Curs2021 Mat Apl Final

1.
MODELE LINIARE
1.1. Programare liniară. Modele economice
In domeniul cercetării operaţionale, programarea liniară a ieşit ı̂n evidenţă prin

aplicaţiile sale practice multiple şi a metodelor clare de rezolvare. Programarea
liniară se situează ı̂n cadrul mai larg al modelării matematice, având particulari-
tatea că restricţiile şi funcţia scop sunt funcţii liniare.
Definiţia 1.1. O problemă de programare liniară (p.p.l.) are următoarea formă

standard 

 a11 x1 + a12 x2 + .... + a1n xn = b1

 a x + a x + .... + a x = b
21 1 22 2 2n n 2 xj ≥ 0


 ................................................. j = 1, n

am1 x1 + am2 x2 + .... + amn xn = bm
(max) sau (min) f (X) = c1 x1 + c2 x2 + ... + cn xn
şi este compusă dintr-un sistem liniar de restricţii şi o funcţie scop, care trebuie
maximizată sau minimizată.
Sub formă restrânsă, o p.p.l. se poate scrie

n
P
aij xj = bi , xj ≥ 0, j = 1, n, i = 1, m
j=1
n
P
(max)sau(min)f (X) = c j xj
j=1
Din motive de natură economică şi algoritmică se impun condiţii de pozitivitate

asupra variabilelor xj ≥ 0, j = 1, n. Dacă xk ≤ 0 atunci notăm yk = −xk ≥ 0, iar
dacă nu are restricţii de semn atunci se va scrie xk = yk − yk+1 , yk ≥ 0, yk+1 ≥ 0.
Remarca 1.1. Modelul matematic al unei probleme de programare liniară este

ı̂n general de forma
n
P ≤
aij xj = bi , xj ≥ 0, j = 1, n, i = 1, m
j=1 ≥
n
P
(max) sau (min)f (X) = c j xj
j=1
dar orice restricţie, care nu este de tip egalitate, poate fi adusă la forma unei
egalitaţi, fie prin adăugarea unei variabile pozitive (când avem semnul ≤), fie prin
scăderea unei variabile pozitive (când avem semnul ≥).
Vom enumera ı̂n continuare câteva exemple de probleme economice ce prezintă
o modelare matematică liniară.
Exemplul 1.1. Probleme de planificare optimă a producţiei
Se consideră o unitate economică unde există m tipuri de resurse (materie
primă, forţă de muncă, resurse financiare, etc.) notate cu Ri , ı̂n cantităţile bi
(i = 1, m). Cu ajutorul acestor resurse pot fi realizate produsele Pj , j = 1, n.
Beneficiul obţinut pe unitatea de produs Pj este notat cj . Unitatea doreşte să-şi
planifice resursele şi producţia astfel ı̂ncât beneficiul final să fie maxim.
Dacă notăm cu xj cantitatea din produsul Pj ce trebuie fabricat astfel ı̂ncât
beneficiul total să fie maxim şi prin aij cantitatea din resursa Ri folosită la fabri-
carea unei unităţi din produsul Pj , modelul matematic al problemei este
n
P
aij xj ≤ bi , xj ≥ 0, j = 1, n, i = 1, m
j=1
n
P
(max) f (X) = c j xj
j=1
Matricea A = (aij )i=1,m,j=1,n se mai numeşte şi matricea coeficienţilor tehnologici,

iar valorile sale se determină prin observări şi măsurări ale fenomenului studiat.
Pentru a aduce această p.p.l. la forma standard este necesar să adăugăm câte o
nouă variabilă, fictivă (de compensare) xn+i ≥ 0, i = 1, m la fiecare inecuaţie din
sistemul de restricţii, deoarece toate au semnul ≤. In acest fel se obţine forma
standard n
P
aij xj + xn+i = bi , xj ≥ 0, xn+i ≥ 0, i = 1, m
j=1
n
P
(max) f (X) = cj xj
j=1
Variabilele xn+i ≥ 0, din programul de producţie, reprezintă ı̂n acest caz cantitatea
din fiecare tip de resursă care rămâne disponibilă (neutilizată) ı̂n procesul de
producţie, pe ciclul de fabricaţie. Introducerea acestor variabile (produse fictive)
nu schimbă funcţia de eficientă, atribuindu-le beneficii nule.
Exemplul 1.2. Repartizarea optimă a sarcinilor de producţie
Mai multe tipuri de utilaje, notate Uj (j = 1, m) pot produce cu costuri diferite
aceleaşi produse, notate Pi (i = 1, n) ı̂n funcţie de tehnologiile de care dispun.
Activitatea productivă este caracterizată de următoarele date:
aij - timpul necesar pentru fabricarea unei unităţi de produs de tipul Pi pe
utilajul Uj .
cij - costul de fabricare a unei unităţi de produs de tipul Pi pe utilajul Uj .
bi - cantitatea planificată pentru a fi fabricată din produsul Pi
ti - timpul disponibil de lucru pe utilajul Ui .
2
Dacă notăm cu xij cantitatea din produsul Pi ce urmează să se fabrice pe
utilajul Uj , astfel ı̂ncât cheltuielile de producţie să fie minime, atunci modelul
matematic al problemei va fi
m
P
xij = bi , xij ≥ 0, i = 1, n, j = 1, m
j=1
Pn
aij xij ≤ tj , j = 1, m
i=1
m P
P n
(min)f = cij xij ,
j=1i=1
Exemplul 1.3. Probleme de distribuţie optimă - problema transpor-

turilor
In m centre de producţie (furnizori), notate Fi , i = 1, m există un anumit tip
de produs, ı̂n cantităţile disponibile Di , i = 1, m, care este necesar ı̂n k centre
consumatoare (beneficiari), notate Bj , j = 1, k ı̂n cantităţile Nj , j = 1, k. Se
cunosc costurile unitare de transport de la fiecare furnizor Fi la fiecare beneficiar
Bj notate cij . Se cere să se determine un plan optim de transport astfel ı̂ncât să se
asigure cantităţile necesare ı̂n centrele consumatoare, la un cost total de transport
minim.
Dacă notăm cu xij cantitatea de produs transportată de la furnizorul Fi la

beneficiarul Bj avem următorul model matematic
k
P
xij = Di , i = 1, m
j=1
Pm
xij = Nj , j = 1, k
i=1
k P
P m
(min)f = cij xij .
j=1i=1
1.2. Sisteme liniare

1.2.1. Metoda de rezolvare Gauss-Jordan
Deoarece modelul matematic al unei p.p.l. este reprezentat de sistemele liniare,

ne vom ocupa ı̂n continuare de rezolvarea acestora. Să considerăm un sistem de
3
m ecuaţii liniare cu n variabile xj , (j = 1, n) de coeficienţi reali aij , (i = 1, m) şi
cu termeni liberi reali bi , de forma


 a11 x1 + a12 x2 + .... + a1n xn = b1

 a21 x1 + a22 x2 + .... + a2n xn = b2
(1.1)


 ·································

am1 x1 + am2 x2 + .... + amn xn = bm
(0) (0) (0)
Vom nota aij cu aij şi bi cu bi (datele iniţiale). Alegem un coeficient, aij 6= 0
(0)
numit pivot, şi ı̂mpărţim ecuaţia ce-l conţine cu aij , rezultă
(0) (0) (0) (0)
ai1 aik ain bi
(0)
x1 + ... + 1xj + ... + (0)
xk + ... + (0)
xn = (0)
(1.2)
aij aij aij aij
Notăm coeficienţii din (2) prin

(0) (0)
(1) aik (1) (1) bi
aik = (0)
, k = 1, n, k 6= j, aij = 1, bi = (0)
(1.3)
aij aij
(1) n
P (1)
Din (2) rezultă xj = bi − aik xk , k 6= j care ı̂nlocuit ı̂n restul ecuaţiilor din
k=1
(1) (eliminarea totală a lui xj ) şi reducând termenii asemenea, conduce la
(1) (1)
ar1 x1 + ... + 0xj + ... + ark + ... + a(1) (1)
rn xn = br , r = 1, m, r 6= i (1.4)
(1) (0) (0) (1) (0) (1) (1)

ark = ark − arj aik ; b(1) (0)
r = br − arj bi ; arj = 0 (1.5)
Deci din sistemul (1) se obţine sistemul echivalent, format din ecuaţiile (2),
(4), cu noii coeficienţi a(1) , b(1) daţi de (3) şi (5). Practic, această eliminare se face
după următorul algoritm:
- se alege un pivot aij 6= 0.
- coeficienţii de pe coloana pivotului se ı̂nlocuiesc cu 0.
- coeficienţii de pe linia pivotului se ı̂nlocuiesc cu raportul dintre ei şi pivot.
(0)
- coeficienţii care nu sunt pe linia sau coloana pivotului ark (r 6= i, k 6= j), b(0) r
(1)
(r 6= i) se ı̂nlocuiesc cu ark , b(1)r daţi de regula dreptunghiului
(0) (0) (0) (0) (0) (0) (0)
(1) ark arj − arj aik b(0)
r aij − arj bi
ark = (0)
, b(1)
r = (0)
aij aij
4
de exemplu  ¯ 
a11 a12 ... a1j ... a1n ¯ b1
¯

 a21 a22 ... a2j ... a2n ¯
¯ b2 

 ¯ ∼
 ... ... ... ... ... ... ¯
¯ ... 
am1 am2 ... amj ... amn ¯ bm
 ¯ 
a11 a2j -a21 a1j a12 a2j -a22 a1j a1n a2j -a1j a2n ¯ b1 a2j -b2 a1j
.. 0 .. ¯
 ¯ 
 a2j a2j a2j ¯ a2j 
 a21 a22 a2n ¯ 
 ¯ b2 
 .. 1 .. ¯ 
 a2j a2j a2j ¯ a2j 
 ¯ 
 ... ... .. 0 .. ... ¯ ... 
 ¯ 


am1 a2j -a21 amj am2 a2j -a22 amj amn a2j -a2n amj ¯
¯ bm a2j -b2 amj


.. 0 .. ¯
a2j a2j a2j ¯ a2j
Se continuă procedeul, alegând un alt pivot dintr-o ecuaţie neconsiderată până
la acest pas. Procedeul se continuă până la un pas p, până când ı̂n restul ecuaţiilor
nu mai există coeficienţi nenuli, sau până la p = m. In primul caz sistemul poate
fi scris matriceal, sub forma
( (p) (p)
EXB + AS XS = B1
(p)
0XS = B2
unde E este matricea unitate asociată variabilelor ai căror coeficienţi au fost aleşi
(p) (p)
ca pivoţi. Evident, dacă B2 6= 0 sistemul este incompatibil. Dacă B2 = 0
atunci sistemul este compatibil nedeterminat şi soluţia generală rezultă din
(p) (p)
sistemul EXB + AS XS = Ã B1 format! din p ecuaţii principale (p < m), adică
(p) (p) X B
XB = B1 − AS XS ; X = ; XS fiind variabile secundare iar XB fiind
XS
formată din p variabile principale (bazice).
In al doilea caz (p = m) toate ecuaţiile sunt principale şi sistemul capătă
(p)
forma EXB + AS XS = B (p) dacă m < n (sistem compatibil nedeterminat) sau
EXB = B (p) dacă m = p (sistem compatibil determinat).
Exemplul
 1.4. Să se rezolve sistemele
 următoare prin metoda pivotării:

 2x 1 + x 2 + 3x 3 = 8  x1 + 2x2 + 3x3 = 8

a)  3x1 + 2x2 + x3 = 9 b)  2x1 + x2 + x3 = 4 , a ∈ R
 
2x1 + 2x2 + 3x3 = 9 x1 − x2 − 2x3 = a
Rezolvate: a)
¯
Prin pivotare pe matricea
¯
sistemului se obţine ¯
     
2 1 3 ¯ 8 1 1/2 3/2 ¯ 4 1 0 5 ¯ 7
¯ ¯ ¯
 ¯   ¯   ¯ 
 3 2 1 ¯ 9  ∼  0 1/2 −7/2 ¯ −3  ∼  0 1 −7 ¯ −6  ∼
¯ ¯ ¯
2 2 3 ¯ 9 0 1 0 ¯ 1 0 0 7 ¯ 7
5
 ¯       
1 0 0 ¯¯ 2 1 0 0 x1 2  x1 = 2

 ¯      
 0 1 0 ¯ 1  ∼  0 1 0   x2  =  1  ⇒ x2 = 1
¯ 

0 0 1 1 ¯ 0 0 1 x3 1 x3 = 1
adică

un sistem¯ compatibil
 
determinat.¯ Analogpentru

b) ¯ 
1 2 3 ¯¯ 8 1 2 3 ¯¯ 8 1 0 −1/3 ¯¯ 0

 2 1 1 ¯¯ 4   ¯  
 ∼  0 -3 −5 ¯ −12  ∼  0 1 5/3 ¯
¯
4 
¯ ¯ ¯
1 −1 −2 ¯ a 0 −3 −5 ¯ a − 8 0 0 0 ¯ a+4
 1
Ã !Ã ! Ã ! Ã !
1 0 x1 −1/3 0  x1 −
 x =0
3 3
5
+ (x3 ) = sau x2 + 3 x3 = 4
0 1 x2 5/3 4 

0=a+4
Dacă a 6= −4 sistemul este incompatibil. Dacă a = −4 sistemul este compatibil
nedeterminat cu soluţia generală

 x1 = β/3

x2 = 4 − 35 β , β ∈ R.


x3 = β
Calculul inversei unei matrice
O altă aplicaţie a metodei Gauss-Jordan este determinarea inversei unei ma-

trice pătratice A = (aij )i,j=1,n de ordinul n, nesingulare (detA 6= 0). Dacă
X = (xij )i,j=1,n este inversa lui A, adică X = A−1 , atunci din AX = XA = E
avem
     
a11 a12 ... a1n x11 x12 ... x1n 1 0 ... 0
 a21 a22 ... a2n   x21 x22 ... x2n   0 1 ... 0 
     
 · = 
 ... ... ... ...   ... ... ... ...   ... ... ... ... 
an1 an2 ... ann xn1 xn2 ... xnn 0 0 ... 1
Găsirea matricei X se reduce la rezolvarea a n sisteme liniare de forma
       
x11 1 x1n 0
 x21   0   x2n   0 
A·

 
=
 
 , ... ..., A · 
 
=


 ...   ...   ...   ... 
xn1 0 xnn 1
Cum matricea acestor sisteme este aceeaşi, rezolvarea se poate face simultan,
scriind toate cele n coloane ale termenilor liberi ı̂n dreapta matricei A. Practic se
ataşează matricea unitate E, de acelaşi ordin, şi se pivotează de n ori cu pivoţi
de pe diagonala principală a matricei A, ı̂n ordine, astfel ı̂ncât se obţine inversa
A−1 .
(A | E) ∼ · · · ∼ (E | A−1 )
6
Remarca 1.2. In cazul ı̂n care pivoţii de pe diagonala principală nu au fost aleşi
la rând, putându-se ı̂ntâmpla ca pivotul ce ar trebui ales să fie zero, după n
pivotări se face o permutare a liniilor matricei obţinute, astfel ı̂ncât să obtinem
ı̂n partea stângă matricea unitate, iar ı̂n partea dreaptă va fi A−1 .
 
2 1 −1
 
Exemplul 1.5. Să se calculeze inversa matricei A =  1 0 1 
1 2 0
Rezolvare.
 ¯   ¯ 
2 1 −1 ¯ 1 0 0 1 1/2 −1/2 ¯¯ 1/2 0 0
¯
 ¯   ¯
 1 0 1 ¯ 0 1 0  ∼  0 -1/2 3/2 ¯¯ −1/2 1 0 
¯
1 2 0 ¯ 0 0 1 0 3/2 1/2 ¯ −1/2 0 1
 ¯   ¯ 
1 0 1 ¯ 0 1 0 1 0 0 ¯¯ 2/5 2/5 −1/5
¯
 ¯
 0 1 −3 ¯ 1 −2 0  ∼

 0 1 0 ¯¯ −1/5 −1/5 3/5 

¯ ¯
0 0 5 ¯ −2 3 1 0 0 1 ¯ −2/5 3/5 1/5
 
2/5 2/5 −1/5
 
A−1 =  −1/5 −1/5 3/5 
−2/5 3/5 1/5
1.2.2. Sisteme liniare de forma AX = B, X ≥ 0
Prin pivotare se aduce sistemul compatibil AX = B de m ecuaţii liniare

cu n variabile (m < n) la forma
(p)
EXB + AS XS = B (p) (1.6)
unde XB = variabilele bazice (principale), XS = variabilele secundare.
Definiţia 1.2. Se numeşte soluţie realizabilă (program) o soluţie generală
(p)
XB = B (p) − AS XS cu toate variabilelele pozitive (X ≥ 0).
Definiţia 1.3. Se numeşte soluţie de bază a sistemului (6) orice soluţie gen-
erală cu variabilele secundare nule.
Ã ! Ã !
(p) XB B (p)
Din XS = 0 obţinem XB = B adică X = = . In mod
XS 0
evident se constată că numărul soluţiilor de bază este de Cnm , iar pentru orice
soluţie de bază numărul componentelor nenule este cel mult m.
7
Definiţia 1.4. Se numeşte program de bază orice soluţie de bază realizabilă,
adică XB = B (p) ≥ 0, XS = 0.
Observaţia 1.1. i) Un program de bază este nedegenerat dacă numărul de

componente strict pozitive este egal cu rangul matricei sistemului (nu există com-
ponente bazice nule).
ii) Un program de bază este degenerat dacă numărul de componente strict
pozitive este strict mai mic decât rangul matricei sistemului (există componente
bazice nule).
Teorema 1.1. Dacă un sistem de ecuaţii liniare are un program, atunci el are şi
un program de bază.
In consecinţă rezultă:
Remarca 1.3. Dacă un sistem de ecuaţii liniare nu are programe de bază, atunci
el nu are programe.
1.2.3. Generarea programelor de bază
(p)
Presupunem că prin pivotare obţinem forma canonică EXB + AS XS = B (p)
cu programul de bază XB = B (p) ≥ 0. Alegând un nou pivot aij rezultă
 (p) ¯   ¯ 
(p) (p) (p) (p)
 1 .. 0 .. aij .. ¯¯ bi 
1/aij .. 0 .. 1 ¯¯ bi /aij
 ¯ .   .. .. .. ¯¯ .. 
 .. .. .. ¯ . ∼ . . . ¯ . 
 . . . ¯ .   
¯ (p) (p) (p) ¯ (p) (p) (p) (p)
0 .. 1 .. akj .. ¯ bk ¯
(p) -akj /aij .. 1 .. 0 bk -bi akj /aij
Pentru a obţine un nou program de bază trebuie ı̂ndeplinite condiţiile

(p) (p) (p) (p) (p) (p) (p) (p) (p) (p) (p)
bi /aij ≥ 0 ⇒ aij > 0, bk − bi akj /aij ≥ 0 ⇒ bi /aij ≤ bk /akj
ceea ce ı̂nseamnă că pivotul aij se determină calculând cel mai mic raport
 
 b(p) 
i
min
(0)
aij >0
 a(p) 
ij
Din cele prezentate mai sus rezultă următorul algoritm
8
(0) Iniţial: Avem
I (0) = {i | xi ≥ 0, xi variabile principale}

K (0) = {j | xj = 0, xj variabile secundare}
(0)
XB = B (0) ≥ 0 program de bază
(1) Alegem: j ∈ K (0) (variabilă secundară)

(2) Calculăm  
 b(0)  b(0)
i s
min = ≥ 0,
(0)
aij >0
 (0) 
aij
(0)
asj
(0)
deci pivot va fi asj
(0)
(3) Pivotăm pe sistem cu pivot asj . Se obţine o nouă formă canonică a
sistemului şi un nou program de bază X (1) = B (1) .
Observaţia 1.2. Dacă avem două rapoarte minime egale atunci se va obţine un
program de bază degenerat pentru oricare dintre cei doi pivoţi care pot fi aleşi.
Exemplul
( 1.6. Să se afle programele de bază pentru sistemul:
3x1 + x2 + x3 + 2x4 = 7
, xi ≥ 0
2x1 + 2x2 + x3 + 2x4 = 8
Rezolvare: Se pivotează
Ã ¯ ! Ãpentru a se obţine un
¯ program
! de bază, dacă există:
3 1 1 2 ¯ 7 ¯ 1 1/3 1/3 2/3 ¯ 7/3 ¯
¯ ∼ ¯
Ã
2 2 1 2 ¯ 8
¯
0 4/3 1/3 2/3 ¯ 10/3
!
1 0 1/4 2/4 ¯¯ 3/2
¯ , care conduce la sistemul echivalent
0 1 1/4 2/4 ¯ 5/2
Ã !Ã ! Ã !Ã ! Ã !
1 0 x1 1/4 2/4 x3 3/2
+ =
0 1 x2 1/4 2/4 x4 5/2
Egalăm
 cu zero variabilele secundare x3 = x4 = 0 şi rezultă

 x 1 = 3/2 program
x2 = 5/2 de , X (0) = (3/2, 5/2, 0, 0)t .


x3 = x4 = 0 bază
Deci I (0) = {1, 2}, K (0) = {3, 4}. Putem alege j = 3 ∈ K (0) . Calculăm
  ( )
 b(0)  3/2 5/2 3/2
min  i(0)  = min , = =6
(0)
ai3 >0 ai3 (0)
ai3 >0 1/4 1/4 1/4
Deci pivot va fi 1/4 = a13 . Avem:
9
Ã ¯ ! Ã ¯ !
1 0 1/4 2/4 ¯¯ 3/2 4 0 1 2 ¯¯ 6
¯ ∼ ¯
0 1 1/4 2/4 ¯ 5/2 −1 1 0 0 ¯ 1
şi prin
Ã rearanjarea
!Ã termenilor
! Ã obţinem
!Ã ! Ã !
1 0 x3 4 2 x1 6
+ =
0 1 x2 −1 0 x4 1
Egalăm
 3=6
 x program

x2 = 1 de , X (1) = (0, 1, 6, 0)t .

x1 = x4 = 0 bază
Deci I (1) = {3, 2}, K (1) = {1, 4}. Alegem j = 4 ∈ K (1) . Calculăm
 
 b(1)  ½ ¾
i 6 6
min = min = =3
(0)
ai4 >0
 ai4 
(1) (0)
ai4 >0 2 2
deciÃpivot va fi 2=a¯14 . Avem:
! Ã ¯ !
4 0 1 2 ¯¯ 6 2 0 1/2 1 ¯¯ 3
¯ ∼ ¯ ⇒
−1 1 0 0 ¯ 1 −1 1 0 0 ¯ 1
Ã !Ã ! Ã !Ã ! Ã !
1 0 x4 2 1/2 x1 3
+ =
0 1 x2 −1 0 x3 1
Egalăm

 x 4 =3 program

x2 = 1 de , X (2) = (0, 1, 0, 3)t

x1 = x3 = 0 bază
deci I = {4, 2}, K (2) = {1, 3}. Se poate alege j = 1 sau j = 3 , dar se obţin
(2)
aceleaşi programe de bază găsite mai sus.

In concluzie, acest sistem liniar admite trei programe de bază. Cum numărul
maxim al soluţiilor de bază este egal cu C42 = 6 rezultă că sistemul admite trei
soluţii de bază, care nu sunt realizabile, deorece conţin componente negative.
Programele de bază sunt
X (0) = (3/2, 5/2, 0, 0)t , X (1) = (0, 1, 6, 0)t , X (2) = (0, 1, 0, 3)t
1.2.4. Sisteme de inecuaţii liniare
Considerăm un sistem de inecuaţii liniare de forma AX ≤ B


 a11 x1 + a12 x2 + .... + a1n xn ≤ b1

................................................... (1.7)


am1 x1 + am2 x2 + .... + amn xn ≤ bm
10
iar ı̂n cazul ı̂n care există inecuaţii cu semnul ” ≥ ” acestea se transformă ı̂n
inecuaţii cu semnul ” ≤ ” prin ı̂nmulţirea cu −1. Sistemului (7) i se ataşază un
sistem de ecuaţii liniare de forma

 a11 x1 + a12 x2 + .... + a1n xn + q1 = b1

........................................................... (1.8)


am1 x1 + am2 x2 + .... + amn xn + qm = bm
care se obţine adunând ı̂n membrul stâng al fiecărei inecuaţii din (7) o variabilă
pozitivă qi , i = 1, m, numită variabilă de compensare. In scrierea matriceală avem
AX + EQ = B unde Q = (q1 , ..., qm )t .
Definiţia 1.5. Se numeşte soluţie realizabilă a sistemului de inecuaţii (7) o soluţie

care are toate componentele pozitive.
Propoziţia 1.1. Matricea X0 este soluţie realizabilă a sistemului de inecuaţii

(7) dacă şi numai dacă există o matrice Q0 astfel ı̂ncât (X0 , Q0 ) să fie soluţie
realizabilă pentru sistemul de ecuaţii (8).
Demonstraţie. Considerăm X0 o soluţie realizabilă a sistemului (7), deci

AX0 ≤ B, X0 ≥ 0. Notăm Q0 = B − AX0 ≥ 0 şi rezultă AX0 + EQ0 = B
adică (X0 , Q0 ) este soluţie realizabilă pentru (8). Reciproc, dacă (X0 , Q0 ) este
soluţie realizabilă pentru (8) rezultă X0 ≥ 0, Q0 ≥ 0 şi AX0 + EQ0 = B, deci
AX0 ≤ B adică X0 este soluţie realizabilă pentru (7). u
t
Definiţia 1.6. Dacă (X0 , Q0 ) este program de bază al sistemului compensat (8),
atunci X0 se numeşte program de bază al sistemului de inecuaţii (7).
1.3. Metode de rezolvare a problemelor de programare liniară

1.3.1. Sisteme liniare speciale
In continuare considerăm sistemul AX = B, X ≥ 0 la care vom adăuga o nouă

ecuaţie CX = Z cu termen liber Z variabil, iar C = (c1 , c2 , ..., cn ). Pentru fiecare
program de bază X (0) al sistemului AX = B se obţine o valoare Z0 = CX (0) a lui
Z. Pentru ca această valoare să se obţină odată cu obţinea programului de bază,
vom considera sistemul extins
(
AX = B
X≥0 (1.9)
CX + (−Z) = 0
11
ı̂n care (−Z) este privită ca o nouă variabilă xn+1 = −Z. Pentru că Z nu apare
ı̂n primele m ecuaţii, coeficienţii lui xn+1 sunt zero, iar ı̂n ultima ecuaţie coefi-
cientul lui xn+1 este 1. Din acest motiv, pentru a obţine programe de bază pentru
problema extinsă este suficient ca pivoţii să fie aleşi din primele m ecuaţii. Prin
pivotare pe matricea A, aducem sistemul la forma canonică
(0)
EXB + AS XS = B (0)
(0)
C XS + (−Z) = (−Z0 ) Ã !
B (0) (0)
şi obţinem un program de bază X = cu XB = B (0) şi XS = 0
0
căruia ı̂i corespunde o valoare Z = Z0 . Sistemul (9) se poate scrie
(
M0 XB + AS XS = B
(1.10)
CB XB + CS XS + (−Z) = 0
cu M0 matrice bazică, iar matricea bazică extinsă are forma
   
0 0
 M :   M0−1 : 
 0  −1  
M0 =   cu M0 = 
 0   0 
CB 1 −CB M0−1 1
−1
Putem aduce sistemul (10) la forma canonică prin ı̂nmulţire cu M0 şi obţinem:
   
0 Ã ! 0 Ã !
 M0−1 :  AS  M0−1 :  B
   
EXB +   XS =  
 0  CS  0  0
−CB M0−1 1 −CB M0−1 1
care prin identificarea coloanelor conduce la
 
  0 Ã ! Ã !
(0) 
P
 k = M0−1 :  Pk M0−1 Pk
(0)   =
Ck  0  Ck Ck − CB M0−1 Pk
−CB M0−1 1
 
Ã ! 0 Ã ! Ã !
B (0)  M0−1 :  B M0−1 B
=


 =
−Z0  0  0 −CB M0−1 B
−CB M0−1 1
de unde rezultă următoarele relaţii
(0)
Pk = M0−1 Pk , B (0) = M0−1 B,
(0) (0)
C k = Ck − CB Pk , Z0 = CB B (0) ,
12
(0)
şi din sistem avem Z = Z0 + C j xj , j ∈ K (0)
In general, la pasul p avem
 Ã !

 (p) Pk (p)
 Ck = (−CB Mp−1 , 1) = Ck − CB Pk
Ck

 (p) (p+1)
 Z j ∈ K (p) , (p ≥ 0)
p+1 = Zp + C j xj ,
Teorema 1.2. Considerăm X (p) un program de bază al sistemului (9) şi I (p) ,
−1 (p)
K (p) , M (p) , Zp , C k (k ∈ K (p) ) cunoscute.
a) Dacă calculăm
(p) (p)
C j =max {C k > 0}
k
(p+1)
atunci alegând pivot de pe coloana j ∈ K (p) (xj devine bazică xj ≥ 0) conform
algoritmului de generare a unui nou program de bază X (p+1) , valoarea funcţiei Z
creşte, adică Zp+1 ≥ Zp .
b) Dacă calculăm
(p) (p)
C j =min {C k < 0}
k
(p+1)
atunci alegând pivot de pe coloana j ∈ K (p) (xj devine bazică xj ≥ 0) conform
(p+1)
algoritmului de generare a unui nou program de bază X , valoarea funcţiei Z
scade, adică Zp+1 ≤ Zp .
(p) (p+1) (p)
Demonstraţie. a) Din relaţia Zp+1 = Zp + C j xj dacă C j > 0 avem
(p+1) (p+1)
Zp+1 > Zp pentru xj > 0 şi Zp+1 = Zp dacă xj = 0. Analog b). u
t
Remarca 1.4. Din teorema de mai sus rezultă că dacă s-a obţinut un program
(0)
de bază X (0) şi avem toţi C j ≤ 0, j ∈ K (0) atunci Z0 are valoarea maximă dintre
(0)
valorile corespunzătoare tuturor programelor de bază, iar dacă toţi C j ≥ 0, Z0
are valoarea cea mai mică.
1.3.2. Algoritmul simplex netabelar
Algoritmului simplex (netabelar) pentru probleme de maxim.

Se obţine forma canonică a sistemului
(
AX = B
CX + (−Z) = 0
13
care să conducă la un program de bază iniţial X (0) = B (0) ≥ 0.
Dispunem de forma canonică:
(0)
EXB + AS XS = B (0)
(0)
C XS + (−Z) = (−Z0 )
Criteriul de optimalitate:
(0)
(1) a) dacă C k ≤ 0, k ∈ K (0) atunci X (0) este program de bază optim.
(0)
b) dacă există C k > 0 atunci:
(2) Se calculează
½ ¾³ ´
(0) (0)
Cj =max Ck >0 k ∈ K (0)
k
şi  
 b(0)  (0)
bk
i
min =
(0)
aij >0
 aij 
(0) (0)
akj
(0)
Se pivotează, pe sistem, cu pivot akj şi se obţine o nouă formă canonică, cu
un nou program de bază, X (1) = B (1)
Se repetă procedeul până se ajunge la punctul 1) a), sau se ajunge la z → ∞,
dacă există j ∈ K (0) , asj ≤ 0, ∀s.
Observaţia 1.3. In cazul funcţiei de minim programul de bază este optim dacă
(0)
Ck ≥ 0, k ∈ K (0) , iar ı̂n caz contrar la pasul 2) se calculează
(0) (p)
Cj =min {C k < 0}.
k
(0)
Observaţia 1.4. Dacă s-a obţinut un program optim şi există C k = 0 (k ∈ K (0) )
atunci problema admite programe optime multiple.
Exemplul 1.7. Să se rezolve prin simplex netabelar

 3x1 + x2 + x3 + 2x4 = 7

2x1 + 2x2 + x3 + 2x4 = 8


max f (X) = 6x1 − x2 + 2x3 + 3x4
Rezolvare: Obţineminiţial
 
un program de bază 
3 1 1 2 7 1 1/3 1/3 2/3 7/3

 2 2 1 2 8  ∼

0 4/3 1/3 2/3 10/3  
6 -1 2 3 0 0 -3 0 -1 -14
 
1 0 1/4 2/4 3/2

 0 1 1/4 2/4 5/2  
0 0 3/4 2/4 -13/2
14
careÃconduce !Ãla sistemul
! Ã echivalent ! Ã ! Ã !
1 0 x1 1/4 2/4 x3 3/2
+ = .
0 1 x2 1/4 2/4 x 5/2
Ã 4 !
³ ´ x
3
3/4 2/4 + (−Z) = −13/2.
x4
Egalăm
 1 = 3/2
 x program
x2 = 5/2 de X (0) = (3/2, 5/2, 0, 0)t , Z = 13/2


x3 = x4 = 0 bază
I (0) = {1, 2}, K (0) = {3, 4}.
(0) (0) (0)
Există C k > 0, (C 3 = ½3/4, C 4 ¾ = 2/4) deci programul nu este optim.
(0) (0) (0)
Se calculează C j =max C k > 0 = max{3/4, 2/4} = 3/4 = C 3 şi
k
  ( )
 b(0)  3/2 5/2 3/2
i
min = min , = .
(0)
ai3 >0
 ai3 
(0) (0)
ai3 >0 1/4 1/4 1/4
Pivot

este 1/4= a13 şi rezultă    
1 0 1/4 2/4 3/2 4 0 1 2 6  x2 = 1

  
 0 1 1/4 2/4 5/2  ∼  -1 1 0 0 1  ⇒ x3 = 6


0 0 3/4 2/4 -13/2 -3 0 0 -1 -11 x1 = x4 = 0
I = {3, 2}, K = {1, 4}, X = (0, 1, 6, 0)t
(1) (1) (1)
,Z = 11, program optim unic,
(1)
deoarece C k < 0, ∀k ∈ K (1) .
1.3.3. Algoritmul simplex tabelar
După obţinerea unui program de bază, algoritmul simplex se poate organiza

sub formă tabelară
C1 · · · Cj · · · Ck · · · Cn
V ariabile
CB Program x1 · · · xj · · · xk · · · xn
bazice
(0) (0) (0) (0)
Ci xi bi Aij Aik
.. .. .. .. ..
. . . . .
(0) (0)
Cr x(0)
r b(0)
r Arj Ark
.. .. .. .. ..
. . . . .
Z Z0 Zi Zk
C =C−Z C1 −Z1 Cj −Zj Ck −Zk
15
unde am notat
(0) (0)
Zk = CB Pk , Z0 = CB B (0) .
Cu această scriere algoritmul se aplică ca mai ı̂nainte, numai că apare ı̂n plus linia
(0) (0)
valorilor lui Zk şi apoi linia lui C k =Ck − Zk .
Exemplul 1.8. Să se rezolve prin simplex tabelar

 3x1 + x2 + x3 + 2x4 = 7

2x1 + 2x2 + x3 + 2x4 = 8


max f (X) = 6x1 − x2 + 2x3 + 3x4
Rezolvare: Iniţial
Ã ¯ se
! obţine
Ã un program de bază:
¯ !
3 1 1 2 ¯ 7 ¯ 1 1/3 1/3 2/3 ¯¯ 7/3
¯ ∼ ¯
2 2 1 2 ¯ 8 0 4/3 1/3 2/3 ¯ 10/3

Ã ¯ !
1 0 1/4 2/4 ¯ 3/2 ¯  x1 = 3/2
 program
¯ ⇒ x2 = 5/2 de
0 1 1/4 2/4 ¯ 5/2 

x3 = x4 = 0 bază
t
X = (3/2, 5/2, 0, 0) , I = {1, 2}, K (0) = {3, 4}
(0) (0)
Se verifică optimalitatea programului de bază găsit

6 -1 2 3
V ariabile
CB Program x1 x2 x3 x4 Rapoarte
bazice
6 x1 3/2 1 0 1/4 2/4 3/2:1/4=6
-1 x2 5/2 0 1 1/4 2/4 5/2:1/4=10
(0)
Zk 13/2 6 -1 5/4 10/4
(0) (0)
C k =Ck -Zk 0 0 3/4 2/4
(0) (0) (0)
Deoarece există C k > 0, (C½
3 = 1/4,¾C 4 = 2/4) programul nu este de
(0) (0) (0)
optim. Se calculează C j =max C k > 0 = max{3/4, 2/4} = 3/4 = C 3 , deci
k
pivotul se alege de pe coloana a 3-a, adică x3 devine bazică. Se calculează
  ( )
 b(0)  3/2 5/2 3/2
min  i(0)  = min , =
(0)
ai3 >0 ai3 (0)
ai3 >0 1/4 1/4 1/4
6 -1 2 3
V ariabile
CB Program x1 x2 x3 x4
bazice
2 x3 6 4 0 1 2
-1 x2 1 -1 1 0 0
(1)
Zk 11 9 -1 2 4
(1) (1)
C k =Ck -Zk -3 0 0 -1
16
deci X (1) = (0, 1, 6, 0)t este program optim, unic şi Z = 11.
1.4. Dualitate ı̂n programarea liniară
Considerăm o p.p.l. (numită primală) de forma

( (
AX ≤ B At Y ≥ C t
(I) si problema asociata (II) (numită duală)
X≥0 Y ≥0
max f (X) = CX min g(Y ) = B t Y
Problemele (I) şi (II) se numesc duale simetrice. Intre programele optime
ale acestor probleme există o strânsă legătură. Pentru ı̂nceput avem următoarea
proprietate:
Proprietatea 1.1. Dacă X este un program al problemei (I) şi Y un program al

problemei (II) atunci avem relaţia f (X) ≤ g(Y ).
Demonstraţie. Din relaţia AX ≤ B, prin ı̂nmulţire la stânga cu Y t ≥ 0, se

obţine Y t AX ≤ Y t B. Inmulţind la stânga cu X t relaţia At Y ≥ C t obţinem
X t At Y ≥ X t C t . Dar Y t AX ∈ R rezultă că Y t AX = (Y t AX)t = X t At Y , adică
X t C t ≤ X t At Y = Y t AX ≤ Y t B. Dar f (X) = CX = (CX)t = X t C t iar
g(Y ) = B t Y = (B t Y )t = Y t B de unde rezultă că f (X) ≤ g(Y ). u
t
Teorema 1.3. Considerăm X programul optim al problemei (I) care determină

matricea bazică M . Fie Y t = CB M −1 , unde CB este vectorul linie conţinând
coeficienţii funcţiei scop f corespunzători variabilelor bazice. Atunci
a) f (X) = g(Y ),
b) Y este program optim al problemei duale (II).
Demonstraţie. Fie Cs vectorul linie format din coeficienţii funcţiei f core-

spunzători variabilelor
Ã secundare.
! Ã !
XB = M −1 B XB
Avem X = şi f (X) = CX = (CB, CS ) = CB M −1 B.
XS = 0 XS
Dar g(Y ) = B t Y = B t (CB M −1 )t = (CB M −1 B)t = CB M −1 B, adică f (X) =
g(Y ). In continuare calculăm
At Y = At (CB M −1 )t = (CB M −1 A)t = (CB M −1 (M, AS ))t = (CB (E, M −1 As ))t =
(CB , CB M −1 As )t . Dar pentru variabilele bazice avem ZB = CB , iar pentru vari-
abilele secundare ZS = CB M −1 As şi rezultă At Y = Z t ≥ C t deoarece X este
17
program optim şi C − Z ≤ 0. Din At Y ≥ C t şi Y ≥ 0 rezultă că Y este program
pentru problema duală. Trebuie să mai arătăm că este şi optim. Din proprietatea
anterioară avem f (X) ≤ g(Y 0 ) oricare ar fi Y 0 un program al problemei duale.
Dar s-a arătat că f (X) = g(Y ) şi rezultă g(Y ) ≤ g(Y 0 ), adică Y este program
optim. u
t
Remarca 1.5. Teorema anterioră demonstrează faptul că este suficient să se re-
zolve problema (I) pentru a afla şi programul optim al dualei. Acesta se citeşte
din tabelul de optim al problemei (I), pe linia corespunzătoare lui Z şi ı̂n dreptul
coloanelor variabilelor de compensare introduse.
Proprietatea 1.2. Fie X, Y două programe ale problemelor duale simetrice (I)
şi (II). Programele X, Y sunt optime dacă şi numai dacă f (X) = g(Y ).
Demonstraţie. Dacă X, Y sunt optime atunci din teorema anterioară avem
că f (X) = g(Y ). Reciproc, dacă f (X) = g(Y ) mai considerăm două programe
arbitrare X 0 , Y 0 pentru (I) ş (II). Din proprietatea anterioară avem că f (X) ≤
g(Y 0 ), dar f (X) = g(Y ), adică g(Y ) ≤ g(Y 0 ) ceea ce implică că Y este optim
pentru (II). Analog pentru X. u
t
Din cele prezentate mai sus se poate enunţa teorema centrală a teoriei du-
alităţii:
Teorema 1.4. (Teorema dualităţii). Pentru orice două probleme duale simetrice
este posibilă una şi numai una din următoarele situaţii:
• ambele probleme nu au programe.
• una din cele două probleme are optim infinit, iar cealaltă nu are programe.
• ambele probleme au optime finite şi avem max f = min g.
Teorema următoare prezintă o condiţie necesară şi suficientă ca două programe
ale problemelor duale simetrice să fie optime.
Teorema 1.5. (Ecarturilor complementare). Programele X, Y pentru problemele
duale simetrice (I) şi (II) sunt optime dacă şi numai dacă sunt ı̂ndeplinite condiţiile:
Y t (B − AX) = 0, X t (At Y − C t ) = 0
Demonstraţie. , , ⇒ ” Notăm α = Y t (B − AX) şi β = X t (At Y − C t ) şi rezultă
α, β ∈ R şi α ≥ 0, β ≥ 0. Calculăm α + β = Y t B − Y t AX + X t At Y − X t C t =
(Y t B)t − (Y t AX)t + X t At Y − (X t C t )t = B t Y − X t At Y + X t At Y − CX = g(Y ) −
f (X). Dacă X, Y sunt programe optime atunci max f = min g şi f (X) = g(Y ),
adică α + β = 0. Cum α ≥ 0, β ≥ 0 rezultă că α = β = 0.
,,⇐00 Dacă α = β = 0 rezultă că g(Y ) = f (X) şi din proprietatea de mai sus
rezultă că X, Y sunt optime. u
t
Vom prezenta ı̂n continuare câteva noţiuni legate de dualitatea nesimetrică.
18
Definiţia 1.7. Intr-o p.p.l. de maxim (minim), restricţiile care au semnul ≤ se
numesc concordante (neconcondante), iar cele cu sensul ≥ se numesc neconcor-
dante (concordante).
In dualitatea nesimetrică cel puţin una dintre restricţii este o egalitate şi se
numeşte restricţie liberă.
Avem acum posibilitatea de a spune legătura formală ı̂ntre p.p.l. duale.
• dacă o problemă este de maxim, cealaltă problemă este de minim şi reciproc.
• matricile celor două sisteme de restricţii sunt transpuse una celeilalte.
• termenii liberi din fiecare model sunt coeficienţi ı̂n funcţia de eficientă a
celuilalt, păstrându-se ordinea lor şi invers.
• fiecărei restricţii concordante din problemă ı̂i corespunde o variabilă ≥ 0 ı̂n
cealaltă problemă.
• fiecărei restricţii neconcordante din problemă ı̂i corespunde o variabilă ≤ 0
ı̂n cealaltă problemă.
• fiecărei restricţii de tip egalitate dintr-un model ı̂i corespunde o variabilă
reală ı̂n celălalt model.
In general se lucrează cu probleme duale simetrice şi mai puţin cu dualitate
nesimetrică.
Exemplul
 1.9. Să se scrie duala următoarei probleme
 2x1 + x2 + x3 ≥ 4

x1 − x2 + 3x3 ≤ 6 xi ≥ 0


3x1 + 2x2 + x3 = 5
max f (X) = x1 + 3x2 + 2x3
Rezolvare. Prima restricţie fiind neconcordantă ı̂i corespunde o variabilă y1 ≤

0. A două restricţie este concordantă, deci ı̂i corespunde o variabilă y2 ≥ 0, iar
ultima este egalitate, căreia ı̂i corespunde o variabilă reală y3 ∈ R. In consecinţă
duala
 se scrie
 2y1 + y2 + 3y3 ≥ 1

y1 − y2 + 2y3 ≥ 3 y1 ≤ 0, y2 ≥ 0, y3 ∈ R.


y1 + 3y2 + y3 ≥ 2
min g(Y ) = 4y1 + 6y2 + 5y3
Remarca 1.6. Orice problemă de dualitate nesimetrică se pot transforma ı̂ntr-o

problemă de dualitate simetrică astfel: se ı̂nmulţeşte fiecare restricţie neconcor-
dantă cu (−1) şi se transformă ı̂n restricţie concordantă, iar fiecare restricţie liberă
se ı̂nlocuieşte cu două restricţii concordante (dacă a = b ⇔ a ≤ b şi −a ≤ −b sau
a ≥ b şi −a ≥ −b).
19
Exemplul
( 1.10. Să se rezolve problema următoare folosind dualitatea:
2x1 + x2 + 3x3 ≥ 8
, xi ≥ 0
3x1 + 2x2 + 2x3 ≥ 10
minf (X) = 2x1 + 3x2 + 5x3
şi să se verifice cu teorema ecaturilor complementare că soluţia găsită este cea
optimă.
Rezolvare. Scriind problema duală şi introducând variabilele de compensare
se obţine
 
 2y1 + 3y2 ≤ 2
  2y1 + 3y2 + q1 = 2

y1 + 2y2 ≤ 3 ⇒ y1 + 2y2 + q2 = 3 , yi ≥ 0

 

3y1 + 2y2 ≤ 5 3y1 + 2y2 + q3 = 5
max g(y) = 8y1 + 10y2 max g(y) = 8y1 + 10y2
şi un program de bază iniţial X (0) = (0, 0, 0, 2, 3, 5). Avem tabelul de simplex
8 10 0 0 0
V ariabile
CB Program y1 y2 q1 q2 q3
bazice
0 q1 2 2 3 1 0 0
0 q2 3 1 2 0 1 0
0 q3 5 3 2 0 0 1
(0)
Zk 0 0 0 0 0 0
(0) (0)
C k =Ck -Zk 8 10 0 0 0
10 y2 2/3 2/3 1 1/3 0 0
0 q2 5/3 -1/3 0 -2/3 1 0
0 q3 11/3 5/3 0 -2/3 0 1
(1)
Zk 20/3 20/3 10 10/3 0 0
(1) (1)
C k =Ck -Zk 4/3 0 -10/3 0 0
(1)
Cum max{C k > 0} = 4/3 programul nu este optim. Calculăm
2/3 11/3 2/3
min{ , }= .
2/3 5/3 2/3
deci pivot va fi 2/3

8 y1 1 1 3/2 1/2 0 0
0 q2 2 0 1/2 3/2 1 0
0 q3 2 0 -5/2 -3/2 0 1
(2)
Zk 8 8 12 4 0 0
(2) (2)
Ck =Ck -Zk 0 -2 -4 0 0
20
(2)
Deoarece C k ≤ 0 rezultă că Y (0) = (1, 0) program optim (max g(Y ) = 8). Pentru
(2)
duală, adică problema iniţială, programul optim se citeste de pe linia lui Zk , pe
coloanele determinate de q1 , q2 , q3 , adică
x1 = 4, x2 = 0, x3 = 0, minh(x) = 8.
Să verificam cu ajutorul teoremei ecarturilor complementare că programele

X (= (4, 0, 0)t , Y (0) = (1, 0) sunt programe optime duale. Avem
(0)
y1 (2x1 + x2 + 3x3 − 8) = 0
⇔ Y t (AX − B) = 0 şi
y2 (3x1 + 2x2 + 2x3 − 10) = 0

 x1 (2y1 + 3y2 − 2) = 0

x2 (y1 + 2y2 − 3) = 0 ⇔ X t (At Y − C t ) = 0. Deci (X (0) , Y (0) ) sunt optime.


x3 (3y1 + 2y2 − 5) = 0
Exemplul 1.11. Două tipuri de complexe alimentare A1 , A2 conţin câte trei

feluri de substanţe nutritive de bază S1 , S2 , S3 ı̂n procentele date ı̂n tabel. Să
se determine cantităţile necesare din A1 şi A2 astfel ı̂ncât să se asigure cel puţin
necesarul nutritiv, cu cheltuieli minime.
A1 A2 Necesar nutritiv
S1 20% 10% ≥ 0, 3
S2 10% 10% ≥ 0, 2
S3 10% 20% ≥ 0, 1
Cheltuieli 3 2
Rezolvare. Notăm cu y1 ≥ 0, y2 ≥ 0 cantităţile din A1 , A2 .

Modelul matematic devine

 2y1 + y2 ≥ 3 


 y1 + y2 ≥ 2  2x1 + x2 + x3 ≤ 3

⇒ x1 + x2 + 2x3 ≤ 2 xi ≥ 0


 y1 + 2y2 ≥ 1 

 max f (X) = 3x1 + 2x2 + x3
min g(Y ) = 3y1 + 2y2
ı̂n care se introduc variabilele de compensare q4 , q5 şi rezultă p.p.l.


 2x1 + x2 + x3 + q4 = 3

x1 + x2 + 2x3 + q5 = 2


max f (X) = 3x1 + 2x2 + x3
care admite program de bază X (0) = (0, 0, 0, 3, 2). Se rezolvă aceasta problemă
21
prin simplex tabelar, obţinând astfel rezolvarea şi pentru problema iniţială
3 2 1 0 0
V ariabile
CB Program x1 x2 x3 q4 q5
bazice
0 q4 3 2 1 1 1 0
0 q5 2 1 1 2 0 1
(0)
Zk 0 0 0 0 0 0
(0) (0)
C k =Ck -Zk 3 2 1 0 0
3 x1 3/2 1 1/2 1/2 1/2 0
0 q5 1/2 0 1/2 3/2 -1/2 1
(1)
Zk 9/2 3 3/2 3/2 3/2 0
(1) (1)
C k =Ck -Zk 0 1/2 -1/2 -3/2 0
3 x1 1 1 0 -1 1 -1
2 x2 1 0 1 3 -1 2
(2)
Zk 5 3 2 3 1 1
(2) (2)
Ck =Ck -Zk 0 0 -2 -1 -1
(2)
Cum C k ≤ 0 ⇒ x1 = 1, x2 = 1, x3 = 0 program optim. Programul optim al
(2)
dualei, adică problema iniţială, se citeste ı̂n tabelul de optim, pe linia Zk şi
coloanele q4 , q5 , adică y1 = 1, y2 = 1, min g(Y ) = 5. In concluzie, se foloseşte câte
o unitate din A1 şi A2 cu cheltuieli minime de 5 unitaţi monetare.
1.4.1. Algoritmul simplex dual
Considerăm forma canonică a p.p.l.

EXB + A(0) Xs = B (0)
(0)
C Xs + (−Z) = Z0 ;
(0) (0)
şi presupunem că există xi = bi < 0. Notăm I(−) = {i | xi < 0}.
³ ´ (0)
(0)
Definiţia 1.8. Dacă X (0) este o soluţie de bază I(−) 6= ∅ şi C k < 0, ∀k ∈ K (0) ,
atunci X (0) se numeşte soluţie dual admisibilă a problemei de max. (pentru
(0)
problema de min ., avem C k > 0, ∀k ∈ K (0) ).
Algoritmul simplex dual este chiar algoritmul simplex aplicat dualei, dar ı̂n
tabelul de simplex al primalei.
22
(0)
Iniţial dispunem de X (0) dual admisibilă, I(−) 6= ∅
(1) Se alege n o
(0) (0)
xi = min x(0) r < 0 = bi ,
(0)
r∈I(−)
(0)
a) Dacă nu există aik < 0, ∀k ∈ K (0) ( i fixat prin (1)) atunci nu există
program.
(0)
b) Dacă există aik < 0 atunci
(2) Se calculează
  
 C (0)  (0)  (0)
k Cj Ck < 0
min  = , dacă
(0)  (0)  a(0) < 0
aik aij ik
(0)
şi se alege pivot aij .
(0)
3) Prin pivotare se obţine o nouă soluţie de bază X (1) dacă I(−) 6= ∅ şi se reia
(0)
algoritmul simplex dual, sau I(−) = ∅ şi atunci se obţine un program de bază,
căruia i se aplică algoritmul simplex pentru determinarea programului optim.
Exemplul 1.12. Să se aplice algoritmul simplex dual pentru problema următoare
dacă se obţine iniţial o soluţie de bază dual admisibilă:
 2x1 + x2 + x3 + x4 = 4

x1 + 3x2 + x3 + 2x4 = 7 xi ≥ 0


max f (X) = 2x1 + 3x2 + 4x3 + 3x4
Rezolvare: In cazulcă seobţine o soluţie de bază dual

 
admisibilă:
 
2 1 1 1 4 1 1/2 1/2 1/2 2 1 -2 0 -1 -3
    
 1 3 1 2 7  ∼  0 5/2 1/2 3/2 5  ∼  0 5 1 3 10 
2 3 4 3 0 0 2 3 2 -4 0 -13 0 -7 -34

 x1 = −3
 soluţie dual
⇒ x3 = 10 admisibilă


x2 = x4 = 0 C k < 0, k ∈ K(0)
(0)
I (0) = {1, 3}, K (0) = {2, 4}, I(−) = {1}, X (0) = (−3, 0, 10, 0)t . Se calculează
min{ −13 , −7 } = −13
−2 −1 -2 . Deci pivot este a12=
−2
   x2 = 3/2
-1/2 1 0 1/2 3/2 

 x = 5/2

 5/2 0 1 1/2 5/2  ⇒
3
 1 = x4 = 0
x


-13/2 0 0 -1/2 -29/2 
max f = 29/2
(0) t
X = (0, 3/2, 5/2, 0) este program de bază optim, unic.
23
1.5. Schimbări de date. Reoptimizări
Datorită unor factori naturali, economici sau sociali, ce pot influenta

modelul matematic al problemeler de programare liniară, intervin modificări asupra
datelor care au contribuit la determinarea programului optim. Aceste schimbari
pot fi determinate de micşorarea cantităţilor de resurse, (materii prime, resursa
umană) de creşterea sau scăderea unor preţuri, intrarea ı̂n funcţiune a altor ca-
pacităţi de producţie, apariţia de tehnologii mai performante, etc.
Se pune problema dacă ı̂n noile condiţii programul găsit mai rămâne program
optim sau nu. In caz că nu, este necesar un procedeu mai direct, decât reopti-
mizarea totală, pentru a obţine noul program optim. Aplicăm
- un procedeu de testare, care să arate dacă programul optim al problemei,
ı̂n condiţiile modificării modelului, mai rămâne program optim.
- un procedeu de găsire al noului program optim, care să evite reopti-
mizarea totală, plecând de la un program de bază existent.
1.5.1. Modificări de costuri C →Ce
In probleme specifice economiei de piaţă preţurile sunt libere şi depind, pe

lângă elemente legate de costuri, de cerere şi ofertă. Intr-o perioade de timp se
pot produce schimbări C → C, e aceste schimbări având şi caracter economico-
social de diversificare a producţiei, o mică variaţie a unui cj → cej (j ∈ K1 ) făcând
rentabilă sau nu fabricarea unui produs dacă scopul este maximizarea beneficiului
total,
( sau micşorea cheltuielilor. Considerăm o p.p.l.
AX = B
X≥0
maxf (X) = CX
Fie X (0) program optim, I (0) , K (0) , M −1 , şi C → C.
e
0
In tabelul cu programul optim se fac modificările C → C, e se recalculează linia
e e
Z, şi apoi C = C − Z. e
a) dacă C k ≤ 0 atunci programul iniţial rămâne optim.
b) dacă există cel puţin un C s > 0 se aplică ı̂n continuare algoritmul simplex
pentru determinarea noului program optim.
Exemplul 1.13. Pentru problema din exemplul (1.12) se fac următoarele modi-
ficări la ”costuri” C1 = 2 → Ce1 = 6 şi C4 = 3 → Ce4 = 4. Determinaţi programul
optim ı̂n acest caz.
24
Rezolvare. Folosim datele din programul optim iniţial, la care se recalculează
linia Ze şi apoi C = Ce − Z.
e
6 3 4 4
V ariabile
CB Program x1 x2 x3 x4 Rapoarte
bazice
4 x3 5/2 5/2 0 1 1/2 5/2:1/2=5
3 x2 3/2 -1/2 1 0 1/2 3/2:1/2 =3
(0)
Zek 29/2 17/2 3 4 7/2
(0) (0)
C k =Ck -Zek -5/2 0 0 1/2
(0)
Cum C 4 = 1/2 > 0 programul nu mai rămâne optim. Calculăm
5/2 3/2 3/2

min{ , }= =3
1/2 1/2 1/2
pivotul va fi 1/2 = a24 .
6 3 4 4
V ariabile
bazice
4 x3 1 3 -1 1 0
4 x4 3 -1 2 0 1
e (1)
Zk 16 8 4 4 4
(1) (1)
C k =Ck -Zek -2 -1 0 0
(1)
Cum C k ≤ 0, atunci programul X (1) = (0, 0, 1, 3)t este noul program optim,
unic şi max f = 16.
1.5.2. Modificări de resurse B → Be
Un exemplu de asemenea modificări se ı̂ntâlneşte atunci când se face economie

la resurse, resursele devin deficitare sau se suplimentează din anumite motive
economice, sociale, etc.
Fie X 0 program optim, I (0) , K (0) , M0−1 , şi B → Be
e sau direct prin pivotare pe sistem.
Se recalculează Be (1) = M0−1 B,
25
a) dacă Be (1) ≥ 0 noul program de bază este şi optim deoarece
Cer(1) ≤ 0, ∀r ∈ K (0)
din programul optim iniţial.

(1)
b) dacă există ebi < 0 se obţine soluţie de bază dual admisibilă şi se aplică
algoritmul simplex dual.
Exemplul 1.14. Pentru problema din exemplul (1.12) se face următoarea mod-
ificare Ã ! Ã !
4 e 4+a
B= →B= , a > 0̇.
7 7
Precizaţi programul optim ı̂n funcţie de valoarea lui a. Care este cea mai conven-
abilă valoare a lui a astfel ı̂ncât valoarea funcţiei scop să fie maximă.
Rezolvare.
Ã Matricea
! bazică care generează programul optim iniţial este
1 1
M0 = (corespunzătoare variabilelor (x2 , x3 ). Calculăm M0−1 :
¯
3 1 ¯ ¯
Ã ! Ã ! Ã !
1 1 ¯¯ 1 0 1 1 ¯¯ 1 0 1 0 ¯¯ −1/2 1/2
¯ ∼ ¯ ∼ ¯
3 1 ¯ 0 1 0 -2 ¯ −3 1 0 1 ¯ 3/2 −1/2
Ã !
−1 −1/2 1/2
M0 = Atunci
3/2 −1/2
Ã !Ã ! Ã !
−1/2 1/2 4 + a 3/2 − a/2
Be (1) = M0 Be =
−1
=
3/2 −1/2 7 5/2 + 3a/2
şi avem următorul tabel
2 3 4 3
V ariabile
bazice
4 x3 5/2+3a/2 5/2 0 1 1/2
3 x2 3/2-a/2 -1/2 1 0 1/2
(0)
Zk 29/2+9a/2 17/2 3 4 7/2
(0) (0)
C k =Ck -Zk -13/2 0 0 -1/2
Cazul I.
Dacă 3/2 − a/2 ≥ 0 ⇒ a ∈ (0, 3], cum 5/2 + 3a/2 > 0, ∀a > 0 rezultă
că programul de bază X (1) = (0, 3/2 − a/2, 5/2 + 3a/2, 0) este optim, deoarece
(0)
C k ≤ 0, şi max f = 29/2+9a/2. Valoarea maximă se obţine ı̂n acest cazul pentru
a = 3 şi max f = 29/2 + 27/2 = 28.
Cazul II.
26
Pentru a > 3 avem 3/2−a/2 < 0 şi se obţine o soluţie dual admisibilă. Pivotul
va fi -1/2 .
2 3 4 3
V ariabile
bazice
4 x3 10-a 0 5 1 3
2 x1 a-3 1 -2 0 -1
(1)
Zk 34-2a 2 16 4 10
(1) (1)
C k =Ck -Zk 0 -13 0 -7
Dacă 10 − a ≥ 0 ⇒ a ∈ (3, 10] atunci programul de bază X (2) = (a − 3, 0, 10 − a, 0)
este optim şi max f = 34 − 2a. Valoarea maximă se obţine ı̂n acest cazul pentru
a → 3 şi max f → 29/2 + 27/2 = 28.
Cazul III.
Pentru a > 10 avem x3 = 10 − a < 0 şi se obţine o soluţie dual admisibilă.
Cum pe prima linie, corespunzătoare variabilei bazice negative, nu avem nici o
valoare negativă ce poate să fie aleasă ca pivot, rezultă că nu există program de
bază. Problema nu admite programe ı̂n acest caz.
Din cazurile I şi II rezultă că max f = 28 şi se obţine pentru a = 3. In acest
caz programul optim este X (3) = (0, 0, 7, 0) adică un program de bază degenerat.
1.5.3. Modificări de tehnologii Pk → Pek
Intr-o economie de piaţă dinamică, retehnologizarea se impune ca o necesitate,

calitatea superioară a produselor, costurile de producţie mici, pierderi minime
de resurse sunt elemente de care trebuie să se ţină seama pentru a desfăşura
o activitate rentabilă. Retehnologizarea se reflectă ı̂n modelul matematic prin
modificarea coloanelor Pk din matricea Aik a sistemului.
Fie X (0) program optim, I (0) , K (0) , M0−1 şi Pk → Pf.
k
1) Pk → P f , k ∈ K (0) atunci se poate calcula:
k Ã !
e (1) −1 Pek
Ck = (−CB M0 , 1) , k ∈ K (0)
Ck
(1)
a) dacă Cek ≤ 0 programul X0 rămâne optim, eventual mai există şi alte
(1)
programe optime când există Cek = 0,
(1)
b) dacă există Cek > 0 programul X0 nu mai rămâne optim şi se aplică
algoritmul simplex pentru determinarea noului program optim.
2) Pk → P f , k ∈ I (0) ∪ K (0) atunci se aplică algoritmul simplex de la ı̂nceput.
k
27
1.5.4. Fabricarea de noi produse
Diversificarea producţiei, prin introducerea ı̂n fabricaţie a altor produse, a

devenit o necesite ı̂n economia de piaţa ı̂n care elementele de bază sunt cererea şi
oferta. In modelul matematic, adaugarea de noi variabile, se reflectă prin ataşarea
la sistem de coloane noi.
Fie X (0) program optim, I (0) , K (0) , M0−1 , P 0 noua coloană şi C 0 coeficientul
variabilei introduse din funcţia scop. Ã !
0
0(1) −1 P
Se calculează C = (−CB M0 , 1)
C0
a) dacă C 0(1) ≤ 0 atunci X (0) rămâne optim, eventual mai există ı̂ncă un
program optim.
b) dacă C 0(1) > 0 atunci X (0) nu mai este optim si se aplica algoritmul
simplex pentru a determina noul program optim.
Exemplul 1.15. Pentru a fabrica patru tipuri de produse sunt necesare două
feluri de resurse pe ciclul de fabricaţie, care trebuie folosite integral. Consumul din
fiecare resursă, necesar pentru a produce o unitate din fiecare produs, este dat ı̂n
tabelul de mai jos. Se cunosc beneficiile unitare, precum si cheltuielile cu resursele,
personalul, impozite, etc. in valoare de 95 unităţi monetare. La produsul P1 este
ı̂ncheit un contract de cel puţin 10 produse pe ciclul de fabricaţie.
P1 P2 P3 P4 Resurse
Materie primă 4 2 1 2 90
Resurse umane 4 1 1 2 80
Beneficiul unitar 10 3 3 6
a) Să se afle programul optim astfel ca ı̂n condiţiile date beneficiul să fie maxim.
b) Există un program de producţie optim ı̂n care să se fabrice toate cele 4
produse, cu condiţia ca produsul al treilea să fie fabricat ı̂n cantitatea de 20
produse?
Rezolvare.
( Modelul matematic al problemei este:
4x1 + 2x2 + x3 + 2x4 = 90 x ≥ 10
, 1
4x1 + x2 + x3 + 2x4 = 80 xi ≥ 0, i = 2, 3, 4
max f (x) = 10x1 + 3x2 + 3x3 + 6x4 − 95
Pentru a putea aplica algoritmul simplex clasic trebuie să aducem modelul la
forma xi ≥ 0, i = 1, 4. Pentru aceasta putem să notăm y1 = x1 − 10, yj = xj ,
j =(2, 3, 4 şi sistemul devine:
4y1 + 2y2 + y3 + 2y4 = 50
, yi ≥ 0, i = 1, 4
4y1 + y2 + y3 + 2y4 = 40
28
max f (x) = 10y1 + 3y2 + 3y3 + 6y4 + 5
Aplicăm
 simplex netabelar:
  
4 2 1 2 50 1 1/2 1/4 1/2 25/2

 4 1 1 2 40  
 ∼  0 -1 0 0 -10 
10 3 3 6 0 0 -2 1/2 1 -125
 
1 0 1/4 1/2 15/2
 
 0 1 0 0 10  . Cum max{C k > 0} = 1 = C 4 programul obţinut
0 0 1/2 1 -105
nu este optim, pivot fiind 1/2. Se  obţine:
 



y1 = 0
1/2 

2 0 1 15  y2 = 10

 
 0 1 0 0 10  ⇒  y3 = 0


-2 0 0 0 -120  y4 = 15


 max f = 120 + 5 = 125
Y1 = (0, 10, 0, 15)t program de bază optim şi nu este unic, deoarece C 3 = 0,
K (1) = {1, 3}. Pivot va fi 1/2 şi  obţinem
 



y1 = 0


4 0 1 2 30  y2 = 10


 0 1 0 0 10  ⇒ y3 = 30


-2 0 0 0 -120 
 y4 = 0


 max f = 120 + 5 = 125
Y2 = (0, 10, 30, 0)t program de bază optim.

Facem combinatia liniară convexă a celor două programe de optim. Pentru a ∈
[0, 1]
     
0 0 0
 10a   10 − 10a   10 
     
Y = aY1 + (1 − a)Y2 =  + = 
 0   30 − 30a   30 − 30a 
15a 0 15a
Revenind la programul initial (x1 = y1 + 10) se obţine
 
10
 10 
 
X=  , a ∈ [0, 1] multimea programelor optime, max f = 125
 30 − 30a 
15a
b) Condiţia este 30 − 30a = 20 ⇒ 30a = 10 ⇒ a = 1/3 ∈ [0, 1] . Pentru
a = 1/3 se obţine programul optim X (1) = (10, 10, 20, 5)t .
Exemplul 1.16. Intr-o secţie a unei ı̂ntreprinderi lucrează două utilaje U1 şi U2
cu ajutorul cărora se pot fabrica trei tipuri de produse P1 , P2 , P3 . In tabelul de
mai jos se dau: numărul total de ore necesare fiecărui utilaj pentru producerea
29
unei unităţi din fiecare produs, numărul total de ore disponibile pentru fiecare
utilaj zilnic, precum şi beneficiul net adus de producerea unei unităţi de produs.
P1 P2 P3 Ore disponibile
U1 1 0 2 8
U2 1 2 3 16
Beneficiul unitar 3 2 3
Datorită unui contract, secţia trebuie să producă zilnic cel puţin două unităţi
din produsul P3 .
a) Să se afle planul optim de producţie pentru secţia respectivă, astfel ı̂ncât
beneficiul total realizat să fie maxim.
b) S-a hotărât ca utilajul U1 să funcţioneze ı̂n două schimburi astfel ca disponi-
bilul ei de timp să fie de 16 ore zilnic. Să se reoptimizeze problema ı̂n acest caz.
c) Presupunând că se poate prelungi timpul zilnic de lucru la utilajul U1 cu
0 ≤ λ ≤ 16 ore, să se arate cum variază beneficiul maxim realizat ı̂n funcţie de
λ şi să se deducă de aici cel mai convenabil timp de prelungire. Este convenabilă
prelungirea de la punctul b)?
Rezolvare. Notăm cu x1 , x2 , xe3 cantităţile ce trebuie fabricate din fiecare pro-

dus.Modelul matematic al problemei este:

 x1 + 2xe3 ≤ 8

 x + 2x + 3x
1 2 e3 ≤ 16
, x1 , x 2 ≥ 0


 xe3 ≥ 2

max Z = 3x1 + 2x2 + 3xe3
Notăm
 x3 = xe3 − 2 ≥ 0. Rezultă xe3 = x3 + 2 şi modelul matematic devine
 x1 +
 2x3 ≤ 4
x1 + 2x2 + 3x3 ≤ 10 , x1 , x 2 , x 3 ≥ 0


max Z = 3x1 + 2x2 + 3x3 + 6
Aducem problema la forma standard prin introducerea variabilele de compen-
sare q4 , q5 ≥ 0 şi aplicăm simplex tabelar
3 2 3 0 0
V ariabile
CB Program x1 x2 x3 q4 q5 Rapoarte
bazice
0 q4 4 1 0 2 1 0 4:1=4
0 q5 10 1 2 3 0 1 10:1 =10
(0)
Zk 0 0 0 0 0 0
(0) (0)
C k =Ck -Zk 3 2 3 0 0
(0) (0) (0)
max{C k > 0} = 3 = C 1 = C 3 deci putem alege pivot de pe coloana ı̂ntâi sau
a 3-a. Dacă alegem prima coloană şi calculăm min{ 41 , 10
1
} = 14 = 4 pivotul va fi
30
1 = a11 şi rezultă
3 2 3 0 0
V ariabile
CB Program x1 x2 x3 q4 q5 Rapoarte
bazice
3 x1 4 1 0 2 1 0
0 q5 6 0 2 1 -1 1 6:2 =3
(1)
Zk 12 3 0 6 3 0
(1) (1)
C k =Ck -Zk 0 2 -3 -3 0
max{C k > 0} = 2 = C 2 , deci nu avem program optim. Pivotul va fi 2 = a22
3 2 3 0 0
V ariabile
bazice
3 x1 4 1 0 2 1 0
2 x2 3 0 1 1/2 -1/2 1/2
(2)
Zk 18 3 2 7 2 1
(2) (2)
Ck =Ck -Zk 0 0 -4 -2 -1
(
(2) x1 = 4, x2 = 3
Deoarece Ck ≤ 0 s-a obţinut programul optim,
x3 = q 4 = q 5 = 0
max f = 18 + 6 = 24. Dar xe3 = x3 + 2 = 2 deci programul optim pentru problema
iniţială este X (0) = (4, 3, 2), max
Ã f =!24 Ã !
1 0 −1 1 0
b) Matricea bazică M0 = , M0 = .
1 2 −1/2 1/2
Ã ! Ã !
8 16
Reoptimizarea Be = → Be = determină, după transformarea
16 16
xe3 = x3 + Ã 2, următoarea
! Ãreoptimizarea
!
4 12
B= →B= .
10 10
Verificăm dacă după reoptimizare matricea M(1,2) generează program de bază.
Pentru aceastaÃcalculăm !Ã ! Ã !
−1 1 0 12 12
M(1,2) B = = .
−1/2 1/2 10 −1
Cum x2 = −1 nu se mai obţine program de bază, dar se obţine o soluţie de
bază dual admisibilă, deci putem aplica algoritmul simplex dual. Considerăm
31
ultimul tabel de simplex ı̂n care ı̂nlocuim x1 = 12, x2 = −1.
3 2 3 0 0
V ariabile Solutie
CB x1 x2 x3 q4 q5
bazice de bază
3 x1 12 1 0 2 1 0
2 x2 -1 0 1 1/2 -1/2 1/2
(0)
Zk 18 3 2 7 2 1
(0) (0)
C k =Ck -Zk 0 0 -4 -2 -1
Pivotul este -1/2 (singurul negativ de pe linia lui x2 = −1). Obţinem
3 2 3 0 0
V ariabile
bazice
3 x1 10 1 2 3 0 1
0 q4 2 0 -2 -1 1 -1
(1)
Zk 30 3 6 9 0 3
(1) (1)
C k =Ck -Zk 0 -4 -6 0 -3
(
x1 = 10, q4 = 2
Programul optim este ı̂n acest caz max Z = 30 + 6 = 36. Deci
x2 = 0, x3 = 0
pentru problema iniţială avem X2 = (10, 0, 2), max Z = 36. Cum q4 = 2 aceasta
ı̂nseamnă că maşina U1 este folosită efectiv 14 ore, cele 2 ore date de q4 nefiind
folosite. Ã ! Ã !
8 8+λ
c) Avem reoptimizarea B = → B = sau după transfor-
16 16
marea xe3Ã= x3!+ 2 avemÃ !
4 4+λ
B= →B= . Calculăm
10 10
Ã !Ã ! Ã !
−1 1 0 4+λ 4+λ
M0 B = = 6−λ . Pentru a obţine program
−1/2 1/2 10 2
de bază (care este şi optim) trebuie ca λ ∈ [0, 6], maxZ = 2λ + 24. Deci pentru
λ ∈ [0, 6] beneficiul maxim creşte odată cu creşterea lui λ şi max f = 12 + 24 = 36
se obtine pentru λ = 6.
32
Pentru λ > 6 se obţine o soluţie dual admisibilă. Aplicăm simplex dual
3 2 3 0 0
V ariabile Solutie
CB x1 x2 x3 q4 q5
bazice de bază
3 x1 4+λ 1 0 2 1 0
2 x2 3-λ/2 0 1 1/2 -1/2 1/2
(0)
Zk 18+2λ 3 2 7 2 1
(0) (0)
Ck =Ck -Zk 0 0 -4 -2 -1
Pivotul este -1/2, fiind singura valoare negativă de pe linia lui x2 = 3 − λ/2 < 0
3 2 3 0 0
V ariabile
bazice
3 x1 10 1 2 3 0 1
0 q4 λ−6 0 -2 -1 1 -1
(1)
Zk 30 3 2 7 2 1
(1) (1)
Ck =Ck -Zk 0 -4 -6 0 -3
Programul optim este x1 = 10, x2 = 0, x3 = 0, max Z = 30 + 6 = 36, sau cu

transformarea xe3 = x3 + 2 obţinem X = (10, 0, 2), q4 = λ − 6, program optim
pentru problema iniţială. Se observă că pentru λ > 6 beneficiul maxim rămâne
constant. Deci o creştere a timpului disponibil de lucru pentru maşina U1 peste
8+6 = 14 ore nu mai aduce beneficiu suplimentar şi cea mai convenabilă prelungire
este cea de 6 ore. Rezultă că prelungirea de 8 ore discutată la punctul b) nu este
convenabilă, din această prelungire folosindu-se efectiv 6 ore.
33
Probleme propuse
1) Din substanţele S1 , S2 , S3 , S4 se poate fabrica un medicament care conţine

două tipuri de elemente active E1 , E2 . Conţinutul ı̂n elemente active pentru un
gram din fiecare substanţă, necesarul exact de elemente active şi cheltuielile aduse
de utilizarea unui gram din fiecare substanţă sunt date ı̂n tabel.
S1 S2 S3 S4 Necesar exact
E1 1 2 1 1 10
E2 2 1 3 1 12
Cheltuieli 5 4 6 3
a) Să se scrie modelul matematic al problemei.

b) Să se determine planul optim de producţie.
2) Intr-o societate productivă se pot fabrica zilnic patru feluri de produse.

Normele de consum pentru fiecare tip de produs, resursele disponibile şi beneficiile
unitare sunt date ı̂n interiorul tabelului de mai jos.
P1 P2 P3 P4 Resurse disponibile
Materie primă 2 1 1 1 10
Ore de muncă 1 3 1 2 12
a) Să se scrie modelul matematic.

b) Să se afle un plan optim de producţie.
c) Printr-o retehnologizare creste profitul la P1 cu 2 unitati. Care este progra-
mul optim ı̂n acest caz?
d) Dacă se doreşte reducerea orelor de muncă cu λ > 0 cum variază programul
optim? Care este cea mai convenabilă reducere, dacă trebuie să se lucreze cel
puţin 8 ore?
e) Se doreşte introducerea ı̂n fabricaţie a unui produs P5 pentru care sunt
necesare 2 unităţi de materie primă şi o prelucrare de 2 ore pe utilaj. Cât trebuie
să fie profitul cu acest produs pentru a fi rentabil la acelaşi beneficiu maxim?
f) Care este programul optim dacă la produsele P1 şi P3 sunt ı̂ncheiate con-
tracte de cel puţin o unitate?
34
3) Pentru producerea a trei tipuri de produse P1 , P2 , P3 sunt folosite două tipuri
de materie primă M1 , M2 ale căror rezerve sunt limitate. Consumurile specifice,
cantităţile disponibile de materie primă şi beneficiile aduse de unitatea de produs
sunt date ı̂n tabel
P1 P2 P3 Resurse disponibile
M1 2 3 1 ≤11
M2 1 2 2 ≤6
Beneficiul unitar 3 5 2 -
Datorită condiţiilor speciale de stocaj, ı̂ntreaga producţie nu trebuie să depăşească

10 unităţi.
c) Să se determine planul optim de producţie, dacă la produsul x1 este ı̂ncheiat
un contract de 3 unităţi.
d) Care este programul optim dacă ı̂ntreaga producţie nu trebuie să depăşească
4 unităţi.
4) Intr-o societate economică se pot produce patru tipuri de produse P1 , P2 ,

P3 , P4 , folosind rezerve de forţă de muncă (angajaţi), folosite integral şi rezerve
de bani limitate, conform tabelului de mai jos, care conţine şi consumurile din
aceste rezerve la unitatea de produs de fiecare tip, precum şi beneficiile aduse de
aceste produse.
P1 P2 P3 P4 Resurse disponibile
Angajaţi 4 3 1 2 6
Resurse monetare 1 2 3 4 ≤16

c) Să se reoptimizeze problema dacă printr-o retehnologizare se reduc con-
sumurile de forţă de muncă şi bani la jumătate pentru produsul P4 , iar beneficiul
creşte cu 2 unităţi.
d) Există posibilitatea de a suplimenta disponibilul de forţă de muncă (prin
noi angajări) cu λ ≥ 0. Cum variază beneficiul total maxim ı̂n funcţie de λ şi care
este cea mai convenabilă suplimentare de fortă de muncă?
f) Dacă la produsul al doilea scade necesarul de forţă de muncă cu o unitate,
care este programul optim ı̂n acest caz?
35
1.6. Modele de distribuţie optimă. Probleme de tip transport
1.6.1. Probleme tip transport echilibrate
Forma clasică standard a problemei tip transport constă ı̂n alegerea modu-
lui ı̂n care se poate asigura aprovizionarea a n consumatori cu o anumită marfă
aflată ı̂n m centre. Să admitem că există (F1 , F2 , ..., Fm ) furnizori care dispun de
acelaşi tip de marfă ı̂n cantitaţile D1, D2 , ..., Dm şi care trebuie livrată la benefi-
ciarii (B1 , B2 , ..., Bn ) conform necesarelor lor N1 , N2 , ..., Nn . In funcţie de distantă,
tonaj, consum carburant, capacitaţi de transport, etc. se cunosc costurile unitare
de transport (cia ), de la Fi la Ba (i = 1, m; a = 1, n). Se dispune de capacitaţi
necesare de transport şi cantitatea totală disponibilă este egală cu cantitatea to-
Pm n
P
tală necesară Di = Na = V (condiţie de echilibru). In aceste condiţii
i=1 a=1
trebuie determinate cantităţile {xia } ce trebuie alocate de la Fi la Ba astfel ı̂ncât
furnizorul să-si vândă marfa, beneficiarii să-şi asigure necesarele şi costul total de
m P
P n
transport să fi minim (minf (X) = cia xia ). Toate datele se pot organiza sub
i=1a=1
formă de tabel:
Benef iciari
B1 ... Ba ... Bn Disponibil
F urnizori
F1 c11 ... c1a ... c1n D1
: : : : :
Fi ci1 ... cia ... cin Di
: : : : :
Fm cm1 ... cma ... cmn Dm
N ecesar N1 ... Na ... Nn =
cu următoarele condiţii
n
X m
X m
X n
X
xia = Di , xia = Na , Di = Na , a = 1, n, i = 1, m
a=1 i=1 i=1 a=1
astfel ı̂ncât m X
n
X
(min)f (X) = cia xia , xia ≥ 0
i=1 a=1
36
Matricea cantităţilor alocate este
 
x11 ... x1a ... x1n
 


: : : 

 xi1 ... xia ... xin 
 
 
 : : : 
xm1 ... xma xmn
Definiţia 1.9. Orice problemă practică ce se va modela ca mai sus se va numi
problemă tip transport echilibrată, modelul matematic fiind
 n
 P

 xia = Di



 a=1
m
P
xia = Na

 i=1

 m P
P n


 (min)f (X) = cia xia
i=1a=1
m
P n
P
cu condiţia de echilibru dată prin v = Di = Na .
i=1 a=1
Totuşi, această problemă este un caz particular de problemă de programare

liniară, deoarece matricea sistemului de restricţii are următoarea formă
 
1 ... 1 0 ... 0 ... 0 ... 0
 


0 ... 0 1 ... 1 ... 0 ... 0 

 : : : : : : 
 

A= 0 ... 0 0 ... 0 ... 1 ... 1 

 
 1 ... 0 1 ... 0 ... 1 ... 0 
 
 : : : : : : 
 
0 ... 1 0 ... 1 ... 0 ... 1
Aplicarea metodei simplex de rezolvare este posibilă, dar practic este dificilă
datorită numărului mare de variabile. Din acest motiv, ţinând cont şi de forma
particulară a sistemului de restricţii, s-au elaborat metode specifice de rezolvare.
Proprietatea 1.3. Orice problemă de transport echilibrată admite ı̂ntotdeauna

un program.
Di Na
Demonstraţie. Considerăm xia = v
şi observăm că
m
X m
X m
D i Na Na X
xia = = D i = Na
i=1 i=1 v v i=1
Xn Xn n
D i Na Di X
xia = = Na = Di
a=1 a=1 v v a=1
37
adică se verifică sistemul de restricţii. Cum xia ≥ 0 rezultă că avem un program.
u
t
Proprietatea 1.4. Rangul matricei sistemului este m + n − 1.
Demonstraţie. Deoarece sistemul de restricţii are m+n ecuaţii şi m·n variabile,
rezultă că rangA ≤ min{m + n, m · n}. Cum pentru m, n ≥ 2 avem m + n ≤ m · n
rezultă rangA ≤ m + n. Datorită condiţiei de echilibru, suma primelor m linii
este egală cu suma ultimelor n linii ale sistemului, adică toate cele m + n linii nu
sunt independente, deci rangA ≤ m + n − 1. Dacă eliminăm prima linie, există
un minor corespunzător coeficienţilor variabilelor x21 , x31 , ..., xn1 , x11 , ...x1m care
are pe diagonala principală toate elementele egale cu 1, iar deasupra acesteia 0,
deci rangA = m + n − 1. u
t
Din această proprietate rezultă că un program de bază are cel mult m + n − 1
componente nenule.
Definiţia 1.10. Un program de bază al problemei de transport echilibrată se

numeşte nedegenerat dacă numărul componentelor pozitive este m + n − 1.
Definiţia 1.11. Un program de bază al problemei de transport echilibrată se

numeşte degenerat dacă numărul componentelor pozitive este strict mai mic decât
m + n − 1.
1.6.2. Metode de determinare a programelor de bază
1. Metoda colţului nord-vest (diagonalei principale)
Pe fiecare rută (i, a) din colţul nord-vest al tabelului se alocă o cantitate xia =
min(Di , Na ). Dacă min(Di , Na ) = Di atunci se alege xia = Di şi se iau xib = 0
(b 6= a, b = 1, n). Se ı̂nlocuieşte Na cu Na − Di şi Di cu 0 şi se va relua metoda
pe restul tabelului (se ı̂ncepe cu i = 1, a = 1 adică cu ruta (1, 1), colţul din
stânga sus). Dacă min(Di , Na ) = Na atunci se alege xia = Na şi se scriu xja = 0
(j = 1, m, j 6= i). Se ı̂nlocuieşte Di cu Di − Na şi Na cu 0 şi se va relua procedeul.
Dacă se ı̂ntâmplă ca min{Di , Na } = Di = Na atunci se obţine un program de
bază degenerat.
38
Exemplul 1.17. Să se aplice metoda nord-vest pentru a găsi un program de bază
pentru problema
F\B B1 B2 B3 Disp.
F1 2 4 5 15
F2 3 5 6 8
F3 1 4 6 6
Nec. 10 12 7 =
Rezolvare.
 Problema este echilibrată, modelul matematic fiind

 x 11 + x 12 + x13 = 15



 x21 + x22 + x23 = 8


 x +x +x =6
31 32 33
, xia ≥ 0


 x 11 + x 21 + x 31 = 10





x12 + x22 + x32 = 12

x13 + x23 + x33 = 7
min f (X) = (2x11 + 4x12 + 5x13 ) + (3x21 + 5x22 + 6x23 ) + (x31 + 4x32 + 6x33 )
Se calculează:
x11 = min{N1 , D1 } = min{10, 15} = 10
D10 = 15 − 10 = 5, N1 = 10 − 10 = 0, x21 = 0, x31 = 0
x12 = min{D10 , N2 } = min{5, 12) = 5
D100 = 5 − 5 = 0, N20 = N2 − D10 = 12 − 5 = 7, x13 = 0
x22 = min{N20 , D2 } = min{7, 8} = 7
D20 = 8 − 7 = 1, N200 = 7 − 7 = 0, x32 = 0
x23 = min{N3 , D20 } = min{7, 1} = 1
D200 = 1 − 1 = 0, N30 = 7 − 1 = 6
x33 = min{N30 , D3 } = min{6, 6} = 6
N300 = 6 − 6 = 0, D30 = 6 − 6 − 0
F\B B1 B2 B3 Disp.
F1 10 5 0 15, 5, 0
F2 0 7 1 8, 1, 0
F3 0 0 6 6, 0
Nec. 10, 0 12, 7, 0 7, 6,0 =
In final, rezultă programul de bază nedegenerat

 
10 5 0
 
X0 =  0 7 1 
0 0 6
şi f (X0 ) = 2 · 10 + 4 · 5 + 5 · 7 + 1 · 6 + 6 · 6 = 117.
39
Metoda nord-vest conduce ı̂n marea majoritate a cazurilor la un program
ı̂ndepărtat de programul optim, deoarece nu ia ı̂n considerare costurile de trans-
port. Din acest motiv au fost create alte metode care iau ı̂n calcul cele mai mici
costuri.
II. Metoda costului minim pe linie
Se determină cel mai mic cost de pe linie şi pe poziţia respectivă se face
alocarea. Incepem cu prima linie şi calculăm
min{c11, c12 , ..., c1n } = c1a
Se atribuie x1a = min{D1 , Na }. Dacă min(D1 , Na ) = D1 atunci se alege x1a = D1

şi se iau x1b = 0 (b 6= a, b = 1, n). Se ı̂nlocuieşte Na cu Na − D1 şi D1 = 0 şi se va
relua metoda pe restul liniilor. Dacă min(D1 , Na ) = Na atunci se alege x1a = Na
şi se scriu xja = 0 (j = 1, m, j 6= a). Se ı̂nlocuieşte D1 cu D1 − Na şi Na cu 0 şi se
va relua procedeul. Dacă se ı̂ntâmplă ca min{di , Na } = Di = Na atunci se obţine
un program de bază degenerat.
Exemplul 1.18. Să se afle un program de bază prin metoda costului minim pe
linie pentru problema
F\B B1 B2 B3 Disp.
F1 5 3 4 20
F2 4 5 6 15
F3 5 7 5 25
Nec. 33 10 17 =
Rezolvare. Se calculează
min{c11 , c12 , c13 } = min{5, 3, 4} = 3 = c12 .
x12 = min{D1 , N2 } = min{20, 10} = 10
D10 = 20 − 10 = 10, N20 = 10 − 10 = 0, x22 = 0, x32 = 0
min{c11 , c13 }=min{5, 4}=4=c13 , x13 =min{D10 , N3 }=min{10, 17}=10
00
D1 = 10 − 10 = 0, N30 = 17 − 10 = 7, x11 = 0
min{c21 , c23 }=min{4, 6}=4=c21 , x21 =min{D2 , N1 }=min{15, 33}=15
0
D2 = 15 − 15 = 0, N10 = 33 − 15 = 18, x23 = 0
min{c31 , c32 } = min{5, 5} = 5. Se poate alege oricare dintre c31 , c32 .
Pentru x31 = min{D3 , N10 } = min{25, 18} = 18,
40
0 00
D3 = 25 − 18 = 7, N1 = 18 − 18 = 0. In final x33 = 7
F\B B1 B2 B3 Disp.
F1 0 10 10 20, 10, 0
F2 15 0 0 15, 0
F3 18 0 7 25, 7, 0
Nec. 33, 18, 0 10, 0 17, 7, 0 =
Se obţine un program de bază nedegenerat

 
0 10 10
X0 =  15 0 0 


18 0 7
cu cheltuieli de transport f (X0 ) = 10 · 3 + 10 · 4 + 15 · 4 + 18 · 5 + 7 · 5 = 255.
III. Metoda costului minim pe coloană
Se procedează ca mai sus, dar cu deosebirea că se calculează costul minim pe

coloană. Exemplificăm pentru problema din exemplul anterior.
min{c11 , c21 , c31 } = 4 = c21 ⇒ x21 = min{15, 33} = 15, x22 = x23 = 0
min{c11 , c31 } = 5, alegem de exemplu x11 = min{18, 20} = 18, x31 = 0
min{c12 , c32 } = 3 = c12 ⇒ x12 = min{10, 2} = 2, x13 = 0
In final se obţine x32 = 8, x33 = 17
F\B B1 B2 B3 Disp.
F1 18 2 0 20, 2, 0
F2 15 0 0 15, 0
F3 0 8 17 25, 17, 0
Nec. 33, 18, 0 10, 8, 0 17, 0 =
deci avem un program de bază nedegenerat

 
18 2 0
 
X0 =  15 0 0 
0 8 17
cu cheltuieli de transport f (X0 ) = 18 · 5 + 2 · 3 + 15 · 4 + 8 · 5 + 17 · 5 = 281.

Următoarea metodă este ı̂n cele mai multe cazuri cea mai utilă, fiind cel mai
mult utilizată ı̂n practică, deoarece ţine seama de cel mai mic cost din matriccea
costurilor.
41
IV. Metoda costului minim din matrice
Metoda alocă valori pe poziţia corespunzătoare celui mai mic cost din matrice.
Astfel dacă cjb = min{cia , i = 1, m, a = 1, n}, atunci xjb = min{Dj , Nb }. Se
continuă procedeul, alegând cel mai mic cost pe pe rutele nealocate, până se
determină un program de bază. Pentru exemplificare, să determinăm un program
de bază prin metoda costului minim din matrice, pentru problema
F\B B1 B2 B3 Disp.
F1 2 4 5 15
F2 3 6 6 8
F3 5 5 6 7
Nec. 10 12 8 =
min{cia } = 2 = c11 ⇒ x11 = min{N1 , D1 } = min{10, 15} = 10

D10 = 15 − 10 = 5, N10 = 10 − 10 = 0, x21 = 0, x31 = 0
In tabelul rămas avem min{Cia } = 4 = C12 ⇒
x12 = min{N2 , D10 } = min{12, 5} = 5
D100 = 5 − 5 = 0, N20 = 12 − 5 = 7, x13 = 0
In tabelul rămas avem min{Cia } = 5 = C32
x32 = min{N20 , D3 } = min{7, 7} = 7
D30 = 7 − 7 = 0, N200 = 7 − 7 = 1, x22 = 0, x33 = 0. In final rămâne x23 = 8.
F\B B1 B2 B3 Disp.
F1 10 5 0 15, 5, 0
F2 0 0 8 8, 0
F3 0 7 0 7, 0
Nec. 10, 0 12, 7, 0 8, 0 =
şi se obţine un program de bază degenerat
 
10 5 0
 
X0 =  0 0 8 
0 7 0
deoarece avem numai patru componente pozitive (m + n − 1 = 3 + 3 − 1 = 5).
Cheltuielile de transport sunt f (X0 ) = 10 · 2 + 5 · 4 + 8 · 6 + 7 · 5 = 123.
Remarca 1.7. De obicei, metoda costului minim din matrice este cea mai efi-
cientă dintre metode.
42
După determinarea unui program de bază, se pune problema de a stabilii dacă
acesta este optim, sau cum putem determina programul optim.
1.6.3. Determinarea programului optim.

Metoda potenţialelor (Dantzig)
Metoda de rezolvare pentru o problemă de tip transport rezultă din aplicarea

algoritmului simplex problemei duale. Dacă notam cu ui variabilele duale asociate
n
P m
P
restricţiilor xia = Di şi cu va variabilele duale asociate restricţiilor xia =
a=1 i=1
Na , atunci duala nesimetrică se poate scrie sub forma

 ui + va ≤ cia , i = 1, m, a = 1, n
m
P n
P
 max g(u, v) = ui D i + va N a
i=1 a=1
ui ∈ R, va ∈ R , i = 1, m, a = 1, n (nu mai au restrictii de pozitivitate).

Deoarece problema de transport admite ı̂ntotdeauna soluţie finită, rezultă din
teoria dualităţii că şi duala admite soluţie finită, deci există valorile reale ui şi va ,
i = 1, m, a = 1, n care să verifice condiţiile din problema duală.
Din teorema ecarturilor complementare avem legătura dintre soluţiile optime
ale problemei iniţiale şi dualei, dată de
cia − (ui + va ) ≥ 0
xia (cia − ui − va ) = 0, i = 1, m, a = 1, n
Din cea de-a doua relaţie rezultă că dacă xia 6= 0 atunci ui + va = cia . Dar xia 6= 0
se ı̂ntâmplă numai pentru componentele bazice. Fie (xia ) = X0 un program de
bază, presupus nedegenerat (cu m+n−1 componente pozitive, restul nule) xia > 0
bazice şi xjb = 0 secundare. Avem următoarea teoremă.
Teorema 1.6. (Dantzig) Fiecărei componente bazice xia > 0 din programul de
bază ı̂i corespunde o pereche de numere (ui , va ) astfel ı̂ncât ui + va = cia , iar
programul este optim dacă cjb − (uj + vb ) ≥ 0 pentru xjb = 0 variabile secundare.
Sistemul {ui + va = cia are o infinitate de soluţii, deoarece avem m+n variabile
şi m + n − 1 ecuaţii. Fixăm arbitrar una din variabilele sistemului, de exemplu
u1 = 0, şi se obţin imediat celelalte variabile.
Din această teoremă, rezultă următorul algoritm:
Etapa 1. Se obţine un program de bază X0 .
43
Etapa 2. Se rezolvă sistemul ui + va = cia corespunzător variabilelor bazice
xia . Sistemul are numărul de ecuaţii egal cu numărul de componente pozitive din
programul de bază.
a) Dacă X0 este program de bază nedegerat (are m + n − 1 componente
pozitive şi restul nule) atunci se consideră u1 = 0 şi se află celelalte variabile duale.
b) Dacă X0 este program de bază degenerat atunci numărul de compo-
nente pozitive este mai mic de m + n − 1, deci considerând doar u1 = 0 se obţine
un sistem ı̂n care numărul de variabile ramâne mai mare ca numărul de ecuaţii.
Astfel, se vor mai scrie ecuaţii de forma uj + vb = cjb şi pentru variabile xjb = 0, şi
anume pentru acei indici cu cele mai mici valori ale costurilor cjb . Se completează
sistemul cu atâtea ecuaţii câte sunt necesare pentru a obţine m + n − 1 ecuaţii
(una, dacă X0 este simplu degenerat, două dacă este dublu degenerat, ş.a.m.d).
Valorile zero ale variabilelor xjb alese se numesc zerouri esenţiale, şi se notează ı̂n
tabel cu 0∗ .
Etapa 3. Pentru perechile (j, b) corespunzătoare tuturor variabilelor secun-
dare xjb = 0 se calculează
zjb = uj + vb , cjb = cjb − zjb
a) Dacă cjb ≥ 0 atunci X0 este program optim.

b) Dacă există valori cjb < 0 atunci programul X0 nu este optim. Se
calculează
cj0 b0 = min{cjb < 0}
not
iar variabila secundară xj0 b0 = θ va deveni bazică. Pe linia j0 şi coloana b0 va
exista cel puţin o valoare bazică, din care se va scădea θ. Se formează anumite
cicluri (cele mai frecvente având formele de mai jos)
xj 0 b − θ ··· ←− ··· xj0 b0 = θ

..
xj0 b − θ ← xj0 b0 = θ . ↑
↓ ↑ sau ↓ xls + θ −→ xlb0 − θ
xib + θ → xib0 − θ ..
. ↑
xib + θ −→ xis − θ
ı̂n care, se stabileşte un sens de parcurs pe fiecare linie, respectiv coloană, ı̂ncepând
cu xj0 b0 = θ. Pe rând, din fiecare valoare bazică a ciclului se scade, respectiv
se adună θ. Se alege θ egală cu cea mai mică valoare din ciclu ce rezultă din
xij − θ = 0 deci xj0 b0 = θ0 . Această valoare se ı̂nlocuieşte pe toate poziţiile unde
apare θ. Dacă ı̂n ciclu există zerouri esenţiale 0∗ atunci la acestea se poate doar
adăuga θ şi evident, nu se poate scădea. Se obţine un nou program de bază
(1)
X1 = xia cu care se va relua algoritmul ı̂ncepând cu etapa 2.
44
Remarca 1.8. Dacă ı̂n programul de optim avem cjb = 0 atunci există programe
optime multiple. Se pune θ pe poziţia corespunzătoare valorii 0 şi se continuă
algoritmul pentru a determina şi celelalte programe optime.
Remarca 1.9. In cazul b) când cj0 b0 = min{cjb < 0} şi se obţine un nou program
X1 , mai bun decât X0 , valoarea costului total este
f (X1 ) = f (X0 ) + cj0 b0 θ.
Demonstraţie. Să presupunem că se formează un ciclu de forma

xj0 b − θ ← xj0 b0 = θ
↓ ↑
xib + θ → xib0 − θ
In acest caz
m X
X n m X
X n
(1)
f (X1 ) = cia xia = cia xia + cj0 b0 θ − cj0 b θ + cib θ − cib0 θ.
i=1 a=1 i=1 a=1
Dar pentru variabilele bazice avem cia = ui + va adică
f (X1 ) = f (X0 ) + cj0 b0 θ − (uj0 + vb )θ + (ui + vb )θ − (ui + vb0 )θ
adică
f (X1 )=f (X0 ) + cj0 b0 θ − (uj0 + vb0 )θ=f (X0 ) + (cj0 b0 − zj0 b0 )θ=f (X0 ) + cj0 b0 θ.
Analog se procedează pentru orice alt tip de ciclu. u

t
Exemplul 1.19. Să se afle programul optim pentru problema de transport
F\B B1 B2 B3 Disp.
F1 5 3 4 20
F2 4 5 6 15
F3 5 7 5 25
Nec. 33 10 17 =
Rezolvare. Prin metoda costului minim din matrice se obţine

F\B B1 B2 B3 Disp.
F1 0 10 10 20, 10, 0
F2 15 0 0 15, 0
F3 18 0 7 25, 7, 0
Nec. 33, 18, 0 10, 0 17, 7, 0 =
45
şi rezultă un program de bază nedegenerat
 
0 10 10
 
X0 =  15 0 0 
18 0 7
cu costul f (X0 ) = 10 · 3 + 10 · 4 + 15 · 4 + 18 · 5 + 7 · 5 = 245.

Verificăm optimalitatea programului X0
X0 U\V v1 =4 v2 =3 v3 =4 cia
10 10 u1 =0 z11 =4 //3// //4// 1 //// ////
15 u2 =0 //4// z22 =3 z23 =4 //// 2 2
18 7 u3 =1 //5// z23 =4 //5// //// 3 ////
Considerăm
 u1 = 0 şi rezolvăm
 sistemul


 1
u + v 2 = 3 


v 2 = 3

 


 u 1 + v 3 = 4  3=4
 v
u2 + v 1 = 4 ⇒ v 1 = 4

 


 u3 + v 1 = 5 
 u2 = 0

 

 u +v =5  u =1
3 3 3
Calculăm zia = ui + va şi cia = cia − zia corespunzătoare variabilelor secundare
z11 = u1 + v1 = 0 + 4 = 4 ⇒ c11 = c11 − z11 = 5 − 4 = 1
z22 = u2 + v2 = 0 + 3 = 3 ⇒ c22 = c22 − z22 = 5 − 3 = 2,
z23 = u2 + v3 = 0 + 4 = 4 ⇒ c23 = c23 − z23 = 6 − 4 = 2,
z32 = u3 + v2 = 1 + 3 = 4 ⇒ c32 = c32 − z32 = 7 − 4 = 3,
Cum cia > 0 rezultă că X0 este program optim, unic.
Exemplul 1.20. Să se afle programul optim pentru problema de transport
F\B B1 B2 B3 Disp.
F1 4 3 2 14
F2 2 3 6 16
F3 5 8 5 15
Nec. 15 10 20 =
Rezolvare. Prin metoda costului minim din matrice avem

F\B B1 B2 B3 Disp.
F1 0 0 14 14, 0
F2 15 1 0 16, 1, 0
F3 0 9 6 15, 9, 0
Nec. 15, 0 10, 9, 0 20, 6, 0 =
46
şi obţinem un program de bază nedegenerat
 
0 0 14
X0 = 
 15 1 0 

0 9 6
cu costul de transport f (X2 ) = 14 · 2 + 15 · 2 + 1 · 3 + 9 · 8 + 6 · 5 = 163

Verificăm optimalitatea programul X0
X0 U\V v1 =4 v2 =5 v3 =2 cia
14 u1 =0 z11 =4 z12 =5 //2// 0 -2 /// θ 14-θ
15 1 u2 =-2 //2// //3// z23 =0 /// /// 6 15 1
9 6 u3 =3 z31 =7 //8// //5// -2 /// /// 9-θ 6+θ
 



u1 + v 3 = 2 


v3 = 2

 

 u2 + v 1 = 2
  u3 = 3

u +v =3 ⇒
2 2 2v =5

 


 u 3 + v 2 = 8

 u 2 = −2

 

 u +v =5  v =4
3 3 1
Deoarece c12 = c31 = −2 < 0 programul nu este optim. Putem pune θ pe

poziţia (1,2) sau (3,1). Alegem, de exemplu (1,2). Se formează ciclul
θ ← 14 − θ
↓ ↑
9−θ → 6+θ
(
14 − θ = 0
Calculăm min ⇒ θ = 9 şi rezultă
9−θ =0
 
0 9 5
 
X1 =  15 1 0 
0 0 15
program de bază nedegenerat cu f (X1 ) = f (X0 ) + c12 · θ = 163 − 2 · 9 = 145

Verificăm optimalitatea noului program X1
X1 U\V v1 =2 v2 =3 v3 =2 cia
9 5 u1 =0 z11 =2 //3// //2// 2 /// /// 9-θ 5+θ
15 1 u2 =0 //2// //3// z23 =2 /// /// 4 15-θ 1+θ
15 u3 =3 z31 =5 z32 =6 //5// 0 2 /// θ 15-θ
47
 



u1 + v 2 = 3 


v2 = 3

 

 1 + v3 = 2
 u  v3 = 2

u +v =2 ⇒
2 1 v =2
1

 


 u2 + v 2 = 3 
 u2 = 0

 

 u3 + v 3 = 5  u3 = 3
Cum cia ≥ 0 rezultă că X1 este program de bază optim şi pentru că există
c31 = 0 mai avem ı̂ncă un program optim. Se pune θ pe poziţia (3,1). Se
formează ciclul
9−θ → 5+θ
..
↑ .
15 − θ → 1 + θ ↓
..
↑ .
θ ··· ← · · · 15 − θ
 
( 0 0 14
15 − θ = 0  
şi calculăm min ⇒ θ = 9 ⇒ X2 =  6 10 0  program optim
9−θ =0
9 0 6
cu f (X2 ) = 145.
Pentru a obţine mulţimea tuturor programelor optime (atunci când
există cel puţin două programe optime), se face combinaţia liniară convexă
X = aX1 + (1 − a)X2 , a ∈ [0, 1]

   
0 9 5 0 0 14
   
X = a  15 1 0  + (1 − a)  6 10 0 
0 0 15 9 0 6
 
0 9a 14 − 9a
 
X =  6 + 9a 10 − 9a 0 , a ∈ [0, 1]
9 − 9a 0 6 + 9a
1.6.4. Degenerare ı̂n probleme tip transport
Este posibil ca la un pas să obţinem un program de bază degenerat, deci cu

mai puţin de m + n − 1 componente pozitive. O metodă de depăşire a degenerării
constă ı̂n a completa programul de bază degenerat cu valori 0, ı̂n rutele (i, a) care
au, pe rând, costul cel mai mic dintre costurile ce nu apar ı̂n programul de bază
degenerat, până se obţin (m + n − 1) rute. Cu noul program de bază X ∗ care
conţine componentele x∗ = θ∗ se continuă algoritmul până la un pas de optim (se
pot ı̂nchide ciclurile). In programul optim obţinut, se ı̂nlocuieşte θ∗ = 0.
48
Exemplul 1.21. Să se afle un program optim pentru problema
F\B C1 C2 C3 C4 Disp.
F1 1 4 4 6 40
F2 8 9 13 5 60
F3 10 11 2 3 80
Nec. 20 20 60 80 =
Rezolvare. Prin metoda costului minim din matrice obţinem

F1 20 20 0 0 40, 20, 0
F2 0 0 0 60 60, 0
F3 0 0 60 20 80, 20, 0
Nec. 20, 0 20, 0 60, 0 80, 60, 0 =
adică un program de bază degenerat de ordinul I
 
20 20 0 0
X0 =  0 0 0 60 


0 0 60 20
cu costul de transport f (X0 ) = 580.

Prin metoda nord-vest obţinem
F1 20 20 0 0 40, 20, 0
F2 0 0 60 0 60, 0
F3 0 0 0 80 80, 0
Nec. 20, 0 20, 0 60, 0 80, 0 =
deci un program de bază degenerat de ordinul II
 
20 20 0 0
X1 = 
 0 0 60 0 

0 0 0 80
cu costul de transport f (X1 ) = 1120

Se verifică optimalitatea lui X0 deoarece f (X0 ) < f (X1 )
X0 U\V v1 =1 v2 =4 v3 =4 v4 =5 cia
20 20 0∗ u1 =0 //1// //4// //4// z14 =5 /// /// /// 1
60 u2 =0 z21 =1 z22 =4 z23 =4 //5// 7 5 9 ///
60 20 u3 =-2 z31 =-1 z32 =2 //2// //3// 11 9 /// ///
49
Se pune 0∗ pe pozitia (1,3) (corespunzătoare costului cel mai mic dintre costurile
ce nu apar ı̂n programul de bază degenerat). Avem sistemul
 

 u1 + v 1 = 1 
 v1 = 1

 


 u1 + v 2 = 4 
 v2 = 4

 

 u1 + v 3 = 4  v3 = 4
⇒


 u2 + v 4 = 5 

 u3 = −2

 




u3 + v 3 = 2 


v4 = 5
 
u3 + v 4 = 3 u2 = 0
Cum cia > 0 rezultă ca X0 este program optim, unic.
1.6.5. Probleme tip transport neechilibrate
Problemele tip transport neechilibrate se ı̂ntâlnesc ı̂n cazul ı̂n care

m
X n
X m
X n
X
Di > Na sau Di < Na
i=1 a=1 i=1 a=1
Dacă avem prima relaţie, pentru a ajunge la o problemă echilibrată se introduce

m
P n
P
un consumator fictiv Cn+1 al cărui necesar este Nn+1 = Di − Na şi căruia
i=1 a=1
i se atribuie costuri de transport nule. Dacă avem a doua relaţie, atunci se in-
Pn m
P
troduce un furnizor fictiv Fm+1 care are un disponibil Dm+1 = Na − Di ,
a=1 i=1
cu costuri de transport nule. După echilibrare se află programul optim folosind
metoda potenţialelor, iar pentru găsirea programului optim al problemei iniţiale,
se şterge coloana consumatorului fictiv, dacă suntem ı̂n primul caz, respectiv linia
furnizorului fictiv, dacă suntem ı̂n cazul al doilea.
Exemplul 1.22. Să se determine programul optim pentru problema
F\B B1 B2 B3 Disp.
F1 5 6 4 20
F2 4 5 6 15
Nec. 30 10 10 <
Rezolvare. Problema nu este echilibrată, necesarul fiind mai mare decât disponi-
bilul. Se introduce un furnizor fictiv F3 cu disponibilul de 15 (diferenţa dintre
50
necesarul total şi disponibilul total)
F\B B1 B2 B3 Disp.
F1 5 6 4 20
F2 4 5 6 15
F3 0 0 0 15
Nec. 30 10 10 =
Prin metoda costului minim din matrice

F\B B1 B2 B3 Disp.
F1 10 0 10 20, 10, 0
F2 15 0 0 15, 0
F3 5 10 0 15, 10, 0
Nec. 30, 15, 5, 0 10, 0 10, 0 =
obţinem un program de bază nedegenerat

 
10 0 10
 
X0 =  15 0 0 
5 10 0
cu costul de transport f (X0 ) = 10 · 5 + 10 · 4 + 15 · 4 = 150

Verificăm optimalitatea lui X0
U\V v1 =5 v2 =5 v3 =4 cia
10 10 u1 =0 //5// z12 =5 //4// //// 1 ////
15 u2 =-1 //4// z22 =4 z23 =3 //// 1 3
5 10 u3 =-5 //0// //0// z33 =-1 //// //// 1
 



u1 + v 1 = 5 


v1 = 5

 

 u1 + v 3 = 4
  v3 = 4

2u +v =4 ⇒
1 2 v =5

 


 u 3 + v 1 = 0

 u 2 = −1

 

 u3 + v 2 = 0  u3 = −5
Cum cia > 0 rezultă că X0 este program de bază optim, unic pentru problema
echilibrată. Pentru a afla programul optim pentru problema iniţială, renunţăm la
ultima linie şi avem Ã !
0 10 0 10
X0 =
15 0 0
cu costul de tranport f (X00 ) = 150.
51
1.6.6. Probleme tip transport cu rute interzise
In practică se pot ı̂ntâlni situaţii când anumite rute trebuie evitate. Astfel,
un anumit consumator trebuie să primească numai de la anumiţi furnizori sau o
anumită rută este impracticabilă din anumite motive.
In acestă situaţie, rezolvarea problemei de transport se face considerând pen-
trul costul cia , corespunzator rutei interzise, urmatoarele valori: cia = c, c > 0
fiind un număr pozitiv, mai mare decât toate celelalte costuri (sau c = ∞) dacă
se cere minimizarea funcţiei de eficientă, sau cia = 0 ı̂n cazul ı̂n care se cere max-
imizarea funcţiei eficientă. Se aplică metoda costului minim pentru determinarea
unui program de bază. Un program de bază este util dacă pe ruta interzisă avem
valoarea zero.
Exemplul 1.23. Să se rezolve problema de transport dată de tabelul de mai jos,
ştiind că ruta (1,1) nu poate fi folosită datorită drumului impracticabil de la F1 la
B1
B1 B2 Disponibil
F1 ∞ 4 10
F2 5 1 19
Necesar 14 10 <
2
P 2
P
Rezolvare. Deoarece Di > Na introducem un consumator fictiv pentru
i=1 a=1
a obţine o problemă de transport echilibrată. De asemenea pentru a evita ruta
(1,1) consideram c11 = ∞.
B1 B2 B3 Disponibil
F1 ∞ 4 0 10
F2 5 1 0 19
Necesar 14 10 5 =
Prin metoda costului minim din matrice obţinem
B1 B2 B3 Disponibil
F1 5 0 5 10, 5, 0
F2 9 10 0 19, 9, 0
Necesar 14, 5, 0 10, 0 5, 0 =
sau
B1 B2 B3 Disponibil
F1 10 0 0 10, 0
F2 4 10 5 19, 14, 4, 0
Necesar 14, 10, 0 10, 0 5,0 =
52
dar ambele programe alocă o valoare pozitivă pe ruta interzisă (1,1).
Vom afla un program prin metoda costului minim pe coloană
B1 B2 B3 Disponibil
F1 0 5 5 10, 5, 0
F2 14 5 0 19, 5, 0
Necesar 14, 0 10, 5, 0 5, 0 =
care conduce la un program de bază nedegenerat
Ã !
0 5 5
X0 =
14 5 0
cu costul de transport f (X0 ) = 5 · 4 + 14 · 5 + 5 · 1 = 95 şi care are valoarea zero
pe ruta interzisă.
Verificam optimalitatea prin metoda potentialelor
X0 U \V v1 = 8 v2 = 4 v3 = 0 cia
0 5 5 u1 = 0 z11 =8 //4// //0// ∞ //// ////
14 5 0 u2 = −3 //5// //1// z23 =-3 //// //// 3
Avem sistemul  

 u1 + v 2 = 4 
 v2 = 4

 u +v =0 
 v =0
1 3 3
⇒


 u 2 + v 1 = 5 

 u 2 = −3
 
u2 + v 2 = 1 v1 = 8
Calculăm
z11 = u1 + v1 = 8 ⇒ c11 = c11 − z11 = ∞ − 8 = ∞
z23 = u2 + v3 = −3 ⇒ c23 = c23 − z23 = 0 − (−3) = 3
Cum cia > 0 rezultă ca programul X0 este optim, unic. Revenind la problema
iniţială rezultă Ã !
0 5
X0 =
14 5
program optim cu costul de transport f (X00 ) = f (X0 ) = 95.
Exemplul 1.24. Se dă problema tip transport cu rute interzise

F\B B1 B2 B3 Disp.
F1 5 5 5 40
F2 4 6 ∞ 20
F3 ∞ 5 5 30
F4 4 4 6 50
Nec. 50 45 45 =
53
a) Să se optimizeze
b) Să se găseasca un program optim in care pe rutele F1 B1 si F1 B2 să se trans-
porte o cantitate mai mică de 10 unităţi.
Rezolvare. Se aplica metoda costului minim din matrice
F\B B1 B2 B3 Disp.
F1 0 0 40 40, 0
F2 20 0 0 20, 0
F3 0 25 5 30, 5,0
F4 30 20 0 50, 20, 0
Nec. 50, 30, 0 45, 25, 0 45, 5, 0 =
şi obţinem un program de bază nedegenerat
 
0 0 40
 20 0 0 
 
X0 =  , f (X0 ) = 630
 0 25 5 
30 20 0
Verificăm optimalitatea
U\V v1 =5 v2 =5 v3 =5 cia
0 0 40 u1 =0 z11 =5 z12 =5 //5// 0 0 /// θ 40-θ
20 0 0 u2 =-1 //4// z22 =4 z23 =4 /// 2 ∞ 20
0 25 5 u3 =0 z31 =5 //5// //5// ∞ /// /// 25-θ 5+θ
30 20 0 u4 =-1 //4// //4// z43 =4 /// /// 2 30 20
şi obţinem cia ≥ 0 rezultă X0 este program de bază nedegenerat, optim şi mai
există alte două programe de optim, deoarece c11 = c12 = 0. Putem pune θ pe
poziţia (1,2). Avem ciclul
θ → 40-θ
↑ ↓
25-θ ← 5+θ
 
( 0 25 15
40 − θ = 0  20 0 0 
Calculăm min ⇒ θ = 25 ⇒ X1 =  

 optim.
25 − θ = 0  0 0 30 
30 20 0
Obţinem celălalt program optim, punând θ pe poziţia (1,1) şi avem ciclul
θ 25-θ 15
θ → 25-θ
20
↑ ↓ ⇒
30
30-θ ← 20+θ
30-θ 20+θ
54
 
( 25 0 15
30 − θ = 0  20 0 0 
 
Calculăm min ⇒ θ = 25 ⇒ X2 =   optim.
25 − θ = 0  0 0 30 
5 45 0
Facem combinatia liniară convexă a celor trei programe de optim şi se obţine:
X = aX1 + bX2 + cX3 , cu a + b + c = 1; a ≥ 0, b ≥ 0, c ≥ 0
     
0 0 40a 0 25b 15b 25c 0 15c
 20a 0 0   20b 0 0   20c 0 0 
X=

 
+
 
+


 0 25a 5a   0 0 30b   0 0 30c 
30a 20a 0 30b 20b 0 5c 45c 0
 
25c 25b 40a + 15b + 15c
 20 0 0 
X=



 0 25a 5a + 30b + 30c 
30a + 30b + 5c 20a + 20b + 45c 0
( (
25c ≤ 10 c ≤ 52
b) Condiţia din problemă impune ca ⇒
25b ≤ 10 b ≤ 52
Deci există mai multe programe optime care satisfac aceasta condiţie. De
exemplu, pentru b = 25 , c = 25 rezultă a = 15 deci avem programul optim
 
10 10 20
 20 0 0 
 
X3 =  
 0 5 25 
20 30 0
1.6.7. Probleme tip transport cu centre legate
Sunt probleme ı̂n care un număr de p consumatori din totalul de n + p au

necesarul comun. Problema se aduce la forma standard astfel:
- se unifică coloanele (n + 1, ..., n + p) ı̂ntr-o singură coloană cu un nece-
sar Nn+1 = N. Pe aceasta coloană se definesc costurile c0in+1 prin: c0in+1 =
min{cin+1 , cin+2 , ..., cin+p }, i = 1, m celelalte costuri cij răman neschimbate.
Se obţine o problemă cu (n + 1) consumatori, care se rezolvă cu soluţia optimă
notată
X = (xij ), i = 1, m, j = 1, n + 1
Se revine la problema iniţială astfel:
x0ik = xik dacă k = 1, n, i = 1, m
x0ik = 0 dacă k > n, k 6= ki
55
x0ik = xin+1 dacă k = ki , k = n + 1, n + p
Exemplul 1.25. Să se rezolve problema de trasport cu centre legate, precizând

dacă exista un program optim astfel ı̂ncât pe ruta F1 B3 să fie alocate cel mult 4
unităţi
F\B B1 B2 B3 Disp.
F1 2 6 3 10
F2 3 4 5 20
F3 4 3 7 10
Nec. 15 25 =
Rezolvare. Se formează o noua problemă, alegând costul minim dintre coloanele

a doua şi a treia.
F\B B1 B2,3 Disp.

min{6, 3} = 3 F1 2 3 10
min{4, 5} = 4 ⇒ F2 3 4 20
min{3, 7} = 3 F3 4 3 10
Nec. 15 25 =
şi obţinem un program de bază prin metoda costului minim
F\B B1 B2,3 Disp.

F1 10 0 10, 0
F2 5 15 20, 15, 0
F3 0 10 10, 0
Nec. 15, 5, 0 25, 10, 0 =
Rezultă un program de bază nedegenerat

 
10 0
 
X0 =  5 15 
0 10
cu costul f (X0 ) = 125. Se verifică optimalitatea lui X0
X0 U\V v1 =2 v2 =3 cia
10 u1 =0 //2// z12 =3 //// 0 10-θ θ
5 15 u2 =1 //3// //4// //// //// 5+θ 15-θ
10 u3 =0 z31 =2 //3// 2 //// 10
56
deci X0 este program de bază optim si mai există un program de bază optim
deoarece
( c12 = 0. Se pune θ pe poziţia (1, 2) şi se formează ciclul. Calculăm min
15 − θ = 0
⇒ θ = 10 şi
10 − θ = 0
 
0 10
 
X2 =  15 5  , f (X2 ) = 125
0 10
program optim. Revenind la problema iniţiala rezultă

   
10 0 0 0 0 10
0   0  
X0 =  5 15 0  , X1 =  15 5 0 
0 10 0 0 10 0
programe optime pentru problema iniţiala

0 0
Facem combinatia liniară convexă a programelor X0 si X1
0 0
X = aX1 + (1 − a)X2 ; a ∈ [0, 1]
   
10a 0 0 0 0 10 − 10a
   
X =  5a 15a 0  +  15 − 15a 5 − 5a 0 
0 10a 0 0 10 − 10a 0
 
10a 0 10 − 10a
 
X =  15 − 10a 5 + 10a 0 
0 10 0
6 6
Condiţia din enunţ conduce la 10 − 10a ≤ 4 ⇒ 10a ≥ 6 ⇒ a ≥ 10
. Pentru a = 10
avem programul optim  
6 0 4
 
X2 =  9 11 0 
0 10 0
1.6.8. Probleme de repartiţie cu funcţie obiectiv de maxim
Există situaţii când se cere să se determine maximul funcţiei obiectiv f (X).
Pentru determinarea unui program de bază se pot aplica metodele ”cost” (ben-
eficiu) maxim din matrice, pe linie sau coloană, sau metoda nord-vest (nu ţine
seama de costuri sau beneficii). Pentru verificarea optimalităţii se aplică metoda
potenţialelor, cu deosebirea că programul este optim dacă cia = cia − zia ≤ 0. In
57
cazul când avem elemente pozitive ale matricei diferenţelor cia − zia programul de
bază obţinut nu este optim, punându-se θ pe pozitia celui mai mare element din
matricea cia şi continuând algoritmul.
Exemplul 1.26. Trei secţii F1 , F2 , F3 ale unei fabrici au capacităţile de producţie

date ı̂n tabelul de mai jos (acestea fiind folosite integral) şi pot fabrica produsele
P1 , P2 , P3 , P4 care au o cerere de desfacere conform liniei N.
P1 P2 P3 P4 Capacitate de producţie
F1 7 9 3 5 30
F2 4 1 6 7 20
F3 2 7 4 3 50
Contract (cerere) 25 35 15 25 =
In funcţie de tehnologia aplicată s-a stabilit beneficiul realizat la unitatea de

produs xj fabricat de Fi , care este dat de numărul cij din pozitia (i, j). Să se
determine un plan de producţie astfel ca beneficiul total să fie maxim.
Rezolvare. Determinăm un programul de bază prin metoda beneficiu maxim

din matrice
x1 x2 x3 x4 D
F1 0 30 0 0 30, 0
F2 0 0 0 20 20, 0
F3 25 5 15 5 50, 45, 30, 25, 0
N 25, 0 35,5,0 15, 0 25, 5, 0 =
deci se obţine un program de bază nedegenerat

 
0 30 0 0
X0 =  0 0 0 20 


25 5 15 5
cu beneficiul f (X0 ) = 570

Verificăm optimalitatea prin metoda potentialelor
X0 U\V v1 =4 v2 =9 v3 =6 v4 =5 cia
30 u1 =0 z11 =4 //9// z13 =6 z14 =5 3 /// -3 0
20 u2 =2 z21 =6 z22 =11 z23 =8 //7// -2 -10 -2 ///
25 5 15 5 u3 =-2 //2// //7// //4// //3// /// /// /// ///
58
Considerăm u1 = 0 şi avem
 

 u1 + v 2 = 9 
 v2 = 9

 


 u 2 + v4 = 7 
 u3 = −2

 

 u3 + v 1 = 2  v1 = 4
⇒


 u3 + v 2 = 7 

 v3 = 6

 




u 3 + v3 = 4 


v4 = 5
 
u3 + v 4 = 3 u2 = 2
 

 z11 = u1 + v 1 =4 
 c11 = c11 − z11 =3

 


 z13 = u1 + v 3 =6 
 c13 = c13 − z13 = −3

 

 z = u1 + v 4 =5  c = c14 − z14 =0
14
 z21 =
⇒  14

 u2 + v 1 =6 
 c21 = c21 − z21 = −2

 




z22 = u2 + v 2 = 11 


c22 = c22 − z22 = −10
 
z23 = u2 + v 3 =8 c23 = c23 − z23 = −2
Cum c11 = 3 > 0 (problemă de maxim) programul nu este optim. Punem θ pe
pozitia (1,1) si avem ciclul
θ → 30-θ θ 30-θ
↑ ↓ ⇒ 20
25-θ ← 5+θ 25-θ 5+θ 15 5
(
30 − θ = 0
Calculăm min ⇒ θ = 25 şi
25 − θ = 0
 
25 5 0 0
 
X1 =  0 0 0 20 
0 30 15 5
program de bază nedegenerat f (X1 ) = f (X0 ) + c11 · θ = 570 + 3 · 25 = 645.
Verificăm optimalitatea lui X1
X1 U\V v1 =7 v2 =9 v3 =6 v4 =5 cia
25 5 u1 =0 //7// //9// z13 =6 z14 =5 /// /// -3 0
20 u2 =2 z21 =9 z22 =11 z23 =8 //7// -5 -10 -2 ///
30 15 5 u3 =-2 z31 =5 //7// //4// //3// -3 /// /// ///
Cum cia ≤ 0 programul X1 este optim şi pentru că c14 = 0 mai există ı̂ncă un
program optim. Punem θ pe pozitia (1,4) şi avem ciclul
5-θ → θ 25 5-θ 0 θ
↑ ↓ ⇒ 0 0 0 20
30+θ ← 5-θ 0 30+θ 15 5-θ
59
Calculam min{5 − θ = 0 ⇒ θ = 5 şi obţinem
 
25 0 0 5
 
X3 =  0 0 0 20 
0 35 15 0
program de bază degenerat, optim, f (X2 ) = 645
Facem combinatia liniară convexă a programelor optime
X = aX2 + (1 − a)X3 , a ∈ [0, 1]
   
25 5 0 0 25 0 0 5
   
X = a  0 0 0 20  + (1 − a)  0 0 0 20 
0 30 15 5 0 35 15 0
 
25 5a 0 5 − 5a

X= 0 0 0 20  
0 30 − 5a 15 5a
şi determinăm mulţimea tuturor programelor optime.
Probleme propuse
1) Trei centre de producţie F1 , F2 , F3 dispun de un produs ı̂n cantităţile

60, 80 şi 100 unităţi. Acest produs este necesar ı̂n centrele de consum C1 , C2 , C3 ,
C4 ı̂n cantităţile 40, 60, 80, şi 60. Matricea costurilor de transport este dată ı̂n
tabelul de mai jos
F\B C1 C2 C3 C4 Disponibil
F1 10 20 30 40 60
F2 40 30 20 5 80
F3 5 20 20 10 100
Necesar 40 60 80 60 =
Să se determine un plan optim de transport.
2) Se dă problema tip transport cu rute interzise

F1 4 6 2 - 100
F2 5 7 3 8 150
F3 - - 1 8 200
Nec. 55 95 125 175 =
60
a) Să se determine un program de transport optim.
b) Să se gasească un program optim ı̂n care pe ruta F1 B1 să se transporte o
cantitate de 30 unităţi.
61
2. MODELE NELINIARE
2.1. Spaţii vectoriale. Noţiuni introductive.
Fie K un corp comutativ şi V o mulţime nevidă. Elementele lui K le vom

nota cu α, β, γ, ... iar elementele lui V cu x, y, z, ....
Definiţia 2.1. Mulţimea V se numeşte spaţiu vectorial peste K dacă avem defi-
nite următoarele operaţii:
1) + : V × V → V (adunare) ı̂n raport cu care V are structură de grup.
2) · : K × V → V (ı̂nmulţire cu scalari) care satisface relaţiile:
a) 1 · x = x, oricare ar fi x ∈ V.
b) (α + β)x = αx + βx, oricare ar fi x ∈ V şi α, β ∈ K
c) α(x + y) = αx + αy, oricare ar fi x, y ∈ V şi α ∈ K
d) α(βx) = (αβ)x, oricare ar fi x ∈ V şi α, β ∈ K.
Elementele lui V se numesc vectori, iar elementele lui K se numesc scalari.

Dacă K este corpul numerelor reale R, atunci V se numeşte spaţiu vectorial real.
Elementul neutru al grupului (V, +) se numeşte vectorul nul şi se notează cu 0.
Exemplul 2.1. Considerăm spaţiu real n-dimensional, notat Rn

Rn =R
|
×R×
{z
· · · × R}= {x = (x1 , ..., xn ) | xi ∈ R, i = 1, n}
n ori
Atunci Rn este spaţiu vectorial peste R ı̂n raport cu operaţiile:

-adunare x + y = (x1 + y 1 , ..., xn + y n )
-ı̂nmulţirea cu scalari αx = (αx1 , ..., αxn )
Definiţia 2.2. Fie V un spaţiu vectorial peste K, iar x1 , ..., xm ∈ V.

1) Spunem că vectorul x ∈ V este o combinaţie liniară de vectorii x1 , ..., xm
dacă există scalarii α1 , α2 , ..., αm ∈ K astfel ı̂ncât
m
X
x= α i xi
i=1
2) Fie S o submulţime nevidă a lui V . Spunem că vectorul x ∈ V este o

combinaţie liniară de vectori din S, dacă există scalarii α1 , α2 , ..., αm ∈ K şi
m
P
vectorii x1 , ..., xm ∈ S astfel ı̂ncât x = αi xi .
i=1
62
3) Mulţimea < S > a tuturor combinaţiilor liniare de vectori din S ⊂ V se
numeşte acoperirea liniară a lui S.
Definiţia 2.3. Fie V un spaţiu vectorial peste K.

1) Spunem că sistemul finit de vectori {x1 , ...xm } din V este liniar dependent
dacă există scalarii α1 , α2 , ..., αm ∈ K, cel puţin unul nenul, astfel ı̂ncât α1 x1 +
α2 x2 + αm xm = 0.
2) Spunem că sistemul finit de vectori {x1 , ...xm } din V este liniar independent
dacă din oricare combinaţie liniară nulă α1 x1 + α2 x2 + αm xm = 0 rezultă α1 =
α2 = · · · = αm = 0.
Exemplul 2.2. Stabiliţi dacă vectorii
x1 = (1, −1, 2), x2 = (2, 1, 3), x3 = (0, 1, 3)
sunt liniar dependenţi sau independenţi ı̂n spaţiul vectorial real R3 .
Rezolvare. Considerăm combinaţia liniară α1 x1 + α2 x2 + α3 x3 = 0, adică

α1 (1, −1, 2) + α2 (2, 1, 3) + α3 (0, 1, 3) = (0, 0, 0) şi (α1 , −α1 , 2α1 ) + (2α2 , α2 , 3α2 ) +
(0, α3 , 3α3 ) = (0, 0, 0) care conduce la sistemul liniar omogen

1 2
 α + 2α = 0

−α1 + α2 + α3 = 0


2α1 + 3α2 + 3α3 = 0
 
1 2 0

cu matricea A =  −1 1 1  şi det A = 10 6= 0 adică singura soluţie este
2 3 3
1 2 3
α = α = α = 0 ceea ce ı̂nseamnă că vectorii sunt liniar independenţi.
Definiţia 2.4. Sistemul S de vectori din V este un sistem de generatori pentru

V dacă orice vector din V se scrie ca o combinaţie liniară de vectori din S.
Definiţia 2.5. Sistemul B de vectori din V este o bază pentru V dacă

1) B este liniar independent.
2) < B >= V .
Teorema 2.1. Fie V spaţiu vectorial peste K şi B = {x1 , ...xm } ⊂ V . Atunci B
este o bază pentru V dacă şi numai dacă orice vector din V se scrie ı̂n mod unic
ca o combinaţie liniară de vectorii x1 , ..., xm .
63
Dacă B = {x1 , ...xm } este o bază a spaţiului vectorial V , atunci scalarii
α , α2 , ..., αm ∈ K pentru care
1
m
X
x= α i xi
i=1
se numesc coordonatele vectorului x ı̂n raport cu baza B. Vom nota xB =

(α1 , α2 , ..., αm )t .
Teorema 2.2. 1) Orice spaţiu vectorial V peste K, nenul, posedă cel puţin o
bază.
2) Toate bazele unui spaţiu vectorial finit generat au acelaşi număr de vectori.
3) Coordonatele unui vector ı̂ntr-o bază dată sunt unice.
4) Dimensiunea unui spaţiu vectorial finit generat este dat de numărul de
vectori din bază.
Remarca 2.1. In spaţiul vectorial Rn un sistem de vectori {x1 , ..., xn } formează

o bază dacă şi numai dacă sunt liniari independenţi, adică determinantul format
din coordonatele vectorilor scrise pe coloane este diferit de zero.
Exemplul 2.3. In spaţiul vectorial R3 se consideră vectorii

x = (2, 1, −2), y = (−1, 2, 0), z = (a, −1, 1), u = (2, 1, 1)
a) Determinaţi valoarea lui a, astfel ı̂ncât B = {x, y, z} să formeze o bază.
b) Determinaţi coordonatele vectorului u ı̂n baza B, pentru a = 1.
¯ ¯
¯ 2 −1 a ¯
¯ ¯
¯
Rezolvare.a) ¯ 1 2 −1 ¯¯ = 3 + 4a 6= 0 ⇒ a 6= −3/4. Rezultă că a ∈
¯ ¯
¯ −2 0 1 ¯
R\{−3/4} astfel ı̂ncât B = {x, y, z} să formeze o bază.
b) Din relaţia u = α1 x + α2 y + α3 z rezultă sistemul liniar

1 2 3
 2α − α + α = 2

α1 + 2α2 − α3 = 1


−2α1 + α3 = 1
cu soluţia α1 = 4/7, α2 = 9/7, α3 = 15/7. Deci coordonatele vectorului u ı̂n baza

B = {x, y, z} sunt uB = {4/7, 9/7, 15/7}, adică x = 74 x1 + 97 x2 + 15
7 3
x.
2.2. Forme biliniare. Forme pătratice
Fie V un spaţiu vectorial peste K.
64
Definiţia 2.6. O aplicaţie b : V × V → K se numeşte formă biliniară dacă sunt
satisfacute urmatoarele condiţii:
1) b(αx + βy, z) = αb(x, z) + βb(y, z)
2) b(x, αy + βz) = αb(x, z) + βb(y, z), pentru α, β ∈ K şi x, y, z ∈ V.
Forma biliniară b : V × V → K se numeşte simetrică (antisimetrică) dacă

b(x, y) = b(y, x), (respectiv b(x, y) = −b(y, x)) oricare ar fi x, y ∈ V.
Definiţia 2.7. Dacă b : V × V → K este o formă biliniară simetrică, atunci

aplicaţia f (x) = b(x, x) se numeşte formă pătratică asociată formei biliniare b.
Definiţia 2.8. Fie V un spaţiu vectorial real. Forma pătratică f : V → R se

numeşte:
a) pozitiv definită dacă f (x) ≥ 0, ∀x ∈ V şi f (x) = 0 dacă şi numai dacă
x = 0.
b) semipozitiv definită dacă f (x) ≥ 0, ∀x ∈ V (există x 6= 0 astfel ı̂ncât
f (x) = 0)
c) negativ definită dacă f (x) ≤ 0, ∀x ∈ V şi f (x) = 0 dacă şi numai dacă
x = 0.
d) seminegativ definită dacă f (x) ≤ 0, ∀x ∈ V (există x 6= 0 astfel ı̂ncât
f (x) = 0)
e) nedefinită dacă există x, y ∈ V astfel ı̂ncât f (x) > 0 şi f (y) < 0.
Fie V un spaţiu vectorial peste K de dimensiune finită n ≥ 1, iar B =

{v1 , v2 , ..., vn } o bază a sa. Dacă b : V × V → K este o formă biliniară atunci
avem n n
XX
b(x, y) = aij xi y j (2.1)
i=1 j=1
oricare ar fi n n
X X
i
x= x vi , y= y i vi
i=1 i=1
unde aij = b(vi , vj ), i, j = 1, n.

Egalitatea (13) se numeşte expresia analitică a formei biliniare b ı̂n raport cu
baza B, iar A = (aij )i,j=1,n se numeşte matricea asociată formei biliniare b ı̂n
raport cu baza B. Avem de asemenea egalitatea
b(x, y) = XBt AYB (2.2)
numită expresia matriceală a formei biliniare b ı̂n raport cu baza B.
65
Definiţia 2.9. Fie V un spaţiu vectorial peste K de dimensiune n ≥ 1 şi b :
V × V → K o formă biliniară. Rangul matricei sale ı̂n raport cu o bază oarecare
a lui V se numeşte rang al formei biliniare.
Remarca 2.2. Rangul matricei unei forme biliniare este invariant la o schimbare
de bază. Forma biliniară b este simetrică (antisimetrică), dacă şi numai dacă
matricea sa ı̂n raport cu o bază a lui V este simetrică (respectiv antisimetrică)
Din (13) rezultă că expresia analitică a formei pătratice f ı̂n raport cu baza
B = {v1 , v2 , ..., vn } a lui V este
n X
X n
f (x) = aij xi xj
i=1 j=1
n
P
unde x = xi vi , iar din (14) se obţine expresia matriceală a lui f ı̂n raport cu
i=1
baza B
f (x) = XBt AXB
unde A = (aij )i,j=1,n este matricea (simetrică) a lui f ı̂n raport cu baza B.
Dacă ı̂n raport cu baza B = {e1 , e2 , ..., en } a lui V, matricea formei pătratice
f : V → K are formă diagonală, adică
 
α1 0 ··· 0
 
 0 α2 0 
A=
 .. ... 

 . 
0 0 αn
atunci se spune că baza B este baza canonică pentru f, iar expresia analitică a lui
f ı̂n raport cu baza B
n
X
f (x) = αi (xi )2
i=1
se numeşte expresia canonică a lui f .
Remarca 2.3. In acest caz, forma pătratică este:

a) pozitiv definită, dacă αi > 0, i = 1, n
b) semipozitiv definită, dacă αi ≥ 0, (există αi = 0)
c) negativ definită, dacă αi < 0, i = 1, n
d) seminegativ definită, dacă αi ≤ 0,(există αi = 0)
e) nedefinită, dacă există αi > 0, αj < 0, i 6= j.
66
Definiţia 2.10. Fie V un spaţiu vectorial real, de dimensiune finită şi f : V → R
o formă pătratică. Numărul coeficienţilor strict pozitivi (strict negativi) dintr-o
expresie canonică a lui f se numeşte indexul pozitiv (index negativ) al formei
pătratice. Perechea (p, q) unde p este indexul pozitiv, iar q indexul negativ, se
numeşte signatura formei pătratice.
Teorema 2.3. (Legea inerţiei) Signatura formei pătratice f : V → R este invari-

antă la schimbarea bazei ı̂n care f are o expresie canonică.
2.2.1. Metoda lui Gauss pentru determinarea formei canonice a unei

forme pătratice
Teorema 2.4. Fie V un spaţiu vectorial nenul peste K, de dimensiune finită n ≥

n P
P n
1 şi f : V → K o formă pătratică având expresia analitică f (x) = aij xi xj
i=1j=1
n
P i
ı̂n raport cu baza B = {v1 , v2 , ..., vn }, x = x vi . Atunci există o bază B1 =
i=1
n
P
{e1 , e2 , ..., en } a lui V ı̂n raport cu care f are forma canonică f (y) = αi (yi )2 ,
i=1
n
P
oricare ar fi y = y i ei .
i=1
Demonstraţie. Considerăm f (x) = a11 (x1 )2 + 2a12 x1 x2 + ... + 2a1n x1 xn +

a22 (x2 )2 +2a23 x2 x3 +...+2a2n x2 xn +...+ann (xn )2 şi distingem următoarele cazuri:
I) Pentru a11 6= 0 se dă factor comun a111 pentru toţi termenii ce conţin x1 şi
se formează un pătrat perfect prin adunarea şi scăderea termenilor necesari. Se
obţine
1 2 1 2
f (x) = [a (x ) + 2a11 x1 (a12 x2 + ... + a1n xn )] + a22 (x2 )2 + 2a23 x2 x3 + ...
a11 11
+2a2n x2 xn + ... + ann (xn )2 =

1 2 1 2
= [a (x ) +2a11 x1 (a12 x2 +..+a1n xn )+(a12 x2 +...+a1n xn )2 -(a12 x2 +..+a1n xn )2 ]
a11 11
+a22 (x2 )2 + 2a23 x2 x3 + ... + 2a2n x2 xn + ... + ann (xn )2 =
1 1
= (a11 x1 +a12 x2 +..+a1n xn )2 - (a12 x2 +..+a1n xn )2 +a22 (x2 )2 +2a23 x2 x3 +..
a11 a11
67
+2a2n x2 xn + ... + ann (xn )2 =
1
= (a11 x1 + a12 x2 + ... + a1n xn )2 + f1 (x)
a11
unde f1 (x) este o formă pătratică ce depinde numai de x2 , x3 , ..., xn .
Prin schimbarea de coordonate (deci o schimbare de bază)


 a11 x1 + a12 x2 + ... + a1n xn = z 1


 x2 = z 2
 ..



.
 n
x = zn
se obţine f (x) = a111 (z 1 )2 + f1 (z 2 , z 3 , ...z n ).

Se reia procedeul cu forma pătratică f1 ce depinde de (n − 1) variabile şi dupa
un număr finit de paşi se obţine expresia canonică pentru f .
II) Dacă a11 = 0, dar există aı̂i 6= 0 atunci se dă factor comun a1ii ı̂ntre toţi
termenii ce conţin pe xi şi se procedează ca la cazul I).
III) Dacă aii = 0 pentru i = 1, n (ı̂n expresia lui f nu avem pătrate), atunci
se alege un termen nenul arp 6= 0, r 6= p şi facem schimbarea de coordonate

r r p
 x =t +t

xp = t r − t p


xi = ti , i = {1, 2, ..., n}\{r, p}
şi obţinem pentru f o expresie analitică ı̂n care coeficienţii lui (tr )2 şi (tp )2 sunt
nenuli, putându-se aplica cazul I). u
t
Exemplul 2.4. Să se aducă la forma canonică şi să se precizeze natura formei
pătratice
a)f (x) = 2(x1 )2 + 2x1 x2 − 2x1 x3 + 3(x2 )2 + 2(x3 )2
b)f (x) = x1 x2 + x1 x3 + 2x2 x3
Rezolvare.a) f (x) = 21 [4(x1 )2 + 4x1 x2 − 4x1 x3 )] + 3(x2 )2 + 2(x3 )2 =
= 21 [(2x1 )2 + 4x1 (x2 − x3 ) + (x2 − x3 )2 − (x2 − x3 )2 ] + 3(x2 )2 + 2(x3 )2 =
= 12 (2x1 + x2 − x3 )2 − 12 (x2 − x3 )2 + 3(x2 )2 + 2(x3 )2 =
= 12 (2x1 + x2 − x3 )2 + 52 (x2 )2 + x2 x3 + 32 (x3 )2
68
Facem schimbarea de coordonate

1 2 3 1
 2x + x − x = z

x2 = z 2


x3 = z 3
şi obţinem f (z) = 12 (z 1 )2 + 25 [ 25

4
(z 2 )2 + 52 z 2 z 3 ] + 32 (z 3 )2 =
= 21 (z 1 )2 + 52 [( 52 z 2 )2 + 2 · 52 z 2 12 z 3 + ( 12 z 3 )2 − ( 12 z 3 )2 ] + 23 (z 3 )2 =
= 21 (z 1 )2 + 25 ( 25 z 2 + 12 z 3 )2 − 10
1
(z 3 )2 + 32 (z 3 )2 = 21 (z 1 )2 + 25 ( 52 z 2 + 21 z 3 )2 + 75 (z 3 )2 .
Prin schimbarea de coordonate

1 1
 z =t

5 2
2
z + 12 z 3 = t2

 3
z = t3 ,
se obţine forma canonică

1 2 7
f (x) = (t1 )2 + (t2 )2 + (t3 )2
2 5 5
adică forma pătratică este pozitiv definită.
b) Pentru că aii = 0, i = 1, 3 facem schimbarea de coordonate

1 1 2
 x =t +t

x2 = t1 − t2


x3 = t3 ,
şi obţinem f (x) = (t1 )2 − (t2 )2 + (t1 + t2 )t3 + 2(t1 − t2 )t3 =
= (t1 )2 + 3t1 t3 − t2 t3 − (t2 )2 = (t1 )2 + 2t1 23 t3 + ( 23 t3 )2 − ( 23 t3 )2 − t2 t3 − (t2 )2 =
= (t1 + 23 t3 )2 − (t2 )2 − t2 t3 − 94 (t3 )2 =
= (t1 + 32 t3 )2 − [(t2 )2 + 2t2 21 t3 + ( 12 t3 )2 ] + 14 (t3 )2 − 94 (t3 )2 =
= (t1 + 23 t3 )2 − (t2 + 12 t3 )2 − 2(t3 )2 .
Prin schimbarea de coordonate

 3 3
1 1
 t + 2t = z

t2 + 12 t3 = z 2

 3
t = z3,
69
se obţine forma canonică
f (z) = (z 1 )2 − (z 2 )2 − 2(z 3 )2
adică forma pătratică este nedefinită.
2.2.2. Metoda lui Jacobi pentru determinarea formei canonice a unei

forme pătratice
Teorema 2.5. (Jacobi) Considerăm V un spaţiu vectorial peste K de dimensiune

n P
P n
finită n ≥ 1 şi f : V → K o formă pătratică având expresia analitică f (x) =
i=1j=1
n
P
i j i
aij x x ı̂n raport cu baza B = {v1 , v2 , ..., vn }, x = x vi . Dacă minorii principali
¯ i=1 ¯
¯ ¯ ¯ a a12 a13 ¯¯
¯ a ¯
a12 ¯ ¯ 11
¯ ¯
41 = a11 , 42 = ¯¯ 11 ¯ , 43 = ¯ a21
a22 a23 ¯¯ ,..., 4n = det A ai ma-
a21 a22 ¯ ¯
¯ a31
¯
a32 a33 ¯
tricei simetrice A sunt nenuli, atunci există o bază B = {e1 , e2 , ..., en } a lui V ı̂n
raport cu care f are expresia canonică
n
X 4i−1
f (x) = (y i )2
i=1 4i
n
P
oricare ar fi x = y i ei , unde 40 = 1.
i=1
Remarca 2.4. Forma pătratică f (x) este

a) pozitiv definită dacă di > 0, i = 1, n
b) negativ definită dacă d1 < 0, d2 > 0, d3 < 0, ...,(−1)n dn > 0
Exemplul 2.5. Să se aducă la forma canonică următoarele forme pătratice f :

R3 → R
a) f (x) = 2(x1 )2 + 2x1 x2 − 2x1 x3 − (x2 )2 + 4x2 x3 + (x3 )2
b) f (x) = (x1 )2 + x1 x2 − 2x1 x3 + 2(x2 )2 + 4x2 x3 + 5(x3 )2

şi să se precizeze natura lor.
70
 
2 1 −1
 
Rezolvare. a) Matricea asociată este A =  1 −1 2  şi avem
¯ ¯
−1 2 1
¯ 2 1 ¯
¯ ¯
41 = 2, 42 = ¯¯ ¯ = −3, 43 = det A = −14 adică
1 −1 ¯
1 2 3
f (x) = (y 1 )2 − (y 2 )2 + (y 3 )2
2 3 14
şi este nedefinită.  
1 1/2 −1
b) Matricea asociată este A =  1/2 2 2  şi avem
¯ ¯
−1 2 5
¯ 1 1/2 ¯¯
41 = 1, 42 = ¯¯ ¯ = 7/4, 43 = det A = 3/4, adică
¯ 1/2 2 ¯
4 7
f (x) = (y 1 )2 + (y 2 )2 + (y 3 )2
7 3
şi este pozitiv definită.
2.3. Funcţii reale de mai multe variabile
Considerăm spaţiu real n-dimensional Rn , unde x = (x1 , ..., xn ) se numeşte

punct ı̂n Rn , iar xi se numesc coordonatele punctului x din Rn .
Definiţia 2.11. Fie V un spaţiu vectorial real. Definim aplicaţia

h, i : V × V → R, (x, y) → hx, yi astfel ı̂ncât
a) hx, yi ≥ 0, ∀ x, y ∈ V şi hx, xi = 0 ⇔ x = 0
b) hx, yi = hy, xi , ∀ x, y ∈ V
c) hx + y, zi ≤ hx, zi + hy, zi , ∀ x, y, z ∈ V
d) hαx, yi = α hx, yi
atunci h, i se numeşte produs scalar, iar spaţiul (V, h, i) se numeşte spaţiu
euclidian.
n
P
Exemplul 2.6. Aplicaţia h, i : Rn × Rn → R definită prin hx, yi = xi y i este
i=1
un produs scalar, numit produsul scalar canonic.
71
Definiţia 2.12. Fie V un spaţiu vectorial real. Funcţia k, k : V → R+ se numeşte
normă dacă:
a) kxk ≥ 0, ∀x ∈ V şi kxk = 0 ⇔ x = 0
b) kαxk = |α| kxk , ∀x ∈ V şi α ∈ R.
c) kx + yk ≤ kxk + kyk , ∀x, y ∈ V
iar (V, k, k ) se numeşte spaţiu liniar normat.(kxk se mai numeşte lungimea lui
x)
Remarca 2.5. Dacă V este un spaţiu euclidian, atunci V este un spaţiu normat,
√
ı̂n raport cu norma definită prin kxk = < x, x >
Definiţia 2.13. Aplicaţia d : V × V → R+ se numeşte metrică dacă
a) d(x, y) ≥ 0, ∀ x, y ∈ V şi d(x, y) = 0 ⇔ x = y
b) d(x, y) = d(y, x), ∀ x, y ∈ V
c) d(x, y) ≤ d(x, z) + d(z, y), ∀ x, y, z ∈ V
iar (V, d) se numeşte spaţiu metric.
Remarca 2.6. Dacă V este spaţiu normat, atunci V este şi spaţiu metric ı̂n
raport cu metrica d(x, y) = kx − yk pentru ∀ x, y ∈ V.
Remarca 2.7. Pentru V = Rn , şi n = 1, n = 2 şi n = 3 şi produsul scalar
canonic, se obţin formulele de calcul pentru distanţă pe dreaptă, ı̂n plan şi spaţiu
q
d(x, y) = |x − y| , d(x, y) = (x1 − y 1 )2 + (x2 − y 2 )2 ,
q
d(x, y) = (x1 − y 1 )2 + (x2 − y 2 )2 + (x3 − y 3 )2
Definiţia 2.14. Fie x0 un punct din Rn şi r > 0. Mulţimea de puncte din Rn
dată de
Sr (x0 ) = {x ∈ Rn | d(x, x0 ) < r}
se numeşte sferă deschisă cu centrul ı̂n x0 şi de rază r.
Definiţia 2.15. Mulţimea M ⊂ Rn se numeşte vecinătate a punctului x0 dacă
există o sferă deschisă Sr (x0 ) ⊂ M .
Definiţia 2.16. Punctul x0 se numeşte punct interior mulţimii M ⊂ Rn dacă
există o vecinătate V a lui x0 inclusă ı̂n mulţimea M .
Definiţia 2.17. Mulţimea M ⊂ Rn care conţine numai puncte interioare se
numeşte mulţime deschisă.
Definiţia 2.18. Fie x0 ∈ Rn şi M ⊂ Rn . Punctul x0 se numeşte punct de
acumulare al mulţimii M dacă orice vecinătate V a lui x0 conţine cel puţin un
punct al mulţimii A diferit de x0 , adică (V \{x0 }) ∩ M 6= ∅.
72
2.3.1. Limite de funcţii şi continuitate
Vom face consideraţii ı̂n cele ce urmează asupra funcţiilor de două variabile,
toate conceptele extinzându-se uşor la funcţii de mai multe variabile.
Definiţia 2.19. Fie (x0 , y0 ) ∈ R2 un punct de acumulare al mulţimii M ⊂ R2 şi

funcţia f : M → R.. Spunem că numărul l este limita funcţiei f (x, y) ı̂n punctul
(x0 , y0 ) dacă pentru orice ε > 0 există o vecinătate V a punctului (x0, y0 ) astfel
ı̂ncât pentru orice (x, y) ∈ V ∩ M avem kf (x, y) − lk < ε şi scriem lim
(x,y)→(x0 ,y0 )
f (x, y) = l.
Definiţia 2.20. (Heine) Numărul l se numeşte limita funcţiei f când (x, y) →

(x0 , y0 ) dacă oricare ar fi şirul (xn , yn ) ∈ M ı̂ndeplinind condiţiile (xn , yn ) →
(x0 , y0 ), rezultă f (xn , yn ) → l.
Proprietatea 2.1. a) Dacă există o funcţie g : M ⊂ R2 → R astfel ı̂ncât să

avem |f (x, y) − l| ≤ g(x, y) şi lim g(x, y) = 0 ⇒ lim f (x, y) = l.
(x,y)→(x0 ,y0 ) (x,y)→(x0 ,y0 )
b) Dacă f (x, y) > g(x, y) ı̂n vecinătatea lui (x0, y0 ) şi avem lim g(x, y) =
(x,y)→(x0 ,y0 )
+∞ atunci lim f (x, y) = +∞.
(x,y)→(x0 ,y0 )
Proprietatea 2.2. c) Dacă f (x, y) < g(x, y) ı̂n vecinătatea lui (x0, y0 ) şi deaseme-
nea avem lim g(x, y) = −∞ atunci lim f (x, y) = −∞.
(x,y)→(x0 ,y0 ) (x,y)→(x0 ,y0 )
x2 y
Exemplul 2.7. Fie f : R2 \{(0, 0)} → R dată de f (x, y) = . Să se cal-
x2 + y 2
culeze lim f (x, y).
(x,y)→(0,0)
x2
Rezolvare. |f (x, y)| = |y| ≤ |y| → 0 .
x2 + y 2 (x,y)→(0,0)
xy
Exemplul 2.8. Arătaţi că lim f (x, y) unde f (x, y) = nu există.
(x,y)→(0,0) x2 + y2
m
Rezolvare. Considerăm direcţia y = mx şi obţinem f (x, mx) = care
1 + m2
depinde doar de m, adică limita nu există. Pentru a proba acest fapt considerăm
două şiruri
(1/n, 1/n) → (0, 0) ⇒ f (1/n, 1/n) = 1/2,
n→∞
73
(1/n, 2/n) → (0, 0) ⇒ f (1/n, 2/n) = 2/5.
n→∞
Cum n→∞lim f (1/n, 1/n) 6=n→∞

lim f (1/n, 2/n) rezultă că funcţia nu are limită ı̂n punc-
tul (0, 0).
Definiţia 2.21. Fie f : M ⊂ R2 → R. Spunem că funcţia f este continuă ı̂n

punctul (x0 , y0 ) ∈ M dacă lim f (x, y) = f (x0 , y0 )
(x,y)→(x0 ,y0 )
O definiţie echivalentă este următoarea:
Definiţia 2.22. (Heine) Funcţia f este continuă ı̂n punctul (x0 , y0 ) dacă oricare
ar fi şirul (xn , yn ) ∈ R2 , cu limita (xn , yn ) → (x0 , y0 ) avem f (xn , yn ) →
n→∞ n→∞
f (x0 , y0 ).
Exemplul 2.9. Să se studieze continuitatea funcţiei



 xy 2
, dacă (x, y) 6= (0, 0)
f (x, y) = x2 + y 4

 0, dacă (x, y) = (0, 0)
Rezolvare.
Considerăm şirul (1/n2 , 1/n) → (0, 0) şi f ((1/n2 , 1/n) = 1/2. Cum lim
n→∞ n→∞
f (1/n2 , 1/n) = 1/2 6= 0 = f (0, 0) rezultă că funcţia f nu este continuă ı̂n (0, 0).
Mai mult f (x, y) nu are limită ı̂n (0, 0) (exerciţiu).
2.3.2. Derivate parţiale de ordinul I. Gradient
Fie f : M ⊂ R2 şi (x0 , y0 ) un punct interior lui M .
Definiţia 2.23. Funcţia f (x, y) este derivabilă parţial ı̂n raport cu x ı̂n punctul
(x0 , y0 ) dacă
f (x, y0 ) − f (x0 , y0 )
lim
x→x0 x − x0
∂f (x0 , y0 )
există şi este finită. Vom nota această limită cu fx0 (x0 , y0 ) sau şi se va
∂x
numi derivata parţială de ordinul ı̂ntâi ı̂n raport cu x ı̂n punctul (x0 , y0 ).
74
Definiţia 2.24. Funcţia f (x, y) este derivabilă parţial ı̂n raport cu y ı̂n punctul
(x0 , y0 ) dacă
f (x0 , y) − f (x0 , y0 )
lim
y→y0 y − y0
∂f (x0 , y0 )
există şi este finită. Vom nota această limită cu fy0 (x0 , y0 ) sau şi se va
∂y
numi derivata parţială de ordinul ı̂ntâi ı̂n raport cu y ı̂n punctul (x0 , y0 ).
In concluzie, pentru a calcula derivata parţială fx0 ı̂n punctul (x, y) se derivează
f (x, y) ca funcţie de o singură variabilă x, considerând y constant. Analog, pentru
a calcula fy0 se derivează f (x, y) ı̂n raport cu y, considerând x constant.
Definiţia 2.25. Dacă funcţia f are derivate parţiale ı̂n punctul (x0 , y0 ) ı̂n raport
cu ambele variabile, atunci vectorul
 
∂f (x0 , y0 )
 


∂x 

∇f (x0 , y0 ) =  
 
 ∂f (x0 , y0 ) 
∂y
se numeşte gradientul lui f ı̂n punctul (x0 , y0 ).
Remarca 2.8. Dacă funcţia f are derivate parţiale ı̂n punctul x0 , atunci nu
rezultă ı̂n general că f este funcţie continuă ı̂n x0 .
Exemplul 2.10. Funcţia



 xy 2
, dacă (x, y) 6= (0, 0)
f (x, y) = x2 + y 4

 0, dacă (x, y) = (0, 0)
nu este continuă ı̂n (0, 0), dar are derivate parţiale ı̂n (0, 0). Intr-adevăr
∂f f (x, 0) − f (0, 0) 0−0

(0, 0) = lim = lim =0
∂x x→0 x x→0 x
∂f f (0, y) − f (0, 0) 0−0
(0, 0) = lim = lim =0
∂y y→0 y y→0 y
Exemplul 2.11. Să se scrie gradientul funcţiilor

a) f : R2 → R, f (x, y) = x2 + y 3 − x + 2 ı̂n punctul (1, 2).
b) f : R3 → R, f (x, y, z) = xy + x2 y 2 z − 1 ı̂n punctul (1, 1, −1).
75
 
∂f (x, y) Ã !
  2x − 1
 ∂x 
Rezolvare. a) ∇f (x, y) =  ∂f (x, y) = deci
  3y 2
∂y
Ã !
3
∇f (2, 1) =
3
 
∂f (x, y, z)
   

 ∂x 
 y + 2x2 z
 ∂f (x, y, z)   
b) ∇f (x, y, z) =   =  x + 2x2 yz  deci
 ∂y 

 ∂f (x, y, z)

 x2 y 2
∂z
 
−1
 
∇f (1, 1, −1) =  −1  .
1
2.3.3. Funcţii diferenţiabile
Fie f : M ⊂ R2 şi (x0 , y0 ) un punct interior lui M .

Definiţia 2.26. Funcţia f (x, y) este diferenţiabilă ı̂n punctul (x0 , y0 ) dacă ex-
istă două valori reale α, β şi o funcţie ω : M → R continuă şi nulă ı̂n (x0 , y0 ),
(ω(x0 , y0 ) = 0) astfel ı̂ncât
q
f (x, y) − f (x0 , y0 ) = α(x − x0 ) + β(y − y0 ) + ω(x, y) (x − x0 )2 + (y − y0 )2
Teorema 2.6. Dacă funcţia f este diferenţiabilă ı̂n punctul (x0 , y0 ) atunci admite
derivatele parţiale de ordinul ı̂ntâi ı̂n (x0 , y0 ) şi avem α = fx0 şi β = fy0 .
Demonstraţie. Considerăm y = y0 şi x 6= x0 şi avem
f (x, y0 ) − f (x0 , y0 ) kx − x0 k
= α + ω(x, y) .
x − x0 x − x0
Prin trecere la limită pentru x → x0 se obţine
f (x, y0 ) − f (x0 , y0 )
lim = fx0 (x0 , y0 ) = α
x→x0 x − x0
deoarece lim ω(x, y0 ) = ω(x0 , y0 ) = 0. Analog pentru x = x0 , y 6= y0 şi se obţine
x→x0
β = fy0 (x0 , y0 ). u
t
76
Definiţia 2.27. Dacă f este o funcţie diferenţiabilă ı̂n punctul x0 atunci funcţia
liniară
∂f (x0 , y0 ) ∂f (x0 , y0 )
df (x0, y0 )(x, y) = (x − x0 ) + (y − y0 )
∂x ∂y
se numeşte diferenţiala lui f ı̂n punctul (x0 , y0 ).
Prin convenţie vom nota dx = x−x0 şi dy = y −y0 , atunci diferenţiala funcţiei
f se scrie
∂f ∂f
df (x, y) = dx + dy
∂x ∂y
∂ ∂
Operatorul d = ∂x
dx +
dy se numeşte operator de diferenţiere. Avem şi
Ã∂y
!
dx
relaţia df (x, y) = ∇f (x, y)t .
dy
Pentru o funcţie f (x, y, z) avem
∂f ∂f ∂f
df (x, y, z) = dx + dy + dz
∂x ∂y ∂z
Teorema 2.7. Dacă f este diferenţiabilă ı̂n (x0 , y0 ) atunci f este şi continuă ı̂n
(x0 , y0 ).
Demonstraţie. Dacă f este difenţiabilă atunci

q
f (x, y) − f (x0 , y0 ) = fx0 (x − x0 ) + fy0 (y − y0 ) + ω(x, y) (x − x0 )2 + (y − y0 )2
şi trecând la limită rezultă lim (f (x, y) − f (x0 , y0 )) = 0, deci

(x,y)→(x0 ,y0 )
lim f (x, y) = f (x0 , y0 ) adică f este continuă. u
t
(x,y)→(x0 ,y0 )
Este de remarcat că reciproca nu este ı̂n general adevărată.
Teorema 2.8. Dacă funcţia f : M ⊂ Rn → R admite derivate parţiale ı̂ntr-o

vecinătare a lui X0 ∈ M deschisă, care sunt şi continue, atunci f este diferenţiabilă
ı̂n X0 .
Reciproca nu este totdeauna adevărată.
77
2.3.4. Derivate parţiale de ordin superior. Hessiana
Definiţia 2.28. Fie f : M ⊂ R2 → R derivabilă parţial ı̂n raport cu x şi y

oricare ar fi (x, y) ∈ R2 . Dacă derivatele parţiale fx0 (x, y) şi fy0 (x, y) sunt la rândul
lor derivabile parţial ı̂n raport cu x şi y, atunci derivatele lor parţiale se numesc
derivate parţiale de ordinul doi şi se notează
∂ 2f
(fx0 )0x = fx002 (x, y) sau (x, y)
∂x2
∂ 2f
(fx0 )0y = 00
fxy (x, y) sau (x, y)
∂x∂y
∂ 2f
(fy0 )0x = fyx
00
(x, y) sau (x, y)
∂y∂x
∂2f
(fy0 )0y = fy002 (x, y) sau (x, y)
∂y 2
Definiţia 2.29. Fie f : M ⊂ R2 → R o funcţie care are derivate parţiale de
ordinul doi. Atunci matricea
 
∂ 2f ∂ 2f
 (x, y) (x, y) 
Hf (x, y) = 
 ∂x2 ∂x∂y 

 ∂ 2f ∂ 2f 
(x, y) (x, y)
∂y∂x ∂y 2
se numeşte matricea hessiană a funcţiei f .
Remarca 2.9. Pentru o funcţie f : M ⊂ R3 → R, avem

 
∂ 2f ∂ 2f ∂ 2f
 

 ∂x2 ∂x∂y ∂x∂z 

 ∂ 2f ∂ 2f ∂ 2f 
Hf (x, y, z) = 



 ∂y∂x ∂y 2 ∂y∂z 
 
 ∂ 2f ∂ 2f ∂ 2f 
∂z∂x ∂z∂y ∂z 2
Exemplul 2.12. Să se scrie gradientul şi hessiana funcţiei
f (x, y, z) = x3 + y 3 + z 2 − 2xyz
ı̂n punctul (1, 1, 2).
78
Rezolvare. Gradientul

funcţiei este
∂f 
 ∂x   2
  
 
 ∂f 
3x − 2yz −1
∇f (x, y, z) =  =   
 3y 2 − 2xz  şi ∇f (1, 1, 2) =  −1 
 
 ∂y 
 ∂f  2z − 2xy 2
∂z
∂2f ∂2f ∂ 2f
= 6x, = −2z, = −2z
∂x2 ∂x∂y ∂x∂z
∂ 2f ∂ 2f ∂2f
= −2z, 2 = 6y, = −2x
∂y∂x ∂y ∂y∂z
∂ 2f ∂ 2f ∂ 2f
= −2y, = −2x, 2 = 2
∂z∂x ∂z∂y ∂z
deci matricea hessiana are următoarea formă
 
6x −2z −2y
 
Hf (x, y, z) =  −2z 6y −2x 
−2y −2x 2
 
6 −4 −2
ceea ce implică Hf (1, 1, 2) =  −4 6 −2 


−2 −2 2
Teorema 2.9. (Criteriul lui Schwartz). Dacă funcţia f : M ⊂ R2 → R are

derivate parţiale mixte de ordinul doi ı̂ntr-o vecinătate V a punctului (x0 , y0 ) ∈ M
şi dacă sunt continue atunci
∂ 2f ∂ 2f
(x0 , y0 ) = (x0 , y0 )
∂x∂y ∂y∂x
Definiţia 2.30. Fie f : M ⊂ R2 → R şi (x0 , y0 ) un punct interior mulţimii M .

Funcţia f se numeşte diferenţiabilă de k ori (k ≥ 2) ı̂n punctul (x0 , y0 ) dacă:
a) există toate derivatele parţiale de ordin (k − 1) ı̂ntr-o vecinătate a punctului
(x0 , y0 )
˙
b) aceste derivate parţiale sunt diferenţiabile ı̂n (x0 , y0 ).
Diferenţialele de ordin superior ale funcţiei f se definesc ı̂n mod recurent prin
relaţia
dk f = d(dk−1 f )
79
pentru k = 2 obţinându-se formula de calcul a diferenţialei de ordinul doi a funcţiei
f (x, y)
∂2f ∂2f ∂ 2f
d2 f (x, y) = (x, y)dx 2
+ 2 (x, y)dxdy + (x, y)dy 2
∂x2 ∂x∂y ∂y 2
sau matriceal Ã !
dx
d2 f (x, y) = (dx, dy)Hf (x, y)
dy
Remarca 2.10. Pentru o funcţie de trei variabile f : M ⊂ R3 → R avem
∂ 2f 2 ∂ 2f 2 ∂ 2f 2 ∂ 2f ∂ 2f ∂ 2f
d2 f (x, y, z)= dx + dy + dz +2 dxdy+2 dxdz+2 dydz.
∂x2 ∂y 2 ∂z 2 ∂x∂y ∂x∂z ∂y∂z
Exemplul 2.13. Să se scrie diferenţiala de ordinul doi a funcţiei
f (x, y, z) = x3 + y 3 + z 2 − 2xyz.
Rezolvare. Calculăm derivatele parţiale de ordinul doi şi aplicând formula de

mai sus obţinem
d2 f (x, y, z) = 6xdx2 + 6ydy 2 + 2dz 2 − 4zdxdy − 4ydxdz − 4xdydz.
2.3.5. Funcţii reale de n variabile
Funcţia scop ı̂ntr-o problemă de programe liniară ı̂n care vectorul costurilor
unitare sau al beneficiilor este C = (c1 , c2 , ..., cn ) este f (x) = c1 x1 +c2 x2 +...+cn xn ,
adică o funcţie de n variabile. Funcţia cost ı̂ntr-o problemă de transport dată de
Pn P
m
f (x) = cij xij este o funcţie reală de m · n variabile şi exemplele pot continua.
i=1j=1
In continuare vom prezenta succint extinderea la funcţii de n variabile a unor
noţiuni introduse ı̂n cazul funcţiilor de două variabile.
Definiţia 2.31. Fie M ⊂ Rn şi x0 = (x01 , x02 , ..., x0n ) un punct de acumulare
al mulţimii M . Numărul l se numeşte limita funcţiei f când x → x0 (notăm
lim f (x) = l) dacă oricare ar fi o vecinătate V a lui l, există o vecinătate U a lui
x→x0
x0 astfel ı̂ncât ∀x ∈ V ∩ U, x 6= x0 ⇒ f (x) ∈ V .
80
Definiţia 2.32. Funcţia f : M → R este continuă ı̂n punctul x0 ∈ M dacă există
lim f (x) = f (x0 ).
x→x0
Definiţia 2.33. Fie x0 un punct interior lui M ⊂ Rn şi funcţia f : M → R..

Funcţia f este derivabilă parţial ı̂n raport cu variabila xi ı̂n punctul x0 dacă
f (x01, ..., xi , ...x0n ) − f (x01, ..., x0i , ...x0n )
lim
xi →x0i xi − x0i
există şi este finită.
Definiţia 2.34. Dacă funcţia f este o funcţie diferenţiabilă ı̂n x0 atunci funcţia
liniară n
X ∂f
df (x0 )(x) = (x0 )(x − xi0 )
i=1 ∂xi
se numeşte diferenţiala lui f ı̂n punctul x0 .
Notăm dxi = xi − xi0 şi obţinem ı̂ntr-un punct oarecare
∂f ∂f
df (x) = (x)dx1 + ... + (x)dxn
∂x1 ∂xn
Diferenţiala de ordinul doi este
∂ 2f ∂ 2f
d2 f (x) = d(df (x)) = (x)dx 2
1 + ... + (x)dx2n +
∂x21 ∂x2n
∂2f ∂2f
2 (x)dx1 dx2 + ... + 2 (x)dxn−1 dxn
∂x1 ∂x2 ∂xn−1 ∂xn
Se observă că d2 f (x) este o formă pătratică ı̂n variabilele dxi , i = 1, n având ca
matrice hessiana H(x) a funcţiei f .
2.4. Extreme libere

Problema punctelor de extrem (de minim sau de maxim) ale unei funcţii
reale este o problemă fundamentală ı̂n luarea deciziilor optimale. Aflarea acestor
puncte necesită o atenţie deosebită şi cunoaşterea corectă a aparatului matematic
din metodologia determinării lor.
Definiţia 2.35. Fie funcţia f : M ⊂ Rn → R şi x0 = (x1 , ..., xn ) ∈ M . Dacă
există o vecinătate Vx0 aşa ı̂ncât f (x0 ) ≤ f (x), ∀x ∈ Vx0 ∩ M atunci x0 se va numi
punct de minim local pentru f, iar f (x0 ) se va numi minimul local al funcţiei f .
Dacă f (x0 ) ≥ f (x), ∀x ∈ Vx0 ∩ M atunci x0 se va numi punct de maxim local
pentru f . Vom mai scrie min f (x) respectiv max f (x)
x∈M x∈M
81
In cazul ı̂n care M este mulţime deschisă, x0 este punct interior şi deci va exista
o vecinătate Vx0 aşa ı̂ncât Vx0 ∩ M = Vx0 , fapt pentru care relaţiile precedente
apar sub forma f (x0 ) ≤ f (x), ∀x ∈ Vx , respectiv f (x0 ) ≥ f (x), ∀x ∈ Vx0 .
Noţiunea de local atrage atenţia asupra faptului că valoarea f (x0 ) este mai
mică ca orice altă valoare f (x) (dacă x0 este punct de minim local) numai pentru
x din intersecţia Vx0 ∩ M . Este posibil deci să existe şi un alt punct de minim
local x1 aşa ca f (x1 ) ≤ f (x), ∀x ∈ Vx1 ∩ M şi valoarea minimă f (x0 ) să nu fie
egală cu valoarea minimă f (x1 ).
Definiţia 2.36. Fie f : M ⊂ Rn → R şi f (x0 ) ≤ f (x), ∀x ∈ M . Atunci x0 se

va numi punct de minim global pentru f (respectiv punct de maxim global dacă
f (x0 ) ≥ f (x), ∀x ∈ M
Remarca 2.11. Este evident că dacă x0 este un punct de minim global, atunci
este cu atât mai mult şi local, dar invers nu este ı̂n general adevărat, decât ı̂n
cazuri speciale de funcţii.
Teorema 2.10. Extremele locale de minim ale unei funcţii convexe sau de maxim
ale unui funcţii concave f : M ⊂ Rn → R sunt extreme globale.
Propoziţia 2.1. Fie x0 ∈ int.M un punct de extrem local al funcţiei f : D → R.

Dacă f are derivate parţiale ı̂n x0 , atunci acestea se anulează ı̂n x0 , adică
∂f
(x0 ) = 0
∂xi
Demonstraţie. Vom face demonstraţia pentru o funcţie de două variabile,

procedându-se analog pentru mai multe variabile. Considerăm funcţia g(x) =
f (x, b) care admite un extrem local punctul x = a, deci g 0 (a) = 0. Dar
g(x) − g(a) f (x, b) − f (a, b)

g 0 (a) =lim =lim = fx0 (a, b)
x→a x−a x→a x−a
de unde rezultă că fx0 (a, b) = 0. Analog se obţine fy0 (a, b) = 0 considerând funcţia
h(y) = f (a, y). u
t
Remarca 2.12. Reciproca propoziţiei de mai sus nu este ı̂n general adevărată.
Dacă se anulează derivatele parţiale ale unei funcţii ı̂ntr-un punct, nu rezultă
neapărat că acel punct este punct de extrem.
Pentru a lămuri această problemă se introduc următoarele noţiuni:
82
Definiţia 2.37. Fie f : M ⊂ Rn → R şi x0 un punct interior lui M . Punctul x0
se numeşte punct staţionar pentru funcţia f dacă:
1) f este diferenţiabilă ı̂n x0
∂f (x0 )
2) df (x0 ) = 0 ⇔ = 0, i = 1, n
∂xi
Definiţia 2.38. Punctele staţionare care nu sunt puncte de extrem se numesc
puncte şa.
Prin urmare, extreme libere x0 ale funcţiilor diferenţiabile f sunt puncte

staţionare (sau critice) şi derivatele parţiale se anulează ı̂n x0
Exemplul 2.14. f : R → R , f (x) = |x| . Punctul x0 = 0 este punct de minim

global, iar f nu este diferenţiabilă ı̂n x0 = 0.
Exemplul 2.15. f : [1, 3] → R , f (x) = x2 . Punctul x0 = 1 este punct de minim

şi f 0 (1) 6= 0 şi x1 = 3 punct de maxim şi f 0 (3) 6= 0. (M = [1, 3] nu este deschisă).
Exemplul2.16. f : R2 → R, f (x, y) = x2 − y 2 .



∂f (x, y) (
 = 0, 2x = 0,
Avem ∂x ⇒ ⇒ X0 = (0, 0)

 ∂f (x, y) −2y = 0.

 = 0.
∂xy
Funcţia f este diferenţiabilă ı̂n (0, 0) deoarece derivatele parţiale sunt continue,
deci (0, 0) este punct staţionar, dar −y 2 = f (0, y) < f (0, 0) = 0 < f (x, 0) = x2
pentru orice x 6= 0 şi y 6= 0 adică (0, 0) nu este punct de extrem.
Teorema următoare ne dă condiţii suficiente ca un punct staţionar să fie punct
de extrem local.
Teorema 2.11. Pentru selectarea soluţiilor x0 ale sistemului ∇f (x) = 0 (puncte

staţionare) care sunt extreme libere locale se procedeazăÃ după următorul
! algoritm:
2
∂ f (x0 )
1◦ . Se calculează hessiana funcţiei, Hf (x0 ) = .
∂xi ∂xj
not
2◦ . Se scrie diferenţiala de ordinul doi d2 f (x) = ϕ(x).
3◦ .
- dacă ϕ(x) > 0, ∀x 6= 0 ( ϕ este pozitiv definită) atunci x0 este punct
de minim local.
- dacă ϕ(x) ≥ 0, ∀x 6= 0 ( ϕ este semipozitiv definită) atunci nu putem trage o
concluzie certă (s-ar putea ca x0 să fie sau nu punct de minim local - vezi exemplele
care urmează). In acest caz se studiază funcţia f ı̂n vecinătatea lui x0 .
4◦ .
83
-dacă ϕ(x) < 0, ∀x 6= 0 ( ϕ este negativ definită) atunci x0 este punct
de maxim local.
-dacă ϕ(x) ≤ 0, ∀x 6= 0 ( ϕ este seminegativ definită) atunci nu putem trage
o concluzie certă. Se studiază funcţia f ı̂n vecinătatea lui x0 .
5◦ . Dacă ϕ(x) schimbă semnul ı̂ntr-o vecinătate Vx0 (sau ϕ(x) nu este definită,
ca semn, atunci x0 nu este un punct de extrem pentru f .
Se observă că ı̂n această metodologie se presupun condiţii mai tari pentru f ,
să admită derivate parţiale de ordinul 2, continue, ı̂ntr-o vecinătate a punctului
staţionar x0 al lui f .
Remarca 2.13. Dacă f este strict convexă (sau strict concavă) şi are un punct
de minim (respectiv de maxim) atunci acesta este unic.
Remarca 2.14. Fie f : M ⊆ Rn → R , (M deschisă), să admită derivate parţiale

de ordinul doi, continue. Avem următoarele condiţii suficiente:
-dacă Hf (x) este pozitiv definită ∀x ∈ M atunci f este strict convexă.
-dacă Hf (x) este semipozitiv definită ∀x ∈ M atunci f este convexă.
-dacă Hf (x) este negativ definită ∀x ∈ M atunci f este strict concavă.
-dacă Hf (x) este seminegativ definită ∀x ∈ M atunci f este concavă.
Vom ı̂ncepe seria aplicaţiilor cu unele exemple ce au caracter didactic şi apoi
vom da exemple mai aproape de unele necesităţi practice.
√
Exemplul 2.17. Fie funcţia f : R2 → R dată prin f (x, y) = x2 + y 2 .
a) Să se arate că x0 = (0, 0) este punct de extrem liber.
Rezolvare. Cum f (0, 0) ≤ f (x, y) oricare ar fi (x, y) ∈ R2 este clar că x0 =

(0, 0) este punct de minim √ global.
Deoarece f (x, 0) = x2 = |x| şi cum |x| nu este o funcţie derivabilă ı̂n x = 0,
rezultă că ∂f
∂x
(0, 0) nu există. Analog ∂f
∂y
(0, 0) nu există. Prin urmare, metodologia
expusă mai sus pentru aflarea extremelor libere nu se poate aplica.
Exemplul 2.18. Fie funcţia f : R2 → R dată prin f (x, y) = x2 − y 2 .

a) Să se studieze diferenţiabilitatea lui f ı̂n x0 = (0, 0).
b) Cercetaţi dacă are extreme libere.
Rezolvare. Este evident că fx0 (0, 0) = 0, fy0 (0, 0) = 0, adică f admite derivate
parţiale ı̂n (0, 0). Cum avem fx0 (x, y) = 2x, fy0 (x, y) = −2y şi derivatele parţiale
ı̂n V0 sunt continue, f este diferenţiabilă ı̂n (0, 0). Cum derivatele partiale se
anulează ı̂n (0, 0) şi f este diferenţiabilă rezultă că (0, 0) este punct staţionar
pentru f .
84
Ã !
2 0
Hessiana lui f ı̂n X0 = (0, 0) este Hf (X0 ) = şi deci ϕ(X) =
0 −2
2dx2 − 2dy 2 . Avem 41 = 2 > 0, 42 = |H| = −4 < 0 adică ϕ(X) este nedefinită.
Rezultă că (0, 0) nu este punct de extrem. Fucţia f nu are puncte de extrem local.
Exemplul 2.19. Fie funcţia f : R2 → R dată prin f (x, y) = 2x2 + y 4 . Să se

studieze extremele sale.
Rezolvare. Funcţia este diferenţiabilă pe M = R2 de orice ordin. Se poate

aplica

metoda expusă. Calculăm ∇f (X).


∂f Ã !
 = 4x 4x
∂x ⇒ ∇f (x, y) = . Din ∇f = 0 avem

 ∂f 4y 3
 = 4y 3
( ∂y
4x = 0
⇒ X0 = (0, 0) . Calculăm hessiana
4y 3 = 0
 
∂ 2f ∂ 2f Ã ! Ã !
  4 0 4 0
 ∂x2 ∂x∂y 
Hf (X) =  2 = rezultă că Hf (X0 ) = şi
 ∂ f ∂ 2f  0 12y 2 0 0
∂y∂x ∂y 2
forma pătratică asociatăÃ !Ã !
4 0 dx
ϕ(X) = ( dx dy ) cu 41 = 4 > 0, 42 = |H| = 0 adică
0 0 dy
ϕ este semipozitiv definită. Nu putem trage o concluzie certă asupra lui X0 .
Analizăm deci comportarea lui f ı̂n vecinătatea lui X0 . Este evident că f (X) =
2x2 + y 4 ≥ 0 = f (0, 0) oricare ar fi X ∈ V0 . Deci X0 = (0, 0) este punct de minim
global al lui f .
Exemplul 2.20. Să se studieze extremele funcţiei f : R2 → R dată prin
f (x) = 2x3 + 2y 3 + 6xy + 1
Rezolvare.

Funcţia f este diferenţiabilă pe R2 . Avem
 ∂f (

 = 6x2 + 6y x2 + y = 0
∂x ⇒ ⇒ x4 + x = 0 ⇒ x(x + 1) = 0 ⇒

 ∂f 2 y 2
+ x = 0
 = 6y + 6x
( ∂y (
x1 = 0 y1 = 0
⇒ adică X1 = (0, 0) , X2 = (−1, −1) două puncte
x2 = −1 y2 = −1
staţionare şi Ã ! Ã ! Ã !
12x 6 0 6 −12 6
Hf (X) = ⇒ Hf (X1 ) = şi Hf (X2 ) = .
6 12y 6 0 6 −12
85
Pentru Hf (X1 ) avemÃ !Ã !
0 6 dx
ϕ1 (X) = ( dx dy ) , 41 = 0, 42 = |Hf (X1 )| = −36. Cum
6 0 dy
ϕ1 (X) = 12xy, rezultă că este nedefinită ca semn ı̂ntr-o vecinătate a lui X1 =
(0, 0), adică X1 nu este punct de extrem.
Pentru Hf (X2 ) avemÃ !Ã !
−12 6 dx
ϕ2 (X) = ( dx dy ) , 41 = −12 < 0, 42 = |Hf (X2 )| =
6 −12 dy
108 > 0 adică ϕ2 (X) este negativ definită şi deci X2 este punct de maxim.
Evident maxf = f (X2 ) = 3.
Exemplul 2.21. Fie funcţia f : R3 → R dată prin

f (X) = −x21 + x1 x2 − 21 x22 − x23 + x1 + x2 + 2x3
Să se studieze extremul liber al său.
Rezolvare.  
∂f
   
 ∂x1  −2x1 + x2 + 1
 ∂f 
∇f (X) = 

 
 =  x1 − x2 + 1

,
 ∂x2 
  −2x + 2
 ∂f  3
∂x3  
 −2x1 + x2 + 1 = 0
 2
 
∇f (X) = 0 ⇒  x1 − x2 + 1 = 0 ⇒ X0 =  3  punct staţionar.

−2x3 + 2 = 0 1
 
−2 1 0 ¯ ¯
¯ −2 1 ¯
  ¯ ¯
Hf (X) =  1 −1 0  , 41 = −2 < 0, 42 = ¯¯ ¯ = 1 > 0,
1 −1 ¯
0 0 −2
43 = |H| = −2 < 0. Deci ϕ este o formă pătratică negativ definită şi rezultă
că X0 este maxim, global (f este convexă).
2.5. Modele de gestiune a stocului de tip Wilson

2.5.1. Model de stoc pentru mai multe produse, fără lipsă din stoc
Prin stoc se ı̂nţelege o rezervă de bunuri destinate vânzării sau folosirii ı̂n pro-
cesul de producţie. Formarea stocurilor implică cheltuieli de aprovizionare sau
producţie, cheltuieli de stocaj (depozitare, ı̂ntreţinere), pierderi prin deprecierea
bunurilor (depaşirea termenului de garanţie), etc. Gestiunea stocului presupune
86
intrări ı̂n stoc sau aprovizionări şi ieşiri din stoc, acestea putând avea un caracter
determinist sau aleator. Deciziile care se iau ı̂n gestiunea stocurilor urmăresc ı̂n
principal minimizarea costurilor. Gestiunea optimă a stocului presupune deter-
minarea nivelului optim al stocului, volumul optim de reaprovizionare, perioada
optimă de reaprovizionare şi numărul optim de reaprovizionări. In concluzie,
gestiunea optimă a stocului presupune determinarea deciziilor privind conducerea
procesului de consum-aprovizionare.
In ceea ce urmează vom prezenta două modele deterministe ı̂n care se admite
sau nu lipsa din stoc.
Contractul ı̂ntre o unitate de desfacere a n tipuri de produse şi o unitate
productivă prevede:
10 . Pe o durată t0 se va primi o cantitate Ni (i = 1, n) din fiecare tip de
produs, ı̂n mod ritmic, la perioade Ti (i = 1, n) ı̂n cantităţile ce vor fi fixate.
20 . Costul de lansare al unei comenzi din produsul i, este γi .
30 . Nu se admite penurie (lipsă din stoc) la nici un tip de produs.
40 . Se cunosc cheltuielile unitare ci lei de stocare pe fiecare unitate de produs
ı̂n unitatea de timp fixată.
50 . Timpul de reaprovizionare tr = 0 este neglijabil.
In aceste condiţii se cere a se determina:
- cantitatea xi care se aduce din fiecare produs la fiecare reaprovizionare.
- perioada optimă de reaprovizionare Ti (i = 1, n)
- numărul optim de reaprovizionări
astfel ı̂ncâ cheltuielile totale să fie minime.
Pentru fiecare tip de produse vom avea
Ni t0
= = număr de comenzi
xi Ti
Pentru o perioadă Ti vom avea cheltuielile
1
γi + c i x i T i
2
şi pe ı̂ntreaga durată a contractului cheltuielile totale vor fi
n
X n
1 Ni X Ni γ i 1
f (X) = (γi + ci xi Ti ) = + c i t 0 xi , xi > 0
i=1 2 xi i=1 xi 2
Avem    
∂f γ1 N 1 1
   − 2 + c1 t0 
 ∂x1   x1 2 
 ..   .. 
∇f (X) = 
 . =
  . 

   
 ∂f   γ n Nn 1 
− 2 + cn t0
∂xn xn 2
87
s
2γi Ni
şi din ∇f (X) = 0 ⇒ xi = adică
ci t0
 s 
2γ1 N1
 
 c1 t0 
 

X1 =  .. 

 s . 
 
 2γn Nn 
cn t0
punct staţionar şi

 
2γ1 N1
 0 ... 0 


x31 

 2γ2 N2 
 0 ... 0 
 x32 
Hf (X) = 



 .. .. .. 
 . . . 
 2γn Nn 
 
0 0 ...
x3n
n
2γ1 N1 2n Π γi Ni
i=1
Deoarece 41 = > 0, ..., 4n = n > 0 rezultă că ϕ(X) =
x31 Π i x 3
i=1
X t Hf (X)X este pozitiv definită, adică f (x) este strict convexă şi rezultă că X1
este un punct de minim global.
Soluţia optimă este dată de următoarele reguli:
R1 . Din fiecare tip de produs se comandă cantitatea
s
2Ni γi
xi =
ci t0
R2 . Perioada optimă de reaprovizionare
t0 xi
Ti =
Ni
Cheltuielile minime vor fi
n q
X
f (X1 ) = 2Ni γi ci t0
i=1
obţinute prin ı̂nlocuirea lui xi ı̂n expresia lui f.
88
Observaţia 2.1. Se observă că nu s-au impus alte restricţii. Este posibil să avem
n
P Pn
la unele produse restricţii de tipul xi ≤ Qi , sau xi ≤ V, sau Vi xi ≤ V . In
i=1 i=1
acest caz domeniul de existenţă al problemei nu mai este o mulţime deschisă şi deci
este posibil să nu mai avem un extrem liber. Obţinem o problemă de programare
cu restricţii.
Observaţia 2.2. Se observă că ı̂n f (X) variabilele sunt separate şi prin urmare
Ni γ i 1
cum fiecare funcţie f (xi ) = + ci t0 xi este de acelaşi fel, ı̂n f (X) se putea
xi 2 s
2Ni γi
afla extremul său ca o funcţie de o variabilă şi obţineam xi = .
ci t0
Exemplul 2.22. Serviciul de aprovizionare al unei fabrici de panificaţie trebuie

să asigure ı̂n fiecare lună (30 zile) o cantitate de 150.000 kg făină de calitatea II
şi 150.000 kg făină de calitatea I. Cu fiecare comandă se cheltuie 500 u.m pentru
calitatea II şi 2.000 pentru calitatea I, iar costurile de stocare sunt de 1 u.m la
500 kg făină pe zi. In condiţile ı̂n care nu se admite lipsa din stoc, fabrica lucrând
24 ore pe zi, să se determine ce cantitate se aduce la fiecare comandă, numărul
de comenzi, perioada de aprovizionare astfel ı̂ncât cheltuielile de gestine să fie
minime.
Rezolvare. Identificăm următoarele date

1
N1 = 150.000, γ1 = 2.000, c1 =
500
1
N2 = 150.000, γ2 = 500, c2 =
500
t0 = 30 zile
s v
u
2N1 γ1 u 2 · 150000 · 2000
x1 = =t 1 = 100.000 kg
c1 t0 500
· 30
făină de calitatea I se aduce la fiecare comandă.
t 0 x1 30 · 100.000
T1 = = = 20 zile
N1 150000
perioada de reaprovizionare.
s v
u
2N2 γ2 u 2 · 150000 · 500
x2 = =t 1 = 50.000 kg
c2 t0 500
· 30
89
făină de calitatea II se aduce la fiecare comandă.
t 0 x2 30 · 50.000
T1 = = = 10 zile
N2 150000
2 q
X q q
f (X) = 2Ni γi ci t0 = 2N1 γ1 c1 t0 + 2N2 γ2 c2 t0 = 6000 + 3000 = 9000 u.m.
i=1
Deci se aduc câte 100.000 kg făină de calitatea I la fiecare 20 zile şi 50.000 kg
făină de calitatea II la fiecare 10 zile, cheltuielile fiind de 9.000 u.m.
2.5.2. Model de stoc pentru un produs la care se admite lipsă din stoc
Să considerăm acum o gestiune a stocului cu perioadă fixă şi cerere constantă,
relativ la un produs principal, ı̂n următoarele condiţii:
10 . Pe o durată t0 se va dispune de o cantitate N din acel produs.
20 . Se va lansa o comandă x, aceeaşi de fiecare dată şi la perioade egale de
timp T .
30 . Costul unei comenzi este γ u.m. (unităţi monetare)
40 . Cheltuielile unitare de stocare sunt c u.m.
50 . Se admite lipsă din stoc, penalizată unitar cu δ u.m.
60 . timpul de reaprovizionare este neglizabil (tr = 0).
In condiţiile date să se determine nivelul optim al stocului y > 0, al comenzi
x > 0, şi al perioadei fixe T aşa ı̂ncât cheltuielile totale să fie minime.
Notăm cu y nivelul stocului care este suficient pentru o perioadă t1 din T , cu
cheltuieli medii de stocare ı̂n această perioadă de
1
cyt1
2
şi cu penalizări medii pentru lipsă de stoc de
1
δ(x − y)(T − t1 )
2
Cheltuielile totale ı̂ntr-o perioadă T vor fi
1 1
cyt1 + δ(x − y)(T − t1 ) + γ.
2 2
90
N t0
Pentru toate perioadele ( = ) acestea vor fi
x T
Nγ 1 t1 1 T − t1
f (X) = + cyt0 + δ(x − y)t0 , x > 0, y > 0
x 2 T 2 T
t1 y T − t1 x−y
Cum = şi = rezultă
T x t1 x
N γ 1 y 2 1 (x − y)2
f (X) = + ct0 + δt0 , x > 0, y > 0
x 2 x 2 x
Avem    
∂f (X) −N γ + δt0 x2 − t0 y 2 (c + δ)
   , 
∇f (X) = 
 ∂x
∂f (X)

=

2x2 

  t0 y(c + δ)
−δt0 +
∂y x
s s
2N γ 2N γρ δ
∇f (X) = 0 ⇒ x = ,y= cu ρ = .
ct0 ρ ct0 c+δ
Avem puntul staţionar
 s 
2N γ


x= 

X1 =  s ct0 ρ 
 2N γρ 
 
y=
ct0
Se verifică uşor că Hf (X1 ) este pozitiv definită şi deci X1 este punct de minim.
Intr-adevăr avem
 
2N γ t0 ρ2 (c + δ) t0 ρ(c + δ)
 Ãs !3 + s − s 

 2N γ 2N γ 2N γ 

 ct0 ρ ct0 ρ 

Hf (X1 ) =  ct0 ρ 


 t0 ρ(c + δ) t0 (c + δ) 

 − s s 
 2N γ 2N γ 
ct0 ρ ct0 ρ
Evident
2N γ t0 ρ2 (c + δ)
41 = Ãs !3 + s > 0,
2N γ 2N γ
ct0 ρ ct0 ρ
2N γt0 (c + δ)
42 = |Hf (X1 )| = Ãs !4 > 0.
2N γ
ct0 ρ
91
√
Inlocuind X1 ı̂n f obţinem valoarea minimă f (X1 ) = 2N γct0 ρ.
In final obţinem:
R1 . Stocul optim este
s
2N γρ
y= = ρx.
ct0
R2 . Se comandă cantitatea
s
2N γ
x=
ct0 ρ
R3 . Comanda se face la perioada
t0 x
T = .
N
Cheltuielile minime vor fi
q
f (X0 ) = 2N γct0 ρ
δ
Coeficientul ρ = c+δ se mai numeşte şi coeficient de penurie. Introducerea sa şi
deci ı̂n fond a penalizărilor, se face cu scopul de control (reglare) a gestiunii.
Exemplul 2.23. O fabrică de anvelope auto primeşte cereri cu ritm constant.

Pe timp de un an este nevoie de 90.000 anvelope. Costul unei comenzi este 2.000
u.m. Nu se admit ı̂ntârzieri ı̂n livrare. Costurile unitare de stocare sunt c = 4
u.m. (pe unitatea de produs zilnic).
a) In ce ritm trebuie să se facă comenzi şi ı̂n ce cantitate astfel ı̂ncât cheltuielile
de gestiune (costul total pe un an) să aibă valoare minimă, dacă nu se admite lipsă
din stoc.
b) Să se stabilească datele optime ı̂n cazul ı̂n care se admite lipsă din stoc, cu
penalizări de 0.5 u.m. pe zi.
Rezolvare. a) Suntem ı̂n cazul de gestiunea a stocului pentru un produs, fără

lipsă din stoc. Avem t0 = 1 an (considerat 360 zile), N1 = 90.000, γ1 = 20.000,
c1 = 4
Soluţia optimă este
s s
2N1 γ1 2 × 90.000 × 2000
x1 = = = 500 anvelope
c1 t0 4 × 360
x1 t 0 500 × 360
T1 = = = 2 zile
N1 90.000
92
Costul total minim este
q
f (x1 ) = 2N1 γ1 c1 t0 = 720.000u.m.
Deci se comandă câte 500 anvelope, periodic, la 2 zile.

b) δ1 = 0, 5 u.m. penalizări pentru lipsă din stoc din care rezultă un indice de
penurie
δ1 0, 5 1
ρ1 = = =
c1 + δ 1 4 + 0, 5 9
obţinem s
2N1 γ1
x1 = = 1500 anvelope
c1 t0 ρ1
şi s
2N1 γ1 ρ1 500
y1 = =
c1 t0 3
y1
Prin urmare x1 , y1 trebuie alese aşa ca x1
= ρ1 şi cheltuielile totale minime vor fi
q
f (x1 ) = 2N1 γ1 c1 t0 ρ = 240.000 u.m.
x1 t 0 1500 × 360
T1 = = = 6 zile
N1 90.000
Deci se comandă câte 1500 anvelope, periodic la 6 zile.
Dacă urmărim valorile optime x1 , T1 observăm că introducând δ1 = 21 mărimea
optimă x1 creşte de la x1 = 500 la x1 = 1500, perioada de aprovizionare creşte de
la T1 = 2 zile la T1 = 6 zile, iar cheltuielile scad de la f (x1 ) = 720.000 u.m. la
f (x1 ) = 240.000 u.m.
2.5.3. Probleme propuse
1. Să se determine punctele de extrem liber pentru funcţiile

a. f : R3 → R , f (x, y, z) = x3 + y 3 + z 2 + 12xy + 2z.
b. f : R2 → R , f (x, y) = x3 + 3xy 2 − 15x − 12y.
c. f : R2 → R , f (x, y) = x3 + y 3 − 12x − 3y + 1.
d. f : R3 → R , f (x, y, z) = x2 + y 2 + z 2 − 2x − 4y − 6z.
2. O societate comercială şi-a stabilit necesarul anual (360 zile) de 300 televi-
zoare. O comandă făcută costă 1080 u.m. iar costul de stocare este de 0,5 u.m.
93
pentru fiecare televizor pe zi. Aprovizionarea trebuie făcută ı̂n cantităţi egale şi
la intervale de timp egale, iar pentru lipsă din stoc s-au calculat penalizări de 0,4
u.m. pe zi.
a) Să se determine gestiunea optimă, dacă nu se admite lipsă din stoc.
b) In cazul ı̂n care se doreşte ca aprovizionarea să se facă la 60 zile calculaţi
cheltuielile ı̂n acest caz şi comparaţi-le cu cele de la punctul a)
c) Să se determine gestiunea optimă dacă se admite lipsă din stoc.
94
3. ELEMENTE DE TEORIA PROBABILITATILOR
3.1. Experienţe aleatoare
Teoria probabilităţilor studiază legile după care evoluează anumite fenomene

aleatoare. In studiul acestor fenomene vom ţine seama de factorii esenţiali care le
determină şi vom neglija influenţa factorilor secundari.
Modelarea matematică a fenomenelor aleatoare are la bază faptul că raportul
dintre numărul experimentelor ı̂n care apare rezultatul dorit şi numărul tuturor
evenimentelor efectuate se situează ı̂n jurul unui număr constant.
Definiţia 3.1. Se numeşte experienţă aleatoare orice acţiune care efectuată de

mai multe ori, ı̂n aceleaşi condiţii, are un rezultat aleator.
Următoarele experienţe sunt aleatoare: aruncarea pe verticală a unei mon-

ede; aruncarea pe o suprafată orizontală a unui zar omogen, ale cărui feţe sunt
numerotate de la 1 la 6; extragerea unei bile, din cele 49 de bile egale ı̂n di-
ametru şi ı̂n greutate, aflate ı̂ntr-o urnă. In aceste experienţe condiţiile esenţiale
ale evenimentului rămân neschimbate.
Rezultatul experienţei aleatoare se numeşte probă. Aceasta se cunoaşte numai
după efectuarea experienţei aleatoare. In cazul experienţei aleatoare cu aruncarea
zarului de mai sus, probele constau din apariţia feţei numerotate cu 1, 2, 3, 4,
5 sau 6. In legătură cu experienţa citată mai sus se poate pune problema dacă
apare:
a) faţa numerotată cu 2;
b) una din feţele 3 sau 4;
c) o faţă nenumerotată;
d) o faţă numerotată cu un număr cuprins ı̂ntre 1 şi 6.
Intrebările puse mai sus constituie exemple de evenimente relative la aceeaşi
experienţă aleatoare: aruncarea unui zar pe o suprafaţă plană. In legătură cu
această experienţă se mai poate pune problema realizării unor alte evenimente.
Se constată că evenimentul notat mai sus cu a) se poate realiza numai pentru
o singură probă, pe când evenimentul notat cu b) se poate realiza pentru două
probe.
95
Definiţia 3.2. Evenimentul care se realizează numai de către o probă se numeşte
eveniment elementar. Orice alt eveniment se numeşte compus.
Evenimentul a) pus ı̂n evidenţă mai sus este elementar pe când evenimentul b)
este compus; de asemenea compus este evenimentul d). Cu această ocazie se con-
stată că evenimentul d) se realizează pentru toate probele experienţei considerate.
In concluzie, evenimentul d) are o proprietate care-l detaşează de celelalte eveni-
mente relative la aceeaşi experienţă, el se realizează ori de câte ori se efectuează
experienţa.
Definiţia 3.3. Evenimentul care se realizează cu certitudine la fiecare efectuare

a experienţei se numeşte eveniment sigur.
Pentru orice altă experienţă aleatoare ı̂n care, de exemplu, numărul probelor
este n, se va face o convenţie de notare a acestora prin numere de la 1 la n. In
continuare se constată că evenimentul c) relativ la experienţa citată mai sus nu
se realizează la nici o efectuare a experientei aleatoare.
Definiţia 3.4. Evenimentul care nu se realizează la nici o efectuare a experienţei

aleatoare poartă numele de eveniment imposibil.
Din cele expuse mai sus rezultă că fiecare eveniment este unic determinat de
către mulţimea probelor care-l realizează. Din acest motiv, printr-un abuz de
scriere, se ı̂ntelege printr-un eveniment mulţimea probelor care-l realizează. In
consecintă, se va nota cu E evenimentul sigur şi cu ∅ (notaţia mulţimii vide)
evenimentul imposibil.
3.1.1. Relaţii ı̂ntre evenimente. Operaţii cu evenimente
Definiţia 3.5. Fie A si B două evenimente legate de efectuarea aceleiaşi experi-

enţe aleatoare. Se spune că evenimentul A implică evenimentul B (se notează
A ⊂ B), dacă la fiecare realizare a evenimentului A se realizează şi evenimentul
B.
Faptul că evenimentul A implică evenimentul B ı̂nseamnă că printre probele

evenimentului B se găsesc toate probele evenimentului A. Deci, dacă se notează
ı̂ncă prin A şi respectiv prin B, mulţimile probelor care realizează evenimentul A
şi respectiv B, are loc relaţia A ⊂ B.
96
Exemplul 3.1. Se notează cu A şi B doua evenimente relative la experienţa
aleatoare a aruncării zarului ı̂n paragraful anterior, realizate respectiv de probele
{1}, {2} si {1}, {2}, {5}. Atunci se observă că A implică B, ceea ce se notează cu
A ⊂ B. Apoi, dacă prin abuz de scriere se notează A = {1, 2} si B = {1, 2, 5}, se
observă ca ı̂ntre mulţimile A si B are loc relaţia A ⊂ B.
Definiţia 3.6. Două evenimente A si B legate de efectuarea aceleiaşi experienţe

aleatoare se numesc contrare dacă la fiecare efectuare a experienţei considerate,
se realizează unul şi numai unul dintre evenimentele A si B.
Evenimentul contrar evenimentului A se notează cu A sau cu CA (ultima

notaţie este sugerată de faptul că mulţimea probelor care realizează evenimentul
A este complementara, relativă la mulţimea E a tuturor probelor).
Dacă avem simultan A ⊂ B şi B ⊂ A atunci evenimentele A şi B sunt echiva-
lente şi notăm A = B.
Exemplul 3.2. Perechile formate din evenimentele A si B relative la experienţa

aruncării zarului, date ı̂n cazurile 10 , 20 şi 30 de mai jos, sunt perechi de evenimente
contrare:
10 . A = {1, 3}, B = {2, 4, 5, 6}, adică A = B sau B = A;

20 . A = {2}, B = {1, 3, 4, 5, 6}, adică A = B sau B = A;
30 . A = ∅, B = E, adică ∅ = E sau E = ∅.
Definiţia 3.7. Două evenimente A si B legate de aceeiaşi experientă aleatoare

se zic compatibile dacă se pot realiza simultan (adică, dacă există probe care
realizează atât evenimentul A cât şi evenimentul B).
In limbajul mulţimilor această definiţie arată că A ∩ B 6= ∅. Această notaţie

este reluată pentru a arăta că evenimentele A si B sunt compatibile.
Dacă evenimentele A si B nu sunt compatibile, atunci ele se numesc incom-
patibile. Se notează, atât pentru evenimentele A si B cât şi pentru mulţimile
A si B de probe care le corespund, A ∩ B = ∅. Orice eveniment relativ la
o experienţă aleatoare este compatibil cu evenimentul sigur relativ la aceeaşi
experienţă aleatoare. Orice două evenimente contrare sunt incompatibile. Eveni-
mentul sigur şi evenimentul imposibil sunt contrare şi deci şi incompatibile.
Definiţia 3.8. Evenimentele A1, A2 , ..., Ap legate de efectuarea aceleiaşi experi-

ente aleatoare se zic compatibile ı̂n totalitate dacă ele se pot realiza simultan
(adică, dacă există probe care realizează toate evenimentele citate). In caz con-
trar, evenimentele A1, A2 , ..., Ap se zic incompatibile ı̂n totalitate.
97
Dacă evenimentele A1, A2 , ..., Ap sunt compatibile ı̂n totalitate, atunci sunt şi
compatibile două câte doua. Reciproca nu este ı̂ntotdeauna adevarată.
Exemplul 3.3. Fie evenimentele A1 = {1, 2}, A2 = {2, 3}, A3 = {1, 3} si

B1 = {1, 2}, B2 = {1, 3}, B3 = {1, 4}, toate relative la experienţa aleatoare
”aruncarea unui tetraedru regulat pe o suprafaţă orizontală, cu feţele numerotate
1, 2, 3, 4”. Evenimentele A1 , A2 si A3 sunt compatibile două câte două, dar nu
sunt compatibile ı̂n totalitate, iar evenimentele B1 , B2 si B3 sunt compatibile ı̂n
totalitate (şi deci şi două câte două).
Considerăm evenimentele legate de această experienţă: A = {1, 2}, B = {2, 3},

C = {1, 2, 3}. Se constată că de ı̂ndata ce se realizează unul din evenimentele A
sau B se realizează si evenimentul C si tot odată evenimentul C se realizeaza
numai dacă cel putin unul dintre evenimentele A sau B se realizeaza. In limbajul
multimilor are loc relatia A∪B = C. Acest lucru sugerează noţiunea de ”reuniune”
a evenimentelor.
Definiţia 3.9. La fiecare pereche de evenimente A si B legate de o aceeaşi experienţă

aleatoare corespunde un eveniment notat cu A∪B, numit reuniunea evenimentelor
A si B, care se realizeaza ori de câte ori se realizeazaă cel puţin unul din eveni-
mentele A sau B. Evenimentul A ∪ B se mai citeşte ”A sau B”.
Reuniunea a doua evenimente contrare este evenimentul sigur.

Se consideră experienţa aruncării pe o suprafaţă plană a unui tetraedru regulat
şi omogen. Fie evenimentele A, B şi C legate de efectuarea acestei experienţe
aleatoare, date prin mulţimile de probă A = {1, 2, 3}, B = {2, 3, 4}, C = {2, 3}.
Se constată că evenimentul C se realizează ori de câte ori se realizează simultan
evenimentele A si B. Intre cele trei multimi are loc relatia A ∩ B = C.
Definiţia 3.10. Se numeşte intersecţia evenimentelor A si B şi se notează cu A ∩

B evenimentul care se realizeaza ori de câte ori se realizează simultan evenimentele
A si B. Evenimentul A ∩ B se mai denumeşte şi prin ”A şi B”.
Două evenimente A şi B legate de efectuarea aceleiaşi experiente sunt com-

patibile şi respectiv incompatibile dacă are loc relaţia A ∩ B 6= ∅, respectiv relaţia
A∩B =∅
Definiţia 3.11. Multimea tuturor evenimentelor legate de o aceeaşi experientă

aleatoare se denumeşte prin termenul de câmp de evenimente şi se notează cu K.
98
Se poate demonstra prin inducţie completă că dacă mulţimea probelor are
n elemente, atunci câmpul evenimentelor are 2n elemente. Se obţine ca un caz
particular faptul că numarul evenimentelor legate de aruncarea pe o suprafaţa
plană a unui tetraedru regulat şi omogen este 24 .
Proprietatea 3.1. Pentru ∀A, B, C ∈ K avem

a) A ∩ B = B ∩ A, A ∩ (B ∩ C) = (A ∩ B) ∩ C
b) A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
c) A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
Definiţia 3.12. Evenimentul C = A − B care se realizează dacă s-a realizat A şi

nu s-a realizat B se numeşte diferenţa evenimentelor A, B.
Se constată că A − B = A ∩ B. O legătură dintre operaţiile de reuniune,

intersecţie şi complementaritate cu evenimente este dată de relaţiile lui de Morgan
A ∪ B = A ∩ B, A∩B =A∪B
Definiţia 3.13. Se spune că mulţimea de evenimente A1 , A2 , ..., An relative la o

aceeaşi experienţă aleatoare realizează o partiţie a evenimentului sigur E dacă
sunt verificate condiţiile:
1) Ai ∩ Aj = ∅ , i, j = 1, k, , i 6= j
k
2) ∪ Ai = E.
i=1
Exemplul 3.4. Evenimentele A1 = {2}, A2 = {4}, A3 = {1, 3} relative la experienţa

”aruncării tetraedrului” formează o partiţie a evenimentului sigur E = {1, 2, 3, 4}.
Ca o sinteză, prezentăm următorul tabel
Limbajul evenimentelor Limbajul mulţimilor Notaţii

Evenimentul sigur Mulţimea totală E
Evenimentul imposibil Mulţimea vidă ∅
Contrarul lui A Complementara lui A A
A implică B A inclus ı̂n B A⊂B
A sau B A reunit cu B A∪B
A şi B A intersectat cu B A∩B
A, B incompatibile A, B disjuncte A∩B =∅
A, B compatibile A, B nedisjuncte A ∩ B 6= ∅
99
3.2. Probabilitate. Câmp de probabilitate
Considerăm o experienţă aleatoare neprecizată cu n probe şi fie A un eveniment

relativ la această experientă. Se efectuează experienţa de N ori si fie α numarul
de realizări ale evenimentului A şi N − α numărul de nerealizări ale evenimentului
A.
α
Definiţia 3.14. Numărul fN (A) = N
se numeşte frecvenţa evenimentului A.
Este evident faptul că ı̂n altă serie de efectuări ale experienţei, frecvenţa eveni-
mentului A este cu totul alta. In orice caz frecvenţa evenimentului A are pro-
prietăţile:
1) 0 ≤ fN (A) ≤ 1
2) fN (E) = 1, dacă E este evenimentul sigur.
3) fN (A ∪ B) = fN (A) + fN (B) dacă A ∩ B = ∅
Definiţia 3.15. Două evenimente A şi B relative la aceeaşi experientă aleatoare

se numesc egal posibile dacă au aceeaşi sansă de a se realiza la orice efectuare a
experienţei.
Definiţia 3.16. Fie un experiment dat şi un eveniment A relativ la acest experi-
ment. Se numeşte probabilitatea evenimentului A şi se notează cu P (A), raportul
dintre numărul m al cazurilor favorabile realizării evenimentului A şi numărul n
al cazurilor egal posibile ale experienţei, adică P (A) = m
n
.
Aceasta este definiţia clasică a probabilităţii şi se poate folosi numai ı̂n exper-
imente cu evenimente egal posibile.
Exemplul 3.5. Fie experienţa ,,aruncarea tetraedrului regulat şi omogen pe o

suprafaţă orizontală” şi fie evenimentele A, B, C relative la această experienţă,
date de mulţimile de probe
A = {2}, B = {3, 4}, C = ∅, D = E.
Experienţa aleatoare considerată având patru cazuri egal posibile, iar eveni-
mentele date având 1, 2, 0 şi respectiv 4 cazuri posibile favorabile, probabilităţile
evenimentelor sunt
1 2 0 4
P (A) = , P (B) = , P (C) = = 0, P (D) = = 1
4 4 4 4
Egalităţile de mai sus sugerează proprietăţi general valabile pentru experienţe
aleatoare, care au loc ı̂n baza următoarei teoreme:
100
Teorema 3.1. Dată fiind o experienţă aleatoare arbitrară relativ la care toate
cele n cazuri sunt egal posibile, şi notând prin E evenimentul sigur, prin ∅ eveni-
mentul imposibil şi prin A, B două evenimente arbitrare, sunt verificate relaţiile:
1) 0 ≤ P (A) ≤ 1
2) P (E) = 1
3) P (A ∪ B) = P (A) + P (B) dacă A ∩ B = ∅
4) P (∅) = 0 ³ ´
5) P (A) = 1 − P A .
Exemplul 3.6. Intr-o urnă se află 49 bile identice numerotate de la 1 la 49. Se

extrag la ı̂ntâmplare 6 bile fåră revenire. Care este probabilitatea ca numerele
extrase să fie 3, 5, 9, 29, 32, 46.
Rezolvare. Există un singur caz favorabil: extragerea exact a celor 6 numere.

6 1
Cazuri posibile: C49 . Probabilitatea este 6 .
C49
Exemplul 3.7. Intr-o urnă se găsesc 200 lozuri dintre care 5 sunt câstigătoare.
Să se determine probabilitatea ca scoţând 3 lozuri la ı̂ntâmplare, printre acestea
să fie cel putin un loz câştigător.
Rezolvare. Notăm cu A evenimentul care constă ı̂n apariţia a cel puţin unui loz
câştigător. Problema se rezolvă calculând probabilitatea evenimentului contrar:
scoţând 3 lozuri nici unul să nu fie câştigator. Deoarece numărul cazurilor egal
3 3
posibile este C200 , iar numărul cazurilor favorabile este C195 , rezultă că P (A) =
3
C195
3
, iar probabilitatea evenimentului de a scoate printre cele trei lozuri cel puţin
C200
unul câştigator este
3
C195
P (A) = 1 − 3 ∼ = 1 − 0, 926 = 0, 074
C200
Exemplul 3.8. Un lot de 100 produse este supus controlului prin sondaj. Dacă
se găseşte cel puţin un rebut la 5 produse controlate, atunci lotul este respins ca
necorespunzător. Dacă lotul conţine 4% produse defecte, să se determine proba-
bilitatea ca lotul să fie respins.
Rezolvare. Lotul conţine 4 produse defecte şi 96 bune. Vom nota cu A eveni-
mentul ca din 5 produse verificate toate să fie bune (nici unul să nu fie rebut).
101
5 5
Numărul cazurilor favorabile este C96 iar cel al cazurilor egal posibile C100 , care
5
C
conduc la P (A) = 596 . Rezultă că probabilitatea căutată este
C100
5
C96
P (A) = 1 − 5
= 1 − 0, 811 = 0, 189
C100
Noţiunea de probabilitate a fost introdusă ı̂n acest paragraf pe cale intuitivă.
Dacă se procedează riguros matematic, această noţiune se introduce axiomatic
astfel:
Definiţia 3.17. Se numeşte probabilitate pe câmpul de evenimente, o funcţie P

care asociază fiecărui eveniment A, numărul P (A) , numit probabilitatea lui A,
astfel ı̂ncât să fie verificate relaţiile:
1) 0 ≤ P (A) ≤ 1
2) P (E) = 1
3) P (A ∪ B) = P (A) + P (B) dacă A ∩ B = ∅.
(B fiind un alt eveniment al aceluiaşi câmp de evenimente)
³ ´
Se demonstrează proprietăţile P (∅) = 0, P (A) = 1 − P A .
Intr-adevăr, avem E ∩ ∅ = ∅ si E ∪ ∅ = E deci P (E ∪ ∅) = P (E) + P (∅) ⇒
1 = 1 +³ P (∅) ´. Deci rezultă că
³ P ´ (∅) = 0. Deasemenea ³A ∪
´ A = E si A ∩ A = ∅
deci P A ∪ A = P (A) + P A , adică 1 = P (A) + P A .
Definiţia 3.18. Mulţimea perechilor de forma (A, P (A)) unde A este egal pe
rând cu fiecare eveniment al unui câmp finit de evenimente, se numeste câmp finit
de probabilitate.
3.2.1. Evenimente independente. Probabilitate condiţionată
Definiţia 3.19. Evenimentele A şi B apartinând aceluiaşi câmp de evenimente

se zic independente, dacă este verificată relaţia
P (A ∩ B) = P (A) · P (B)
102
Dacă P (A ∩ B) 6= P (A) · P (B) atunci evenimentele A şi B se numesc depen-
dente.
Pe o suprafata orizontală se aruncă doua tetraedre regulate şi omogene cu
feţele numerotate cu 1,2,3,4 şi respectiv 1’,2’,3’,4’. Fie A evenimentul care se
realizează dacă pe primul tetraedru apare una din feţele 1 şi 2, cu B evenimentul
care se realizează dacă pe cel de-al doilea tetraedru apare una din feţele 2’ sau
3’ şi cu C evenimentul care se realizează dacă suma numerelor aparute pe feţele
celor doua tetraedre este 4. Să se arate că evenimentele A şi B sunt independente,
pe când evenimentele A şi C sunt dependente.
Numărul cazurilor egal posibile este 16
((i, 10 ), (i, 20 ), (i, 30 ) , (i, 40 ) , i = 1, 4)
Evenimentele favorabile lui A sunt:
(1, 10 ),(1, 20 ),(1, 30 ),(1, 40 ),(2, 10 ),(2, 20 ),(2, 30 ),(2, 40 ), deci 8, adică
8
P (A) = 16 = 21 .
Evenimentele favorabile lui B sunt:
(1, 20 ),(2, 20 ),(3, 20 ),(4, 20 ),(1, 30 ),(2, 30 ),(3, 30 ),(4, 30 ), deci 8, adică
8
P (B) = 16 = 12
Evenimentele favorabile lui C sunt:
3
(1, 30 ), (2, 20 ), (3, 10 ), deci P (C) = 16
Probele care realizeaza evenimentul A ∩ B sunt
(1, 20 ),(1, 30 ),(2, 20 ),(2, 30 ), ˙ deci P (A ∩ B) = 4
16
Probele care realizeaza evenimentul A ∩ C sunt
2
(1, 30 ), (2, 20 ), deci P (A ∩ C) = 16 . Deoarece
1 1 1
P (A) · P (B) = · = = P (A ∩ B)
2 2 4
1 3 3 1
P (A) · P (C) = · = 6= = P (A ∩ C)
2 16 36 8
rezultă că evenimentele A şi B sunt independente, iar evenimentele A şi C sunt
dependente. Se poate demonstra că:
Teorema 3.2. Dacă evenimentele

³ A ´si ³B din´ acelaşi
³ ´câmp de evenimente sunt
independente, atunci perechile A, B , A, B , A, B sunt de asemenea inde-
pendente.
Definiţia 3.20. Se spune ca partiţiile Ai , i = 1, n si Bj , j = 1, m ale aceluiasi

eveniment sigur sunt independente dacă pentru orice i = 1, n, j = 1, m are loc
relaţia
P (Ai ∩ Bj ) = P (Ai ) · P (Bj )
103
Definiţia 3.21. Dacă A şi B sunt doua evenimente relative la aceeaşi experienţă
aleatoare astfel ca P (B) > 0, numărul
P (A ∩ B)
P (A | B) =
P (B)
se numeşte probabilitatea lui A condiţionată de B.
Reluând datele din exemplul de mai sus, se găsesc relaţiile
1
1 4 P (A ∩ B)
P (A) = = 1 = = P (A | B),
2 2
P (B)
1
1 4 P (A ∩ B)
P (B) = = 1 = = P (B | A),
2 2
P (A)
1
P (A ∩ C) 8 1 3
P (A | C) = = 1 = 6= = P (C) .
P (C) 2
4 16
Primele două rezultate sunt evidente ı̂n baza teoremei de mai jos:
Teorema 3.3. Dacă A si B sunt evenimente independente astfel că P (A) > 0 şi
P (B) > 0 atunci
P (A | B) = P (A) şi P (B | A) = P (B)
şi reciproc, dacă cel puţin una dintre cele doua egalitaţi este adevarată, atunci
A şi B sunt independente.
Demonstraţie. Prima implicaţie rezută imediat din faptul că
P (A ∩ B) = P (B ∩ A) = P (A) · P (B) ,
iar cea de-a doua din faptul că, de exemplu, relaţia P (A | B) = P (A) conduce,
conform definiţiei lui P (A | B), la relaţia
P (A ∩ B)
= P (A)
P (B)
adică la relaţia P (A ∩ B) = P (A) · P (B) . u
t
Definiţia 3.22. Se spune că evenimentele A1 , A2 , ..., Ap sunt independente ı̂n to-
talitate, dacă pentru orice număr k, 2 ≤ k ≤ p, de evenimente dintre ele are loc
relaţia
k
Y
P (Ai1 ∩ Ai2 ∩ ... ∩ Aik ) = P (Aij ) unde 1 ≤ ij ≤ p.
j=1
104
Observaţia 3.1. Dacă evenimentele A1 , A2 , ..., Ap sunt independente ı̂n totali-
tate, atunci sunt independente două câte doua, dar nu şi reciproc.
Din definiţia probabilităţilor condiţionate P (A | B) si P (B | A) rezultă şirul

de egalităţi
P (A ∩ B) = P (B) · P (A | B) = P (A) · P (B | A)
numită regula de ı̂nmultire a probabilităţilor, care se poate generaliza.
Exemplul 3.9. La un examen există 10 bilete cu subiecte teoretice şi 15 bilete

cu aplicaţii practice. Se extrag 2 bilete succesiv, fără revenire. Să se determine
probabilitatea de a extrage:
a) două subiecte teoretice.
b) două aplicaţii.
c) primul subiect teoretic şi al doilea o aplicaţie.
d) un subiect teoretic şi o aplicaţie.
e) primul subiect teoretic.
f) al doilea subiect practic.
g) cel puţin un subiect teoretic.
h) cel mult un subiect teoretic.
Rezolvare. Notăm cu A apariţia unui subiect teoretic la prima extragere

şi cu B apariţia un subiect teoretic la a doua extragere.
10 9
a) Avem P (A) = 25 şi P (B | A) = 24 . Trebuie să calculăm
9 10 3
P (A ∩ B) = P (B | A) · P (A) = · =
24 25 20
15 14
b) P (A) = 25
şi P (B | A) = 24
. Probabilitatea căutată este
14 15 7
P (A ∩ B) = P (B | A) · P (A) = · =
24 25 20
10 15
c) P (A) = 25
şi P (B | A) = 24
. Evenimentul cerut este A ∩ B, adică
15 10 1
P (A ∩ B) = P (B | A) · P (A) = · =
24 25 4
d) Evenimentul căutat este C = (A ∩ B) ∪ (A ∩ B) şi
10 15 1
P (A ∩ B) = P (B | A) · P (A) = · =
24 25 4
105
1 1 1
P (C) = P (A ∩ B) + P (A ∩ B) = + =
4 4 2
deoarece A ∩ B ∩ A ∩ B = ∅.
e) Evenimentul este
C = (A ∩ B) ∪ (A ∩ B) = A ∩ (B ∪ B) = A ∩ E = A
3 1 2
P (C) = P (A ∩ B) + (A ∩ B) = + = = P (A)
20 4 5
f) Evenimentul este C = (A ∩ B) ∪ (A ∩ B) = B ∩ (A ∪ A) = B ∩ E = B şi
1 7 3
P (C) = P (A ∩ B) + P ((A ∩ B) = + = = P (B)
4 20 5
g) Notăm evenimentul cu C. Evenimentul contrar este să nu se extragă nici un
7
subiect teoretic, adică ambele să fie aplicaţii. De la punctul b) avem P (C) = 20
7 13
P (C) = 1 − P (C) = 1 − =
20 20
Altfel,
3 1 1 13
C = (A ∩ B) ∪ (A ∩ B) ∪ (A ∩ B) ⇒ P (C) = + + = .
20 4 4 20
h) C = (A ∩ B) ∪ (A ∩ B) ∪ (A ∩ B) şi
7 1 1 17
P (C) = + + =
20 4 4 20
Altfel, C ı̂nseamnă cel puţin un subiect practic, sau echivalent, ambele teoretice.
3
Deci de la a) avem P (C) = 20 adică
17
P (C) = 1 − P (C) = .
20
106
3.3. Formule clasice de probabilitate
Formula probabilităţii totale
Teorema 3.4. Dacă evenimentele A1 , A2 , ..., Ap realizează o partiţie a evenimen-

tului sigur şi dacă B este un eveniment arbitrar din acelaşi câmp de evenimente,
atunci este verificată egalitatea
p
X
P (B) = P (Ai ) · P (B | Ai )
i=1
numită formula probabilităţii totale.

p
Demonstraţie. Deoarece ∪ Ai = E, se poate scrie
i=1
p p
B = B ∩ E = B ∩ ( ∪ Ai ) = ∪ (B ∩ Ai )
i=1 i=1
Evenimentele Ai fiind incompatibile două câte două, evenimentele B ∩ Ai vor fi

deasemenea incompatibile două câte două. Atunci
p
X
P (B) = P (B ∩ Ai ).
i=1
p
P
Dar P (B∩Ai ) = P (Ai )·P (B | Ai ), pentru i = 1, p, atunci P (B) = P (Ai )·P (B |
i=1
Ai ), adică rezultatul căutat. u
t
Exemplul 3.10. Trei loturi de piese L1 , L2 , L3 conţin câte 100 piese fiecare.
Primul lot are 2% rebuturi, al doilea 3% rebuturi, iar ultimul 4% rebuturi. Se
alege la ı̂ntâmplare un lot şi se extrage o piesă. Determinaţi probabilitatea ca
aceasta să fie defectă.
Rezolvare. Notăm cu A evenimentul ca piesa extrasă să fie defectă şi cu Ai ,

i = 1, 3 evenimentul ca piesa să fie aleasă din lotul Li , i = 1, 3. Avem aceeaşi
probabilitate ca piesa să fie aleasă dintr-un lot sau altul,
1
P (A1 ) = P (A2 ) = P (A3 ) =
3
107
Apoi, P (A | Ai ) este probabilitatea ca alegând lotul Li , piesa extrasă să fie defectă
şi este evident faptul că au loc egalităţile
2 3 4
P (A | A1 ) = , P (A | A2 ) = , P (A | A3 ) = .
100 100 100
Atunci, confort formulei probabilităţii totale
3
X 1 2 1 3 1 4
P (A) = P (Ai ) · P (A | Ai ) = · + · + · = 0, 03.
i=1 3 100 3 100 3 100
Formula lui Bayes
Teorema 3.5. Dacă evenimentele A1 , A2 , ..., Ap realizează o partiţie a evenimen-

tului sigur şi B este un eveniment arbitrar din acest câmp de evenimente, atunci
este verificată egalitatea
P (Ai ) · P (B | Ai )
P (Ai | B) = P
p
P (Ai ) · P (B | Ai )
i=1
numită formula lui Bayes.
Demonstraţie. In baza regulei de ı̂nmulţire a probabilităţilor are loc relaţia

P (B) · P (Ai | B) = P (Ai ) · P (B | Ai ) care se scrie sub forma
P (Ai ) · P (B | Ai )
P (Ai | B) =
P (B)
Transcriind probabilitatea P (B) cu ajutorul formulei probabilităţilor totale, se

obţine relaţia căutată. u
t
Exemplul 3.11. In exemplul de mai sus să se determine probabilitatea ca alegând

o piesă defectă, aceasta să fie din lotul L1 . Se cere P (A1 | A) . Conform formulei
lui Bayes
1
P (A1 ) · P (A | A1 ) · 2 2
P (A1 | A) = = 3 3100 =
P (B) 100
9
(P (B) fiind deja calculată la exemplul citat).
Probabilitatea unei reuniuni de evenimente
108
Teorema 3.6. Pentru orice sistem de p evenimente A1 , ..., Ap din acelaşi câmp
de evenimente are loc relaţia
p
X p
X µ ¶
p p
P ( ∪ Ai ) = P (Ai )− P (Ai ∩ Aj ) + ... + (−1)p−1 P ∩ Ai
i=1 i=1
i=1 i,j=1
Dacă evenimentele A1 , A2 , ..., Ap sunt două câte două incompatibile, atunci

are loc relaţia
µ ¶ p
X
p
P ∪ Ai = P (Ai )
i=1
i=1
Exemplul 3.12. O urnă conţine 3 bile albe şi 5 bile negre, iar alta conţine 4
bile albe si 6 negre. Din fiecare urnă se extrage cı̂te o bilă. Să se calculeze
probabilitatea ca cel puţin una dintre bilele extrase să fie neagră.
Rezolvare. Fie A, respectiv B evenimentul apariţiei unei bile negre la ex-
tragerea unei bile din prima urnă, respectiv a doua urnă. Deoarece evenimentul
propus, adică extragerea cel puţin a unei bile negre, se realizează de ı̂ndată ce se
realizează A sau B, rezultă că probabilitatea cerută este P (A ∪ B) . Avem for-
mula P (A ∪ B) = P (A) + P (B) − P (A ∩ B) unde P (A ∩ B) = P (A) · P (B) căci
evenimentul A este independent de evenimentul B. Apelând la definiţia clasică a
probabilităţii, se obţin valorile P (A) = 85 şi P (B) = 10
6
. Atunci
5 3 5 3 17
P (A ∪ B) = + − · = .
8 5 8 5 20
Exemplul 3.13. Pe o suprafaţă orizontală se aruncă 4 tetraedre regulate şi omo-
gene, toate feţele fiind numerotate cu 1,2,3,4. Să se determine probabilitea ca să
apară cel puţin o faţă cu număr par de puncte.
Rezolvare. Pentru rezolvare se notează respectiv cu A1 , A2 , A3 , A4 evenimentele
care se realizează respectiv dacă apare o faţă cu număr par de puncte pe primul,
pe al doilea, pe al treilea şi pe al patrulea. Atunci ı̂n mod evident P (Ai ) = 24 = 12
iar
µ ¶ 4
X 4
X 4
X µ ¶
4 4
P ∪ Ai = P (Ai )− P (Ai ∩ Aj )+ P (Ai ∩ Aj ∩ Ak ) − P ∩ Ai
i=1 i=1
i=1 i,j=1 i,j,k=1
i<j<k
Dacăµţinem ¶seama că cele patru evenimente sunt independente ı̂n totalitate,
4 4
1
avem P ∩ Ai = Π P (Ai ) . Deoarece P (Ai ) = 2
pentru i = 1, 2, 3, 4 rezultă:
i=1 i=1
µ ¶ µ ¶2 µ ¶3 µ ¶4
4 1 1 1 1 15
P ∪ Ai = 4 · −6 +4 − =
i=1 2 2 2 2 16
109
Teorema 3.7. Dacă A1 , A2 , ..., Ap sunt evenimentele din acelaşi câmp de eveni-
mente, atunci are loc inegalitatea
µ ¶ p
X
p
P ∪ Ai ≤ P (Ai )
i=1
i=1
Demonstraţie. Pentru fiecare i = 1, 2, ..., p se construieşte evenimentul
Bi = Ai ∩ Ai−1 ∩ Ai−2 ∩ ... ∩ A2 ∩ A1
Se constată fără dificultate că sunt adevărate relaţiile:
p p
Bi ⊆ Ai , Bi ∩ Bj = ∅ , i, j = 1, 2, ..., n şi i 6= j, ∪ Ai = ∪ Bi
i=1 i=1
p p
P
Rezultă că P (Bi ) ≤ P (Ai ). Deci P ( ∪ Ai ) ≤ P (Ai ) adică tocmai ce trebuia
i=1 i=1
demonstrat. u
t
Teorema 3.8. Dacă A1 , A2 , ..., Ap sunt evenimente din acelaşi câmp, atunci este
adevărată inegalitatea (Boole)
p
X p
X
p p
P ( ∩ Ai ) ≥ 1− P (Ai ) ⇔ P ( ∩ Ai ) ≥ P (Ai ) − (p − 1)
i=1 i=1
i=1 i=1
Demonstraţie. Tinı̂nd seama de teorema anterioară, faptul că are loc egalitatea
µ ¶
p p p
C ∩ Ai = ∪ CAi = ∪ Ai
i=1 i=1 i=1
se obţine succesiv
µ ¶ · µ ¶¸ µ ¶ p
X
p p p
P ∩ Ai = 1 − P C ∩ A =1−P ∪ Ai ≥ 1− P (Ai ).
i=1 i=1 i=1
i=1
Echivalenţa se demonstrează folosind faptul că P (A) = 1 − P (A). u

t
Inegalitatea lui Boole ne dă o limită inferioară pentru probabilitatea realizării
simultane a evenimentelor A1 , A2 , ...An .
Exemplul 3.14. Un produs pentru a corespunde normelor standard trebuie să
ı̂ndeplinească trei condiţii C1 , C2 , C3 . S-a constatat că din 1000 de produse, 95%
ı̂ndeplinesc C1 , 85% C2 , şi 90% C3 . Să se calculeze probabilitatea minimă şi
maximă ca un produs să fie standard.
Rezolvare. Notăm cu Ai probabilitatea ca produsul să ı̂ndeplinească condiţia
Ci . Probabilitatea ca un produs să fie standard este
P (A1 ∩ A2 ∩ A3 ) ≥ P (A1 )+P (A2 )+P (A3 ) − 2=0, 95+0, 85+0, 90 − 2=0, 70.
Deoarece A1 ∩ A2 ∩ A3 ⊆ Ai avem P (A1 ∩ A2 ∩ A3 ) ≤min {P (Ai } = 0, 85 deci
i
P (A1 ∩ A2 ∩ A3 ) ∈ [0, 70; 0, 85]
110
3.3.1. Scheme clasice de probabilitate
Schema lui Poisson
Teorema 3.9. Dacă A1 , A2 , ..., An sunt respectiv evenimente relative la n experienţe

aleatoare independente, atunci probabilitatea realizării simultane a numai k ,
0 ≤ k ≤ n dintre cele n evenimente este egală cu coeficientul lui xk din polinomul
Q (x) = (p1 x + q1 ) · (p2 x + q2 ) · ... · (pn x + qn )

³ ´
unde pi = P (Ai ) iar qi = p Ai = 1 − pi , i = 1, n (schema lui Poisson).
Exemplul 3.15. Pe o suprafaţă orizontală se aruncă trei tetraedre regulate şi

omogene cu feţe numerotate de la 1 la 4. Fie A1 , A2 , A3 evenimentele date de
mulţimile de probe A1 = {1}, A2 = {2, 3} şi A3 = {1, 3, 4} relative respectiv la
experienţele aruncării cu primul, cu al doilea şi cu al treilea tetraedru. Care este
probabilitatea ca sa se realizeze numai două din aceste evenimente?
Rezolvare. Deoarece P (A1 ) = 41 , P (A2 ) = 42 , P (Á3 ) = 34 iar problema se

ı̂ncadrează ı̂n schema lui Poisson, rezultă că probabilitatea cerută este coeficientul
lui x2 din polinomul
µ ¶µ ¶µ ¶
1 3 2 2 3 1
Q (x) = x+ x+ x+
4 4 4 4 4 4
13
După efectuarea calculelor obţinem probabilitatea 32
.
Exemplul 3.16. Trei loturi de piese L1 , L2 , L3 conţin câte 100 piese fiecare.
Primul lot are 2% rebuturi, al doilea 3% rebuturi, iar ultimul 4% rebuturi. Se
extrage la ı̂ntâmplare câte o piesă din fiecare lot. Care este probabilitatea de a
extrage:
a) două piese defecte
b) nici o piesă defectă
c) cel puţin o piesă defectă
Rezolvare. Notăm cu Ai evenimentul apariţiei unei piese defecte din lotul Li ,

i = 1, 3. Avem
2 3 4
p1 = P (A1 ) = , p2 = P (A2 ) = , p3 = P (A3 ) =
100 100 100
111
a) Probabilitatea cerută este coeficientul lui x2 din polinomul
µ ¶µ ¶µ ¶
2 98 3 97 4 96
Q (x) = x+ x+ x+
100 100 100 100 100 100
b) Probabilitatea cerută este termenul liber din polinomul de mai sus, adică
0, 912576.
c) Notăm cu A evenimentul cerut. Atunci A ı̂nseamnă apariţia a trei piese bune,
sau echivalent, nici o piesă defectă. De la b) obţinem P (A) = 0, 912576 adică
P (A) = 1 − P (A) = 0, 087424.
Schema lui Bernoulli
Teorema 3.10. Fie A un eveniment relativ la o experienţă aleatoare care se

repetă (ı̂n aceleaşi condiţii) de n ori. Probabilitatea ca evenimentul A să se
realizeze de k ori, 0 ≤ k ≤ n este egală cu
Cnk pk q n−k ,
³ ´
unde p = P (A) şi q = P A = 1 − p. (schema lui Bernoulli)
Demonstraţie. Schema lui Bernoulii este un caz particular al schemei lui

Poisson. Este cazul cı̂nd evenimentele A1 , A2 , ..., An coincid ca evenimente rel-
ative la aceeaşi experienţă aleatoare. Atunci p1 = p2 = ... = pn = p şi q1 =
q2 = ... = qn = q. Probabilitatea căutată este coeficientul lui xk din polinomul
(px + q)(px + q)...(px + q) = (px + q)n adică este Cnk pk q n−k . u
t
Exemplul 3.17. Intr-o urnă se găsesc 4 bile albe şi 6 negre. Se fac 5 extrageri de
câte o bilă, punându-se de fiecare dată bila extrasă ı̂napoi ı̂n urnă. Să se determine
probabilitatea ca dintre cele 5 bile extrase numai trei să fie negre.
Problema se ı̂ncadrează ı̂n schema lui Bernoulli, probabilitatea cerută este

µ ¶3 µ ¶2
6 4
C53 .
10 10
Schema polinomială
112
Teorema 3.11. Probabilitatea ca ı̂n n efectuări ale unei experienţe aleatoare,
evenimentul Ai să se realizeze de ni ori i = 1, m evenimentele A1 , A2 , ..., Am
realizând o partiţie a evenimentului sigur, este
n!
P = P (n; n1 , n2 , ..., nm ) = pn1 pn2 ...pnmm
n1 !n2 !...nm ! 1 2
unde n = n1 + n2 + .. + nm iar pi = P (Ai ) , i = 1, 2....m. Aceasta este schema
polinomială.
Observaţia 3.2. Fie cazul particular al schemei polinomiale obţinut pentru i =

2. Notı̂nd n1 = k, n2 = n − k probabilitatea ca ı̂n n repetări ale experienţei,
evenimentul A1 = A să se realizeze de k ori, iar evenimentul A2 = A să se
realizeze de n − k ori este
³ ´
n!
P (n; k; n − k) = k!(n−k)! pk q n−k = Cnk pk q n−k unde p = P (A) iar q = P A =
1 − p. Rezultă ı̂n acest fel că schema lui Bernoulli este un caz particular al schemei
polinomiale sau, altfel zis, că schema polinamială este o generalizare a schemei
lui Bernoulli. Din acest motiv schema polinomială mai poartă numele de schema
lui Bernoulli cu mai multe stări, iar schema lui Bernoulli se mai numeste schema
binomială.
Exemplul 3.18. Intr-o urnă se găsesc 2 bile albe, 3 bile negre şi 5 bile roşii. Se
extrag din urnă 6 bile, una cı̂te una, bila punı̂ndu-se ı̂napoi ı̂n urnă. Care este
probabilitatea ca o bilă să fie albă, 2 negre şi 3 roşii?
Rezolvare. Dacă se notează cu A1 , A2 , A3 respectiv evenimentul extragerii unei

bile albe, a unei bile negre şi a unei bile roşii din urnă, este evident faptul că cele
trei evenimente realizează o partiţie a evenimentului sigur, probabilitaţile lor sunt
următoarele:
2 3 5
P (A1 ) = 10 , P (A2 ) = 10 , P (A3 ) = 10 . Deci probabilitatea este
µ ¶1 µ ¶2 µ ¶3
6! 1 3 1
1!2!3! 5 10 2
Schema bilei nerevenite
In acest paragraf se calculează probabilitatea evenimentului care se reali-zează,

dacă extragem simultan dintr-o urnă, care conţine a bile albe şi b bile negre, un
număr de n bile (n ≤ a + b), k dintre acestea să fie albe (k ≤ a).
Numărul cazurilor egal posibile este dat de numărul de combinări ce pot fi
făcute cu numărul total de bile din urnă, (a + b) luate ı̂n raport cu numărul n al
113
n
bilelor extrase, adică Ca+b . Pentru a determina numărul cazurilor favorabile se ţine
seama de faptul că cele a bile albe pot fi luate in grupe de k bile ı̂n Cak moduri, iar
cele b bile negre pot fi luate ı̂n grupe de n − k bile ı̂n Cbn−k moduri. Cum la fiecare
combinaţie din prima mulţime se poate ataşa pe rând fiecare combinaţie din a
doua mulţime, rezultă că numărul cazurilor favorabile realizării evenimentului in
discuţie este egal cu Cak Cbn−k . Probabilitatea cautată va fi egală cu numărul
Cak Cbn−k
n
Ca+b
Observaţia 3.3. Schema bilei nerevenite se poate generaliza, pentrul cazul când
urna conţine ai bile de culoare ci (i = 1, m). Probabilitatea ca din cele n bile
extrase ni să fie de culoarea ci (i = 1, m) cu n1 + n2 + ... + nm = n este egal cu
numărul
Can11 · Can22 · ... · Canmm
.
Can11+....+a
+n2 +...+nm
m
Exemplul 3.19. Dintr-o cutie ı̂n care se află 20 lozuri câştigătoare şi 1000 necâş-
tigătoare, se scot la ı̂ntămplare 6 lozuri. Care este probabilitatea ca 2 dintre
acestea fie căştigătoare.
Rezolvare. Se aplică schema bilei nerevenite cu a = 20, b = 1000, n = 6, k = 2.

Probabilitatea este
2 4
C20 C1000
6
C1020
114
References
[1] Ciucu, G., Craiu, V., Stefănescu, A., Statistică Matematică şi Cercetari
Operaţionale, E.D. P. Bucureşti, 1986.
[2] Dantzing, G. B., Orden, A., Recent Advances in Linear Programming, Rand.
Report R. M., 1955.
[3] Dragomirescu, M., Maliţa, M., Programare Neliniară, Ed. Stiinţifică, Bu-
cureşti, 1972
[4] Ionescu, H., Dinescu, C., Savulescu, B., Probleme ale Cercetării Operaţionale,
E. D. P. Bucureşti 1972
[5] Iosifescu, M., Mihoc, Gh., Teoria Probabilităţilor şi Statistică Matematică,
Editura Tehnică, Bucureşti, 1966.
[6] Nicolescu , M. Analiză Matematică, vol. I., E. D. P, Bucureşti, 1963.
[7] Kuhn, H.W, Tucker, A.W. Nonlinear Programming, Univ. of California Press,
Berkeley, 1951.
[8] Onicescu, O., Probabilităţi şi Procese Aleatoare, Editura Stiintifică şi Enci-
clopedică Bucureşti, 1977.
[9] Owen, G., Teoria jocurilor, Ed, Tehnica, Bucuresti, 1974
[10] Popescu, O., & co., Matematici Aplicate ı̂n Economie, E.D.P. Bucureşti, 1997
[11] Popescu, L. Modele Matematice ale Fenomenelor Economice, Ed. Sitech,
Craiova, 2005
[12] Rocşoreanu C., Matematici Aplicate ı̂n Economie, Ed. Universitaria, Craiova,
2001.
[13] Stavre, P., Matematici Speciale cu Aplicaţii ı̂n Economi e, Ed. Scrisul
Românesc, Craiova 1982.
[14] Stavre, P. Popescu L., Programări Liniare cu Variabile Mărginite Superior.
Programări generale. Ed. Sitech, Craiova, 2003
[15] Stavre, P., Rocşoreanu, C., Optimizări şi Aplicaţii ı̂n Economie, Editura
Infomed, Craiova, 1995.
115
[16] Stavre P., Rocşoreanu C., Matematici Aplicate. Probabilitati si Statistica, Ed.
Universitaria, Craiova, 1998
[17] Trandafir R., Duda, I., Baciu, A., Ioan, R. Matematici pentru economişti II.
Ed. Fundaţiei România de Mâine, Bucureşti, 2001.
[18] Tigănilă Gh., Popescu, L., Matematică şi Statistică, Ed. Sitech, Craiova,
2000.
[19] Vladimirescu, I., Statistică Matematică, Ed. Universitaria, Craiova, 1998.
[20] Zanfir St., Matematici aplicate ı̂n economie, Ed. Universitaria, Craiova, 1998.
116

Curs2021 Mat Apl Final

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Curs2021 Mat Apl Final

Încărcat de

Drepturi de autor:

Formate disponibile

1.

In domeniul cercetării operaţionale, programarea liniară a ieşit ı̂n evidenţă prin

Definiţia 1.1. O problemă de programare liniară (p.p.l.) are următoarea formă

Sub formă restrânsă, o p.p.l. se poate scrie

Din motive de natură economică şi algoritmică se impun condiţii de pozitivitate

Remarca 1.1. Modelul matematic al unei probleme de programare liniară este

Matricea A = (aij )i=1,m,j=1,n se mai numeşte şi matricea coeficienţilor tehnologici,

Exemplul 1.3. Probleme de distribuţie optimă - problema transpor-

Dacă notăm cu xij cantitatea de produs transportată de la furnizorul Fi la

1.2. Sisteme liniare

Deoarece modelul matematic al unei p.p.l. este reprezentat de sistemele liniare,

Notăm coeficienţii din (2) prin

(1) (0) (0) (1) (0) (1) (1)

O altă aplicaţie a metodei Gauss-Jordan este determinarea inversei unei ma-

1.2.2. Sisteme liniare de forma AX = B, X ≥ 0

Prin pivotare se aduce sistemul compatibil AX = B de m ecuaţii liniare

Observaţia 1.1. i) Un program de bază este nedegenerat dacă numărul de

1.2.3. Generarea programelor de bază

Pentru a obţine un nou program de bază trebuie ı̂ndeplinite condiţiile

Din cele prezentate mai sus rezultă următorul algoritm

I (0) = {i | xi ≥ 0, xi variabile principale}

(1) Alegem: j ∈ K (0) (variabilă secundară)

Deci pivot va fi 1/4 = a13 . Avem:

aceleaşi programe de bază găsite mai sus.

1.2.4. Sisteme de inecuaţii liniare

Considerăm un sistem de inecuaţii liniare de forma AX ≤ B

Definiţia 1.5. Se numeşte soluţie realizabilă a sistemului de inecuaţii (7) o soluţie

Propoziţia 1.1. Matricea X0 este soluţie realizabilă a sistemului de inecuaţii

Demonstraţie. Considerăm X0 o soluţie realizabilă a sistemului (7), deci

1.3. Metode de rezolvare a problemelor de programare liniară

In continuare considerăm sistemul AX = B, X ≥ 0 la care vom adăuga o nouă

1.3.2. Algoritmul simplex netabelar

Algoritmului simplex (netabelar) pentru probleme de maxim.

1.3.3. Algoritmul simplex tabelar

După obţinerea unui program de bază, algoritmul simplex se poate organiza

Se verifică optimalitatea programului de bază găsit

1.4. Dualitate ı̂n programarea liniară

Considerăm o p.p.l. (numită primală) de forma

Proprietatea 1.1. Dacă X este un program al problemei (I) şi Y un program al

Demonstraţie. Din relaţia AX ≤ B, prin ı̂nmulţire la stânga cu Y t ≥ 0, se

Teorema 1.3. Considerăm X programul optim al problemei (I) care determină

Demonstraţie. Fie Cs vectorul linie format din coeficienţii funcţiei f core-

Rezolvare. Prima restricţie fiind neconcordantă ı̂i corespunde o variabilă y1 ≤

Remarca 1.6. Orice problemă de dualitate nesimetrică se pot transforma ı̂ntr-o

deci pivot va fi 2/3

Să verificam cu ajutorul teoremei ecarturilor complementare că programele

Exemplul 1.11. Două tipuri de complexe alimentare A1 , A2 conţin câte trei

Rezolvare. Notăm cu y1 ≥ 0, y2 ≥ 0 cantităţile din A1 , A2 .

ı̂n care se introduc variabilele de compensare q4 , q5 şi rezultă p.p.l.

1.4.1. Algoritmul simplex dual

Considerăm forma canonică a p.p.l.

Rezolvare: In cazulcă seobţine o soluţie de bază dual

Datorită unor factori naturali, economici sau sociali, ce pot influenta

1.5.1. Modificări de costuri C →Ce

In probleme specifice economiei de piaţă preţurile sunt libere şi depind, pe

5/2 3/2 3/2

pivotul va fi 1/2 = a24 .

1.5.2. Modificări de resurse B → Be

Un exemplu de asemenea modificări se ı̂ntâlneşte atunci când se face economie

din programul optim iniţial.

1.5.3. Modificări de tehnologii Pk → Pek

Intr-o economie de piaţă dinamică, retehnologizarea se impune ca o necesitate,

Diversificarea producţiei, prin introducerea ı̂n fabricaţie a altor produse, a