F0 / r(12-b 2)1 / 2 .Pentru b = 1 deci r = 2(mk) 1 / 2 avem A3m ( rezonanţă) .
3) Fie o specie (ierbivoră sau carnivoră) aflată întrun biotop cu resurse de hrană limitate .
Fie (x) coeficientul de natalitate şi (x) coeficientul de mortalitate şi y(x) efectivul speciei ,
toate la momentul de timp x .
Viteza de variaţie a efectivului va fi : y’ = (x) - (x).y +I - E
Aici I este numărul exemplarelor care intră în biotop iar E este numărul exemplarelor care
ies din biotop .
Datorită limitării hranei , avem (x) = - a.y(x) ; (x) = - b.y(x) deci cu = a+b ,
numit coeficient de competiţie pentru hrană , avem y’ = ( - ).y - .y2 + I – E .
Pentru I = E avem ecuaţia diferenţială cu variabile separabile : y’ = ( - ).y - .y2
Cu condiţia iniţială y(0) = y0 , avem soluţia :
.X(0)
X(t)
X(0) X(0) .e ( ) t
al cărui grafic este logistica cu plafonul ( - ) / şi cu punctul de inflexiune :
ln( 1)
y0
xi
Caz particular
Pentru hrană suficientă avem = 0 deci y’ = ( - ).y cu soluţia y = y0 .e( - ) x
adică o funcţie exponenţială .
280
4) Fie o populaţie formată din N exemplare , în care se propagă o epidemie care se răspândeşte
prin contact direct . Se presupune că indivizii infectaţi sunt fie izolaţi fie devin imuni prin vindecare
. La un moment dat t , populaţia este formată din indivizi neinfectaţi x(t) , infectaţi care circulă
liber y(t) şi izolaţi z(t) . Viteza de infectare x’(t) este direct proporţională cu numărul x.y al
întâlnirilor indivizilor infectaţi cu cei neinfectaţi iar indivizii infectaţi devin izolaţi cu o viteză
proporţională cu numărul lor , iar x+y+z = N .
Avem x’ = - xy şi y’ = xy - y de unde dy / dx = ( - x) / x adică ecuaţia diferenţială
dy / dx = ( / ).( 1 / x) –1 . Cu = / avem dy = ( / x ) –1dx deci y = .ln x – x + C .
Cu condiţiile iniţiale y0 = y(x0 ) rezultă soluţia finală y = x0 + y0 - x + .ln (x / x0 )
iar z = N – x – y .
Pentru unele tipuri de ecuaţii diferenţiale de ordinul n există metode de integrare exacte .
Unele din ele le vom prezenta în secţiunile 9.3.1 şi 9.3.2
Menţionăm în acest sens şi metoda operaţională bazată pe transformarea Laplace :
F(p) f (t) e pt dt ; (p C)
0
În anumite condiţii există şi metode de rezolvare aproximative şi programe de calcul aferente .
Unele din ele le vom prezenta în secţiunea 9.2.3
a) Existenţa
Ecuaţia y’ = G(x,y) cu y(x0 ) = y0 devine prin integrare :
x
(1) y=y0 G[s, y(s)]ds
x0
Fie şirul recurent de funcţii :
x
(2) yn (x) y 0 G[s, y n 1 (s)]ds cu y 0 (x) y 0
x0
Funcţiile yn (x) sunt continue şi avem :
yn(x) – y0 M.x – x0 M b pentru x I şi n N
De aici rezultă :
281
x
y 2 (x) y1 (x) [G(s, y (s)) G(s, y
1 0 )]ds
x0
x
LM 2
[y1 (s) y0 (s)]ds x x0
x0
2
Prin inducţie după n rezultă :
MLn 1 n
y n (x) y n 1 (x) pentru orice x I şi n N
n!
Avem : yn = y0 + (y1 – y0 )+…+(yn – yn-1 ) deci yn(x) este şirul sumelor parţiale
ale seriei de funcţii :
y0 y n (x) y n 1 (x)
n 1
care este uniform convergentă pe I ca limită a şirului de funcţii yn(x) , uniform convergent pe I .
Funcţia G(x,y) fiind continuă în raport cu y rezultă :
lim G x, y n 1 (x) G x, y(x)
n
Trecem la limită în relaţia (2) şi obţinem :
x
y(x) y 0 G s, y(s)ds
x0
adică relaţia (1) .
b) Unicitatea
Fie prin absurd o altă soluţie z = z(x) a ecuaţiei diferenţiale date cu z(x0) = y0 deci :
x
z(x)=y0 G s,z(s) ds
x0
Avem :
x x
y n (x) z n (x) G(s, yn 1 (s) G(s,z n 1 (s) ds L
x0
y
x0
n 1 (s) z(s) ds
şi prin recurenţă :
n
n 1 x x0 Ln 1 n 1
y n (x) z(x) ML M aşa că lim y n (x) z(x)
n! n! n
ydy dx
y 2
ln C
1 x
adică 0.5 ln(y2+1) = ln x +ln C adică soluţia generală sub forma implicită : (y2+1)1 / 2 =Cx
2) Ecuaţii omogene
Au forma y ’ = G(x,y) unde G(tx,ty) = G(x,y) deci ecuaţia capătă forma y ‘ = H(y / x).
Prin schimbarea y = u.x unde u este funcţie nouă de x , avem y ‘ = u+x.u ‘ şi
ecuaţia devine cu variabile separabile .
Exemplu
y ‘ = x / (x – y )
Soluţie
Funcţia G(x,y) = x / (x – y ) îndeplineşte condiţia G(tx,ty) = G(x,y) deci punem
y = u.x şi y ‘ = u + x.u ‘ şi vom avea : u + x.u ‘ = 1 / (1- u ) adică
u ‘ = (1 / x).((1- u + u2) / (1 – u) deci ((- u +1) / (u2 – u + 1) .du = dx / x deci o ecuaţie
cu variabile separabile .
3) Ecuaţii liniare
Au forma : y ‘ +P(x).y = Q(x)
Ecuaţia omogenă y ‘ + P(x).y = 0 este cu variabile separabile şi are soluţia generală :
y=C e
- P(x) dx
y=C(x) e
- P(x) dx
C(x) = Q(x) e
P( x )dx
dx C
Exemplu
y ‘ +2y = e3x
Soluţie
Avem P(x) = 2 ; Q(x) = e3x aşa că :
( Q(x) e
P(x)dx
y=e
- P(x) dx
dx C)
e5x
= e - 2x ( e3x e 2x dx C) deci y= e - 2x ( C)
5
4) Ecuaţii Bernoulli
Au forma : y ‘ +P(x).y = Q(x).yn
Se reduc la ecuaţii liniare prin schimbarea de variabilă : y = z 1 / (1- n) unde
z este funcţie nouă de x deci y ‘ = (1 / (1- n)).zn / (1 – n ).z ‘
Exemplu
y ‘ + 2y = xy2
Soluţie
Avem n = 2 deci y ‘ = z – 1 şi y ‘ = - z –2.z ‘ aşa că - z –2.z ‘ +2z – 1= x.z – 2
deci z ‘ – 2 z = x deci o ecuaţie liniară a lui z ca funcţie de x .
283
5) Ecuaţii Riccati
Au forma : y ‘ + P(x).y2 +Q(x).y = R(x)
Dacă cunoaştem o soluţie particulară y1 , ecuaţia devine liniară după substituţia
y = y1 + (1 / z) unde z este funcţie nouă de x .
Dacă cunoaştem două soluţii particulare y1 , y2 , ecuaţia devine cu variabile separabile
după substituţia y = (zy2 – y1) / (z – 1) unde z este funcţie nouă de x .
Dacă cunoaştem trei soluţii particulare y1 , y2 , y3 , soluţia generală a ecuaţiei Riccati
este : (y – y1) / (y – y2) : (y3 – y1) / (y3 – y2) = C .
Ecuaţia Riccati nu are soluţie singulară .
Exemplu
y ‘ + (1 / x).y2 – (4 / x).y = - 3 / x
Soluţie
y1 = 1 estesoluţie particulară deci cu substituţia y = 1 + (1 / z) şi y ‘ = - (z’ / (z2))
obţinem ecuaţia liniară : z ‘ + (2 / x).z = 1 / x
7) Ecuaţii Lagrange
Au forma : y = x.A(y ‘) + B(y ‘)
Punem y ‘ = p şi diferenţiem ecuaţia : dy = dx.A(p) + x.A‘(p)dp + B‘(p)dp
Înlocuim pe dy cu p.dx şi obţinem ecuaţia liniară a lui x ca funcţie de p :
p – A(p). (dx / dp ) – A’(p).x = B’(p) ; A(p) p )
Prin integrare obţinem x = f(p,C) aşa că y = f(p,C).A(p) + B(p) deci
soluţia generală a ecuaţiei Lagrange este parametrică .
284
Pentru A(p) = p obţinem soluţia singulară a ecuaţiei Lagrange sub formă
parametrică : x = - (B’(p)) / (A’(p) ) ; y = - (B’(p).A(p)) / (A’(p) ) + B(p)
Pentru A(p) p deci A’(p) = 1 , obţinem ecuaţia Clairaut : y ‘ = x.y ‘ + B(y ‘)
cu soluţia generală : y = C.x + B(C) şi soluţia singulară sub formă parametrică :
x = - B’(p) ; y = - p.B’(p) +B(p)
Exemplu
y = 2x.y ‘ + ln y ‘
Punem y ‘ = p deci ecuaţia devine : y = 2xp + ln p
Diferenţiem ecuaţia şi înlocuim dy cu p.dx :
p.dx = 2p.dx + 2x.dp + (dp) / p de unde obţinem ecuaţia liniară a lui x ca funcţie de p:
(dx / (dp) + (2 / p).x = - (1 / (p2)) cu soluţia generală : x = C / (p2) – (1 / p) şi
y = ln p + (2C) / p – 2 adică soluţia generală a ecuaţiei Lagrange sub formă paramatrică .
y1 (x).......................... y n (x)
y1' (x).......................... y 'n (x)
W x; y1 ,..., y n 0 ; (x I)
............................................
y1(n 1) (x).....................y (nn - 1) (x)
În acest caz Wronskianul lor este nenul pe I :
Soluţiile y1(x) ,…,yn(x) care sunt funcţional independente în V ,există totdeauna :
yi (x) este acea soluţie particulară care satisface condiţiile iniţiale (Cauchy) :
1 , j = i
y (j)
i (x 0 ) ; (i = 1,...,n ; j = 0,...,n - 1)
0 , j i
şi avem Wx ; y1,…, yn =1 0
Dacă y(x) este o soluţie oarecare a ecuaţiei omogene , care satisface condiţiile iniţiale
(Cauchy) : y(x0) = y00 , y’(x0) = y10 ,…, y(n – 1)(x0) = yn – 1, 0 , soluţia :
z(x) = C1.y1(x) + …+Cn.yn(x) satisface aceleaşi condiţii iniţiale (Cauchy) ca şi y(x)
285
deci în virtutea teoreme de existenţă şi unicitate 9.1 , rezultă y(x) = z(x) ,(x I).Q.E.D.
Exemplu
Să se rezolve ecuaţia diferenţială liniară de ordin doi :
y’’ + (2 / x).y’+y = (1 / x)
Soluţie
Ecuaţia omogenă y’’ + (2 / x).y’+y = 0 are soluţia generală :
C1.(sin x / x) +C2.(cos x /x)
Pentru ecuaţia neomogenă căutăm soluţia particulară :
y0 = C1(x).(sin x / x) +C2(x).(cos x /x)
sin x cos x
C1' (x) C'2 (x) 0
x x
x cos x sin x x sin x cos x 1
C1' (x) 2
C'2 (x)
x x2 x
C1’ (x) , C2’ (x) se află din sistemul liniar :
de unde C1’(x) = cos x ; C2’(x) = - sin x aşa că : C1(x) = sin x ; C2(x) = cos x
deci y0 = (sin2 x / x ) + (cos2 x / x ) deci soluţia generală a ecuaţiei neomogene va fi :
y = C1.(sin x / x) +C2.(cos x /x) + (sin2 x / x ) + (cos2 x / x )
286
Se obţin din ecuaţiile 9) când coeficienţii derivatelor din membrul întâi sunt constanţi :
y(n) + a 1.y(n – 1 )+…+a n.y = g(x)
C. Ecuaţia omogenă are forma :
y(n) + a 1.y(n – 1 )+…+a n.y = 0
Căutăm soluţii de forma : y = er x deci y(k)(x) = rk.er x ; (k = 1,…,n) deci după
simplificarea cu er x 0 , ecuaţia omogenă devine algebrică :
rn + a1.rn – 1 +…+a n = 0
numită ecuaţie caracteristică .
Dacă r1 este rădăcină reală de multiplicitate p , avem p soluţii particulare funcţional
independente ale ecuaţiei omogene :
e r 1 x , x e r 1 x ,..., x p1 e r 1 x
Dacă r2,3 sut rădăcini complexe conjugate de forma i. , de multiplicitate q , avem 2q
rădăcini particulare funcţional independente ale ecuaţiei omogene de forma :
ex .cos x , ex .sin x , …, x q – 1. ex .cos x , x q – 1. ex .sin x
Soluţia generală a ecuaţiei omogene este : C1.y1(x) + …+Cn.yn(x) unde soluţiile
particulare y1(x) , …, yn(x) se găsesc ca mai sus .
Exemplu
Sistemul de ecuaţii diferenţiale de ordin I neomogen , de forma :
y1’ = a11 y1 + a12 y2 + g1(x)
y2’ = a21 y1 + a22 y2 + g2(x)
Exemplu
Să se rezolve ecuaţia Euler neomogenă x2 y’’ – xy’ +2y = xln x
Soluţie
288
Fie ecuaţia Euler omogenă : x2 y’’ – xy’ +2y = 0 . Punem y = x r deci y’ = rxr – 1 ;
y’’ = r(r – 1)xr – 2 deci după simplificarea cu x r ≠ 0 , obţinem ecuaţia caracteristică
r(r – 1) – r +2 = 0 cu rădăcinile r1,2 = 1 ± 1.i deci α = β = 1.
Ecuaţia Euler omogenă are soluţia generală C1.x.cos(ln x) +C2.x.sin(ln x)
Pentru ecuaţia Euler neomogenă căutăm soluţia y0(x) = x.(a.ln x +b) deci
y0’(x) = a(ln x +1) + b ; y0’’(x) = a / x , înlocuim y0(x) , y0’(x) , y0’’(x) în ecuaţia Euler
neomogenă şi după identificarea coeficienţilor lui ln x obţinem a = 1 ; b = 0 aşa că ecuaţia Euler
neomogenă are soluţia generală : y = C1.x.cos(ln x) +C2.x.sin(ln x) +x.ln x
Vom prezenta în continuare legătura strânsă care există între polinoamele de grad n cu
coeficienţi reali şi ecuaţiile Euler neomogene de ordin n .
Fie polinomul de grad n cu coeficienţi reali :
y = P(x) = a0x n + a1x n – 1 +…+ a n – 2 x2 +a n – 1 x + a0
Derivata de ordin k a polinomului are forma :
Fie ecuaţia diferenţială de ordin I : y ‘ = G(x,y) pentru care sunt îndeplinite condiţiile
din teorema 10.1 deci există şi este unică soluţia y = f(x) definită pe intervalul [x0 ; c]
cu f(x0) = y0 .
Fie diviziunea x0 < x1 < …< xn – 1 < c = xn cu xk+1= x0 +(k+1)h unde h =(c-x0 ) / n
este pasul diviziunii ; ( k = 0,1,…,n -1 ) .
Metoda Euler :
(1) yk+1 = yk + h.G(xk , yk)
Exemplu
Fie ecuaţia diferenţială y’ = 2x – y cu x 0;1 , y(0) = - 1 şi = 0.01
Pentru ca h3 < 0.01 luăm h = 0.2 deci n = 5
Cu relaţia (1= găsim y1(0) = - 0.800 deci relaţia (2) dă y1(1) = - 0.780 ; y1(2) = - 0.782 ;
y1 (3) = - 0.782 deci y1 = - 0.782
Din relaţia (1) calculăm y2(0) = - 0.576 aşa că din relaţia (2) obţinem y2(1) = - 0.529
; y2 = - 0.531 ; y2(3) = - 0.531 deci y2 = - 0.531
(2)
Metoda Runge-Kutta :
(3) y k+1 = y k + y k ; ( k = 0,1,…,n – 1 )
290
O funcţie reală de n variabile reale are forma y = f (x1,…,xn) deci f asociază fiecărui vector
x = (x1,…,xn) Rn numărul real unic y R .
O funcţională reală J asociază fiecărei funcţii reale y = f(x) din C1 a,b un număr real J(y)
.
Exemplu
b
J ( y ) 1 f ' ( x) dx este lungimea arcului de curbă al graficului funcţiei
2
Dintre toate funcţiile y = f(x) cu f(x1) = y1 şi f(x2) = y2 , se cere aceea care face minimă sau
maximă funcţionala :
x2
J ( y ) F ( x, y, y ' )dx
x1
Teorema 9.3
Funcţiile căutate , numite extremale , satisfac ecuaţia diferenţială de ordin II , numită
2 F 2 F 2F F
2
y '' y' 0
y ' y ' y y' x y
ecuaţia Euler-Lagrange :
Demonstraţie
Fie familia de funcţii y(x) + t.u(x) unde u(x1) = u(x2) = 0
Avem :
x2
x2
F F
y (x, y.y').u y ' (x, y, y ').u ' dx 0
x1
x2
F x 2 F
sau y ' x y dx .u 'dx 0
x1
1
Cum u(x) este funcţie arbitrară , rezultă :
x
F 2 F
dx 0
y' x1 y
de unde prin derivare în raport cu x obţinem :
F F 2F 2F 2 F F
( ) 0 sau 2
y '' y ' 0 . Q.E.D.
x y ' y y ' y ' y y ' x y
Exemplu
Să se determine forma unui corp de rotaţie care întâmpină cea mai mică rezistenţă
la înaintarea într-un gaz(profil aerodinamic) .
Soluţie
Fie porţiunea de grafic y = f(x) , x [0;h] cu f(0) = 0 ; f(h) = R care se roteşte în jurul lui
Ox .
Dacă densitatea gazului este iar viteza de înaintare a corpului în gaz este V , de arată că
rezistenţa la înaintare a corpului în gaz este :
h
J ( y ) 4V 2 y. y' 3 dx min im
0
Uneori condiţiile la limită nu sunt în puncte date ci pe curbe date :y = (x) ; y = (x):
y1 = f(x1) = (x1) ; y2 = f(x2) = (x2) .
În acest caz trebuie îndeplinite condiţiile de transversalitate :
[ F + (’ – y’).(F / y’)](x1) = 0 ; [ F + (’- y’).(F / y’)](x2) = 0
În adevăr ,fie familia de funcţii y = f(x,C) unde x1 , x2 , y1 , y2 , C sunt funcţii de parametrul t .
Avem :
x2 ( t )
de unde :
292
x x2
dy F
' (t ) F ( x, y, y' ) ( y' ). ( x, y , y ' ) 0
dx y' x x1
pentru orice x1 , x2 .
Pentru x = x1 şi x= x2 obţinem condiţiile de trasversalitate de mai sus deoarece :
dy d dy d
;
dx x x1 dx x x1 dx x x2 dx x x2
În particular , dacă F(x,y,y’)=(1+y’2)1 / 2 condiţiile de transversalitate devin :
(1 ' y ' ) x x 0; (1 ' y ' ) x x 0
1 2
J ( y) 1 y ' 2 dx
x1
Extreme cu legături
J ( y ) F ( x, y, y ' )dx
x1
K ( y) G ( x, y, y ' )dx K
x1
pentru care se aplică ecuaţia Euler-Lagrange care împreună cu condiţiile iniţiale şi condiţia
suplimentară , dau soluţia y = f(x) şi valoarea .
Exempu
Se cer extremele funcţionalei :
1 1
J ( y ) y' 2 dx cu y(0) = 1 y(1) = 6 şi ydx 3
0 0
Soluţie
1
Fie funcţionala L( y ) ( y ' 2 y )dx
0
În acest capitol se defineşte integrala Riemann şi se prezintă câteva metode de calcul exact şi
aproximativ precum şi aplicaţii la sistemele agricole . În continuare se prezintă ecuaţiile diferenţiale
de ordinul 1 şi n cu metode exacte şi aproximative de integrare . Capitolul se încheie cu găsirea
extremelor libere şi cu legături ale funcţionalelor.
9.6 Întrebări
9.7 Bibliografie
Cuprins
Modelul neliniar care urmează , are ca scop alocarea optimă a N factori variabili pentru M produse
agricole.
Factorii constanţi se cumulează separat în realizarea producţiilor-martor ale produselor.
Exemple de factori variabili
a) La producţia vegetală : densitatea plantelor, cantităţile de forţă de muncă,forţă
mecanizată,energie,îngrăşăminte,apă de irigaţie,etc.
b) La producţia zootehnică : densitatea animalelor în spaţiul de cazare ,cantităţile de forţă de
muncă,forţă mecanizată,energie,furaje, medicamente,etc.
Produsele vegetale sunt date de producţiile fizice ale plantelor de pe suprafeţele cultivate iar produsele
animaliere sunt date de producţiile raselor de animale şi grupelor de animale cu efectivele existente.
Observăm că avem M.N factori nedistincţi pentru M produse deoarece fiecare din cei N factori se
aplică pentru fiecare din cele M produse în doze diferite.
Nivelul variabil al factorului J alocat pentru produsul I este de X(I,J)
295
unităţi de factor J pe ha sau pe cap de animal (I=1,…,M; J=1,…,N) iar nivelul variabil al producţiei fizice a
produsului I este de Y(I) unităţi de produs I pe ha sau pe cap de animal.
Legăturile celor M produse cu cei N factori sunt date de M funcţii de producţie de tip polinomial-
cubic , fiecare de cîte N variabile :
N N N N
Y(I) Y0 (I) Y1 (I, J).X(I, J) Y2 (I, J, K).X(I, J)X(I, K) Y3 (I, J).X(I, J) 3
J 1 J 1 K 1 J 1
Coeficienţii Y0(I) , Y1(I,J) , Y2(I,J,K) , Y3(I,J) sunt daţi pe baza datelor experimentale cu ajutorul
programului de regresie cubică cu interacţiuni COREGCUB .
Semnificaţia acestor coeficienţi este următoarea :
a) Y0(I) este producţia-martor în untăţi de produs I pe ha sau pe cap de animal,realizată cu factorii
constanţi , fără cei N factori variabili .
b) Y1(I,J) este producţia suplimentară în unităţi de produs I pe ha sau pe cap de animal, datorată unităţii
de factor variabil J .
c) Y2(I,J,K) este viteza de creştere a producţiei suplimentare a produsului I când
factorii variabili J şi K cresc cu câte o unitate .
d) Y3(I,J) < 0 este acceleraţia de scădere a producţiei suplimentare a produsului I
când factorul J creşte cu o unitate.
Această acceleraţie negativă se datoreşte limitei biologice a producţie agrivole vegetale / animale în
raport cu creşterea nivelului factorilor variabili , după principiul : în agricultură dublarea efortului nu
atrage după sine dublarea efectului .
Pentru calculul cheltuielilor, venitului şi profitului , sunt necesare următoarele date :
1) Cheltuielile constante CC(I) ale produsului I în lei pe ha sau pe cap de animal .
Aceste cheltuieli include toate cheltuielile productive(materiale şi manoperă) şi neproductive
(taxe,impozite,TVA şi cheltuieli neprevăzute) cu factorii constanţi , fără cheltuielile cu cei N factori
variabili şi fără cheltuielile cu recoltarea şi transportul producţiei vegetale / animale suplimentare a
produsului I , realizată pe baza celor N factori variabili .
2) Costurile factorilor variabili CF(J) în lei pe unitate de factor J .
Aceste costuri acoperă cumpărarea,transportul şi aplicarea la plante / animale a factorului variabil J .
3) Costurile recoltării şi transportului produselor CR(I) exprimate în lei pe unitatea de produs I .
Aceste costuri acoperă recoltarea şi transportul producţiei-martor sau suplimentare a produsului I ,
realizată pe baza factorilor constanţi respectiv acelor N factori variabili .
4) Preţurile de vânzare ale produselor PV(I) în lei pe unitate de produs I .
5) Suprafeţele în ha pentru culturi vegetale respectiv efectivele de animale domestice , notate S(I) , pe
care se realizează produsul I .
1. Producţii fizice
Y0(I) este producţia-martor a produsului I în unităţi de produs pe ha sau pe cap de animal , realizată
numai cu factorii constanţi , fără cei N factori variabili.
Dacă măcar unul din cei N factori variabili este esenţial pentru produsul I, atunci Y0(I) = 0 .
Acesta este cazul factorului variabil densitate plante / ha respectiv densitate animale în spaţiul de
cazare .
Notăm cu YS(I,J) producţia suplimentară a produsului I în unităţi de produs pe ha sau pe cap de
animal ,realizată pe baza factorului variabil J .
Avem relaţiile :
N
YS(I, J) Y1 (I, J).X(I, J) Y2 (I, J).X(I, J).X(I, K) Y3 (I, J).X(I, J) 3
K 1
296
Notăm cu TYS(I) producţia suplimentară a produsului I în unităţi de produs pe ha sau pe cap de
animal , realizată pe baza celor N factori variabili . Avem relaţiile :
N N N N
TYS(I) YS(I, J) Y1 (I, J).X(I, J) Y2 (I, J, K).X(I, J).X(I, K)
J 1 J 1 J 1 K 1
N
Y3 (I, J).X(I, J)3
J 1
Cantitatea Y(I) = Y0(I) + TYS(I) este producţia produsului I în unităţi de produs pe ha sau pe cap
de animal în raport cu toţi factorii constanţi sau variabili .
Pentru toate suprafeţele / efectivele de animale , notate cu S(I) , producţia-martor a produsului I ,
realizată pe baza factorilor constanţi este SY0(I) = Y0(I).S(I) , producţia suplimentară a produsului I ,
realizată pe baza celor N factori variabili , este SYS(I) = TYS(I).S(I) adică :
N
PYS(I, J) Y1 (I, J).X(I, J) 2. Y2 (I, J, K).X(I, K) .X(I, J)
K 1
2 3
Y2 (I, J, J).X(I, J) Y3 (I, J).X(I, J)
2. Venituri
V0(I) = PV(I).Y0(I) este venitul-martor al produsului I în lei pe ha sau pe cap de animal , realizat pe
baza factorilor constanţi , fără cei N factori variabili.
VS(I,J) = PV(I).YS(I,J) este venitul suplimentar al produsului I în lei pe ha sau pe cap de animal ,
realizat prin utilizarea factorului variabil J .
Notăm cu TVS(I) venitul suplimentar al produsului I , realizat prin utilizarea celor N factori
variabili .
Avem relaţiile :
N
TVS(I) VS(I, J) PV(I).TYS(I)
J 1
Partea din TVS(I) în care apare X(I,J) este PVS(I)=PV(I).PYS(I)
Pentru toate suprafeţele / efectivele de animale , notate cu S(I) , venitul-martor pentru toate produsele
, realizat pe baza factorilor constanţi , este :
M M
SV0 V0 (I).S(I) PV(I).Y0 (I).S(I)
I 1 I 1
297
Venitul suplimentar pentru toate produsele , realizat pe baza celor N factori variabili , este :
M M N
SVS TVS(I).S(I) S(I).PV(I).YS(I, J)
I 1 I 1 J 1
iar venitul total pentru toate produsele , realizat pe baza tuturor factorilor constanţi şi variabili , este
SV=SV0 + SVS
3. Cheltuieli
C0(I) = CC(I) + CR(I).Y0(I) sunt cheltuielile-martor pentru produsul I , în lei pe ha sau pe cap de
animal , necesare pentru utilizarea factorilor constanţi , fără cei N factori variabili .
Notăm cu CS(I,J) cheltuielile suplimentare pentru produsul I , în lei pe ha sau pe cap de animal ,
necesare pentru utilizarea factorului J .
Avem relaţiile : CS(I,J) = CR(I).YS(I,J)+CF(J).X(I,J)
Notăm cu TCS(I) cheltuielile suplimentare pentru produsul I , în lei pe ha sau pe cap de animal ,
necesare pentru utilizarea celor N factori variabili.
Avem relaţiile :
N N
TCS(I) CS(I, J) CR(I).TYS(I) CF(J).X(I, J)
J 1 J 1
, cheltuielile suplimentare pentru toate produsele , necesare pentru utilizarea celor N factori variabili ,
sunt :
M M N
CF(J)
SCS TCS(I).S(I) S(I).CR(I).[(Y1 (I, J) ).X(I, J)
I 1 I 1 J 1 CR(I)
N
Y2 (I, J, K).X(I, J).X(I.K) Y3 (I, J).X(I, J)3 ]
K 1
iar cheltuielile totale pentru toate produsele , necesare pentru utilizarea tuturor factorilor constanţi şi
variabili , sunt SC = SC0 + SCS
Mărimile SC0 , SCS , SC se exprimă în lei .
4. Profituri
P0(I) = V0(I) – C0(I) = [PV(I) – CR(I)].Y0(I) – CC(I) este profitul-martor al produsului I în lei pe ha
sau pe cap de animal , realizat pe baza utilizării factorilor constanţi , fără cei N factori variabili .
Notăm cu PS(I,J) profitul suplimentar al produsului I în lei pe ha sau pe cap de animal , realizat
prin utilizarea factorului variabil J .
298
Avem relaţiile :
PS(I,J) = VS(I,J) – CS(I,J) = [PV(I) – CR(I)].YS(I,J) – CF(J).X(I,J)
Notăm cu TPS(I) profitul suplimentar al produsului I în lei pe ha sau pe cap de animal , realizat
prin utilizarea celor N factori variabili .
N
TPS(I) TVS(I) TCS(I) [PV(I) CR(I)].TYS(I) CF(J).X(I, J)
J 1
M M N
SPS TPS(I).S(I) SVS SCS S(I).(PV(I) CR(I)).[(Y1 (I, J)
I 1 I 1 J 1
N
CF(J)
).Y(I, J) Y2 (I, J).X(I, J).X(I, K) Y3 (I, J).X(I, J)3 ]
PV(I) CR(I) K 1
iar profitul total pentru toate produsele , realizat pe baza tuturor factorilor
constanţi şi variabili , este SP = SP0 + SPS
5. Ratele profitului
RP0(I) = P0(I) / C0(I) este rata profitului-martor pentru produsul I , realizată pe baza factorilor constanţi ,
fără cei N factori variabili . Avem :
[PV(I) CR(I)].Y0 (I) CC(I)
RP0 (I)
CC(I) CR(I).Y0 (I)
RPS(I,J) = PS(I,J) / CS(I,J) este rata profitului suplimentar pentru produsul I , realizată pe baza factorului
variabil J . Avem relaţiile :
adică :
299
PV(I) CR(I)
RPS(I, J) .
CR(I)
N
CF(J)
[Y1 (I, J) ].X(I, J) Y2 (I, J, K).X(I, J).X(I, K) Y3 (I, J).X(I, J) 3
PV(I) CR(I) K 1
. N
CF(J)
[Y1 (I, J) ].X(I, J) Y2 (I, J, K).X(I, J).X(I, K) Y3 (I, J).X(I, J) 3
CR(I) K 1
Rata profitului-martor pentru toate produsele , realizată pe baza factorilor constanţi , fără cei N factori
variabili , este :
M
RTPS = SPS / SCS este rata profitului suplimentar pentru toate produsele , realizată pe baza celor N
factori variabili .
RTP = SP / SC este rata profitului pentru toate produsele , realizată pe baza factorilor constanţi şi a celor
N factori variabili .
I . OPTIMUL MARGINAL
În acest caz avem producţia suplimentară marginală YD(I,J) = maxim deci avem derivatele parţiale
nule ∂ YD(I,J) / ∂ X(I,J) = 0 adică : 2.Y2(I,J,J) + 6.Y3(I,J).X(I,J) = 0 cu soluţia :
(1) XD(I,J) = [Y2(I,J,J) / ( - 3.Y3(I,J)]
Acestea sunt dozele optime ale alocării factorului variabil J pentru produsul I , pentru care YD(I,J) =
maxim .
În acest caz sunt maxime VD(I,J) , CD(I,J) , PD(I,J) conform relaţiilor din secţiunea 10.2.1 B.
Este deasemenea maximă RD(I,J) conform relaţiilor de la punctul 10.1.2 E.
302
II . OPTIMUL DE ECHILIBRU
În acest caz avem producţia suplimentară medie YM(I,J) = maximă deci avem derivatele parţiale
nule ∂ YM(I,J) / ∂ X(I,J) = 0 adică : Y2(I,J,J) + 2.Y3(I,J).X(I,J) = 0 cu soluţia :
(2) XM(I,J) = [Y2(I,J,J)] / [ - 2.Y3(I,J)]
adică dozele optime ale alocării factorului variabil J pentru produsul I pentru care YM(I,J) =
maximă .
În acest caz sunt maxime VM(I,J) , CM(I,J) , PM(I,J) conform relaţiilor din secţiunea 10.2.1 A.
Dacă egalăm mărimea YM(I,J) de la punctul 10.1 A. cu mărimea YD(I,J) de la punctul 10.2.1 B.
găsim :
- Y2(I,J,J).X(I,J) = 2.Y3(I,J).X(I,J) deci :
X(I,J) = [Y2(I,J,J)] / [ - 2.Y3(I,J)] adică exact valorile din relaţia (2) .
Rezultă că pentru dozele de echilibru din relaţia (2) avem :
YM(I,J) = maxim = YD(I,J) aşa că EY(I,J) = 1
Din relaţiile de la punctele 10.1.1 A. şi 10.1.1 B. rezultă că pentru dozele de echilibru din relaţia (2)
avem :
VM(I,J) = maxim = VD(I,J) aşa că EV(I,J) = 1 ;
CM(I,J) = maxim = CD(I,J) aşa că EC(I,J) = 1 ;
PM(I,J) = maxim = PD(I,J) aşa că EP(I,J) = 1 .
Această situaţie justifică denumirea optimului de echilibru :
O creştere a factorului variabil J cu 1 % atrage după sine o creştere a producţiei / venitului /
cheltuielilor / profitului suplimentar din produsul I , datorată factorului variabil J , tot cu 1 % (
egalitate între creşterea procentuală de efort fizic şi creşterea procentuală de efect financiar).
De la punctul 10.1.2 D. avem :
YM (I, J )
PV (I )
RM (I , J )) X(I, J )
X(I , J ) [CR (I ) YM (I ) CF (J )]2
deci dacă ∂ YM(I,J) / ∂ X(I,J) = 0 adică dacă profitul mediu YM(I,J) = maxim atunci ∂ RM(I,J) / ∂
X(I,J) = 0 deci atunci rata medie a profitului RM(I,J) = maximă .
Din relaţiile de la punctele 10.1.2 D. ş 10.1.2 E. rezultă că relaţia YM(I,J) = maxim=YD(I,J)
implică RM(I,J) = maxim=RD(I,J) deci ER(I,J) = 1 .
În cuvinte , la optimul de echilibru , o creştere cu 1 % a cheltuielilor cu factorul variabil J , faţă de
valoarea existentă a acestor cheltuieli , atrage după sine o creştere a profitului suplimentar al
produsului I , datorată factorului variabil J , tot cu 1 % ( egalitate între creşterea procentuală de
efort financiar şi creşterea procentuală de efect financiar).
În acest caz avem profitul suplimentar total SPS = maxim deci avem derivatele parţiale nule ∂
SPS(I,J) / ∂ X(I,J) = 0 adică PD(I,J) =0 sau : [PV(I) – CR(I)].YD(I,J) – CF(J) =0 de unde obţinem
relaţiile (3) :
N
CF(J )
[3.Y3 (I , J ) X(I, J )2 ] [2. Y2 (I, J , K ) X(I, K )] [Y1 (I, J ) ]0
K 1 PV (I ) CR (I )
303
(I=1,…,M ; J=1,…,N)
IV . OPTIMUL TEHNIC
În acest caz avem producţiile fizice suplimentare SYS(I) = maxime deci avem derivatele parţiale
nule ∂ SYS(I) / ∂ X(I,J) = 0 adică YD(I,J) =0 de unde obţinem relaţiile (4) :
N
[3 Y3 (I, J) X(I, J) 2 ] [2. Y2 (I, J, K) X(I, K)] [Y1 (I, J)] 0
K 1
(I 1,..., M ; J=1,...,N)
În acest caz avem venitul suplimentar din toate produsele : SVS=maxim condiţionat de limitarea
cheltuielilor suplimentare pentru toate produsele : SCS=SC0 ( limită de cheltuieli ).
Cum SPS=SVS - SCS = SVS – SC0 , dacă SVS=maxim condiţionat rezultă SPS=maxim
condiţionat ; deasemenea rata profitului suplimentar pentru toate produsele RPS=SPS / SCS = SPS /
SC0 =maxim condiţionat odată cu SPS .
Funcţia Lagrange a optimului condţionat de mai sus , are forma :
L = SVS – LV.(SCS – SC0) unde LV este multiplicatorul Lagrange .
Avem condiţiile necesare de optim:
304
∂ L / ∂ X(I,J) =0 (I=1,…,M , J=1,…,N)
SCS=SC0
adică :
VD(I,J) – LV. CD(I,J) = 0
SCS=SC0
de unde rezultă :
[PV(I) – LV.CR(I)].YD(I,J) – LV.CF(J)=0
SCS=SC0
deci obţinem relaţiile (6) :
N
CF (J )
[3 Y3 (I , J ) X(I, J ) 2 ] [2 Y2 (I, J , K ) X(I, K )] [ Y1 (I, J ) ]0
K 1 PV (I )
CR (I )
LV
M N
CF (J )
S(I) CR (I) [(Y1 (I, J)
I 1 CR (I )
) X(I, J ) Y2 (I, J , K ) X(I, J ) X(I, K )
K 1
În acest caz avem cheltuielile suplimentare pentru toate produsele : SCS=minim , condiţionate de
garantarea venitului suplimentar pentru toate produsele : SVS=SV0 ( garanţie de venit ).
Cum SPS=SVS - SCS = SV0 – SCS , dacă SCS=minim condiţionat rezultă SPS=maxim
condiţionat ; deasemenea rata profitului suplimentar pentru toate produsele RPS=SPS / SCS = maxim
condiţionat căci SPS=maxim condiţionat şi SCS=minim condiţionat .
Funcţia Lagrange a optimului condiţionat de mai sus , are forma :
L = SCS – LC.(SVS – SV0) unde LC este multiplicatorul Lagrange .
Avem condiţiile necesare de optim:
∂ L / ∂ X(I,J) =0 (I=1,…,M , J=1,…,N)
SVS=SV0
adică :
CD(I,J) – LC.VD(I,J) = 0
SVS=SV0
de unde rezultă :
305
[CR(I) – LC.PV(I)].YD(I,J) –CF(J)=0
SVS=SV0
deci obţinem relaţiile (7) :
N
CF(J )
[3 Y3 (I , J ) X(I, J ) 2 ] [2 Y2 (I, J , K ) X(I, K )] [Y1 (I, J ) ]0
K 1 PV (I ) LC CR (I )
M N
Pentru fiecare valoare a multiplicatorului Lagrange LC ≤ 1 , relaţiile (7) constituie un sistem pătratic
de MN ecuaţii cu MN necunoscute X(I,J) care se rezolvă cu programul SISPAT dând soluţiile
XV(I,J) .
Interpretarea multiplicatorului Lagrange LC : avem LC = CD(I,J) / VD(I,J) adică LC este egal cu
creşterea de cheltuieli suplimentare ale produsului I , din factorul variabil J , când creşterea venitului
suplimentar al produsului I , din factorul variabil J peste valoarea garantată SV0 , este de o unitate
monetară.
Avem RD(I,J) = (1 / LC )– 1 pentru orice I=1,…,M şi orice J=1,…,N .
Pentru LC=1 avem optim economic iar pentru LC=∞ avem optim tehnic.
Deoarece LV ≤ 1 avem :
CF(J ) CF(J )
Y1 (I , J ) Y1 (I, J ) Y1 (I, J )
PV (I ) LC CR (I ) PV (I ) CR (I )
Optimele de la punctele 10.2.1-10.2.6 şi ratele medie şi marginală ale profitului oricărui produs în
raport cu orice factor , se prezintă grafic astfel :
306
307
În acest desen apar în mod clar următoarele intervale de valori ale factorului :
I. Intervalul de creştere accelerată [0 ; XD] în care venitul ,profitul,rata medie şi cea marginală a
profitului cresc iar rata marginală a profitului este mai mare ca rata medie a profitului (elasticitatea
ratei profitului este > 1).
II. Intervalul de creştere încetinită [XD ; XM] în care venitul ,profitul,rata medie a profitului cresc
,rata marginală a profitului scade iar rata marginală a profitului este mai mare ca rata medie a profitului
(elasticitatea ratei profitului este > 1).
III. Intervalul de creştere saturată [XM ; XE] în care venitul ,profitul cresc ,rata medie şi cea
marginală a profitului scad iar rata marginală a profitului este mai mică ca rata medie a profitului
(elasticitatea ratei profitului este cuprinsă între 0 şi 1).
IV. Intervalul de declin economic [XE ; XT] în care venitul creşte ,profitul,rata medie şi cea
marginală scad iar rata marginală a profitului este negativă şi mai mare ca - 1 (elasticitatea ratei
profitului este < 0).
V. Intervalul de declin tehnico-economic [XT ; XR] în care venitul , profitul,rata medie şi cea
marginală scad iar rata marginală a profitului este negativă şi mai mică ca
- 1 (elasticitatea ratei profitului este < 0).
VI. Intervalul de faliment economic [XR ; +∞] în care profitul este negativ .
10.2.2 Aporturi
Dacă X [0,X0] este un factor variabil iar Y=Y0+f(x) este un produs cu valoarea martor Y0 ,
valoarea medie a lui Y este dată de relaţia (7) :
X
1 0
X 0 0
MY Y0 f (X)dX
Fie XO(I,J) doza curentă a factorului variabil J , alocat produsului I şi fie Y(I) nivelul variabil al
producţiei fizice a produsului I pe ha sau pe cap de animal.
Avem :
N
Y(I ) [Y0 (I )] [ (Y1 (I, J ) X(I, J ) Y2 (I, J, J ) X(I, J ) 2 Y3 (I, J ) X(I, J ) 3 )]
J 1
N N
[ Y2 (I, J , K ).X(I, J ) X(I , K )]
J 1 K 1
K J
Conform formulei (7) valoarea medie a producţiei fizice a produsului I pe intervalul [0;XO(I,J)] va
fi :
308
N XO ( I , J ) XO ( I , J )
1
MYT(I ) [Y0 (I )] [ ( Y1 (I, J ) X(I, J )dX(I, J ) Y2 (I , J ) X(I, J ) 2 dX(I, J )
J 1 XO (I, J ) 0 0
XO ( I , J ) XO ( I , J )
N
Y1 (I, J ) Y (I , J , J ) Y ( I, J )
MYT(I ) [Y0 (I )] [ ( XO(I, J ) 2 XO(I, J ) 2 3 XO(I, J )3 )]
J 1 2 3 4
N N
Y2 (I, J, K )
[ XO(I, J ) XO(I, K )]
J 1 K 1 2
K J
M
MPOT MPO(I )
I 1
Calculul aporturilor de la punctele A-D se poate face atât pentru dozele curente XO(I,J) cât şi pentru
dozele celor şase optime din secţiunea 10.2.1 şi anume XD(I,J) , XM(I,J) , XE(I,J) , XT(I,J) .
10.3 Exemple
A.Date de intrare:
1) M=1 produs(Porumb)
2) N=2 factori (NPK şi apă de irigaţie)
3) Y={3000}+{[4X1+0.002X12 – 0.00003X13]+[0.8X2+0.00008X22 -
0.0000001X23]+2.[0.0001X1X2]
Aici X1 este cantitatea de NPK (Kg / ha de porumb) ,X2 este cantitatea de apă de irigaţie (m3 apă / ha
de porumb) iar Y este producţia de porumb(Kg / ha) .
În prima acoladă se găseşte producţia-martor de porumb (Kg / ha) , nefertilizat chimic şi neirigat.
În a doua acoladă se găsesc:
- în prima paranteză patrată se găseşte producţia suplimentară de porumb(Kg / ha) datorată
fertilizării chimice ;
- în a doua paranteză pătrată se găseşte producţia suplimentară de porumb(Kg / ha) datorată irigării ;
- în a treia paranteză pătrată se găseşte producţia suplimentară de porumb(Kg / ha) datorată
interacţiunii NPK x apă de irigaţie ;
4) Cheltuieli constante : CC=800 lei / ha
Aceste cheltuieli include toate cheltuielile productive şi neproductive
311
cu trei excepţii:
- cheltuielile cu fertilizarea chimică;
- cheltuielile cu irigarea;
- cheltuielile cu recoltarea şi transportul producţiei suplimentare de porumb datorată fertilizării
chimice şi irigării .
5) Costurile factorilor : CF1=0.8 lei / Kg NPK ; CF2 =0.09 lei / m3 apă .
6) Cheltuieli cu recoltarea şi transportul porumbului : CR =0.04 lei / Kg porumb
7) Preţul de vânzare al porumbului : PV=0.7 lei / Kg porumb
8) Suprafaţa cultivată : S=20 ha
B.REZULTATE :
a) Producţii-martor
Producţia fizică-martor Y0 = 60000kg porumb ;
Venitul-martor V0 = 42000 lei ;
Cheltuielile-martor C0 = 18400 lei ;
Profitul-martor P0 = 23600 lei ;
Producţia unitară-martor YU0 = 3000 Kg porumb boabe / Ha .
Cheltuielile unitare-martor CY0 = 0.31 lei cheltuieli / 1 Kg porumb boabe
Rata profitului martor RP0 = 1.283 lei profit / 1 leu cheltuit
0.4550 lei .
Creşterea dozei de 22 Kg NPK / Ha cu încă 1 % ar creşte profitul suplimentar
cu încă 1.005 % .
Creşterea dozei de 266 m3 apă / Ha cu încă 1 % ar creşte profitul suplimentar
cu încă 1.010 % .
2) Coloana ratei profitului suplimentar :
Fiecare leu cheltuit cu fertilizarea chimică din suma de 1081.8 lei a adus un profit
suplimentar de 1.967 lei.
Fiecare leu cheltuit cu irigarea din suma de 1081.8 lei a adus un profit suplimentar de 3.669 lei.
Încă un leu cheltuit cu fertilizarea chimică peste suma de 1081.8 lei ar creşte profitul
suplimentar cu valoarea maximă de 1.976 lei.
Încă un leu cheltuit cu irigarea peste suma de 1081.8 lei ar creşte profitul suplimentar
cu valoarea maximă de 3.698 lei.
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1 % peste suma de 1081.8 lei ar
creşte profitul suplimentar cu încă 1.005 % .
Creşterea cheltuielilor cu irigarea cu încă 1 % peste suma de 1081.8 lei ar creşte profitul
suplimentar cu încă 1.008 % .
3) Coloana ratei substituirii factorilor
4.21 m3 apă / Ha din cei 266 m3 apă / Ha au adus acelaşi profit ca 1 Kg NPK / Ha din cei 22 Kg
NPK / Ha .
4.19 m3 / Ha creştere apă faţă de cei 266 m3 apă / Ha şi 1 Kg / Ha creştere NPK faţă de cei 22 Kg
NPK / Ha ar creşte profitul cu aceeaşi sumă.
0.99 % creştere apă faţă de cei 266 m3 apă / Ha şi 1 % creştere NPK faţă de cei 22 Kg NPK / Ha, ar
creşte profitul cu acelaşi număr de procente.
Fiecare din cele 33 Kg NPK / Ha a adus un profit suplimentar maxim de 1.9148 lei.
Fiecare din cei 400 m3 apă / Ha a adus un profit suplimentar maxim de 0.4529 lei .
Al 34-lea Kg NPK / Ha ar creşte profitul suplimentar tot cu cu 1.9148 lei .
Al 401-lea m3 apă / Ha ar creşte profitul suplimentar tot cu 0.4529 lei .
Creşterea dozei de 33 Kg NPK / Ha cu încă 1 % ar creşte profitul suplimentar
tot cu 1 % ( creşterea procentuală de efort fizic pentru factorul NPK este egală cu creşterea
procentuală de efect pentru profit).
Creşterea dozei de 400 m3 apă / Ha cu încă 1 % ar creşte profitul suplimentar tot cu 1 % (
creşterea procentuală de efort fizic pentru factorul Apă este egală cu creşterea procentuală de efect
pentru profit).
2) Coloana ratei profitului suplimentar :
Fiecare leu cheltuit cu fertilizarea chimică din suma de 1624.1 lei a adus un profit
suplimentar maxim de 1.985 lei.
Fiecare leu cheltuit cu irigarea din suma de 1624.1 lei a adus un profit suplimentar maxim de
3.685 lei.
Încă un leu cheltuit cu fertilizarea chimică peste suma de 1624.1 lei ar creşte profitul
suplimentar tot cu 1.985 lei.
Încă un leu cheltuit cu irigarea peste suma de 1624.1 lei ar creşte profitul suplimentar
tot cu 3.685 lei.
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1 % peste suma de 1624.1 lei ar
creşte profitul suplimentar tot cu 1 % ( creşterea procentuală de efort financiar pentru factorul NPK
este egală cu creşterea procentuală de efect pentru profit).
Creşterea cheltuielilor cu irigarea cu încă 1 % peste suma de 1624.1 lei ar creşte profitul
suplimentar tot cu 1 % ( creşterea procentuală de efort financiar pentru factorul NPK este egală cu
creşterea procentuală de efect pentru profit).
3) Coloana ratei substituirii factorilor
4.23 m3 apă / Ha din cei 400 m3 apă / Ha au adus acelaşi profit ca 1 Kg NPK / Ha din cei 33 Kg
NPK / Ha .
4.23 m3 / Ha creştere apă faţă de cei 400 m3 apă / Ha şi 1 Kg / Ha creştere NPK faţă de cei 33 Kg
NPK / Ha ar creşte profitul cu aceeaşi sumă.
1 % creştere apă faţă de cei 400 m3 apă / Ha şi 1 % creştere NPK faţă de cei 33 Kg NPK / Ha, ar
creşte profitul cu acelaşi număr de procente ( creşterea procentuală de efort fizic pentru factorul NPK
este egală cu creşterea procentuală de efort fizic pentru Apă sub aspectul aceleiaşi creşteri valorice a
profitului).
Creşterea cheltuielilor cu irigarea cu încă 1 % peste suma de 8956.2 lei ar creşte venitul
suplimentar cu 0 % şi cheltuielile suplimentare ar creşte cu 1 % deci profitul din fertilizare ar scade cu
1% .
3) Coloana ratei substituirii factorilor
3.9 m3 apă / Ha din cei 1969 m3 apă / Ha au adus acelaşi profit ca 1 Kg NPK / Ha din cei 244 Kg
NPK / Ha .
8.9 m3 / Ha creştere apă faţă de cei 1969 m3 apă / Ha şi 1 Kg / Ha creştere NPK faţă de cei 244 Kg
NPK / Ha ar scade profitul cu aceeaşi sumă.
2.28 % creştere apă faţă de cei 1969 m3 apă / Ha şi 1 % creştere NPK faţă de cei 244
Kg NPK / Ha , ar scade profitul cu acelaşi număr de procente.
Încă un leu cheltuit cu fertilizarea chimică peste suma dată de 7595.8 lei ar creşte profitul
suplimentar cu valoarea de 0.5 lei.
Încă un leu cheltuit cu irigarea peste suma de 7595.8 lei ar creşte profitul suplimentar
cu valoarea maximă de 0.5 lei.
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1 % peste suma de 7595.8 lei ar
creşte profitul suplimentar cu încă 0.29 % .
Creşterea cheltuielilor cu irigarea cu încă 1 % peste suma de 7595.8 lei ar creşte profitul
suplimentar cu încă 0.16 % .
3) Coloana ratei substituirii factorilor
4.5 m3 apă / Ha din cei 1736 m3 apă / Ha au adus acelaşi profit ca 1 Kg NPK / Ha din cei 189 Kg
NPK / Ha .
8.9 m3 / Ha creştere apă faţă de cei 1736 m3 apă / Ha şi 1 Kg / Ha creştere NPK faţă de cei 189 Kg
NPK / Ha ar creşte profitul cu aceeaşi sumă.
1.98 % creştere apă faţă de cei 1736 m3 apă / Ha şi 1 % creştere NPK faţă de cei 189 Kg NPK / Ha,
ar creşte profitul cu acelaşi număr de procente.
Fiecare leu cheltuit cu fertilizarea chimică din suma minimă de 7216.8 lei a adus un profit
suplimentar de 1.776 lei.
Fiecare leu cheltuit cu irigarea din suma minimă de 7216.8 lei a adus un profit suplimentar de
3.095 lei.
Încă un leu cheltuit cu fertilizarea chimică peste suma minimă de 7216.8 lei ar creşte profitul
suplimentar cu valoarea de 0.8 lei.
Încă un leu cheltuit cu irigarea peste suma minimă de 7216.8 lei ar creşte profitul suplimentar cu
valoarea de 0.8 lei.
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1 % peste suma de 7216.8 lei ar
creşte profitul suplimentar cu încă 0.45 % .
Creşterea cheltuielilor cu irigarea cu încă 1 % peste suma de 7216.8 lei ar creşte profitul
suplimentar cu încă 0.26 % .
3) Coloana ratei substituirii factorilor
4.6 m3 apă / Ha din cei 1678 m3 apă / Ha au adus acelaşi profit ca 1 Kg NPK / Ha din cei 174 Kg
NPK / Ha .
8.9 m3 / Ha creştere apă faţă de cei 1678 m3 apă / Ha şi 1 Kg / Ha creştere NPK faţă de cei 174 Kg
NPK / Ha ar creşte profitul cu aceeaşi sumă.
1.93 % creştere apă faţă de cei 1678 m3 apă / Ha şi 1 % creştere NPK faţă de cei 174 Kg NPK / Ha,
ar creşte profitul cu acelaşi număr de procente.
A.Date de intrare:
1) M=2 produse : (Grâu şi Porumb)
2) N=1 factor (NPK).
3) Y1 = [2000]+[3X1+0.015X12 – 0.00002X13]
Y2 = [3000]+[4X2+0.002X22 – 0.0003X23]
Aici X1 este cantitatea de NPK (Kg / ha de grâu) ,X2 este cantitatea de NPK (Kg / ha de porumb) iar
Y1 este producţia de grâu (Kg / ha) ,Y2 este producţia de porumb(Kg / ha) .
În prima paranteză patrată din membrul doi al lui Y 1 se găseşte producţia-martor de grâu (Kg / ha) ,
nefertilizat chimic .
În a doua paranteză patrată din membrul doi al lui Y1 se găseşte producţia suplimentară de grâu
datotrată fertilizării .
Semnificaţia celor două paranteze patrate din membrul doi al lui Y2 este analoagă pentru porumb.
1) Cheltuieli constante : CC=( 780 lei / ha grâu ; 800 lei / ha porumb)
Aceste cheltuieli include toate cheltuielile productive şi neproductive
cu două excepţii:
- cheltuielile cu fertilizarea chimică;
- cheltuielile cu recoltarea şi transportul producţiei suplimentare de grâu respectiv porumb datorată
fertilizării chimice.
5) Costul factorului : CF=0.8 lei / Kg NPK
6) Cheltuieli cu recoltarea şi transportul : CR1 = 0.045 lei / Kg grâu ; CR2 = 0.04 lei / Kg porumb .
7) Preţurile de vânzare ale produselor : PV1= 0.6 lei / Kg grâu ;
PV2 = 0.7 lei /Kg porumb.
8) Suprafeţe cultivate : S1 =10 ha grâu ; S2 = 20 ha porumb
319
B.Rezultate
a)Producţii-martor
Producţia fizică-martor de grâu Y10 = 20000kg ;
Producţia fizică-martor de porumb Y20 = 60000kg
Venitul-martor V0 = 54000 lei ;
Cheltuielile-martor C0 = 27100 lei ;
Profitul-martor P0 = 26900 lei ;
Producţiile unitare-martor :YU10 = 2000 Kg grâu / Ha ; YU20 = 3000 Kg porumb / Ha
Cheltuielile unitare-martor : CY10 = 0.4350 lei / Kg grâu ; CY20 =0.3067 lei / Kg porumb
Rata profitului martor RP0 = 0.992 lei profit / 1 leu cheltuit
Fiecare leu cheltuit cu fertilizarea chimică a grâului din suma de 234 lei a adus un profit
suplimentar de 0.939 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma de 427.2 lei a adus un profit
suplimentar de 1.934 lei.
Încă un leu cheltuit cu fertilizarea chimică a grâului peste suma de 234 lei ar creşte profitul
suplimentar cu valoarea maximă de .945 lei.
Încă un leu cheltuit cu fertilizarea chimică a porumbului peste suma de 427.2 lei ar creşte profitul
suplimentar cu valoarea maximă de 1.943 lei.
Creşterea cheltuielilor cu fertilizarea chimică a grâului cu încă 1 % peste suma de 234 lei ar creşte
profitul suplimentar cu încă 1.008 % .
Creşterea cheltuielilor cu fertilizarea chimică a porumbului cu încă 1 % peste suma de 427.2 lei ar
creşte profitul suplimentar cu încă 1.004 % .
3) Coloana ratei substituirii factorilor
0.472 Kg NPK / Ha porumb din cei 22 Kg NPK / Ha porumb au adus acelaşi profit ca 1 Kg NPK /
Ha grâu din cei 25 Kg NPK / Ha porumb.
0.474 Kg / Ha porumb creştere NPK faţă de cele 22 Kg NPK / Ha porumb şi 1 Kg / Ha grâu
creştere NPK faţă de cele 25 Kg NPK / Ha grâu ar creşte profitul cu aceeaşi sumă.
1.002 % creştere NPK faţă de cele 22 Kg NPK / Ha porumb şi 1 % creştere NPK faţă de cele 25
Kg NPK / Ha grâu , ar creşte profitul cu acelaşi număr de procente.
Rezultă producţiiile suplimentare maxime YS1 = 5312 Kg grâu ; YS2 = 13222 Kg porumb ; venitul
suplimentar maxim VS = 12443.1 lei ; cheltuielile suplimentare CS = 6524.7 lei din care CS1 = 2248.4
lei pentru fertilizarea grâului şi CS2 = 4276.2 lei pentru
fertilizarea porumbului ; profitul suplimentar PS = 5918.5 lei . Aceste valori se adaogă celor de la
martor de la punctul a).
Producţiile unitare totale maxime sunt YUT1 = 2531 Kg grâu / Ha şi YUT2 = 3661
Kg porumb / Ha .
Cheltuielile unitare totale sunt CYT1 = 0.4325 lei cheltuieli / 1 Kg grâu şi CYT2 =
3097 lei cheltuieli / 1 Kg porumb .
Rata profitului total este RPT = 0.976 lei profit / 1 leu cheltuit .
Deoarece YUT > YU0 , CYT < CY0 şi RPT > RP0 , merită să folosim dozele optimului tehnic.
Tabel cu indicatorii economici ai optimului tehnic
Creşterea cheltuielilor cu fertilizarea chimică a grâului cu încă 1 % peste suma de 2248.4 lei ar
creşte venitul suplimentar cu 0 % şi cheltuielile ar creşte cu 1 % deci profitul din fertilizarea grâului ar
scade cu 1 % .
Creşterea cheltuielilor cu fertilizarea porumbului cu încă 1 % peste suma de 4276.2 lei ar creşte
venitul suplimentar cu 0 % şi cheltuielile suplimentare ar creşte cu 1 % deci profitul din fertilizarea
porumbului ar scade cu 1 % .
3) Coloana ratei substituirii factorilor
0.351 Kg NPK / Ha porumb din cele 234 Kg NPK / Ha porumb au adus acelaşi profit ca 1 Kg NPK
/ Ha grâu din cei 251 Kg NPK / Ha .
1.022 Kg / Ha porumb creştere NPK faţă de cele 234 kg NPK / Ha porumb şi 1 Kg / Ha creştere
NPK faţă de cei 251 Kg NPK / Ha porumb ar scade profitul cu aceeaşi sumă.
2.91 % creştere NPK faţă de cele 234 kg NPK / Ha porumb şi 1 % creştere NPK faţă de cei 251 Kg
NPK / Ha grâu , ar scade profitul cu acelaşi număr de procente.
Fiecare leu cheltuit cu fertilizarea chimică a grâului din suma dată de 1087.2 lei a adus un profit
suplimentar de 0.871 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma dată de 3143.4 lei a adus un
profit suplimentar de 1.603 lei.
Încă un leu cheltuit cu fertilizarea chimică a grâului peste suma dată de 1087.2 lei ar creşte
profitul suplimentar cu valoarea de 0.662 lei.
Încă un leu cheltuit cu fertilizarea chimică a porumbului peste suma de 3143.4 lei ar creşte profitul
suplimentar cu valoarea maximă de 0.700 lei.
Creşterea cheltuielilor cu fertilizarea chimică a grîului cu încă 1 % peste suma de 1087.2 lei ar
creşte profitul suplimentar cu încă 0.76 % .
Creşterea cheltuielilor cu fertilizarea chimică a porumbului cu încă 1 % peste suma de 3143.4 lei ar
creşte profitul suplimentar cu încă 0.44 % .
3) Coloana ratei substituirii factorilor
0.538 Kg NPK / Ha porumb din cele 167 Kg NPK / Ha porumb au adus acelaşi profit ca 1 Kg NPK
/ Ha grâu din cei 116 Kg NPK / Ha grâu .
0.976 Kg / Ha creştere NPK faţă de cele 167 Kg / Ha porumb şi 1 Kg / Ha creştere NPK faţă de
cei 116 Kg NPK / Ha grâu ar creşte profitul cu aceeaşi sumă.
1.81 % creştere NPK faţă de cei 167 Kg NPK / Ha porumb şi 1 % creştere NPK faţă de cei 116 Kg
NPK / Ha grâu , ar creşte profitul cu acelaşi număr de procente.
(2) x1 ,..., x n 0
n n n
(3) f=2 ci x i d jk x j x k optim
i=1 j1 k 1
Fie notaţiile :
a11 ......a1n x1
A ............. cu m < n şi rang(A)= m ; X= ...
a .....a x
m1 mn n
b1 c1 d11 .......d1n
b= ... ; c= ... ; D= ............... ; D=matrice simetrică cu rang(D)=n
b c d ......d
m n m1 mn
Funcţia pătratică f are punctul staţionar X0 care anulează derivatele parţiale de ordinul unu :
adică matricial :
(7) X0 = - D-1.c
X0 este punct de minim pentru f dacă matricea D este pozitiv definită adică minorii ei principali
sunt pozitivi :
d11 d12
1 d11 0, 2 0,..., n det(D) 0
d 21 d 22
(8) A.D-1.c + b = 0 ; X0 ≥ 0
Există cazurile :
328
I. Punctul staţionar X0 = - D-1.c este punct de minim sau de maxim pentru f şi verifică restricţiile
(4) + (5) adică satisface relaţia (8) .
În acest caz X0 este soluţie optimă pentru problema de optimizare (4) – (6).
II. Punctul staţionar X0 fie nu este punct de minim sau de maxim pentru f ,
fie este punct de minim sau de maxim pentru f , dar nu verifică restricţiile
(4) + (5) deci nu satisface relaţia (8).
În acest caz soluţia optimă a problemei de optimizare (4) – (6) , notată cu Xp , trebuie să satisfacă
restricţiile (4) + (5) deci este un vector pe frontiera mulţimii convexe a soluţiilor pentru (4) + (5)
(nu neapărat vector bazic pentru (4) + (5) ), pentru care f ia valoarea minimă sau maximă .
Soluţia optimă Xp trebuie să fie punct staţionar pentru funcţia Lagrange:
L = 2.cT.X – XT.D.X - Y.(A.X / b)
unde Y = (y1,…, ym)T este vectorul-coloană al multiplicatorilor Lagrange .
Condiţia de punct staţionar a lui Xp pentru L se scrie după transpunere :
(9) 2.c + 2.D.Xp – AT.Y = 0
(10) A.Xp = b ; Xp ≥ 0
Din relaţia (9) avem :
D.Xp = (1/2).AT.Y - c aşa că Xp = (1/2).D-1.AT.Y – D-1.c adică :
(11) Xp = (1/2).D-1.AT.Y + X0
Relaţia (10) devine : (1/2).A.D-1.AT.Y + A.X0 = b de unde :
(12) Y = - 2.(A.D-1.AT)-1.(A.X0 – b)
După aflarea lui X0 din relaţia (7) , relaţia (12) dă vectorul-coloană Y al multiplicatorilor
Lagrange y1,…,ym .
Relaţia (11) devine :
(12) Xp = X0 – D-1.AT.(A.D-1.AT)-1.(A.X0 - b)
După aflarea lui X0 din relaţia (7) , relaţia (13) dă vectorul Xp al soluţiei optime a modelului (4) –
(6) .
Exemplu
Fie modelul cu restricţii liniare de tip ecuaţii şi funcţie-obiectiv pătratică :
2x1+3x2+4x3 = 10
4x1+ x2+ 5x3 = 12
x1,x2,x3 ≥ 0
……………………..
f = ( - 4x1 – 2x2 – 6x3 ) + ( x12 + x22 + x32 ) = minim
Se cere soluţia optimă a acestui model .
Soluţie
Avem :
- 2 1 0 0
2 3 4 10 - 1 ; D = 0 1 0
A ; b= 12 ; c =
4 1 5 - 3 0 0 1
Matricea simetrică D este pozitiv definită deci conform relaţiei (7) funcţia f are punctul de minim :
329
2
1
X 0 D .c 1
3
9 29 31 1 42 - 31
Avem A.X 0 b ; A.D-1 .A T deci (A.D -1 .A T )1 ;
12 31 42 257 31 29
288
1
1 T T 1 T -1 T 1
D .A A aşa că D .A (A.D .A ) (A X 0 - b ) = 87 ;
257
369
226
1
Conform relaţiei (13) , soluţia optimă căutată este X p = 170
257
402
- 2 6
Vectorul multiplicatorilor lui Lagrange Y este dat de relaţia (12) : Y=
257 69
În concluzie , soluţia optimă Xp are componentele :
xp1=226 / 257 ; xp2 = 170 / 257 ; xp3 = 402 / 257
iar multiplicatorii Lagrange sunt : y1 = ( - 12 ) / 257 ; y2 = ( - 138) / 257
Valoarea minimului este f(Xp) = - 10.57
Restricţiile dau trei soluţii bazice :
26 /10 1/ 3 0
X (1) 16 /10 ; X (2) 0 ; X (3) 2 /11
0 8/3 26 /11
(15) x1 ,..., x n 0
n n n
(16) f=2. c j x j d jk x j x k max im
j=1 j1 k 1
Se presupune că matricea simetrică D=(dij) este de rang n şi negativ definită deci funcţia f are un
punct de maxim X0 = - D-1.c
330
m n n n m n
L= bi yi d jk x j x k x j a ij yi 2c j 2. d jk x k
i=1 j 1 k 1 j1 i 1 k 1
Fie var iabilele de egalizare duale :
m n
ye j a ij yi 2c j 2. d jk x k 0
i 1 k 1
m n n
şi funcţia-obiectiv duală g = bi y i d jk x j x k
i=1 j1 k=1
n
deci funcţia Lagrange capătă şi forma : L = g - x j ye j
j=1
Modelul pătratic dual pentru mod elul (13) (15) va avea forma :
m n
(17) a ij yi 2c j 2 d jk x k
i=1 k 1
(18) y1 ,..., y m 0
m n n
(19) g= bi yi d jk x j x k min im
i=1 j1 k 1
Pentru modelele pătratice primal (14) – (16) şi dual (17) – (19) rămâne valabilă teorema de dualitate
din capitolul 2 .Şi aici optimele primal şi dual coincid : fmax = gmin
Rămâne deasemenea valabilă teorema ecarturilor complementare din capitolul 2 care exprimă
condiţiile necesare şi suficiente ca X,Y să fie soluţii optime pentru modelul pătratic primal respectiv
dual
(Condiţiile Kuhn-Tucker) :
a) yi.xei = 0 (i=1,…,m)
b) xj.yej = 0 (j=1,…,n)
Exemplu
Fie modelul de optimizare pătratică :
x1+x2 ≤ 3
4x1+x2 ≤ 4
x1 , x2 ≥ 0
---------------
331
f = (10x1+12x2)+(-0.5x12+0.1x1x2+0.1x2x1-0.4x22) = maxim
A1 B C D E F
2 PROGRAM PATRATIC (OPTIMP) :
3 RESTRICŢII :
4 COEF.X1 COEF.X2 MEMBRUL I MEMBRUL II
5 4 1 4 4
6 1 1 3 3
7 FUNCŢIA F:
8 COEF.X1 COEF.X2 COEF. X1^2 COEF. X2^2 COEF. X1 *X2
9 10 12 - 0.5 - 0.4 0.2
10 REZULTATE :
11 VALOARE X1 VALOARE X2 VALOARE F
12 0.333 2.667 32.611
FORMULE :
D5 : = $B$5*$B$12+$C$5*$C$12
D6 : = $B$6*$B$12+$C$6*$C$12
D12 : = B9*$D$12+C9*$C$12+D9*$B$12^2+E9*$C$12^2+F9*$B$12*$C$12
Se deschide meniul TOOLS (ALT T ) şi se alege în feresatra TOOLS opţiunea SOLVER . Apare
ferestra Solver parameters cu aspectul de mai jos :
332
În căsuţa din dreapta opţiunii Set Target Cell se scrie adresa absolută $D$12 în care se găsesc valorile
succesive ale funcţiei-obiectiv f a problemei primale, ultima valoare fiind cea optimă .
Sub această căsuţă se face opţiunea Max în butonul radio din stânga , deoarece problema primală este de
maxim.
În căsuţa de sub opţiunea By Changing Cells se dau adresele absolute $B$12 , $C$12 în care se găsesc
valorile succesive ale variabilelor x1 , x2 , primele valori putând fi luate egale cu zero iar ultimele valori
fiind cele optime.
Se activează opţiunea Add care deschide fereastra Add Constraint în care se scriu cele două restricţii
ale problemei primale : $D$4 ≤ $E$4 ; $D$5 ≤ $E$5 după cum urmează :
int
bin
În fereastra Cell Reference se scrie membrul stâng al restricţiei , din lista ascunsă de la mijloc se
alege semnul restricţiei iar în fereastra Constraint se scrie membrul drept al restricţiei.
După terminarea scrierii fiecărei restricţii , se activează opţiunea Add pentru a introduce restricţia
următoare.
După închiderea cu Ok a acestei ferestre , restricţiile precedente apar în căsuţa de sub opţiunea
Subject to the Constraints din ferestra Solver Parameters de mai sus .
Dacă ulterior dorim să modificăm sau să ştergem unele restricţii , le selectăm şi folosim opţiunile
Change sau Delete ale ferestrei Solver Parameters.
Activând opţiunea Solve din fereastra Solver Parameters , apare fereastra Solver results de mai
jos :
În căsuţa de sub opţiunea Reports selectăm opţiunile Answer , Sensitivity şi Limits care vor ataşa
foii de calcul trei rapoarte cu rezultate : soluţiile optime primală şi duală , valoarea optimului şi
intervalele pentru componentele vectorilor b şi c , care nu necesită reoptimizare.
Dealtfel variabilele proprii x1 şi x2 ale soluţiei optime şi valoarea optimă a funcţiei-obiectiv f
apar şi în foaia EXCEL iniţială în celulele $B$12 , $C$12 respectiv $D$12 .
10.5 Rezumat
În acest capitol 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
resticţii liniare şi funcţie-obiectiv pătratică .
10.6 Întrebări
10.7 Bibliografie
Cuprins
Vom analiza o plantă de cultură anuală de tip cereală sau plantă tehnică , de toamnă sau primăvară
semănată în câmp într-o anumită zonă pedoclimatică.
DATE DE INTRARE
REZULTATE
I. PRODUCŢII TOTALE
care exprimă faptul că parabola de ecuaţie VT = V1.(CT) + V2.(CT)2 trece prin punctele
A ( CTA;VTA) şi B(CTB, VTB) :
1. CULTURA PORUMBULUI
REZULTATE :
2. CULTURA GRÂULUI
REZULTATE :
Vom analiza tandemele vaci – viţei sugari de o anumită rasă , în anumite cicluri
de lactaţie şi aflate într-o anumită fermă .
DATE DE INTRARE
REZULTATE
I. PRODUCŢII TOTALE
Fie CTA valoarea minimă a cheltuielilor totale CT , obţinută pentru datele 2), 3),
4b),5) –12),14) la limita stângă a intervalelor lor de valori , şi data 4a) la limita dreaptă a intervalului său
de valori.
Fie CTB valoarea maximă a cheltuielilor totale CT , obţinută pentru datele 2), 3), 4b),5) –12),14)
la limita dreaptă a intervalelor lor de valori , şi data 4a) la limita stângă a intervalului său de valori.
Fie VTA valoarea minimă a venitului total VT , obţinută pentru datele de la punctele
2a),3),13a),14) –20) la limita stângă a intervalelor lor de valori iar datele 2b),4a),6b) la limita dreaptă a
intervalului lor de valori.
Fie VTB valoarea maximă a venitului total VT , obţinută pentru datele de la punctele
2a),3),13a),14) –20) la limita dreaptă a intervalelor lor de valori iar datele 2b),4a),6b) la limita stângă a
intervalului lor de valori.
Restul de calcule pentru RPD şi concluziile pentru RDP şi ERP ,sunt identice cu cele din secţiunea 11.1
Exemplu
REZULTATE :
Vom analiza tăuraşii,porcii şi puii de carne de o anumită rasă , într-o anumită serie şi aflaţi într-o anumită
fermă .
DATE DE INTRARE
I. PRODUCŢII TOTALE
Toate datele de intrare sunt cuprinse în intervale de valori ,date de tehnologie, cu excepţia suprafeţei spaţiului d
cazare de la punctul 1) care este constantă .
Pentru a calcula producţiile de la punctele 19) – 29) precum şi indicatorii economici de la punctele 30) – 32) ,
trebuie să alegem valori concrete în intervalele specificate pentru datele de intrare de la punctele 2) – 18)
Fie CTA valoarea minimă a cheltuielilor totale CT , obţinută pentru datele 2)-13) la limita stângă a intervalelo
lor de valori .
Fie CTB valoarea maximă a cheltuielilor totale CT , obţinută pentru datele 2) –13) la limita dreaptă a
intervalelor lor de valori .
Fie VTA valoarea minimă a venitului total VT , obţinută pentru datele de la punctele
2)-4),14) –18) la limita stângă a intervalelor lor de valori .
Fie VTB valoarea maximă a venitului total VT , obţinută pentru datele de la punctele
2)-4),14) –18) la limita dreaptă a intervalelor lor de valori .
345
Restul de calcule pentru RDP şi concluziile pentru RDP şi ERP ,sunt identice cu cele din secţiunea 11.1
Exemple
1. TĂURAŞI LA ÎNGRĂŞAT
REZULTATE :
2. PORCI LA ÎNGRĂŞAT
REZULTATE :
3. PUI DE CARNE
REZULTATE :
Sistemele agricole reale sunt foarte rar omogene , ele conţin subsisteme care diferă între ele ca
intrări , stări interne sau ieşiri , fiind de fapt ramuri ale sistemului care le conţine.
Aceste ramuri trebuie să se coordoneze între ele pentru a maximiza profitul sistemului căruia îi
aparţin şi pentru a asigura un raport normal între cerere şi ofertă pe pieţele locale şi cea naţională a
produselor agricole .
De exemplu ramura zootehniei este strâns dependentă de ramura vegetală prin producţia de furaje
şi trimite la rândul ei îngrăşăminte organice către ramura vegetală.
O metodă de studiere a acestor legături este metoda balanţelor intrări-ieşiri.
În practica agricolă se întocmesc balanţe furajere , ale forţei de muncă, balanţe energetice ,
balanţe de venituri şi cheltuieli , balanţe ale fondului funciar,balanţe ale efectivelor de animale ,etc.
Balanţa legăturilor între ramuri este o metodă ştiinţifică de analiză şi planificare tehnico-
economică a producţiilor ramurilor unui sistem agricol în scopul dezvoltării economice armonioase a
acestuia.
Principiul fundamental al balanţei legăturilor între ramuri este obţinerea de venituri mai mari pe
baza realizării unor producţii agricole mai mari şi aceasta cu cheltuieli mai mari .
Privind rata profitului (raportul profit-cheltuieli) , balanţa legăturilor între ramuri permite
stabilirea ritmului de dezvoltare precum şi a rentabilităţii diferitelor ramuri şi luarea de măsuri
corespunzătoare prin mecanizare ,chimizare, electrificare, ridicarea calificării forţei de muncă ,etc.
Din punct de vedere structural , balanţa legăturilor între ramuri sub formă economică , are
rubricile :
Cheltuieli productive Venituri finale (VF) Venituri
interramuri (CI) (V)
Ramuri consumat. RC1………………..RCn Fond Fond
→ Dezvoltare Consum
Ramuri (FD) (FC)
producăt.↓
RP1 CI11………………..CI1n FD1 FC1 V1
. . . . . .
. . . . . .
. . . . . .
RPn CI1n………………..CInn FDn FCn Vn
Cheltuieli FDT→
(C) C1……………………Cn CT↓
Profituri (P) FCT→
P1…………………….Pn PT↓
Venituri (V) VT→
V1……………………Vn VT↓
349
În cadranul I este matricea cheltuielilor productive interramuri (CI) care includ ceace se consumă
în procesul de producţie în fiecare ramură atât pentru nevoile proprii ( CI11,…,CInn ) cât şi pentru alte
ramuri ( CIij cu i ≠j)
În cadranul II se găsesc veniturile finale ( VF) care se descompun în coloana fondurilor de
dezvoltare ( FD1,…,FDn) şi coloana fondurilor de consum ( FC1,…,FCn) pentru ramuri producătoare
( RP) . La sfârşitul liniilor pentru ramuri producătoare se află veniturile acestor ramuri ( V1,…,Vn).
În cadranul III se găsesc cheltuielile (de producţie, forţă de muncă şi neproductive ) ( C1,…,Cn) şi
profiturile ( P1,…,Pn) pe ramuri consumatoare(RC).
La sfârşitul coloanelor pentru ramuri consumatoare se află veniturile acestor ramuri ( V1,…,Vn) .
Se consideră că ramurile unui sistem agricol au dublă calitate de ramuri producătoare şi ramuri
consumatoare .
În cadranul IV se găsesc : fondul de dezvoltare total (FDT) , fondul de consum total (FCT) şi
venitul total (VT) pentru ramuri producătoare (RP) respectiv cheltuielile totale (CT) , profitul total (PT)
şi venitul total (VT) pentru ramuri consumatoare (RC) .
Dacă în balanţa economică precedentă înlocuim cheltuielile cu consumurile şi veniturile cu
producţiile fizice , obţinem o balanţă tehnică cu toţi coeficienţii exprimaţi în unităţi naturale (tone,zile-
om,ore-agregat,m3, litri,Kwh, etc.)
După modul de urmărire a procesului de producţie în agricultură , balanţa este statică (anuală) şi
dinamică (multianuală).
În cazul balanţei dinamice ,investiţiile se scot din sfera veniturilor finale şi se includ în sfera
producţiei ceace permite urmărirea procesului de dezvoltare a unităţii agricole în perspectivă.
Etapele de analiză şi planificare a balanţei economice de la un an agricol la altul , sunt următoarele :
1) Încheierea balanţei în anul de referinţă
1a) Pentru ramuri producătoare , sumele de pe linii sunt egale cu veniturile de la cap de linie :
CI11+… + CI1n + FD1 + FC1 = V1
…………………………………
CIn1+… + CInn + FDn + FCn = Vn
Aceste relaţii permit calculul fondurilor de consum pe ramuri producătoare FC1,…,FCn ca diferenţe
:
FCi = Vi – (CIi1+… + CIin + FDi) ( i = 1,…,n)
1b) Pentru ramuri consumatoare , sumele de pe coloane sund egale veniturile de la cap de coloană :
CI11+… + CIn1 + C1 + P1 = V1
………………………………
CI1n+… + CInn + Cn + Pn = Vn
1c) Pentru întreaga unitate economică calculăm pe ansamblul ramurilor producătoare , fondul de
dezvoltare total : FDT = FD1 + … + FDn , fondul de consum total : FCT = FC1 + … + FCn şi venitul
total : VT = V1 + … + Vn .
Pentru întreaga unitate economică calculăm pe ansamblul ramurilor consumatoare , cheltuielile
totale : CT = C1 + … + Cn , profitul total : PT = P1 + … + Pn şi venitul total : VT = V1 + … + Vn .
Balanţa este corectă dacă venitul total al ramurilor producătoare este egal cu venitul total al
ramurilor consumatoare .
2) Analiza economică a ramurilor în anul de referinţă
350
2d) Pentru ramuri producătoare , se împarte fiecare linie a balanţei de referinţă la capul de linie şi se
obţine tabelul :
Am obţinut :
I. Matricea cheltuielilor directe pe linii ( AL) :
AL11 = CI11 / V1 ,…, AL1n = CI1n / V1
………………………………………
ALn1 = CIn1 / Vn ,…, ALnn = CInn / Vn
Acea ramură producătoare cu rata medie a dezvoltării mai mare ,se poate
dezvolta în continuare , deoarece s-a dovedit mai rentabilă în anul de referinţă.
PM PM1………………………………...PMn
RMP RMP1…..…………………………..RMPn
Am obţinut :
IV. Matricea cheltuielilor directe pe coloane (AC) :
CM1 = C1 / V1 , …, CMn = Cn / Vn
PM1 = P1 / V1 , …, PMn = Pn / Vn
RMP1 = P1 / C1 , …, RMPn = Pn / Cn
3g) Planificăm veniturile finale pe ramuri producătoare pentru anul următor : VFP1,…,VFPn care
trebuie să fie mai mari ca veniturile finale din anul de referinţă notate cu VF1 = FD1 + FC1 ,…, VF1n =
FDn + FCn
Deasemenea planificăm fondurile de dezvoltare pe ramuri producătoare pentru anul următor :
FDP1,…,FDPn care trebuie să fie mai mari ca fondurile de dezvoltare în anul de referinţă notate cu
FD1,…,FDn .
Fie VFPT = VFP1 +… + VFPn ; FDPT = FDP1 + … + FDPn ; FCPT = VFPT - FDPT
3h) Calculăm veniturile planificate pe ramuri producătoare din ecuaţia balanţei :
VP = ( E – AL ) – 1.VFP
4k) Calculăm ratele profitului unităţii economice pe ansamblul ramurilor consumatoare , astfel :
Rata medie a profitului unităţii economice : RMPT = PT / CT
Mărimile PT şi CT au fost calculate la punctul 1c) .
RMPT reprezintă suma din profit (lei) care corespunde unui leu cheltuit , în balanţa de referinţă.
Rata marginală a profitului unităţii economice :
RDPT = ( PPT – PT) / (CPT – CT)
Mărimile PT , CT au fost calculate la punctul 1c) iar mărimile PPT ,CPT au fost calculate la punctul
3i) .
RDPT reprezintă suma cu care ar creşte profitul (lei) dacă cheltuielile ar creşte cu 1 leu , în balanţa
de referinţă.
Elasticitatea ratei profitului : ERPT = RDPT / RMPT .
ERPT reprezintă procentele cu care ar creşte profitul , dacă cheltuielile ar creşte cu 1 % , în balanţa
de referinţă .
Exemplu
Fie balanţa în anul de referinţă cu cifrele de lei pentru ramurile producătoare (RP) : RP1( Vegetală ) ,
RP2 (Zootehnie ) , RP3 (Semiindustrializare) care sunt şi ramuri consumatoare (RC) :
CI VF
RC→ RC1 RC2 RC3 FD FC V
RP ↓
RP1 2000 1000 500 2000 14500 20000
RP2 700 1500 900 1800 13100 18000
RP3 800 1200 3000 3500 21500 30000
C 8000 7500 10000 25500 \ 7300
P 8500 6800 15600 30900 \ 49100
V 20000 18000 30000 68000 \ 68000
Avem RMD1=2000 / 14500 = 0.138 ; RMD2=1800 / 13100 = 0.137 ; RMD3=3500 / 21500 = 0.163
Deci ramura producătoare de semiindustrializare are cea mai mare rată medie a dezvoltării deci trebuie
extinsă cu precădere în anul următor .
Avem RMP1=8500 / 8000 = 1.063 ; RMP2=6800 / 7500 = 0.907 ; RMP3= 15600 / 10000= 1.560
deci ramura Seminidustrializare are cea mai mare rată medie a profitului fiind cea mai rentabilă în anul de
referinţă.
3f) Avem :
RP AVEM : ALEGEM :
VF din care FD VFP din care FDP
RP1 16500 2000 18000 2500
RP2 14900 1800 16000 2000
RP3 25000 3500 27000 4000
TOTAL 56400 7300 61000 8500
3h)
3i) Înmulţim coloanele tabelului 2e) cu veniturile planificate găsite la punctul 3h) şi astfel completăm
balanţa planificată ,căreia îi aplicăm paşii 1a) – 1c) :
CI VF
RC→ RC1 RC2 RC3 FD FC V
RP ↓
RP1 0.100 x 0.056 x 0.017 x 2500 15500 21993.5
21993.5 20108.3 31545.4
RP2 0.035 x 0.083 x 0.030 x 2000 14000 20108.3
21993.5 20108.3 31545.4
RP3 0.040 x 0.067 x 0.100 x 4000 23000 31545.4
21993.5 20108.3 31545.4
C 0.400 x 0.417 x 0.333 x 27690.9 \ 8500
21993.5 20108.3 31545.4
P 9347.2 7596.5 16403.6 33347.2 \ 52500
73647
V 21993.5 20108.3 31545.4 73647
4k) Calculăm ratele profitului unităţii economice pe ansamblul ramurilor consumatoare , astfel :
Rata medie a profitului unităţii economice : RMPT = PT / CT =30900 / 25500 = 1.212 lei este
profitul care corespunde la 1 leu cheltuieli în balanţa de referinţă .
Mărimile PT =39000 şi CT =25500 au fost calculate la punctul 1c) .
Elasticitatea ratei profitului : ERPT = RDPT / RMPT = 1.147 / 1.212 = 0.9 deci profitul ar creşte cu
0.9 % , dacă cheltuielile ar creşte cu 1 % în balanţa de referinţă.
Toate calculele de la punctele 1a) – 4k) le face programul BALANŢA din Anexă .
Dacă avem ramurile producătoare RP1,…, RPn cu veniturile V1,…,Vn , cota-parte a ramurii RPj la
venitul unităţii economice VT = V1 +… Vn este fj = Vj / (V1 +… +Vn) [0;1] .
Avem vectorul de structură f = (f1,…,fn ) cu 0 ≤ fj ≤ 1 şi f1 +…+fn = 0 .
Concentrarea producţiei agricole pe ramuri este tendinţa de dezvoltare a ramurilor mai rentabile , inclusiv
desfiinţarea unor ramuri mai puţin rentabile .
Concentrarea este maximă dacă rămâne o singură ramură j cu fj = 1 şi fi = 0 pentru j ≠ i .O asemenea
situaţie s-a întâlnit în unele ţări africane care aveau agricultura bazată pe monocultură .
Diversificarea producţiei agricole pe ramuri este tendinţa de dezvoltare armonioasă a tuturor ramurilor ,
inclusiv înfiinţarea unor ramuri noi care se dovedesc rentabile.
Diversificarea este maximă dacă toate ramurile au aceeaşi parte la venitul unităţii
agricole deci vectorul de structură are forma : f = (1 / n,…,1 / n ) .
Pentru măsurarea gradului de concentrare a unei structuri pe ramuri , se poate folosi coeficientul de
concentrare structurală F = (f12 + … + fn2 )1 / 2 .
Teorema 11.1
Demonstraţie
În cazul unui grup de m unităţi agricole a câte n ramuri fiecare , avem tabloul
veniturilor anuale :
Împărţind toate veniturile din tabel cu VT , avem cotele-părţi ale unităţilor agricole şi ramurilor :
m n
2
Ft f
i 1 j1
ij
m
2
Fu f i 1
i.
n
2
Fr f
j1
.j
Avem 1 / (m.n)1 / 2 ≤ Ft ≤ Fu , Fr ≤ 1
Teorema 11.2
1) Avem : 0 ≤ C ≤ 1
C = 0 dacă corelaţia concentrării celor două structuri este minimă : fi ≠ 0 implică gi = 0 şi fi = 0
implică gi ≠ 0
C = 1 dacă corelaţia concentrăarii este maximă : fi = gi = 1 şi fi= gi =0 pentru i≠j .
2) Dacă n = constant , C scade odată cu corelaţia concentrării.
3) Dacă n creşte , C scade şi dacă n scade , C creşte .
Demonstraţie
1) Evident fi , gi ≥ 0 deci ∑fi.gi ≥ 0 aşa că C ≥ 0 .
Conform inegalităţii Cauchy – Schwartz , avem pentru fi , gi ≥ 0 :
∑fi.gi ≤ [ ∑fi2.∑gi2 ]1 / 2 ≤ 1 deci C ≤ 1 .
C = 0 dacă fi ≠ 0 implică gi = 0 şi fi = 0 implică gi ≠ 0 .
C = 1 dacă fi = gi = 1 şi fi= gi =0 pentru i≠j .
2) Fie fi > gi şi fie fi’ = fi + t ; gi’ = gi – t ;(t > 0) ; fj’ = gj’ pentru orice j ≠ i .
În acest caz corelaţia concentrării scade deoarece fi’ – gi’ = (fi – gi )+ 2.t deci fi’ – gi’ > fi – gi .
Deasemenea avem fi’.gi’ = (fi. gi) – t.(fi – gi) – t2 aşa că fi’.gi’ < fi. gi deoarece fi – gi > 0 , t2 > 0 iar
fj’.gj’ = fj. gj pentru j ≠ i , aşa că C scade .
1) Dacă ramura k se separă în ramurile i şi j , n creşte ,fk se înlocuieşte cu fi+ fj ,
358
gk se înlocuieşte cu gi+ gj iar fkgk = figi + fjgj + (figj + fjgi) şi cum figj + fjgI ≥ 0 rezultă fkgk ≥ figi + fjgj , deci
C scade . Q.E.D.
Dacă fi = gi avem C = F deci coeficientul de concentrare este coeficient de corelaţie a concentrării cu ea
însăşi .
Pentru găsirea structurii optime a producţie pe ramuri , fie Hi = CMi = Ci / Vi cheltuielile medii pe ramuri
( i = 1,…,n) . Aceste cheltuieli medii sunt funcţii pătratice de fi deoarece dacă fi este prea mic sau prea mare ,
cheltuielile medii CMi cresc .
Prin urmare , avem CMi = ai.fi2 + bi.fi unde ai > 0 , bi < 0 , cu un minim pentru fi0 = ( - bi) / 2.ai ;
(i = 1,…,n). În general avem ∑fi0 ≠ 1 .
În mod analog ,avem profiturile medii pe ramuri Hi = PMi = Pi / Vi .
Aceste profituri medii sunt funcţii pătratice de fi deoarece dacă fi este prea mic sau prea mare , profiturile
medii PMi cresc .
Prin urmare , avem PMi = ai.fi2 + bi.fi unde ai < 0 , bi > 0 , cu un minim pentru fi0 = ( - bi) / 2.ai ;
(i = 1,…,n). În general avem ∑fi0 ≠ 1 .
Teorema 11.3
Cheltuielile medii Hi = CMi / Profiturile medii Hi = PMi , însumate pentru toate ramurile :
HT = H1 + ….+ Hn = ∑ai.fi2 + ∑bi.fi sunt minime / maxime , dacă cotele-părţi ale ramurilor sunt date de
relaţiile :
1 1 (f10 ... f n0 )
fic fi0 . ; ( 1 i n)
ai 1 1
...
a1 an
Demonstraţie
b i 1 1 (f10 ... f n0 )
Cum fi0 rezultă f ic fi0 . ; (i= 1,...,n)
2.a i ai 1 1
...
a1 an
1 1 (f10 ... f n 0 )
i .
ai 1 1
...
a1 an
este un termen de corecţie pentru fi0 pentru ca să avem : f1c +…+ fnc = 1 în timp ce f10+ … + fn0 ≠ 0 .
Q.E.D.
Exemplu
Fie ramurile din secţiunea 12.3 : RP1 = Vegetală ; RP2 = Zootehnie , RP3= Semiindustrializare .
În anul de referinţă am avut veniturile pe ramuri :
V1 = 20000 lei ; V2 = 18000 lei ; V3 = 30000 lei şi venitul total VT = 68000 de lei .
În anul de plan vom avea veniturile planificate pe ramuri :
VP1 = 21933.5 lei ; VP2 = 20108.3 lei ; VP3 = 31545.4 lei şi venitul total planificat VPT = 73587.2
lei .
1) Să se afle coeficienţii de concentrare F în anul de referinţă şi G în anul de plan precum şi coeficentul
de corelaţie a concentrării C .
Fie cheltuielile medii ale ramurilor Hi = CMi (i = 1,2,3 ) ca funcţii de cotele-părţi fi ale ramurilor la
structura unităţii agricole :
H1 = 10.f12 - 12.f1 cu punctul de minim f10 = 0.6 ;
H2 = 5.f22 - 3.f2 cu punctul de minim f20 = 0.3 ;
H3 = 20.f32 - 8.f3 cu punctul de minim f30 = 0.2 .
2) Se cer cotele – părţi optime f1c ,f2c ,f3c pentru care H=H1+…+Hn = minim
Soluţie
1) Avem f1 = 200 / 680 = 29.4 % ; f2 = 180 / 680 = 26.5 % ; f3 = 1 – f1 – f2 = 44.1 %
Rezultă că F =(f12 + f22 + f32 )1 / 2 = 59.3 % este gradul de concentrare a producţiei pe ramuri în anul de
referinţă .
Avem g1 = 219.335 / 735.872 = 29.8 % ; g2 = 201.083 / 735.872 = 27.3 % ; g3 = 1 – - g1 – g2 = 42.9 %
Rezultă că G =(g12 + g22 + g32 )1 / 2 = 58.9 % este gradul de concentrare a producţiei pe ramuri în anul de
plan .
C = ( f1.g1+f2.g2+f3.g3 )1 /2 = 59.1 % este gradul de corelare a concentrării producţiei în anul de bază cu anul
de plan .
2) Cotele-părţi optime ale ramurilor pentru care Hi = CMi = Ci / Vi = minim , sunt :
f10 = (- b1) / (2.a1 )=0.6 = 60 % ; f20 = (- b2) / (2.a2 )=0.3 = 30 % ; f30 = (- b3) / (2.a3 )=0.2 = 20 % . Din păcate
f10 + f20 + f30 =1.1 = 110 % ≠ 100 % .
360
1 1 (f10 f 20 f30 )
1 . 0.03 3% ;
a1 1 1 1
a1 a 2 a 3
1 1 (f10 f 20 f30 )
2 . 0.06 6% ;
a2 1 1 1
a1 a 2 a 3
1 1 (f10 f 20 f 30 )
3 . 0.01 1%
a3 1 1 1
a1 a 2 a 3
Termenii de corecţie sunt : - 0.03 = - 3 % ; - 0.06 = - 6 % ; - 0.01 = - 1 % .
Valorile corectate ale cotelor-părţi pentru care HT=H1+H2+H3 = minim , sunt :
f1c = f10+ δ1 = 57 % ; f2c = f20+ δ2 = 24 % ; f3c = f30+ δ3 = 19 % .
Verificare : f1c+f2c+f3c = 1 = 100 % .
11.5 Rezumat
În acest capitol se prezintă trei sisteme agricole : vegetală , lapte şi carne 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 .
11.6 Întrebări
11.7 Bibliografie