3

Pagina
CUVÂNT ÎNAINTE……………………………………………………………………………….….7

CAP. 1 SPAŢIUL EUCLIDIAN Rn………………………………………………………………….9

1.1 Operaţii cu vectori şi mărimi metrice în Rn………………………………………………………9

1.1.1 Corpul numerelor reale R ………………………………………………………………….9
1.1.2 Spaţiul vectorial Rn……………………………………………………………………….11
1.1.3 Mărimi metrice în Rn……………………………………………………………………..13
1.2 Subspaţii vectoriale în Rn şi operaţii cu ele……………………………………………………..19
1.3 Matrici de numere reale…………………………………………………………………………..21
1.3.1 Operaţii cu matrici…………………………………………………………………………23
1.3.2 Indicatori numerici ai matricilor………………………………….…………………….….24
1.3.3 Proprietăţi ale operaţiilor şi indicatorilor numerici ai matricilor…………………………..26
1.3.4 Clase de matrici pătratice…………………………………………………………………..28
1.4 Rezumat……………………………………………………………………………………………32
1.5 Întrebări……………………………………………………………………………………………32
1.6 Bibliografie……………………………………...…………………………………………………32

CAP. 2 BAZE DE VECTORI ÎN Rn …………………….……..……………………………………33

2.1 Definiţia bazei de vectori şi dimensiunii în Rn …………………………………………………..33

2.2 Baze ale subspaţiilor vectoriale în Rn …………………………………………………………….36
2.2.1 Dimensiunea în operaţii cu subspaţii vectoriale……………………………………………36
2.2.2 Subspaţii vectoriale şi sisteme liniare omogene……………………………………………37
2.2.3 Descompunerea unică a unui vector în raport cu descompunerea lui Rn în sumă directă de
subspaţii vectoriale…………………………………………………………………………38
2.2.4 Descompunerea unică a unui vector în raport cu descompunerea lui Rn în sumă ortogonală
de subspaţii vectoriale……………………………………………………………………...41
2.3 Substituirea unui vector dintr-o bază şi aplicaţii ……………………………………………….42
2.3.1 Calculul determinantului unei matrici pătratice…………………………………………..46
2.3.2 Calculul rangului unei matrici dreptunghiulare…………………………………………...48
2.3.3 Calculul inversei A-1 pentru o matrice pătratică nesingulară A …………………………50
2.3.4 Calculul inversei generalizate A+ pentru o matrice dreptunghiulară A …………………52
2.3.5 Calculul produsului de matrici F-1.G …………………………………………………….54
2.3.6 Calculul produsului de matrici G.F-1 …………………………………………………….56
2.4 Schimbarea coordonatelor unui vector la schimbarea bazei ……………………………………..57
2.4.1 Matricea de trecere de la o bază la alta ……………………………………………………57
2.4.2 Matricea Gram a unei baze ………………………………………………………………..60
2.4.3 Baze ortogonale şi ortonormale.Ortonormalizarea unei baze …………………………….63
2.5 Rezumat …………………………………………………………………………………………...68
2.6 Întrebări …………………………………………………………………………………………..68
2.7 Bibliografie ……………………………………………………………………………………….68

CAP. 3 APLICAŢII LINIARE PE SPAŢII VECTORIALE.

OPERATORI SIMETRICI,ORTOGONALI ŞI AFINI PE Rn …………………………….69

3.1 Definiţie şi operaţii cu aplicaţii liniare ………………………………………………………….69

3.2 Subspaţii invariante ale unui operator liniar…………………………………………………….71
 4
3.3 Nucleul şi imaginea unei aplicaţii liniare………………………………….……………………73
3.4 Operatorul liniar care aplică o bază în alta din Rn ……………………….……………………79
3.5 Schimbarea matricii unui operator liniar la schimbarea bazei…………………………………..80
3.6 Operatori simetrici ,ortogonali şi afini pe Rn ……………………………………………………82
3.6.1 Operatori simetrici pe Rn ……………………………………………………………………82
3.6.2 Operatori ortogonali pe Rn …………………………………………………………………82
3.6.3 Operatori afini pe Rn ……………………………………………………………………….83
3.7 Rezumat……………………………………………………………………………………………85
3.8 Întrebări…………………………………………………………………………………………....86
3.9 Bibliografie………………………………………………………………………………………..86

CAP. 4 VALORI PROPRII ŞI VECTORI PROPRII ALE UNUI

OPERATOR LINIAR PE Rn …………………………………………………………………87

4.1 Definiţia şi calculul valorilor proprii……………………………………………………………..87

4.2 Proprietăţile şi calculul vectorilor proprii………………………………………………………...91
4.3 Forma diagonală a unei matrici diagonalizabile………………………………………………….97
4.3.1 Metoda vectorilor proprii………………………………………………………………….97
4.3.2 Metoda Lagrange-Jacobi………………………………………………………………...105
4.4 Descompunerea singulară a unei matrici şi descompunerea polară a
unei matrici pătratice …………………………………………………………………………….109
4.5 Inerţia matricilor simetrice congruente.………………………………………………………….111
4.6 Rezumat ………………………………………………………………………………………….113
4.7 Întrebări..…………………………………………………………………………………………113
4.8 Bibliografie……………………………………………………………………………………….113

CAP. 5 SISTEME DE ECUAŢII LINIARE ŞI CONVEXITATE ÎN Rn ………………………….114

5.1 Sisteme de ecuaţii liniare şi aplicaţii…………………………………………………………….114

5.1.1 Rezolvarea şi discuţia unui sistem de ecuaţii liniare……………………………………..114
5.1.2 Rezolvarea sistemelor liniare compatibile determinate…………………………………..120
5.1.3 Aplicarea sistemelor liniare la operaţii cu polinoame şi algoritmul lui Euclid ………….123
5.1.4 Metode iterative de rezolvare a sistemelor liniare ……………………………………….128
5.1.5 Soluţii generalizate ale sistemelor liniare incompatibile ………………………………...131
5.2 Mulţimi convexe pe Rn …………………………………………………………………………133
5.3 Extremele unui polinom convex/concav pe o mulţime convexă din Rn………………………..138
5.4 Rezumat……………………………………………………………………………………….….144
5.5 Întrebări………………………………………………………………………………………….144
5.6 Bibliografie………………………………………………………………………………………144

CAP. 6 PROGRAMARE LINIARĂ ŞI GRAFURI ÎN AGRICULTURĂ…………………………145

6.1 Modele liniare de optimizare a producţiei în agricultură………………………………………..145

6.1.1 Modelul raţiei furajere optime…………………………………………………………….147
6.1.2 Modelul structurii optime a culturilor…………………………………………………….150
6.1.3 Modelul rotaţiei optime a culturilor……………………………………………………...152
6.1.4 Modelul cupajului optim al vinurilor……………………………………………………..155
6.2 Dualitatea modelelor liniar de optimizare……………………………………………………….156
6.3 Găsirea soluţiilor optime pentru modelele liniare primal şi dual cu metoda simplex cu
 5
calculatorul………………………………………………………………………………………163
6.4 Modele de optimizare tip transport şi de repartiţie(assignment)………………………………...179
6.5 Drumuri optime în reţele………………………………………………………………………...186
6.6 Eşalonarea optimă a activităţilor unui proict agricol prin metoda drumului critic ……………..191
6.7 Rezumat…………………………………………………………………………………………..199
6.8 Întrebări…………………………………………………………………………………………..199
6.9 Bibliografie………………………………………………………………………………………199

Cap.7 CALCUL DIFERENŢIAL PENTRU FUNCŢII DE O VARIABILĂ REALĂ………………200

7.1 Funcţii elementare şi aplicaţii…………………………………………………………………….200

7.2 Rolul derivatelor de ordinul unu şi doi în studiul funcţiilor de o variabilă reală……….………..208
7.3 Optimele funcţiilor de o variabilă reală şi aplicaţii………………………………………………213
7.4 Metode iterative de rezolvare a ecuaţiilor………………………………………………………..224
7.5 Rezumat…………………………………………………………………………………………..231
7.6 Întrebări…………………………………………………………………………………………..231
7.7 Bibliografie……………………………………………………………………………………….231

Cap.8 CALCUL DIFERENŢIAL PENTRU FUNCŢII DE n VARIABILE REALE……………..232

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

Cap.9 CALCUL INTEGRAL PENTRU FUNCŢII DE O VARIABILĂ REALĂ………………….258

9.1 Integrala Riemann a unei funcţii de o variabilă reală…………………………………………….258

9.2 Aplicaţiile integralei Riemann în sistemele agricole……………………………………………..269
9.3 Ecuaţii diferenţiale………………………………………………………………………………..277
9.3.1 Ecuaţii diferenţiale de ordinul 1…………………………………………………………...280
9.3.2 Ecuaţii diferenţiale de ordinul n ………………………………………………………….284
9.3.3 Metode aproximative de rezolvare a ecuaţiilor diferenţiale……………………………….289
9.4 Extremele libere şi cu legături ale funcţionalelor………………………………………………..290
9.5 Rezumat………………………………………………………………………………………….293
9.6 Întrebări…………………………………………………………………………………………..293
9.7 Bibliografie……………………………………………………………………………………….293

Cap. 10 MODELE NELINIARE DE ALOCARE OPTIMĂ A RESURSELOR ÎN

AGRICULTURĂ…………………………………………………………………………...294

10.1 Producţii şi indicatori economici……………………………………………………………….294

10.1.1 Producţii fizice şi valorice……………………………………………………………..294
10.1.2 Indicatori economici ai producţiei suplimentare………………………………………..299
10.2 Optimele producţiei suplimentare şi aporturile factorilor………………………………………301
10.2.1 Optimele producţiei suplimentare………………………………………………………301
 6
10.2.2 Aporturile factorilor……………………………. ………………………………………307
10.3 Exemple…………………………………………………………………………………………310
10.3.1 Doi factori şi un produs……………………….…………………………….…………..310
10.3.2 Un factor şi două produse………………………………………………………………318
10.4 Modele cu restricţii liniare şi funcţie-obiectiv pătratică………………………………………..326
10.4.1 Cazul când toate restricţiile sunt ecuaţii………………………………………………..326
10.4.2 Cazul când toate restricţiile sunt inecuaţii………………………………………………329
10.5 Rezumat…………………………………………………………………………….…………...334
10.6 Întrebări………………………………………………………………………………………...334
10.7 Bibliografie……………………………………………………………………………………..334

Cap. 11 ANALIZA TEHNICO-ECONOMICĂ A PRODUCŢIEI AGRICOLE…………………...335

11.1 Analiza tehnico-economică a sistemului producţiei vegetale…………………………………..335

11.2 Analiza tehnico-economică a sistemului producţiei zootehnice………………………………..339
11.2.1 Analiza tehnico-economică a sistemului producţiei de lapte……………….…………..339
11.2.2 Analiza tehnico-economică a sistemului producţiei de carne……….…………………..343
11.3 Balanţa legăturilor între ramuri…………………………………………………………………348
11.4 Concentrarea şi diversificarea producţiei agricole pe ramuri…………………………………...355
11.5 Rezumat…………………………………………………………………………………………360
11.6 Întrebări…………………………………………………………………………………………360
11.7 Bibliografie………………………………………………………………………………………360

BIBLIOGRAFIE GENERALĂ………………………………………………………………………361
 9

CAP. 1 SPAŢIUL EUCLIDIAN Rn

Obiective : Însuşirea de către studenţi a operaţiilor cu vectori şi matrici precum şi aplicaţiile lor
în geometria spaţiului euclidian R3 .

Conţinut :

1.1 Operaţii cu vectori şi mărimi metrice în Rn

1.1.1 Corpul numerelor reale R

1.1.2 Spaţiul vectorial Rn
1.1.3 Mărimi metrice în Rn

1.2 Subspaţii vectoriale în Rn şi operaţii cu ele

1.3 Matrici de numere reale

1.3.1 Operaţii cu matrici
1.3.2 Indicatori numerici ai matricilor
1.3.3 Proprietăţi ale operaţiilor şi indicatorilor numerici ai matricilor
1.3.4 Clase de matrici pătratice

1.4 Rezumat

1.5 Întrebări

1.6 Bibliografie

Cuvinte cheie : vector,normă,distanţă,unghi,produs scalar, produs vectorial, produs mixt,subspaţii

vectoriale,sumă directă,sumă ortogonală,matrice ,urmă, determinant, rang,normă a matricii.

1.1. Operaţii cu vectori şi mărimi metrice în Rn

1.1.1 Corpul numerelor reale R

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

N={0,1,…,n,…} este mulţimea numerelor naturale, Z = {…, - n ,…, - 1,0,1,…,n,…} este mulţimea
numerelor întregi, Q = {a / b a,b  Z , b ≠0 } este mulţimea numerelor raţionale (fracţionare), I
este mulţimea numerelor iraţionale (limite ale şirurilor convergente de numere raţionale) iar
R=Q  I cu Q∩I = . Pentru numere reale se adoptă scrierea zecimală:
a  α1α 2 ...α m . β1β 2 ...β n  (α110m1  ...  α m110  α m )  (β110 1  ...  β n10  n ) .
Partea întreagă  a   Int  a  a numărului real a este numărul întreg format cu cifrele
α1 ,...,α m din stânga punctului zecimal, iar partea fracţionară a  a   a  a numărului real a
este numărul din intervalul [0;1) format cu zecimalele β1 ,...,β n din dreapta punctului zecimal.
La exprimarea zecimală a numărului raţional a = r / s , (r ,s  Z s ≠0 ), numărul de zecimale
din dreapta punctului zecimal poate fi finit (dacă numitorul s se divide numai cu 2 sau cu 5) sau
infinit dar periodic (dacă numitorul s se divide şi cu alte numere prime afară de 2 sau 5).
 10
Exemple
135
1)  16.875
8
25
2)  4.1666...
6
La exprimarea zecimală a unui număr iraţional numărul de zecimale din dreapta punctului
zecimal este infinit şi neperiodic.

Exemple
1) π  3.1412...
2) e  2.718...
3) 2  1.414...
4) ln 3  1.09861...
5) 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

Mulţimea numerelor reale R admite şi o definiţie axiomatică.

Pe mulţimea R se definesc legile de compoziţie  a, b   a  b numită adunare şi
 a, b   a  b numită înmulţire şi o relaţie de ordine a  b faţă de care sunt îndeplinite patru
grupe de axiome:

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

1) (Comutativitatea adunării): a  b  b  a
2) (Asociativitatea adunării):  a  b   c  a   b  c 
3) (Elementul neutru faţă de adunare): Există 0R astfel că a  0  0  a  a pentru orice
aR
4) (Elementul simetric faţă de adunare): Pentru orice aR există elementul simetric (opus)
- a R astfel că a    a     a   a  0
5) (Comutativitatea înmulţirii): a  b  b  a
6) (Asociativitatea înmulţirii):  a  b   c  a  b  c
7) (Elementul neutru faţă de înmulţire): Există 1R astfel încât a  1  1  a  a pentru
orice aR
8) (Element simetric faţă de înmulţire): Pentru orice aR, a  0 există elementul invers
1
a - 1R astfel încât a  a  a 1  a  1
 11

9) (Distributivitatea înmulţirii faţă de adunare): a  b  c   a  b  a  c;

b  c  a b  a c  a

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

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

III. R este corp comutativ ordonat arhimedian

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

IV. R este corp comutativ ordonat arhimedian continuu

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

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

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

Distanţa între numerele reale a, b este d  a, b   b  a

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

1.1.2 Spaţiul vectorial Rn

Fie R corpul numerelor reale.

Spaţiul Rn este mulţimea ansamblurilor ordonate de numere reale a   a1 ,..., an  , numite
vectori.

Operaţii cu vectori
1) Adunarea vectorilor:
Fie a   a1 ,..., an  ;b=(b1,…,bn); ai,bi R . Suma vectorilor a, b este vectorul din Rn :
a  b  c   c1 ,..., cn  cu ci  ai  bi 1  i  n 
 12
2) Înmulţirea vectorilor cu scalari
Fie a   a1 ,..., an  Rn şi αR. Produsul vectorului a cu scalarul  este vectorul din Rn:
α a   α a1 ,...,α an 
Teorema 1.1

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

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

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

II. Adunarea vectorilor este asociativă:  a  b   c  a   b  c  pentru orice a,b,cRn
III. Pentru adunarea vectorilor există elementul neutru: 0   0,...,0  Rn : a  0  0  a  a
pentru orice aRn
IV. Pentru orice vector a Rn, există vectorul simetric (opus):  a    a1 ,...,  an  Rn astfel
că a    a     a   a  0
V. Pentru orice aRn, avem 1  a  a  1  a
VI. Înmulţirea cu scalari este distributivă faţă de adunarea vectorilor: α   a  b   α a  α b ;
 a  b  α  a  α  b  α
VII. Înmulţirea cu scalari este distributivă faţă de adunarea scalarilor:  α  β   a  α  a  β  a ;
a  α  β  a  α  a  β
VIII. Înmulţirea cu scalari este asociativă faţă de înmulţirea scalarilor: α   β  a    α  β   a
Q.E.D.
Dacă Rn şi Rm sunt spaţii vectoriale peste R ,produsul lor cartezian Rn X Rm este mulţimea
perechilor de vectori ( a ; b ) unde a este vector din Rn iar b este vector din Rm .
Rn X Rm devine spaţiu vectorial peste R faţă de operaţiile :
1) (a ; b) + ( c ; d) = (a +c ; b + d) unde a , c sunt vectori din Rn iar b , d sunt vectori din Rm
2) α (a ; b) = ( α a ; α b) unde a este vector din Rn , b este vector din Rm iar α este scalar din R.
Spaţiul vectorial produs Rn X Rm este izomorf cu spaţiul vectorial Rn+m
De exemplu R X R2 este izomorf cu R3
Exemple
x2
I)n=2 : R2 ={(a1,a2) | ai R}
 
Orice vector a  a1 , a2 se reprezintă
grafic printr-un punct M în planul raportat la
a2 M(a1,a2)
două axe rectangulare:
a1 se numeşte abscisa punctului M,
a2 se numeşte ordonata punctului M.
Reciproc, orice punct M din plan ce
corespunde cu un vector din R2 ale cărui x1
componente sunt coordonate ale lui M.
0 a1
 13
x3
II) n  3 : R3 ={(a1,a2,a3) | ai R}
Orice vector a   a1 , a2 , a3  se reprezintă
grafic printr-un punct M în spaţiul raportat
la trei axe rectangulare: a3

a1 se numeşte abscisa lui M, a2 se numeşte M

ordonata lui M, a 3 se numeşte cota lui M.
În geografie, abscisa se numeşte
a2
longitudine, ordonata latitudine iar cota 0 x2
altitudine.
Originea axelor pe pământ este la
intersecţia ecuatorului cu meridianul 0 a1
(Greenwich).
În spaţiile vectoriale R2 şi R3 adunarea x1
vectorilor revine la regula paralelogramului
din mecanică: a  b este diagonala din originea 0 a paralelogramului cu laturile a, b iar înmulţirea
unui vector a cu un scalar  dă ca rezultat un vector  a, coliniar cu vectorul a.

1.1.3 Mărimi metrice în Rn

În spaţiul vectorial Rn se introduc mărimile metrice:

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

Teorema 1.2

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

b) Distanţa euclidiană între doi vectori a   a1 ,..., an  şi b   b1 ,..., bn  din Rn este:
2 2
d  a, b    b1  a1   ...   bn  an 
c) Produsul scalar al vectorilor a   a1 ,..., an  şi b   b1 ,..., bn  din Rn este:
a * b = a 1b1 + ... + anb n
Demonstraţie
a) Norma euclidiană verifică axiomele normei:
1) a  0; a  0  a  0
2) αa  α a
3) a  b  a  b (Inegalitatea triunghiului)
Axiomele 1), 2) se verifică imediat. Axioma 3) se reduce la inegalitatea clasică a lui
2 2
Minkovski:  a1  b1   ...   an  bn   a12  ...  an2  b12  ...  bn2
În spaţiul euclidian Rn există şi alte norme în afară de cea euclidiană:
Exemple
 14
p p
1) a p
= ( a1 + ... + a n )1/p
2) a 
 max ai
1 i  n
Spaţiul vectorial Rn înzestrat cu o normă , este spaţiu vectorial normat .
b) Distanţa euclidiană verifică axiomele distanţei:
4) d  a, b   0 ; d  a, b   0  a  b
5) d  a, b   d  b, a 
6) d  a, c   d  a, b   d  b, c  (Inegalitatea triunghiului)
Axiomele 4), 5) rezultă imediat. Axoima 6) devine:
d  a , c   c  a   b  a    c  b   b  a  c  b  d  a , b   d  b, c 
folosind axioma 3).
În spaţiul vectorial Rn există şi alte distanţe în afară de cea euclidiană.

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

ii) d   a , b   max bi  ai
1i n

Spaţiul vectorial Rn înzestrat cu o distanţă , este spaţiu metric .

c) Produsul scalar verifică axiomele:

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

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

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

formează spaţiu vectorial faţă de adunare şi înmulţire cu scalari , având şi produs scalar (verifică
axiomele I-VIII şi axiomele 7) – 9) din teorema 1.2):
1) Mulţimea polinoamelor cu coeficienţi reali de grad cel mult n :

Dacă P(x) = a0xn +a1xn-1+…+an şi Q(x) = b 0xn +b1xn-1+…+bn avem produsul scalar :
P*Q = a0b 0+a1b1+…+anbn

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

Dacă P(x)=a0 +( a1cos x + b1 sin x) +…+(an cos nx +b n sin nx ) şi

Q(x)=c0 +( c1cos x + d1 sin x) +…+(cn cos nx +d n sin nx ) , avem produsul scalar :
 15
P*Q = a0c0 + (a1c1 + b1d1)+…+(ancn + bnd n)

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

Dacă A = (aij) , B = (bij) sunt matrici de tip mxn , avem produsul scalar :
m n
A  B   a ij bij
i 1 j1
4) Mulţimea 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

Pentru orice a,b  Rn avem :

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

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

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

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

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

adică | a*b | ≤ || a ||.|| b ||

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

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

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

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

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

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

a *b
cosθ 
a  b
deci cos θ [ -1 ; 1 ] .
π
În particular, vectorii a, b sunt perpendiculari (ortogonali)  a  b  dacă şi numai dacă θ  deci
2
cosθ  0 deci a*b = 0 .
 16
Aria paralelogramului construit pe vectorii a, b este:
2 2
S  a  b  sin θ  a  b   a * b
Produsul scalar este o arie:

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

R 

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

Fie vectorii a=(a1,…,an) ,b=(b1,…,b n) din Rn.

Vectorii a ,b sunt coliniari dacă există αR, α ≠ 0 astfel că b = α.a . Notaţie : a ~b
Relaţia de coliniaritate a vectorilor este o relaţie de echivalenţă :
1) a ~a deoarece a=1.a
2) a ~b implică b ~a deoarece b=α.a implică a = (1/α).b
3) a ~b şi b ~c implică a ~c deoarece b=α.a şi c=β.b implică c=(αβ).a
cu α, β ≠ 0 deci α.β ≠ 0 .
Clasa de echivalenţă a tuturor vectorilor b coliniari cu vectorul a se numeşte direcţia definită
de vectorul a iar a1,…,an se numesc parametrii directori ai acestei direcţii .
Parametrii directori ai versorului a / ||a|| adică a1 / ||a|| ,…, an / ||a|| sunt cosinuşii unghiurilor
făcute de vectorul a cu versorii bazei-standard E1,…,En .
cos θ1= a1 / ||a|| ,…, cos θn = an / ||a|| se numesc cosinuşii directori ai direcţiei definite de vectorul
a şi definesc în mod unic această direcţie.
Avem (cos θ1)2 +…+(cos θn)2 = 1
Exemplu
Fie în R3 vectorii a   1;0;4  ; b   2;3;0 
1) Să se calculeze 2a  3b
2) Să se calculeze a , b şi d  a, b 
3) Să se calculeze a * b
 17
4) Să se calculeze unghiul  între vectorii a, b
5) Să se calculeze aria paralelogramului construit pe vectorii a, b

Soluţie
1) 2a  3b  2  1;0;4   3 2;3;0    2;0;8   6;9;0    4;9;8
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.

Proprietăţi ale produsului vectorial

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

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

2 2 3 n 2 3 n 2 3 n

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

2 3 n 3 2 n
3)

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

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

Proprietăţile 1) – 4) rezultă din proprietăţile determinanţilor.

2
  a21 , a22 , a23  ; a     a31 , a32 , a33  din R3.
3
Caz particular: Pentru n  3 fie vectorii a
 18
Produsul vectorial al acestor vectori este:
E1 E 2 E3
2  3 a a23 a a a a
a a  a21 a22 a23  22  E1  21 23  E 2  21 22  E3
a32 a33 a31 a33 a31 a32
a31 a32 a33
2 
 a
3
 a
2
 a
3
Se verifică relaţia a  sin θ unde  este unghiul vectorilor a(2),a(3)
2 
2 
 a , a  .
3 3
din R3 aşa că a este aria paralelogramului construit pe a
1
  a11 ;...; a1n  , a    a21 ;...; a2 n  , a     an1 ;...; ann   R n
2 n
Fie vectorii a
a11.........an
1  2 n 1  n
Produsul mixt al vectorilor a , a ,..., a este:  a ,..., a   ................
 
an1.......ann
Proprietăţi ale produsului mixt
5)  a 1 ,..., a n    0 dacă şi numai dacă a 1 ,..., a  n sunt vectori liniar dependenţi.
 
1 n
6) Produsul mixt este funcţie liniară în raport cu orice vector a ,..., a :
α a 1  βb1 , a 2 ,..., a n    α  a 1 , a  2  ,..., a  n   β b 1 , a  2  ,..., a  n  
     
1  2  n  2 1  n
 a , a ,..., a     a , a ,..., a  deci produsul mixt este antisimetric
7)
   
8)  a , a ,..., a   a  a  ...  a n 

1  2  n

1  2
 

Proprietăţile 5) – 8) rezultă din proprietăţile determinanţilor.
1
  a11 , a12 , a13  ; a     a21 , a22 , a23  ;
2
Caz particular: Pentru n  3 fie vectorii a
a    a31 , a32 , a33  din R3.
3

a11 a12 a13

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

Exemplu
1
  2;0;5  ; a    0;1;4  ; a    3;1; 1 ; a    2;3;0  din R3
2 3 4
Fie vectorii a
2
, a   , a   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

S  10 2  2 2  62  140 . Avem a   a    1;2;1 deci

4 3

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

1.2. Subspaţii vectoriale în Rn şi operaţii cu ele

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 aL 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 XL , αR rezultă AX  0 deci  α A  X  0 aşa că αXL.
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).

Operaţii cu subspaţii vectoriale

I.) Dacă L1 , L2  Rn sunt subspaţii vectoriale ale lui Rn, atunci L = L1  L2  Rn este
subspaţiu vectorial al lui Rn.
În adevăr, dacă a, b  L1  L2 rezultă a, b L1 deci a  b  L1 respectiv a, b  L2 deci
a  b L2 aşa că a  b  L1  L2.
Deasemenea, dacă a  L1  L2 şi R, atunci a  L1 deci  a L1 şi respectiv a  L2
deci  a  L2. În concluzie,  a  L1  L2
II.) Dacă L1 , L2  Rn sunt subspaţii vectoriale ale lui Rn, atunci suma subspaţiilor
L = L1 + L2 ={a+b  aL1 , bL2 } este subspaţiu vectorial al lui R n.
În adevăr, fie : e, f  L1 + L2 deci e  a  b cu a  L1 , b L2 şi f  c  d cu c L1,
d L2. Avem e  f   a  c    b  d  cu a + c  L1 şi b + d  L2 deci e + f  L1 + L2 .
Mai departe, fie e  L1 + L2 şi R deci e  a  b cu a L1, b L2. Avem
α e   α a    α b  cu  a  L1,  b  L2 deci  e  L1 + L2 .
III.) Dacă L1 şi L2 sunt subspaţii vectoriale ale lui Rn, suma L= L1 + L2 a subspaţiilor L1 şi L2
se numeşte directă dacă pentru orice vector c  L1 + L2 , exprimarea c  a  b cu a  L1 ,
b L2 este unică. Notaţie L  L1  L 2 .
Avem L  L1  L 2 dacă şi numai dacă L1  L2 ={0}.
IV.) Dacă L1 , L2 sunt subspaţii vectoriale ale lui Rn, suma L= L1 + L2 a subspaţiilor L1 şi L2
se numeşte ortogonală dacă orice vector aL1 este ortogonal pe orice vector b  L2 adică
produsul lor scalar este nul: a  b  0 . Notaţie L = L1  L2 .
Observăm că suma ortogonală L = L1  L2 este sumă directă a lui L1 şi L2 . De aici rezultă
că dacă L = L1  L2 atunci L1  L2 = {0}.
Suma directă L = L1  L2 este ortogonală dacă şi numai dacă pentru orice c, c '  L cu
descompunerile unice c  a  b (a L1, b L2) şi c '  a ' b ' ( a ' L1, b ' L2) avem:
c*c = a*a + b*b
 n
V.) Pentru orice subspaţiu vectorial L  Rn, există un subspaţiu vectorial L  R astfel că
Rn = L  L . L se numeşte complementul ortogonal al subspaţiului vectorial L  Rn şi avem
L L ={0}.

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  aL} se numeşte varietate liniară
paralelă cu subspaţiul vectorial L.
Mulţimea varietăţilor liniare ale subspaţiului vectorial LRn , formează un spaţiu vectorial ,
numit spaţiu vectorial-cât şi notat Rn / L , faţă de operaţiile :
1) (b+L)+(c+L)=(b+c+L) (b,cL) ; 2) (b+L)=b+L (bL, R)

Exemple
1) Mulţimea soluţiilor M=(x,y,z)  R3 a ecuaţiei a11 x + 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

1.3. Matrici de numere reale

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:

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

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

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

a) Fie matricea de tip m  n cu m n elemente:

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

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


b) Fie vectorul – linie: b  b1 ,..., bk ,..., bq  cu q elemente. Fie m un divizor al lui q şi n = q / m.
Vectorul – linie b cu q  mn elemente se transformă în matricea A de tip m  n :
 a11  a1n 
A    unde 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 .

3) Orice hipermatrice se poate transforma într-un vector – linie şi reciproc.

c) Fie hipermatricea A de tip m  n  p cu mnp elemente

a i j h (i=1,…, m ; j=1,…, n ;h=1,…, p ).
 23

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 .

Dacă A   aij  1  i  m; 1  j  n  este o matrice de tip m  n , transpusa sa, notată AT ,

T
este o matrice de tip n  m cu A   a ji  1  j  n; 1  i  m  adică prin transpunere, liniile
devin coloane şi coloanele devin linii.
Transpusa unei matrici pătratice A de ordin n este tot o matrice pătratică, notată AT de
acelaşi ordin n. Matricea A este simetrică dacă coincide cu transpusa sa: AT=A deci a ji  aij şi
T
este antisimetrică dacă A   A deci a ji   aij

1.3.1 Operaţii cu matrici

1) Adunarea şi scăderea matricilor:

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

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

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

4) Împărţirea matricilor pătratice:

Dacă A   aij  1  i , j  n  este matrice pătratică nesingulară ( cu det  A   0 ) de

ordin n şi B  bij  1  i , j  n  este o altă matrice pătratică de ordin n, câtul lor este:
B
 B  A 1 şi este tot matrice pătratică de ordin n.
A
A 1 este o matrice pătratică de ordin n care satisface relaţiile A  A -1  A -1  A  E (E este
matricea – unitate de ordin n).
 24

A 1 se numeşte inversa matricii pătratice nesingulare A de ordin n.

Dacă matricea A este pătratică de ordin n, singulară  det  A   0  sau A este matrice
1 
dreptunghiulară de tip m  n , inversa A nu există dar există inversa generalizată A .

Dacă A este matrice de tip m  n , A este matrice de tip n  m care satisface relaţia
A  A +  A  A . Dacă A este matrice pătratică de ordin n nesingulară, A  este tot matrice
 1
pătratică de ordin n. Dacă A este matrice pătratică de ordin n, nesingulară, avem A  A

Dacă A este o matrice dreptunghiulară de tip m x n , inversa la dreapta Ad-1 este o

matrice dreptunghiulară de tip n x m astfel că A. Ad-1 = Im . Dacă :
Ad-1 este soluţia X de tip n x m a ecuaţiei matriciale A.X = Im .
 x1i 
 
X  (X 1 ... X m ) cu X i   .....   R n şi I m  (E 1 ... E m ) cu Ei  R m
x 
 ni 
ecuaţia matricială A.X = Im se reduce la m sisteme liniare de m ecuaţii cu n necunoscute
fiecare , de forma A.Xi = Ei ;(i=1,…,m) , care se rezolvă cu programul SISTEM .
Aceste sisteme liniare sunt toate compatibile dacă şi numai dacă :
Rang(A) = Rang(AE1) = … = Rang(AEm)
Pentru m < n condiţia este îndeplinită deci pentru m < n inversa la dreapta Ad-1 există dar nu
este unică .
Inversa la dreapta Ad-1 permite rezolvarea sistemelor matriciale X.A = B unde A,B,X
sunt matrici , cu soluţia X = B.Ad-1 .
Dacă A este o matrice dreptunghiulară de tip m x n , inversa la stânga As-1 este o
matrice dreptunghiulară de tip n x m astfel că As-1. A = In .
Prin transpunere avem : AT.(As-1)T = In deci (As-1)T = (AT)d-1 aşa că As-1 = ((AT)d-1)T.
Pentru m > n As-1 există dar nu este unică .
Inversa la stânga As-1 permite rezolvarea sistemelor matriciale A.X. = B unde A,B,X
sunt matrici , cu soluţia X = As-1.B .

5) Suma directă a matricilor:

 
Fie A   aij  1  i  m; 1  j  n  este o matrice de tip m  n iar A  ahk

1  h  p; 1  k  q  este o matrice de tipp  q , suma lor directă A  B de tip

a 0
 m  p    n  q  are forma: A  B=  ij 
 0 bhk 
6) Produsul direct al matricilor:
Dacă A   aij  1  i  m; 1  j  n  este o matrice de tip m  n şi B  bhk 

1  h  p; 1  k  q  este o matrice de tip p  q , produsul lor direct A  B de tip mp  nq

are forma: A  B   aij bhk 

1.3.2 Indicatori numerici ai matricilor

1) Urma unei matrici pătratice:

Dacă A   aij  1  i; j  n  este o matrice pătratică, urma sa este suma elementelor de
pe diagonala principală: Tr  A   a11  a22  ...  an n
 25

2) Determinantul unei matrici pătratice:

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

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

3) Rangul unei matrici dreptunghiulare:

Dacă A   aij  1  i  m; 1  j  n  este o matrice de tip m  n rangul matricii A
notat r  rang  A  este ordinul celui mai mare minor nenul, numit minor principal. Aceasta
înseamnă că:
a) Există cel puţin un minor de ordin r nenul (minorul principal)
b) Toţi minorii de ordin r  1 sunt nuli.
În acest caz, toţi minorii de ordin r  2, r  3,..., sunt nuli.
Avem: 0  rang  A   min im  m, n  .
O matrice A de tip m  n se numeşte matrice de rang maxim dacă
rang  A   min im  m, n  .
Dacă matricea de rang maxim A este pătratică atunci rang  A   n şi det  A   0 , matricea A
numindu-se nesingulară.

4) Norma unei matrici dreptunghiulare

Dacă A   aij  1  i  m; 1  j  n  este o matrice de tip m  n , norma euclidiană a matricii
1
2
 m n 1
A este: A      aij  
i  1 j  1 
Această normă satisface axiomele:
a) A  0; A  0  A  0
b) λA  λ  A
c) A  B  A  B (inegalitatea triunghiului)
 26

d) AB  A  B
Norma euclidiană nu este singura normă a matricii A.

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

5) Matricea Gram a unei matrici dreptunghiulare:

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

1.3.3 Proprietăţi ale operaţiilor şi indicatorilor numerici ai unei matrici

I. Transpusa unei matrici dreptunghiulare:

T T
1) A   A
T T
2)  λA   λA T

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   B1A 1
1
5.  A  B   A 1  B1
1
6.  A  B   A 1  B1
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 

IV. Urma unei matrici pătratice:

1. Tr  A T   Tr  A 
2. Tr  λA   λTr  A 
3. Tr  A  B   Tr  A   Tr  B 
4. Tr  AB   Tr  BA 
5. Tr  A  B   Tr  A   Tr  B 
6. Tr  A  B   Tr  A   Tr  B 

V. Determinantul unei matrici pătratice:

1. det(AT) = det(A)
2
2. det  λA   λ n  det  A 
3. det  AB   det  A   det  B 
1
4. det  A -1   det  A  
5. det  A  B  det  A   det  B
n
6. det  A  B    det  A   det  B  

VI. Rangul unei matrici dreptunghiulare:

1. rang(AT)=rang(A)
2. rang  λA   rang  A 
3. rang  A  B   rang  A   rang  B 
4. rang  A  B   n  rang  A  B   min  rangA, rangB
5. rang  A  B   rang  A   rang  B 
6. rang  A  B  rang  A   rang  B

VII. Matricea Gram a unei matrici dreptunghiulare

T
1.   AT      A  
2 m  n 
2.   λA   λ  A
1
3.   A -1     A T  
4.   A  B    A     B 
2
5. det    A    det  A  
 28

6. rang    A    rang  A 

1.3.4 Clase de matrici pătratice

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:

Avem aij  0 pentru i  j (matrice superior 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   an1,n2 an1,n1 an1,n 
 
 0 0  0 an1,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  x1n1 
 
1 x2 x22  x2n1 
A .
    
 
 1 xn xn2  xnn1 

Avem det  A    x  x 
i j
i j

16) Matrice circulant:

 a0 a1  an 1 
a a  a 
Avem aij  a j i   mod n  deci A  n 1 0 n  2  unde a0,a1,…,an –1 R
    
 
 a1 a2  an 1 
0 1 0   0
0 0 1   0 

Fie C         . Avem A  a0  a1C  ...  an 1Cn1
 
0 0 0  0 1
1 0 0  0 0 

17) Matrici Toeplitz:
 31

 a0 a1 a2  an1 
 a a0 a1  an2 
 1
 a2 a1 a0  an3 
Avem aij  a j i deci vom avea: A   
      
 a n  2 a n 3 a n 4  a1 
 
 a n1 a n  2 a n3  a0 

unde a – n +1, a – n +2, ... , a0, a1, ... , a n – 2 , an – 1 R.

Elementele matricii Toeplitz sunt simetrice faţă de diagonala a doua a matricii.

0 1 0 0 0
 0 1  1 0 
   
Fie matricile Toeplitz: C     ; D 1  
   
  1    
0 0  0 1 0 
 

 2
Avem: A  a1D  a2 D  ...  a n 1 D
n 1
  a 0  a1C  ...  an1C n1 
18) Matrice Hankel:
 a0 a1 a2  an1 
 a a2 a3  an 
 1
 a2 a3 a4  an1 
Avem aij  ai  j 2 aşa că: A   
     
 an 2 an1 an  a2 n 3 
 
 an 1 an an1  a2 n 2 

Matricea Hankel este o matrice simetrică.

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

În acest capitol se prezintă axiomele corpului numerelor reale R , axiomele mulţimii Rn ca

spaţiu vectorial , axiomele mărimilor metrice ale vectorilor(normă,distanţă,produs scalar,
unghi,produs vectorial,produs mixt) şi operaţiile cu subspaţii vectoriale ale lui Rn
(intersecţie,sumă,sumă directă,sumă ortogonală,complement ortogonal).
Se prezintă deasemenea operaţiile cu matrici(adunare,scădere,înmulţire,inversa A-1,
inversa generalizată A+ ,sumă directă , produs direct) , indicatorii numerici ai matricilor
pătratice(urmă,determinant,rang,normă) şi clasele principale de matrici(18 clase).

1.5 Întrebări

1. Enumeraţi definiţiile şi axiomele mărimilor metrice ale vectorilor în Rn :

normă,distanţă,produs scalar,produs vectorial,produs mixt.
2. Interpretaţi în spaţiul R3 pentru planul şi dreapta care trec prin origine operaţiile
cu subspaţii vectoriale : intersecţie,sumă,sumă directă , sumă ortogonală,complement
ortogonal.Demonstraţi proprietăţile din secţiunea 1.3.3

1.6 Bibliografie

1. Stănăşilă O. “ Analiză liniară şi geometrie “Vol. I - II,Editura ALL ,2000 - 2001

2. Cenuşă Gh. şi col.“ Matematici pentru economişti “ Editura CISON,2000
3. Cenuşă Gh. şi col.“ Matematici pentru economişti – culegerede probleme“ Editura
CISON,2000
4. Ene D. “ Matematici (I) “ Editura CERES , 2004
5. Gogonea S. , Ene D. “ Analiză numerică “ Editura Cartea Universitară , 2005
6. Ene D. ,Gogonea S. “ Metode numerice” Editura Cartea Universitară , 2005
 33

CAP. 2 BAZE DE VECTORI ÎN Rn

Obiective : însuşirea de către studenţi a noţiunii de bază de vectori şi dimensiune , a metodei

substituirii unui vector din bază şi aplicaţiile sale în calculul matricial.

Conţinut :

2.1 Definiţia bazei de vectori şi dimensiunii în Rn

2.2 Baze ale subspaţiilor vectoriale în Rn

2.2.1 Dimensiunea în operaţii cu subspaţii vectoriale
2.2.2 Subspaţii vectoriale şi sisteme liniare omogene
2.2.3 Descompunerea unică a unui vector în raport cu o sumă directă de subspaţii vectoriale
2.2.4 Descompunerea unică a unui vector în raport cu o sumă ortogonală de subspaţii
vectoriale

2.3 Substituirea unui vector dintr-o bază şi aplicaţii

2.3.1 Calculul determinantului unei matrici pătratice

2.3.2 Calculul rangului unei matrici dreptunghiulare
2.3.3 Calculul inversei A-1 pentru o matrice pătratică nesingulară A
2.3.4 Calculul inversei generalizate A+ pentru o matrice dreptunghiulară A
2.3.5 Calculul produsului de matrici F-1.G
2.3.6 Calculul produsului de matrici G.F-1

2.4 Schimbarea coordonatelor unui vector la schimbarea bazei

2.4.1 Matricea de trecere de la o bază la alta
2.4.2 Matricea Gram a unei baze
2.4.3 Baze ortogonale şi ortonormale.Ortonormalizarea unei baze

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 .

2.1 Definiţia bazei şi dimensiunii în Rn

În capitolele 2-7 vom conveni să scriem vectorii din Rn ca vectori-coloană cu n

componente.
1)Vectorii F1,…,Fn Rn (m ≤n) se numesc liniar independenţi dacă relaţia α1F1  ...  α m Fm =0
implică α1 =...  α m  0 adică cei m vectori nu satisfac nici o relaţie de dependenţă liniară.
Orice submulţime a unei mulţimi de vectori liniar independenţi este formată tot din vectori
liniar independenţi.
 34
Vectorii F1,…,Fp Rn (p  n) generează pe Rn dacă pentru orice vector V  Rn există
scalarii 1,…,p R astfel că V  α1F1  ...  α p Fp .
Dacă o submulţime a unei mulţimi de vectori generează pe Rn, atunci întreaga mulţime
generează pe Rn.
Vectorii F1,…,Fn  Rn formează o bază în Rn dacă ei sunt liniar independenţi şi generează
pe Rn.
Fie V Rn cu V  α1F1  ...  α n Fn . Scalarii α1 ,...,α n se numesc coordonatele vectorului
T
V în baza F şi formează vectorul-coloană VF   α1 ,...,α n  .
 
Relaţia precedentă se scrie matricial V  F  VF unde F  F1 ,...,Fn este matricea bazei
F1,...,Fn cu vectorii-coloană F1 ,...,Fn .
Exemplu: Baza standard este formată din vectorii matricii-unitate:

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

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

ortogonali câte doi 1  i, j  n  .
Dacă V=(V1,…,Vn)T , avem V  V1E1  ...  Vn E n , deci coordonatele lui V în baza
standard E sunt chiar componentele V1,…,Vn ale lui V ca vector din Rn .
Relaţia din chenarul de mai sus devine V  E  VE  VE .
Oricare baze din Rn au exact n vectori, n numindu-se dimensiunea spaţiului vectorial Rn:
n
dim (R ) = n .
 f11   f12   f1n 
   
Fie F1   ; F2   ;...;Fn  
  vectori-coloană din Rn care formează o bază din
     
f  f  f 
 n1   n2   nn 
R . Matricea F cu coloanele F1,...,Fn se numeşte matricea bazei F  F1 ,F2 ,..., Fn  :
n

 F1 F2  Fn 
 
f11 f12  f1n 
F
    
 
 f n1 fn2  f nn 

Avem det(F)  0 şi rang  F   n .

Dacă det(F)>0 , baza cu matricea F are orientare pozitivă , iar dacă det(F)<0 , baza cu
matricea F are orientare negativă.
 35

 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.

În adevăr, fie relaţia de dependenţă liniară:

(1) α1F1  ...  α m Fm  0
2
Înmulţim scalar relaţia (1) cu F1: α1 F1  α 2  F1  F2   ...  α m  F1  Fm   0 adică
2
α1 F1  0 deci α1  0 căci F1  0 .
În mod analog înmulţind scalar relaţia (1) cu F2,...,Fm obţinem α 2  ...  α m  0 .
 36

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 Baze ale subspaţiilor vectoriale în Rn

2.2.1 Dimensiunea în operaţii cu subspaţii vectoriale

Dacă F1,…,Fr  Rn (r n ) sunt vectori-coloană liniar independenţi, mulţimea vectorilor de

forma 1F1+…+  rFr cu i R , este un subspaţiu vectorial r-dimensional L al lui Rn, numit
acoperirea liniară a mulţimii de vectori F1 ,...,Fr  şi notat L = Span F1,…,Fr .
Mulţimea de vectori-coloană liniar independenţi F1 ,...,Fr  din Rn se poate completa cu
încă n-r vectori-coloană Fr 1 ,...,Fn  din Rn, liniar independenţi între ei şi liniar independenţi faţă
de F1 ,...,Fr astfel că F1 ,...,Fr ,Fr 1 ,...,Fn  formează o bază în Rn.
Dacă L este subspaţiu vectorial al lui Rn şi Rn / L este subspaţiul vectorial-cât
(vezi secţiunea 1.2) avem dim(Rn / L) = n – dim(L).
Fie L1 , L2 două subspaţii vectoriale ale lui Rn. În secţiunea 1.2 au fost definite
L1  L2, L1 + L2 , L1  L2 şi L1  L2
Proprietăţi:
a) dim(L1 +L2) = dim(L1)+dim(L2) – dim (L1  L2)
b) dim(L1 L2) = dim(L1)+dim(L2)
c) dim(L1  L2) = dim(L1)+dim(L2)
În cazul a) alegem o bază B0 în L1∩L2 . Completăm pe B0 până la o bază B1
în L1 şi completăm pe B0 până la o bază B2 în L2 .
( B1 - B0 ) U B0 U (B2 – B0 ) este o bază în L1 + L2 .
În cazul b) reunind o bază din L1 cu o bază din L2 obţinem o bază din L1  L2
În cazul c), în plus faţă de cazul b), orice vector al bazei lui L1 este ortogonal pe orice vector
al bazei lui L2.
Fie L un subspaţiu vectorial al lui Rn cu baza ortonormală { F1,…,Fr } deci
Fi *Fj = δij (i,j =1,…,r).
Fie un vector V din Rn şi fie vectorul : U=V – (V*F1).F1 - … - (V*Fr).Fr
Avem 0  || U || 2 =U*U = || V || 2 - | V*F1 |2 - … - | V*Fr |2 deoarece
Fi *Fj = δij (i,j =1,…,r).
De aici rezultă inegalitatea Bessel :

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 nr .
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

2.2.3 Descompunerea unică a unui vector în raport cu o sumă directă a unor

subspaţii liniare

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)

Cunoscând pe V componentele sale unice X(1) şi X(2) se găsesc astfel:

Fie F= F1 ,...,Fr  o bază din L2 şi G= G1 ,...,G n r  o bază din L1.
F este matrice de tip n x r şi rang r iar G este matrice de tip n x (n - r) şi rang n - r.
1
 0 şi FT  X    0; X   X    V .
T 2 1 2
Avem G  X
2 1 2  1
Rezultă X  V - X deci FT  X  0 devine FT  X  FT  V .
G T   O n r 1  n
Fie A   T  matrice pătratică de ordin şi rang n şi b    R .
T
F   F  V 
2 1
X(1) Rn este soluţia unică a sistemului liniar A  X  b iar X  V  X .
Exemplu:
 x1 
 
Fie L1  R3 cu dim (L1) = r =2 ai cărui vectori X  x 2  L1 satisfac sistemul liniar
 
x 
 3
G1
 -8
omogen 8 x1  7 x2  6 x3  0 deci G    este o bază în L1 .
7
 
 6 
L1 este plan ce trece prin 0 în R3.
 39

 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 VRn avem descompunerea unică V  X  ...  X cu X(i)Li .
Componentele unice X(i)Li sunt soluţii ale sistemului liniar:
 G 1 T  X1  0,..., G  m  T


     X
m
0
.
 X1  ...  X m   V
T
  
Aici G
i
 
este o bază a subspaţiului vectorial Li cu dim Li  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 VRn 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

α1 ,...,α n sunt chiar coordonatele lui V în baza F=  F1 ,...,Fn  a lui Rn deci

T
VF   α1 ,α 2 ,...,α n   F1  V .
Exemplu:
 40
Pentru L1= Ox1,…,Ln=Oxn (axele de coordonate) avem F1  E1 ,...,Fn  E n . Evident Rn =
T n
L1…Ln (sumă ortogonală) deci pentru orice V   α1 ,α 2 ,...,α n   R avem descompunerea
unică: V  α1E1  α 2 E 2  ...  α n E n faţă de baza standard:

 E1 E 2  En 
 
 1 0  0 
E 0 1  0 
 
     
 0 0  1 


Înmulţim scalar cu F1 ,..., Fn relaţia V  α1F1  α 2 F2  ...  α n Fn şi obţinem sistemul liniar

cu necunoscutele α1 ,...,α n :

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

Avem Fi*Fj =δij de unde rezultă :

U * V = (U*F1).(V*F1)+…(U*Fn).(V*Fn)

În particular pentru U=V găsim egalitatea Parseval :

||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

Fie L  Rn un subspaţiu vectorial cu dim(L)=r şi baza F   F1 ,...,Fr  şi fie vectorul

T
V   α1 ,α 2 ,...,α n   R n \ L . Dacă L este subspaţiul ortogonal al lui L cu Rn=LL;
1
 X  cu X(1)L , X(2)L, şi
2
LL=0 şi dim(L)=n - r, avem descompunerea unică: V  X
X 1  X  2  0 .
1  2 1
Avem V  Fi  X  Fi  X  Fi  X  Fi 1  i  r  .
1
Fie X  β1F1  ...  β r Fr .
1
Înmulţim scalar această relaţie cu F1 ,...,Fr şi ţinem cont că X  Fi  V  Fi deci vom
obţine sistemul liniar cu necunoscutele β1 ,...,β r :

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

X   este proiecţia ortogonală a vectorului V pe subspaţiul L iar X    V  X   este distanţa

1 2 1

de la vectorul V la subspaţiul L.

Fie   F  matricea Gram a vectorilor F1 ,...,Fr şi (Fe) matricea Gram a vectorilor

F1 ,...,Fr , V. Se arată că distanţa de la vectorul V la subspaţiul L este dată de relaţia
2 det   Fe  
X
2

det    F  
Exemplu:
F1 F2
 1 3
Fie LR3 un subspaţiu vectorial cu baza F   deci dim(L1)=r=2 şi fie vectorul
2 0
 
 1 4
 0
V   1   R 3 . Avem X   β1F1  β 2 F2 unde β1 şi β 2 sunt daţi de sistemul liniar:
1

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

2.3 Substituirea unui vector dintr-o bază şi aplicaţii.

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

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

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

Avem relaţiile:

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

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

sau sub formă de tabel:

 43

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

E1 a11 a1k a1m

---------

---------

---------

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

---------

---------

---------

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

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

 A1  a '11 E1  ...  a 'h1 A1  ....  a 'n1 E n

                   

(2)  A k  0  E1  ...  1  A k  ....  0  E n
                   

 A m  a '1m E1  ...  1  A k  ....  a 'nm E n

sau sub formă de tabel:

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

E1 a’11 0 a’1m
---------

---------

---------

---------

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

---------

---------

---------

---------

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

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

Observăm că relaţiile (3) şi (4) sunt în fond transformări elementare ale liniilor matricii de tip
nm:
 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:

aij ahk  aik ahj

a 'ij 
ahk

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

Exemplu
 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

Vrem să substituim pe E1 cu A1.

Pivotul este 3 şi se încercuieşte iar E1 şi A1 se marchează cu săgeţi. Pe coloana A1 se trece
1
 
conţinutul coloanei E1 adică 0
 
0
 
2
1) Linia pivotului se împarte la pivot: 2 se înlocuieşte cu
3
4  3  2  1 14
2) În liniile 2 şi 3 aplicăm regula dreptunghiului: 4 se înlocuieşte cu  iar
3 3
5 3  0  2
5 se înlocuieşte cu 5
3
3) Tabelul iniţial devine:
Baza A1 A2
A1 1 2
3
E2 0 14
3
E3 0 5
Înlocuirea poate continua substituind pe E2 cu A2 .
 46
Aplicaţii ale metodei substituirii

2.3.1 Calculul determinantului unei matrici pătratice A

 a11  a1n 
Fie matricea pătratică de ordin n: A  
  
 
a  a 
 n1 nn 

Fie E   E1 , ... , E n  baza standard şi A1 , ... , A n vectorii-coloană din A.

Avem tabelul iniţial:

Baza A1 ------ An

E1 a 11 ------ a 1n
------

------

------
En a n1 ------ a nn

Substituim succesiv pe E1 cu A1, ... , pe E n cu An şi scoatem de fiecare dată în factor pivotul

în faţa determinantului det  A  . În final avem det  A  = Produsul celor n pivoţi înmulţit cu 1
(determinantul matricii-unitate).
Dacă întâlnim pivoţi nuli, vom permuta linii sau coloane între ele pentru a găsi pivoţi
nenuli. Fiecare permutare de linii sau coloane are ca efect schimbarea semnului pentru det  A  .
Dacă după un număr de substituiri, obţinem o linie nulă, atunci procesul de calcul se opreşte
şi det  A   0 .
Exemple
1) Să se calculeze prin metoda substituirii determinantul matricii:
 2 1 0 
A   3 4 1 
 5 1 5 
 
Soluţie:
Avem:
↓ ↓ ↓

Baza A1 A2 A3

← E1 2 -1 0

E2 3 4 1

E3 -5 1 5
 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

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

Pentru calculul determinantului prin metoda substituirii avem programul de calculator
DETERM

2.3.2 Calculul rangului unei matrici dreptunghiulare A

 a11  a1n 

Fie matricea de tip m  n : A    
 
 am1  amn 
În secţiunea 1.3 a fost definit rangul matricii A ca fiind ordinul celui mai mare minor nenul, numit
minor principal: rang  A   r dacă există un minor de ordin r, nenul (minorul principal) şi toţi
minorii de ordin r  1 sunt nuli).
Avem : 1  rang  A   r  min im  m, n 
rang  A   r este numărul maxim de linii liniar independente ca vectori din Rn şi este numărul
maxim de coloane liniar independente ca vectori din Rm. Cu alte cuvinte, rang  A  este
dimensiunea subspaţiului vectorial al lui Rn, generat de cei m vectori-linie din A şi este
dimensiunea subspaţiului vectorial al lui Rm, generat de cei n vectori-coloană din A.
Fie cazul m ≤ n.
Fie rang  A   r  min im  m, n  şi fie submatricea principală de ordin r:
 a11  a1r 
F    cu determinantul principal det  F   0 .
 
 ar1  arr 
Dacă det  F   0 atunci prin permutarea între ele a liniilor şi / sau permutarea coloanelor,
vom aduce minorul principal pe primele r linii şi pe primele r coloane.
Permutarea între ele a liniilor respectiv coloanelor nu schimbă rangul matricii A.
Matricea A are forma iniţială:
F G
A=
H K

unde submatricile au tipurile: Fr r ; G r  n r  ; H m r r ; K  m r  n r  .

Se substituie E1 cu A1, ... ,Er cu Ar şi matricea capătă forma:
 49
Baza A1 ------ Ar Ar+1 ------ An
A1 1 ------ 0 a '1, r 1 ------ a '1n

------

------

------

------

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

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

------

------

------

------

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

adică:
-1
Er F ·G
A=
O O

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    F1G  .
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 )

Tabelul iniţial are forma:

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

E1 a11 ------ a1n 1 ------ 0

------

------

------

------

------

A E

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

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

 51

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

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

------

------

------

------

------
E A-1

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

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

2.3.4 Calculul inversei generalizate A+ a unei matrici dreptunghiulare A

1
Dacă matricea A este dreptunghiulară de tip m  n inversa obişnuită A nu există, dar
există inversa generalizată de tip n  m notată A+ care a fost definită în secţiunea 1.3.1 punctul 4)
+ 1
prin relaţia AA A  A analoagă relaţiei AA A  A .
Inversa generalizată A are proprietăţile de la punctul III. al secţiunii 1.3.3 ; matricea A+ se poate
+

calcula şi dacă matricea A este pătratică ( m  n ) dar singulară ( det  A   0 ).

Fie cazul m ≤ n
Fie 1  rang  A   r  min im  m, n 
În secţiunea 2.3.2 de mai sus , la calculul lui rang  A  s-a prezentat descompunerea bazică a
matricii A: A  U  V cu U de tip m  r , V de tip r  n şi
rang  A   rang  U   rang  V   r .
Inversa generalizată a lui A, notată A+ este de tip n  m şi are forma:

1
(1) A   VT   U T  U  V  V T   U T

În particular dacă matricea A este de rang maxim, în presupunerea m  n , avem

rang  A   m .
 53

Avem A   F G  cu F de tip m  m , nesingulară şi G de tip m   n  m  .

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

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

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

Pentru calculul lui A+ avem programul INVGEN .

Exemple
 1 1 2 0 
1)

Se dă matricea de tip 3  4 : A  1 2 3 1

 
 0 1 1 1 
 
Se cere inversa generalizată A+
Soluţie
Calculăm ca la punctul 2.3.2 rangul matricii A:

Baza A1 A2 A3 A4

E1 1 -1 2 O

E2 -1 2 -3 1

E3 0 1 -1 1

A1 1 -1 2 0

E2 0 1 -1 1

E3 0 1 -1 1

A1 1 0 1 1

A2 0 1 -1 1

E3 0 0 0 0
 54

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

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

 9 9
1 0  3 0 3
0 1   6 3  
    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

Tabelul iniţial are forma:

 55

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

E1 f11 ------ f1n g11 ------ g 1p

------

------

------

------

------
F G

En fn1 ------ fnn gn1 ------ g np

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

Tabloul final are forma:

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

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

------

------

------

------

------
-1
E F ·G

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

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:

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

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

------

------

------

------

------

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

T T
Se substituie E1 cu F1 , ... , E n cu Fn .
Tabelul final are forma:

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

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

------

------

------

------

------

-1 T
E (GF )
Fn 0 ------ 1 g '1n ------ g 'mn
 57
T T
La urmă avem GF   GF1  
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 
 

2.4 Schimbarea coordonatelor unui vector la schimbarea bazei. Baze ortogonale

2.4.1 Matricea de trecere de la o bază la alta

 58

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  F1  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

şi se calculează ca la punctul 2.3.5 din secţiunea 2.3

Teorema 2.3 (Proprietăţi ale matricii S de schimbarea bazei .)

1) S este matrice nesingulară.

   det  G   det F  0

1 det G
În adevăr, det  S   det F

-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 S1  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

4) Dacă S este matricea de trecere de la baza F la baza G şi R este matricea de trecere de la

baza G la baza H , atunci S∙R va fi matricea de trecere de la baza F la baza H.
1 1 1
În adevăr, din S  F G şi R  G H rezultă S  R  F  H . În particular matricea de
1
trecere de la baza E la baza F este S  E F  F iar matricea de trecere de la baza E la baza G este
S  E 1G  G . Q.E.D.
Avem schema:
 59
E
S=F S=G

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

aF = F-1a aG = G-1a = S-1aF

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

Teorema 2.4 (Proprietăţi ale matricii Gram )

T
1)   F este matrice simetrică:   F      F 
2
2) det    F     det  F    0
2
  
În adevăr, det   F   det F F  det F
T
    det  F  det  F
T
 0 deoarece det  F   0
3) rang    F   rang  F  n
4) La trecerea de la baza F la baza G, cu matricea de trecere S, avem:
  G   ST    F   S

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  F1  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 
 

a) Se cere matricea Gram   F şi matricea cosinuşilor   F 

b) Cunoscând pe   F  şi S, se cere   G 

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 

Observăm că P  E,F   F şi P  E,G   G .

Avem şi relaţiile P  F,F     F  şi P  G,G     G 
Matricea cosinuşilor pentru unghiurile între vectorii celor două baze este:
 63

 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 

2.4.3 Baze ortogonale şi ortonormale

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

matricea F este ortogonală F  1

 FT  deci det  F   1 iar   F   E deci
2
det    F    det  F    1

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 n1  G
 n n
G1
2 1
G2
2 2
G n1
2 n 1

 65

Demonstraţie
Se verifică relaţiile G i  G j  0 1  i, j  n  Q.E.D.

Baza G se poate ortonormaliza, împărţind vectorii-coloană Gi cu G i 1  i  n  .

G1 G
Din relaţiile Gram-Schmidt putem afla pe F1 ,..., Fn în raport cu versorii ,..., n :
G1 Gn
G1
F1  G1 
G1
F2  G1 G1 G
F2    G2  2
G1 G1 G2
F3  G1 G1 F3  G 2 G 2 G
F3      G3  3
G1 G1 G2 G2 G3

F  G1 G1 Fn  G 2 G 2 F  G n1 G n1 G
Fn  n     ...  n   Gn  n
G1 G1 G2 G2 G n 1 G n1 Gn

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  F1  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 –

- ((Fn*Gr+1) / || Gr+1 ||2).Gr+1 - ……………… - ((Fn*Gn-1) / || Gn-1 ||2).Gn-1

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 || ]

Matricea triunghiulară R capătă forma :

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 r1 
 
 . . 
 . . 
 
 . . 
 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  F1  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

acest caz avem det  F   det  G   1 şi   F     G   E .

1
   det  F  adică det  G 
În adevăr, det G
1 T
 det  F  .
 68
T 1
T T
În plus,   F     G   F F  G  G şi cum F  G
T 1
 
rezultă F  G aşa că:
1
  F     G   FT   G T   G T  G  FTG  P  F,G   E .
Matricea de trecere S de la baza F la baza G (care sunt biortogonale) va fi:
1
S    G     F  
1
În adevăr, S  F  G iar F
1
 G T deci rezultă S  G T G    G  .
Exemplu
 F1 F2 F3   G1 G 2 G3 
   
 1 3 2  1 0 0
; G
T
Bazele: F  sunt biortogonale deoarece F  G  E
 0 1 5   3 1 0 
   
 0 0 1   13 5 1 
Matricea de trecere de la baza F la baza G (care sunt biortogonale) este:
 179 68 13 
S    G     F     68 26 5 
1

 13 5 1 


2.5 Rezumat

În acest capitol se definesc noţiunile fundamentale de bază şi dimensiune în spaţii vectoriale şi se

aplică aceste noţiuni la subspaţii vectoriale.
În secţiunea 2.2.2 se prezintă subspaţiile vectoriale / varietăţile liniare ca mulţimi de soluţii ale
sistemelor de ecuaţii liniare omogene/neomogene. Forma parametrică a sistemelor omogene
/neomogene va fi prezentată în secţiunea 6.1.1
Metoda substituirii din secţiunea 2.3 are importante aplicaţii în calculul matricial.
În secţiunea 2.4 se prezintă matricea de trecere de la o bază la alta şi matricea Gram a unei
baze.Capitolul se încheie cu studiul bazelor ortogonale,ortonormale şi biortogonale inclusiv metoda
de ortonormalizare a unei baze.

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

1. Stănăşilă O. “ Analiză liniară şi geometrie “Vol. I - II,Editura ALL ,2000 - 2001

2. Cenuşă Gh. şi col.“ Matematici pentru economişti “ Editura CISON,2000
3. Cenuşă Gh. şi col.“ Matematici pentru economişti – culegerede probleme“ Editura
CISON,2000
4. Ene D. “ Matematici (I) “ Editura CERES , 2004
5. Gogonea S. , Ene D. “ Analiză numerică “ Editura Cartea Universitară , 2005
6. Ene D. , Gogonea S. “ Metode numerice “Editura Cartea Universitară , 2005
 69

CAP. 3 APLICAŢII LINIARE PE SPAŢII VECTORIALE.

OPERATORI SIMETRICI,ORTOGONALI ŞI AFINI PE R n

Obiective : însuşirea de către studenţi a noţiunii de aplicaţie liniară, operator liniar,nucleu şi

imagine a unei aplicaţii liniare,operator simetric,ortogonal şi afin pe Rn

Conţinut :

3.1 Definiţie şi operaţii cu aplicaţii liniare pe spaţii vectoriale

3.2 Subspaţii invariante ale unui operator liniar

3.3 Nucleul şi imaginea unei aplicaţii liniare

3.4 Transformarea unei baze din Rn printr-un operator liniar

3.5 Schimbarea matricii unui operator la schimbarea bazei

3.6 Operatori simetrici ,ortogonali şi afini pe Rn

3.6.1 Operatoro simetrici pe Rn
3.6.2 Operatori ortogonali pe Rn
3.6.3 Operatori afini pe Rn

3.7 Rezumat

3.8 Întrebări

3.9 Bibliografie

Cuvinte cheie : aplicaţie liniară,operator liniar,nucleu,imagine a unei aplicaţii liniare,

operator injectiv,surjectiv,bijectiv,operator simetric,ortogonal şi afin.

3.1 Definiţie şi operaţii cu aplicaţii liniare pe spaţii vectoriale

O aplicaţie liniară este o funcţie A : Rn Rm cu Y = A (X) astfel că:

(1) A (αX’+βX’’)=α A (X’)+β A (X’’)
pentru orice X’ , X’’ din Rn şi pentru orice α , β din R .
Dacă E1 , ... , E n  este baza standard în Rn cu matricea bazei E, fie matricea A E de tip m  n
care are coloanele A (E1),…,A (En) :
AE = (aij) = [A (E1),…,A (En) ]
Avem :
A(E1) = a11E1+…+am1Em
………………………..
A(En )= a1nE1+…+amnEm
adică matricial :
(2) A(E) = E.AE
Avem:
(3) Y  AE  X
deoarece X  x1E1  ...  xn E n deci conform relaţiei (1) avem :
 70
Y=A (X) =x1 A (E1) +…+ xn A (En)
A E se numeşte matricea aplicaţiei liniare A şi se notează de obicei cu A (baza E se
subânţelege).
Aplicaţia liniară AT: Rm Rn cu matricea AT, se numeşte aplicaţie transpusă lui A.
Aplicaţiile liniare A se mai numesc şi morfisme de spaţii vectoriale iar mulţimea lor se notează
cu Hom( Rn , Rm).
Cazuri particulare :
a) Pentru m = n aplicaţia liniară se numeşte operator liniar pe Rn sau endomorfism pe Rn iar
Hom( Rn , Rm) se va nota cu End( Rn ).
Dacă matricea pătratică A a operatorului liniar A este nesingulară (det(A) este nenul şi
rang(A)=n ) atunci operatorul liniar A este izomorfism şi reciproc.
Pentru operatori liniari A pe Rn , proprietăţile lui A de a fi injectiv,surjectiv şi bijectiv ,sunt
echivalente.
b) Pentru m=1 aplicaţia liniară A : Rn → R se numeşte formă liniară pe Rn
şi se notează cu f .
În acest caz matricea A a formei liniare f se reduce la vectorul-linie
A = ( a1,…,an ) deci forma liniară capătă forma :
y = f(X) = a1x1 +… + anxn = A*X care aparţine lui R .
Cum X = x1E1 +… +xnEn avem y = f(X) = x1.f(E1) +… + xn.f(En)
a1= f(E1) ,…,an = f(En) se numesc forme liniare de coordonate şi ele formează o bază în spaţiul
vectorial al formelor liniare f pe Rn ,numit spaţiul dual al lui Rn şi notat ( Rn )*. Evident
dim(( Rn )*) = dim(( Rn ))=n.
Dualul dualului ( Rn )* , notat cu ( Rn )** este izomorf cu Rn prin corespondenţa
X → X** definită astfel :
X**(f) = f(X) pentru orice f din ( Rn )*.

Operaţii cu aplicaţii liniare

1) Adunarea : ( A + B )(X) = A (X) + B (X)

2) Înmulţirea cu scalari : (α A )(X) = α A (X)
Faţă de aceste operaţii , mulţimea aplicaţiilor liniare Hom( Rn , Rm) formează un spaţiu
vectorial peste R de dimensiune m.n ,izomorf cu spaţiul vectorial al matricilor
dreptunghiulare de tip mxn peste R prin izomorfismul A → A .
3) Compunerea : dacă A Hom( Rn , Rm) şi B Hom( Rm , Rp) atunci B o A Hom( Rn , Rp)
se defineşte astfel :
(B o A )(X) = B ( A (X))
şi are ca matrice pe A.B
Faţă de operaţiile 1) şi 3) End(Rn ) formează un inel cu elementul-unitate I(X)=X .
Pentru A End(Rn ) definim : Ak = Ak – 1 o A

Fie aplicaţia liniară A : Rn → Rm cu matricea A de tip m x n .

Norma aplicaţiei liniare A este :

|| 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 ||

3.2 Subspaţii invariante ale unui operator liniar

Fie o bază {F1,…,Fn} de vectori-coloană în Rn şi fie L subspaţiul vectorial al lui Rn cu

baza {F1,…,Fn} .
Fie A : Rn → Rn un operator liniar cu matricea operatorului liniar AF în baza {F1,…,Fn}.
Subspaţiul vectorial L se numeşte invariant faţă de operatorul A dacă pentru orice X L
avem A (X) L .
Avem :
A (F1) = a11F1+…+ ar1Fr+0.Fr+1+…+0.Fn
…………………………………………
A (Fr) = a1rF1+…+ arrFr+0.Fr+1+…+0.Fn
A (Fr+1) = a1,r+1F1+………..….+an,r+1 .Fn
………………………………………..
A (Fn) = a1nF1+……………...….+ann .Fn

deci matricial (vezi relaţia (2) ):

(4) A (F) = F. AF
unde :

 a11....... a1r a1,r1 ....... a1n 

 
 ................................... 
 a r1 ........a rr a r,r+1 ........a rn 
AF   
 0..........0 a r+1,r+1....a r1,n 
 
 .................................... 
 0..........0 a .......a 
 n,r+1 nn 

Exemple

Operatorul liniar A : R3 →R3 cu matricea :

 a11 a12 a13 

 
A   a 21 a 22 a 23 
0 0 a 
 33 

invariază un subspaţiu bidimensional L în R3 (plan care trece prin O).

a) Operatorul liniar A : R3 → R3 cu matricea:

 72

 a11 a12 a13 

 
A   0 a 22 a 23 
0 a a 
 32 33 
invariază un subspaţiu unidimensional L în R3 (dreaptă care trece prin O ).

Se arată că în Rn există subspaţiile L1,…, Ln-1 incluse unul în altul ,cu bazele de vectori :

F1   F1 ,F2   ...  F1 ,...,Fn 1   Fn ,...,Fn 

deci dim(Lj)=j (1jn-1) .
Aceste subspaţii sunt invariante faţă de un operator liniar dat A : Rn→Rn , deci acest operator are
faţă de baza {F1,…,Fn} lui Rn de mai sus ,matricea superior-triunghiulară :

 a11 a12 ... a1n 

 
 0 a 22 .....a 2n 
AF 
 ................... 
 
 0 0.......a nn 
Dacă R n = L1  L2 şi Dim(L1) = r ; Dim (L2 ) = n – r iar L1 , L2 sunt invariante faţă de
operatorul liniar A : Rn→Rn , reunind baza { F1,…,Fr } a lui L1 cu baza { Fr+1,…,Fn } a lui L2 ,
obţinem baza { F1,…,Fn } a lui Rn iar matricea AF a operatorului A în raport cu baza { F1,…,Fn }
va avea forma :

 a11 ...a1r 0..........0 

 
 .............................. 
 a r1 ....a rr 0..........0 
AF   
 0.......0 a r+1,r+1 ...a r 1,n 
 .............................. 
 
 0.......0 a .....a 
 n,r+1 nn 
Exemplu

Operatorul liniar A : R3→R3 cu matricea :

 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).

3.3 Nucleul şi imaginea unei aplicaţii liniare

Aplicaţiei liniare A cu matricea A , i se asociază două subspaţii liniare invariante faţă de

aplicaţia liniară A.
1) Nucleul lui A este: Ker( A )={ X Rn / A.X=0 }
Avem dim[Ker(A)]=n – rang(A). dim[Ker(A)]se numeşte defectul operatorului liniar A.
 73
Dacă m=1 , A devine forma liniară f , rang(A)=1 deci dim[Ker(f)]=n - 1 .

2) Imaginea lui A este: Im( A )={ Y Rm / există X Rn cu A.X=Y}

Avem dim[Im(A)]= rang(A). dim[Im(A)] se numeşte rangul operatorului A.
Dacă Ker( A )={0}, A este aplicaţie injectivă iar dacă Im(A )=Rm, A este aplicaţie
surjectivă.
Operatorului liniar AT, transpus lui A i se asociază alte două subspaţii liniare:
3) Nucleul lui AT: Ker A    Y  R
T m

AT  Y  0  Rm
T
dim[Ker(A )]=m – rang(A)
4) Imaginea lui AT: Im A    X  R
T n
/există Y  R m cu X  A T Y  R n
dim[Im(AT)]= rang(A)

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)

Teorema 3.1(Prima teoremă de izomorfism)

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.

Pentru m  n , Ker( A ) şi Im( A ) sunt subspaţii vectoriale ale lui Rn.

A : Rn Rn se numeşte automorfism al lui Rn dacă rang  A   n sau det  A   0
În acest caz Ker( A )={0}; Im( A )=Rn.
Dacă A : Rn → Rm cu Y  AX , A de tip m  n şi B : Rp → Rm cu Z  BX , B de tip
m  p avem Im(A )+ Im(B )=Im[ A│B] ca subspaţii ale lui Rm.
Dacă în plus rang  A   n , rang  B   p atunci subspaţiul Im  A   Im  B  al lui Rm
este izomorf cu subspaţiul Ke r  A B  al lui Rn+p.
Pentru a găsi pe Ker(A ) şi Im(A ) vom proceda astfel:
Fie matricea A de tip m  n a operatorului liniar A : Rn Rm cu
rang  A   r  min im  m, n 
Presupunem că minorul principal ocupă primele r linii şi primele r coloane.
 74

 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

m  r  r iar K este submatrice de tip  m  r    n  r  .

Fie matricea extinsă de tip m   n  1 : F G Yp  y1   yr 1 

[A¦ Y]
= H K Ys unde YP     ; YS    
   
y  y 
 r  m 
După pivotare în matricea extinsă  A Y  , aceasta capătă forma:

-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  
   F1  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  F1  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 .
HF 
n
 F1 
O valoare XR pentru AX  Y este: X   Y
 0 nr  ( nr )  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 
    HF1 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
   HF1  
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   F1G   X p  E nr  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 YR 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 XR 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

E2 0 - 10  20 10  -5x1  3x2 

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

Avem rang(AT)=2 deci dim[Ker(AT)]=m – rang(AT)=2

  1 0  
  0  x 
 1   
Im  A    X  R X   
T 4 1
  =0   R 4
  5/10 1/10   x2  
   
  3 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 YR4 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

2) A este matrice ortogonală A  1

 A T  dacă şi numai dacă   F     G  .
T 1
În adevăr, din A  G  F
1
rezultă A  F
T
   G T şi A 1  F  G 1 . Relaţia A 1  A T
T T
implică F F  G G adică   F     G  şi reciproc.
3) Dacă matricea A transformă baza F în baza G, atunci matricea A-1 transformă baza G în baza
F.
1 1 1
În adevăr, din A  G  F rezultă A  F  G
4) Dacă matricea A transformă baza G în baza H, atunci matricea care transformă baza F în
baza H va fi C = B∙A.
1 1
În adevăr, din A  G  F şi B = H∙G-1 rezultă calculul lui A  G  F s-a făcut în
T 1

secţiunea 2.3.6, folosind relaţia: G  F
1
  F   GT .
În particular, matricea operatorului A care aplică baza standard E în baza F este A = F iar
matricea operatorului A care aplică baza standard E în baza G este A = G. Schematic avem:

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 URn cu baza F0   F1 ,...,Fr  de tip n  r şi subspaţiul r-
dimensional VRn 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 UR subspaţiul bidimensional cu baza F0  şi VR3 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 .

3.5 Schimbarea matricii unui oprator liniar la schimbarea bazei

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  S1A 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 S1A FX F  A GS1X F de unde: S1A F  A GS1 adică A G  S1A 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

 15 6 16   22 168 63 

F1   5 2 5  deci A F  F1  A  F   7 55 21 
 8 3 8   11 88 34 
  
 82

 4 37 31   791 1419 1683 

S1   7 74 60  aşa că A G  S1  A F  S   1608 2882 3417 
 4 45 36   984 1763 2090 
  

3.6 Operatori simetrici , ortogonali şi afini pe Rn

3.6.1 Operatori simetrici pe Rn

Un operator liniar A : Rn Rn se numeşte simetric dacă pentru orice X,X’ Rn avem:

(1) A  X   X '  X  A  X'

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:

(2) X  X'  X T  X '

Avem A  X   A  X şi A  X'  A  X' deci relaţia (1) devine:

(3) A  X   X '  X  A  X'

T T
Conform relaţiei (2) avem: AX  X '   AX   X'; X  AX'  X  AX ' .
T T T T T T
Relaţia (3) devine:  AX   X '  X  AX' , adică X A X '  X AX' deci A  A .
Q.E.D.

3.6.2 Operatori ortogonali pe Rn

Teorema 3.4

Un operator ortogonal conservă produsele scalare, normele şi distanţele.

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

(4) A  X   A  X'   X T  X '

T
Conform relaţiei (2) de mai sus avem X  X '  X  X ' , deci operatorul ortogonal A
conservă produsele scalare:

(5) A  X   A  X'   X  X '

Mai departe, pentru X = X’ relaţia (5) devine:

2 2
(6) A X  X

deci operatorul ortogonal A conservă normele.

Avem:

(7) d  A  X  , A  X'   A  X'   A  X   A  X'-X   X'-X  d  X,X'

deci operatorul ortogonal A conservă distanţele. Q.E.D.

Teorema 3.5

Matricea A a operatorului ortogonal A este matrice ortogonală.

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.

3.6.3 Operatori afini pe Rn

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

d(X’,X’’)=d(Y’,Y’’) adică || X’’- X’|| = || Y’’- Y’||

Orice operator ortogonal este izometric(teorema 3.4).

Operatorul afin A este involutiv dacă A o A = I .
Orice operator afin pe Rn conservă varietăţile liniare din Rn :
Orice varietate r-dimensională în Rn este soluţia sistemului liniar neomogen de forma D . X = b
cu rang(D)=r care are soluţia X=U.XS+XB
 84
unde U este matrice de tip n x (n – r) şi rang r ,XS este vector-coloană cu n – r componente
variabile(parametrii varietăţii liniare) iar XB este un vector-coloană bazic din Rn cu r componente
bazice nenule (vezi teorema 2.1 şi secţiunea 5.1 ).
Rezultă Y=A.X +X(0) = (A.U).XS +(A.XB+ x(0)) deci Y este vector-coloană al unei alte varietăţi
liniare r-dimensionale din Rn .
Exemplu Orice operator afin pe R3 transformă dreptele în drepte şi planele în plane .
Operatorii izometrici şi în particular cei ortogonali pe R3 conservă:
a) Paralelismul şi perpendicularitatea dreptelor şi planelor;
b) Unghiul unei drepte cu un plan deci paralelismul şi perpendicularitatea unei drepte cu un plan .
Cazuri particulare în R3

1. Translaţia

Se obţine din operatorul afin pe R3 pentru A = E.

X(0) se numeşte vectorul translaţiei.

Translaţia este un operator neliniar izometric:

|| Y’’ – Y’ || = || (X’’ + x(0)) – (X’+ x(0) || = || X’’ – X’ ||

2) Simetria faţă de O (simetria centrală)

Se obţine din operatorul afin pe R3 pentru X(0) = 0 şi

 1 0 0 
A   0 -1 0 
0 0 - 1 
 
Simetria centrală este un operator liniar ortogonal involutiv cu un punct fix O.

3) Simetria faţă de OX (simetria axială)

Se obţine din operatorul afin pe R3 pentru X(0) = 0 şi

1 0 0 
A   0 - 1 0 

0 0 - 1 
 
Simetria axială este un operator liniar ortogonal involutiv co o dreaptă fixă OX .

4) Simetria faţă de planul OXY (simetria planară)

Se obţine din operatorul afin pe R3 pentru X(0) = 0 şi

1 0 0 
A   0 1 0 
 0 0 -1 
 
Simetria planară este un operator liniar ortogonal involutiv cu un plan fix OXY .

5) Rotaţia faţă de O în planul OXY (rotaţie centrală)

 85
Se obţine din operatorul afin pe R3 pentru X(0) = 0 şi
 cos  - sin  0 
A   sin  cos 0 
 0 0 0 

Rotaţia centrală este un operator liniar ortogonal cu un punct fix O .

6) Rotaţia faţă de OX (rotaţie axială)

Se obţine din operatorul afin pe R3 pentru X(0) = 0 şi

1 0 0 
A=  0 cos  - sin  

 0 sin  cos  

Rotaţia axială este un operator liniar ortogonal cu o dreaptă fixă OX .

7) Omotetia faţă de O

Se obţine din operatorul afin pe R3 pentru X(0) = 0 şi

k 0 0
A   0 k 0 
0 0 k
 
k se numeşte modulul omotetiei .
Omotetia este un operator liniar cu un punct fix O .
Există şi alţi operatori afini care rezultă prin compunerea operatorilor 1) - 7) :
8) Asemănarea
Se obţine din compunerea unei traslaţii,rotaţii , omotetii şi eventual simetrii.
9) Mişcarea
Se obţine din compunerea unei translaţii şi rotaţii.
10) Mişcarea elicoidală
Se obţine prin compunerea unei rotaţii axiale şi o translaţie în care vectorul translaţiei este
paralel cu axa de rotaţie.
Observăm că operatorii afini de la punctele 1)-3) , 5)-7) formează grupuri faţă de comunerea
operatorilor.
Excepţie face simetria planară de la punctul 4) care nu formează grup faţă de compunerea
simetriilor planare.

3.7 Rezumat

În acest capitol se definesc noţiunile de aplicaţie liniară şi operator liniar pe Rn , se prezintă

operaţiile cu acestea şi norma unei aplicaţii liniare.
În continuare se prezintă subspaţiile invariante ale unui operator liniar, subspaţiile invariante
fundamentale Ker şi Im pentru aplicaţia liniară A şi aplicaţia liniară transpusă AT . Aceste
subspaţii descompun spaţiul vectorial de definiţie Rn al lui A şi spaţiul vectorial de valori Rm al lui
A în sume directe.
 86
Capitolul se încheie cu noţiunile de operator simetric, ortogonal şi afin pe Rn cu aplicaţii în
geometria spaţiului euclidian R3 .

3.8 Întrebări

1. Ce este o aplicaţie liniară şi ce operaţii se pot face cu aplicaţii liniare ?

2. Cum se descompun spaţiul de definiţie Rn şi spaţiul de valori Rm al unei aplicaţii liniare A în
raport cu subspaţiile Ker şi Im ?
3. Ce proprietăţi au operatorii simetrici şi ortogonali pe Rn ?
4. Cum se clasifică operatorii afini pe Rn ?

3.9 Bibliografie

1. Stănăşilă O. “ Analiză liniară şi geometrie “Vol. I - II,Editura ALL ,2000 - 2001

2. Cenuşă Gh. şi col.“ Matematici pentru economişti “ Editura CISON,2000
3. Cenuşă Gh. şi col.“ Matematici pentru economişti – culegerede probleme“ Editura
CISON,2000
4. Ene D. “ Matematici (I) “ Editura CERES , 2004
5. Gogonea S. , Ene D. “ Analiză numerică “ Editura Cartea Universitară , 2005
6. Ene D., Gogonea S. “ Metode numerice “Editura Cartea Universitară , 2005
 87

CAP. 4 VALORI PROPRII ŞI VECTORI PROPRII ALE UNUI OPERATOR

LINIAR PE Rn

Obiective : însuşirea de către studenţi a noţiunilor de valoare proprie şi vector propriu,proprietăţi

şi modul de calcul al acestora , a formei diagonale a unei matrici, a descompunerii singulare a unei
matrici şi a legii de inerţie a matricilor simetrice congruente.

Conţinut :

4.1 Definiţia şi calculul valorilor proprii

4.2 Proprietăţile şi calculul vectorilor proprii

4.3 Forma diagonală a unei matrici

4.3.1 Metoda vectorilor proprii
4.3.2 Metoda Lagrange-Jacobi

4.4 Descompunerea singulară a unei matrici şi descompunerea polară a unei matrici

pătratice

4.5 Inerţia matricilor simetrice congruente

4.6 Rezumat

4.7 Întrebări

4.8 Bibliografie

Cuvinte cheie : valoare proprie,vector propriu,polinom cacateristic,spectrul unei matrici,

matrice diagonalizabilă ,matrice ortogonal-diagonalizabilă,descompunerea singulară şi
descompunerea polară a unei matrici,legea inerţiei pentru matrici pătratice congruente.

4.1. Definiţia şi calculul valorilor proprii

Dacă A este o matrice pătratică de ordin n, fie numărul  real sau complex şi vectorul XRn
astfel că A.X = .X .  se va numi valoare proprie a matricii A, iar X se va numi vector propriu al
matricii A.
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

O condiţie necesară de extrem este grad  L   2  A  X  λ  X   0 , deci punctul de

extrem X(0) trebuie să fie vector propriu al matricii A iar multiplicatorul Lagrange
Y Z
λ0  / trebuie să fie valoare proprie pentru matricea A.
X X

Pentru găsirea valorilor proprii  şi a vectorilor proprii X, trebuie să avem

 A  λE   X  0 .
Acest sistem omogen are şi soluţii nenule X dacă
P  λ   det  A  λE   λ n  p1λ n1  ...  pn1λ  pn  0
P  λ  se numeşte polinom caracteristic al matricii A, iar rădăcinile sale vor fi valori proprii pentru
A.
Aceste n rădăcini vor fi reale sau complexe conjugate, simple sau multiple.
n n 1
Este adevărată şi reciproca : polinomului P  λ   λ  p1λ  ...  pn1λ  pn  0
i se asociază matricea:

 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:

a11  λ a12 . . . . a1n

a21 a22  λ . . . . a2 n
0
   
an1 an 2 .... ann  λ

De aici rezultă relaţiile:

λ1  ...  λ n  Tr  A   a11  a22  ...  ann
λ1  ...  λ n  det  A 
Din ultima relaţie rezultă că rang  A   n dacă şi numai dacă 0 nu este valoare proprie
pentru A.
Proprietăţi ale spectrului (A)
1) (AT)=(A)
 89

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 n1  p2 λ n 2  ...  pn1λ  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 Tn2  ...  pn1T1  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

p1  Tr  A     a11  a22  a33 

a11 a12 a11 a13 a22 a23
p2   
a21 a22 a31 a33 a32 a33
p3   det  A 

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 n2  ...  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:

Teorema 4.1 (Hamilton-Cayley)

P  A   A n  p1A n 1  ...  pn E  0 adică matricea A este rădăcină a polinomului său

caracteristic în care variabila  se consideră matrice.

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

 A  E    B0 λ n1  B1λ n2  ...  Bn 1   λ n E  p1λ n1E  ...  pnE sau:

 B0 λ n   AB0  B1  λ n1   AB1  B2  λ n2  ...   ABn3  Bn2   λ 2   ABn2  Bn1  λ 
  ABn1   λ n E  p1λ n1E  ...  pn E

Egalăm coeficienţii de acelaşi grad ai lui :

 91
 B0  E
AB0  B1  p1E
AB1  B2  p2 E

ABn3  Bn2  pn2 E
ABn2  Bn 1  pn1E
ABn1  pn E
n n 1
Înmulţind aceste relaţii cu A ,A ,A n 2 ,...,A 2 ,A, E obţinem:
 A n B0  A n
A n B0  A n1B1  p1A n1
A n 1B1  A n 2 B2  p2 A n 2

A3 Bn3  A 2 Bn2  pn2 A 2
A 2 Bn2  A  Bn1  pn 1A
ABn1  pn E
Adunând aceste relaţii, după reduceri de termeni în memebrul întâi rezultă:
0  A n  p1A n1  ...  pn1A+pn E Q.E.D.

4.2 Proprietăţile şi calculul vectorilor proprii

Pentru fiecare valoare proprie găsită λ 0 , rezolvăm sistemul omogen  A  λ 0 E   X  0 . Deoarece

 A  λ 0E   r0  n sistemul omogen are o infinitate de soluţii X care sunt vectori proprii asociaţi
valorii proprii λ 0 .
 a11 - λ 0 a12 . . . . . . . . a1r 
 
Dacă F                   cu det  F  0 , eliminăm ultimele n  r0 linii
 ar 1 ar 2 . . . . .ar r - λ 0 
 0 0 0 0 
secundare din matricea A  λ 0E deci matricea A  λ 0E capătă forma:  A  λ 0 E    F G 
unde submatricea G de tip r0   n  r0  conţine primele r0 linii principale şi ultimele n  r0
coloane secundare ale matricii A  λ 0E .

 0  F1  G 
Avem vectorul propriu: X   Rn
 E nr 
 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

Dimensiunea n  r0 a subspaţiului propriu L  λ 0  se numeşte multiplicitatea geometrică a

valorii proprii λ 0 , fiind mai mică sau egală cu multiplicitatea algebrică a lui λ 0 ca rădăcină a
polinomului caracteristic P  λ   det  A  λE   0
Teorema 4.2

Vectorii proprii ce corespund la valori proprii diferite, sunt liniar independenţi.

Demonstraţie
1  S
Fie λ1 ,..., λS şi fie X ,...,X vectorii proprii corespunzători acestor valori proprii.
Presupunem prin absurd că avem relaţia de dependenţă liniară:

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.

4.3. Forma diagonală a unei matrici

4.3.1 Metoda vectorilor proprii

Matricile pătratice de ordin n se numesc asemenea (Notaţie A  B) dacă există matricea

pătratică nesingulară de ordin n notată cu S astfel că: B = S-1AS
Relaţia de asemănare a matricilor pătratice de ordin n, este relaţie de echivalenţă:
1) Reflexivitate: A  A
În acest caz S = E deci A = E-1AE
2) Simetrie: A  B  B  A
1 1
Din B = S-1AS rezultă A  S    B   S1 
3) Tranzivitate: A  B şi B  C  A  C
1 1 1
Din B  S  A  S şi C  T  A  T rezultă C   S  T   A   S  T  .
În acest fel matricile pătratice de ordin n se împart în clase de matrici asemenea între ele.

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  S1AS   Tr S1   AS    Tr  S1   Tr  AS  
1
 Tr  S    Tr  A   Tr  S   Tr  A 
1
2) det  B   det  S1AS  det  S1  det  A  det  S  det  S   det  A   det S 
 det  A 
 98

3) det  B  λE   det  S1AS  λE   det S1  A  λE  S 

1
 det  S1  det  A  λE   det  S   det  S  det  A  λE   det  S  det  A  λE 
deci matricile A şi B au acelaşi polinom caracteristic adică au aceleaşi valori proprii
 
  A     B  . Q.E.D.

Matricea pătratică de ordin n notată cu A se numeşte diagonalizabilă dacă este asemenea cu

1
o matrice diagonală adică există matricea S de ordin n, nesingulară astfel că matricea B  S AS
este matrice diagonală.

Teorema 4.4

Următoarele afirmaţii sunt echivalente:

a) Matricea A este diagonalizabilă
b) Vectorii proprii ai matricii A formează o bază în Rn
c) Multiplicitatea algebrică m  λi  a oricărei valori proprii

 
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 :

A  S  A   X  ,...,X      A  X  ,...,A  X      λ1X  ,...,λ n X    

1 n 1 n 1 n
     
 λ1 0
  X  ,...,X    
1 n

  
 0 λ n 
 λ1 0  λ1 0
Rezultă: B  S AS  S   X ,...,X
1 1
 
1
 
n  1
 S S   
     
 0 λ n   0 λ n 
deci A este diagonalizabilă.
a)  b)
 99

 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 XRn 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

1) Matricea A cu valori proprii diferite λ1 ,...,λ n ( λ i  λ j pentru i  j ) este diagonalizabilă.

În acest caz multiplicitatea algebrică şi cea geometrică a oricărei valori proprii sunt egale cu 1.

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  S1 ). Pentru matrici normale se poate

0 λ n 

demonstra o teoremă mai restrictivă ca teorema 4.4

Teorema 4.5

Următoarele afirmaţii sunt echivalente:

a) A este matrice normală;
b) A este matrice ortogonal-diagonalizabilă;
c) Cei n vectori proprii ai matricii A formează o bază ortogonală.

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  λX
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

Ca şi în exemplele din secţiunea 4.1 găsim polinomul caracteristic:

P  λ   λ3  7λ 2  14λ  8  0 cu rădăcinile reale λ1  4 ; λ 2  2 ; λ 3  1
 101

 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) AX  X

Pe de altă parte relaţia A  X  λ  X devine:

(4) AX  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 

4.3.2 Metoda Lagrange-Jacobi

Fie A o matrice pătratică de ordin n. Minorii principali ai matricii A au forma: 1  a11 ;
a11 a12 a13
a11 a12
2  ; 3  a21 a22 a23 ,...,  n  det  A  . Pentru calculul acestor minori
a21 a22
a31 a32 a33
principali se poate folosi programul de calculator DETPRIN . Fie  0  1.
T
Pentru matrici A simetrice ( A  A ) cu 1 0 ; 2  0 ; n = det  A   0 , în afară de
metoda vectorilor proprii există şi o a doua metodă de diagonalizare numită metoda Lagrange-
Jacobi. Matricii A i se aplică algoritmul Gauss (nu se împarte linia pivotului la pivot dar se aplică
regula dreptunghiului cu ajutorul pivotului) ajungându-se la forma superior-triunghiulară:
 1 
 S12 S13  S1n 
 2 
 2 
0 S23  S 2n 
S   1

     
 
 0 n 
 0 0 
  n1 
Matricea inversă R = S -1 este tot superior-triunghiulară:

 0 
 r12 r13  r1n 
 1 
 1 
 0 r23  r2 n 
R 2 
     
 
 0  n1 
 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  n1 
  n 


Programul LAGJAC face aceste calcule.

Relaţia B = RT.A.R cu R = S-1 devine A = ST.B.S şi cu notaţiile : ST = L ; B.S = U
obţinem descompunerea LU : A = L.U unde L este matrice inferior-triunghiulară iar U este
matrice superior-triunghiulară, ambele nesingulare (vezi şi secţiunea 5.1.2) .
Minorii principali 1 ,  2 ,...,  n sunt folosiţi pentru a caracteriza matricile simetrice pozitiv
definite respectiv negativ definite.

Teorema 4.8 (Sylvester)

Matricea simetrică A este pozitiv definită dacă şi numai dacă 1 ,  2 ,...,  n  0

Matricea simetrică A este negativ definită dacă şi numai dacă
n
1  0,  2  0,  3  0,  4  0,...,  1  n  0

Demonstraţie
Vom arăta că matricea A este pozitiv definită dacă şi numai dacă matricea diagonală
b1 0
 b2 
T
B R AR    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 ZRn şi
T

rang  R   n devine f  Z   ZT BZ . Dacă b1 ,..., bn  0 rezultă f  Z   0 deci f  X   0 .

Reciproc, dacă f  X   0 fie XRn , X  0 pentru care Z  R
1
 
 X  0...1...0  E i deci
i

f  Z   ZT BZ  bi zi  0 aşa că bi  0  i  1,..., n  .
Conform metodei Lagrange-Jacobi avem: 1b1   0 ,  2b2  1 ,...,  nbn   n1
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  S1   0 . Rezultă
 2   5 8 
 0 0 8   5 
 5  0 0 
 8 
1 0 
 2 
T
B R AR   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

4.4 Descompunerea singulară a unei matrici

Fie o matrice dreptunghiulară A de tip m  n şi rang  A   r  min im  m, n  .

Presupunem că m  n.
T
Matricea Gram a matricii A este   A   A A . Ea este matrice simetrică de ordin n şi este
T 2
nenegativ definită: f  X   X
T
 A A    AX 
T
 AX  A  X  0
Matricea Gram   A  are acelaşi rang r ca şi matricea A şi are r valori proprii strict
pozitive: λ1 ,...,λ r  0 iar restul valorilor proprii sunt nule: λ r 1  ...  λ n  0
 
Fie U  U1 ,..., U r ; U r 1 ,..., U n matricea ortogonală de ordin n care are pe coloane versorii
proprii U1 ,..., U r ; U r 1 ,..., U n ai matricii Gram   A  .
U1 ,..., U r formează o bază ortonormală în subspaţiul liniar Im(AT)Rn iar U r 1 ,..., U n
formează o bază ortonormală în subspaţiul liniar Ker(A)Rn, ortogonal pe Im(AT) :
R n  Ke r  A   Im  A T 
Valorile strict pozitive 1 
λ1 ,...,  r  λ r se numesc numere singulare ale matricii A.
1 1
Fie vectorii-coloană din Rm: V1  A  U1 ,...,Vr  A  U r
1 r
1, i  j
Avem Vi  V j   deci V1 ,...,Vr formează o bază ortonormală în subspaţiul liniar
0, i  j
Im(A) Rm.
m
Completăm pe V1 ,...,Vr cu vectorii-coloană Vr 1 ,...,Vm  R astfel ca
V1 ,...,Vr , Vr 1 ,...,Vm să fie o bază ortonormală în Rm.
Avem Vr 1 ,...,Vm  K er A T   deoarece R m
 K er  A T   Im  A  .
Fie matricea ortogonală V de ordin m care are pe coloane vectorii V1 ,...,Vr , Vr 1 ,...,Vm :
V   V1 ,...,Vr , Vr 1 ,...,Vm 
 1 
  
 
 r 
Fie D matricea diagonală de tip m  n : D    care este
 0 
  
 
  

nenegativ definită. Avem:

A  U   AU1 ,...,AU r ,AU r 1 ,...,AU n    1V1 ,...,  r Vr ,  r 1Vr 1 ,..., n Vn   V  D

1
Înmulţind această relaţie la dreapta cu U  U T (U = matrice ortogonală) obţinem
descompunerea singulară a matricii A:
 110

(1) A = VDUT

T
Pentru m  n vom utiliza pe A în locul lui A.

1 
 
 1 
  
 1 
Fie D    de tip n  m

 r 
 
 0 
  
 
   

Se arată că avem: A+ = UD+VT deci am obţinut o nouă metodă de calcul a inversei


generalizate A a matricii dreptunghiulare A.

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 = PQ

Observăm că A este matrice normală dacă şi numai dacă P.Q=Q.P

În particular dacă r  n deci A este matrice pătratică nesingulară avem:
T 1/2 1
P=(A.A ) şi Q  P  A

4.5 Inerţia matricilor simetrice congruente

Fie A o matrice simetrică de ordin n. Dacă S este o matrice de ordin n nesingulară,

T
matricea B  S AS se numeşte congruentă cu A.
T T
T
Matricea B este tot simetrică: B  S AS  T
  ST A T  ST   ST A TS  ST AS deoarece
T
A este simetrică ( A  A ).
Relaţia de congruenţă a matricilor simetrice este o relaţie de echivalenţă:
T
1) Reflexivitate: A este congruentă cu A deoarece A  E AE unde E este matricea-
unitate (nesingulară)
T
2) Simetrie: Dacă A este congruentă cu B atunci B este congruentă cu A deoarece B  S AS
T -1 T
 
implică S BS1  A adică A   S1  B  S1  cu S1 nesingulară.
3) Tranzitivitate: Dacă A este congruentă cu B şi B este congruentă cu C atunci B este
T T
congruentă cu C deoarece B  S AS şi C  R BR cu S, R = nesingulare, implică
T
C  R T  ST AS R   SR  A  S  R
 112
Observăm că asemănarea matricilor simetrice este un caz particular al congruenţei lor
pentru cazul când matricea S este ortogonală ( ST  S-1 ) deci B  S-1AS .

Teorema 4.9 (a inerţiei)

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
nr.
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

Coeficienţii polinomului caracteristic al matricii A  t  sunt polinoame în raport cu t deci

valorile proprii ale lui A  t  sunt funcţii continue de t. În t  1 ele sunt valorile proprii ale lui
Q T AQ deci sunt valorile proprii ale lui B  ST AS .
Pentru t   0; 1 valorile proprii ale lui A  t  îşi păstrează semnul.
2) Fie subcazul când matricea A este singulară şi fie valorile proprii (toate reale) ale lui A:
λ1  ...  λ h  0
λ h1  ...  λ k  0
0  λ k 1  ...  λ n
Fie ε  min λ h ,λ k 1  deci pentru orice t   0; ε  valorile proprii ale lui A  tE adică
λi  t vor nenule. Conform punctului b) matricile ST  A  tE  S şi A  tE au acelaşi număr de
valori proprii pozitive respectiv negative.
Aceste valori proprii sunt funcţii continue în raport cu t deci pentru t  0 cele pozitive
T
devin nenegative iar cele nenegative devin nepozitive. În plus S AS şi A au acelaşi număr de
T
valori proprii nenule. Rezultă că A şi B  S AS au acelaşi număr de valori proprii pozitive şi
acelaşi număr de valori proprii negative (fiecare fiind socotită cu multiplicitatea sa). Q.E.D.
 113

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

unde X este vector-coloană din Rn .

Trecând de la baza standard E  E1 ,...,E n  la o altă bază F  F1 ,...,Fn  avem conform
secţiunii 2.2 relaţia X  SX F unde S  F este matricea de trecere de la baza E la baza F. Rezultă
T T
P  x    SX F  A  SX F    X F   ST AS X F deci în baza F polinomul pătratic P  x  are
T
matricea simetrică a coeficienţilor B  S AS , congruentă cu A.
Conform teoremei inerţiei, la schimbarea bazei, numărul valorilor proprii pozitive şi
respectiv negative ale matricii coeficienţilor lui P  x  rămâne acelaşi.
Exemplu
1 0   1  2
Matricile simetrice A    şi B    sunt congruente deoarece cu
 0 1   2 0 

1  2  T
S  nesingulară avem B  S AS . A are valorile proprii 1 şi -1 iar B are valorile
0 
2 

proprii 2 şi -1 ceea ce confirmă teorema inerţiei.

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

1.Ce sunt valoarea proprie şi vectorul propriu al unei matrici ?

2. Cum arată forma diagonală a unei matrici simetrice ?
3. Cum se realizează descompunerea singulară a unei matrici ?
4. Ce afirmă legea inerţiei pentru matrici simetrice congruente ?

4.8 Bibliografie

1. Stănăşilă O. “ Analiză liniară şi geometrie “Vol. I - II,Editura ALL ,2000 - 2001

2. Cenuşă Gh. şi col.“ Matematici pentru economişti “ Editura CISON,2000
3. Cenuşă Gh. şi col.“ Matematici pentru economişti – culegerede probleme“ Editura
CISON,2000
4. Ene D. “ Matematici (I) “ Editura CERES , 2004
5. Gogonea S. , Ene D. “ Analiză numerică “ Editura Cartea Universitară , 2005
6. Ene D. , Gogonea S. “ Metode numerice “Editura Cartea Universitară , 2005
 114

CAP. 5 SISTEME DE ECUAŢII LINIARE ŞI CONVEXITATE ÎN Rn

Obiective : însuşirea de către studenţi a metodelor de rezolvare exactă şi aproximativă a

sistemelor de ecuaţii liniare cu aplicaţii în operaţii cu poliname,a convexităţii mulţimii soluţiilor
unui sistem liniar compatibil nedeterminat şi a extremelor unui polinom convex/concav pe această
mulţime.

Conţinut :

5.1 Sisteme de ecuaţii liniare şi aplicaţii

5.1.1 Rezolvarea şi discuţia unui sistem de ecuaţii liniare
5.1.2 Rezolvarea sistemelor liniare compatibile determinate
5.1.3 Aplicarea sistemelor liniare la operaţii cu polinoame şi algoritmul lui Euclid
5.1.4 Metode iterative de rezolvare a sistemelor liniare
5.1.5 Soluţii generalizate ale sistemelor liniare incompatibile

5.2 Mulţimi convexe pe Rn

5.3 Extremele unui polinom convex/concav pe o mulţime convexă din Rn

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 .

5.1 Sisteme de ecuaţii liniare şi aplicaţii

5.1.1 Rezolvarea şi discuţia unui sistem liniar

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

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

      
 . Cu notaţiile: A     ; b   ; X  
     
a x    a x  b  am1  amn     
 m1 1 mn n m1  bm   xn 
avem forma matricială a sistemului: AX=b
Fie rang  A   r  min  m, n  . Presupunem că minorul principal ocupă primele r linii şi
primele r coloane.
 a11    a1r 
 
Fie F submatricea minorului principal: F         cu det  F  0
 
 ar1    arr 
 115

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 
    F1  G    +F1    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 

 F1  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  .
 F1  b p  n
Coloana X B     R este o soluţie particulară bazică (vezi secţiunea 5.2) a
 Onr 
sistemului liniar neomogen A  X  b . Ea se obţine din soluţia generală a sistemului neomogen
pentru componentele nebazice nule xr 1  ...  xn  0 . Cu notaţiile precedente, soluţia generală
din relaţia (1) are forma:

 xr 1 
(2) X  U  X S  X B unde XS      R nr
 
 x 
 n 
Soluţia generală X(0) = U.XS a sistemului omogen AX=0 reprezintă ecuaţiile parametrice
ale subspaţiului vectorial L ataşat sistemului omogen AX=0 (vezi teorema 2.1) ,XS fiind vectorul
celor n – r parametri reali xr+1,…,xn .
Soluţia generală X=U.XS+XB a sistemului neomogen AX=b reprezintă ecuaţiile parametrice
ale varietăţii liniare b + L ( b L) depinzând de aceiaşi parametri reali xr+1,…,xn .
Exemple
1) Ecuaţia planului în R3 are forma generală a11x + 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 .

Există o soluţie particulară unică XNRn sistemului liniar A  X  b cu

2
XN  min im , numită soluţie normală. Ea are propietatea că este ortogonală pe subspaţiul
T
liniar Ker  A  adică U  X N  0 deci XNIm(AT) .
T T T
Conform relaţiei (2) avem: U  X  U U  X S  U  X B  0 deci:
1
U T U  XS   UT  X B aşa că: XS    U T U   U T X B . Rezultă din relaţia (2):
1
X   U   U T U   U T X B  X B deci soluţia normală are forma:

1
(3) X N  E  U   UT U   U T   X B
 
Subcazul b)
 b 'r 1 
  H  F E mr   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 

cu m  r componente, este nenulă.

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

Er F - 1 .b p
0
'
01r b r+1

Discuţia sistemului liniar este terminată.

Spre deosebire de sistemul liniar A  X  b care este compatibil dacă şi numai dacă
rang  A   rang  A b sau b  Ker  A T  , sistemul A T A  X  A Tb este totdeauna

compatibil şi soluţia sa X se numeşte soluţie generalizată a sistemului AX  b . Ea are
proprietăţile:
i) AX+ - b este ortogonal pe Im(A) ; ii) AX +  b  min im

Dacă c este proiecţia vectorului b pe subspaţiul Im(A) atunci X este soluţie a sistemului
compatibil AX  c .Soluţia (2) este dată de programul SISTEM .
Exemplu
 118

 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

 x1   5 /11   1/11   15 /11 

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

Primii doi termeni din membrul doi reprezintă soluţia generală a sistemului omogen
A  X  0 iar al treilea termen este o soluţie particulară bazică a sistemului neomogen (obţinută
din soluţia generală a sistemului neomogen pentru x3  x4  0 ).
Coloanele principale A1 , A 2 din matricea A se numesc bazice iar celelalte coloane secundare
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:

 5 /11 1/11   15 /11 

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

 584 
  147 
 
  3209 
 147  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).

5.1.2 Sisteme liniare compatibile determinate particulare (m = n ;det(A)≠0)

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)

Sistemele liniare inferior-triunghiulare au forma A.X = b unde A este matrice pătratică

nesingulară inferior triunghiulară : aij =0 pentru i<j . Soluţia acestor sisteme este dată de relaţiile :

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 .

Sistemele liniare se pot rezolva prin descompunerea matricii A , urmată de reducerea

rezolvării sistemului liniar iniţial la rezolvarea a două sisteme triunghiulare cu soluţii de forma (1)
sau (2) .

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

c). Descompunerea Cholesky A = B.BT

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).

d). Descompunerea A = Q.R

La ortonormalizarea unei baze din R n ai cărei vectori-coloană A1,…,An formează matricea
pătratică nesindulară A de ordin n , se obţine descompunerea A = Q.R unde Q este matricea
ortogonală ( Q-1 = QT) care are pe coloane versorii bazei ortonormale iar R este o matrice superior-
triunghiulară nesingulară de ordin n .
Sistemul liniar A.X = b devine Q.(R.X) = b deci cu notaţia R.X = Y , se rezolvă sistemul
liniar Q.Y = b în raport cu necunoscuta Y ,cu soluţia Y = Q-1.b = QT.b apoi se rezolvă sistemul
triunghiular R.X = Y în raport cu necunoscuta X , cu formulele (1) .

e) Sisteme liniare tridiagonale

Aceste sisteme liniare de n ecuaţii cu n necunoscute ui 1 i  n  au forma matricială:
A  U  d unde rang  A   n , U,d = vectori-coloană din Rn şi :

 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 

Descompunem matricea tridiagonală A în produsul a două matrici bidiagonale: A  TS unde:

 122

 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 
 

Prin identificare obţinem relaţiile:

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

Descompunerea A  TS este posibilă dacă ti  0,..., ti  0,..., tn  0 .

Sistemul liniar A  U  d devine TSU  d deci se reduce la două sisteme liniare cu matrici
bidiagonale: TV  d şi SU  V cu vectorii necunoscutelor U,V Rn.
Sistemul liniar TV  d are soluţiile:
v1  d1 / t1
(2) 
 vi   d i  ai vi 1  / ti  i  2,..., n 
Sistemul liniar SU  V cu componentele lui V date de relaţiile (2), are soluţiile:
un  vn
(3) 
 ui  vi  Siui 1  i  n  1,...,1
În concluzie, soluţia U Rn a sistemului tridiagonal A  U  d este dată prin aplicarea
formulelor recurente (1) + (2) + (3) . Programul TRIDIAG face aceste calcule.

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 .

5.1.3 Aplicarea sistemelor liniare la operaţii cu polinoame

a) Înmulţirea polinoamelor

m m 1
Fie polinoamele: P  x   a0 x  a1 x  ...  am1 x  am de grad m şi
Q  m   b0 x n  b1 x n 1  ...  bn1 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 n1 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   mn
0 a0 0  0   0 
1a 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  ...  am1 x  am de grad m şi
Q  m   b0 x n  b1 x n 1  ...  bn1 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 mn  C1 x mn1  ...  Cmn1 x  Cmn de grad m  n şi polinomul-rest:
R  x   r0 x n1  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   mn
0  b0 0  0   0 
1  b b0  
 1 
   b1    
 
Br  m     b0   
    b1    
 
       0 
m  n bmn bmn1    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 , ..., cnm , 0, ..., 0   R
m 1

Vectorul-coloană al restului este: r   0; ...; 0; r0 ; r1 ; ...; rn1   R

m 1
şi este dat de relaţia:
(3) r  a  Bc
T
Coeficienţii restului sunt daţi de vectorul-coloană redus: rr   r0 ; r1 ; ...; rn 1   R
n

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.

c) Schema lui Horner

m m 1
În particular dacă avem polinoamele: P  x   a0 x  a1 x  ...  am 1 x  am de grad m
şi Q  x   x  x0 de grad n  1 . Prin împărţirea lui P  x  cu Q  x   x  x0 obţinem câtul de
grad m  1 : C  x   C0 x
m1
 C1 x m2  ...  Cm2 x  Cm1 şi restul r0 de grad n  1  0 .
Din relaţia: P  x    x  x0   C  x   r0 prin identificarea coeficienţilor puterilor lui x din
ambii membri, obţinem relaţiile de recurenţă:

 c0  a0
C C x a
 1 0 0 1

 C2  C1 x0  a2

          
 Cm -1  Cm 2 x0  am1

 r0  Cm1  x0  am

din care se obţine câtul C  x  şi restul r0 .

 127

Observăm că r0  P  x0  deci dacă P  x0   0 avem r0  0 şi reciproc.

Relaţiile de mai sus se constituie în schema lui Horner:
xm x m1  x1 x0
a0 a1  am 1 am
x0 C0 C1  C m1 r0
Programul HORNER face aceste calcule.

3. Algoritmul Euclid pentru polinoame

Algoritmul Euclid pentru polinoamele P  x  de grad m şi Q  x  de grad n  m este:
P  x   Q  x   C1  x   R1  x  ; grad R1  x   m  1
Q  x   R1  x   C2  x   R 2  x  ; grad R 2  x   m  2
R1  x   R 2  x   C3  x   R 3  x  ; grad R 3  x   m  3

R p 2  x   R p1  x   C p  x   R p  x  ; grad R p  x   m  p

Cazuri
I. Există p  m cu R p  x   0 deci R p 1  x  este cel mai mare divizor comun al
polinoamelor P  x  ,Q  x  iar ecuaţia R p 1  x   0 dă rădăcinile comune ale
polinoamelor P  x  ,Q  x  .
II. R n  x   cons tan tă  0 deci P  x  ,Q  x 
Programul EUCLID face aceste calcule.
m m 1
Algoritmul Euclid aplicat polinomului: P  x   a0 x  a1 x  ...  am1 x  am şi
derivatei sale: P'  x   ma0 x   m  1 a1 x m2  ...  2am2 x  am1 dă rădăcinile multiple ale
m1

lui P  x  . Rădăcina x0 a lui P  x  este de multiplicitate S 1  S  m  dacă

P  x0   P '  x0   ...  P 
S1
 x0   0 dar PS  x0   0 .
Exemplu:
3 2
Se cer rădăcinile multiple ale polinomului: P  x   x  4 x  5 x  2
Soluţie
2
Avem P '  x   3 x  8 x  5
2 2
Relaţia P  x   P '  x   C1  x   R1  x  implică: R 1  x    x
9 9
2 2
Relaţia P'  x   R1  x   C2  x   R 2  x  implică: R 2  x   0 deci R 1  x    x  este cel
9 9
mai mare divizor comun pentru P  x  ,P'  x  iar rădăcina x0  1 a lui R1  x  este rădăcină
multiplă alui P  x  . Avem P''  x   6 x  8 şi P'' 1  0 aşa că x0  1 este rădăcină dublă
S  2  .
 128
5.1.4 Metode iterative de rezolvare a sistemelor liniare

Fie sistemul liniar de n ecuaţii cu n necunoscute, scris matricial A  X  b . Presupunem că

rang  A   n deci sistemul este compatibil determinat. S-a prezentat ca metodă exactă metoda
1
substituirii unui vector din baza standard şi ca o variantă metoda matricii inverse: X  A  b .
Dacă n este mare, erorile de rotunjire se pot acumula, dând erori mari ale soluţiilor. Pentru
creşterea preciziei, la sisteme mari se pot folosi metode iterative.

a) Metoda aproximaţiilor succesive (Jacobi)

Fie sistemul liniar:

 an x1  ...  a1n xn  b1  x1  1  a11  x1  a12 x2  ...  a1n xn  b1

 
             adus sub forma:                      
 a x  ...  a x  b  x  a x  a x  ...  1  a  x  b
 n1 1 nn n n  n n1 1 n2 2 nn n n

adică sub formă matricială: X  C  X  b unde C  E  A . Valoarea iniţială a soluţiei este

X    b iar iteraţiile sunt date de relaţia: X   C  X
0 k k 1
b  k  1,2,..., m 
sau pe componente:

n
(1) xik   Cij x j ,k 1  bi  k  1,2,..., m 
j 1

Se arată că dacă:

n
(2) max
1i  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  1i  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

Aducem sistemul liniar la forma X  C  X  b adică:

 x1  0.6 x1  0.1x2  0.2 x3  1.2


 x2  0.1x1  0.5 x2  0.1x3  1.4
 x  0.2 x  0.1x  0.4 x  2.2
 3 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):

 x1k  0.6 x1,k 1  0.1x2,k 1  0.2 x3,k 1  1.2


(3)  x2 k  0.1x1,k 1  0.5 x2,k 1  0.1x3,k 1  1.4
 x  0.2 x  0.1x
 3k 1, k 1 2,k 1  0.4 x3,k 1  2.2

După m=30 iteraţii avem soluţiile aproximative:

x1,30  1.000044 ;
x2,30  1.999991 ;
x3,30  2.999976 .

Eroarea antecalculată: EA  0.9326068

Eroarea postcalculată: EP  0.0001168
Eroarea de verificare: EV  0.0000117
Programul JACOBI face aceste calcule.

b) Metoda Gauss-Seidel

Se modifică relaţiile (1) astfel:

 130
i 1 n
(4) Xik   Cij X jk   Cij X j ,k 1  bi  k  1,..., m 
j 1 j 1
ceea ce în general măreşte viteza de convergenţă.
Pentru a garanta convergenţa procesului iterativ în toate cazurile, înlocuim sistemul
A  X  b cu sistemul simetric A T AX  A T b care are aceleaşi soluţii cu A  X  b
Exemplu
Pentru sistemul din exemplul precedent, relaţiile (3) se înlocuiesc cu relaţiile:

 x1k  0.6 x1,k 1  0.1x2,k 1  0.2 x3,k 1  1.2


(5)  x2 k  0.1x1k  0.5 x2,k 1  0.1x3,k 1  1.4
 x  0.2 x  0.1x  0.4 x
 3k 1k 2k 3,k 1  2.2

După m=30 iteraţii, avem soluţiile aproximative:

x1,30  1.000017 ;
x2,30  1.999998 ;
x3,30  2.999993

Eroarea antecalculată este: EA  0.9326068

Eroarea postcalculată este: EP  0.0000501
Eroarea de verificare este: EV  0.0000051
Programul SEIDEL face aceste calcule.
Prin metoda Gauss-Seidel rădăcinile aproximative sunt mai aproape de valorile exacte şi EP, EV
sunt mai mici decât prin metoda Jacobi ..

c) Metoda iterativă Richardson

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

Fie  raza spectrală ( valoarea proprie maximă ) a matricii Richardson E - .A .

Şirul X(k) este convergent   < 1   1 - i  < 1 pentru orice i = 1,…,n  0 <  < 2 / i
pentru orice i = 1 ,…, n .
Cum 0 < 2 / 1  …  2 /  n rezultă 0 <  < 2 / 1 .
Valoarea optimă a lui  este 0 = 2 / (1 + n) în care caz avem  =(1 -  n ) / (1 +  n) .
Q.E.D.
Pentru k = m iteraţii soluţia aproximativă este X(m) , eroarea postcalculată este
EP =  X(m) - X(m – 1)  iar eroarea de verificare este EV =  A. X(m) - b  .
Exemplu
Fie sistemul liniar :
 131
3x1+ 2x2 + 2x3 = 20
2x1+ 3x2 + 2x3 = 21
2x1+ 2x2 + 3x3 = 22

Matricea sistemului liniar este :

3 2 2 
A   2 3 2 
 2 2 3
 
şi este simetrică , pozitiv definită având valorile proprii strict pozitive 1 = 7 ; 2 = 3 = 1 .
Luăm  = 0 = 2 / (1 + 3 ) = 0.25 deci sistemul recurent capătă forma :

 x1(k )   x1(k 1)   20   3 2 2   x1(k 1)  

 (k )   (k 1)       (k 1)  
 x 2    x 2   0.25  21    2 3 2    x 2  
 (k )   (k 1)   22   2 2 3   (k 1)  
 x3   x3       x 3  

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 .

5.1.5 Soluţii generalizate ale sistemelor liniare incompatibile

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

componente şi b = vector-coloană cu m componente. În plus presupunem că
rang  A   r  rang  A / b   r  1 deci sistemul liniar este incompatibil deci nu există nici un
vector-coloană X astfel că A  X  b .
1
Prin analogie cu soluţia clasică a sistemelor compatibile determinate X  A b , vom numi

soluţia generalizată a sistemului compatibil expresia X+=A+b unde A de tip
n  m este inversa generalizată a matricii A, definită de relaţia AA  A  A (vezi secţiunea 1.3).
 
În acest caz nu mai avem AX  b dar AX şi b sunt cei mai apropiaţi în sensul normei
euclidiene după cum arată:

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

5.2 Mulţimi convexe în Rn

Fie o mulţime de vectori URn . Dacă X ', X ''  U , numim segmentul închis cu capetele
X,X mulţimea  X'; X'' a vectorilor din 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 URn 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 bRm 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 'm1 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
xm1  ...  xn  0 .
O soluţie XRn a sistemului liniar AX  b se numeşte posibilă (admisibilă) dacă are toate
componentele nenegative: xi  0 1  i  n  .
Fie U mulţimea soluţiilor posibile X  0 a sistemului liniar AX  b cu m  n şi
rang  A   m .
O soluţie posibilă X  U, X  0 se numeşte bazică dacă are m componente strict pozitive
(numite bazice) restul de n  m componente fiind nule, iar coloanele din matricea A ce corespund
celor m componente bazice strict pozitive, formează o bază în Rm.
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

Fie soluţia bazică X. Presupunem că X nu este soluţie extremală.

Presupunând că primele m componente ale lui X sunt nenule, din relaţia:
X  1  λ  X ' λX '' cu λ   0;1 rezultă: 1  λ  xi'  λxi''  0  i  m  1, ..., n  . Cum
λ  0 , xi' , xi''  0 , rezultă de aici că xi'  xi'' pentru i  m  1,..., n . Dar X',X'' sunt soluţii
' ' '' ''
posibile aşa că avem x1A1  ...  xm A m  x1A1  ...  xm A m  b . Cum A1 ,..., A m sunt vectori-
' ''
coloană liniar independenţi (X = soluţie bazică) rezultă xi  xi şi pentru i  1,..., m aşa că
X '  X '' absurd. Rezultă că X este soluţie extremală.
Reciproc, fie X=soluţie extremală cu xi  0 pentru i  1, ..., m .
 135
Să arătăm că X este soluţie bazică adică vectorii-coloană A1 , ..., A m sunt liniar
independenţi. Dacă A1 , ..., A m n-ar fi liniar independenţi, am avea α1A1  ...  α m A m  0 cu
αi nu toţi nuli. Dar x1A1  ...  xm A m  b deci rezultă egalităţile:
 x1  βα1  A1  ...   xm  βαm  A m  b
 x1 +βα1  A1  ...   xm +βα m  A m  b
β poate fi ales suficient de mic astfel ca: xi  βαi  0 ; xi  βαi  0 pentru i  1, ..., m .
Rezultă că:
X '   x1  αβ1 , ..., X m  αβ m , 0, ..., 0 
X ''   x1 +αβ1 , ..., X m +αβ m , 0, ..., 0 
1 1
sunt soluţii posibile şi în plus: X  X ' X '' ceea ce contrazice faptul că X este soluţie
2 2
m
extremală. Rezultă că X este soluţie bazică. Avem Cn grupuri de m componente nenule din n
m
componente posibile deci avem C n soluţii extremale  bazice. Q.E.D.

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
 

Este clar că pentru  cu λ  min   λ1 ,λ 2  avem X  λX'  0 . Putem alege un λ 0 astfel

ca soluţia posibilă X  λ 0 X ' să aibă cel mult m-1 componente nenule: dacă λ 2   luăm
λ 0  λ1 iar dacă λ1   luăm λ 0  λ 2 . Dacă coloanele corespunzătoare componentelor
nenule ale soluţiei X  λ 0 X' (în număr de cel mult m-1) sunt liniar independente, aceasta ar fi
soluţie bazică.
În caz contrar se reia raţionamentul aplicat mai sus, obţinându-se o nouă soluţie cu cel mult
m-2 componente nenule, etc., deci după un număr finit de paşi am ajunge la soluţia nulă (cu zero
componente nenule) care este evident soluţie bazică. Q.E.D.
 136

Teorema 5.5

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

convexă generată de soluţiile bazice în număr finit.

Demonstraţie
Fie X ', X ''  U deci AX'  b , AX''  b şi X ', X ''  0 .
Pentru orice 0  λ  1 avem A 1  λ  X ' λX ''  1  λ  AX ' λAX ''  1  λ  b  λb  b
şi în plus 1  λ  X ' λX ''  0 deci U este mulţime convexă.
1  p
Fie X , ..., X
 U astfel că pentru orice X  U avem:
1  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' X1  ...  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:

  
X1  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

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

secundară numărul 3 se elimină din sistem fiind liniar dependentă de primele două.
 x1  2 x2  4 x3  3 x4  10
Sistemul capătă forma:  . Soluţiile posibile bazice
2 x1  5 x2  8 x3  6 x4  21
 x1 
x 
X   2  au 2 componente strict pozitive (bazice) şi 2 componente nule (nebazice).
 x3 
 
 x4 

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) .

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

Fie URn o mulţime convexă.

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

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

O funcţie f: U R este concavă dacă pentru orice X ', X ''  U şi orice λ   0; 1 avem:
 139

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

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

convexă / concavă pe U.

Exemplu
Funcţia polinomială liniară f  x   C  X  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:

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

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:

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

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

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

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

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

Adunând relaţiile (5) şi (6) obţinem: f 1  λ  X ' λX ''  1  λ  f  X '  λf  X ''
deci f este convexă pe U. Q.E.D.
 140

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:

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

deci f este convexă pe U Rn dacă şi numai dacă este îndeplinită relaţia (8).
În mod analog relaţia (7) capătă forma:

(9) d 2 f  X '  0 pentru orice X'  U .

Deci f este concavă pe U Rn dacă şi numai dacă este îndeplinită relaţia (9).

Exemplu
Fie funcţia polinomială pătratică: f  x   e  2C  X  X DX unde D este matrice
T T

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

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

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

Matricea D este pozitiv definită dacă şi numai dacă D1 ,D 2 ,...,D n  0 .

n
Matricea D este negativ definită dacă şi numai dacă D1  0, D 2  0 ,...,  1 D n  0
Funcţiile polinomiale pătratice convexe (cu matricile D pozitiv definită) au un minim unic dat de
relaţiile: df  X   2D  X  2C  0 deci punctul de minim este vectorul din Rn :
(10) X 0  D 1  C
 0
Funcţiile polinomiale pătratice concave (cu matricea D negativ definită) au un maxim unic X ,
dat de relaţia (10).
Valoarea minimului / maximului este f X   .
0

Exemple
1) Se dă funcţia polinomială pătratică:
f  x1 , x2 , x3   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

este şi convexă şi concavă.

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

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

0 T
 X  este maximă sau minimă. În
0

continuare ecuaţiile sistemului liniar AX  b , le vom numi legături sau restricţii.

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

f 1  λ  X ' λX''  CT 1  λ  X ' λX'' 

 1  λ  CT X ' λCT X ''  1  λ   OPTIM+λ  OPTIM=OPTIM
deci V este mulţime convexă. A doua parte a enunţului se demonstrează analog cu a doua parte a
enunţului teoremei 5.5. În particular dacă V se reduce la o soluţie optimă, aceasta este bazică.
Q.E.D.

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

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

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

Exemplu
 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

De exemplu funcţia f  X   X1  2X 2  2X3  X 4 are valorile f X      143 ;

1

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

1. Ce formă are soluţia generală a unui sistem de ecuaţii liniare ?

2. Cum se reduc operaţiile cu polinoame la sisteme de ecuaţii liniare ?
3. Ce formă are soluţia generală a unui sistem de ecuaţii liniare ca o combinaţie liniară convexă
de soluţii bazice ?
4. Cum se recunoaşte dacă un polinom de grad 2 este convex /concav şi unde se ating extremele
sale pe mulţimea convexă a soluţiilor unui sistem liniar compatibil nedeterminat ?

5.6 Bibliografie

1. Stănăşilă O. “ Analiză liniară şi geometrie “Vol. I - II,Editura ALL ,2000 - 2001

2. Cenuşă Gh. şi col.“ Matematici pentru economişti “ Editura CISON,2000
3. Cenuşă Gh. şi col.“ Matematici pentru economişti – culegerede probleme“ Editura
CISON,2000
4. Ene D. “ Matematici (I) “ Editura CERES , 2004
5. Gogonea S. , Ene D. “ Analiză numerică “ Editura Cartea Universitară , 2005
6. Ene D. , Gogonea S. “ Metode numerice” Editura Cartea universitară , 2005
 145

CAP. 6 PROGRAMARE LINIARĂ ŞI GRAFURI ÎN AGRICULTURĂ

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

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

6.1 Modele liniare de optimizare în producţia agricolă

6.1.1 Modelul raţiei furajere optime pentru animale domestice
6.1.2 Modelul structurii optime a culturilor vegetale
6.1.3 Modelul rotaţiei optime a culturilor
6.1.4 Modelul cupajului optim al vinurilor

6.2 Dualitatea modelelor liniare de optimizare

6.3 Găsirea soluţiilor soluţiilor optime pentru modelele liniare primal şi dual cu metoda simplex
cu calculatorul .

6.4 Modele de optimizare tip transport şi de repartiţie(assignment)

6.5 Drumuri optime în reţele

6.6 Eşalonarea optimă a activităţilor unui proiect agricol prin metoda drumului critic

6.7 Rezumat

6.8 Întrebări

6.9 Bibliografie

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

6.1 Modele liniare de optimizare în producţia agricolă şi dualitatea lor

Metoda modelării proceselor biologice, tehnice şi economice a apărut odată cu utilizarea

calculatoarelor electronice în a doua jumătate a secolului XX.
Un model schematizează un proces complex, reţinând trăsăturile considerate esenţiale din punctul de
vedere al modelatorului. Structura şi evoluţia modelului este simulată pe calculatorul electronic, rezultatele
simulării fiind confruntate cu datele procesului modelat.
Principalele avantaje ale modelării şi simulării sunt posibilităţile de analiză şi sinteză ale procesului
modelat precum şi prognoza evoluţiei sale. În funcţie de gradul de schematizare, modelele pot fi
macromodele şi micromodele.
Macromodelele sunt mai apropiate de procesul modelat dar simularea lor comportă un mare volum
de calcul. Un macromodel se poate simplifica sub forma unui micromodel în scopul uşurării simulării cu
preţul îndepărtării de procesul modelat. Arta modelării şi simulării constă tocmai în realizarea unui
compromis rezonabil între apropierea de procesul modelat şi volumul de calcul pe care îl comportă
simularea modelului. Între modelele elaborate pentru agricultură un rol deosebit îl au modelele de
optimizare.
Un model de optimizare are ca părţi componente:
 146
1) Necunoscutele (variabilele) modelului notate cu x1 ,..., xn care sunt numere reale pozitive ce
urmează a fi determinate. Există modele în care necunoscutele x1 ,..., xn sunt numere întregi pozitive (de
exemplu efective de animale) sau chiar valori binare (0 sau 1) (de exemplu utilizarea (1) sau neutilizarea (0)
a unei maşini agricole sau a unei tehnologii); în aceste cazuri avem modele de optimizare cu variabile întregi
respectiv modele de optimizare cu variabile bivalente.
2) Restricţiile (constrângerile) modelului care sunt m inecuaţii sau ecuaţii care conţin necunoscutele
x1 ,..., xn . Membrul doi al fiecărei restricţii este limita resursei la care se referă restricţia. Dacă toate
restricţiile modelului sunt ecuaţii, el se numeşte model standard. Orice model de optimizare poate fi adus la
forma standard prin adăugarea la membrul întâi al restricţiilor „  ” şi , „ = ” a unor variabile de egalizare
nenegative şi prin scăderea din membrul întâi al restricţiilor „  ” a altor variabile de egalizare nenegative
deci modelul va avea m restricţii egalităţi şi n  m variabile x1 ,..., xn ,xe1,…,xem .
3) Funcţiile-obiectiv ale modelului în număr de p , care conţin necunoscutele x1 ,..., xn şi care trebuie
maximizate  minimizate sau cu un cuvânt optimizate. Dacă restricţiile modelului lipsesc atunci se zice că
avem un model de optimizare fără restricţii (liber) în caz contrar modelul este cu restricţii (legături). Un
sistem de valori pozitive pentru x1 ,..., xn care satisfac restricţiile, se numeşte soluţie posibilă iar acele
soluţii posibile care optimizează o funcţie-obiectiv, se numesc soluţii optime în raport cu acea funcţie.
Dacă restricţiile şi funcţiile-obiectiv ale modelului sunt polinoame cu necunoscutele x1 ,..., xn modelul se
numeşte polinomial sau algebric în caz contrar modelul se numeşte nepolinomial sau transcendent.
Dacă într-un model polinomial, polinoamele din restricţii şi din funcţiile-obiectiv au gradul 1,
modelul polinomial se numeşte liniar, în caz contrar modelul polinomial este neliniar.
Un model polinomial neliniar des întâlnit este modelul polinomial pătratic cu restricţii polinoame de
gradul 1 şi funcţiile-obiectiv polinoame de gradul doi. Dacă modelul de optimizare are o singură funcţie-
obiectiv, el se numeşte model monocriterial în caz contrar se numeşte model policriterial. Orice model
policriterial se poate reduce la unul monocriterial prin înlocuirea funcţiilor sale obiectiv cu o funcţie-obiectiv
de utilitate maximă. O problemă delicată în elaborarea modelelor apare în legătură cu restricţiile care trebuie
să fie:
1) necontradictorii (să existe măcar o soluţie posibilă);
2) independente (să nu rezulte unele din altele).
În acest caz modelul de optimizare se numeşte coerent. Cu cât numărul m al restricţiilor modelului este mai
mare, cu atât pericolul contradicţiei şi  sau dependenţei restricţiilor creşte deci este mai greu de elaborat un
macromodel coerent decât un micromodel coerent. Modelele elaborate la un moment dat se numesc statice.
În realitate, timpul schimbă coeficienţii constanţi ai modelului (stocuri de resurse, costuri ale
resurselor, preţurile de vânzare ale produselor) ceea ce necesită reoptimizarea modelului în raport cu aceste
schimbări.
În funcţie de caracterul mărimilor care intervin în modele, acestea pot fi deterministe (cu mărimi
precise valoric) sau aleatoare o parte sau toate mărimile au valori probabile cum sunt cele legate de natură:
precipitaţii, climă, calamităţi, etc. Cele mai multe macromodele de optimizare care au fost elaborate pentru
agicultură, se împart în două clase:
I. Modele de structură optimă pentru:
 culturi agricole anuale sau perene;
 rase şi grupe de animale;
 furaje grupate în raţii furajere;
 ramuri vegetale  animale în cadrul fermei.
II. Modele de repartiţie optimă pentru:
 rotaţia culturilor;
 alocare resurse (forţă de muncă, maşini, tehnologii, energie, îngrăşăminte, apă, investiţii);
 organizarea transporturilor agricole;
 stabilirea preţurilor în economia de piaţă în raport de cerere-ofertă.
 147

6.1.1 Modelul raţiei furajere optime pentru animale domestice

Furajele pentru animale domestice se clasifică în următoarele grupe principale:

1) Fibroase (masă verde, fânuri, furaje murate)
2) Grosiere (paie, vreji, coceni)
3) Concentrate (grăunţe de cereale, boabe de leguminoase, seminţe de oleaginoase)
4) Suculente (rădăcinoase, tuberculi, fructe)
5) Reziduri tehnice (tărâţe, turte, borhot)
6) Furaje de origine animală (făinuri de carne-oase, lapte, zer)
7) Furaje de origine minerală (sare, fosfat dicalcic)

Substanţele nutritive principale prezente în aceste furaje sunt:

a) Substanţa uscată (SU) în kg
b) Unităţi nutritive (UN)
c) Proteina digestibilă (PD) în g
d) Calciu (C) în g
e) Fosfor (P) în g
f) Caroten în mg
Conţinuturile nutritive pe kg furaj se găsesc în Decretul 501982 sau în buletine de analiză ale
laboratoarelor de nutriţia animalelor. Animalele se împart în rase, rasele în grupe şi grupele în subgrupe. De
exemplu în cadrul rasei taurine există grupa vaci în lactaţie care are subgrupe după producţii: 4000
litrilactaţie normală, 5000 litrilactaţie normală, 6000 litrilactaţie normală. În cadrul rasei ovine există
grupa oi în lactaţie cu două subgrupe: alăptare miei şi lactaţie. Fiecare animal domestic în raport cu rasa,
grupa şi subgrupa de care aparţine, are anumite cerinţe nutritive unitare zilnice:
I. Cerinţe pentru funcţii vitale pe 100 kg corp;
II. Cerinţe pentru funcţii de reproducţie  producţie urmărite, pe kg lapte, pe kg spor, etc.
De exemplu pentru vaci în lactaţie de 500 kg avem cerinţele nutritive unitare zilnice de mai jos la
care se adaugă şi sare:

Cerinţe unitare SU UN PD Ca P Caroten Sare

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

Prin înmulţirea funcţiilor vitale cu 5 şi a liniei producţiei de lapte cu 15 litri  zi, obţinem cerinţele
zilnice totale pentru o vacă de 500 kg şi 15 litri lapte  zi:
Cerinţe totale SU UN PD Ca P Caroten Sare
(kg) (kg) (g) (g) (mg) (g)
Funcţii vitale 8 4.5 300 25 13 150 23
(500 kg corp)
15 litri lapte/zi, 7.2 7.2 720 43.5 36 225 30
(4% grăsime)
Total pe 15.2 11.7 1020 68.5 49 375 53
cap şi zi
 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 producerecumpărare, transport,
depozitare şi administrare la animale a unui kg de furaj.
Profitul este diferenţa între venituri şi cheltuieli iar rata profitului este raportul între profit şi
cheltuieli. Vom nota venitul cu V, cheltuielile cu C, profitul cu P  V  C şi rata profitului cu RP  P / C .
Tabelul 1 care urmează, furnizează datele necesare pentru elaborarea micromodelului raţiei furajere
optime pentru o vacă de 500 kg şi 15 litri laptezi în sezonul de iarnă.

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 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
 150

6.1.2 Modelul structurii optime a culturilor vegetale

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

Tabelul 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

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 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

6.1.3. Modelul rotaţiei optime a culturilor vegetale

Monocultura este sistemul de amplasare a aceleiaşi culturi pe aceeaşi parcelă cel puţin doi ani
consecutivi. În acest caz în respectiva parcelă proliferează buruienile, bolile şi dăunătorii specifici aceleiaşi
culturi iar producţia culturii scade.
De exemplu mazărea, inul de ulei, lucerna şi trifoiul în monocultură duc la oboseala solului. Rotaţia
culturilor este sistemul de amplasare a unei culturi în parcele diferite în doi ani consecutivi. În acest caz
cultura succesoare luptă mai bine cu buruienile, bolile şi dăunătorii rămaşi de la cultura premergătoare,
acestea nefiind specifice culturii succesoare. Există culturi cum este floarea soarelui care poate reveni în
aceeaşi parcelă după minimum 5 ani.
Relaţia premergătoare-succesoare diferă de la caz la caz în ceea ce priveşte favorabilitatea. Astfel o
bună premergătoare pentru o succesoare, asigură pentru aceasta din urmă producţii şi venituri mai mari şi 
sau cheltuieli mai mici. De exemplu leguminoasele (mazărea, fasolea, soia, lintea) sunt bune premergătoare
deoarece lasă în sol îngrăşăminte cu azot pe nodozităţile rădăcinilor datorate bacteriilor fixatoare de azot.
Bune premergătoare sunt şi prăşitoarele deoarece praşilele sunt mijloace mecanice de luptă cu buruienile.
O rea premergătoare pentru o succesoare secătuieşte solul în acele substanţe nutritive de care ar avea
nevoie în cantităţi mari şi succesoarea. De exemplu tutunul nu este bun premergător pentru sfecla de zahăr.
Elementele modelului rotaţiei optime a culturilor, sunt următoarele:
a) Necunoscutele xi sunt suprafeţe ce se vor cultiva cu succesoare după diferite premergătoare.
 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 cheltuielileveniturile unei succesoare sunt influenţate de premergătoarea pe care o
înlocuieşte.
În căsuţa de la intersecţia liniei succesoare cu coloana premergătoarei, în partea de deasupra sunt
veniturile iar în partea de dedesupt sunt cheltuielile. Pentru modelele V şi VI conţinute în tabelele 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

1800 1900 2000

Sfeclă
1200 1100 1000 4 15
De zahăr

2000 1900 1800

Cheltuieli Venituri
Suprafeţe cu
40 ha 50 ha 5 ha Totale(lei) Totale(lei)
premergătoare
≤ 94000 lei ≥ 141000 lei
 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

6.1.4 Modelul cupajului optim al vinurilor

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

Explicaţie : b 8 = 6870200= 25 x 274808 ; 2576600 = 9.376 x 274808

 156

Modelul cupajului optim are L = 6 inecuaţii de forma “ ≤ “ , E = 2 ecuaţii de forma “ = “ şi G

= 1 inecuaţie de forma “ ≥ “ deci un total de M = L + E + G = 9 restricţii precum şi P= 6 variabile
proprii X1,…,X6 . Prin introducerea a M = 9 variabile de egalizare Xe1 ,…Xe9 , modelul va avea
M=9 restricţii de tip ecuaţie cu N = P+M = 15 variabile X1,…,X6 ; Xe1 ,…Xe9 din care 9 vor fi
bazice nenule şi 6 nebazice nule .În funcţia-obiectiv f , variabilele de egalizare Xe1 ,…Xe9 vor
apare cu coeficienţii 0 .
Soluţia optimă a acestui model va fi dată în secţiunea 6.3

6.2 Dualitatea modelelor liniare de optimizare

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

Fie M  L  E  G . Avem M  P restricţii liniare şi P necunoscute proprii x1 , ... , xP .

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

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

5 X  0
 6 f  CT  X  Optim
 157

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

T

rang  A   M (restricţiile (1) sunt liniar independente). Prin introducerea a M variabile de

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

 a11 x1  ...  a1P xP  xe1  b1

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

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

 a11  a1N   b1   x1   c1 

A    ; B     ; X     ; C    
    
a  b  x  c 
 M1  aMN   M  N  N

avem forma matricială a modelului liniar standard (7)(9):

10  AX  B
11 X0
12  f  CT  X  Optim

Modelul standard (10)(12) numit primal are M restricţii şi N  P  M necunoscute:

x1 ,..., xP ; xe1 ,..., xem .

 a11   a12   a1N 

  
Fie A1   ; A 2   ; ...; A N 
  
       vectorii-coloană din matricea A. Sistemul de
a  a  a 
 M1   M2   MN 
restricţii liniare (10) de forma AX  B se poate scrie sub forma:
x1A1  ...  xN A N  B
Modelul liniar (1)(3), numit şi model primal, admite un model liniar dual de forma:
 158

 a11y1  ...  aL1y L  aL1,1y L 1  ...  aL E,1y L E  aL E 1,1 y L E1  ...  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

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

15  g  b1 y1  ...  bL y L  bL+1y L+1  ...  bL+E y L+E  bL+E+1 y L+E+1  ...  bM y M  min im

Pentru g maxim, semnele „  ” din cele M restricţii (13) se vor înlocui cu „  ”. Modelul
dual (13)(15) cu P restricţii şi M necunoscute duale proprii y1 , ... , y M devine standard prin
introducerea a P variabile duale de egalizare: ye1 , ... , ye P . Modelul dual standard are forma:

 a11 y1  ...  aM1 y M  ye1  c1

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

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

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

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:

1) Fie problema de optimizare primală:

4x1+x2 ≤ 5
3x1+2x2 = 7
2x1+3x2 ≥ 10
x1,x2 ≥ 0
----------------------
f = 6x1 + 3x2 = maxim

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

În modelul dual avem M=3 necunoscute proprii y1 , y2 , y3 şi P=2 restricţii.
Luând coeficienţii de pe coloanele modelului primal , obţinem modelul dual :
 159
4y1+3y2+2y3 ≥ 6
y1+2y2+3y3 ≥ 3
y1 ≥ 0 ; y2 = oarecare ; y3 ≤ 0
-----------------------------------
g = 5y1+7y2+10y3 = minim

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

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

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

Ca şi modelul liniar primal, modelul liniar dual are soluţii posibile, bazice, optime.

Proprietăţi ale dualităţii

Teorema 6.1 (Teorema de dualitate)

Fie problemele:

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

Avem unul din cazurile:

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

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 tR deci avem:
 c T bT 0   t 
  

 X   X   X   X 
       
U   Y   0 ;  Y   0; U  Y   Y   0
 t   t   t   t 
       
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) t  0 . În acest caz relaţiile precedente devin: A T Y  0 ; AX  0 ; c T X  bT Y ;

X  ,Y  0 ; X   A T Y  ; Y    AX  ; c T X   b T Y  . De aici rezultă că primala şi duala nu au
simultan soluţii posibile. În adevăr, dacă prin absurd primala ar avea soluţia posibilă X ' iar duala
T
ar avea soluţia posibilă Y' am avea: AX'  b ; X'  0 şi A Y'  c ; Y'  0 deci cu relaţiile de
T
mai sus, am obţine: b Y   AX'  Y  X '  A Y   0 şi respectiv
T   T T 

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

simultan soluţii posibile, avem subcazurile:
b) Una din problemele duale are soluţii posibile iar cealaltă nu are. Fie de exemplu situaţia
când primala are soluţia posibilă X ' iar duala nu are soluţie posibilă. În acest caz şi
X ' λX cu λ  0 este soluţie posibilă a primalei: X ,X ',λ  0 implică X ' λX   0

şi în plus A X ' λX

  AX' λAX 
 b deoarece AX'  b şi de mai sus

avem: AX  0 . Avem de mai sus :
 161
T
c T X  b T Y   AX '  Y  X 'T A T Y  0 deoarece X 'T  0 şi A T Y   0 deci funcţia-
obiectiv f  c
T
 X ' λX   c X ' λc X
 T T 
tinde la  pentru λ   deci primala
are optim infinit. Cazul 2) este demonstrat.

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

Teorema 6.2 (a ecarturilor complementare)

Fie X soluţie posibilă a problemei primale:

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

Demonstraţie
Dacă X, Y sunt soluţii optime pentru primală respectiv pentru duală, atunci conform teoremei de
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

Fie X o soluţie optimă a primalei:

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

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

1) Probleme de optimizare cu soluţie bazică iniţială

Fie problema de optimizare de forma:
a11 x1  ...  a1 p x p  b1

am1 x1  ...  amp x p  b p
x1 ,..., x p  0
f  c1 x1  ...  c p x p  max im
Forma standard a problemei este:

a11 x1  ...  a1 p x p  x p 1  b1

am1 x1  ...  amp x p  ......  x p m  b p
x1 ,..., x p ; x p1 ,..., x p m  0
f  c1 x1  ...  c p x p  0  x p 1  ...  0  x p m  max im

Această problemă are soluţia bazică particulară iniţială:

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

Notăm mai departe p  m  n şi aranjăm datele problemei în tabelul simplex iniţial de mai
jos. Coloana C B conţine coeficienţii din f ai variabilelor bazice, coloana VB conţine variabilele
bazice iar coloana X B valorile variabilelor bazice. În restul tabelului se trec coeficienţii
c1 , ... , c p , c p 1 , ... , cn ai variabilelor din f pe linia C f şi coeficienţii aij ai matricii
A   B/ E  din restricţiile formei standard.
 164
Pe ultima linie a tabelului se găsesc valoarea iniţială a funcţiei f  C B  b şi diferenţele
  CB  A  c   CBB  c; 0  .

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

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

--------

--------

--------

--------

--------

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

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

Teorema 6.4 (Criteriul de optim)

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

 A1  a11A p 1  ...  a p1A n

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

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

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

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

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

Egalând cele două valori ale lui b şi ţinând cont că A p 1 , ... , 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 p1 x p 1  ...  cn xn 
 c p 1  a11 x1'  ...  a1 p x 'p  x 'p1  

 cn  a p1 x1'  ...  a pp x 'p  xn'  
 x1'  c p 1a11  ...  cn a p1  

 x 'p  c p1a1 p  ...  cn a pp  
 x 'p 1c p 1  ...  xn' cn
 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

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

Cazul II a)

Avem: b  x p 1A p 1  ...  xn A n şi ak  a1k Ap1  ...  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 , jk
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 p1a1k  ...  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

Fie problema de optimizare:

4 x1  x2  4
2 x1  3x2  6
x1 , x2  0
f  6 x1  7 x2  max im

Forma standard a problemei este:

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

 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

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

Valoarea maximului f max im  14.8
Problema duală are forma:
4y1  2y 2  6
y1  3y 2  7
y1 , y 2  0
g  4y1  6y2  min im
Soluţia bazică optimă a dualei este:
4
y1  3  c3   0  0.4
10
22
y2   4  c4   0  2.2
10
Valoarea minimă a funcţiei-obiectiv duale este g min im  14.8  f max im

2) Problema de optimizare fără soluţie bazică iniţială

Dacă problema de optimizare sub forma standard nu are o soluţie bazică iniţială, se adaugă
în membrul I al restricţiilor care nu conţin variabile bazice, variabile auxiliare care sunt şi bazice şi
se minimizează suma h a variabilelor auxiliare.
 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

Fie problema de optimizare:

x1  2 x2  3x3  12
3x1  x2  4 x3  8
x1 , x2 , x3  0
f  6 x1  7 x2  10 x3  maxim
Nici una din restricţii nu conţine variabile bazice deci vom adăuga în membrul I al restricţiilor,
variabilele auxiliare xa1 , xa2 care sunt şi bazice şi vom minimiza funcţia h  xa1  xa2 :
x1  2 x2  3x3  xa1  12
3x1  x2  4 x3  xa2  8
x1 , x2 , x3 ; xa1 , xa2  0
h  xa1  xa2  min im

↓
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

Soluţia bazică optimă a dualei este: Y   y3  3; y2  1 ; g min  44  f max

Implementarea metodei simplex se face prin mai multe procedee:

1) Program direct de calcul într-un limbaj de programare.

Exemplu: Programul OPTIMF (vezi Anexa 1 din lucrarea autorului [53] )în unul din
limbajele GWBASIC,QBASIC, QUICKBASIC4.5(QB)
2) Programe de firmă specializate pe cercetări operaţionale ca MS , QM ,MSS ,WINQSB .
3) Produse informatice care lucrează cu tabele de calcul precum EXCEL sau QUATTRO.
4) Produse informatice profilate pe calcul matricial precum MATLAB.
Programul OPTIMF poate fi rulat cu QUICKBASIC (lansat cu QB) precum şi cu versiunile
mai vechi GWBASIC (lansat cu GWBASIC) şi QBASIC (lansat cu QBASIC). Datele necesare
pentru programul OPTIMF sunt:
a) Parametrii modelului liniar L, E, G, P, Z;
b) Matricea A de tip M x P a coeficienţilor din membrul I al restricţiilor;
c) Vectorul b de lungime M al membrului II din restricţii;
d) Vectorul c de lungime P al coeficienţilor funcţiei-obiectiv;
e) (Opţional) Dacă există şi alte funcţii, asemănătoare cu funcţia-obiectiv, trebuie declarat
numărul lor apoi se cer coeficienţii acestor funcţii; programul OPTIMF calculează valorile
acestor funcţii auxiliare pentru soluţia bazică optimă a primalei.
 171
Dacă de exemplu funcţia-obiectiv este venitul, funcţiile auxiliare pot fi cheltuielile, profitul
şi rata profitului. În final soluţia bazică optimă pentru care venitul este maxim, va da şi cheltuielile,
profitul şi rata profitului aferente acestui optim.

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 :

SOLUŢIA BAZICĂ OPTIMĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

PRIMALĂ
1) VPP(Variabile primale proprii) 3) VDE(Variabile duale de egalizare )
x1 = 0.2 ye1 = 0
x2 = 3.2 ye2 = 0
2) VDE(Variabile primale de egalizare) 4) VDP(Variabile duale proprii)
Xe1 = 1 y1 = 0
→ xe2 = 0 → y2 = 2.4
→ xe3 = 0 → y3 = - 0.6
fmax = gmin = 10.8
Valoarea funcţiei auxiliare este 26.6

2) Rezolvarea cu SOLVER din EXCEL :

Problema primală din enunţ se plasează în foaia EXCEL cu numele OPTIML :
A1 B C D E F G H I
2 PROGRAM LINIAR(OPTIML)
3 SOLUŢIA OPTIMĂ COEF. F-CŢIE - OB. VALOARE COEF. VALO
f F-CŢIE -OB. fa ARE
4 X1 X2 C1 C2 f : D1 D2 fa
5 0.2 3.2 6 3 10.8 5 8 26.6
6 RESTRICŢII: SEMN
MEMBRU RESTR MEMBRU
7 X1 X2
STÂNG : ICŢIE: DREPT :
8 4 1 4 < 5
9 3 2 7 = 7
10 2 3 10 > 10

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 .

Modele de optimizare cu funcţie-scop

Funcţia-obiectiv a unui model liniar de optimizare f poate fi înlocuită cu funcţia-scop care

urmăreşte : A) minimizarea diferenţei între valoarea funcţiei-obiectiv f = c1x1 +…+cpxp şi o
valoare dată f0 . În acest caz adăogăm restricţia c1x1 +…+cpxp +xen+1 = f0 dacă se cere f maxim
şi c1 x1 +…+cpxp - xen+1 = f0 dacă se cere fminim şi în ambele cazuri minimizăm pe xen+1 :
h = xen+1 = minim .
B) minimizarea diferenţei între cantitatea consumată din resursa cu numărul i :
ai1x1+…ainxn şi cantitatea disponibilă din acestă resursă bi adică chiar valoarea variabilei de
egalizare xei : h = xei = minim . Dacă resursele cu numărul i şi j au aceeaşi unitate de măsură
se poate minimiza şi h = xei + xej .
Exemplu
Fie problema de optimizare :
x1  2
x2  3
4x1 + x2  4
x1 , x2  0
------------------
f = 6x1 + 7x2 = maxim
Avem forma standard :
x1 + xe1 = 2
x2 + xe2 = 3
4x1+ x2 – xe3 = 4
x1 , x2 , xe1, xe2 ,xe3  0

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

Modelul V (Venit maxim cu cheltuieli limitate) din tabelul 2 are soluţiile :

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

1)VPP(Cantităţi de furaje în raţie) 3)VDE(Surplus de venit lei/Kg furaj)
x1=11.875 Kg fân lucernă ye1=0 lei surplus de venit/Kg fân
x2=17.125 Kg porumb siloz ye2=0 lei surplus de venit/Kg porumb
x3=10 Kg sfeclă furajeră ye3=0 lei surplus de venit/Kg sfeclă
x4=1 Kg tărâţe grâu ye4=0 lei surplus de venit/Kg tărâţe
2)VPE(Diferenţe între resursele 4)VDP(Venituri marginale)
consumate şi limitele lor)
xe1=3.125 Kg fân deficit y1=0 lei creştere venit/al 16-lea Kg fân
xe2=7.875 Kg porumb deficit y2=0 lei creştere venit/al 26-lea Kg porumb
xe3=5 Kg sfeclă deficit y3=0 lei creştere venit/al 16-lea Kg sfeclă
xe4=2 Kg tărâţe deficit y4=0 lei creştere venit/al 4-lea Kg tărâţe
→xe5=0 Kg furaj deficit →y5= 0.037 lei creştere venit/al 41-lea Kg furaj
→xe6=0 lei necheltuiţi →y6=1.313 lei creştere venit/încă 1 leu cheltuit
xe7=1.216 Kg SU surplus y7=0 lei creştere venit/încă 1 Kg SU
xe8=0.251 UN surplus y8=0 lei creştere venit/încă 1 UN
xe9=790.875 g PD surplus y9=0 lei creştere venit/încă 1 g PD
xe10=1.875 kg fân surplus y10=0 lei creştere venit/al 11-lea Kg fân
xe11=2.125 Kg porumb surplus y11=0 lei creştere venit/al 16-lea Kg porumb
→xe12=0 Kg sfeclă surplus →y12=-0.034 lei creştere venit/al 11-lea Kg sfeclă
→xe13=0 Kg tărâţe surplus →y13= -0.025 lei creştere venit/al 2-lea Kg tărâţe
fmaxim = gminim = 16.887 lei
Pentru soluţiile optime de mai sus avem valorile optime Vm=16.887 lei=maxim;
Cm =12 lei;Pm=4.887 lei; RPm=0.410
Indicatori economici ai modelului liniar V :
I) Rata medie a profitului RMP =0.410 lei profit /1 leu cheltuit
II) Rata marginală a profitului RDP = y6 – 1 =0.313 lei creştere de profit / 1 leu creştere
de cheltuieli
III) Elasticitatea ratei profitului ERP = RDP / RMP = 0.8 % creştere de profit / 1 %
creştere de cheltuieli .

Modelul VI (Cheltuieli minime cu venit garantat) din tabelul 2 are soluţiile :

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

1)VPP(Cantităţi de furaje în raţie)
x1=10 Kg fân lucernă
x2=16.84 Kg porumb siloz
x3=10 Kg sfeclă furajeră
x4=1.93 Kg tărâţe grâu
2)VPE(Diferenţe între resursele
consumate şi limitele lor)
3)VDE(Deficit de cheltuieli lei/Kg furaj)
ye1=0 lei deficit de cheltuieli /Kg fân
ye2=0 lei deficit de cheltuieli /Kg porumb
ye3=0 lei deficit de cheltuieli /Kg sfeclă
ye4=0 lei deficit de cheltuieli /Kg tărâţe
4)VDP(Cheltuieli marginale)
 176
xe1=5 Kg fân deficit y1=0 lei creştere chelt./al 16-lea Kg fân
xe2=8.16 Kg porumb deficit y2=0 lei creştere chelt./al 26-lea Kg porumb
xe3=5 Kg sfeclă deficit y3=0 lei creştere chelt./al 16-lea Kg sfeclă
xe4=1.07 Kg tărâţe deficit y4=0 lei creştere chelt./al 4-lea Kg tărâţe
xe5=1.23 Kg furaj deficit y5= 0 lei creştere chelt./al 41-lea Kg furaj
xe6=0.37 Kg SU surplus y6=0 lei creştere chelt./încă 1 Kg SU
→xe7=0 UN surplus →y7=0.645 lei creştere chelt./încă 1 UN
xe8=660.60 g PD surplus y8=0 lei creştere chelt./încă 1 g PD
→xe9=0 lei venit surplus →y9=0.129 lei creştere chelt./încă 1 leu venit
→xe10=0 kg fân surplus →y10=0.117 lei creştere venit/al 11-lea Kg fân
xe11=1.84 Kg porumb surplus y11=0 lei creştere chelt./al 16-lea Kg porumb
→xe12=0 Kg sfeclă surplus →y12=0.072 lei creştere chelt./al 11-lea Kg sfeclă
xe13=0.93 Kg tărâţe surplus y13= 0 lei creştere chelt./al 2-lea Kg tărâţe
fminim = gmaxim = 11.53 lei
Pentru soluţiile optime de mai sus avem valorile optime Vm=16.2 lei;Cm =11.53 lei=minim ;
Pm= 4.67 lei; RP m=0.288
Indicatori economici ai modelului liniar VI :
I) Rata medie a profitului RMP=(16.2-11.53)/11.53=0.288 lei profit /1 leu cheltuieli
II) Rata marginală a profitului RDP = (1 / y9) – 1 =6.752 lei creştere de profit / 1 leu creştere de cheltuieli .
III) Elasticitatea ratei profitului ERP = RDP / RMP = 23.4 % creştere profit / 1 % creştere cheltuieli

B. STRUCTURA CULTURILOR

Modelul V (Venit maxim cu cheltuieli limitate) din tabelul 5 are soluţiile :

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

1)VPP(Suprafeţe cultivate) 3)VDE(Surplus de venit mil.lei/ha cultură)
x1=40 ha grâu ye1=0 lei surplus de venit/ha grâu
x2=44.44 ha porumb ye2=0 lei surplus de venit/ha porumb
x3=10 ha floarea soarelui ye3=0 lei surplus de venit/ha floarea soarelui
x4=5.56 ha sfeclă de zahăr ye4=0 lei surplus de venit/ha sfeclă de zahăr
2)VPE(Diferenţe între resursele 4)VDP(Venituri marginale)
consumate şi limitele lor)
→xe1=0 ha grâu deficit →y1=100 lei creştere venit/al 41-lea ha grâu
xe2=15.56 ha porumb deficit y2=0 lei creştere venit/al 61-lea ha porumb
xe3=10 ha floarea soarelui deficit y3=0 lei creştere venit/al 21-lea ha fl.soare
xe4=4.44 ha sfeclă de zahăr deficit y4=0 lei creştere venit/al 11-lea ha sfeclă
xe5=88.89 litri motorină neconsumaţi y5=0 lei creştere venit/încă 1 litru motorină
xe6=1.78 lei necheltuiţi cu BBD y6=0 lei creştere venit/încă 1 leu chelt. BBD
xe7=77.78 Kg NPK neconsumate y7=0 lei creştere venit/încă 1 Kg NPK
→xe8=0 lei necheltuiţi →y8=3.333 lei creştere venit/încă 1 leu chelt.
→xe9=0 ha teren necultivate →y9= - 1700 lei creştere venit/încă 1 ha teren
xe10=10 ha grâu surplus y10=0 lei creştere venit/al 31-lea ha grâu
xe11=4.44 ha porumb surplus y11=0 lei creştere venit/al 41-lea porumb
→xe12=0 ha floarea soarelui surplus →y12= -400 lei creştere venit/al 11-lea ha floare soare
xe13=1.56 ha sfeclă de zahăr surplus y13= 0 lei creştere venit/al 5-lea ha sfeclă zahăr
fmaxim = gminim = 136667 lei
Pentru soluţiile optime de mai sus avem valorile optime Vm=136667 lei=maxim;
Cm =92000 lei;Pm=44667 lei; RPm=0.485
Indicatori economici ai modelului liniar V :
I) Rata medie a profitului RMP =0.485 mil. lei profit /1 mil.lei cheltuit
II) Rata marginală a profitului RDP = y11 – 1 =2.333 lei creştere de profit / 1 lei creştere de cheltuieli .
 177
III) Elasticitatea ratei profitului ERP = RDP / RMP = 4.8 % creştere de profit / 1 % creştere de cheltuieli .

Modelul VI (Cheltuieli minime cu venit garantat) din tabelul 6 are soluţiile :

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ
1)VPP(Suprafeţe cultivate)
x1=40 ha grâu
x2=45 ha porumb
x3=10 ha floarea soarelui
x4=5 ha sfeclă de zahăr
2)VPE(Diferenţe între resursele
consumate şi limitele lor)
→xe1=0 ha grâu deficit
xe2=15 ha porumb deficit
xe3=10 ha floarea soarelui deficit
xe4=5 ha sfeclă de zahăr deficit
xe5=100 litri motorină neconsumaţi
xe6=200 lei necheltuiţi cu BBD
xe7=200 Kg NPK neconsumate
→xe8=0 ha teren necultivate
→xe9=0 lei surplus de venit
xe10=10 ha grâu surplus
xe11=5 ha porumb surplus
→xe12=0 ha floarea soarelui surplus
xe13=1 ha sfeclă de zahăr surplus
fminim = gmaxim =91950 lei
3)VDE(Deficit de chelt.mil.lei/ha cultură)
ye1=0 lei deficit de chelt./ha grâu
ye2=0 lei deficit de chelt./ha porumb
ye3=0 lei deficit de chelt./ha floarea soarelui
ye4=0 lei deficit de chelt./ha sfeclă de zahăr
4)VDP(Cheltuieli marginale)
→y1= - 30 lei creştere chelt./al 41-lea ha grâu
y2=0 lei creştere chelt./al 61-lea ha porumb
y3=0 lei creştere chelt./al 21-lea ha fl.soare
y4=0 lei creştere chelt./al 11-lea ha sfeclă
y5=0 lei creştere chelt./încă 1 litru motorină
y6=0 lei creştere chelt./încă 1 leu chelt. Cu BBD
y7=0 lei creştere chelt./încă 1 Kg NPK
→y8=510 lei creştere chelt./încă 1 ha teren
→y9=0.3 lei creştere chelt./încă 1 leu venit
y10=0 lei creştere chelt./al 31-lea ha grâu
y11=0 lei creştere chelt./al 41-lea porumb
→y12=120 lei creştere chelt./al 11-lea ha floare soare
y13= 0 lei creştere chelt./al 5-lea ha sfeclă zahăr

Pentru soluţiile optime de mai sus avem valorile optime Vm=136500 lei ;Cm =91950 lei=minim;
Pm= 44550 lei; RPm=0.326

Indicatori economici ai modelului liniar VI :

I) Rata medie a profitului RMP =0.326 mil. lei profit /1 mil.lei cheltuit
II) Rata marginală a profitului RDP = (1 / y9 – 1) =2.333 lei creştere de profit / 1 lei creştere de cheltuieli
III) Elasticitatea ratei profitului ERP = RDP / RMP = 7.2 % creştere de profit / 1 % creştere de cheltuieli .

C. ROTAŢIA CULTURILOR

Modelul V (Venit maxim cu cheltuieli limitate) din tabelul 8 are soluţiile :

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

1)VPP(Suprafeţe cultivate cu
succesoare după premergătoare)
x1=45 ha porumb după grâu
→x2=0 ha sfeclă zahăr după grâu
x3=35 ha grâu după porumb
x4=15 ha sfeclă de zahăr după porumb
x5=0 ha grâu după soia
x6=5 ha porumb după soia
x7=0 ha sfeclă zahăr după soia
3)VDE(Surplus de venit mil.lei/ha cultură)
ye1=0 lei surplus de venit/ha P după G
→ye2=400 lei surplus de venit/ha SZ după G
ye3=0 lei surplus de venit/ha G după P
ye4=0 lei surplus de venit/ha SZ după P
ye5=0 lei surplus de venit/ha G după S
ye6=0 lei surplus de venit/ha P după S
ye7=0 lei surplus de venit/ha SZ după S

2)VPE(Diferenţe între resursele
consumate şi limitele lor)
xe1=15 ha grâu deficit
xe2=10 ha porumb deficit
→xe3= 0 ha sfeclă de zahăr deficit
→xe4=0 lei necheltuiţi
→xe5=0 ha teren necultivate
→xe6=0 ha grâu premerg.necultivate
→xe7=0 ha porumb premerg.necultivate
xe8=0 ha soia premerg.necultivate
xe9=5 ha grâu surplus
xe10=10 ha porumb surplus
xe11=11 ha sfeclă zahăr surplus
178
4)VDP(Venituri marginale)
y1=0 lei creştere venit/al 51-lea ha grâu
y2=0 lei creştere venit/al 61-lea ha porumb
→y3=250 lei creştere venit/al 16-lea ha sfeclă zahăr
→y4= 1.5 lei creştere venit/încă un mil.lei chelt.
→y5= 250 lei creştere venit/al 101-lea ha teren
→y6= - 250 lei creştere venit/al 46-lea ha G premerg.
→y7= - 250 lei creştere venit/al 51-lea ha P premerg.
y8= 0 lei creştere venit/al 6-lea ha S premerg.
y9=0 mil.lei creştere venit/al 31-lea ha grâu
y10=0 lei creştere venit/al 41-lea ha porumb
y11= 0 lei creştere venit/al 5-lea ha sfeclă zah.

fmaxim = gminim = 146000 lei

Prescurtări : G=grâu;P=porumb;S=soia;SZ=sfeclă de zahăr

Pentru soluţiile optime de mai sus avem valorile optime Vm=146000 lei=maxim; Cm =94000 lei;
Pm=52000 lei; RPm=0.553

Indicatori economici ai modelului liniar V :

I) Rata medie a profitului RMP =0.553 lei profit /1 leu cheltuit
II) Rata marginală a profitului RDP = y4 – 1 =0.5 lei creştere de profit / 1 leu creştere de cheltuieli
III) Elasticitatea ratei profitului ERP = RDP / RMP = 0.9 % creştere de profit / 1 % creştere de cheltuieli .

Modelul VI (Cheltuieli minime cu venit garantat) din tabelul 9 are soluţiile :

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

1)VPP(Suprafeţe cultivate cu
succesoare după premergătoare)
x1=45 ha porumb după grâu
→x2=0 ha sfeclă zahăr după grâu
x3=40 ha grâu după porumb
x4=10 ha sfeclă zahăr după porumb
x5=5 ha grâu după soia
→x6=0 ha porumb după soia
x7=0 ha sfeclă zahăr după soia
2)VPE(Diferenţe între resursele
consumate şi limitele lor)
xe1=5 ha grâu deficit
xe2=15 ha porumb deficit
xe3=5 ha sfeclă de zahăr deficit
→xe4=0 ha necultivate
→xe5=0 ha grâu premerg.necultivate
xe6=0 ha porumb premerg.necultivate
→xe7=0 ha soia premerg.necultivate
→xe8=0 lei venit surplus
xe9=15 ha grâu surplus
xe10=10 ha porumb surplus
xe11=6 ha sfeclă zahăr surplus
fminim = gmaxim = 91500 lei
3)VDE(Deficit de chelt. mil.lei/ha cultură)
ye1=0 lei deficit de chelt./ha P după G
→ye2=71.429 lei deficit de chelt./ha SZ după G
ye3=0 lei deficit de chelt./ha G după P
ye4=0 lei deficit de chelt./ha SZ după P
ye5=0 lei deficit de chelt./ha G după S
→ye6=71.429 lei deficit de chelt./ha P după S
ye7=0 lei deficit de chelt./ha SZ după S
4)VDP(Cheltuieli marginale)
y1=0 lei creştere chelt./al 51-lea ha grâu
y2=0 lei creştere chelt./al 61-lea ha porumb
y3=0 lei creştere chelt./al 16-lea ha sfeclă zahăr
→y4= 285.714 lei creştere chelt./al 101-lea ha teren
→y5= 71.429 lei creştere chelt./al 46-lea ha G premerg.
y6= 0 lei creştere chelt./al 51-lea ha P premerg.
→y7= -142.857 lei creştere chelt./al 6-lea ha S premerg.
y8= 0.429 lei creştere chelt./încă un mil.venit
y9=0 lei creştere venit/al 31-lea ha grâu
y10=0 lei creştere venit/al 41-lea ha porumb
y11= 0 lei creştere venit/al 5-lea ha sfeclă zah.
 179

Prescurtări : G=grâu;P=porumb;S=soia;SZ=sfeclă de zahăr

Pentru soluţiile optime de mai sus avem valorile optime Vm=141000 lei; Cm=91500 lei =min ;
Pm=49500 lei; RPm=0.351

Indicatori economici ai modelului liniar VI :

I) Rata medie a profitului RMP =0.351 lei profit /1 leu cheltuit
II) Rata marginală a profitului RDP =(1/y8 )– 1 =1.331 lei creştere de profit / 1 leu creştere de cheltuieli
III) Elasticitatea ratei profitului ERP = RDP / RMP = 3.8 % creştere de profit / 1 % creştere de cheltuieli .

D. CUPAJUL OPTIM AL VINURILOR

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

I.VPP(Cantităţi de vin în amestec) III.VDE(Deficit de cheltuieli lei / Litru)
X1 = 48519.59 litri de tip A Ye1= 0 lei pe litru de tip A
X2 = 25000 litri de tip B Ye2= 0 lei pe litru de tip B
X3 = 150000 litri de tip C Ye3= 0 lei pe litru de tip C
X4 = 26807.41 litri de tip D Ye4= 0 lei pe litru de tip D
X5 = 15000 litri de tip E Ye5= 0 lei pe litru de tip E
X6 = 9482 litri de tip F Ye6= 0 lei pe litru de tip F
II.VPE(Diferenţe între resurse consumate şi IV.VDP(Cheltuieli marginale)
Limite
Xe1 = 51481.41 litri de tip A deficit Y1 = 0 lei creşt. chelt. / încă 1 litru de tip A
→Xe2 = 0 litri de tip B deficit →Y2 = -1.335 lei creşt. chelt. / încă 1 litru de tip B
→Xe3 = 0 litri de tip C deficit →Y3 = -2.018 lei creşt. chelt. / încă 1 litru de tip C
Xe4 = 23192.59 litri de tip D deficit Y4 = 0 lei creşt. chelt. / încă 1 litru de tip D
→Xe5 = 0 litri de tip E deficit →Y5 = -2.993 lei creşt. chelt. / încă 1 litru de tip E
Xe6 = 0 litri de tip F deficit Y6 = 0 lei creşt. chelt. / încă 1 litru de tip F
→Xe7 = 0 litri de amestec diferenţă →Y7 = 0.249 lei creşt. chelt. / încă 1 litru amestec
→Xe8 = 0 g / litru zahăr diferenţă →Y8 = 0.04 lei creşt. chelt. / încă 1 g / litru zahăr
→Xe9 = 0 grade tărie alcoolică surplus →Y9 = 0.588 lei creşt. chelt. / încă 1 grad tărie alcool
fminim = g maxim = 1227936 lei

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 .

6.4 Modele de optimizare tip transport şi de repartiţie(assignment)

De la furnizorii F1,…,Fm la beneficiarii B1,…,Bn trebuie transportate produse ; fie cij

cheltuielile / veniturile pe unitatea de produse (tonă ,bucată) când acestea se repartizează de la Fi la
Bj .
De exemplu în cazul transportului , cheltuielile cij (lei / tonă) se obţin înmulţind costul unic
(lei / tonă.Km) cu distanţa (Km) de la Fi la Bj .
Din această cauză asemenea modele se numesc modele tip transport .
Fie a1,…,am ofertele în tone ale furnizorilor F1,…,Fm şi b1,…,bn cererile în tone ale
beneficiarilor B1,…,Bn .
Presupunem că modelul tip transport este echilibrat adică oferta totală este egală cu cererea totală
OT = a1+…+am = b 1+…+b n = CT
Datele se arajează în tabelul :
 180

F /B B1 . . . . . Bn Oferte
F1 c11 . . . . . c1n a1
. . . .
. . . .
. . . .
Fn cm1 . . . . . cmn am
Cereri b 1 .. . . . . bn CT=OT

Fie xij cantitatea de produse (tone) care se va repartiza de la Fi la Bj .

Problema de optimizare tip transport are forma :
x11+…x1n = a1
……………..
xm1+…xmn = am
……………..
x11+…xm1 = b 1
.…………….
x1n+…xmn = b n
xij ≥ 0
------------------------------
m n
f   cij x ij  max/ min
i 1 j1

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

Transformăm acest tabel pentru a aplica metoda simplex :

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

După rezolvare avem :

Soluţie bazică optimă primală Soluţie bazică optimă duală

I)VPP(cantităţi transportate)
X1=1 tonă de la F1 la B1
x2=8 tone de la F1 la B2
x3*=5 tone rămân la F1
x4=9 tone de la F2 la B1
→x5 =0 tone de la F2 la B2
→x6=0 tone rămân la F2
III) VDP(Surplus de venit / tonă)
ye1=0 surplus de venit / tonă de la F1 la B1
ye2=0 surplus de venit / tonă de la F1 la B2
ye3=0 surplus de venit / tonă de la F1 la B3*
ye4=0 surplus de venit / tonă de la F2 la B1
→ye5=2 surplus de venit / tonă de la F2 la B2
→ye6=3 surplus de venit / tonă de la F2 la B3*

II) VPE(Diferenţe între cantităţile IV)VDP(Venituri marginale)

Transportate şi limite)
xe1=0 tone de la F1 y1=u1=0 creştere venit/ încă 1 t de la F1
→ xe2=0 tone de la F2 →y2=u1=3 creştere venit/ încă 1 t de la F2
→ xe3=0 tone la B1 →y3=v1=2 creştere venit/ încă 1 t la B1
→ xe4=0 tone la B2 →y4=v2=3 creştere venit/ încă 1 t la B2
xe5=0 tone la B3* y5=v3 *=0 creştere venit/ încă 1 t la B3*
fmaxim = gminim = 71 unităţi băneşti

2) Fie problema de minim cu doi furnizori şi doi beneficiari :

 182
F \ B B1 B2 Oferte
F1 5 1 10
F2 4 2 12
OT=22
Cereri 15 8 CT=23

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

Transformăm acest tabel pentru a aplica metoda simplex :

F F1 F2 F3* Semn Limite

B B1 B2 B1 B2 B1 B2
Restric. x1 x2 x3 x4 x5* x6*
F1 1 1 0 0 0 0 = 10
F2 0 0 1 1 0 0 = 12
F 3* 0 0 0 0 1 1 = 1
B1 1 0 1 0 1 0 = 15
B2 0 1 0 1 0 1 = 8
F 5 1 4 2 0 0 MINIM

După rezolvare cu metoda simplex avem :

Soluţie bazică optimă primală Soluţie bazică optimă duală

I)VPP(cantităţi transportate)
x1=2 tone de la F1 la B1
x2=8 tone de la F1 la B2
x3=12 tone de la F2 la B1
→x4=0 tone de la F2 la B2
x5* =1 tonă nu ajunge la B1
→x6 *=0 tone nu ajung la B2
III) VDP(Deficit de venit / tonă)
ye1=0 deficit de venit / tonă de la F1 la B1
ye2=0 deficit de venit / tonă de la F1 la B2
ye3=0 deficit de venit / tonă de la F2 la B1
→ye4=2 deficit de venit / tonă de la F2 la B2
ye5 *=0 deficit de venit / tonă de la F3* la B1
→ye6 *=4 deficit de venit / tonă de la F3* la B2

II) VPE(Diferenţe între cantit. IV)VDP(Venituri marginale)

Transportate şi limite)
→ xe1=0 tone de la F1 →y1=u1=1 creştere venit/ încă 1 t de la F1
xe2=0 tone de la F2 y2=u1=0 creştere venit/ încă 1 t de la F2
→ xe3=0 tone de la F3* →y3=u3*=4 creştere venit/ încă 1 t la F3*
→ xe4=0 tone la B1 →y4=v1=4 creştere venit/ încă 1 t la B1
xe5=0 tone la B2 y5=v2=0 creştere venit/ încă 1 t la B2
fminim = gmaxim = 66 unităţi băneşti

Probleme tip transport cu unele rute interzise

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.

Probleme tip transport cu centre intermediare

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

Fie problema de minim cu tabelele de date :

Tabel 1
T T1 T2 Oferte
F
F1 5 10 50 t
F2 8 6 30 t
80 t
Tranzit 200 t 300 t 500 t

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

Din liniile tabelului 3 rezultă ecuaţiile :

X11 + X12 = 50
X21 + X22 = 30
X31 + X32 = 20
 184
iar din coloanele tabelului 2 rezultă ecuaţiile :
X41 + X51 = 60
X42 + X52 = 40
Condiţiile de tranzit pentru T 1 şi T2 se extrag din coloanele tabelului 3 şi din liniile tabelului 2 :
X11 + X21 + X31 = X41 + X42
X12 + X22 + X32 = X51 + X52

Funcţia-obiectiv este :
f = 5.X11 + 10.X12 + 8.X21 +6.X22 + 0.X31 + 0.X32 + 7.X41 + 4.X42 + 2X51 + 9X52 = minim

Transferăm datele precedente în tabelul 4 pentru a aplica metoda simplex :

Tabel 4
Rute F1 F2 F 3* T1 T2
T1 T2 T1 T2 T1 T2 B1 B2 B1 B2 Semn Limite
Restricţii X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
F1 1 1 0 0 0 0 0 0 0 0 = 50 t
F2 0 0 1 1 0 0 0 0 0 0 = 30 t
F3* 0 0 0 0 1 1 0 0 0 0 = 20 t
B1 0 0 0 0 0 0 1 0 1 0 = 60 t
B2 0 0 0 0 0 0 0 1 0 1 = 40 t
T1 1 0 1 0 1 0 -1 -1 0 0 = 0
T2 0 1 0 1 0 1 0 0 -1 -1 = 0
Cheltuieli 5 10 8 6 0 0 7 4 2 9 MINIM

Soluţiile bazice optime primală şi duală vor fi :

Soluţia bazică optimă primală Soluţia bazică optimă duală
I.VPP (cantităţi transportate) III. VDE (deficit de cheltuieli lei / t)
X1 = 50 t de la F1 la T1 Ye1 = 0 lei / t de la F1 la T1
X2 = 0 t de la F1 la T2 Ye2 = 0 lei / t de la F1 la T2
X3 = 0 t de la F2 la T1 Ye3 = 7 lei / t de la F2 la T1
X4 = 30 de la F2 la T2 Ye4 = 0 lei / t de la F2 la T2
X5 = 0 t lipsesc la T 1 Ye5 = 5 lei / t rămase la T1
X6 = 20 t lipsesc la T2 Ye6 = 0 lei / t rămase la T2
X7 = 10 t de la T1 la B1 Ye7 = 0 lei / t de la T1 la B1
X8 = 40 t de la T1 la B2 Ye8 = 0 lei / t de la T1 la B2
X9 = 50 t de la T2 la B1(din care lipsesc 20 t) Ye9 = 0 lei / t de la T2 la B1
X10 = 0 t de la T2 la B2 Ye10 = 10 lei / t de la T2 la B1
II.VPE (diferenţe între cantităţi transportate şi limite) IV. VDP(cheltuieli marginale)
Xe1 = 0 t rămase la F1 Y1 =9 lei creştere chelt./ a 51-a tonă
Xe2 = 0 t rămase la F2 Y2 =5 lei creştere chelt./ a 31-a tonă
Xe3 = 0 t rămase la F3* Y3 = -1 leu creştere chelt./ a 21-a tonă
Xe4 = 0 t neprimite la B1 (neprimite 20 t) Y4 =3 lei creştere chelt./ a 61-a tonă
Xe5 = 0 t neprimite la B2 Y5 =0 lei creştere chelt./ a 41-a tonă
Xe6 = 0 t rămase la T1 Y6 = - 4 lei creştere chelt./ 1 tonă la T1
Xe7 = 0 t rămase la T2 Y7 =1 lei creştere chelt./ 1 tonă la T2
F minim = gmaxim 760 unităţi băneşti
Probleme de repartiţie(assignment)
Aceste probleme sunt de tip transport în care F1,…,Fm sunt solicitanţi de slujbe iar B1,…,Bn
sunt angajatorii. Coeficienţii cij sunt valori economice ale solicitantului Fi la angajatorul Bj .
xij sunt variabile bivalente : xij =1 dacă Fi este angajat de Bj şi 0 în caz contrar.
În plus a1=…=am=1 şi b1=…bn=1
 185
Exemplu
Fie problema de repartiţie de maxim a trei solicitanţi Fi pentru două posturi Bj pe care o
echilibrăm :

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

Transformăm problema pentru a aplica metoda simplex şi o rezolvăm ca problemă de optimizare cu

neconoscute întregi adăogînd şi restricţiile xi ≤ 1 :

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

Soluţia optimă bivalentă este :

x1= 0 ; x2= 0 ; x3= 1 ; x4= 0 ; x5= 1 ; x6= 0 ; x7= 1 ; x8= 0 ; x9= 0 cu fmaxim = 110
Rezultă că F1 nu va fi angajat , F2 va fi angajat de B2 iar F3 va fi angajat de B1 .

Reoptimizarea modelelor liniare

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) .

6.5 Drumuri de lungime optimă în reţele

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

Lungimi arce 3 2 6 2 5 8 4 5 1 8 6 OPTIM

Semnificaţia variabilelor:
x1 = 1 dacă activitatea A este pe drumul optim şi x1 = 0 în caz contrar.
Pentru x2 ,…, x11 semnificaţia este analoagă.
Semnificaţia restricţiilor:
Arcele care pleacă dintr-un vârf , au coeficienţii - 1 iar cele care sosesc într-un vârf , au coeficienţii
+ 1.
În vârful iniţial v1 nu soseşte niciun arc , deci toţi coeficienţii în restricţia sa sunt egali cu - 1 iar
membrul doi este - 1 deci există un arc care pleacă din v1 pe drumul optim .
În vârfurile intermediare v2 - v5 , suma variabilelor care intră în vârf este egală cu suma variabilelor pe
 189
arcele care ies din vârf (membrul doi este zero) deoarece dacă drumul optim intră într-un vârf,trebuie să şi
iasă din acel vârf.
Din vârful final v6 nu pleacă niciun arc deci toţi coeficienţii sunt egali cu 1 iar membrul doi este 1 deci
există un arc care soseşte în v6 pe drumul optim.
Semnificaţia funcţiei-obiectiv :
Suma lungimilor arcelor de pe drumul optim este maximă sau minimă .
Rezolvarea acestei probleme de optimizare liniară cu variabile bivalente , se face cu produsele
informatice EXCEL,QUATTRO,QM,MSS,WINQSB, etc.
Pentru drumul de lungime maximă , avem soluţia optimă x1 = x3 = x6 = x10 = 1
şi restul variabilelor nule iar funcţia este fmax = 25 .
Este posibil să existe mai multe drumuri optime într-o reţea ; metoda simplex din secţiunea 6.3 permite
gărirea tuturor soluţiilor bazice care dau aceste drumuri optime.

Fluxuri optime în reţele

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
ue 
 f (u) ue

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 :

ARCE A B C D E F G H I J K SEMN LIMITE

RESTR x1 x2 x3 x4 x5 x6 x7 X8 X9 x10 x11

Amax 1 0 0 0 0 0 0 0 0 0 0 ≤ 3
Bmax 0 1 0 0 0 0 0 0 0 0 0 ≤ 2
Cmax 0 0 1 0 0 0 0 0 0 0 0 ≤ 6
Dmax 0 0 0 1 0 0 0 0 0 0 0 ≤ 2
Emax 0 0 0 0 1 0 0 0 0 0 0 ≤ 5
Fmax 0 0 0 0 0 1 0 0 0 0 0 ≤ 8
Gmax 0 0 0 0 0 0 1 0 0 0 0 ≤ 4
Hmax 0 0 0 0 0 0 0 1 0 0 0 ≤ 5
Imax 0 0 0 0 0 0 0 0 1 0 0 ≤ 1
Jmax 0 0 0 0 0 0 0 0 0 1 0 ≤ 8
Kmax 0 0 0 0 0 0 0 0 0 0 1 ≤ 6
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
FLUX 0 0 0 0 0 0 0 0 0 1 1 MAXIM

Modelul primal are soluţia bazică optimă :

x1=3 (cantitatea de produse care tranzitează arcul A)
x2 =2 (cantitatea de produse care tranzitează arcul B)
x3 = 1(cantitatea de produse care tranzitează arcul C)
x4 = 2(cantitatea de produse care tranzitează arcul D)
x5 = 3(cantitatea de produse care tranzitează arcul E)
x10 =5(cantitatea de produse care tranzitează arcul J)
Restul necunoscutelor xi (pe celelalte arce) sunt zero.

Modelul dual are soluţia bazică optimă :

y1=y2 = y12 = y13 = y14 = y15 = 1 iar restul variabilelor duale yI sunt zero.
fmaxim = gminim = 5 (fluxul maxim al cantităţii de produse care tranzitează reţeaua)
 191
Cu ajutorul fluxului optim într-o reţea se poate optimiza orice problemă tip transport sau de
assignment prezentată în secţiunea 6.4
În reţeaua de transport având ca vârfuri m furnizori F1,…,Fm şi n beneficiari B1,…,Bn se mai adaogă
vârful iniţial V0 şi vârful final Vn .
Capacităţile arcelor (V0 ,Fi) sunt ofertele ai ale lui Fi iar capacităţile arcelor (Bj , Vn ) sunt cererile bj
ale beneficiarilor Bj . Toţi furnizorii FI se unesc prin arce cu toţi beneficiarii Bj (cu excepţia rutelor
interzise).
În probleme de assignment Fi sunt persoane policalificate solicitante de posturi iar Bj sunt locuri de muncă
vacante.În acst caz ai = bj = 1 şi unim pe Fi cu Bj dacă Fi poate îndeplini sarcinile locului de muncă Bj .
Dacă fiecare Fi poate ocupa cel puţin un loc de muncă Bj, găsirea fluxulul maxim asigură caea mai bună
repartiţie a persoanelor pe locurile de muncă.

6.6 Eşalonarea optimă a activităţilor unui proiect agricol prin metoda

drumului critic

Proiectul unui sistem agricol este un complex de activităţi cu anumite durate .

Din punct de vedere al eşalonării în timp , activităţile proiectului se împart în simultane sau consecutive .
Scopul eşalonării optime a activităţilor proiectului agricol este minimizarea timpului total de execuţie a
proiectului .
Pentru aceasta întregul proiect se reprezintă printr-o reţea astfel :
Vârfurile reţelei sunt stadii de execuţie ale proiectului ( v1 este stadiul iniţial iar vn este stadiul final ) iar
arcele care le unesc, sunt activităţile proiectului cu duratele lor înscrise pe arce .
Un drum de lungime maximă între vârful iniţial v1 şi vârful final vn , se numeşte drum critic .
Am văzut în secţiunea 6.5 că problema găsirii drumului critic se formulează şi se rezolvă ca o problemă
de optimizare liniară cu variable bivalente.
Conform teoremei de dualitate 6.1 din secţinea 6.2 , timpul total minim de execuţie a proiectului este
egal cu lungimea maximă a drumului critic.
Activităţile de pe drumul critic se vor numi activităţi critice deoarece ele trebuie executate una după alta
fără pauze,pentru a menţine timpul total de execuţie a proiectului la valoarea sa minimă .
Activităţile din afara drumului critic se numesc activităţi mecritice ,ele având rezerve de timp fără
afectarea valorii minime a timpului total de execuţie a proiectului .
În concluzie , drumul critic reprezintă coloana vertebrală a proiectului agricol.
Duratele activităţilor se calculează după normele de deviz astfel : durata tij a unei activităţi care pleacă
din stadiul vi şi soseşte în stadiul vj , este :
tij = ( Volumul activităţii în zile-om sau ore-agregat ) / ( numărul de muncitori sau utilaje x norma unui
muncitor sau utilaj) .
Varianta deterministă a drumului critic se numeşte CPM (Critical Path Method) şi foloseşte duratele
constante tij ale activităţilor calculate ca mai sus.
Pentru găsirea drumului critic , procedăm astfel :
Pentru fiecare vârf vi al reţelei se calculează intervalul său de fluctuaţie [ ti ; ti* ].
Mărimea ti reprezintă intervalul de timp minim de la începerea execuţiei proiectului până se ajunge în
stadiul vi de execuţie a proiectului , adică până se execută toate activităţile pe toate drumurile din reţea
care pleacă din v1 şi sosesc în vi .
Mărimea ti* reprezintă intervalul de timp maxim de la începerea execuţiei proiectului până se ajunge
în stadiul vi de execuţie a proiectului , astfel ca timpul total de execuţie a proiectului să rămână la nivelul
său minim.
Mărimile ti se calculează de la v1 la vn astfel :
t1 = 0 iar pentru situaţia :

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

Avem tabloul cu activităţi ale proiectului :

Cod Denumire activitate Activit a ij tij bij tmij sij

Activit. Anter.
A Recoltat orz - 4 5 6 5 0.33
B Transport boabe orz A 3 4 4 3.83 0.17
C Balotat paie orz A 5 6 6 5.83 0.17
D Transport baloţi paie orz C 3 3 3 3 0
E Construit şiră paie orz D 4 5 8 5.33 0.67
F Arat şi grăpat după orz D 5 5 8 5.5 0.5
G Recoltat grâu D 7 8 9 8 0.33
H Transport paie grâu G 6 6 6 6 0
I Balotat paie grâu G 6 8 8 7.67 0.33
J Transport baloţi paie grâu I 4 4 4 4 0
K Construit şiră paie grâu J 4 5 8 5.33 0.67
L Condiţionat orz-grâu sămânţă H 4 4 4 4 0
M Treierat orz-grâu staţionar H 3 3 3 3 0
N Arat şi grăpat după grâu J 5 6 6 5.83 0.17
O Pregătit terenul pentru porumb masă verde F,N 2 2 2 2 0
P Însămânţat porumb masă verde O 3 3 3 3 0

1) Lucrăm în varianta CPM cu duratele constante tij ale activităţilor.

Mai întâi construim graful proiectului pe baza coloanei cu activităţi anterioare
din tabelul anterior.
194
 195

Pe baza grafului precizăm datele pentru programul DCRITIC :

a) n= 10 vârfuri ;
b) p=2 arce = numărul maxim de arce care unesc direct două vârfuri oarecare
c) Semimatricea cu duratele de la fiecare vârf vi la vârfurile vj care urmează
după el (j>i) .
v2 v3 v4 v5 v6 v7 v8 v9 v10
v1 5,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
v2 4,6, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
v3 3,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
v4 8,0, 0,0, 0,0, 5,0, 0,0, 5,0
v5 6,8, 0,0, 0,0, 0,0, 0,0
v6 4,0, 0,0, 0,0, 4,3
v7 6,0, 0,0, 5,0
v8 2,0, 0,0
v9 3,0

În tabelul care urmează se calculează intervalele de fluctuaţie ale vârfurilor v1 – v10 :

Vârf ti ↓ Arc marcat ti* ↑ Arc marcat
vI
v1 0 - 5 – 5 =0 A
v2 0+5=5 A Min(11-4;11-6)=5 C
v3 max(5+4;5+6)=11 C 14-3 = 11 D
v4 11+3=14 D Min(22-8;40-5;45-5)=14 G
v5 14+8=22 G Min(30+6;30+8)=22 I
v6 max(22+6;22+8)=30 I Min(45-4;45-3;34-4)=30 J
v7 30+4=34 J Min(45-5;40-6)=34 N
v8 max(34+6;14+5)=40 N 42-2=40 O
v9 40+2=42 O 45-3=42 P
v10 max(30+4;30+5;34+5; P 45 -
42+3;14+5)=45

Urmează tabelul cu activităţi critice şi necritice :

Cod ACTIVITATE ÎNCEPUT SFÂRŞIT Stare Critică
Activit. PLECARE SOSIRE RUTA Iminim Imaxim Sminim Smaxim
A v1 v2 1 0 0 5 5 Critică
B v2 v3 1 5 7 9 11 -
C v2 v3 2 5 5 11 11 Critică
D v3 v4 1 11 11 14 14 Critică
E v4 v10 1 14 40 19 45 -
F v4 v8 1 14 35 19 40 -
G v4 v5 1 14 14 22 22 Critică
H v5 v6 1 22 24 28 30 -
I v5 v6 2 22 22 30 30 Critică
J v6 v7 1 30 30 34 34 Critică
K v7 v10 1 34 40 39 45 -
L v6 v10 1 30 41 34 45 -
M v6 v10 2 30 42 33 45 -
N v7 v8 1 34 34 40 40 Critică
O v8 v9 1 40 40 42 42 Critică
P v9 v10 1 42 42 45 45 Critică
 196

Drumul critic este v1 A v2 C v3 D v4 G v5 I v6 J v7 N v8 O v9 P v10 cu lungimea maximă de

45 zile egală cu durata minimă a proiectului agricol .
În tabelul următor avem rezervele de timp ale activităţilor necritice.

Cod ACTIVITATE Rt Rl Ri Rs tij +Ri

Activit. PLECARE SOSIRE RUTA
B v2 v3 1 2 2 2 2 6
E v4 v10 1 26 26 26 26 31
F v4 v8 1 21 21 21 21 26
H v5 v6 1 2 2 2 2 8
K v7 v10 1 6 6 6 6 11
L v6 v10 1 11 11 11 11 15
M v6 v10 2 12 12 12 12 15

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 % .

2)Lucrăm în varianta PERT cu duratele medii tm ij şi cu abaterile-standard s ij ale activităţilor.

Graful proiectului este acelaşi dar duratele arcelor au valorile tmij .
Drumul critic este acelaşi dar cu lungimea minimă TM min  44.33 zile .
Avem s T  sij2 pentru activităţi critice deci :

s T  0.332  0.17 2  02  0.332  0.332  0 2  0.17 2  02  02  0.62 zile

aşa că pentru  =5% avem u 0.05  1.65 deci Tcontract  TM min  u 0.05  s T 
 44.33  1.65  0.62  45.33 zile cu o încredere de 95%.
În final avem graficul calendaristic în care activităţile critice sunt încercuite .
197
 198

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 :

Vârfuri  V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 Semn Limite

Activităţi  (zile)
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10
A -1 1 0 0 0 0 0 0 0 0  5
B 0 -1 1 0 0 0 0 0 0 0  4
C 0 -1 1 0 0 0 0 0 0 0  6
D 0 0 -1 1 0 0 0 0 0 0  3
E 0 0 0 -1 0 0 0 0 0 1  5
F 0 0 0 -1 0 0 0 1 0 0  5
G 0 0 0 -1 1 0 0 0 0 0  8
H 0 0 0 0 -1 1 0 0 0 0  6
I 0 0 0 0 -1 1 0 0 0 0  8
J 0 0 0 0 0 -1 1 0 0 0  4
K 0 0 0 0 0 0 -1 0 0 1  5
L 0 0 0 0 0 -1 0 0 0 1  4
M 0 0 0 0 0 -1 0 0 0 1  3
N 0 0 0 0 0 0 -1 1 0 0  6
O 0 0 0 0 0 0 0 -1 1 0  2
P 0 0 0 0 0 0 0 0 -1 1  3
Timp exec. -1 0 0 0 0 0 0 0 0 1 MINIM

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

1. Stănăşilă O. “ Analiză liniară şi geometrie “Vol. I - II,Editura ALL ,2000 - 2001

2. Cenuşă Gh. şi col.“ Matematici pentru economişti “ Editura CISON,2000
3. Cenuşă Gh. şi col.“ Matematici pentru economişti – culegere de probleme“ Editura CISON,2000
4. Ene D. “ Matematici (I) “ Editura CERES , 2004
5. Gogonea S. , Ene D. “ Analiză numerică “ Editura Cartea Universitară , 2005
6. Ene D. , Gogonea S. “ Metode numerice “Editura Cartea Universitară , 2005
7. Ene D. , Ioniţescu E. “ Cercetări operaţionale în agricultură”, USAMV-ID , 2006
 200

CAP. 7 CALCUL DIFERENŢIAL PENTRU FUNCŢII DE O VARIABILĂ REALĂ

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 :

7.1 Funcţii elementare şi aplicaţii

7.2 Rolul derivatelor de ordinul unu şi doi în studiul funcţiilor de o variabilă reală
7.3 Optimele funcţiilor de o variabilă reală şi aplicaţii
7.4 Metode iterative de rezolvare a ecuaţiilor
7.5 Rezumat
7.6 Întrebări
7.7 Bibliografie

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 .

7.1 Funcţii elementare şi aplicaţii

O funcţie reală de variabilă reală definită pe A  R cu valorile în B  R , este o

corespondenţă care asociază fiecărui element x  A , un element unic y  f  x   B .
Dacă x este factor sau sursă fizică (consum) sau sursă valorică (cheltuieli) iar y este producţie
fizică sau valorică (venit, profit, rată profit) atunci funcţia f se numeşte funcţie de producţie.
Cheltuielile pentru resurse sunt egale cu consumurile de resurse înmulţite cu costurile
resurselor iar venitul din produse este egal cu producţia fizică înmulţită cu preţul de vânzare al
produselor. Cheltuielile au drept componente cheltuielile materiale, cele cu forţa de muncă şi cele
neproductive (taxe, impozite, TVA). Profitul este diferenţa între venituri şi cheltuieli iar rata
profitului este raportul între profit şi cheltuieli. Funcţii de producţie concrete găsite din datele reale,
sunt funcţiile de regresie din statistică.
Din definiţia funcţiei rezultă că dacă x1  x2 avem y1  f  x1   f  x2   y2 şi că
f(A) = { y  există cel puţin un x  A cu y = f(x) }  B .
Dacă f(x1 ) = f(x2 ) implică x1 = x2 , funcţia f se numeşte injectivă iar dacă f(A) = B , funcţia
se numeşte surjectivă. O funcţie injectivă şi surjectivă, se numeşte bijectivă. O funcţie reală se
precizează prin expresia analitică y = f(x) şi mulţimile A, B sau prin tabel de valori:

X x1 ------------------- xn
Y y1 ------------------- yn

cu legea de corespondenţă yi  f  xi  ;  i  1,..., n  şi A   x1 ,..., xn  , B   y1 ,..., yn  .

Orice funcţie se poate reprezenta grafic într-un sistem de axe ortogonale printr-o curbă
plană în care orice paralelă la 0x prin y0  f  A  taie graficul lui f cel puţin într-un punct şi orice
paralelă la 0y prin x0  A , taie graficul lui f exact într-un punct. Dacă funcţia f este bijectivă, orice
paralelă la 0x prin y0  f  A  taie graficul lui f exact într-un punct.

Clase de funcţii elementare

1.Funcţia liniară y  B0  B1 x ; A  B  R
2.Funcţia polinomială y  B0  B1 x  ...  Bm x m ; A  B  R
 201

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:

Progresie Funcţia liniară Progresie

aritmetică aritmetică
Fu
nc ică
m
ţi a a ri t
g
lo
ex
po
a ne
n cţi n ţia
Fu lă

Progresie Funcţia putere Progresie

geometrică geometrică
Q.E.D.

Aplicaţii ale funcţiilor elementare

A).Funcţia exponenţială raţională

Pe ax  b
y  ax ; x0
e c
Fie y0 = f(0) şi P plafonul funcţiei . Din condiţia y0 = f(0) rezultă b = y0 (c+1)-P de unde
Pc-b=(P-y0)(c+1). Avem derivatele de ordin 1 şi 2 :
 203

' a( Pc  b)e ax ''a 2 ( Pc  b)(c  e ax )e ax

y  ; y 
(e ax  c) 2 (e ax  c)3
Cazuri :

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 :

B). Funcţia de concentrare/diluare

1)Funcţia de concentrare este y = y0 + x a .e- bx unde y0 = f(0) .

Ea are punctul de maxim x0 = b / a şi punctele de inflexiune :

a a a a
x1  şi x2 
b b
Graficul are forma :

2) Funcţia de diluare este y = y0 - x a .e- bx unde y0 = f(0) .

Ea are punctul de maxim x0 = b / a şi punctele de inflexiune :

a a a a
x1  şi x2 
b b
Graficul are forma :
 205

C). Funcţia seismică asimetrică

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=
  bbax 
 M.( 4k-2  r 1  b x
).  .sin  (2 k  1). . pentru a  x  b
 4k-3  r  1    b  a 
  

Parametrii din expresiile precedente au semnificaţia următoare :

a = momentul mijlocului undei maxime absolute (separă unda ascendentă de cea descendentă) ;
b = momentul încetării undei ;
h = numărul de maxime ale undei ascendente ;
k = numărul de minime ale undei descendente ;
x1 = ((4h-3) / (4h-2)).a este punctul de maxim absolut al undei iar valoarea maximă absolută este
M;
x2 = ((4k-1) / (4k-2)).a este punctul de minim absolut al undei iar valoarea minimă absolută este M ;
r = parametru de undă ( r > 1) ;
De exemplu pentru h = 2 şi k = 3 avem graficul :
 206

4)Calculul concentraţiei pe termen lung

În administrarea îngrăşămintelor, ierbicidelor, insecticidelor, vaccinurilor, etc., concentraţia
acestora se calculează astfel: vom presupune că materialele precedente se administrează în doze
egale cu d la intervale de timp egale cu x.
 1  e x x e  x  e 2 x
 Doza 1: d1  d  d ; Concentraţia reziduală 1: r1  d1 e  d
 1  e x 1  e x
 1  e x x e  x  e 3 x
 Doza 2 : d 2  r1  d  d ; Concentraţia reziduală 2: r2  d 2 e  d
 1  e x 1  e x

 1  e  nx x e x  e  n 1 x
 Doza n : d n  d n 1  d  d ; Concentraţiareziduală n: rn  d n e  d
 1  e x 1  e x
1 e x
Avem lim d n  d ; lim rn  d deci după un număr mare de administrări ale
n  1  e  x n 1  e x
dozei constante d la intervale de timp egale cu x, concentraţia aparţine intervalului:

 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
St 
= factor de stress = 0.99
Pt
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 !
Sn

 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:
  Sa  
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

Fie funcţia reală de o variabilă reală y  f  x  , f : A  R  B  R şi fie x0  A .

Numărul real L este limita funcţiei f în x0 (Notaţie L  lim f  x  ) dacă pentru orice ε  0
x  x0

există δ  ε   0 astfel că dacă x  x0  δ  ε  să avem f  x   L  0

Pentru ca f să aibă limita L în x0 , trebuie ca L să existe, să fie unică şi finită.
O definiţie echivalentă pentru limită este: L  lim f  x  dacă pentru orice şir de numere reale
x  x0

xn  A cu xn  x0 , să avem şirul de numere reale yn  f  xn  convergent către

L . Notaţie : yn  L . Limita L a funcţiei f în x0 există, este finită şi unică dacă şi numai dacă
limitele laterale LS  lim f  x  , L d  lim f  x  există, sunt finite şi egale.
x  x0 x  x0
x  x0 x > x0

Proprietăţi ale funcţiilor reale

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

Ecuaţia acestei tangente este: y  f  x0   f '  x0  x  x0 

Corespondenţa x0  f '  x0  defineşte o nouă funcţie y  f '  x0  cu
f ': D  A  R  B  R , numită derivata întâi a funcţiei f. Mărimea df  x0   f '  x0  dx se
numeşte diferenţiala de ordinul întâi a lui f în x0.
Derivata derivatei întâia se numeşte derivata a doua a funcţiei f : f ''  x    f '  x   ' .
2
Mărimea d 2 f  x0   f ''  x0  dx  se numeşte diferenţiala de ordinul doi a funcţiei f.
Mai general, derivata de ordin n a lui f se defineşte inductiv fxn   f xn1  ' .
 
 210

x  x  x0 este creşterea valorică a variabilei x iar x / x0 este creşterea procentuală a

variabilei x.
y  y  y0 este creşterea valorică a funcţiei y  f  x  iar y / y0 este creşterea procentuală a
funcţiei y  f  x  .
y  y x 
f '  x0   lim este derivată valorică în timp ce E  x0   lim  /  este derivată
x  x0 x x  x0
 y0 x0 
x0 f '  x0 
procentuală şi se numeşte elasticitatea funcţiei f în x0. Avem E  x0  
f  x0 
Fie x1  x0 . Conform teoremei Lagrange, există x2  x1 astfel că
y f  x2   f  x1  y x x0
  f '  x0  şi deci :  f '  x0   E  x0  .
x x2  x1 y0 x0 y0

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 .

Formule de derivare pentru funcţii elementare

1. C'  0
2. ( xa ) = axa-1 (aR)
x
3. (ax) = a ln a ; (ex) = ex
1 1
4.  log a x  '  ;  ln x  ' 
x ln a x
5.  sin x  '  cos x
6.  cos x  '   sin x
1
7.  tg x  '  2
cos x
1
8.  arcsin x  ' 
1  x2
1
9.  arccos x  '  
1  x2
 211

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.

Derivata logaritmică a funcţiei f în x0 este fL’(x0) , dată de relaţia :

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

4) f ( x )  sin x  f L' ( x )  e ctg x

5) f ( x )  cos x  f L' ( x )  e  tg x

3)Funcţia reală f este crescătoare pe A  R dacă pentru orice x1 , x2  A cu x1  x2 rezultă

f  x1   f  x2  . În mod analog se defineşte funcţia descrescătoare pe A  R :
x1  x2  f  x1   f  x2  . O funcţie reală care este fie crescătoare fie descrescătoare pe A se
numeşte funcţie monotonă pe A.
4)Funcţia reală f este convexă pe A  R dacă pentru orice x1 , x2  A cu x1  x2 rezultă
 x  x2  f  x1   f  x2 
f 1  . Graficul unei funcţiei convexe pe A are deschiderea în direcţia
 2  2
pozitivă a axei 0y iar coarda care uneşte două puncte ale graficului, este deasupra graficului:
 212
y

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

În mod asemănător se defineşte funcţia concavă pe A:

 x  x2  f  x1   f  x2 
x1  x2  f  1  respectiv x0  x1  f  x1   f  x0   f '  x0  x1  x0 
 2  2
5)Funcţia reală f este mărginită pe A dacă există m, M  R astfel că m  f  x   M pentru
orice x  A .
6)Funcţia reală f este periodică pe A dacă există T  0 astfel că f  x  T   f  x  pentru
orice x  A .

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

1)Dacă f '  x   0 pe intervalul  x0  ε; x0  ε  atunci f  x  este crescătoare pe intervalul

 x0  ε; x0  ε  . Dacă f '  x   0 pe intervalul  x0  ε; x0  ε  atunci f  x  este
descrescătoare pe intervalul  x0  ε; x0  ε  .
2)Dacă f ''  x   0 pe intervalul  x0  ε; x0  ε  atunci f  x  este convexă pe intervalul
 x0  ε; x0  ε  . Dacă f '' x   0 pe intervalul  x0  ε; x0  ε  atunci f  x  este concavă pe
intervalul  x0  ε; x0  ε  .
Demonstraţie
Dacă f este funcţie cu derivate de toate ordinele continue pe intervalul  x0  ε; x0  ε  atunci
pentru orice x   x0  ε; x0  ε  avem formula Taylor (fără demonstraţie):
f '  x0  f ''  x0  2
fxn0  n
f  x   f  x0    x  x0    x  x0   ...   x  x0   R n  x  unde
1! 2! n!
R n  x
lim n
0.
x  x0
 x  x0 
f '  x0 
1)Avem formula Taylor pentru n  1 : f  x   f  x0    x  x0   R1  x  cu
1!
R1  x 
lim 2
 0 . Pentru x suficient de aproape de x0 , ultimul termen din membrul II este
x  x0
 x  x0 
f '  x0 
neglijabil faţă de cei precedenţi deci f  x   f  x0  şi  x  x0  au acelaşi semn. Dacă
1!
f '  x0   0 atunci x  x0 implică f  x   f  x0  deci f este crescătoare pe  x0  ε; x0  ε  .
2)Avem formula Taylor pentru n  2 :
f '  x0  f ''  x0  2 R2  x
f  x   f  x0    x  x0    x  x0   R 2  x  cu xlim 2
 0.
1! 2!  x0
 x  x0 
Pentru x suficient de aproape de x0 , ultimul termen din membrul doi este neglijabil faţă de cei
 f '  x0   f ''  x0  2
precedenţi, deci f  x    f  x0    x  x0  şi  x  x0  au acelaşi semn.
 1!  2!
f '  x0 
Dacă f ''  x0   0 atunci x1  x0 implică f  x1   f  x0    x1  x0  deci f este
1!
convexă pe  x0  ε; x0  ε  . Dacă f ''  x0   0 atunci x1  x0 implică
f '  x0 
f  x1   f  x0    x1  x0  deci f este concavă pe  x0  ε; x0  ε  .Q.E.D.
1!

7.3 Optimele funcţiilor monofactoriale şi aplicaţii

 214
Funcţia reală f : A  R  B  R are un maxim relativ (local) în x0  A dacă pentru orice
x   x0  ε, x0  avem f  x   f  x0  şi pentru orice x   x0 , x0  ε  avem f  x   f  x0  ,
deci pe intervalul  x0  ε, x0  ε  valoarea f  x0  este cea mai mare.
Funcţia reală f : A  R  B  R are un minim relativ (local) în x0  A dacă pentru orice
x   x0  ε, x0  avem f  x   f  x0  şi pentru orice x   x0 , x0  ε  avem f  x   f  x0  ,
deci pe intervalul  x0  ε, x0  ε  valoarea f  x0  este cea mai mică.
Punctele de maxim sau minim relative (local) se numesc cu un cuvânt puncte de extreme
relative (locale).
Dacă funcţia f are cel puţin un maxim relativ, cel mai mare maxim relativ se numeşte maxim
absolut (global).
Dacă funcţia f are cel puţin un minim relativ, cel mai mic minim relativ se numeşte minim
absolut (global).

Teorema 7.3 (Fermat)

Fie funcţia f : A  R  B  R şi x0  A . Dacă f este derivabilă în x0 şi x0 este punct de

maxim sau minim relativ, atunci f '  x0   0 .
Demonstraţie
Fie de exemplu x0 = punct de maxim relativ. Pentru x   x0  ε, x0  avem f  x   f  x0 
f  x   f  x0 
deci  0 şi la limită pentru x  x0 avem f '  x0   0 . Pentru x   x0 , x0  ε 
x  x0
f  x   f  x0 
avem f  x   f  x0  deci  0 şi la limită pentru x  x0 avem f '  x0   0 .
x  x0
Rezultă f '  x0   0 .Q.E.D.

Punctele x0  A cu f '  x0   0 se numesc puncte staţionare pentru că în aceste puncte

tangenta la grafic este orizontală (valorile funcţiei staţionează în x0 având viteza de variaţie
f '  x0  nulă).
Condiţia din teorema 7.3 este necesară dar nu suficientă pentru puncte de maxim sau minim
relativ, adică nu orice punct staţionar este punct de maxim sau minim relativ. Conform teoremei
7.2, x0 este punct de maxim relativ dacă f '  x0   0 şi în plus f '  x   0 deci f  x  =
crescătoare pentru x   x0  ε, x0  iar f '  x   0 deci f  x  = descrescătoare pentru
x   x0 , x0  ε  .
Deasemenea x0 este punct de minim relativ dacă f '  x0   0 şi în plus f '  x   0 deci
f  x  = descrescătoare pentru x   x0  ε, x0  şi f '  x   0 deci f  x  = crescătoare pentru
x   x0 , x0  ε  .
Dacă f '  x0   0 dar f '  x   0 pentru orice x   x0  ε, x0  ε  respectiv f ' x   0
pentru orice x   x0  ε, x0  ε  atunci x0 este punct de inflexiune cu tangentă orizontală. O
condiţie suficientă de maxim sau minim relativ este dată de:
 215
Teorema 7.4
Fie funcţia reală f cu derivate continue de toate ordinele în x0  A şi cu f '  x0   0 . Fie
 k 1 k 
numărul natural minim k  2 , astfel că f ''  x0   ...  f x   0 dar f  x   0 . Dacă k este
0 0

număr par, avem situaţiile:

f x0   0 în care caz x0 este punct de minim relativ.
k
a)

b) f xk0   0 în care caz x0 este punct de maxim relativ.

Dacă k este număr impar, x0 este punct de inflexiune cu tangentă orizontală.
Demonstraţie
f x0 
k
k
În condiţiile din enunţ, formula Taylor devine: f  x   f  x0    x  x0   R k  x0 
k!
R k  x0 
cu lim k
 0 . Pentru x suficient de aproape de x0 , ultimul termen din membrul doi se
x  x0
 x  x0 
k 
poate neglija în raport cu primul termen. Dacă k este număr par, f  x   f  x0  şi f  x  au acelaşi
0

semn şi avem subcazurile:

f x0   0 pentru orice x   x0  ε, x0  ε  deci şi f  x   f  x0  pentru orice
k
a)

x   x0  ε, x0  ε  adică x0 este punct de minim relativ.

b) f xk0   0 pentru orice x   x0  ε, x0  ε  deci şi f  x   f  x0  pentru orice
x   x0  ε, x0  ε  adică x0 este punct de maxim relativ.
k 
Dacă k este număr impar, fie de exemplu f  x   0 deci f  x   f  x0  şi  x  x0  au
0

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 .

Rezistenţa la înaintarea sângelui este direct proporţională cu lungimea vasului şi invers

proporţională cu raza secţiunii sale.
 216

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.

 ctg   ctg x cos ec x 

Avem d1  d 0  ctg α  ctg x  ; d 2  d 0 cosec x deci R  x   kd 0   
 r1 r2 
 cos x 1  r2
R '  x   kd 0   2
 2   0 are soluţia x0  arccos . Avem R ''  x0   0 deci
 r1 sin x r2 sin x  r1
r
x0 este punct de minim. Valoarea minimului este R  x0  . De exemplu pentru r2  1 avem
2

x0  60 .

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

3)Să se confecţioneze o adăpătoare de beton cu secţiune trapezoidală astfel ca volumul

adăpătorii să fie maxim.
Soluţie
Lungimea adăpătorii fiind constantă, trebuie să maximizăm aria secţiunii.
 217
x a x

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

constantă hidraulică a canalului. Trebuie să avem: S'  x   0 adică:

1 1
5
 x  2m 
5
8

 x  2 1  m2  4

8
13
 x  m  x  2m  8  x  2 1  m 2   4

13
1 5

  x  m  x  2m  8  x  2 1  m 2
4
 4
0
deci după efectuarea calculelor obţinem:

 
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  

În locul minimizării volumului săpăturii se mai pot minimiza:

a) costul apei pierdute prin infiltraţii pe fundul şi pereţii canalului;
b) profitul pierdut anual de pe suprafaţa scoasă din circuitul agricol de către canal.

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

Avem V  x    a  2 x  b  2 x   x . V ''  x   12 x  4  a  b  x  ab  0 are rădăcina:

2

a  b  a 2  b2  ab
x0 
6

Avem V ''  x0   0 deci x0 este punct de maxim. Valoarea maximului este V  x0  .

l
Pentru a  b  l avem x0  .
6

6) Optimizarea nivelului preţurilor de vînzare sub aspectul maximizării venitului din

 219
vînzarea produselor agricole, a stimulării consumului de produse agricole ca o cale principală
de relansare a producţiei agricole .
Fie x preţul de vînzare variabil (lei / Kg) al unui produs agricol , fie y cantitatea variabilă
din podus , vândută într-un interval de timp de lungime T , la preţul de vânzare x şi fie z =x.y
valoarea variabilă în lei a cantităţii vândute la preţul de vânzare x .
Fie xc preţul de vânzare curent al produsului , fie yc cantitatea vândută
la preţul de vînzare curent xc şi fie zc = xc.yc valoarea în lei a cantităţii vândute la preţul de vânzare
curent xc .
Fie xp un preţ de vânzare de probă pentru testarea pieţii , pentru care avem în acelaşi interval de timp
de lungime T , cantitatea de produs vândută yp şi valoarea în lei a cantităţii vândute zp la preţul de
vânzare xp.
Este clar că avem funcţia y = f(x) descrescătoare în raport cu x , datorită limitării puterii de
cumpărare a cumpărătorilor potenţiali .Avem z = x.f(x) .
Dorim să calculăm preţul de vânzare economic xe pentru care valoarea în lei a cantităţii
vândute ze = xe.f(xe) este maximă .

a) Cazul produselor de necesitate nespecificată

În acest caz cantitatea de produs y scade direct proporţional odată cu creşterea preţului de vînzare
x , deci cantitatea de produs vândută are forma y = a.x + 2.b cu a < 0 .
Coeficienţii a , b se găsesc din condiţiile :
yc = a.xc + 2.b ; yp = a.xp +2.b deci a = (yp – yc ) / (xp – xc) şi b = (xp.yc – xc.yp) / 2.(xp – xc)
Avem z = x.y = a.x2 + 2.b.x deci z = maxim pentru z’ = 2a.x + 2.b = 0 aşa că
xe = b / -a deci ye = b şi ze = xe.ye = maxim .

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 .

b) Cazul produselor de necesitate mare

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 .

c) Cazul produselor de necesitate mijlocie

În acest caz cantitatea de produs y scade mai întâi lent apoi brusc odată cu creşterea preţului
de vînzare x , deci cantitatea de produs vândută are forma y = 1 / (a.x2 + b ) cu punctul de inflexiune
xi = (b / 3a )1 /2
Coeficienţii a , b se găsesc din condiţiile :
1 / yc = a.xc2 + b ; 1 / yp = a.xp2 + b
Avem z = x.y = x / (a.x2 + b) deci z = maxim pentru z’ = ( - a.x2 + b ) / (a.x2 + b )2 = 0 aşa
că xe = (b / a)1 / 2 deci ye = 1 / 2b şi ze = xe.ye = maxim .
Trebuie să avem b / a > 0 de unde xp > xc.(yc / yp)1 / 2 .
Dacă această condiţie nu este îndeplinită , trebuie să alegem alt xp .
 221

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 .

d) Cazul produselor de necesitate mică

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 .

Programul PREŢ face aceste calcule .

7)Fie x = cheltuieli de producţie şi y = venitul anual la cultura porumbului (lei).

B B
Avem y  A 0 x 1 deci profitul este P  x   A 0 x 1  x  0  B1  1 . Profitul este maxim
1
B1 1
dacă P'  x   0 deci A 0 B1 x  1  0 cu soluţia xe   A 0 B1 1 B şi profitul maxim
1

P  xe   A 0 xeB1  xe . Avem p ''  x   A 0B1  B1  1 x B1  2  0 deoarece 0  B1  1 .

8) Înlocuirea optimă a echipamentelor

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 .

A. Modele discrete de înlocuire optimă a echipamentelor

Fie C0 cheltuielile de cumpărare şi instalare a unui echipament la momentul 0 şi fie C1 ,…, Cn

 223
cheltuielile de întreţinere şi reparare a echipamentului la momentele de timp 1,…, n .
Fie Vn valoarea de recuperare prin revânzare sau casare a echipamentului la momentul de timp n .
Cheltuielile medii pe perioada de timp 0 ; n  sunt :
f(n) = ( C0 – Vn ) + (C1+…+Cn ) / n
care trebuie să fie minime la momentul optim n0 cu f(n0 – 1) > f(n0) < f(n0 + 1) .
În cazul în care dorim actualizarea cheltuielilor , fie d rata dobânzii şi  = 1 / (1+d) coeficientul
de actualizare ( 0 <  < 1 ) .
În acst caz cheltuielile medii pe perioada de timp 0 ; n  vor fi :
g(n) = ( C0 – n. Vn ) + (C1+ .C2 +…+ n – 1 .Cn ) / n
care trebuie să fie minime la momentul optim n0 cu g(n0 – 1) > g(n0) < g(n0 + 1) .
Pentru d = 0 deci  = 1 reobţinem modelul fără actualizarea cheltuielilor .
Exemplu
Fie un echipament cu C0 = 50 unităţi monetare şi valorile descrescătoare V1,…,Vn şi respectiv
crescătoare C1,…,Cn în aceleaşi unităţi monetare , date de tabelul următor penztru n = 10 ani :

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

a) Se cere momentul optim n0 al înlocuirii echipamentului fără actualizarea cheltuielilor ;

b) Se cere momentul optim n0 al înlocuirii echipamentului cu actualizarea cheltuielilor la o rată
a dobânzii d = 5 % deci  = 0.95
Soluţie
a) Calculele se exprimă în tabelul de mai jos.

N Vn Cn C0 – Vn C1+…+Cn (C0 - Vn )+(C1+…+Cn) f(n)

1 30 2 20 2 22 22
2 25 5 25 7 32 16
3 22 8 28 15 43 14.33
4 18 14 32 29 61 15.25
5 15 21 35 50 85 17
6 10 25 40 75 115 19.17
7 8 28 42 103 145 20.71
8 7 30 43 133 176 22
9 5 34 45 167 212 23.55
10 0 38 50 205 255 25.5

Avem n0 = 3 ani cu cheltuieli medii minime f(n0) = 14.33 unităţi monetare .

b) Calculele se exprimă în tabelul de mai jos .

N Vn Cn n.Vn C0 –  n.Vn n – 1.Cn C1+…+  n – 1. Cn (C0 - Vn )+(C1+…+  n – 1.Cn) f(n)

1 30 2 28.50 21.50 2 2 22 22
2 25 5 22.56 27.44 4.45 6.75 32 16
3 22 8 18.26 31.14 7.22 13.97 43 14.33
4 18 14 14.66 35.34 12 25.97 61 15.25
5 15 21 11.61 38.39 17.10 43.07 85 17
6 10 25 7.35 42.65 19.34 62.41 115 19.17
7 8 28 5.59 44.41 20.58 82.99 145 20.71
8 7 30 4.64 45.36 20.95 103.94 176 22
9 5 34 3.15 46.85 22.56 126.50 212 23.55
10 0 38 0 50 23.95 150.45 255 25.5
 224

Avem n0 = 3 ani cu cheltuieli medii minime actualizate f(n0) = 15.04 unităţi monetare .

B. Modele continue de înlocuire optimă a echipamentelor

Fie C0 cheltuielile de cumpărare şi punere în funcţiune a unui echipament la momentul de timp

t=0
Fie (t) funcţia de depreciere a echipamentului în intervalul de timp 0 ; t ; ea este o funcţie
descrescătoare cu (0) = 1 şi (t)  0 pentru t  ∞ .
Valoarea de recuperare prin revânzare sau casare a echipamentului va fi C0. (t) .
Fie C(t) cheltuielile de întreţinere şi reparare a echipamentului la momentul de timp t deci
cheltuielile cumulate de întreţinere şi reparare a echipamentului în intervalul de timp 0 ; t vor fi
t
(t)   C(s)ds
0
Avem β(0) = 0 şi β(t) este crescătoare pe [0 ; +∞] .
Cheltuielile medii pe perioada de timp [0 ; t] sunt f(t) = {C0. [1 – α(t)] +β(t)} / t care trebuie să
fie minime la momentul de timp t0 care este rădăcina pozitivă a ecuaţiei f ‘(t) = 0 .
Deoarece f ‘’(t0 ) > 0 , t0 va fi valoare de minim a cheltuielilor medii f(t).Cheltuielile medii
minime vor fi f0 = f(t0) .
În cazul în care dorim actualizarea cheltuielilor , fie d rata dobânzii şi δ(t) = 1 / (1+d)t funcţia de
actualizare a cheltuielilor .
În acest caz cheltuielile medii pe perioada de timp [0 ; t] vor fi :
g(t) = {C0. [1 – α(t). δ(t)] +β(t). δ(t) } / t
care trebuie să fie minime la momentul de timp t0 care este rădăcina pozitivă a ecuaţiei g ‘(t) = 0 .
Deoarece f ‘’(t0 ) > 0 , t0 va fi valoare de minim a cheltuielilor medii actualizate g(t).
Cheltuielile medii minime vor fi f0 = f(t0) .
Pentru d = 0 deci δ = 0 reobţinem modelul continuu fără actualizarea cheltuielilor.

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   ...  fα 
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 n1  ...  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 n1  ...  bn1 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  bn1  xSn 2 , P  x   Sn  bn  x  Sn 1 .
Dacă Sk  1 rezultă Sk1  1 pentru x   deci în final P  x   Sn  1 pentru x   .
n n 1
b)Avem: α  b1α  ...  bn1α  bn  0 de unde: α n  b1α n 1  ...  bn 1α  bn
n n 1
Rezultă: α  b1  α  ...  bn1  α  bn deci polinomul:
Q  x   x n  b1  x n 1  ...  bn1  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

fx   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:
fx 
n
 n !a0  0
n!  n 2 
fx 
n 1
 a0 x   n  1 !a1  0 are o rădăcină reală cu care se localizează rădăcinile lui f  x  .
1!
n!  n  1 !
fx 
n 1
 a0 x 2  a1 x   n  2  !a2  0 are cel mult 2 rădăcini reale cu care se localizează
2! 1!
 n3
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  .

I)Metoda bisecţiei (înjumătăţirii)

a  b0
1)Luăm a0 =a; b 0 = b; c0  0
2
2)Cunoscând pe a n – 1 , bn – 1 , cn – 1 vom defini pe a n, bn, cn astfel:
a  bn
Dacă f  a   f  cn1   0 luăm an = cn – 1 ; bn = bn – 1 şi cn  n .
2
a  bn
Dacă f  a   f  cn1   0 luăm an = a n – 1 ; bn = cn - 1 şi. cn  n
2
Dacă f  cn1   0 luăm an = a n – 1 ; bn = bn – 1 şi cn = cn – 1 .
Şirul cn tinde către rădăcina necunoscută unică α   a, b  a ecuaţiei f  x   0 .
ba
Eroarea antecalculată este EA  deoarece cn  α  EA  ε1
2n
Eroarea poscalculată este EP  2 cn  cn1 deoarece cn  α  EP  ε 2
Eroarea de verificare este EV  f  cn   ε 3

Exemplu
 227

Fie ecuaţia f  x   x  x  1  0 pentru care se ştie că există şi este unică rădăcina

3

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.

II)Metoda coardei (secantei)

a0 f  b0   b0 f  a0 
1)Luăm a0 =a; b 0 = b; c0 
f  b0   f  a0 
2)Cunoscând pe a n – 1 , bn – 1 , cn – 1 vom defini pe a n, bn, cn astfel:
an f  bn   bn f  an 
Dacă f  a   f  cn1   0 luăm an = cn – 1 ; bn = bn – 1 şi cn  .
f  bn   f  an 
an  f  bn   bn  f  an 
Dacă f  a   f  cn1   0 luăm an = a n – 1 ; bn = cn -1 şi cn  .
f  bn   f  an 
Dacă f  cn1   0 luăm an = a n – 1 ; bn = bn – 1 şi cn = cn – 1 .
Şirul cn tinde către rădăcina necunoscută unică α   a, b  a ecuaţiei f  x   0 .
a)Dacă f ''  x   0 pe  a , b  atunci f '  x  este crescătoare pe  a, b  şi f  x  este convexă
n
 f ' a 
pe  a, b  . În acest caz eroarea antecalculată este: EA  1     b  a  căci
 f 'b  
cn  α  EA  ε1 .
b)Dacă f ''  x   0 pe  a, b  atunci f '  x  este descrescătoare pe  a, b  şi f  x  este
n
 f ' b 
concavă pe  a, b  . În acest caz eroarea postcalculată este: EA  1     b  a  căci
 f 'a 
cn  α  EA  ε1 .
Fie f  x  derivabilă pe  a, b  şi f '  x  mărginită pe  a, b  : U  f '  x   V pentru orice
V
x   a, b  . În acest caz eroarea poscalculată este: EP  cn  cn1 căci avem:
U
cn  α  EP  ε 2 . Eroarea de verificare este EV  f  cn   ε 3

Exemplu
Fie ecuaţia f  x   x  x  1  0 pentru care se ştie că există şi este unică rădăcina
3

α   1;0  . Avem f '  x   3 x 2  1 strict descrescătoare pe  1;0  iar f ''  x   6 x  0 pe

 1;0  .
f '  x  este mărginită pe  1;0  şi U  f '  0   1 iar V  f '  1  4 . Luăm n  5
iteraţii deci avem rădăcina   c5 = 0.6821758 cu trei zecimale exacte. Pentru EA folosim relaţia de
la punctul b) deci avem EA = 0.2373047
Deasemenea EP = 0.0001212 ; EV  0.0003642
Programul SECAN face aceste calcule.
 228
III)Metoda aproximaţiilor succesive
Presupunem că ecuaţia f  x   0 are o rădăcină reală unică α   c  r ; c  r  .
Scriem ecuaţia sub forma: x  g  x  unde g  x   f  x   x ; g : [ c – r ; c + r } R .
Rădăcina  a ecuaţiei f  x   0 satisface relaţia α  g  x  adică  este punct fix al funcţiei
g. Rădăcina  se poate obţine ca limită a şirului recurent xn  g  xn1  , x0   c  r ; c  r  .
Pentru ca şirul recurent xn  g  xn1  să fie convergent, sunt suficiente două condiţii:
1)Funcţia g trebuie să fie contracţie adică există q  [0;1) astfel că pentru orice
x1 , x2   c  r; c  r  să avem:
(1) g  x2   g  x1   q x2  x1
a)Dacă de exemplu g  x  este derivabilă pe  c  r ; c  r  şi derivata sa g '  x  are o
margine superioară subunitară max g '  x   q  [0;1) , atunci conform teoremei Lagrange,
xc  r ; c  r 

funcţia g este contracţie.

b)Deasemenea dacă funcţia f : [ c – r ; c + r ]  R este monoton crescătoare iar derivata
f '  x   0 este mărginită pe  c  r; c  r  adică există 0  U  V cu U  f '  x   V pentru
 2U 
orice x   c  r ; c  r  , atunci pentru orice S   0;  funcţia g :  c  r ; c  r    cu
 V2 
g  x   x  S  f  x  este contracţie.

2)Funcţia g trebuie să îndeplinească condiţia:

(2) g  c  r ; c  r    c  r ; c  r 
c)Această condiţie este îndeplinită de exemplu dacă g  c   c  1  q  r unde q  [0;1)
este constantă de contracţie.
Ur  2U 
d)În condiţiile punctului 1) b), dacă f  c   atunci pentru orice S   0; 2  contracţia
2  V 
g  x   x  S  f  x  îndeplineşte condiţia (2).

Teorema 7.6 (de punct fix)

Dacă g  x  este contracţie pe  c  r ; c  r  cu constanta de contracţie q  [0;1) şi

α   c  r; c  r  este punctul fix unic al lui g şi în plus g  c  r ; c  r    c  r; c  r 
atunci şirul recurent xn  g  xn1  cu x0   c  r ; c  r  este convergent către .
Demonstraţie
Avem:
xn  α  g  xn1   g  α   q xn1  α  q g  xn 2   g  α   q 2 xn 2  α  ...  q n  x0  α

Dar x0   c  r ; c  r  aşa că x0  α  2r . Avem 0  xn  α  q  2r cu 0  q  1 deci

n

pentru n   conform criteriului comparaţiei (cleştelui) rezultă xn  α .Q.E.D.

n
Eroarea antecalculată este: EA  q  2r deoarece xn  α  EA  ε1 .
 229

1 1
Eroarea postcalculată este: EP  xn1  xn deoarece xn  α  xn1  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.

IV)Metoda tangentei (Newton)

Fie ecuaţia f  x   0 care are rădăcina unică α în intervalul  α  r ; α  r 
Presupunem că f  x  este derivabilă de două ori pe intervalul  α  r ; α  r  şi că există
a, b  0 astfel că:
(1) f ' x  a
(2) f ''  x   b
pentru orice x   α  r ; α  r  .
f  xn1 
Fie şirul recurent X n  X n1  cu x0   α  r ; α  r 
f '  xn1 
Teorema 7.7
Fie funcţia f  x  derivabilă de două ori pe  α  r ; α  r  şi care satisface relaţiile (1), (2).
 2a 
Dacă c  min  r ;  atunci pentru orice x0   α  c; α  c  şirul recurent:
 b 
f  xn 1 
X n  X n1  este convergent către .
f '  xn1 
Demonstraţie
Avem formula Taylor în punctul :
f '  xn 1  f ''  θ  2
f  x   f  xn1    xn1  α    xn1  α  cu θ   α; xn1  .
1! 2!
Rezultă:
f ''  θ  2 b 2
(3) f  α   f  xn1   f '  xn1  α  xn1    xn1  α    xn1  α 
2! 2
Avem:
f  xn 1  1
xn  α  xn1  α   f    f  xn1   f '  xn1  α  xn1  
f '  xn1  f '  xn1 
 230

b 2
  xn1  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 n1  vom proceda
f '  xn1 
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  xn1 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 n1  n1 2 n1
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

În acest capitol se defineşte funcţia reală de o variabilă reală , se enumeră proprietăţile ei , se

prezintă rolul derivatelor de ordinul unu şi doi în studiul funcţiei , în special la găsirea maximelor
şi minimelor funcţiei . Capitolul se încheie cu metodele iterative de rezolvare a ecuaţiilor cu
computerul.

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

1. Stănăşilă O. “ Analiză liniară şi geometrie “Vol. I - II,Editura ALL ,2000 - 2001

2. Cenuşă Gh. şi col.“ Matematici pentru economişti “ Editura CISON,2000
3. Cenuşă Gh. şi col.“ Matematici pentru economişti – culegere de probleme“ Editura CISON,2000
4. Ene D. “ Matematici (I) “ Editura CERES , 2004
5. Gogonea S. , Ene D. “ Analiză numerică “ Editura Cartea Universitară , 2005
6. Ene D.,Gogonea S. “Metode numerice” Editura Cartea Universitară , 2005
 232

CAP. 8 CALCUL DIFERENŢIAL PENTRU FUNCŢII DE n VARIABILE REALE

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

Fie mulţimea de vectori A  Rn şi mulţimea de scalari B  R .

Se spune că s-a definit o funcţie reală de n variabile reale dacă oricărui vector X  A îi
corespunde numărul real unic y = f (X) B .
Dacă X = (x1,…,xn) , funcţia f se va scrie : y = f (x1,…,xn) .
Un sistem de m funcţii reale de n variabile reale este mulţimea de funcţii :

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 :

(0)f (x (0) ) f (x (0) )

Grad f (x )  ( ,..., )
x1 x n
se numeşte gradientul funcţiei f în x(0) .
Diferenţiala de ordinul întâi a lui f în x(0) este polinomul omogen cu variabilele
dx1,…,dxn :

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 j1 x i x j

unde dx = (dx1,…,dxn) este vectorul-deplasare iar (dx)T este transpusul său .

Diferenţiala de ordinul doi a lui f se numeşte pozitiv-definită dacă pentru orice vector-deplasare
dxRn , avem : d2f (x(0)) = (dx).Hf(x(0)).(dx)T > 0 .
Cu notaţiile :
 2 f (x (0) )
h ij 
x i x j
conform criteriului lui Sylvester , d 2 f (x(0)) este pozitiv-definită dacă Hf(x(0)) este matrice pozitiv-
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 pozitivi în x(0) .
Diferenţiala de ordinul doi a lui f se numeşte negativ-definită dacă pentru orice vector-deplasare
dxRn , 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 j1 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 j1 x i x j 
R 2 (x1 ,..., x n )
unde l i m
(0) 2
0
x x
x  x (0)

Notând = x – x(0)  , din această relaţie avem :

2  n n  2 f (x (0) ) (x i  x i0 ) (x j  x j0 ) 2R 2 (x) 
f (x)  f (x (0) )        
2  i1 j1 x i x j    2 

Fie sfera-unitate S = { x  Rn  x12+…+xn2 = 1 }.

Avem ((x1-x10) /  ,…, (xn – xn0 ) /  )  S .
Pentru  suficient de mic , termenul R2(x) / (2) se poate neglija deci f(x) – f(x(0))
are acelaşi semn cu :

 n n  2 f (x (0) ) (x i  x i0 ) (x j  x j0 )  x-x (0) (0) x-x (0) T

     =  H f (x )  ( ) =H 0 (x)
 i 1 j1 x i x j     

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

cu soluţia (punctul staţionar) :

n n n
n   x i yi   x i   yi
1 n 1 n
B1  i 1
n
i 1
n
i 1
; B0 =   yi -B1    x i
n i=1 n i=1
n   x i2  ( x i ) 2
i 1 i 1
Derivatele parţiale de ordinul doi ale funcţiei f sunt :

2f n
2 2 f n
2f
B12
 2  
i 1
x i ;
B1B0
 2  
i 1
x i ;
B20
 2n

Matricea hessiană este :

 238

 n 2 n

2   x i 2   xi 
H f   i n1 i=1

 
2   x i 2n 
 i 1 

Avem în punctul staţionar :

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 j1

deci avem un punct de minim .

B1 se numeşte coeficient de regresie liniară iar B0 se numeşte termen liber al regresiei .

2) Stocuri optime cu cerere constantă

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 ) .

A. Stocuri cu aprovizionare instantanee

Cu privire la modul de aprovizionare cu articole , vom presupune că aprovizionarea se face

instantaneu cu un număr r de articole , r fiind acelaşi pentru perioade de timp egale , de lungime t
între două aprovizionări consecutive adică stocurile sunt cu cerere constantă .
Fie perioada de timp totală de lungime T pentru care există cererea totală de N articole .
În prima perioadă de timp de lungime t se aduc în stoc r = m articole faţă de n articole
planificate (m ≤ n ) ; aceste m articole consumându-se în procesul de producţie / consum , în
următoarea perioadă de timp de lungime t se aduc alte m articole , etc.
 239
La sfârşitul perioadei de timp totale de lungime T , cererea totală de N articole este integral
satisfăcută iar volumul stocului este zero .
Datorită condiţiei m ≤ n , rezultă că există subperioade de timp de lungime t – u la sfârşitul
perioadelor de timp de lungime t , în care volumul stocului ajunge zero (penurie de n – m articole)
deci apare costul de penurie cp (lei / articol.unitate de timp ).
În ipoteza consumului liniar de articole din stoc , volumul stocului evoluează astfel : în
subperioadele de timp [ it ; it+u] stocul scade de la m articole la zero articole iar pe subperioadele de
timp [ it +u ; (i+1)t] există penurie de n – m articole , urmată de o nouă aprovizionare cu m articole
(i = 0,1,…,k-1) . Aici k este numărul de aprovizionări în serii de câte m articole .
Intensitatea stocării planificate este  = (n / t) articole / unitate de timp iar a celei realizate este
’
 = (m / u) articole / unitate de timp .
Intensitatea cererii este λ = (N / T ) articole / unitate de timp .
Vom presupune că  = ’ = λ adică n / t = m / u = N / T şi că avem k aprovizionări în serii de
câte m articole în subintervale de timp de lungime u , aşa că vom avea :
k=T/t=N/n;T/u=N/m
Costul aprovizionării cu o serie de m articole este ca (lei / serie), costul stocării acestei serii este
(m / 2).u.cs unde m / 2 este volumul mediu de articole stocate pe perioada de timp de lungime u iar
costul penuriei a n – m articole este ((n-m) / 2). (t-u).cp unde (n – m) / 2 este numărul mediu de
articole care lipsesc din stoc pe subperioada de timp de lungime t – u de la sfârşitul perioadei de timp
de lungime t .
Costul total al aprovizionării, stocării şi penuriei pentru cele N articole necesare în perioada de
timp totală de lungime T , va fi :

 m nm 
C(n,m)=k  ca   u  cs   (t  u)  c p 
 2 2 

Dar k = N / n ; u = m.(T / N ) şi t - u = (n-m).( T / N ) aşa că vom minimiza funcţia de

variabilele n , m a costului total de aprovizionare , stocare şi penurie :

1 m2 (n  m)2
C(n,m)=  N  ca   T.cs   T  cp
n 2n 2n

Derivăm parţial în raport cu n şi m :

C 1 m2 n 2  m2
  2  N  ca  2  T  cs   T  cp  0
n n 2n 2n 2
C m nm
  T  cs   T  cp  0
m n n

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 nm
1  2  0 ;  2  2  0 pentru n = n 0 şi m = m0
n  C 2C
mn m 2

deci în adevăr avem un minim .

Valoarea minimului este C(n0 , m0) = T.cs.m0
Numărul optim de aprovizionări cu n0 articole planificate va fi : k0 = N / n0 .
Lungimea optimă a intervalelor de timp între două aprovizionări va fi : t0 = T / k0
Durata optimă a subperioadelor de timp fără penurie va fi : u0 = ρ.t0 .
Dacă cs este neglijabil în raport cu cp , avem ρ → 1 deci m0 → n0 şi penuria dispare (stocurile
sunt cu articole suficiente ) .
În acest caz avem :

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 .

B. Stocuri optime cu aprovizionare treptată

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  

Cheltuelile totale minime pe unitatea de timp sunt f0 = f ( u0, t0) .

În cazul cînd cs este neglijabil în raport cu cp deci 0 , penuria dispare deci avem t = r = 0 aşa
că f(u) = ca(-) +.cpt2 / 2 / () iar f ’(u) = 0 are soluţia :
 242

2ca (   )
u0 
cs

care este punct de minim . Valoarea minimului este f0 = f(u0)

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

Avem  = cp / (cs + cp ) = 0.875 deci din relaţiile (4) rezultă :

u0 = 45.8 zile ; t0 = 6.55 zile ; s0 = 183.2 zile ; r0 = 26.2 zile .
Valoarea f0 = f ( u0 , t0 ) rezultă din relaţia (3) .
Avem t1 = s0 = 183.2 zile ; t2 = s0 + u0 = 229 zile ; t3 = s0 + u0 + t0 = 235.55 zile şi
t4 = s0 + u0 + t0 + r0 = 261.75 zile .
În intervalul 0 ; 183.2 zile se oferă  s0 = 96 tone furaje şi se consumă  s0 = 73.28 tone furaje
deci în a 183.2 – zi avem stocul de 22.72 tone furaje .
În intervalul 183.2 zile ; 229 zile se consumă în întregime stocul de 22.72 tone furaje .
În intervalul 229 zile ; 235.55 zile se creează un deficit de stoc de  t0 = 26.2 tone de furaje .
În intervalul 235.55 zile ; 261.75 zile se reia oferta de  r0 = 13.1 tone furaje şi se consumă
 r0 = 10.48 tone furaje iar deficitul de furaje dispare în a 261.75 – zi .
În continuare procesul de ofertă şi consum se reia cu aceiaşi paramatri optimi .

C. Stocuri optime cu cerere aleatoare

În modelul stocurilor optime cu cerere constantă de la punctul 2) s-a presupus că cererea de r

articole pentru a fi depuse în stoc este constantă şi egală fie cu numărul n de articole planificate pentru
stocuri cu articloe sufuciente fie cu numărul m ≤ n de articole realizate pentru stocuri cu penurie de
articole .
Vom presupune mai departe că cererea r este o variabilă aleatoare pe fiecare perioadă de timp de
lungime t cu densitatea de probabilitate p(r) .
Cererea fiind variabilă , în orice perioadă de timp de lungime t sunt posibile cazurile :
r ≤ m sau r > m .
Cazul r ≤ m , ilustrat în figura 1 , duce la scăderea liniară a stocului de la m la m – r articole
deci avem stocul mediu : [m+(m-r)t] / (2t) = m – (r / 2 )
 243

Cazul r > m , ilustrat în figura 2 , duce la scăderea liniară a stocului de la m la 0 pe subperioada

de timp [0 ; u] de lungime u deci avem stocul mediu (mu) / (2t) = (m2 ) / (2r ) căci din asemănarea
triunghiurilor dreptunghice OAB şi ACD din figura 2 , rezultă u / t = m / r deoarece AC = r .

Pe subperioada de timp [u ; t ] de lungime t – u avem penurie de n – m articole deci penuria

medie este [(r-m).(t-u)] / (2t) = (r-m)2 / (2r) deoarece din relaţia de asemănare u / t = m / r rezultă
(t-u) / t = (r-m) / r .
Costul mediu de aprovizionare-stocare-penurie pe perioada de timp de lungime t este :

m
r n
m2 n
(r  m)2
C(m)  ca  cs   (m  )  p(r)  cs    p(r)  cp    p(r)
r0 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  m1 r

relaţia C (m) < C (m+1) devine : cp < (cs+cp).L(m) şi cum  = cp / ( cs + cp ) rezultă :

 < L(m) .
În mod analog avem :

 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 

Avem ca = 200 lei / lună ; cs = 4 lei / tonă.lună ; cp = 36 lei / tonă.lună.

Se cere volumul optim m0 al unei serii de aprovizionare realizate şi cheltuielile medii minime
C (m0) de aprovizionare , stocare şi penurie .
Soluţie
Avem n = 4 ;  = 360000 / 400000 = 0.9
Avem tabelul de calcul :

m r p(r) p(r) / r S P(r ≤ m) L(m)

0 0 0.40 - 0.37 0.40 0.585
1 1 0.22 0.22 0.15 0.62 0.845
2 2 0.18 0.09 0.06 0.80 0.950
3 3 0.12 0.04 0.02 0.92 0.990
4 4 0.08 0.02 0 1 1

Aici am folosit notaţia :

 245
4
p(r)
S= 
r=m+1 r

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 .

adică C (2) = 212.2 lei = minim .

4) Funcţii Douglas-Cobb

Fie x1 = cheltuieli materiale anuale ; x2 = cheltuieli cu forţa de muncă ; y = venitul

anual , toate la cultura porumbului în lei .
Avem y = A0 x1B1x2B2 cu 0≤ B1 , B2 ≤ 1 şi B1+B2 ≠ 1 .
Profitul annual este : P(x1,x2) = A0 x1B1x2B2 – x1 – x2 şi trebuie să fie maxim .
Anulăm derivatele parţiale ale lui P în raport cu x1 , x2 :

P
 A 0 B1x1B1 1 x B2 2  1  0
x1
P
 A 0 B2 x1B1 x 2B2 1  1  0
x 2

Rezultă :

A0 B1x1B1 1 x 2B2  A0 B2 x1B1 x 2B2 1

adică x1 / B1 = x2 / B2 de unde x2 = (B2 / B1 ) . x1 şi prima ecuaţie a sistemului dă :

1
x10   A 0 B11B2 B2B2  1B1 B2

şi x20 = ( B2 / B1 ).x10 adică :

1
B1 1 B1
x 20  A 0 B B1 2
 1 B1  B2

Profitul maxim este Pmax = A0 x10B1x20B2 – x10 – x20 .

Ca şi în exemplul 1) se verifică faptul că avem un punct de maxim .

5) Optimizarea nivelului preţurilor de vînzare ale produselor agricole

Se urmăreşte maximizarea venitului din vînzarea produselor agricole, a stimulării consumului de
produse agricole ca o cale principală de relansare a producţiei agricole .
Vom relua optimizarea separată a câte unui produs agricol care a fost prezentată în capitolul 7
apoi vom optimiza ansamblul a două produse agricole concurenţiale.
 246
Cazul unui produs agricol
Fie x preţul de vînzare variabil (lei / Kg) al unui produs agricol , fie y cantitatea variabilă din
produs , vândută într-un interval de timp de lungime T , la preţul de vânzare x şi fie z =x.y
valoarea variabilă în lei a cantităţii vândute la preţul de vânzare x .
Fie xc preţul de vânzare curent al produsului , fie yc cantitatea vândută la preţul de vînzare curent xc şi
fie zc = xc.yc valoarea în lei a cantităţii vândute la preţul de vânzare curent xc .
Fie xp un preţ de vânzare de probă pentru testarea pieţii , pentru care avem în acelaşi interval de timp de
lungime T , cantitatea de produs vândută yp şi valoarea în lei a cantităţii vândute zp la preţul de vânzare
xp.
Este clar că avem funcţia y = f(x) descrescătoare în raport cu x , datorită limitării puterii de
cumpărare a cumpărătorilor potenţiali .Avem z = x.f(x) .
Dorim să calculăm preţul de vânzare economic xe pentru care valoarea în lei a cantităţii vândute ze = xe.f(xe)
este maximă .

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

deci a = (yp - xc) / (xp – xc) ; b = (xpyc – xcyp) / [2.(xp – xc )].

Avem z = x.y = a.x2 + 2.b.x deci z = maxim pentru z’ = 2a.x + 2.b = 0

aşa că xe = b / ( - a) deci ye = b şi ze = xe.ye = maxim .

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 / x1x2 = -2.66 deci :
 = (2z / x12). (2z / x22) – [(2z / x1x2)]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 .

8.3 Extreme cu legături ale funcţiilor de n variabile reale

Fie funcţia reală de n variabile reale y = f (x1,…,xn) , f: A  Rn  B  R şi fie

funcţiile auxiliare y = φi (x1,…,xn) ; φi : A  Rn  R ; (i=1,…,m). Se presupune că funcţiile f ;
φ1,…, φm (m ≤ n) au derivate parţiale continue pe A .
În plus funcţiile auxiliare φi se presupun funcţional independente pe A adică matricea
lor Jacobi J = [ ∂ φi / ∂ xj ] (x) cu m liniii şi n coloane , are rangul m pentru orice vector x  A .
Fie D  A mulţimea vectorilor x = (x1,…,xn) care anulează cele m funcţii auxiliare :
φ1 (x1,…,xn) = 0
……………….. (1)
 248
m (x1,…,xn) = 0

Vectorul x(0) = (x10,…,xn0)  A  Rn se numeşte punct de extrem condiţionat pentru

funcţia f cu legăturile date de relaţia (1) , dacă el maximizează / minimizează funcţia f
şi în plus verifică legăturile (1) adică x(0) D .
Dacă de exemplu în matricea Jacobi J de rang m , este nenul minorul :
 = Det   i /  xj  ; (1  i , j  m ) , atunci din legăturile (1) putem afla pe x1,…,xm
în funcţie de xm+1,…, xn :
x1 = 1 (xm+1,…, xn )
…………………….. (2)
xm = m (xm+1,…, xn )

În acest caz funcţia iniţială y = f (x1,…,xn) devine :

f (x1,…,xn) = f  1 (xm+1,…, xn ) ,…, m (xm+1,…, xn ) ; xm+1,…, xn  = g (xm+1,…, xn ) .
x(0) este punct de extrem condiţionat pentru funcţia f cu legăturile (1) dacă şi numai dacă x (0) = (
1 (xm+1,0,…, xn,0 ) ,…, m (xm+1,0,…, xn,0 ) ; xm+1,0 ,…, xn,0 ) este punct de
extrem necondiţionat pentru funcţia g (xm+1,…, xn ) .
Din păcate , obţinerea explicită a relaţiilor (2) din relaţiile (1) este în general foarte laborioasă
deci vom înlocui funcţia g (xm+1,…, xn ) cu funcţia Lagrange :
L (x1,…, xn ) = f (x1,…, xn ) -  1.1 (x1,…, xn ) - … - m . m (x1,…, xn )
Sunt valabile următoarele afirmaţii :
1) Orice punct de extrem condiţionat x(0) al funcţiei f cu legăturile (1) este punct
staţionar al funcţiei Lagrange adică :
m
L f 
   i  i ; (j=1,...,n) (3)
x j x j i 1 x j

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

Valoarea multiplicatorului Lagrange i este egală cu variaţia funcţiei-obiectiv df

provocată de variaţia funcţiei din legătura numărul i cu o unitate : d  i = 1 .
Din acest motiv multiplicatorii Lagrange 1,…, m se munesc preţuri-umbră sau
costuri de oportunitate prin analogie cu variabilele duale proprii yi din programarea
liniară ( Vezi cap. 6 )
2) Un vector x(0)  Rn – m este punct staţionar al funcţiei g (xm+1,…, xn ) dacă şi numai dacă
x(0)  Rn este punct staţionar al funcţiei Lagrange .
Afirmaţiile (1) şi (2) dau condiţia necesară ca x(0) să fie punct de extrem condiţionat pentru
funcţia f cu legăturile (1) şi anume x(0) trebuie să fie punct staţionar
al funcţiei Lagrange .
 249
Urmează să stabilim o condiţie suficientă ca x(0) trebuie să fie punct staţionar al
funcţiei Lagrange .
Din legăturile (1) obţinem prin diferenţiere :

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

Relaţiile (5) constituie un sistem de m ecuaţii independente cu n necunoscute :

dx1 ,…,dxm ,dxm+1 ,…,dxn ,coeficienţii fiind elemente ale matricii Jacobi de rang maxim egal cu m .
Dacă avem minorul nenul :  = Det   i /  xj   0 ; (1  i , j  m ) , din sistemul (5) putem
afla pe dx1 ,…,dxm în raport cu dxm+1 ,…,dxn :
dx1 = 1 (dxm+1 ,…,dxn )
……………………….. (6)
dxm = m (dxm+1 ,…,dxn )

Soluţiile din relaţiile (6) verifică şi relaţia :

f f f f
dx1  ...  dx m  dx m 1  ...  dx n  0 (7)
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 :

g(x (0) ) g(x (0) )

dg(x (0) )  dx m 1  ...  dx n  0
x m 1 x n
g(x (0) )
respectiv dx h  0 ; (h = m+1,...,n)
x h

b) Diferenţiala de ordinul doi a lui g în x(0) :

n n
 2 g(x (0) )
d 2 g(x (0) )    dx h dx k
h  m 1 k  m 1 x h x k

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 j1 x j i 1 j1 x j

adică relaţiile (3) :

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 j1 x i x j

care dup înlocuirea lui dx1,…,dxm devine :

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 d2L(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 : d2L = - 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 .

2) Se cere extremul funcţiei f = - x12 – 4x22 – 9x32 +2x1+8x2+18x3 cu legăturile :

1 = x1+2x2+3x3 +3 = 0 ; 2 = 6x1+2x2+3x3 +30.5 = 0
Soluţie
Avem funcţia Lagrange L = f - 1.1 - 2.2
a) Anulăm derivatele parţiale ale lui L în raport cu x1,x2,x3 şi adăogăm legăturile :
L / x1 = - 2x1+2 - 1 - 62 = 0
L / x2 = - 4x2 +8 -21 - 22 = 0
L / x3 = 18x3 +18 -31 - 32 = 0
x1+2x2+3x3 +3 = 0
x1+2x2 +3x3+30.5 = 0

Din primele trei ecuaţii aflăm pe x1,x2,x3 în funcţie de 1 şi 2 şi îi înlocuim în a patra şi a

cincea ecuaţie .
Obţinem 10 = 1 ; 20 = 2 de unde x10 = - 5.5 ; x20 = 0.5 ; x30 =0.5 adică punctul staţionar al
funcţiei Lagrange L .
Avem diferenţiala de ordinul întâi a lui L :
dL = (- 2x1+2 - 1 - 62 )dx1+( - 4x2 +8 -21 - 22)dx2 + (18x3 +18 -31 - 32 = 0)dx3  0 pentru
valorile 10 = 1 ; 20 = 2 şi x10 = - 5.5 ; x20 = 0.5 ; x30 =0.5
b) Diferenţiala de ordinul doi a lui L este : d2 L = - 2dx12 –4dx22 +186dx32
Diferenţiem legăturile : dx1+2dx2+3dx3 = 0 şi 6dx1+2dx2+3dx3 = 0 de unde aflăm pe dx1 şi dx2
în raport cu dx3 : dx1 = 0 ; dx2 = -1.5 dx3 pe care le înlocuim îm d2L şi obţinem : d2L = 9dx32 .
Cum 1 = 9 > 0 avem un minim .
Interpretarea lui 0 = -2
Pentru x1 variabil şi x20 = - 5.5 ; x30 = 0.5 avem f = - x12 + 2x1 + 9.75 şi
1 = x1 +5.5 ; 2 = 6x1 +33
Avem f / x1 = - 2x1+2 ; 1 / x1 =1 ; 2 / x1 =6 deci pentru x1=x10 = 5.5 obţinem :
(f / x1)0 = 13 şi (1 / x1)0 =1 ; (2 / x1)0 =6 deci se verifică relaţia :
(f / x1)0 = 10. (1 / x1)0 + 20 . (2 / x1)0 adică 13 = 1 x 1 + 2 x 6 .

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=2x1(x1+x2) iar volumul cilindruui este V = x12x2 .
Avem problema de extrem cu legături primală :
V = x12x2 = maxim ;
S=2x1(x1+x2) = S0
Funcţia Lagrange este L = x12x2 - .2x1(x1+x2) - S0
Anulăm derivatele parţiale ale lui L în raport cu x1 şi x2 , şi ataşăm legătura :
L / x1 = 2x1x2 - 2(2x1 + x2) = 0
L / x2 = x12 - 2x1 = 0
2x1(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=2x1(x1+x2) =minim
V = x12x2 = V0
Formăm funcţia Lagrange L = 2x1(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 = 2x1 -  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 = ( 54V02)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 .

II) Grinda dreptungiulară optimă

Dintr-un buştean cilindric cu secţiunea circulară de diametru D trebuie cioplită o grindă cu

sceţiunea dreptunghiulară.
Să se afle dimensiunile x1 , x2 ale secţiunii dreptunghiulare satfel ca rezistenţa sa să fie maximă .
Soluţie
Rezistenţa grinzii este R = kx1x22 unde x1 este lungimea pe orizontală a seţiunii dreptunghiulare
iar x2 este înălţimea pe verticală a secţiunii dreptunghiulare .
Avem legătura : x12 + x22 = D2 .
Problema de extrem cu legături are forma :
R = kx1x22 = maxim
x12 + x22 - D2 = 0
Funcţia Lagrange este : L = kx1x22 - .( x12 + x22 - D2 )
Anulăm derivatele parţiale de ordinul întâi ale lui L în raport cu x1 , x2 şi ataşăm
 253
legătura :
L / x1 = kx22 - 2x1 = 0
L / x2 = 2kx1x2 - 2x2 = 0
x12 + x22 - D2 = 0
Din primele două ecuaţii avem : x1 =  / k ; x2 = 21/2 / k care se înlocuiesc în a treia
ecuaţie şi rezultă : 0 = (3)1/2kD / 3 deci avem punctul staţionar :x10 = (3)1/2D / 3 ;
x20 = (6)1/2D / 3 .
Ca şi în exemplul 1) de mai sus se verifică daptul că avem un punct de maxim .
Valoarea rezistenţei maxime este Rmax = 2(3)1/2kD3 / 9 .
Se vede că între dimensiunile secţiunii dreptunghulare optime există relaţia :
x20 = (2)1/2x10 .

III) Funcţia Douglas-Cobb cu legături

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 .

Problema de optimizare primală :

Să se maximizeze venitul cu încadrarea cheltuielilor de producţie în suma C0 .
Avem problema de extrem cu legături :
y = A0x1B1 x2B2 = maxim ;
x1+x2 – C0 = 0
Avem funcţia Lagrange : L = A0x1B1 x2B2 - ( x1+x2 – C0 )
Anulăm derivatele parţiale de ordinul întâi ale lui L în raport cu x1 şi x2 şi ataşăm
legătura :

L
 A 0 B1 x1B1 1 x B2 2    0
x1
L
 A 0 B2 x1B1 x 2B2 1    0
x 2

Din primele două ecuaţii rezultă x1 / B1 = x2 / B2 şi împreună cu ecuaţia a treia dau :

x 10 = (B1C0 ) / (B1 +B2) ; x 20 = (B2C0 ) / (B1 +B2) aşa că :

B1  B2 1B 1 B2 dy
0  A 0 B1B1 B2B2 ( ) 
C0 dC0
C0
ymax  A 0 B1B1 B2B2 ( ) B1 B2
B1  B2

Ca şi în exemplul 1) de mai sus se arată că în adevăr avem un punct de maxim .

Problema de optimizare duală :

 254
Să se minimizeze cheltuielile cu garantarea venitului în valoare de cel puţin V0 .
Avem problema de extrem cu legături :
y = x1+x2 =minim
A0x1B1x2B2 = V0
Avem funcţia Lagrange : L = x1 + x2 - (A0x1B1x2B2 – V0 )
Anulăm derivatele parţiale de ordinul întâi ale lui L în raport cu x1 şi x2 şi ataşăm
legătura :
L
 1   A 0 B1 x1B1 1 x B2 2  0
x1
L
 1   A 0 B2 x1B1 x 2B2 1  0
x 2
A 0 x1B1 x 2B2  V0

Din primele două ecuaţii rezultă x1 / B1 = x2 / B2 şi împreună cu ecuaţia a treia dau :

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

Ca şi în exemplul 1) de mai sus se arată că în adevăr avem un punct de minim .

8.4 Metoda Newton-Raphson pentru sisteme neliniare

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)

Pentru convergenţa şirului de vectori X(p) către rădăcina

α = (α1 , … ,αn)T a sistemului neliniar , sunt suficiente condiţiile :

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 , m1  1
1i  n

Eroarea de verificare după m iteraţii este :

EV  max  fi ( x1,m ,..., xn , m )   2

1 i  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

Presupunem Det[J(X)]≠0 într-o vecinătate a soluţiei exacte α = (α1 , … ,αn)T  R n .

Presupunem deasemenea îndeplinite condiţiile suficiente de convergenţă pentru şirul de vectori
X(p)  R n , menţionate mai sus .
Matricile numerice J(X(0)) , J(X(1)) , …, J(X(m)) care apar în relaţiile de recurenţă (5) se vor inversa
cu programul INVMAT .
Exemplu
Să se rezolve sistemul patratic :
 256
x12 +x22 +x32 –1=0
2x12 + x22 - 4 x3 =0
2 2
3x1 +x3 – 4 x2 =0
prin metoda iterativă Newton-Raphson .
Soluţie
Luăm :

 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 :

 3/8 1/8 1/8 

J(X (0)    7/20 1/20 - 3/20 
1

 
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 
 

Mai departe calculăm F(X(1)) , J(X(1)) şi J(X(1) - 1 de unde rezultă :

 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 
 

În fine după m = 4 iteraţii avem :

 0.78520 
  J(X (3)   F(X (3) )   0.49661 
1
X (4)  X (3)
 0.36992 
 

ceace asigură precizia EPS = 0.0001 .

Eroarea postcalculată este : Ep = 0.0000135 iar cea de verificare este EV = 0.0000638
Programul SISPAT face aceste calcule .
În capitolul 10 vom folosi acest program pentru optimizări neliniare .

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

1. Stănăşilă O. “ Analiză liniară şi geometrie “Vol. I - II,Editura ALL ,2000 - 2001

2. Cenuşă Gh. şi col.“ Matematici pentru economişti “ Editura CISON,2000
3. Cenuşă Gh. şi col.“ Matematici pentru economişti – culegerede probleme“ Editura CISON,2000
4. Ene D. “ Matematici (I) “ Editura CERES , 2004
5. Gogonea S. , Ene D. “ Analiză numerică “ Editura Cartea Universitară , 2005
6. Ene D.,Gogonea S. “Metode numerice” Editura Cartea Universitară , 2005
 258

CAP.9 CALCUL INTEGRAL PENTRU FUNCŢII DE O VARIABILĂ REALĂ

Obiective : însuşirea de către studenţi a noţiunii de integrală Riemann a unei funcţii de o

variabilă reală şi metodelor ei de calcul , a noţiunii de ecuaţie diferenţială şi a metodelor
sale de rezolvare precum şi a extremelor libere sau cu legături ale unei funcţionale.

Cuprins :

9.1 Integrala Riemann a unei funcţii de o variabilă reală

9.2 Aplicaţiile integralei Riemann în sistemele agricole
9.3 Ecuaţii diferenţiale
9.3.1 Ecuaţii diferenţiale de ordinul 1
9.3.2 Ecuaţii diferenţiale de ordinul n
9.3.3 Metode aproximative de rezolvare a ecuaţiilor diferenţiale
9.4 Extremele libere şi cu legături ale funcţionalelor
9.5 Rezumat
9.6 Întrebări
9.7 Bibliografie

Cuvinte-cheie : integrală Riemann , ecuaţie diferenţială , funcţională .

9.1 Integrala Riemann a unei funcţii de o variabilă reală

Fie o funcţie f : A  R  R cu expresia analitică y  f  x  .

Funcţia f  x  are primitivă pe A  R dacă există o funcţie F  x  : A  R  R astfel că:
1) F  x  este derivabilă pe A  R
2) F'  x   f  x  pentru orice x  A
Integrala nedefinită a lui f  x  este:  f  x  dx  F  x   C
Funcţiile continue pe  a, b  , au primitive pe  a, b  .

Operaţii cu integrale nedefinite

I.  C  f  x  dx  C   f  x  dx
II.   f  x   g  x  dx   f  x dx   g  x  dx
Integralele nedefinite ale funcţiilor elementare
x a 1
1. x a dx   C ;  a  R, a  -1
a 1
dx
Pentru a = -1 avem   ln x +C
x
x n 1
În particular :  x n dx   C ; (n  N)
n 1
2. a x dx  a x  log a e  C

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

6.  tg xdx  -ln sin x +C

7. cot g xdx = - ln sin x  C
dx
8. = tg x +C
cos 2 x
dx
9. 2 = - cotgx +C
sin x
2
10. arcsin xdx  x arcsin x  1  x  C ; |x|≤1

2
11.  arccos xdx  x arccos x  1  x  C ; |x|≤1
1
12.  arctg xdx  x arctg x  ln  x  1  C
2

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 xa
14. 2 2
  ln C
x a 2a xa
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

Avem identitatea evidentă :

 b  
ax 2  bx  c  a  ( x  )2  2  unde =b 2  4ac
 2a 4a 
 260
dx dx
Cu ajutorul ei integrala  ax 2
se reduce la cazurile 1;13,14 , integrala 
 bx  c 2
ax  bx  c
se reduce la cazurile 1;15,16 iar integrala  ax 2  bx  c dx se reduce la cazurile 1;17;18 .

Metode de calcul pentru integralele nedefinite

I. Metoda integrării prin părţi :

 f(x)g (x)dx = f(x)g(x) -  f (x)g(x)dx
II. Metoda schimbării de variabilă :
 f(x)dx =  f (t)  (t)dt
cu schimbarea de variabilă x = φ(t) deci dx = φ’(t)dt .

III. Integrarea funcţiilor raţionale :

P(x)
Fie integrala  dx unde P(x) , Q(x) sunt polinoame cu coeficienţi reali .
Q(x)
Dacă grad P(x)≥grad Q(x) avem prin împărţire:P(x) = Q(x).A(x)+R(x) cu grad R(x)<gradQ(x)
P(x) R(x)
deci  Q(x) dx =  A(x)dx +  Q(x) dx
deci am ajuns la cazul grad P(x) < grad Q(x) .
1) Ecuaţia Q(x) = 0 are rădăcini reale de forma x0 de multiplicitate p şi perechi de rădăcini
complexe conjugate de forma x1,2 (rădăcini ale ecuaţiei ax2+bx+c = 0 cu Δ < 0 )de
multiplicitate q .
2) Avem descompunerea în fracţii simple :
P(x) A1 Ap B x  C1 Bq x  Cq
  ...  p
 ...  21  ...   ...
Q(x) (x  x 0 ) (x  x 0 ) ax  bx  c (ax 2  bx  c) q
în care Ah , Bk , Ck sunt coeficienţi nedeterminaţi (h=1,…,p ; k=1,…,q ) care se află prin
identificarea coeficienţilor puterilor lui x din ambii membri .
Ah (x-x 0 ) h 1 Bk x  Ck
3) Fie I h   h
dx =A h  ; Jk   dx
(x  x 0 ) -h+1 (ax  bx  c) k
P(x)
Avem  Q(x)dx  I 1  ...  I p  ...  J1  ...  J q  ...

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

Integrala Riemann a funcţiei f pe intervalul  a, b  A  R apare în legătură cu calculul

ariei S cuprinsă între graficul lui f, dreptele paralele cu 0y de ecuaţii x  a , x  b şi axa 0x de
ecuaţii y  0 .
Fie  : a  x0  x1  ...  xn1  xn  b o diviziune a intervalului  a , b  cu norma diviziunii:
  max x j  x j 1
1 j n

Fie punctele ci   x j 1 , x j  1  j  n  . Aria S poate fi aproximată cu suma

dreptunghiurilor cu bazele  x j 1 , x j  şi înălţimea f c j   numită suma Riemann asociată funcţiei f
şi diviziunii  cu punctele intermediare c j :
n
(1) S   f  ci   x j  x j 1   σ   f ; c 
j 1

Dacă pentru orice diviziune  cu lim   0 şi orice puncte intermediare ci în diviziunea 

n

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  ...  xn1  xn  b cu puncte echidistante x j  a  jh cu
ba
h şi fie punctele intermediare c j  x j 1  j  n 
n
ba
Avem   deci lim   0 .
n n

Relaţia (1) devine: S  h  f  x1   f  x2   ...  f  xn 1   f  b    I n numită formula

dreptunghiurilor.
2
b  a
Eroarea antecalculată în metoda dreptunghiurilor este: EA   M1 unde
n
M1  max f '  x 
x a ,b

Eroarea postcalculată în metoda dreptunghiurilor este: EP  I n  I n1

Programul DREP face aceste calcule.

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  ...  xn1  xn  b cu puncte echidistante x j  a  jh cu
ba
h . Dacă luăm punctele intermediare c j  x j 1 avem cu formula dreptunghiurilor:
n
S  h  f  a   f  x1   ...  f  xn1    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

Eroarea postcalculată în metoda trapezelor este: EP  K n  K n1

Programul TRAPEZ face aceste calcule.

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

c) Formula parabolelor (Simpson)

Fie diviziunea  : a  x0  x1  ...  xn1  xn  b cu puncte echidistante x j  a  jh ;
ba
h .
n
Presupunem că numărul n de puncte de diviziune este număr par ( n  2 m ). Pentru punctele
consecutive x2 j 1 , x2 j , x2 j 1 aproximăm pe f  x  cu o parabolă, deci:
x2 j 1 h
Sj    f  x2 j 1   4 f  x2 j   f  x2 j 1   ;
f  x  dx   j  1, 2,..., m  1
x2 j 1 3 
Rezultă formula parabolelor Simpson):
 263
h
S
3

f  a   f  b   4  f  x1   f  x3   ...  f  x2 m 1   

 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

Eroarea poscalculată în metoda parabolelor este: EP  L2 m  L 2 m 2

Programul PARAB face aceste calcule.

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  

 f(x)dx = lim  f(x)dx ;

a
b 
a
 f(x)dx = lim  f(x)dx ;
-
a  
a
 f(x)dx = lim  f(x)dx
-
 
-

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

2) Lungimea porţiunii de grafic între A şi B este :

 264
b
 =
L(AB)
2
1+  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

Funcţii cumulate în timp cu ajutorul integralei Riemann


Fie o funcţie reală f continuă pe intervalul x0 , x  R . 
Funcţia cumulată asociată funcţiei f este:
x
(1) F  x    f  s  ds
x0

Reciproc, cunoscând funcţia cumulată F  x  , avem f  x   F'  x  .

Un exemplu de funcţie cumulată este funcţia de repartiţie F  x  asociată densităţii de
probabilitate f  x  a unei variabile aleatoare . Dacă x este timpul, în agricultură apar funcţii de
producţie pentru care trebuie calculată funcţia cumulată.

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

F(x) 444 681 860 578 512 391

G(x) 450 558 1180 1922 1736 900

 265

Cu programul POLSEZ găsim funcţiile de regresie:

f  x   577.6667  10.1036sin x  206.8333cos x  49.3634sin 2 x  47.8333cos 2 x
g  x   1124.3330  764.9891sin x  142.3339cos 2 x  22.5166sin 2 x  84.3335cos 2 x
Se cer valorile cumulate pentru volumul precipitaţiilor şi pentru consumul de apă la porumb pe
perioada de vegetaţie.

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

Găsim CPC  G  9   G  4   9388  4065  5323 m / ha

3

Deficitul de apă la porumb pe perioada de vegetaţie este

CPC  VPC  5323  2622  2701 m3 / ha şi va fi completat prin irigaţii.

Fie o funcţie f :  a, b   R pentru care nu se cunoaşte expresia analitică dar se cunosc

valorile lui f în n puncte ale diviziunii: a  x1  x2  ...  xn1  xn  b şi anume:
(1) yi  f  xi  1  i  n 
O funcţie cu expresia analitică cunoscută care îndeplineşte condiţiile (1) este polinomul de
interpolare Lagrange de grad n-1 cu expresia:
n
 x  x1  ...  x  xi 1  x  xi 1  ...  x  xn 
y  Pn 1  x    yi
i 1  xi  x1  ...  xi  xi 1  xi  xi 1  ...  xi  xn 

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 , xi1  1  i  n  1 .
i

S  x  este funcţie spline de interpolare dacă satisface condiţiile (1) adică:

S  xi   yi 1  i  n 
 266

Un caz particular îl reprezintă funcţiile spline cubice de interpolare în care restricţiile Si  x 

sunt polinoame de grad m  3 : Si  x   αi x  βi x  γ i x  δi ; x   xi , xi1  1  i  n  1 .
3 2

Avem Si ''  x   6α i x  2βi deci o funcţie de grad 1.

Coarda care uneşte punctele  xi , Si ''  xi   şi  xi1 , Si 1 ''  xi1  are ecuaţia:
Si ''  x   Si ''  xi  Si ''  xi 1   Si ''  xi 

x  xi xi 1  xi
Cu notaţiile ui  S''  xi  , hi  xi1  xi rezultă:
ui 1   x  xi   ui   xi 1  x 
(2) Si ''  x  
hi

Prin integrare, obţinem:

2 2
u   x  xi   ui   xi 1  x 
(3) Si '  x   i 1  Ei
2 hi
unde E i sunt constante de integrare. Printr-o nouă integrare, obţinem:
3 3
ui 1   x  xi   ui   xi 1  x 
(4) Si  x    E i x  Fi
6hi
unde Fi sunt constante de integrare. Impunând în relaţia (4) condiţiile: Si  xi   yi ;
Si  xi 1   yi1 rezultă constantele de integrare E i , Fi :
 yi 1  yi  ui 1  ui   hi
 Ei  
 hi 6
(5) 
 F  xi 1 yi  xi yi 1   xi ui 1  xi 1ui   hi
 i hi 6

3 2
Întroducând aceste valori ale lui E i , Fi în relaţia (4) şi identificând coeficienţii lui x , x ,
x1 , x0
 ui 1  ui
α i 
6hi

 ui  xi 1  ui 1  xi
β i 
 2hi
(6) 
γ ui 1  xi2  ui  xi21 yi 1  yi
   αi hi2
 i 2 hi hi

 ui  xi31  ui 1  xi3 yi xi 1  yi 1 xi β i hi2
δi 
6 hi

hi

3


Mai departe, S  x  trebuie să fie continuă în xi aşa că:

(7) S'i 1  xi   S'i  xi 
Folosind relaţiile (3) şi (5), relaţiile (7) devin:
hi 1 h h h y  yi yi  yi 1
(8) ui 1  i 1 i ui  i ui 1  i 1  ;  2  i  n  1
6 3 6 hi hi 1
 267
Acesta este un sistem liniar de n  2 ecuaţii cu n necunoscute ui .
Adăugăm la acest sistem liniar încă două ecuaţii:
S'1  x1   y '1
(9) 
S'n1  xn   y 'n
sau:
 h1 h1 y2  y1
 3 u1  6 u 2  h  y '1
 1
(10) 
 hn 1 u  hn 1 u  y '  yn  yn 1
 6 n 1 3
n n
hn 1
Ecuaţiile (8) + (9) constituie un sistem liniar tridiagonal de n ecuaţii cu n necunoscute
u1 ,..., un de forma:

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 , xn1 , xn :
 x  xn 1  x  xn   x  xn2  x  xn   x  xn 2  x  xn 1 
y yn  2  yn 1  y
 xn2  xn 1  xn 2  xn   xn1  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

f  x   S  x  unde S  x  este funcţie spline cubică de interpolare.

Aplicaţii ale interpolării cu funcţii spline cubice

I) Calculul lungimii curbelor plane

Pe porţiunea AB a unei curbe plane măsurăm coordonatele a n puncte: A  a  x1 , y1  ,
M 2  x2 , y2  ,...,M n1  xn1 , yn 1  , B  b  xn , yn  . Se presupune că, curba plană exprimă o
legătură funcţională deci alegem punctele  xi , yi   2  i  n  1 pe curbă astfel că
xi  x j  yi  y j .
Ajustăm curba plană prin funcţia spline cubică y  S  x  :  a, b   R deci lungimea
porţiunii de curbă plană între punctele M i  xi , yi  şi M i 1  xi 1 , yi 1  se aproximează cu:

xi 1 2
(15) Li   1  S'i  x   dx ; 1  i  n  1
xi

unde y  Si  x   αi x  βi x  γ i x  δi deci y '  S'i  x   3α i x  2β i x  γ i iar coeficienţii

3 2 2

αi , β i , γ i , δi sunt daţi de relaţiile (6) de mai sus. L i se calculează cu metoda parabolelor

(programul PARAB ). Lungimea totală a curbei plane între punctele A, B va fi:
L  L1  L 2  ...  L n1

II) Calculul lungimii curbelor spaţiale

Pe porţiunea AB a unei curbe spaţiale măsurăm coordonatele a n puncte: A  a  x1 , y1 , z1  ,
M 2  x2 , y2 , z2  ,...,M n 1  xn 1 , yn1 , zn 1  , B  b  xn , yn , zn  . Se presupune că curba spaţială
exprimă o legătură funcţională deci alegem punctele  xi , yi , zi  ;  2  i  n  1 pe curbă astfel
că xi  x j  yi  y j şi zi  z j .
Ajustăm curba spaţială prin două funcţii spline cubice y  S  x  :  a, b   R şi
z  T  x  :  a, b  R deci lungimea porţiunii de curbă spaţială între punctele M i  xi , yi , zi  şi
M i 1  xi 1 , yi 1 , zi1  se aproximează cu:
xi 1 2 2
(16) Li   1  S'i  x    T 'i  x   dx ; 1  i  n  1
xi
3 2 2
unde y  Si  x   α1i x  β1i x  γ1i x  δ1i deci y '  S'i  x   3α1i x  2β1i x  γ1i şi respectiv
z  Ti  x   α 2i x3  β 2i x 2  γ 2i x  δ 2i deci z '  T'i  x   3α 2i x 2  2β 2i x  γ 2i .
Aici coeficienţii α1i , β1i , γ1i , δ1i sunt daţi de relaţiile (6) de mai sus pe baza măsurătorilor
 xi , yi  1  i  n  iar coeficienţii α 2i , β 2i , γ 2i , δ 2i sunt daţi de relaţiile (6) de mai sus, pe baza
măsurătorilor  xi , zi  1  i  n  . L i se calculează cu metoda parabolelor (programul PARAB ).
Lungimea totală a curbei spaţiale între punctele A, B va fi: L  L1  L 2  ...  L n1
 269

III) Calculul ariilor suprafeţelor plane y

Pe porţiunea ACB a frontierei suprafeţei
plane măsurăm coordonatele punctelor:
B
C C
A  a  x1 , y1  ,
M 2  x2 , y2  ,...,M n1  xn1 , yn 1  , A
B  xn  b, yn  . D
Se presupune că porţiunea ACB a frontierei 0 A0(a) B0(b) x
suprafeţei plane exprimă o legătură funcţională
deci alegem punctele  xi , yi   2  i  n  1 pe frontieră astfel că: xi  x j  yi  y j .
Ajustăm frontiera ACB prin funcţia spline cubică y  S  x  :  a , b   R deci aria σ1
n 1 xi 1
închisă de forntiera ACBB0 A 0 este dată de relaţia: σ1   Si  x dx unde
xi
i 1

y  Si  x   αi x 3  βi x 2  γ i x  δi iar coeficienţii αi , β i , γ i , δi sunt daţi de relaţiile (6) de mai

sus.
Integralele din suma precedentă se calculează cu metoda parabolelor (programul PARAB din
Anexă).
În mod cu totul analog se calculează aria σ 2 închisă de forntiera ADBB0 A 0 .
Aria σ a suprafeţei mărginită de frontiera închisă ACBDA , este dată de relaţia:
σ  σ1  σ 2 .

9.2 Aplicaţii ale integralei Riemann în sistemele agricole

După natura lor,intrările în sistemele agricole sunt : materiale ,energetice,financiare şi

informaţionale.
După modul de aplicare în timp , intrările în sistemele agricole pot fi intrări eşalonate şi
intrări-bloc.
Vom nota intrările eşalonate cu X(t) iar pe cel bloc cu XT .
Exemple de intrări eşalonate la plante cultivate : îngrăşăminte chimice , apa de irigaţie .
Exemple de intrări-bloc la plante cultivate : arat ,semănat ,ierbicidat,combatere boli şi dăunători .
Exemple de intrări eşalonate la animale domestice : furajare ,adăpare .
Exemple de intrări-bloc la animale domestice : populare ,reproducere,combatere boli .
Tehnologia agricolă vegetală sau zootehnică transformă în mod curent intrările eşalonate
în intrări-bloc şi invers .
Exemple
1) Îngrăşămintele chimice se aplică la plantele cultivate în două tranşe .
2) Furajele pentru animalele domestice se stochează în baza furajeră în sezonul de iarnă .

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

Intrarea-bloc XT va avea forma :

DS
XT=XC(DS)=  X(r)dr (2)
0
Relaţia (2) exprimă legătura între intrarea eşalonată X(t) şi intrarea-bloc XT .

Fie NC numărul de controale ale intrării eşalonate X(t) .

Intervalul de timp între două controale succesive este egal cu DS / NC unităţi
de timp.
Rapoartele CX(j)= XT / X(tj) pentru tj = j.(DS/NC) (j = 1,2,…,NC) , se
numesc coeficienţii diversificaţi ai intrării X .
Pe baza valorii reale XR(tj) a intrării la data controlului numărul j , se poate
calcula valoarea aşteptată XTA(j)=XR(j).CX(j) care estimează pe XT la momentul j .

Clase de funcţii polinomiale de grad cel mult 3 care ajustează intrările în sisteme agricole

1. Polinom convex simetric de grad 2

Forma funcţiei este :

X(t) = X1.t + X2.t2 ; t  [0; DS] ; X1 > 0, X2 > 0

Graficul funcţiei are forma :

Funcţia are valoarea finală XF pentru t = DS .

Fie XT cantitatea totală de resursă X consumată în seria de timp [0; DS] .

DS
1)  X(t) d t = XT
0

2)X(DS)  XF
Impunem condiţiile :

De aici rezultă coeficienţii X1, X2 ai funcţiei de consum resursă :

X1 = 2.(3.XT – DS.XF) / DS2 ; X2 = 3.(DS.XF – 2.XT) / DS3
 271
Pentru ca X1 > 0 şi X2 > 0 trebuie să alegem XT în intervalul :
(DS.XF / 3 ; DS.XF / 2 ) .
Funcţia consumului cumulat de resursă va fi :
XC(t) = X1.t2 / 2 + X2.t3 / 3
Avem XT = XC(DS)

2.Polinomul concav simetric de grad 2

Forma funcţiei este :

X(t) = X1.t + X2.t2 ; t  [0; DS] ; X1 > 0, X2 < 0

Graficul funcţiei are forma :

Funcţia are valoarea maximă pentru t = m.DS

Fie XT cantitatea totală de resursă X consumată în seria de timp [0; DS] .
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

Funcţia consumului cumulat de resursă va fi :

XC(t) = X1.t2 / 2 + X2.t3 / 3
Avem XT = XC(DS)

3.Polinom concav asimetric de grad 3

Forma funcţiei este :

X(t) = X1.t + X2.t2 + X3.t3 ; t  [0; DS]
Graficul funcţiei are forma :
 272

Funcţia are valoarea maximă XM pentru t = m.DS (0 < m < 1) .

Fie XT producţia fizică totală realizată în seria de timp [0; DS] .
Impunem condiţiile :
DS
4)  X(t) d t = XT
0

5) X1  2X 2 .(m.DS)  3X 3 .(m.DS2 )  0 adică maximul lui X(t) este în m.DS

6) X1.DS  X 2 .DS2  X 3 .DS3  0 adică la momentul de timp DS avem X(DS)=0.
De aici rezultă coeficienţii X1, X2 , X3 ai funcţiei X(t) :
12m(3m  2) XT
X1  .
6m 2  6m  1 DS2
12(3m 2  1) XT
X2  .
6m 2  6m  1 DS3
12(2m  1) XT
X3  .
6m 2  6m  1 DS4
deci m  0.22 ; m  0.79

Funcţia consumului cumulat de resursă va fi :

XC(t) = X1.t2 / 2 + X2.t3 / 3 + X3.t4 / 4
Avem XT = XC(DS)

4.Polinom convex-concav de grad 3

Forma funcţiei este :

X(t) = X1.t + X2.t2 + X3.t3 ; t  [0; DS] ; X1≥0 , X2 >0 , X3 <0
Graficul funcţiei are forma :
 273

Funcţia are valoarea maximă XM pentru t = DS şi are un punct de inflexiune

pentru t = m.DS (0 < m ≤ 0.5) .
Fie XT cantitatea totală de resursă X consumată în seria de timp [0; DS] .
Impunem condiţiile :
DS
1)  X(t) d t = XT
0

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

a) X(t) = consumul de apă de irigaţie la porumb.

Alegem polinomul cocav simetric de la punctul 2.
Avem DS=150 zile , XT = 3000 m3 apă / ha iar punctul de inflexiune este m.DS =120 zile
deci α = 0.8
Din relaţiile de la punctul 2) , obţinem : X1 = 0.457143 ; X2 = - 0.001905
Funcţia consumului de apă de irigaţie la porumb va fi :
X(t) = 0.457143 t - 0.001905 t2
Funcţia consumului cumulat de apă de irigaţie la porumb va fi :
 274
XC(t) = 0.228571 t2 - 0.000635 t3
Avem XC(150) = XT =3000 m3 apă / ha .
Pentru NC = 10 controale la DS / NC = 15 zile, avem coeficienţii diversificaţi
ai consumului de apă de irigaţie la porumb : CX(j) = XT / X(tj) (tj = 15,45,60,…,150)

Nr.control Ziua controlului Rezultat Coef.diversificat

1 15 6.43 466.67
2 30 12 250
3 45 16.71 179.49
4 60 20.57 145.83
5 75 23.57 127.27
6 90 25.71 116.67
7 105 27 111.11
8 120 27.43 109.38
9 135 27 111.11
10 150 25.71 116.67

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).

b) X(t) = consumul de furaje concentrate la porci (Kg)

Alegem polinomul convex-concav de grad 3 de la punctul 4.
Avem DS=240 zile , XT = 800 Kg / cap iar punctul de inflexiune este
m.DS =120 zile deci m = 0.5
Din relaţiile de la punctul 4. , obţinem :
X1 = 0 ; X2 = 0.000347 ; X3 = - 0.000001
Funcţia consumului de furaje concentrate la porci va fi :
X(t) = 0.000347 t2 - 0.000001 t3
Funcţia consumului cumulat de furaje concentrate la porci va fi :
XC(t) = 0.000116 t3 - 0.0000002 t4
Avem XC(240) = XT =800 Kg furaj / cap.
Pentru NC = 8 controale la DS / NC = 30 zile, avem coeficienţii diversificaţi
ai consumului de furaje concentrate la porci : CX(j) = XT / X(tj) (tj = 0,60,90,…,240):

Nr.control Ziua controlului Rezultat Coef.diversificat

1 30 0.29 2792.73
2 60 1.04 768
3 90 2.11 379.26
4 120 3.33 240
5 150 4.56 175.54
6 180 5.63 142.22
7 210 6.38 125.39
8 240 6.67 120

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).

Ieşiri în sistemele agricole

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

Ieşirea-bloc YT va avea forma :

DS
YT=YC(DS)=  Y(r) d r (4)
0
Relaţia (4) exprimă legătura între ieşirea eşalonată Y(t) şi ieşirea-bloc YT .

Fie NC numărul de controale ale ieşirii eşalonate Y(t) .

Intervalul de timp între două controale succesive este egal cu DS / NC unităţi de timp.
Rapoartele CY(j)= YT / Y(tj) pentru tj = j.(DS/NC) (j = 1,2,…,NC) , se numesc coeficienţii
diversificaţi ai ieşirii Y .
Pe baza valorii reale YR(tj) a ieşirii la data controlului numărul j , se poate calcula valoarea aşteptată
YTA(j)=YR(j).CY(j) care estimează pe YT la momentul j .

Tipurile de funcţii polinomiale şi relaţiile de la punctele 1. - 4. rămân valabile ,

schimbând peste tot litera X cu litera Y .

Aplicaţii numerice

c) Y(t) = producţia de lapte de vacă ( litri ) .

Alegem polinomul concav asimetric de grad 3 de la punctul 3. în care schimbăm peste tot litera X
cu litera Y .
Avem DS=308 zile , YT = 5000 litri lapte iar punctul de maxim al producţiei de lapte este
m.DS =123 zile deci m = 0.4
Din relaţiile de la punctul 3. obţinem :
Y1 = 0.461280 ; Y2 = - 0.002438 ; Y3 = 0.000003
Funcţia producţiei de lapte va fi :
Y(t) = 0.461280 t – 0.002438 t2 + 0.000003 t3
Funcţia producţiei cumulate de lapte va fi :
YC(t) = 0.23059 t2 – 0.000813 t3 + 0.00000076 t4
Avem YC(308) = YT =5000 litri lapte .
Pentru NC = 11 controale la DS / NC = 28 zile, avem coeficienţii diversificaţi ai producţiei
de lapte: CY(j) = YT / Y(tj) (tj = 28,56,84,…,308):
 276

Nr. control Ziua controlului Rezultat Coef.diversificat

1 28 11.07 451.74
2 56 18.72 267.16
3 84 23.34 214.19
4 112 25.36 197.19
5 140 25.16 198.76
6 168 23.14 216.05
7 196 19.72 253.52
8 224 15.29 326.91
9 252 10.26 487.15
10 280 5.03 993.79
11 238 1 5000

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

a) Y(t) = sporul zilnic în greutate al puilor de carne (g)

Alegem polinomul concav simetric de grad 2 din secţiunea 3.2 , în care schimbăm peste tot litera X
cu litera Y .
Avem DS=56 zile , YT = 2500 grame iar punctul de maxim al sporului zilnic în greutate al puilor este
atins la m.DS =56 zile deci m = 1
Din relaţiile de la punctul 2. obţinem : Y1 = 2.391582 ; Y2 = - 0.021353
Funcţia sporului zilnic în greutate la pui va fi :
Y(t) = 2.391582 t - 0.021353 t2
Funcţia sporului zilnic în greutate cumulat la pui va fi :
YC(t) = 1.195791 t2 - 0.007118 t3
Avem YC(56) = YT =25000 grame .
Pentru NC = 8 controale la DS / NC = 7 zile, avem coeficienţii diversificaţi ai sporului zilnic
în greutate al puilor : CY(j) = YT / Y(tj) (tj = 7,14,21,…,56):
Nr.control Ziua controlului Rezultat Coef.diversificat
1 7 15.69 159.29
2 14 29.30 85.34
3 21 40.81 61.26
4 28 50.22 49.78
5 35 57.55 43.44
6 42 62.78 39.82
7 49 65.92 37.93
8 56 66.96 37.33

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).

9.3 Ecuaţii diferenţiale

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 = ex deci y’’ = 2 ex 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 = ex deci y’ =  ex ; y’’ = 2 ex 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) .

ii) b = 1 adică r = 2(mk)1 / 2

Avem 1 =  2 = - b deci soluţia generală a ecuaţiei omogene este :
yg = e – b x (C1 + C2x ) unde C1 = y0 ; C2 =y1 + by0
Pentru x   avem yg  0 (mişcare aperiodică critică) .

iii) b < 1 adică r < 2(mk)1 / 2

În acest caz 1,2 = - b  i ( 12 - b2)1 / 2 şi notând 2 = ( 12 - b2)1 / 2 (viteza unghiulară a
oscilaţiilor amortizate ) găsim 1,2 = - b  i 2 deci soluţia generală a ecuaţiei omogene este :

y g  e  bx (C1 cos  2 x  C 2 sin  2 x)

unde C1 şi C2 sunt date de relaţiile : C1 = y0 ; C2 = (y1 +by0) / 2 deduse din condiţiile
iniţiale : y(0) = y0 ; y’(0) = y1 .
Rezultă :
y1  by0
(3) yg  e  bx (y 0 cos  2 x  sin  2 x)
2
Cu substituţiile :
y1  by0 2 y  by0
A 2  y 02  ( ) ; tg   1
2  2 y0
relaţia (3) capătă forma :
(4) yg = e – b x .A2cos(2x + )
A2 se numeşte amplitudinea oscilaţiilor amortizate iar  se numeşte faza iniţială a lor .
Graficul lui y este o cosinusoidă cu perioada T2 = 2 / 2 şi cu amplitudinea descrescătoare
–bx
A2e . Pentru b = 0 avem 2 = 1 şi reobţinem oscilaţiile libere de
la punctul i) .

iii) Oscilaţii întreţinute

 279
Presupunem că asupra corpului de masă m acţionează în afară de forţa elastică
F1 = - ky de la punctul i) şi forţa de frecare F2 = - r y’ de la punctul ii) şi forţa periodică
F3 = F0 cos 3x (F0 este valoarea iniţială a forţei periodice iar 3 este viteza unghiulară a
oscilaţiilor întreţinute ) .
Echilibrul forţelor se realizează dacă F0 = F1 + F2 + F3 adică :
my’’ = - k y –r y’ +F0cos 3 x deci y’’ + (r / m)y’ + (k / m ) y = (F0 / m )cos 3x
Cu notaţiile b = r / (2m ) ; 1 = ( k / m)1 / 2 rezultă ecuaţia diferenţială de ordin doi cu
coeficienţi constanţi neomogenă :
y’’+2by’ + 12 y = (F0 / m )cos 3 x
Ecuaţia omogenă a fost rezolvată la punctul ii) deci vom căuta o soluţie particulară a
ecuaţiei neomogene , de acelaşi tip cu membrul II adică : yp = A3 cos(3 x+ ) .
Găsim :
F0 2b3
A3  ; tg  
m (12  32 ) 2  4b 232 12  32

Soluţia generală a ecuaţiei neomogene va fi yt = yg +yp unde yg este componenta oscilaţiilor

amortizate de la punctul ii) iar yp este componenta oscilaţiilor întreţinute de
mai sus , care se menţine deşi yg  0 pentru x   .
Amplitudinea A3 este maximă în raport cu 3 dacă numitorul lui A3 este minim :
(1 - 32)+4b232 = minim şi notând 3 = z avem (12 – z )2 +4b2z = minim deci anulăm
2

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 ) –1dx 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  pt 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

9.3.1 Ecuaţii diferenţiale de ordinul întâi

Forma generală este F (x,y,y’) = 0 iar forma explicită este y’ = G(x,y) .

Condiţia iniţială (Cauchy) este y(x0)= y0 .

Teorema 9.1 (de existenţă şi unicitate a soluţiei )

Dacă funcţia G îndeplineşte condiţiile :

1) este continuă în raport cu x şi y pe domeniul plan :
D =  (x,y ) R2  x – x0   a ;  y – y0   b 
2) este lipschitziană în raport cu y pe D adică există L > 0 atfel că pentru orice
(x , y1 )  D ; (x, y2 )  D avem :  G (x, y2 ) – G (x, y1 )   L.  y2 - y1 
atunci există şi este unică soluţia y = f(x) care satisface condiţia iniţială (Cauchy)
f(x0 ) = y0 pe intervalul I = x R  x – x0     unde  = Infa , b / M iar
M = Sup G(x,y)(x,y)D.
Demonstraţie

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 

deci y(x)=z(x) . Q.E.D.

Tipuri de ecuaţii diferenţiale de ordin întâi cu metode de integrare exactă

1) Ecuaţii cu variabile separabile

Fie ecuaţia diferenţială y’ = G(x,y) în care înlocuim pe y’ cu dy / dx deci
dy = G(x,y)dx .
Dacă G(x,y)=U(x).V(y) avem dy / V(y) = U(x)dx cu soluţia generală :
dy
 V(y)   U(x)dx
Exemplu
Avem y ’ = dy / dx deci dy = ((y2+1) / (xy))dx . Avem G(x,y) = (y2+1) / (xy) =
(1 / x).((y2+1) / y) aşa că (ydy) / (y2 + 1) = dx / x şi deci :
 282

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

Pentru ecuaţia neomogenă iniţială , căutăm soluţie de forma :

y=C(x)  e 
- P(x) dx

(metoda variaţiei constantei) şi obţinem ecuaţia cu variabile separabile cu necunoscuta C(x) :

C ' (x)  Q(x)  e 
P( x )dx
de unde

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

6) Ecuaţii cu diferenţială totală

Cu înlocuirea y ‘ = dy / dx au forma : P(x,y)dx + Q(x,y)dy = 0 unde Q / x = P / y.
Se arată că în acest caz există funcţia u(x,y) cu derivate parţiale continue în raport cu x ,y
astfel că u / x = P(x,y) şi u / y = Q(x,y) .
Integrăm prima ecuaţie în raport cu x :
u=  P(x,y)dx+C(y)
şi derivăm parţial această relaţie în raport cu y :
u 
 (  P(x, y)dx)  C ' (y)  Q(x, y)
y y
de unde :
  
C(y)=  Q(x,y) - (  P(x, y)dx dy  C
 y 
şi u este găsită : u = C .
Exemplu
y ‘ = - (x3 + xy2 ) / (x2 y+y3 )
Soluţie
Înlocuim y ‘ cu dy / dx şi obţinem : (x3 + xy2 )dx + (x2 y+y3 )dy = 0
Avem P(x,y ) = x3 + xy2 ; Q(x,y) = x2 y+y3 deci Q / x = 2xy = P / y
Avem u / x = x3 + xy2 de unde :
u=  (x 3  xy 2 )dx  C(y)
adică : u = (x4) / 4 +(x2 y2) / 2 + C(y) . Rezultă u / y = x2 y + C ’(y) aşa că : C ‘ (y) = y3
sau C(y) = (y4 ) / 4 – C şi soluţia generală a ecuaţiei diferenţiale va fi :
(x4) / 4 + (x2 y2 ) / 2 + (y4) / 4 = C

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 .

9.3.2 Ecuaţii diferenţiale de ordinul n

9) Ecuaţii liniare de ordinul n neomogene

Au forma :
y(n) + a 1(x).y(n – 1 )+…+a n(x).y = g(x) ; (x  I  R )
cu condiţiile iniţiale (Cauchy) :
y(x0) = y00 , y’(x0) = y10 ,…, y(n – 1)(x0) = yn – 1, 0
A. Ecuaţia omogenă are forma :
L(y) = y(n) + a 1(x).y(n – 1 )+…+a n(x).y = 0
Teorema 9.2

Soluţia generală a ecuaţiei omogene are forma :

y(x) = C1.y1(x) + …+Cn.yn(x)
unde y1(x),…,yn(x) sunt n soluţii particulare funcţional independente ale ecuaţiei omogene .
Demonstraţie
Mulţimea V a soluţiilor ecuaţiei omogene este evident un subspaţiu vectorial al
spaţiului vectorial al funcţiilor cu derivate de ordinul n continue pe intervalul I , notat cu Cn(I) .
Soluţiile particulare y1(x) ,…, yn(x) sunt funcţional independente dacă din relaţia :
1.y1(x) +…+ n.yn(x)  0 ( x  I ; 1,…, n  R ) rezultă 1 = … = n = 0

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 Wx ; 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.

Un sistem de soluţii funcţional independente pe I ( cu wronskinanul nenul pe I ) se

numeşte sistem fundamental de soluţii şi el caracterizează în mod unic ecuaţia omogenă :
dacă y1(x),…,yn(x) este un sistem fundamental de soluţii , ecuaţia diferenţială
corespunzătoare este :
y y1.......................... y n
y' y1' .......................... y 'n
0
.........................................
y(n) y1(n ) ........................y (n)
n

B. Ecuaţia liniară omogenă are forma : L(y) = g(x)

Dacă y0(x) este o soluţie particulară a ecuaţiei neomogene şi y(x) este soluţia generală
a ecuaţiei neomogene , avem L(y – y0) = L(y) – L(y0) = 0 deci y – y0 este soluţie a ecuaţiei
omogene adică y – y0 = C1.y1 + …+Cn.yn de unde :
(1) y = C1.y1+ …+Cn.yn + y0
Pentru a găsi pe y0 aplicăm metoda variaţie constantelor (vezi secţiunea 10.2.1 , punctul 3) :
căutăm y(x) = C1(x).y1(x) + …+Cn(x).yn(x)
Calculăm y’(x) ,…,y(n – 1 )(x) , impunând după fiecare derivare condiţiile :
(2) C1’(x).y1(k – 1)(x)+…+ Cn’(x).yn(k – 1)(x) = 0 ; (k = 1,…,n –1)
deci :
y(k)(x) = C1(x).y1(k)(x) +…+ Cn(x).yn(k)(x)
Avem :
y (x) = C1’(x).y1(n – 1)(x)+…+ Cn’(x).yn(n – 1)(x)  + C1(x).y1(n)(x) +…+ Cn(x).yn(n)(x)
(n)

Înlocuind y(x),y’(x),…,y(n)(x) în ecuaţia neomogenă , rezultă :

(3) C1’(x).y1(n – 1)(x)+…+ Cn’(x).yn(n – 1)(x) = g(x)
Cele n – 1 ecuaţii (2) şi ecuaţia (3) formează un sistem liniar de n ecuaţii cu n
necunoscute C1’(x), …, Cn’(x) cu determinantul Wx ; y1,…,yn  0
Soluţiile C1’(x), …, Cn’(x) ale acestui sistem liniar se integrează şi se înlocuiesc
în relaţia (1) .

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

10) Ecuaţii liniare de ordin n cu coeficienţi constanţi , neomogene

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 p1  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 :
ex .cos x , ex .sin x , …, x q – 1. ex .cos x , x q – 1. ex .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 .

D) Ecuaţia neomogenă are forma :

y(n) + a 1.y(n – 1 )+…+a n.y = g(x)
Ca şi în cazul 9) soluţia generală a ecuaţiei neomogene are forma
y(x) = C1.y1(x) + …+Cn.yn(x) + y0(x)
unde y0(x) este o soluţie particulară a ecuaţiei omogene .
Pentru forme particulare ale lui g(x) , se poate ocoli metoda variaţiei constantelor din
cazul 9) .
Dacă g(x) = ex. Pm(x).cos x +Qn(x).sin x unde polinoamele Pm(x) , Qn(x) au
gradele m respectiv n , vom căuta :
y0(x) = x s. ex. Up(x).cos x +Vp(x).sin x
unde Up(x) , Vp(x) sunt polinoame cu coeficienţi nedeterminaţi de grad p = max m,n
iar s este multiplicitatea lui   i. ca rădăcini ale ecuaţiei caracteristice de la punctul C) .
Exemplu
Să se rezolve ecuaţia diferenţială y’’ – 4 y’+ 13 y = 4cos 5x
Soluţie
Ecuaţia omogenă este y’’ – 4 y’+ 13 y = 0
Cu y = e r x avem ecuaţia caracteristică r2 – 4r +13 = 0 cu soluţiile r1,2 = 2  3 i
deci ecuaţia omogenă are soluţia generală C1.e 2 x .cos 3x + C2.e 2 x .sin 3x
Pentru ecuaţia neomogenă căutăm o soluţie particulară de forma :
y0 (x) = a.cos 5x + b.sin 5x deci y0’ (x) = -5a.sin 5x + 5b.cos 5x şi
y0 ‘’ (x) = -25a.cos 5x –25 b.sin 5x
După înlocuirea lui y0’’ , y0’ ,y0 în ecuaţia neomogenă şi identificarea coeficienţilor lui
cos 5x şi sin 5x , găsim sistemul liniar cu necunoscutele a , b : - 3a – 5b = 1 ; 5a + 3b = 0 de
unde a = - 3 / 34 ; b = - 5 / 34 aşa că y0 (x) = ( - 3 /34).cos 5x + (- 5 / 34).sin 5x deci soluţia
generală a ecuaţiei neomogene va fi :
C1.e 2 x .cos 3x + C2.e 2 x .sin 3x + ( - 3 /34).cos 5x + (- 5 / 34).sin 5x

Sistemele liniare de ecuaţii diferenţiale de ordin I , cu coeficienţi constanţi neomogene

au forma :
 287
y1’ = a11 y 1 + …+ a1 n y n + g1(x)
…………………………………
yn’ = a n1 y 1 + …+ a n n y n + g n(x)
unde y1(x) ,…, y n(x) sunt funcţii necunoscute în raport cu x .
Condiţiile iniţiale (Cauchy) au forma : y1 (x0) = y10 ,…, y n (x0) = yn0
Principial , aceste sisteme se reduc la o ecuaţie liniară cu coeficienţi constanţi neomogenă de
ordin n în raport cu y1 prin eliminarea funcţiilor necunoscute y2 ,…,y n dar cu cât n este mai
mare , eliminarea este mai laborioasă şi se preferă rezolvarea matricială , bazată pe valorile proprii
şi pe vectorii proprii ai matricii
A = ( a i j) ; ( 1 ≤ i ,j ≤ n) .

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)

se reduce la o ecuaţie diferenţială de ordin II cu coeficienţi constanţi neomogenă în raport cu y1 :

din prima ecuaţie rezultă y2 = ( 1 / a12 ).y1’ – (a11 / a12 ).y1 – ( 1 / a12).g1(x)
deci prin derivare avem : y2’ = ( 1 / a12 ).y1’’ – (a11 / a12 ).y1’ – ( 1 / a12).g1’(x)
Înlocuim pe y2 , y2’ în a doua ecuaţie diferenţială a sistemului şi obţinem ecuaţia diferenţială
de ordin II cu coeficienţi constanţi neomogene în raport cu y1 :
y1’’ – (a11 + a22 )y1’ + ( a11a22 – a12a21 )y1 = g1’(x) – a22g1(x) + a12g 2(x)

11) Ecuaţia Euler

Are forma :
x ny(n) +a1x n - 1 y(n – 1) + …+ a ny = g(x)
E) Ecuaţia Euler omogenă are forma : x ny(n) +a1x n - 1 y(n – 1) + …+ a ny = 0
Cu substituţia y = x r avem y ‘ = rx r – 1 ,…, y(n) = r(r – 1)…(r – n +1)x r – n , după
simplificarea cu x r ≠ 0 , obţinem ecuaţia caracteristică :
r(r – 1)…(r – n +1) + a1 r(r – 1)…(r – n +2) + … + a n – 1 r + a n = 0
Dacă r1 este rădăcină reală de multiplicitate p , avem p soluţii particulare funcţional
independente ale ecuaţiei omogene :
x r 1 , x r 1  ln x,..., x r 1  (ln x) p 1
Dacă r2,3 sunt rădăcini complexe conjugate de forma α ± i β , de multiplicitate q ,
avem 2q soluţii particulare funcţional independente de forma :
xα.cos(βln x), xα.sin(βln x),…, xα.(ln x)q – 1 .cos(βln x) , xα.(ln x)q – 1 .sin(βln x)
Soluţia generală a ecuaţiei Euler omogene este C1.y1(x) + … + Cn.yn(x) unde
soluţiile particulare y1(x) , …, yn(x) se găsesc ca mai sus .

F) Ecuaţia Euler neomogenă are forma :

x n y(n) +a1x n - 1 y(n – 1) + …+ a ny = g(x)
Ca şi în cazul 9) soluţia generală a ecuaţiei Euler neomogene are forma :
C1.y1(x) + … + Cn.yn(x) + y0(x)
unde y0(x) este o soluţie particulară a ecuaţiei Euler neomogene .
Pentru forme particulare a lui g(x) , se poate ocoli metoda variaţiei constantelor de la punctul
9)
Dacă g(x) = x α .Pm (ln x ) unde Pm(x) este polinom de grad m în raport cu ln x , vom căuta
y 0(x) = x α.Qm (ln x) unde Qm(x) este polinom cu coeficienţi nedeterminaţi în raport cu ln 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 :

y ( k )  P ( k ) ( x)  Ank a0 x n k  Ank1 a1 x n k 1  ...  Akk 2 an  k  2 x 2  Akk1 an  k 1 x n k  Akk an k

( k = 1,2,…,n) Aici :
j!
A kj  j ( j  1)...( j  k  1) 
( j  k )!
sunt aranjamente de j obiecte luate câte k ( j =1,…,n ; j ≥ k)
Scriem desfăşurat polinomul y = P(x) şi derivatele sale y’ = P’(x) , y’’ = P’’(x),…,
y ( n – 1 ) =P( n – 1)(x) , y(n) = P(n) (x) şi le înmulţim cu α n , α n – 1 x , α n – 2x2 , …, α1x n – 1 , x n :

y = a0x n + a1x n – 1 +…+ a n – 2 x2 +a n – 1 x + a0

y'  An1 a 0 x n1  An11a1 x n 2  ...  A21 a n.2 x  A11a n1
y' '  An2 a 0 x n 2  An21a1 x n3  ...  A22 a n 2
……………………………………………………………..

y ( n 2)  Ann 2 a 0 x 2  Ann12 a1 x  Ann22 a 2

y ( n1)  Ann1a0 x  Ann11a1 y ( n )  Ann a0
Însumăm aceste n+1 relaţii şi anulăm coeficienţii lui x(n) ,x(n – 1 ),…,x2,x din membrul II
,obţinând un sistem liniar de n ecuaţii cu n necunoscute α1, α2 ,…, α n – 1 :
 n  An1 n1  An2 n 2  ...  Ann 2 2  Ann1 1  Ann  0
 n  An11 n 1  An21 n 2  ...  Ann12 2  Ann11 1  0
 n  An1 2 n1  An2 2 n 2  ...  Ann22 2  0
………………………………………………………………..
 n  A21 n1  A22 n 2  0
 n  A11 n 1  0
Relaţia obţinută după însumare , cu condiţiile impuse mai sus , este ecuaţia diferenţială Euler
neomogenă pe care o satisface P(x) :

xn y(n) + α1xn – 1 y(n – 1 ) +α2xn – 2 y(n – 2 )+…+ α n – 1 xy’+ αny = αnan

Se vede că în ecuaţia Euler nu apar coeficienţii a0 ,a1,…,an – 1 deci toate polinoamele
cu acelaşi termen liber ,satisfac aceeaşi ecuaţie Euler .
Pentru polinoame P(x) fără termen liber (an = 0) Ecuaţia Euler devine omogenă .
Condiţiile iniţiale pentru ecuaţia Euler a polinomului P(x) ,sunt :
y0 = P(0)=an ; y1 = P’(0) = an – 1,…,yn – 1 = P(n – 1)(0)= a1 deci coeficienţii a1,…,an
permit aflarea constantelor de integrare C1,…, Cn care apar după integrarea
 289
ecuaţiei Euler omogene cu substituţia y = xk .
Exemplu
Fie polinomul y = P(x) = x3 + 3x2 - 5x + 4
Se cere ecuaţia diferenţială Euler pe care o satisface polinomul P(x) .
Soluţie
Sistemul liniar cu necunoscutele α1, α2 ,α3 are forma :
 3  A31 2  A321  A33  0
 3  A21 2  A221  0
 3  A11 2  0
adică :
α3 + 3 α2 +6 α1 = - 6
α3 + 2 α2 +2 α1 = 0
α3 + α2 =0
cu soluţiile α1 = - 3 ; α2 = 6 ; α3 = - 6 deci polinomul dat satisface ecuaţia Euler neomogenă :
x3 y’’’ – 3x2 y’’+6xy’ –6y = - 24

9.3.3 Metode aproximative de rezolvare a ecuaţiilor diferenţiale

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)

Metoda Euler cu iteraţii :

(2) yk+1(m) = yk + (h / 2 ).[G(xk,yk) +G(xk,yk+1(m – 1)]
(k = 0,1,…,n-1 ; m = 1,2,…,M)
unde yk+1(0) = yk+1 se calculează cu relaţia (1) .
Pentru fiecare valoare alui k , calculele se continuă până când :
(3) | yk+1(m) – yk+1(m – 1) | < ε
După aceasta punem yk+1 = yk+1(m) şi calculăm pe yk+2 . La nevoie se micşorează
pasul h şi se reiau calculele pentru a fi îndeplinită inegalitatea (3) .
Pasul h trebuie să satisfacă relaţia h3 < ε .
Programul EULERIT face aceste calcule .

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)

În mod analog y3 = - 0.253 ; y4 = 0.047 ; y5 = 0.366

Valorile y0 = - 1 , y1,y2, y3 , y4,y5 diferă cu mai puţin de 0.01 de valorile soluţiei
particulare exacte y = e – x+2x – 2 în punctele x0 x1,x2,x3,x4,x5 .

Metoda Runge-Kutta :
(3) y k+1 = y k + y k ; ( k = 0,1,…,n – 1 )
 290

Aici y k = (1 / 6 ).( q 1( k) + 2q 2( k) + 2q 3( k) +q 4( k) ) unde :

q1( k) = h.G(x k,y k) ; q2(k) = h.G(x k + h / 2 , yk + q1(k) / 2 ) ; q3(k) = h.G(x k + h / 2 , yk + q2(k) / 2) ;

q4( k) = h.G ( x k+1 , yk + q3(k) )
Pasul h se alege astfel ca h4 <  .
Programul RUKUT face aceste calcule .
Exemplu
Fie ecuaţia diferenţială y’ = x + y cu x 0;0.6 , y(0) = 1 şi  = 0.001
Condiţia h4 < 0.001 este îndeplinită dacă luăm h = 0.15 deci n = 4
Cu q1(0) =0.1500 ; q2(0) =0.1725 ; q3(0) = 0.1742 ; q 4(0) = 0.1986 avem din (4)
y1 = 1.1737
Cu q1(1) =0.1987 ; q2(1) =0.2247 ; q3(1) = 0.2267 ; q 4(1) = 0.2551 şi y1 = 1.1337 ,
din relaţia (4) rezultă y2 = 1.3998 .
Analog y3 = 1.6867 ; y4 = 2.0443

9.4 Extreme libere şi cu legături ale funcţionalelor

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

derivabile y = f(x) cu x [a,b] .

Extreme libere ale funcţionalelor

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

 (t)  J(y  t.u)   F(x, y  t.u, y ' t.u ')dx

x1
cu derivata :
 291
x2
 F F 
 '(t)    (x, y  t.u, y' t.u ').u  (x, y  t.u, y' t.u ').u ' dx
x1 
y y' 
O condiţie necesară de extrem a lui J este ’(0) = 0 adică :

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' x1 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 )  4V 2  y. y' 3 dx  min im
0

Condiţiile la limită sunt y(0) = 0 ; y(h) = R .

Avem F(x,y,y’) = yy’3 deci F / y = y’3 iar F / y’ = 3yy’2 aşa că :
 F / y’2 = 6yy’ ; 2F / y’y = 3y’2 ; 2F / y’x = 0
2

Ecuaţia Euler-Lagrange devine : y’3 +3yy’y’’= 0 cu soluţia generală :

y = (4 / 3).(C1x+C2 3 / 4 .
Din condiţiile la limită rezultă C1 = 3R4 / 3 / (4h) ; C2 = 0 aşa că : y = R.(x / h )3 / 4
deci o parabolă de grad 3 / 4 .

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 )

 (t )   F x(t ), y( x(t ), C (t )), y' ( x(t ), C (t )).x' (t )dt

x1 ( 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

deci avem extremala y = C1x+C2 , ortogonală pe curbele date .

Exemplu

Să se afle distanţa minimă între dreapta y = x – 5 şi parabola y = x2

Soluţie
Avem de minimizat funcţionala :
x2

J ( y)   1  y ' 2 dx
x1

astfel că y1 = f(x1)=x1-5 ; y2 = f(x2) =x22

Ecuaţia Euler-Lagrange are soluţia generală : y = C1x +C2
Din condiţiile la limită şi cele de transversalitate rezultă : x1 = 1 / 2 : x2 = 23 / 8 ;
C1 = - 1 ; C2 = 3 / 4 deci extremala y = - x + 3 / 4 dă minimul J(y) = 19 2 / 8 .

Extreme cu legături

Se cere extremul funcţionalei :

x2

J ( y )   F ( x, y, y ' )dx
x1

cu condiţiile y(x1) = y1 ; y(x2) = y2 şi condiţia suplimentară :

x2

K ( y)   G ( x, y, y ' )dx  K
x1

În acest caz înlocuim pe J(y) cu :

x2

L( y )   F ( x, y, y ' )    G( x, y, y ' )dx

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

pentru care ecuaţia Euler-Lagrange dă extremala : y = - (x2) / 4 + C1x+C2

Din condiţiile la limită şi condiţia supliementară , rezultă : C1 = 0 ; C2 = 1 ; = - 12
deci y = 3x2 +2x+1 .
 293
9.5 Rezumat

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

1. Care sunt aplicaţiile integralei Riemann în agricultură ?

2. Care sunt tipurile de ecuaţii diferenţiale de ordinul 1 şi n şi metodele lor de rezolvare exactă şi
aproximativă ?
3. Cum se găsesc extremele libere şi cu legături ale funcţionalelor ?

9.7 Bibliografie

Stănăşilă O. “ Analiză liniară şi geometrie “Vol. I - II,Editura ALL ,2000 - 2001

Cenuşă Gh. şi col.“ Matematici pentru economişti “ Editura CISON,2000
Cenuşă Gh. şi col.“ Matematici pentru economişti – culegerede probleme“ Editura CISON,2000
4. Ene D. “ Matematici (I) “ Editura CERES , 2004
5. Gogonea S. , Ene D. “ Analiză numerică “ Editura Cartea Universitară , 2005
6. Ene D.,Gogonea S. “Metode numerice” Editura Cartea Universitară , 2005
 294

CAP.10 MODELE NELINIARE DE ALOCARE OPTIMĂ A RESURSELOR ÎN

AGRICULTURĂ

Obiective : însuşirea de către studenţi a metodelor de optimizare a consumului de resurse în

agricultură precum şi elaborarea / rezolvarea modelelor de optimizare cu restricţii liniare şi
funcţie-obiectiv pătratică .

Cuprins

10.1 Producţii şi indicatori economici

10.1.1 Producţii fizice şi valorice
10.1.2 Indicatori economici ai producţiei suplimentare
10.2 Optimele producţiei suplimentare şi aporturile factorilor
10.2.1 Optimele producţiei suplimentare
10.2.2 Aporturile factorilor
10.3 Exemple
10.3.1 Doi factori şi un produs
10.3.2 Un factor şi două produse
10.4 Modele cu restricţii liniare şi funcţie-obiectiv pătratică
10.4.1 Cazul când toate restricţiile sunt ecuaţii
10.4.2 Cazul când toate restricţiile sunt inecuaţii
10.5 Rezumat
10.6 Întrebări
10.7 Bibliografie

Cuvinte-cheie : optim marginal , de echilibru,economic,tehnic, maxim de venit cu cheltuieli

limitate , minim de cheltuieli cu venit garantat , rate ale substituirii factorilor , rate de
valorificare a unui factor prin produse diferite .

10.1 Producţii,indicatori economici şi aporturi

10.1.1 Producţii fizice şi valorice

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

Partea din TYS(I) în care apare X(I,J) este :

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)

şi producţia totală a produsului I , realizată pe baza factorilor constanţi şi variabili , este

SY(I) = SY0(I)+SYS(I)=Y(I).S(I)

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

Partea din TCS(I) în care apare X(I,J) este :

PCS(I)=CR(I).PVS(I,J) + CF(J).X(I,J)
Pentru toate suprafeţele / efectivele de animale , notate cu S(I) , cheltuielile-martor pentru toate
produsele , necesare pentru utilizarea factorilor constanţi , sunt :
M M
SC 0   C0 (I).S(I)    CC(I)  CR(I).Y0 (I) .S(I)
I 1 I 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

Partea din TPS(I) în care apare X(I,J) este :

PPS(I,J) = PVS(I,J) – PCS(I,J) = [PV(I) – CR(I)].PYS(I) – CF(J).X(I,J)
Pentru toate suprafeţele / efectivele de animale , notate cu S(I), profitul-martor pentru toate produsele
, realizate pe baza factorilor constanţi , este :
M
SP0  SV0  SC0   {[PV(I)  CR(I)].Y0 (I)  CC(I)}.S(I)
I 1
, profitul suplimentar pentru toate produsele , realizat pe baza celor N factori variabili , este :

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 :

[PV(I)  CR(I)].YS(I, J)  CF(J).X(I, J)

RPS(I, J) 
CR(I).YS(I, J)  CF(J).X(I, J)

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

SP  [(PV(I)  CR(I)).Y (I)  CC(I)]

0
RTP0  0  I 1
M
SC 0
 [CC(I)  CR(I).Y (I)]
I 1
0

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 .

10.1.2 Indicatori economici ai producţiei suplimentare

6. Indicatori între produse şi factori variabili

A. Indicatori medii ai produsului I în raport cu factorul variabil J

Producţia medie este YM(I,J) = PYS(I,J) / X(I,J) adică :

N
YM(I, J)  Y1 (I, J)  2. Y2 (I, J, K).X(I, K)  Y2 (I, J).X(I, J)  Y3 (I, J).X(I, J) 2
J 1
Venitul mediu este VM(I,J) = PVS(I,J) / X(I,J) adică VM(I,J) = PV(I).YM(I,J)
Cheltuielile medii sunt : CM(I,J) = PCS(I,J) / X(I,J) adică CM(I,J) = = CR(I).YM(I,J) + CF(J)
Profitul mediu este PM(I,J) = PPS(I,J) / X(I,J) adică PM(I,J) = [PV(I) – CR(I)].YM(I,J) – CF(J)
Aceşti indicatori prezintă producţia / venitul / cheltuielile / profitul suplimentar al produsului I care
corespunde unităţii factorului variabil J .

B. Indicatori marginali ai produsului I în raport cu factorul variabil J

Producţia marginală este derivata parţială YD(I,J) = ∂ PYS(I,J) / ∂ X(I,J) adică :

N
YD(I, J)  Y1 (I, J)  2. Y2 (I, J, K).X(I, K)  3.Y3 (I, J).X(I, J) 2
K 1

Venitul marginal este derivata parţială CD(I,J) = ∂ PVS(I,J) / ∂ X(I,J) adică:CD(I,J) =

CR(I).YD(I,J)+CF(J)
Profitul marginal este derivata parţială PD(I,J) = ∂ PPS(I,J) / ∂ X(I,J) adică: PD(I,J) = [PV(I) –
CR(I)].YD(I,J) – CF(J)
Aceşti indicatori reprezintă variaţia producţiei / venitului / cheltuielilor / profitului suplimentar
 300
din produsul I , provocată de variaţia factorului variabil J cu o unitate .

C. Indicatori de elasticitate ai produsului I în raport cu factorul variabil J

Elasticitatea producţiei este EY(I,J) = YD(I,J) / YM(I,J)

Elasticitatea venitului este EV(I,J) = VD(I,J) / VM(I,J) adică EV(I,J) = EY(I,J)
Elasticitatea cheltuielilor este EC(I,J) = CD(I,J) / CM(I,J) adică :
CR(I).YD(I, J)  CF(J)
EC(I, J) 
CR(I).YM(I, J)  CF(J)

Elasticitatea profitului este : EP(I,J) = PD(I,J) / PM(I,J) adică :

[PV(I)  CR(I)].YD(I, J)  CF(J)

EP(I, J) 
[PV(I)  CR(I)].YM(I, J)  CF(J)
Aceşti indicatori reprezintă variaţia procentuală a producţiei / venitului / cheltuielilor / profitului
suplimentar al produsului I , provocată de variaţia factorului variabil J cu 1 % .

7. Indicatori între profit şi cheltuieli

D. Rata medie a profitului din produsul I în raport cu factorul variabil J

Este RM(I,J) = PPS(I,J) / PCS(I,J) = PM(I,J) / CM(I,J) adică :
[PV(I)  CR(I)].YM(I, J)  CF(J)
RM(I, J) 
CR(I).YM(I, J)  CF(J)
Acest indicator reprezintă profitul suplimentar în lei din produsul I ,realizat pe baza factorului variabil
J , ce corespunde la un leu cheltuit de produsul I în raport cu factorul variabil J .

E. Rata marginală a profitului din produsul I în raport cu factorul variabil J

Este RD(I,J) = ∂ PPS(I,J) / ∂ PCS(I,J) = PD(I,J) / CD(I,J) adică :
[PV(I)  CR(I)].YD(I, J)  CF(J)
RD(I, J) 
CR(I).YD(I, J)  CF(J)
Acest indicator reprezintă variaţia profitului suplimentar din produsul I în raport cu factorul variabil J
, provocată de variaţia cu un leu a cheltuielilor suplimentare ale produsului I în raport cu facctorul
variabil J .

F. Elasticitatea ratei profitului din produsul I în raport cu factorul variabil J

Este ER(I,J) = RD(I,J) / RM(I,J) adică :

[PV(I)  CR(I)].YD(I)  CF(J) CR(I).YM(I)  CF(J)

ER(I, J)  
[PV(I)  CR(I)].YM(I)  CF(J) CR(I).YD(I)  CF(J)
Acest indicator reprezintă variaţia procentuală a profitului suplimentar din produsul I în raport cu
factorul variabil J , provocată de variaţia cu 1 % a cheltuielilor suplimentare ale produsului I în raport
cu factorul variabil J .

8. Indicatori de substituire a factorilor

G. Rata medie a substituirii factorului variabil J cu factorul variabil K
 301
Este RMS(I,J,K) = PM(I,J) / PM(I,K)
Acest indicator reprezintă cantitatea de unităţi de factor variabil K care corespunde unei unităţi de
factor J , în realizarea aceluiaşi profit suplimentar din produsul I .
H. Rata marginală a substituirii factorului variabil J cu factorul variabil K
Este RDS(I,J,K) = PD(I,J) / PD(I,K)
Acest indicator reprezintă cantitatea de unităţi cu care trebuie să crească doza de factor variabil K , dacă
doza de factor variabil J creşte cu o unitate , astfel ca profitul suplimentar din produsul I să crească cu
aceeaşi sumă .

I. Elasticitatea ratei substituirii factorului variabil J cu factorul variabil K

Este ERS(I,J,K) = RDS(I,J) / RDS(I,K)

Acest indicator reprezintă procentele cu care trebuie să crească doza de factor variabil K , dacă doza de
factor variabil J creşte cu 1 % , astfel ca profitul suplimentar din produsul I să crească cu acelaşi
procent .

9. Indicatori de valorificare a factorilor prin produse

J. Rata medie a valorificării factorului variabil K , prin produsul I faţă de produsul H

Este RMV(I,H,K) = PM(I,K) / PM(H,K)
Acest indicator reprezintă numărul de unităţi ale produsului H care corespunde la o unitate de produs I ,
care dau acelaţi profit din utilizarea factorului variabil K .

K. Rata marginală a valorificării factorului variabil K , prin produsul I faţă de produsul H

Este RMV(I,H,K) = PM(I,K) / PM(H,K)
Acest indicator reprezintă numărul de unităţi cu care trebuie să crească produsul H atunci când
produsul I creşte cu o unitate , astfel ca profitul suplimentar din utilizarea factorului variabil K să
crească cu aceeaşi sumă.

L. Elasticitatea ratei valorificării factorului variabil K , prin produsul I faţă de produsul H

Este ERV(I,H,K) = RDV(I,H,K) / RMV(I,H,K)
Acest indicator reprezintă numărul de procente cu care trebuie să crească produsul H atunci când
produsul I creşte cu 1 % , astfel ca profitul suplimentar din utilizarea factorului variabil K să crească
cu acelaşi procent.

10.2 Optimele producţiei suplimentare şi aporturi

10.2.1 Optimele producţiei suplimentare

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).

III . OPTIMUL ECONOMIC

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)

Relaţiile (3) constituie M sisteme pătratice de N ecuaţii cu N necunoscute X(I,J) .

Aceste sisteme pătratice se rezolvă cu programul SISPAT dând soluţiile XE(I,J) .
Pentru dozele de optim economic XE(I,J) avem şi EP(I,J) = 0 conform relaţiilor 10.2.1 C. , precum
şi RD(I,J) = 0 conform relaţiilor 10.1.2 D.

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)

Relaţiile (4) constituie M sisteme pătratice de N ecuaţii cu N necunoscute X(I,J).

Aceste sisteme pătratice se rezolvă cu programul SISPAT dând soluţiile XT(I,J) .
Venitul suplimentar pentru toate produsele este dat de relaţia :
M
SVS   PV (I ) SYS(I )
I 1
deci dacă SYS(I) =maxime , rezultă SVS = maxim pentru dozele XT(I,J) .
Pentru dozele de optim tehnic XT(I,J) , din relaţiile de la punctele 10.1.1 B. şi 10.1.1 C. rezultă
VD(I,J)=0 , CD(I,J)= - CF(J) respectiv EY(I,J)=EV(I,J)=0 .
Din relaţia de la punctul 10.1.1 B. , pentru YD(I,J) = 0 rezultă PD(I,J)= - CF(J) iar din relaţia de la
punctul 10.1.2 E. rezultă RD(I,J)= - 1 .
În intervalele [XT(I,J) ; +∞) există valorile X(I,J) care anulează profitul suplimentar
total : SPS = 0 ceace se realizează dacă au loc relaţiile (5) :
N
CF(J)
[Y3 (I, J)  X(I, J) 2 ]  [ Y2 (I, J, K)  X(I, K)]  [Y1 (I, J)  ]0
K 1 PV(I)  CR(I)
(I  1,..., M ; J=1,...,N)

Relaţiile (6) constituie M sisteme patratice de N ecuaţii cu N necunoscute care se rezolvă cu

programul SISPAT dând soluţiile XR(I,J) .

V . OPTIMUL DE VENIT CONDIŢIONAT DE CHELTUIELI

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

 Y3 (I, J )  X(I , J )3 ]  SC0

Pentru fiecare valoare a multiplicatorului Lagrange LV ≥ 1 , relaţiile (6) constituie un sistem

pătratic de MN ecuaţii cu MN necunoscute X(I,J) care se rezolvă cu programul SISPAT dând
soluţiile XC(I,J) .
Interpretarea multiplicatorului Lagrange LV : avem LV = VD(I,J) / CD(I,J) adică LV este egal cu
creşterea de venit suplimentar al produsului I din factorul variabil J , când creşterea cheltuielilor
suplimentare ale produsului I din factorul variabil J peste valoarea limită SC0, este de o unitate
monetară.
Avem RD(I,J) = LV – 1 pentru orice I=1,…,M şi orice J=1,…,N .
Pentru LV=1 avem optim economic iar pentru LV=0 avem optim tehnic.
Deoarece LV≥ 0 avem :
CF(J ) CF(J )
Y1 (I, J )   Y1 (I, J )   Y1 (I, J )
PV (I ) PV (I )  CR (I )
 CR (I )
LV

VI . OPTIMUL DE CHELTUIELI CONDIŢIONAT DE VENIT

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

 S(I) PV (I)  [(Y1 (I, J)  X(I, J )   Y2 (I, J, K )  X(I, J)  X(I, K ) 

I 1 K 1
3
 Y3 (I, J )  X(I , J ) ]  SV0

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

A. APORTURI PENTRU PRODUCŢII

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 )

  Y1 (I , J )  X(I, J )dX(I, J )   Y3 (I, J )  X(I , J )3 dX(I , J )] 

0 0
N N XO ( I ,J )
[   Y2 (I, J , K )  X(I, J )  X(I, K )dX(I, J )]
J 1 K 1 0
K J

adică relaţia (8) :

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

a) Valoarea medie martor a produsului I datorată factorilor constanţi este :

MYO(I) = Y0(I)
b) Valoarea medie a produsului I , datorată factorilor variabili , este :
N
Y ( I, J ) Y (I, J , J ) Y (I , J )
MYX(I)   ( 1  XO(I, J )  2  XO(I, J ) 2  3  XO(I, J )3
J 1 2 3 4

c) Valoarea medie a produsului I , datorată interacţiunii factorilor variabili,este:

N
Y ( I, J , K )
MYIX(I )    2  XO(I, J )  XO(I, K )
J 1 K 1 2
K J

Relaţia (8) devine : MYT(I)=MYO(I)+MYX(I)+MYIX(I)

Aporturile în procente ale factorilor constanţi şi variabili la producţia fizică a produsului I sunt :
d) Aportul factorilor constanţi : AYO(I) = MYO(I) / MYT(I)
e) Aportul factorilor variabili : AYX(I) = MYX(I) / MYT(I)
f) Aportul interacţiunilor factorilor variabili :
AYIX(I) = MYIX(I) / MYT(I) = 1 - AYO(I) - AYX(I)

B. APORTURI PENTRU VENIT

Printr-un calcul similar cu cel de la punctul 10.2.2.A , găsim valorile medii :

a) MVO(I) = PV(I).MYO(I) şi pentru toate produsele :
M
MVOT   MVO(I )
I 1

b) MVX(I) = PV(I).MYX(I) şi pentru toate produsele :

M
MVXT   MVX(I )
I 1
 309

c) MVIX(I) = PV(I).MYIX(I) şi pentru toate produsele :

M
MVIXT   MVIX(I )
I 1

d) MVT(I) = PV(I).MYT(I) şi pentru toate produsele :

M
MVTT   MVT(I )
I 1
Avem relaţia : MVTT=MVTO+MVXT+MVIXT
Aporturile în procente ale factorilor constanţi şi variabili la venitul din toate produsele, sunt :
e) Aportul factorilor constanţi : AVO(I) = MVO(I) / MVT(I)
f) Aportul factorilor variabili : AVX(I) = MVX(I) / MVT(I)
g) Aportul interacţiunilor factorilor variabili :
AVIX(I) = MVIX(I) / MVT(I) = 1 - AVO(I) - AVX(I)

C. APORTURI PENTRU CHELTUIELI

Printr-un calcul similar cu cel de la punctul 10.2.2.A , găsim valorile medii :

MCO(I) = C0 (I)=CC(I)+CR(I).Y0(I) şi pentru toate produsele :
M
MCOT   MCO(I )
I 1

h) MCX(I) = CR(I).MYX(I)+(CF(J) / 2).XO(I,J) şi pentru toate produsele :

M
MCXT   MCX(I )
I 1

i) MCIX(I) = CR(I).MYIX(I) şi pentru toate produsele :

M
MCIXT   MCIX(I )
I 1
j) MCT(I) = MCO(I)+MCX(I)+MCIX(I) şi pentru toate produsele :
M
MCTT   MCT(I )
I 1

Avem relaţia : MCTT=MCTO+MCXT+MCIXT

Aporturile în procente ale factorilor constanţi şi variabili la venitul din toate produsele, sunt :
e) Aportul factorilor constanţi : ACO(I) = MCO(I) / MCT(I)
f) Aportul factorilor variabili : ACX(I) = MCX(I) / MCT(I)
g) Aportul interacţiunilor factorilor variabili :
ACIX(I) = MCIX(I) / MCT(I) = 1 - ACO(I) - ACX(I)

D. APORTURI PENTRU PROFIT

Printr-un calcul similar cu cel de la punctul 10.2.2 A , găsim valorile medii :

a) MPO(I) = P0(I)=[PV(I) – CR(I)].Y0(I) – CC(I) şi pentru toate produsele :
 310

M
MPOT   MPO(I )
I 1

k) MPX(I) =[PV(I) – CR(I)].MYX(I) – (CF(J) / 2 ).XO(I,J) şi pentru toate produsele :

M
MPXT   MPX(I )
I 1

l) MPIX(I) = [PV(I) – CR(I)].MYIX(I) şi pentru toate produsele :

M
MPIXT   MPIX(I )
I 1

m) MVT(I) = PV(I).MYT(I) şi pentru toate produsele :

M
MPTT   MPT(I )
I 1

Avem relaţia : MPTT=MPTO+MPXT+MPIXT

Aporturile în procente ale factorilor constanţi şi variabili la venitul din toate produsele,sunt :
e) Aportul factorilor constanţi : APTO(I) = MPTO(I) / MPTT(I)
f) Aportul factorilor variabili : APXT(I) = MPXT(I) / MPTT(I)
g) Aportul interacţiunilor factorilor variabili :
APIXT(I) = MPIXT(I) / MPTT(I) = 1 - APTO(I) - APXT(I)

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) .

Toate calculele din acest capitol le face programul FPCUB .

10.3 Exemple

10.3.1 Doi factori şi un produs

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

b) Optime în alocarea de resurse :

I. OPTIMUL MARGINAL
Se realizează pentru x1= 22 Kg NPK / Ha şi x2 = 266 m3 apă / Ha.
Rezultă producţia suplimentară YS = 6157 Kg porumb boabe ; venitul suplimentar
VS = 4310 lei ; cheltuielile suplimentare CS = 1081.8 lei şi profitul suplimentar PS =
3228.2 lei . Aceste valori se adaogă celor de la martor de la punctul a).
Producţia fizică unitară totală este YUT = 3307 Kg porumb boabe / Ha .
Cheltuielile unitare totale sunt CYT = 0.2945 lei cheltuieli / 1 Kg porumb boabe.
Rata profitului total este RPT = 1.377 lei profit / 1 leu cheltuit .
Deoarece YUT > YU0 , CYT < CY0 şi RPT > RP0 , merită să folosim dozele optimului marginal.
Tabel cu indicatorii economici ai optimului marginal

Indicatori economici Profit suplimentar Rata profit Rata substituire

Suplimentar Factori
Medii 1.8947 lei 1.967 lei 4.21
0.4503 lei 3.669 lei
Marginali 1.9045 lei = Maxim 1.976 lei = Maxim 4.19
0.4550 lei = Maxim 3.698 lei = Maxim
Elasticităţi 1.005 % 1.005 % 0.99 %
1.010 % 1.008 %

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
Fiecare din cele 22 Kg NPK / Ha a adus un profit suplimentar de 1.8947 lei.
Fiecare din cei 266 m3 apă / Ha a adus un profit suplimentar 0.4503 lei .
Al 23-lea Kg NPK / Ha ar creşte profitul suplimentar cu valoarea maximă de
1.9045 lei .
Al 267-lea m3 apă / Ha ar creşte profitul suplimentar cu valoarea maximă de
 312

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.

II. OPTIMUL DE ECHILIBRU

Se realizează pentru x1= 33 Kg NPK / HA şi x2 = 400 m3 apă / Ha.
Rezultă producţia suplimentară YS = 9270 Kg porumb boabe ; venitul suplimentar
VS = 6489.2 lei ; cheltuielile suplimentare CS = 1624.1 lei şi profitul suplimentar PS =
4865.1 lei . Aceste valori se adaogă celor de la martor de la punctul a).
Producţia unitară totală este YUT = 3463 Kg porumb boabe / Ha .
Cheltuielile unitare totale sunt CYT = 0.2890 lei cheltuieli / 1 Kg porumb boabe.
Rata profitului total este RPT = 1.421 lei profit / 1 leu cheltuit .
Deoarece YUT > YU0 , CYT < CY0 şi RPT > RP0 , merită să folosim dozele optimului de
echilibru.
Tabel cu indicatorii economici ai optimului de echilibru

Indicatori economici Profit suplimentar Rata profit Rata substituire

Suplimentar Factori
Medii 1.9148 lei 1.985 lei =Maxim 4.23
0.4529 lei 3.685 lei = Maxim
Marginali 1.9148 lei 1.985 lei = Maxim 4.23
0.4529 lei 3.685 lei = Maxim
Elasticităţi 1% 1% 1%
1% 1%

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
 313

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).

III. OPTIMUL ECONOMIC

Se realizează pentru x1= 210 Kg NPK / Ha şi x2 = 1823 m3 apă / Ha.
Rezultă producţia suplimentară YS = 36925 Kg porumb boabe ; venitul suplimentar
VS = 25847.9 lei ; cheltuielile suplimentare CS = 8130.4 lei şi profitul suplimentar maxim PS =
17717.5 lei . Aceste valori se adaogă celor de la martor de la punctul a).
Producţia unitară totală este YUT = 4846 Kg porumb boabe / Ha .
Cheltuielile unitare totale minime sunt CYT = 0.2737 lei cheltuieli / 1 Kg porumb boabe.
Rata profitului total maximă este RPT = 1.558 lei profit / 1 leu cheltuit .
Deoarece YUT > YU0 , CYT < CY0 şi RPT > RP0 , merită să folosim dozele optimului economic.
Tabel cu indicatorii economici ai optimului economic
 314

Indicatori economici Profit suplimentar Rata profit Rata substituire

Suplimentar Factori
Medii 1.4798 lei 1.577 lei 4.32
0.3426 lei 2.948 lei
Marginali 0 lei 0 lei 0
0 lei 0 lei
Elasticităţi 0% 0% 0%
0% 0%

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
Fiecare din cele 210 Kg NPK / Ha a adus un profit suplimentar de 1.4798 lei.
Fiecare din cei 1823 m3 apă / Ha a adus un profit suplimentar 0.3426 lei .
Al 211-lea Kg NPK / Ha ar creşte venitul suplimentar cu aceeaşi sumă cu care ar
creşte şi cheltuielile deci profitul din fertilizare ar creşte cu 0 lei , fiind deja maxim.
Al 1824-lea m3 apă / Ha ar creşte venitul suplimentar cu aceeaşi sumă cu care ar
creşte şi cheltuielile deci profitul din irigare ar creşte cu 0 lei , fiind deja maxim.
Creşterea dozei de 210 Kg NPK / Ha cu încă 1 % ar creşte venitul suplimentar
cu acelaşi număr de procente cu care ar creşte şi cheltuielile deci profitul suplimentar
din fertilizare ar creşte cu 0 % , fiind deja maxim.
Creşterea dozei de 1823 m3 apă / Ha cu încă 1 % ar creşte venitul suplimentar
cu acelaşi număr de procente cu care ar creşte şi cheltuielile deci profitul suplimentar
din irigare ar creşte cu 0 % fiind deja maxim.
2) Coloana ratei profitului suplimentar :
Fiecare leu cheltuit cu fertilizarea chimică din suma de 8130.4 lei a adus un profit
suplimentar de 1.577 lei.
Fiecare leu cheltuit cu irigarea din suma de 8130.4 lei a adus un profit suplimentar de 2.948 lei.
Încă un leu cheltuit cu fertilizarea chimică peste suma de 8130.4 lei ar creşte venitul
suplimentar tot cu un leu deci profitul suplimentar din fertilizare ar creşte cu 0 lei , fiind deja maxim .
Încă un leu cheltuit cu irigarea peste suma de 8130.4 lei ar creşte venitul suplimentar tot cu un leu
deci profitul suplimentar din irirgare ar creşte cu 0 lei , fiind deja maxim .
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1 % peste suma de 8130.4 lei ar
creşte venitul suplimentar cu acelaşi număr de procente cu care ar creşte şi cheltuielile deci profitul din
fertilizare ar creşte cu 0 % , fiind deja maxim .
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1 % peste suma de 8130.4 lei ar
creşte venitul suplimentar cu acelaşi număr de procente cu care ar creşte şi cheltuielile deci profitul din
fertilizare ar creşte cu 0 % , fiind deja maxim .
3) Coloana ratei substituirii factorilor
4.32 m3 apă / Ha din cei 1823 m3 / Ha au adus acelaşi profit ca 1 Kg NPK / Ha din cei 210 Kg NPK
/ Ha .
Orice creştere valorică a apei faţă de cei 1823 m3 / Ha şi orice creştere valorică a NPK faţă de cei
210 Kg NPK / Ha ar creşte profitul cu 0 lei , fiind deja maxim.
Orice creştere procentuală a apei faţă de cei 1823 m3 / Ha şi orice creştere procentuală a NPK faţă
de cei 210 Kg NPK / Ha ar creşte profitul cu 0 % , fiind deja maxim.

IV. OPTIMUL TEHNIC

Se realizează pentru x1= 244 Kg NPK / Ha şi x2 = 1969 m3 apă / Ha.
 315

Rezultă producţia suplimentară maximă YS = 37546 Kg porumb boabe ; venitul suplimentar

maxim VS = 26282.8 lei ; cheltuielile suplimentare CS = 8956.2 lei şi profitul suplimentar PS =
17326.6 lei . Aceste valori se adaogă celor de la martor de la punctul a).
Producţia unitară totală maximă este YUT = 4877 Kg porumb boabe / Ha .
Cheltuielile unitare totale sunt CYT = 0.2804 lei cheltuieli / 1 Kg porumb boabe.
Rata profitului total este RPT = 1.496 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

Indicatori economici Profit suplimentar Rata profit Rata

Suplimentar substituire
Factori
Medii 1.2408 lei 1.343 lei 3.9
0.3181 lei 2.773 lei
Marginali - 0.8 lei - 1 leu 8.9
- 0.09 lei - 1 leu
Elasticităţi - 0.64 % - 0.74 % 2.28 %
- 0.28 % - 0.36 %

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
Fiecare din cele 244 Kg NPK / Ha a adus un profit suplimentar de 1.2408 lei.
Fiecare din cei 1969 m3 apă / Ha a adus un profit suplimentar 0.3181 lei .
Al 245-lea Kg NPK / Ha ar creşte venitul suplimentar cu 0 lei , fiind deja maxim iar cheltuielile ar
creşte cu 0.8 lei(costul celui de al 245-lea Kg NPK / Ha )deci profitul din fertilizare ar scade cu 0.8 lei .
Al 1970-lea m3 apă / Ha ar creşte venitul suplimentar cu 0 lei , fiind deja maxim iar cheltuielile
suplimentare ar creşte cu 0.09 lei (costul celui de al 1970-lea m3 apă / Ha ) deci profitul din irigare ar
scade cu 0.09 lei .
Creşterea dozei de 244 Kg NPK / Ha cu încă 1 % ar creşte venitul suplimentar cu 0 % , fiind deja
maxim iar cheltuielile suplimentare ar creşte cu 0.64 % deci profitul suplimentar din fertilizare ar scade
cu 0.64 % .
Creşterea dozei de 1969 m3 apă / Ha cu încă 1 % ar creşte venitul suplimentar cu 0 % iar
cheltuielile suplimentare ar creşte cu 0.28 % deci profitul suplimentar din irigare ar scade cu 0.28 % .
2) Coloana ratei profitului suplimentar :
Fiecare leu cheltuit cu fertilizarea chimică din suma de 8956.2 lei a adus un profit suplimentar de
1.343 lei.
Fiecare leu cheltuit cu irigarea din suma de 8956.2 lei a adus un profit suplimentar de 2.773 lei.
Încă un leu cheltuit cu fertilizarea chimică peste suma de 8956.2 lei ar creşte venitul
suplimentar cu 0 lei , fiind deja maxim iar cheltuielile ar creşte cu un leu deci profitul suplimentar din
fertilizare ar scade cu un leu .
Încă un leu cheltuit cu irigarea peste suma de 8956.2 lei ar creşte venitul suplimentar tot cu 0 lei ,
fiind deja maxim iar cheltuielile suplimentare ar creşte cu un leu deci profitul suplimentar din irigare ar
scade cu un leu .
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1 % peste suma de 8956.2 lei ar
creşte venitul suplimentar cu 0 % şi cheltuielile ar creşte cu 1 % deci profitul din fertilizare ar scade cu
1% .
 316

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.

V. MAXIM DE VENIT CU CHELTUIELI LIMITATE (7595.8 lei)

Se realizează pentru x1= 189 Kg NPK / Ha şi x2 = 1736 m3 apă / Ha.
Rezultă producţia suplimentară maximă condiţionată YS = 35964 Kg porumb boabe ; venitul
suplimentar maxim condiţionat VS = 25175.2 lei ; cheltuielile suplimentare date CS = 7595.8 lei şi
profitul suplimentar maxim condiţionat PS = 17579.8 lei . Aceste valori se adaogă celor de la martor
de la punctul a).
Producţia fizică unitară totală este YUT = 4798 Kg porumb boabe / Ha .
Cheltuielile unitare totale sunt CYT = 0.2708 lei cheltuieli / 1 Kg porumb boabe.
Rata profitului total este RPT = 1.584 lei profit / 1 leu cheltuit .
Deoarece YUT > YU0 , CYT < CY0 şi RPT > RP0 , merită să folosim dozele maximului de venit
cu cheltuieli limitate .
Tabel cu indicatorii economici ai maximului de venit cu cheltuieli limitate

Indicatori economici Profit suplimentar Rata profit Rata substituire

Suplimentar Factori
Medii 1.6086 lei 1.700 lei 4.5
0.3556 lei 3.039 lei
Marginali 0.4375 lei 0.500 lei 8.9
0.0492 lei 0.500 lei = Maxim
Elasticităţi 0.27 % 0.29 % 1.98 %
0.14 % 0.16 %

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
Fiecare din cele 189 Kg NPK / Ha a adus un profit suplimentar de 1.6086 lei.
Fiecare din cei 1736 m3 apă / Ha a adus un profit suplimentar 0.3556 lei .
Al 190-lea Kg NPK / Ha ar creşte profitul suplimentar cu valoarea de 0.4375 lei .
Al 1737-lea m3 apă / Ha ar creşte profitul suplimentar cu valoarea de 0.0492 lei .
Creşterea dozei de 189 Kg NPK / Ha cu încă 1 % ar creşte profitul suplimentar
cu încă 0.27 % .
Creşterea dozei de 1736 m3 apă / Ha cu încă 1 % ar creşte profitul suplimentar
cu încă 0.14 % .
2) Coloana ratei profitului suplimentar :
Fiecare leu cheltuit cu fertilizarea chimică din suma dată de 7595.8 lei a adus un profit
suplimentar de 1.700 lei.
Fiecare leu cheltuit cu irigarea din suma dată de 7595.8 lei a adus un profit suplimentar de 3.039
lei.
 317

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.

VI. MINIM DE CHELTUIELI CU VENIT GARANTAT (24548.7 lei)

Se realizează pentru x1= 174 Kg NPK / Ha şi x2 = 1678 m3 apă / Ha.
Rezultă producţia suplimentară dată YS = 35069 Kg porumb boabe ; venitul suplimentar dat VS =
24548.7 lei ; cheltuielile suplimentare minime condiţionate CS = 7216.8 lei şi profitul suplimentar
maxim condiţionat PS = 17331.8 lei . Aceste valori se adaogă celor de la martor de la punctul a).
Producţia fizică unitară totală este YUT = 4753 Kg porumb boabe / Ha .
Cheltuielile unitare totale sunt CYT = 0.2695 lei cheltuieli / 1 Kg porumb boabe.
Rata profitului total este RPT = 1.598 lei profit / 1 leu cheltuit .
Deoarece YUT > YU0 , CYT < CY0 şi RPT > RP0 , merită să folosim dozele minimului de
cheltuieli cu venit garantat .
Tabel cu indicatorii economici ai maximului de venit cu cheltuieli limitate

Indicatori economici Profit suplimentar Rata profit Rata substituire

Suplimentar Factori
Medii 1.6989 lei 1.776 lei 4.6
0.3636 lei 3.095 lei
Marginali 0.7133 lei 0.800 lei 8.9
0.0802 lei 0.800 lei
Elasticităţi 0.42 % 0.45 % 1.93 %
0.22 % 0.26 %

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
Fiecare din cele 174 Kg NPK / Ha a adus un profit suplimentar de 1.6889 lei.
Fiecare din cei 1678 m3 apă / Ha a adus un profit suplimentar 0.3636 lei .
Al 175-lea Kg NPK / Ha ar creşte profitul suplimentar cu valoarea de 0.7133 lei .
Al 1679-lea m3 apă / Ha ar creşte profitul suplimentar cu valoarea de 0.0802 lei .
Creşterea dozei de 174 Kg NPK / Ha cu încă 1 % ar creşte profitul suplimentar
cu încă 0.42 % .
Creşterea dozei de 1678 m3 apă / Ha cu încă 1 % ar creşte profitul suplimentar
cu încă 0.22 % .
2) Coloana ratei profitului suplimentar :
 318

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.

VII . DOZELE DE RENTABILITATE (CU PROFIT NUL)

Sunt x1 = 304 Kg NPK / Ha ; x2 = 2576 m3 apă / Ha .

10.3.2 Un factor şi două produse

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

d) Optime în alocarea de resurse :

I. OPTIMUL MARGINAL
Se realizează pentru x1= 25 Kg NPK / Ha grâu şi x2 = 22 Kg NPK / Ha porumb.
Rezultă producţiile suplimentare YS1 = 756 Kg grâu , YS2 = 1790 Kg porumb ; venitul suplimentar
VS = 1707.4 lei ; cheltuielile suplimentare CS = 661.2 lei din care CS1 = 234 lei pentru fertilizarea
grâului şi CS2 = 427.2 lei pentru fertilizarea porumbului ; profitul suplimentar PS = 1046.2 lei . Aceste
valori se adaogă celor de la martor de la punctul a).
Producţiile unitare totale sunt YUT1 = 2076 Kg grâu / Ha ; YUT2 = 3090 Kg porumb / Ha .
Cheltuielile unitare totale sunt CYT1 = 0.4304 lei cheltuieli / 1 Kg grâu şi CYT2 = 0.3047 lei
cheltuieli / 1 Kg Porumb .
Rata profitului total este RPT = 1.006 lei profit / 1 leu cheltuit .
Deoarece YUTi > YUi 0 , CYTi < CYi 0 şi RPT > RP0 , merită să folosim dozele optimului
marginal.
Tabel cu indicatorii economici ai optimului marginal

Indicatori Profit suplimentar Rata profitului suplimentar Rata

Economici Valorificare
Factor
Medii 0.8788 lei 1.8595 lei 0.939 lei 1.934 lei 0.472
Marginali 0.8858 lei 1.8693 lei 0.945 lei 1.943 lei 0.474
= Maxim = Maxim = Maxim = Maxim
Elasticităţi 1.008 % 1.006 % 1.008 % 1.004 % 1.002 %

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
Fiecare din cele 25 Kg NPK / Ha grâu a adus un profit suplimentar de 0.8788 lei.
Fiecare din cei 22 Kg NPK / Ha porumb a adus un profit suplimentar 1.8595 lei .
Al 26-lea Kg NPK / Ha grâu ar creşte profitul suplimentar cu valoarea maximă de
0.8858 lei .
Al 23-lea Kg NPK / Ha porumb ar creşte profitul suplimentar cu valoarea maximă de
1.8693 lei .
Creşterea dozei de 25 Kg NPK / Ha grâu cu încă 1 % ar creşte profitul suplimentar
cu încă 1.008 % .
Creşterea dozei de 22 Kg NPK / Ha porumb cu încă 1 % ar creşte profitul suplimentar cu încă
1.006 % .
2) Coloana ratei profitului suplimentar :
 320

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.

II. OPTIMUL DE ECHILIBRU

Se realizează pentru x1= 37 Kg NPK / Ha grâu şi x2 = 33 Kg NPK / Ha porumb.
Rezultă producţiile suplimentare YS1 = 1135 Kg grâu ; YS2 = 2688 Kg porumb ; venitul suplimentar
VS = 2563.6 lei ; cheltuielile suplimentare CS = 992 lei din care
CS1 = 351.1 lei pentru fertilizarea grâului şi CS2 = 640.9 lei pentru fertilizarea porumbului ; profitul
suplimentar PS = 1571.6 lei . Aceste valori se adaogă celor de la martor de la punctul a).
Producţiile unitare totale sunt YUT1 = 2114 Kg grâu / Ha ; YUT2 = 3134 Kg porumb / Ha .
Cheltuielile unitare totale sunt CYT1 = 0.4282 lei cheltuieli / 1 Kg grâu şi CYT2 =
0.3134 lei cheltuieli / Kg porumb .
Rata profitului total este RPT = 1.013 lei profit / 1 leu cheltuit .
Deoarece YUT > YU0 , CYT < CY0 şi RPT > RP0 , merită să folosim dozele optimului de
echilibru.
Tabel cu indicatorii economici ai optimului de echilibru

Indicatori Profit suplimentar Rata profitului suplimentar Rata

Economici Valorificare
Factor
Medii 0.8806 lei 1.8620 lei 0.940 lei 1.937 lei 0.473
= Maxim = Maxim = Maxim = Maxim
Marginali 0.8806 lei 1.8620 lei 0.940 lei 1.937 lei 0.473
Elasticităţi 1% 1% 1% 1% 1%

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
Fiecare din cele 37 Kg NPK / Ha grâu a adus un profit suplimentar maxim de 0.8806 lei.
Fiecare din cei 33 Kg NPK / Ha porumb a adus un profit suplimentar maxim de 1.8620 lei .
Al 38-lea Kg NPK / Ha grâu ar creşte profitul suplimentar tot cu cu 0.8806 lei .
Al 34-lea Kg NPK / Ha porumb ar creşte profitul suplimentar tot cu 1.8620 lei .
 321

Creşterea dozei de 33 Kg NPK / Ha grâu cu încă 1 % ar creşte profitul suplimentar

tot cu 1 % ( creşterea procentuală de efort fizic pentru factorul NPK la grâu este egală cu creşterea
procentuală de efect pentru profit din grâu).
Creşterea dozei de 33 Kg NPK / Ha porumb cu încă 1 % ar creşte profitul suplimentar tot cu 1 % (
creşterea procentuală de efort fizic pentru factorul NPK la porumb este egală cu creşterea procentuală
de efect pentru profit din porumb).
2) Coloana ratei profitului suplimentar :
Fiecare leu cheltuit cu fertilizarea chimică a grîului din suma de 351.1 lei a adus un profit
suplimentar maxim de 0.940 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma de 640.9 lei a adus un profit
suplimentar maxim de 1.937 lei.
Încă un leu cheltuit cu fertilizarea chimică a grâului peste suma de 351.1 lei ar creşte profitul
suplimentar tot cu 0.940 lei.
Încă un leu cheltuit cu fertilizarea chimică a porumbului peste suma de 640.9 lei ar creşte profitul
suplimentar tot cu 1.937 lei.
Creşterea cheltuielilor cu fertilizarea chimică a grâului cu încă 1 % peste suma de 351.1 lei ar creşte
profitul suplimentar tot cu 1 % ( creşterea procentuală de efort financiar pentru factorul NPK la grâu
este egală cu creşterea procentuală de efect pentru profitul din grâu ).
Creşterea cheltuielilor cu fertilizarea chimică a porumbului cu încă 1 % peste suma de 640.9 lei ar
creşte profitul suplimentar tot cu 1 % ( creşterea procentuală de efort financiar pentru factorul NPK la
porumb este egală cu creşterea procentuală de efect pentru profitul din porumb).
3) Coloana ratei substituirii factorilor
0.473 Kg NPK / Ha porumb din cele 33 Kg NPK / Ha porumb au adus acelaşi profit ca 1 Kg NPK /
Ha grâu din cele 37 Kg NPK / Ha grâu .
0.473 Kg / Ha porumb creştere NPK faţă de cele 33 Kg NPK / Ha porumb şi 1 Kg / Ha grâu
creştere NPK faţă de cele 37 Kg NPK / Ha grâu ar creşte profitul cu aceeaşi sumă.
1 % creştere NPK faţă de cele 33 Kg NPK / Ha porumb şi 1 % creştere NPK faţă de cei 37 Kg
NPK / Ha grâu , ar creşte profitul cu acelaşi număr de procente ( creşterea procentuală de efort fizic
pentru factorul NPK la grâu este egală cu creşterea procentuală de efort fizic pentru NPK la porumb
sub aspectul aceleiaşi creşteri procentuale a profitului).

III. OPTIMUL ECONOMIC

Se realizează pentru x1= 190 Kg NPK / Ha grâu şi x2 = 199 Kg NPK / Ha porumb.
Rezultă producţiiile suplimentare YS1 = 4871 Kg grâu ; YS2 = 12790 Kg porumb ; venitul
suplimentar VS = 11876.5 lei ; cheltuielile suplimentare CS = 5445.8 lei din care CS1 = 1740.3 lei
pentru fertilizarea grâului şi CS2 = 3705.6 lei pentru fertilizarea porumbului ; profitul suplimentar
maxim PS = 6430.7 lei . Aceste valori se adaogă celor de la martor de la punctul a).
Producţiile unitare totale sunt YUT1 = 2487 Kg grâu / Ha şi YUT2 = 3640 Kg porumb / Ha .
Cheltuielile unitare totale minime sunt CYT1 = 0.4198 lei cheltuieli / 1 Kg grâu şi
CYT2 = 3037 lei / Kg porumb .
Rata profitului total maximă este RPT = 1.024 lei profit / 1 leu cheltuit .
Deoarece YUT > YU0 , CYT < CY0 şi RPT > RP0 , merită să folosim dozele optimului economic.
Tabel cu indicatorii economici ai optimului economic
 322

Indicatori Profit suplimentar Rata profitului suplimentar Rata

Economici Valorificare
Factor
Medii 0.6220 lei 1.3144 lei 0.679 lei 1.417 lei 0.473
Marginali 0 lei 0 lei 0 lei 0 lei 0
Elasticităţi 0% 0% 0% 0% 0%

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
Fiecare din cele 190 Kg NPK / Ha grâu a adus un profit suplimentar de 0.6220 lei.
Fiecare din cei 199 Kg NPK / Ha porumb a adus un profit suplimentar 1.3144 lei .
Al 191-lea Kg NPK / Ha grâu ar creşte venitul suplimentar cu aceeaşi sumă cu care ar
creşte şi cheltuielile deci profitul din fertilizare ar creşte cu 0 lei , fiind deja maxim.
Al 200-lea Kg NPK / Ha porumb ar creşte venitul suplimentar cu aceeaşi sumă cu care ar creşte şi
cheltuielile deci profitul din irigare ar creşte cu 0 lei , fiind deja maxim.
Creşterea dozei de 190 Kg NPK / Ha grâucu încă 1 % ar creşte venitul suplimentar
cu acelaşi număr de procente cu care ar creşte şi cheltuielile deci profitul suplimentar
din fertilizarea grâului ar creşte cu 0 % , fiind deja maxim.
Creşterea dozei de 199 Kg NPK / Ha porumb cu încă 1 % ar creşte venitul suplimentar cu acelaşi
număr de procente cu care ar creşte şi cheltuielile deci profitul suplimentar din fertilizarea porumbului
ar creşte cu 0 % fiind deja maxim.
2) Coloana ratei profitului suplimentar :
Fiecare leu cheltuit cu fertilizarea chimică a grâului din suma de 1740.3 lei a adus un profit
suplimentar de 0.679 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma de 3705.6 lei a adus un profit
suplimentar de 1.417 lei.
Încă un leu cheltuit cu fertilizarea chimică a grâului peste suma de 1740.3 lei ar creşte venitul
suplimentar tot cu un leu deci profitul suplimentar din fertilizarea grâului ar creşte cu 0 lei , fiind deja
maxim .
Încă un leu cheltuit cu fertilizarea chimică a porumbului peste suma de 3705.6 lei ar creşte venitul
suplimentar tot cu un leu deci profitul suplimentar din irirgare ar creşte cu 0 lei , fiind deja maxim .
Creşterea cheltuielilor cu fertilizarea chimică a grâului cu încă 1 % peste suma de 1740.3 lei ar
creşte venitul suplimentar cu acelaşi număr de procente cu care ar creşte şi cheltuielile deci profitul din
fertilizarea grîului ar creşte cu 0 % , fiind deja maxim .
Creşterea cheltuielilor cu fertilizarea chimică a porumbului cu încă 1 % peste suma de 3705.6 lei ar
creşte venitul suplimentar cu acelaşi număr de procente cu care ar creşte şi cheltuielile deci profitul din
fertilizarea porumbului ar creşte cu 0 % , fiind deja maxim .
3) Coloana ratei substituirii factorilor
0.473 Kg NPK / Ha porumb din cei 199 Kg NPK / Ha grâu au adus acelaşi profit ca 1 Kg NPK /
Ha grâu din cei 190 Kg NPK / Ha grâu .
Orice creştere valorică a NPK faţă de cele 199 m3 / Ha porumb şi orice creştere valorică a NPK faţă
de cei 190 Kg NPK / Ha grâu ar creşte profitul cu 0 lei , fiind deja maxim.
Orice creştere procentuală a NPK faţă de cele 199 Kg NPK / Ha porumb şi orice creştere
procentuală a NPK faţă de cele 190 Kg NPK / Ha grâu ar creşte profitul cu 0 % , fiind deja maxim.

IV. OPTIMUL TEHNIC

Se realizează pentru x1= 251 Kg NPK / Ha grâu şi x2 = 234 Kg NPK / Ha porumb .
 323

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

Indicatori Profit suplimentar Rata profitului suplimentar Rata

Economici Valorificare
Factor
Medii 0.3738 lei 1.0630 lei 0.417 lei 1.165 lei 0.351
Marginali - 0.8 lei - 0.8 lei - 1 leu - 1 leu 1.022
Elasticităţi - 2.2 % - 0.75 % - 2.45 % - 0.86 % 2.91 %

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
Fiecare din cele 251 Kg NPK / Ha grâu a adus un profit suplimentar de 0.3738 lei.
Fiecare din cele 234 Kg NPK / Ha porumb a adus un profit suplimentar 1.0630 lei .
Al 252-lea Kg NPK / Ha grâu ar creşte venitul suplimentar cu 0 lei , fiind deja maxim iar
cheltuielile ar creşte cu 0.8 lei (costul celui de al 252-lea Kg NPK / Ha )deci profitul din fertilizare ar
scade cu 0.8 lei .
Al 235-lea Kg NPK / Ha porumb ar creşte venitul suplimentar cu 0 lei , fiind deja maxim iar
cheltuielile suplimentare ar creşte cu 0.8 lei (costul celui de al 235-lea Kg NPK / Ha porumb) deci
profitul din irigare ar scade cu 0.8 lei .
Creşterea dozei de 252 Kg NPK / Ha grâucu încă 1 % ar creşte venitul suplimentar
cu 0 % , fiind deja maxim iar cheltuielile suplimentare ar creşte cu 2.2 % deci profitul suplimentar din
fertilizare ar scade cu 2.2 % .
Creşterea dozei de 234 Kg NPK / Ha porumb cu încă 1 % ar creşte venitul suplimentar cu 0 % iar
cheltuielile suplimentare ar creşte cu 0.75 % deci profitul suplimentar din irigare ar scade cu 0.75 % .
2) Coloana ratei profitului suplimentar :
Fiecare leu cheltuit cu fertilizarea chimică a grâului din suma de 2248.4 lei a adus un profit
suplimentar de 0.417 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma de 4276.2 lei a adus un profit
suplimentar de 1.165 lei.
Încă un leu cheltuit cu fertilizarea chimică a grăului peste suma de 2248.4 lei ar creşte venitul
suplimentar cu 0 lei , fiind deja maxim iar cheltuielile ar creşte cu un leu deci profitul suplimentar din
fertilizarea grâului ar scade cu un leu .
Încă un leu cheltuit cu fertilizarea porumbului peste suma de 4276.2 lei ar creşte venitul
suplimentar tot cu 0 lei , fiind deja maxim iar cheltuielile suplimentare ar creşte cu un leu deci profitul
suplimentar din fertilizarea porumbului ar scade cu un leu .
 324

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.

V. MAXIM DE VENIT CU CHELTUIELI LIMITATE(4230.5 lei)

Se realizează pentru x1= 116 Kg NPK / Ha grâu şi x2 = 167 Kg NPK / Ha porumb.
Rezultă producţiile suplimentare maxime condiţionate YS1 = 3390 Kg grâu ; YS2 = 11691 Kg
Porumb ; venitul suplimentar maxim condiţionat VS = 10218.1 lei ; cheltuielile suplimentare date
CS = 4230.5 lei din care CS1=1087.2 lei pentru fertilizarea grâului şi CS2 = 3143.4 lei pentru
fertilizarea porumbului ; profitul suplimentar maxim condiţionat PS = 5987.6 lei . Aceste valori se
adaogă celor de la martor de la punctul a).
Producţiile unitare totale sunt YUT1 = 2339 Kg grâu / Ha şi YUT2 = 3585 Kg porumb / Ha .
Cheltuielile unitare totale sunt CYT1 = 0.4184 lei cheltuieli / 1 Kg grâu şi CYT2 = 0.3005 lei
cheltuieli / 1 Kg porumb .
Rata profitului total este RPT = 1.049 lei profit / 1 leu cheltuit .
Deoarece YUTi > YUi 0 , CYTi < CYi 0 şi RPT > RP0 , merită să folosim dozele maximului de
venit cu cheltuieli limitate .
Tabel cu indicatorii economici ai maximului de venit cu cheltuieli limitate

Indicatori Profit suplimentar Rata profitului suplimentar Rata

Economici Valorificare
Factor
Medii 0.8107 lei 1.5070 lei 0.871 lei 1.603 lei 0.538
Marginali 0.6050 lei 0.6202 lei 0.662 lei 0.700 lei 0.976
Elasticităţi 0.75 % 0.41 % 0.76 % 0.44 % 1.81 %

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
Fiecare din cele 116 Kg NPK / Ha grâu a adus un profit suplimentar de 0.8107 lei.
Fiecare din cei 167 Kg NPK / Ha porumb a adus un profit suplimentar 1.5070 lei .
Al 117-lea Kg NPK / Ha grâu ar creşte profitul suplimentar cu valoarea de 0.6050 lei .
Al 168-lea Kg NPK / Ha porumb ar creşte profitul suplimentar cu valoarea de 0.6202 lei .
Creşterea dozei de 116 Kg NPK / Ha grâu cu încă 1 % ar creşte profitul suplimentar
cu încă 0.75 % .
Creşterea dozei de 167 Kg NPK / Ha porumb cu încă 1 % ar creşte profitul suplimentar
cu încă 0.41 % .
2) Coloana ratei profitului suplimentar :
 325

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.

VI. MINIM DE CHELTUIELI CU VENIT GARANTAT(11370.5 lei)

Se realizează pentru x1= 164 Kg NPK / Ha grâu şi x2 = 186 Kg NPK / Ha porumb .
Rezultă producţiile suplimentare date YS1 = 4448 Kg grâu ; YS2 = 12430 Kg porumb ; venitul
suplimentar dat VS = 11370.5 lei ; cheltuielile suplimentare minime condiţionate CS = 5002.1 lei din
care CS1 = 1515.1 lei pentru fertilizarea grâului şi CS2 = 3487 lei pentru fertilizarea porumbului ;
profitul suplimentar maxim condiţionat PS = 6368.3 lei . Aceste valori se adaogă celor de la martor
de la punctul a).
Producţiile unitare totale sunt YUT1 = 2445 Kg grâu / Ha şi YUT2 = 3622 Kg porumb / Ha .
Cheltuielile unitare totale sunt CYT1 = 0.4187 lei cheltuieli / 1 Kg grâu şi CYT2 = 3022 lei cheltuieli
/ 1 Kg porumb .
Rata profitului total este RPT = 1.037 lei profit / 1 leu cheltuit .
Deoarece YUTi > YUi 0 , CYTi < CYi 0 şi RPT > RP0 , merită să folosim dozele minimului de
cheltuieli cu venit garantat .
Tabel cu indicatorii economici ai maximului de venit cu cheltuieli limitate

Indicatori Profit suplimentar Rata profitului suplimentar Rata

Economici Valorificare
Factor
Medii 0.7019 lei 1.3953 lei 0.761 lei 1.496 lei 0.503
Marginali 0.2389 lei 0.2592 lei 0.271 lei 0.300 lei 0.922
Elasticităţi 0.34 % 0.19 % 0.36 % 0.20 % 1.83 %

COMENTARIU ASUPRA TABELULUI :

1) Coloana profitului suplimentar :
Fiecare din cele 164 Kg NPK / Ha grâu a adus un profit suplimentar de 0.7019 lei.
Fiecare din cele 186 Kg NPK / Ha porumb a adus un profit suplimentar 1.3953 lei .
Al 165-lea Kg NPK / Ha grâu ar creşte profitul suplimentar cu valoarea de 0.2389 lei .
Al 187-lea Kg NPK / Ha porumb ar creşte profitul suplimentar cu valoarea de 0.2592 lei .
 326

Creşterea dozei de 164 Kg NPK / Ha grâu cu încă 1 % ar creşte profitul suplimentar

cu încă 0.34 % .
Creşterea dozei de 186 Kg NPK / Ha porumb cu încă 1 % ar creşte profitul suplimentar
cu încă 0.19 % .
2) Coloana ratei profitului suplimentar :
Fiecare leu cheltuit cu fertilizarea chimică a grâului din suma minimă de 1515.1 lei a adus un
profit suplimentar de 0.761 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma minimă de 3487 lei a adus un
profit suplimentar de 1.496 lei.
Încă un leu cheltuit cu fertilizarea chimică a grâului peste suma minimă de 1515.1 lei ar creşte
profitul suplimentar cu valoarea de 0.271 lei.
Încă un leu cheltuit cu fertilizarea chimică a porimbului peste suma minimă de 3487 lei ar creşte
profitul suplimentar cu valoarea de 0.300 lei.
Creşterea cheltuielilor cu fertilizarea chimică a grâului cu încă 1 % peste suma de 1515.1 lei ar
creşte profitul suplimentar cu încă 0.36 % .
Creşterea cheltuielilor cu fertilizarea chimică a porumbului cu încă 1 % peste suma de 3487 lei ar
creşte profitul suplimentar cu încă 0.20 % .
3) Coloana ratei substituirii factorilor
0.503 Kg NPK / Ha grâu din cei 186 Kg NPK / Ha grâu au adus acelaşi profit ca 1 Kg NPK / Ha
grâu din cei 164 Kg NPK / Ha grâu .
0.922 Kg / Ha creştere NPK faţă de cei 186 Kg NPK / Ha porumb şi 1 Kg / Ha creştere NPK faţă
de cei 164 Kg NPK / Ha grâu ar creşte profitul cu aceeaşi sumă.
1.83 % creştere NPK faţă de cei 186 Kg NPK / Ha porumb şi 1 % creştere NPK faţă de cei 164 Kg
NPK / Ha grâu , ar creşte profitul cu acelaşi număr de procente.

VII . DOZELE DE RENTABILITATE (CU PROFIT NUL)

Sunt x1 = 279 Kg NPK / Ha grâu ; x2 = 304 Kg NPK / Ha porumb .

10.4 Modele cu restricţii liniare şi funcţie-obiectiv pătratică

În capitolul 6 am prezentat modele cu restricţii liniare şi funcţii-obiectiv liniare .Ele au fost

rezolvate prin îmbunătăţiri succesive ale unei soluţii bazice iniţiale cu metoda simplex până se ajunge
la soluţia bazică optimă.
În secţiunea 10.2.1 punctele A şi B , am prezentat două modele cu o restricţie neliniară şi funcţie-
obiectiv cubică (venit maxim cu cheltuieli limitate şi respectiv cheltuieli minime cu venit garantat) care
au fost rezolvate cu metoda multiplicatorilor lui Lagrange.
În acestă secţiune vom prezenta un model intermediar cu restricţii liniare şi funcţie-obiectiv pătratică.

10.4.1 Cazul când toate restricţiile sunt ecuaţii

Modelul are forma :
 327

a11 x1  ...  a1n x n  b1


(1) ..............................
a x  ...  a x  b
 m1 1 mn n m

(2) x1 ,..., x n  0

n n n
(3) f=2   ci x i   d jk x j x k  optim
i=1 j1 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 

Modelul capătă forma matricială :

(4) A.X = b
(5) X≥0
(6) f = 2.cT.X+XT.D.X = optim

Funcţia pătratică f are punctul staţionar X0 care anulează derivatele parţiale de ordinul unu :

∂ f / ∂ x1 = 2.(c1 + d11x1 +…+ d1nxn ) = 0

…………………………………………
∂ f / ∂ xn = 2.(cn + dn1x1 +…+ dnnxn ) = 0

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

X0 este punct de maxim pentru f dacă matricea D este negativ definită

adică minorii ei principali sunt negativi :
Δ1> 0 ; Δ2 < 0 ,…, (-1)n.Δn > 0
X0 satisface restricţiile (4)+(5) dacă A.X0 = b şi X0 ≥ 0 deci dacă :

(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 
     

Avem Xp = α1.X(1) + α2.X(2) + α3.X(3) cu 0 ≤ αi ≤ 1 şi α1 + α2 + α3 = 1

În cazul nostru avem α1=0.4134 ; α2 = 0.5866 ; α3 = 0 deci Xp se găseşte pe segmentul care uneşte
soluţiile bazice(vârfurile) X(1) şi X(2) .

10.4.2 Cazul când restricţiile sunt inecuaţii

Fie problema de optimizare pătratică :

n
(14) a
j=1
ij x j  bi

(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 j1 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

Fie funcţia Lagrange :

n n n m n
L=2   c j x j   d jk x j x k   yi  (bi   a ij x j )
j=1 j1 k 1 i 1 j1

unde y1 ,..., y m sunt multiplicatorii Lagrange.

Fie variabilele de egalizare primale :
n
xei  bi   a ij x j  0 deci funcţia Lagrange capătă forma :
j1
m
L=f+ yi xei . Funcţia Lagrange L se mai poate scrie şi sub forma :
i=1

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  j1  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 j1 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 j1 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

Modelul dual are forma :

y1+4y2 ≥ 10+( - x1+0.2x2)
y1+y2 ≥ 12+(0.2x1 - 0.8x2)
y1, y2 ≥ 0
-----------------------------------
g=(3y1+4y2) – (-0.5x12 + 0.1x1x2+0.1x2x1 - 0.4x22 )=minim

Rezolvarea cu SOLVER din EXCEL

Problema primală din enunţ se plasează în foaia EXCEL cu numele OPTIMP:

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 .

Soluţiile optime pentru modelele pătratice primal şi dual sunt :

 333

Soluţia optimă primală Soluţia optimă duală

I.Variabile primale proprii: III.Variabile duale de egalizare:
X1=1/3 ye1=0
X2=8/3 ye2=0
II.Variabile primale de egalizare: IV.Variabile duale proprii:
Xe1=0 y1=886/90
Xe2=0 y2=8/90
fmax=gmin=2935/90

Model de alocare a resurselor cu restricţii liniare şi funcţie-obiectiv pătratică

Alocări → NPK Apa

Grâu Porumb Grâu Porumb SEMN LIMITE
Restricţii ↓ X1(Kg/Ha) X2(Kg/Ha) X3(m3/Ha) X4(m3/Ha)
NPK – GRÂU MAX 1 0 0 0 ≤ 300 Kg/Ha
NPK – POR. MAX 0 1 0 0 ≤ 200 Kg/Ha
APA – GRÂU MAX 0 0 1 0 ≤ 1500 m3/Ha
APA – POR.MAX 0 0 0 1 ≤ 2000 m3/Ha
CHELTUIELI 0.8 0.8 0.09 0.09 ≤ 500
LEI /Ha Lei / Ha LEI / Ha LEI / Ha LEI / HA
NPK 40 Ha 60 Ha 0 0 ≤ 15000 Kg
APA 0 0 40 Ha 60 Ha ≤ 180000 m3
PROD.SUPLIM. 3 Kg GRÂU 0 0.6 Kg GRÂU 0 ≥ 1000 Kg/Ha
GRÂU / Kg NPK / M3 APĂ
PROD.SUPLIM. 0 5 Kg Por. 0 0.9 Kg Por. ≥ 1500 Kg/Ha
PORUMB / Kg NPK / M3 APĂ
NPK – GRÂU MIN 1 0 0 0 ≥ 80 Kg / Ha
NPK – POR.MIN 0 1 0 0 ≥ 50 Kg / Ha
APA – GRÂU MIN 0 0 1 0 ≥ 500 M3/Ha
APA – POR.MIN 0 0 0 1 ≥ 1000 M3/Ha
PARTE LINIARĂ 250 300 300 500
VENIT SUPLIM. LEI/Ha LEI/Ha LEI/Ha LEI/Ha MAXIM
PARTE PĂTRATICĂ - 0.5 -0.75 -0.1 -0.1
VENIT SUPLIM.

Ca şi în exemplul precedent , cu produsul informatic EXCEL , se obţin soluţiile optime :

SOLUŢIA OPTIMĂ PRIMALĂ SOLUŢIA OPTIMĂ DUALĂ

I.VPP(resurse alocate) III.VDP
X1=123.55 Kg NPK/Ha grâu ye1=0
X2=115.70 Kg NPK/Ha porumb ye2=0
X3=1428.85 m3 Apă / Ha grâu ye3=0
X4=2000 m3 Apă / Ha porumb ye4=0

II.VPE(diferenţe între resurse consumate şi IV.VDP

limite) y1=0
xe1=176.45 Kg NPK/Ha grâu deficit y2=0
xe2=84.30 Kg NPK/Ha porumb deficit y3=0
xe3=71.15 m3 Apă / Ha grâu deficit →y4=0.8577
→xe4=0 m3 Apă / Ha porumb deficit →y5=0.0001
→xe5=0 lei necheltuiţi y6=0
xe6=3115.794 Kg NPK neconsumate y7=0
xe7=2846.149 m3 apă neconsumaţi y8=0
xe8=227.970 Kg Grâu surplus y9=0
 334

xe9=878.503 Kg porumb surplus y10=0

xe10=43.55 Kg NPK/Ha grâu surplus y11=0
xe11=65.70 Kg NPK/Ha porumb surplus y12=0
xe12=928.85 m3 Apă / Ha grâu surplus y13=0
3
xe13=1000 m Apă / Ha porumb surplus
fmaxim = gminim = 872412.6 LEI

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

1. Cum caracterizaţi optimul economic în alocarea de resurse ?

2. Cum caracterizaţi optimul tehnic în alocarea de resurse ?
3. Ce semnificaţie au ratele substituirii factorilor în realizarea unui produs ?
4. Ce semnificaţie au ratele valorificării aceluiaşi factor de către produse diferite ?

10.7 Bibliografie

1. Stănăşilă O. “ Analiză liniară şi geometrie “Vol. I - II,Editura ALL ,2000 - 2001

2. Cenuşă Gh. şi col.“ Matematici pentru economişti “ Editura CISON,2000
3. Cenuşă Gh. şi col.“ Matematici pentru economişti – culegere de probleme“ Editura CISON,2000
4. Ene D. “ Matematici (I) “ Editura CERES , 2004
5. Gogonea S. , Ene D. “ Analiză numerică “ Editura Cartea Universitară , 2005
6. Ene D.,Gogonea S. “Metode numerice” Editura Cartea Universitară , 2005
 335

CAP.11 ANALIZA TEHNICO-ECONOMICĂ A PRODUCŢIEI AGRICOLE

Obiective :însuşirea de către studenţi a analizei tehnico-economice a sistemelor agricole de

producţie vegetală / zootehnică precum şi elaborarea de balanţe economice ale legăturilor
între ramuri în agricultură .

Cuprins

11.1 Analiza tehnico-economică a sistemului producţiei vegetale

11.2 Analiza tehnico-economică a sistemului producţiei zootehnice
11.2.1 Analiza tehnico-economică a sistemului producţiei de lapte
11.2.2 Analiza tehnico-economică a sistemului producţiei de carne
11.3 Balanţa legăturilor între ramuri
11.4 Concentrarea şi diversificarea producţiei agricole pe ramuri
11.5 Rezumat
11.6 Întrebări
11.7 Bibliografie

11.1 Analiza tehnico-economică a sistemului producţiei vegetale

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

1).Suprafaţa cultivată (ha) = SC

2).Densitatea la recoltare (plante/ha) = DR  [DR1;DR2]
3).Cost arat – pregătire teren (lei/ha) = CP  [CP1;CP2]
4).Cost sămânţă – semănat (lei/ha) = CS  [CS1;CS2]
5).Cost lucrări combatere buruieni-boli – dăunători (lei/ha) = CB  [CB1;CB2]
6).Consum îngrăşăminte chimice (kg/ha) = QI  [QI1;QI2]
7).Cost îngrăşăminte chimice (lei/kg) = CI  [CI1;CI2]
8).Consum apă de irigaţie (m3/ha) = QA  [QA1;QA2]
9).Cost apă de irigaţie (lei/m3 ) = CA  [CA1;CA2]
10).Cost recoltare – transport producţie principală (lei/Kg) = CRP  [CRP1;CRP2]
11). Cost recoltare – transport producţie secundară (lei/Kg) = CRS  [CRS1;CRS2]
12a).Consum combustibil (litri/ha) = QC  [QC1;QC2]
12b).Consum curent electric (Kwh/tonă) = QE  [QE1;QE2]
13a).Cost combustibil (lei/litru) = CC  [CC1;CC2]
13b).Cost curent electric (lei/Kwh) = CE  [CE1;CE2]
14).Consum forţă de muncă (zile-om/ha) = QZ  [QZ1;QZ2]
15).Cost forţă de muncă (lei/zi-om) = CZ  [CZ1;CZ2]
16).Cota parte-cheltuieli neproductive(taxe,impozite,TVA,rambursări de credite,amortismente,etc) şi
neprevăzute(prime pentru asigurări de calamităţi) din cheltuieli de producţie = PN  [PN1;PN2]
17).Producţie principală medie (Kg/plantă) = YPM  [YPM1;YPM2]
18).Producţie secundară medie (Kg/ha) = YSM  [YSM1;YSM2]
 336
19).Preţ vânzare producţie principală (lei/Kg) = PVP  [PVP1;PVP2]
20). Preţ vânzare producţie secundară (lei/Kg) = PVS  [PVS1;PVS2]

REZULTATE

I. PRODUCŢII TOTALE

21).Producţie principală totală(Kg) : YPT = YPM.DR.SC

22).Producţie secundară totală (Kg) : YST = YSM.SC
23).Venit total(lei) : VT = YPT.PVP + YST.PVS
Avem VT = (YPM.DR.PVP + YSM.PVS).SC
24).Cheltuieli materiale : CM = CP.SC + CS.SC + CB.SC + QI.SC.CI + QA.SC.CA +
+ QC.SC.CC + YPT.QE.CE/1000 +YPT.CRP + YST.CRS
25).Cheltuieli forţă de muncă (lei) : CO = QZ.SC.CZ
26).Cheltuieli de producţie (lei) : CH = CM + CO
27).Cheltuieli totale(lei) : CT = CH.(1 + PN)
Avem CT = (CP + CS + CB + QI.CI + QA.CA + QC.CC + YPM.DR.QE.CE/1000+ +YPM.DR.CRP + YSM.CR
+ QZ.CZ).(1 + PN).SC
28).Profit total (lei) : PT = VT – CT

II. INDICATORI MEDII AI PRODUCŢIEI

29). Producţia principală unitară (Kg / ha ) : YPU = YPM.DR

30). Producţia principală minimă (Kg / ha ) care aduce profit : YPR = (CT – YST.PVS)/(SC.PVP)
31).Costul producţiei (lei/Kg producţie fizică principală) : CPP = CT/YPT

III. INDICATORI AI PROFITULUI

32).Rata medie a profitului (lei profit / 1 leu cheltuit) : RMP = PT / CT

33).Rata marginală a profitului (lei creştere profit / 1 leu creştere cheltuieli):
RDP = (V1 – 1 +2.V2.CT)
34).Elasticitatea ratei profitului (procente creştere profit / 1 % creştere cheltuieli ) :
ERP = RDP/RMP

Toate datele de intrare sunt cuprinse în intervale de valori ,date de tehnologie,

cu excepţia suprafeţei cultivate de la punctul 1) care este constantă .
Pentru a calcula producţiile de la punctele 21) – 29) precum şi indicatorii
economici de la punctele 30) – 32) , trebuie să alegem valori concrete în intervalele specificate pentru datele de intra
de la punctele 2) – 20)

Calculul ratei marginale a profitului de la punctul 33).

Fie CTA valoarea minimă a cheltuielilor totale CT , obţinută pentru datele 3) –16)
la limita stângă a intervalelor lor de valori şi fie CTB valoarea minimă a cheltuielilor totale CT , obţinută pentru
datele 3) –16) la limita dreaptă a intervalelor lor de valori.
Fie VTA valoarea minimă a venitului total VT , obţinută pentru datele de la punctele
2),17) –20) la limita stângă a intervalelor lor de valori şi fie VTB valoarea minimă a venitului total VT , obţinută
pentru datele de la punctele 2),17) –20) la limita dreaptă a intervalelor lor de valori .
Graficul funcţiei VT = V1.(CT) + V2.(CT)2 este o parabolă unde V1 , V2 sunt soluţiile
 337
sistemului liniar :

VTA = V1.(CTA) + V2.(CTA)2

VTB = V1.(CTB) + V2.(CTB)2

care exprimă faptul că parabola de ecuaţie VT = V1.(CT) + V2.(CT)2 trece prin punctele
A ( CTA;VTA) şi B(CTB, VTB) :

Profitul total este : PT = VT – CT deci PT = (V1 - 1).(CT) + V2 .(CT)2

Rata marginală a profitului este derivata profitului total PT deci :
RDP = (V1 – 1 ) + 2.V2.(CT) adică chiar formula de la punctul 31).
Concluzii :
I.Rata marginală a profitului este egală cu zero în cazul optimului economic şi este
egală cu – 1 ,în cazul optimului tehnic .
II.Elasticitatea ratei profitului ERP este mai mare ca 1 în zona de expansiune a producţiei agricole , este egală cu
în cazul optimului de echilibru şi este mai mică
ca 1 în zona de saturaţie a producţiei agricole .
Exemple

1. CULTURA PORUMBULUI

Nr. Mărimea Minimă Aleasă Maximă

1 SC 20 20 20
2 DR 60000 65000 70000
3 CP 100 110 120
4 CS 60 65 70
5 CB 40 50 60
6 QI 120 140 150
7 CI 0.8 0.9 1
8 QA 2000 2200 2400
9 CA 0.05 0.055 0.06
10 CRP 0.04 0.05 0.06
 338
11 CRS 0.01 0.011 0.012
12 a) QC 120 140 150
12 b) QE 5 6 7
13 a) CC 2.8 3 3.2
13 b) CE 0.2 0.22 0.24
14 QZ 5 6 7
15 CZ 12 13 14
16 PN 0.10 0.12 0.14
17 YPM 0.04 0.07 0.08
18 PVP 0.4 0.7 1.2
19 YSM 800 900 1000
20 PVS 0.08 0.08 0.1

REZULTATE :

21). YPT = 91000 Kg boabe porumb

22). YST = 18000 Kg coceni
23). VT = 65140 lei
24). CM = 22708.12 lei
25). CO = 1560 lei
26). CH = 24268.2 lei
27). CT = 27180.3 lei
28). PT = 37959.71 lei
29).YPU = 4550 Kg porumb boabe / ha
30). YPR = 1838 Kg porumb boabe / ha aduc profit
31). CP= 0.2986 lei cheltuieli / un Kg porumb boabe
32). RMP = 0.1397 lei profit / 1 leu cheltuit
33). RDP = 0.7487 lei creştere profit / 1 leu creştere de cheltuieli
( V1 = - 3.220333 ; V2 = 2.158535 x 10 – 4 )
34). ERP = 5.36 % creştere profit / 1 % creştere cheltuieli

Concluzie : această variantă tehnico-economică este în zona de expansiune a producţiei .

Programul de calculator PORUMBUL face aceste calcule .

2. CULTURA GRÂULUI

Nr. Mărimea Minimă Aleasă Maximă

1 SC 10 10 10
2 DR 4500000 4800000 5000000
3 CP 90 100 120
4 CS 50 60 70
5 CB 40 50 60
6 QI 150 180 200
7 CI 0.7 0.8 0.9
8 QA 900 1000 1100
9 CA 0.05 0.06 0.07
10 CRP 0.04 0.05 0.06
 339
11 CRS 0.01 0.011 0.012
12 a) QC 120 140 150
12 b) QE 5 6 7
13 a) CC 2.8 3 3.2
13 b) CE 0.2 0.22 0.24
14 QZ 4 5 6
15 CZ 12 13 14
16 PN 0.10 0.12 0.14
17 YPM 0.0005 0.0006 0.0007
18 PVP 0.4 0.7 1.2
19 YSM 1200 1300 1400
20 PVS 0.07 0.08 0.09

REZULTATE :

21). YPT = 28800 Kg boabe porumb

22). YST = 13000 Kg coceni
23). VT = 21200 lei
24). CM = 9961.016 lei
25). CO = 650 lei
26). CH = 10611.02 lei
27). CT = 11884.34 lei
28). PT = 9315.662 lei
29). YPU = 2880 Kg grâu boabe / ha
30). YPR = 1549 Kg grâu boabe / ha aduc profit
31). CPP = 0.4126 lei cheltuieli / 1 Kg boabe grâu
32). RMP = 0.7839 lei profit / 1 leu cheltuit
33). RDP = 4.6727 lei creştere profit / 1 leu creştere de cheltuieli
( V1 = - 1.697871; V2 = 3.100979 x 10 – 4 )
34). ERP = 5.96 % creştere profit / 1 % creştere cheltuieli

Concluzie : această variantă tehnico-economică este în zona de creştere accelerară a producţiei .

Programul de calculator GRÂUL face aceste calcule .

11.2 Analiza economică a sistemului producţiei zootehnice

11.2.1 Analiza economică a sistemului producţiei de lapte

Vom analiza tandemele vaci – viţei sugari de o anumită rasă , în anumite cicluri
de lactaţie şi aflate într-o anumită fermă .

DATE DE INTRARE

1).Suprafaţa spaţiului de cazare vaci (m2) = SC

2a).Durata medie a lactaţiei (zile) = DS  [DS1;DS2]
2b).Durata medie alăptare viţel (zile) = DV [DV;DV2]
3).Densitatea în spaţiul de cazare vaci (capete/ m2 ) = DC [DC2;DC2]
 340
4a).Procent fecunditate vaci = FE  [FE1;FE2]
4b).Procent reformă vaci = RE  [RE1;RE2]
4c).Procent viabilitate viţei sugari = VI  [VI1;VI2]
5a).Costuri veterinare medii pentru vaci (lei/cap vacă) = CVA  [CVA1;CVA2]
5b).Costuri veterinare medii pentru viţei sugari (lei/cap viţel sugar) = CVV  [CVV1;CVV2]
6a).Consum mediu zilnic de amestec de furaje pentru vacă (kg/cap vacă.zi) = QF  [QF1;QF2]
6b).Consum mediu zilnic de lapte pentru viţel sugar (kg/cap viţel sugar.zi) = QV  [QV1;QV2]
7).Cost mediu amestec de furaje pentru vacă (lei/kg) = CF  [CF1;CF2]
8a).Consum mediu zilnic de apă (adăpat plus consum tehnologic) (litri/zi) = QA  [QA1;QA2]
8b).Consum mediu zilnic de curent electric(Kwh / zi) = QE  [QE1;QE2]
8c).Consum mediu zilnic de combustibil(transport tehnologic)(litri / zi) = QC [QC1 ;QC2]
9a).Cost apă (lei/litru) = CA  [CA1 ;CA2]
9b).Cost curent electric(lei /Kwh ) = CE  [CE1;CE2]
9c).Cost combustibil (lei / litru) = CC [CC1;CC2]
10).Consum forţă de muncă (zile-om/ vacă plus viţel sugar) = QZ  [QZ1;QZ2]
11).Cost forţă de muncă (lei/zi-om) = CZ  [CZ1;CZ2]
12). Cota parte-cheltuieli neproductive(taxe,impozite,TVA,rambursări
de credite,amortismente,etc) şi neprevăzute(prime pentru asigurări de
calamităţi) din cheltuieli de producţie = PN  [PN1;PN2]
13a).Producţie medie zilnică de lapte (litri/cap vacă.zi) = YL  [YL1;YL2]
13b).Coeficient mediu zilnic de grăsime în lapte (%) = CG  [CG1;CG2]
13c).Coeficient mediu zilnic de proteină în lapte (%) = CP  [CP1;CP2]
14).Preţ vânzare lapte (lei/litru) = PL  [PL1;PL2]
15a).Greutate adultă reformată (Kg) = GR  [GR1;GR2]
15b).Greutate viţel la înţărcarea sa (Kg) = GV  [GV1;GV2]
16a).Preţ vânzare adultă reformată (lei/Kg) = PR  [PR1;PR2]
16b).Preţ vânzare viţel la înţărcarea sa (lei / Kg) = PV  [PV1;PV2]
17).Cantitate medie zilnică gunoi de grajd vacă plus viţel sugar (Kg /cap) = QG  [QG1;QG2]
18).Preţ vânzare gunoi de grajd (lei /Kg ) = PG  [PG1;PG2]

REZULTATE

I. PRODUCŢII TOTALE

19a).Număr capete vaci la începutul lactaţiei: NAI = SC.DC

19b).Număr capete viţei sugari la începutul lactaţiei: NVI = NAI.FE
20a). Număr capete vaci la sfârşitul lactaţiei: NAL = NAI.(1 – RE)
20b).Număr capete viţei sugari la înţărcarea lor: NVL = NVI.VI
21a).Producţia totală de lapte(litri) : YT = NAL.(DS.YL – DV.QV)
21b).Producţia totală de unt(Kg) : YU = YT.CG
21c).Producţia totală de proteină(Kg) : YP = YT.CP
22).Cantitate totală de gunoi de grajd(Kg) : GT = NAL.QG.DS
23).Venit total(lei) : VT = YT.PL + NAI.RE.GR.PR + NVL.GV.PV + GT.PG
Avem VT = [ DC.(1 - RE).(DS.YL – DV.QV).PL + DC.RE.GR.PR + DC.FE.VI.GV.PV +
+ DC.(1-RE)QG.DS.PG ]
24a) Cheltuieli cu furajarea : CFT = NAL.QF.DS.CF+NVL.QV.DV.PL
24b).Cheltuieli materiale : CM = NAL.QF.DS.CF + NVL.QV.DV.PL + NAI.CVA+
 341
+NVI.CVV+QA.DS.CA +QE.DS.CE +QC.DS.CC
25).Cheltuieli forţă de muncă (lei) : CO = QZ.(NAL+NVL).CZ
26).Cheltuieli de producţie (lei) : CH = CM + CO
27).Cheltuieli totale(lei) : CT = CH.(1 + PN)
Avem CT = {SC.DC.(1-RE).QF.DS.CF+SC.DC.FE.VI.QV.DV.PL+
SC.DC.CVA+SC.DC.FE.CVV+QA.DS.CA+QE.DS.CE+QC.DS.CC+
+QZ[SC.DC.(1-RE)+SC.DC.FE.VI].CZ}.(1+PN)
28).Profit total (lei) : PT = VT – CT

II. INDICATORI MEDII AI PRODUCŢIEI

29). Producţia principală unitară (litri lapte / cap de vacă ) : YPU = DS.YL – DV.QV
30). Producţia principală minimă (litri lapte / cap de vacă ) care aduce profit :
YTP = (CT – NAI.RE.GR.PR – NVL.GV.PV – GT.PG) / (NAL.PL)
31).Costul producţiei (lei/litru lapte) : CPP = CT/YT

III. INDICATORI AI PROFITULUI

32).Rata medie a profitului (lei profit/ 1 leu cheltuit) : RMP = PT / CT

33).Rata marginală a profitului (lei creştere profit / 1 leu creştere cheltuieli):
RDP = (V1 – 1 +2.V2.CT)
34).Elasticitatea ratei profitului (procente creştere profit / 1 % creştere cheltuieli ) :
ERP = RDP / RMP

Toate datele de intrare sunt cuprinse în intervale de valori ,date de tehnologie,

cu excepţia suprafeţei spaţiului de cazare vaci plus viţei sugari de la punctul 1) care este constantă .
Pentru a calcula producţiile de la punctele 19a) – 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)

Calculul ratei marginale a profitului de la punctul 33).

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

VACI CU LAPTE PLUS VIŢEI SUGARI

 342

Nr. Mărimea Minimă Aleasă Maximă

1) SC 1000 1000 1000
2a) DS 290 300 310
2b) DV 90 95 100
3) DC 0.1 0.15 0.2
4a) FE 0.94 0.96 0.98
4b) RE 0.05 0.06 0.08
4c) VI 0.85 0.92 0.95
5a) CVA 0.4 0.5 0.5
5b) CVV 0.5 0.7 0.7
6a) QF 40 42 50
6b) QV 5 6 8
7) CF 0.1 0.15 0.15
8a) QA 5000 6000 7000
8b) QE 18 20 22
8c) QC 8 10 12
9a) CA 0.0025 0.003 0.0035
9b) CE 0.18 0.2 0.22
9c) CC 2.8 3 3.2
10) QZ 9 10 11
11) CZ 14 15 16
12) PN 0.12 0.14 0.16
13a) YL 16 19 20
13b) CG 0.03 0.04 0.04
13c) CP 0.04 0.05 0.05
14) PL 1.6 1.8 1.8
15a) GR 500 550 600
15b) GV 70 80 90
16a) PR 6 6.5 7
16b) PV 7 7.5 8
17 QG 10 11 12
18 PG 0.01 0.011 0.012

REZULTATE :

19a) NAI = 150 capete vaci la începutul seriei

19b) NVI = 144 capete viţei la începutul seriei
20a) NAL = 141 capete vaci la sfârşitul seriei
20b) NVL = 132 capete viţei la sfârşitul seriei
21a) YT = 723330 litri lapte = 7233.3 hectolitri lapte
21b) YU = 28933 Kg unt
21c) YP = 36166 Kg proteină
22) GT = 465300 Kg gunoi = 465.3 tone gunoi
23). VT = 1418775 lei
24a). CFT = 402414.5 lei
24b). CM = 418194.5 lei
 343
25). CO = 41022 lei
26). CH = 459216.6 lei
27). CT = 523506.9 lei
28). PT = 895268.4 lei
29). YTU = 5130 litri lapte / cap de vacă
30). YTP = 1602 litri lapte / cap de vacă aduc profit
31). CPP = 0.7237 lei cheltuieli / 1 litru lapte
32). RMP = 1.71 lei profit / 1 leu cheltuit
33). RDP = 0.092 lei creştere profit / 1 leu creştere de cheltuieli
( V1 = 3.344314 ; V2 = - 1.360042 x 10 – 6 )
34). ERP = 0.54 % creştere profit / 1 % creştere cheltuieli

Concluzie : această variantă tehnico-economică este în zona de saturaţie a producţiei , în stânga

optimului economic.
Programul de calculator LAPTELE face aceste calcule .

11.2.2 Analiza economică a sistemului producţiei de carne

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

1).Suprafaţa spaţiului de cazare (m2) = SC

2).Durata medie a seriei (zile) = DS  [DS1;DS2]
3).Densitatea în spaţiul de cazare (capete/ m2 ) = DC [DC2;DC2]
4).Procent viabilitate ( % ) = VI  [VI1;VI2]
5).Cost igienizare (lei/ m2) = CI  [CI1;CI2]
6).Costuri veterinare medii (lei/cap = CV  [CV1;CV2]
7).Consum mediu zilnic de amestec de furaje (kg/cap.zi) = QF  [QF1;QF2]
8).Cost mediu amestec de furaje (lei/kg) = CF  [CF1 ;CF2]
9a).Consum mediu zilnic de apă (adăpat plus consum tehnologic) (litri/zi) = QA  [QA1;QA2]
9b).Consum mediu zilnic de curent electric(Kwh / zi) = QE  [QE1;QE2]
9c).Consum mediu zilnic de combustibil(transport tehnologic)(litri / zi) = QC [QC1 ;QC2]
10a).Cost apă (lei/litru) = CA  [CA1 ;CA2]
10b).Cost curent electric(lei /Kwh ) = CE  [CE1;CE2]
10c).Cost combustibil (lei / litru) = CC [CC1;CC2]
11).Consum forţă de muncă (zile-om/ cap) = QZ  [QZ1;QZ2]
12).Cost forţă de muncă (lei/zi-om) = CZ  [CZ1;CZ2]
13). Cota parte-cheltuieli neproductive(taxe,impozite,TVA,rambursări de credite,amortismente,etc)
şi neprevăzute(prime pentru asigurări de calamităţi) din cheltuieli de producţie = PN  [PN1;PN2]
14).Spor mediu zilnic în greutate (Kg/cap.zi) = SG  [SG1;SG2]
15).Preţ vânzare carne în viu (lei/Kg) = PV  [PV1;PV2]
16).Cantitate medie zilnică gunoi de grajd (Kg /cap) = QG  [QG1;QG2]
17).Preţ vânzare gunoi de grajd (lei /Kg ) = PG  [PG1;PG2]
 344
REZULTATE

I. PRODUCŢII TOTALE

18).Număr capete la începutul seriei: NI = SC.DC

19). Număr capete livrate: NL = NI.VI
20).Greutate carne livrată în viu (Kg) : GL = NL.SG.DS
21).Cantitate totală de gunoi de grajd(Kg) : GT = NL.QG.DS
22).Venit total(lei) : VT =GL.PV + GT.PG
Avem VT = DC.VI.SG.DS.PV+DC.VI.QG.DS.PG).SC
23). Cheltuieli cu furaje : CFT = NL.QF.DS.CF
24).Cheltuieli materiale : CM = NL.QF.DS.CF +CI.SC+CV.NI+
+QA.DS.CA+QE.DS.CE+QC.DS.CC
25).Cheltuieli forţă de muncă (lei) : CO = QZ.NL.CZ
26).Cheltuieli de producţie (lei) : CH = CM + CO
27).Cheltuieli totale(lei) : CT = CH.(1 + PN)
Avem CT = (DC.SC.VI.F.DS.CF+CI.SC+CV.DC.SC+QA.DS.CA+
+QE.DS.CE+QC.DS.CC+QZ.DC.SC.VI.CZ).(1+PN)
28).Profit total (lei) : PT = VT – CT

II. INDICATORI MEDII AI PRODUCŢIEI

29. Greutatea individuală medie la livrare (Kg / cap) : GML = SG.DS
30). Greutatea individuală minimă (Kg / cap) care aduce profit :
GIL = (CT – GT.PG)/(NL.PV)
31).Costul producţiei (lei/Kg carne) : CPP=CT/GL

III. INDICATORI AI PROFITULUI

32).Rata medie a profitului (lei profit / 1 leu cheltuit) : RMP = PT / CT

33).Rata marginală a profitului (lei creştere profit / 1 leu creştere cheltuieli):
RDP = V1 – 1 +2.V2.CT
34).Elasticitatea ratei profitului (procente creştere profit / 1 % creştere cheltuieli ) :
ERP = RDP / RMP

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)

Calculul ratei marginale a profitului de la punctul 33).

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

Nr. Mărimea Minimă Aleasă Maximă

1 SC 1000 1000 1000
2 DS 700 750 800
3 DC 0.1 0.1 0.2
4 VI 0.90 0.92 0.95
5 CI 1 1.1 1.2
6 CV 1.5 1.6 1.8
7 QF 18 20 22
8 CF 0.1 0.14 0.2
9a) QA 5000 5200 6000
9b) QE 9 10 12
9c) QC 10 12 14
10a) CA 0.002 0.0025 0.003
10b) CE 0.18 0.19 0.2
10c) CC 2.8 3 3.2
12 QZ 7 8 9
13 CZ 15 15 16
14 PN 0.10 0.12 0.14
15 SG 0.5 0.6 0.7
16 PV 7 8 8
17 QG 8 9 10
18 PG 0.012 0.013 0.014

REZULTATE :

18) NI = 100 capete tăuraşi la începutul seriei

19) NL = 92 capete tăuraşi la sfârşitul seriei
20) GL = 41400 Kg carne în viu
21) GT = 621000 Kg gunoi = 621 tone gunoi
22). VT = 339273 lei
23). CFT = 193200 lei
24). CM = 232635 lei
25). CO = 11040 lei
26). CH = 243675 lei
27). CT = 272916 lei
28). PT = 66357 lei
29). GML = 450 Kg / cap
30). GIL = 359.84 Kg / cap aduc profit
31). CPP = 6.5922 lei cheltuieli / 1 Kg carne în viu
32). RMP = 0.2431 lei profit / 1 leu cheltuit
33). RDP = 0.1719 lei creştere profit / 1 leu creştere de cheltuieli
( V1 = 1.43902 ; V2 = - 4.894493x 10 – 7 )
 346
34). ERP = 0.71 % creştere profit / 1 % creştere cheltuieli

Concluzie : această variantă tehnico-economică este în zona de saturaţie a producţiei , în stânga

optimului economic.
Programul de calculator TĂURAŞUL face aceste calcule .

2. PORCI LA ÎNGRĂŞAT

Nr. Mărimea Minimă Aleasă Maximă

1 SC 2000 2000 2000
2 DS 230 240 250
3 DC 0.4 0.4 0.5
4 VI 0.80 0.85 0.86
5 CI 0.01 0.011 0.012
6 CV 1.5 1.6 1.8
7 QF 3 3.5 4
8 CF 0.4 0.45 0.5
9a) QA 5000 6000 7000
9b) QE 12 13 14
9c) QC 10 11 12
10a) CA 0.0025 0.0026 0.003
10b) CE 0.15 0.2 0.25
10c) CC 2.8 3 3.2
11 QZ 3 4 5
12 CZ 14 15 16
13 PN 0.10 0.12 0.14
14 SG 0.4 0.5 0.6
15 PV 5.5 6 6.5
16 QG 2 3 4
17 PG 0.01 0.011 0.012

REZULTATE :

18) NI = 800 capete porci la începutul seriei

19) NL = 680 capete porci la sfârşitul seriei
20) GL = 81600 Kg carne în viu
21) GT = 489600 Kg gunoi = 489.6 tone gunoi
22). VT = 494985.7 lei
23). CFT = 257040 lei
24). CM = 270630 lei
25). CO = 40800 lei
26). CH = 311430 lei
27). CT = 348801.6 lei
28). PT = 146184 lei
29). GML = 120 Kg / cap porc
30). GIL = 84.17 Kg / cap porc aduc profit
31). CPP = 4.2745 lei cheltuieli / 1 Kg carne în viu
32). RMP = 0.4191 lei profit / 1 leu cheltuit
 347
31). RDP = 0.4595 lei creştere profit / 1 leu creştere de cheltuieli
( V1 = 1.347157 ; V2 = 1.611347 x 10 – 7 )
32). ERP = 1.1 % creştere profit / 1 % creştere cheltuieli

Concluzie : această variantă tehnico-economică este în zona de expansiune a producţiei .

Programul de calculator PORCUL face aceste calcule .

3. PUI DE CARNE

Nr. Mărimea Minimă Aleasă Maximă

1 SC 2000 2000 2000
2 DS 40 45 50
3 DC 10 12 15
4 VI 0.85 0.88 0.90
5 CI 0.5 0.55 0.6
6 CV 0.1 0.11 0.12
7 QF 0.08 0.09 0.13
8 CF 0.4 0.45 0.5
9a) QA 1000 1100 1200
9b) QE 10 12 15
9c) QC 5 6 8
10a) CA 0.0015 0.0018 0.0025
10b) CE 0.18 0.2 0.22
10c) CC 2.8 3 3.2
11 QZ 0.005 0.006 0.007
12 CZ 14 14.5 15
13 PN 0.10 0.12 0.14
14 SG 0.030 0.035 0.040
15 PV 5.5 5.8 6
16 QG 0.04 0.05 0.06
17 PG 0.01 0.011 0.012

REZULTATE :

18). NI = 24000 capete pui la începutul seriei

19). NL = 21120 capete tăuraşi la sfârşitul seriei
20). GL = 33264 Kg carne în viu
21). GT = 47520 Kg gunoi = 47.52 tone gunoi
22). VT = 193453.9 lei
23). CFT = 38491.2 lei
24). CM = 43238.3 lei
25). CO = 1837.44 lei
26). CH = 45075.74 lei
27). CT = 50484.83 lei
28). PT = 142969.1 lei
29). GML = 1.58 Kg / cap pui
30). GIL = 0.41 Kg / cap de pui aduc profit
31). CPP = 1.5177 lei cheltuieli / 1 Kg carne în viu
 348
32). RMP = 2.8319 lei profit / 1 leu cheltuit
33). RDP = 2.0454 lei creştere profit / 1 leu creştere de cheltuieli
( V1 = 4.161872 ; V2 = - 1.105736 x 10 – 5 )
34). ERP = 0.72 % creştere profit / 1 % creştere cheltuieli
Concluzie : această variantă tehnico-economică este în zona de saturaţie a producţiei , în stânga
optimului economic.
Programul de calculator PUIUL face aceste calcule .

11.3 Balanţa legăturilor între ramuri

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

Aceste relaţii permit calculul profiturilor pe ramuri consumatoare P1,…,Pn ca diferenţe :

Pj = Vj – ( CI1j+… + CInj + Cj ) (j = 1,…,n)

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 :

Ramuri Cheltuieli directe FDM FCM RMD

producătoare (AL)
RP1 AL11…….AL1n FDM1 FCM1 RMD1
. . . . . .
. . . . . .
. . . . . .
RPn ALn1……...ALnn FDMn FCMn RMDn

Am obţinut :
I. Matricea cheltuielilor directe pe linii ( AL) :
AL11 = CI11 / V1 ,…, AL1n = CI1n / V1
………………………………………
ALn1 = CIn1 / Vn ,…, ALnn = CInn / Vn

II. Coloana fondurilor de dezvoltare medii (FDM) :

FDM1 = FD1 / V1 ,…, FDMn = FDn / Vn

III. Coloana fondurilor de consum medii (FCM) :

FCM1 = FC1 / V1 ,…, FCMn = FCn / Vn

Coloana ratelor medii de dezvoltare a ramurilor (RMD) se obţine astfel :

RMD1 = FD1 / FC1 ,…, RMDn = FDn / FCn

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.

2e) Pentru ramuri consumatoare , se împarte fiecare coloană a balanţei de

referinţă la capul de coloană şi se obţine tabelul :

Ramuri consumatoare RC1…………………………………RCn

AC11………………………………..AC1n
. .
Cheltuieli directe (AC) . .
. .
ACn1………………………………..ACnn
CM CM1………………………………..CMn

PM PM1………………………………...PMn
RMP RMP1…..…………………………..RMPn

Am obţinut :
IV. Matricea cheltuielilor directe pe coloane (AC) :

AC11 = CI11 / V1 , …, AC1n = CI1n / Vn

 351
……………………………………….
ACn1 = CIn1 / V1 , …, ACnn = CInn / Vn

V. Linia cheltuielilor medii (CM) :

CM1 = C1 / V1 , …, CMn = Cn / Vn

VI. Linia profiturilor medii (PM) :

PM1 = P1 / V1 , …, PMn = Pn / Vn

Linia ratelor medii ale profitului (RMP) se obţine astfel :

RMP1 = P1 / C1 , …, RMPn = Pn / Cn

Cea mai rentabilă ramură consumatoare în anul de referinţă este aceea cu

rata medie a profitului cea mai mare .

3) Planificarea balanţei legăturilor între ramuri pentru anul urmîtor (balanţa-plan):

3f) Matricea dezvoltării ramurilor producătoare este ( E – A )-1 .

Există un program cu numele INVMAT pentru calculu acestei matrici
inverse ( Vezi Anexa 1 din lucrarea autorului “ Matematici (I) “ din bibliografie ).

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

Aici VFP este vectorul-coloană cu n componente VFP1,…,VFPn .

VP va fi vector-coloană cu n componente VP1,…,VPn .
Fie VPT = VP1 + … + VPn .
3i) Completăm balanţa planificată şi pentru ramurile consumatoare prin înmulţirea coloanelor din
matricea AC şi linia CM de la punctul 2e) cu componentele VP1,…,VPn calculate la punctul 3h) :
Cheltuielile productive interramuri planificate vor fi :
CIP11 = AC11.VP1,…, CIP1n = AC1n.VPn
…………………………………………
CIPn1 = ACn1.VP1,…, CIPnn = ACnn.VPn

Cheltuielile planificate vor fi : CP1 = CM1.VP1,…, CPn = CMn.VPn

În acest moment balanţa planificată are completate aceleaşi rubrici ca şi balanţa de referinţă înainte
de începerea calculelor de la punctul 1) .
Fie CPT = CP1 + … + CPn ; PPT = VPT – CPT
 352
4j ) Calculăm ratele dezvoltării unităţii economice pe ansamblul ramurilor producătoare , astfel :
Rata medie a dezvoltării unităţii economice : RMDT = FDT / FCT
Mărimile FDT şi FCT au fost calculate la punctul 1c).
RMDT reprezintă suma alocată pentru fondul de dezvoltare (lei) ce corespunde unui leu alocat
pentru fondul de consum ,în balanţa de referinţă.
Rata medie a dezvoltării unităţii economice :
RDDT = (FDPT – FDT ) / (FCPT + FCT)
RDDT reprezintă suma cu care ar creşte fondul de dezvoltare (lei) dacă fondul de consum ar creşte cu
1 leu , în balanţa de referinţă.
Mărimile FDT ,FCT au fost calculate la punctul 1c) iar mărimile FDPT , FCPT au fost calculate la
punctul 3g)
Elasticitatea ratei dezvoltării unităţii : ERDT = RDDT / RMDT .
ERDT reprezintă procentele cu care ar creşte fondul de dezvoltare , dacă fondul de consum ar creşte
cu 1 % , în balanţa de referinţă.

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

1) Încheierea balanţei în anul de referinţă :

a) FC1 = 20000 – ( 2000+1000+500+2000) =14500 lei
FC2 = 18000 – (700+1500+900+1800) = 13100 lei
FC3 = 30000 – (800+1200+3000+3500) = 21500 lei
b) P1 = 2000 – (2000+700+800+8000) = 8500 lei
 353
P2 = 18000 – (1000+1500+1200+7500) = 6800 lei
P3 = 3000 – (500+900+3000+10000) = 15600 lei
c) FDT = 2000+1800+3500 = 7300 lei
FCT = 14500+13100+21500 = 49100 lei
VT = 20000+18000+30000 = 68000 lei
PT = 8500+6800+15600 = 30900 lei
Mărimile calculate la punctele 1a) – 1c) au fost trecute în balanţa de referinţă cu cifre îngroşate .

2d) Se împarte fiecare linie pentru ramuri producătoare , la capul de linie :

RP AL FDM FCM RMD

RP1 0.100 0.050 0.025 0.100 0.725 0.138
RP2 0.039 0.083 0.050 0.100 0.728 0.137
RP3 0.027 0.040 0.101 0.117 0.717 0.163

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 .

2e) Se împarte fiecare coloană pentru ramuri consumatoare , la capul de coloană :

RC RC1 RC2 RC3

0.100 0.056 0.077
AC 0.035 0.083 0.030
0.040 0.067 0.100
CM 0.400 0.417 0.333
PM 0.425 0.378 0.520
RMP 1.063 0.907 1.560

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 :

 0.900 - 0.050 - 0.025  1.115 0.062 0.034 

  ; E  AL 1   0.049 
E  AL   - 0.039 0.917 - 0.050     1.096 0.062 
 - 0.027 - 0.040 0.899   0.035 0.051 1.115 
   
 354
3g)

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)

 1.115 0.062 0.034   180   219.935 

VP   0.049 1.096 0.062  .  160    201.083 
   
 0.035 0.051 1.115   270   315.454 
    

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

4j ) Calculăm ratele dezvoltării unităţii economice pe ansamblul ramurilor producătoare , astfel :

Rata medie a dezvoltării unităţii economice : RMDT = FDT / FCT = 7300 / 49100 = 0.149 lei au
fost alocaţi pentru fondul de dezvoltare la fiecare leu care a fost alocat pentru fondul de consum .
de lei care a fost alocată pentru fondul de consum în balanţa de referinţă.
Mărimile FDT = 7300 şi FCT = 49100 u fost calculate la punctul 1c).

Rata marginală a dezvoltării unităţii economice :

RDDT = (FDPT – FDT ) / (FCPT + FCT) = (8500 – 7300) / (52500 –42100) = 0.353 lei ar fi
creşterea fondului de dezvoltare dacă fondul de consum ar creşte cu 1 leu în balanţa de referinţă.
Mărimile FDT =7300 ,0FCT = 42100 au fost calculate la punctul 1c) iar mărimile FDPT = 8500,
FCPT =52500 au fost calculate la punctul 3g)
 355
Elasticitatea ratei dezvoltării unităţii : ERDT = RDDT / RMDT = 0.353 / 0.149 = 2.4 deci fondul de
dezvoltare ar creşte cu 2.4 % , dacă fondul de consum ar creşte cu 1 % în balanţa de referinţă .

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) .

Rata marginală a profitului unităţii economice :

RDPT = ( PPT – PT) / (CPT – CT) = (33347.2 – 30900 ) / (27690.9 – 25500 ) = 1.147 lei ar fi
creşterea profitului dacă cheltuielile ar creşte cu 1 leu în balanţa de referinţă .
Mărimile PT =30900, CT = 25500 au fost calculate la punctul 1c) iar mărimile PPT = 33347.2 ,
CPT = 27690.9 au fost calculate la punctul 3i) .

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 .

11.4 Concentrarea şi diversificarea producţiei agricole pe ramuri

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

1) Avem 1 / n1 / 2 ≤ F ≤ 1 . F = 1 / n1 / 2 pentru concentrarea minimă şi F = 1 pentru concentrarea maximă .

2) Dacă n = constant , F creşte odată cu concentrarea .
3) Dacă n creşte , F scade iar dacă n scade , F creşte .

Demonstraţie

1) Evident n.∑(fi – 1 / n )2 = n. ∑fi2 – 1 ≥ 0 deci ∑fi2 ≥ 1 / n aşa că F ≥ 1 / n1 /2 .

Avem 1 = (∑ fi )2 = ∑fi2 + 2. ∑∑fj.fk şi cum fj , fk ≥ 0 rezultă 2. ∑∑fj.fk ≥ 0 deci ∑fi2 ≤ 1 aşa că F ≤ 1 .
Pentru concentrarea minimă avem f1 = … = fn = 1 / n deci ∑fi2 = ∑ 1 / n1 /2 = n. ( 1 / n2 ) = 1 / n aşa că
F = 1 / n1 / 2 .
Pentru concentrarea maximă avem fi = 1 şi fj = 0 pentru j ≠ i deci ∑fi2 = 1 aşa că F = 1 .
2) Fie fi > fj şi fie fi’ = fi + t ; fj’ = fj – t ;(t > 0) ; fk’ = fk pentru orice k ≠ i , j deci
 356
concentrarea creşte deoarece – = (fi – fj )+ 2.t deci fi’ – fj’ > fi – fj .
fi’ fj’
Deasemenea avem (fi’)2 = fi2 + 2.t.fi + t2 ; (fj’)2 = fj2 + 2.t.fj + t2 deci (fi’)2 + (fj’)2 = =(fi2 + fj2) + 2.t.(fi – fj ) +
2
2.t şi cum fi - fj > 0 , t > 0 rezultă :
(fi’)2 + (fj’)2 > fi2 + fj2 şi (fk’)2 = fk2 pentr k ≠ i , j deci F creşte .
3) Dacă ramura k se separă în ramurile i şi j , fk se înlocuieşte cu fi+ fj iar
fk2 = fi2 + fj2 + 2.fi .fj > fi2 + fj2 deci F scade . Q.E.D.
Un indicator al concentrării producţiei agricole pe ramuri care este şi standardizat,
este F* = [( n1 /2 ).F - 1] / [( n1 /2 ) - 1] . Este vizibil că 0 ≤ F* ≤ 1 .
Un indicator al diversificării structurii pe ramuri este 1 – F respectiv 1 – F* .
Un alt indicator al diversificării structurii pe ramuri este entropia structurii :
H = - Σ fi.log2 fi
Valorile lui - fi.log2 fi se obţin din tabela de la sfârşitul lucrării .
H are proprietăţi inverse celor ale lui F :
1) 0 ≤ H ≤ log2 n
H = 0 pentru diversificarea minimă adică concentrarea maximă :
fi = 1 ; fj = 0 pentru j ≠ i .
H = log2 n pentru diversificarea maximă adică concentrarea minimă :
f1 =…= fn = 1 / n
2) Dacă n = constant , H creşte odată cu diversificarea .
3) Dacă n creşte , H scade iar dacă n scade , H creşte .
O măsură a diversificării , care este şi standardizată , este H* = H / (log2 n).
Evident 0 ≤ H* ≤ 1 .Entropia H a fost prezentată şi în secţiunea 2.1

În cazul unui grup de m unităţi agricole a câte n ramuri fiecare , avem tabloul
veniturilor anuale :

Ramuri → R1 …………………………….Rn Sume pe unităţi agricole

Unităţi agricole ↓
U1 V11……………………………..V1n V1.
. . . .
. . . .
. . . .
Um Vm1……………………………..Vmn Vm.
Sume pe ramuri V.1 …………………………….V.n VT

Împărţind toate veniturile din tabel cu VT , avem cotele-părţi ale unităţilor agricole şi ramurilor :

Ramuri → R1 …………………………….Rn Sume pe unităţi agricole

Unităţi agricole ↓
U1 f11………………………………f1n F1.
. . . .
. . . .
. . . .
Um fm1…………………………….fmn fm.
Sume pe ramuri f.1 …………………………….f.n 1

Avem următorii coeficienţi de concentrare a producţiei :

1) Coeficientul de concentrare a producţiei grupului , pe unităţi şi pe ramuri :
 357

m n
2
Ft   f
i 1 j1
ij

2) Coeficientul de concentrare a producţiei grupului , pe unităţi :

m
2
Fu  f i 1
i.

3) Coeficientul de concentrare a producţiei grupului , pe ramuri :

n
2
Fr  f
j1
.j

Avem 1 / (m.n)1 / 2 ≤ Ft ≤ Fu , Fr ≤ 1

În cazul a două structuri pe ramuri cu vectorii de structură :

f = ( f1 ,…,fn ) ; g = ( g1,…,gn ) ; 0 ≤ fi , gi ≤ 1 , ∑fi = ∑ gi = 1
şi cu coeficienţii de concentrare structurală :
F = ( f12 + … + fn2 )1 /2 ; G = ( g12 + … + gn2 )1 / 2
, avem coeficientul de corelaţie a concentrării pe ramuri : C = ( f1.g1 +… + fn.gn ) 1 / 2
Avem 0 ≤ C ≤ (F.G )1 / 2

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

Avem de optimizat funcţia HT = ∑ai.fi2 + ∑bi.fI cu legătura f1+…+fn =1 .

Formăm funcţia Lagrange : L = H – λ.( Σfi – 1 )
Avem : ∂L / ∂fi = 2.ai.fi + bi – λ = 0 ( i = 1,…,n ) aşa că fi = - (bi – λ) / (2.ai) şi cum Σfj = 1, rezultă :
n  b 
 N 1 j
.      1 de unde rezultă :
2 J 1 a j j1  2a j 
n  b  n  b 
j j
1    1    
 
j1  2.a j   bi 1 
j1  2.a j 
  2. n
deci f ic   . n
; ( i= 1,...,n)
1 2.a i a i 1
j1 a j
j1 a j

b i 1 1  (f10  ...  f n0 )
Cum fi0  rezultă f ic  fi0  . ; (i= 1,...,n)
2.a i ai 1 1
 ... 
a1 an

adică coordonatele punctului staţionar fc = (f10,…,fn0 ) pentru funcţia Lagrange .

Se verifică faptul că fc este punct de minim / maxim pentru funcţia HT după cum
ai > 0 , bi < 0 respectiv ai < 0 , bi > 0 ( i = 1,…,n) .
Termenul :
 359

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

1. Ce semnificaţie au indicatorii producţiei agricole în analiza tehnico-economică a producţiei

agricole ?
2. Ce semnificaţie au indicatorii profitului în analiza tehnico-economică a producţiei
agricole ?
3. Care sunt etapele principale de analiză şi planificare a producţiei agricole prin balanţa legăturilor
între ramuri ?
4. Cum se evaluează şi se optimizează concentrarea şi diversificarea producţiei agricole pe ramuri ?

11.7 Bibliografie

1. Stănăşilă O. “ Analiză liniară şi geometrie “Vol. I - II,Editura ALL ,2000 - 2001

2. Cenuşă Gh. şi col.“ Matematici pentru economişti “ Editura CISON,2000
3. Cenuşă Gh. şi col.“ Matematici pentru economişti –culegere de probleme“ Editura CISON,2000
4. Ene D. “ Matematici (I) “ Editura CERES , 2004
5. Gogonea S. , Ene D. “ Analiză numerică “ Editura Cartea Universitară , 2005
6. Ene D.,Gogonea S. “Metode numerice” Editura Cartea Universitară , 2005