Cuprins

Capitolul 1..................................................................................... 6
Elemente de algebră liniară........................................................... 6
1.1 Matrice ................................................................................ 6
1.1.1 Definiţii. Exemple........................................................ 6
1.1.2 Operaţii cu matrice....................................................... 7
1.1.3 Matrice inversabile..................................................... 13
1.1.4 Rangul unei matrice ................................................... 20
1.1.5 Probleme .................................................................... 23
1.2 Sisteme de ecuaţii liniare .................................................. 24
1.2.1 Definiţii ...................................................................... 24
1.2.2 Rezolvarea sistemelor de ecuaţii liniare..................... 26
1.2.3 Probleme .................................................................... 37
Capitolul 2................................................................................... 40
Spaţii vectoriale .......................................................................... 40
2.1 Noţiunea de spaţiu vectorial. Exemple ............................. 40
2.1.1 Definiţia spaţiului vectorial........................................ 40
2.1.2 Exemple ..................................................................... 41
2.1.3 Proprietăţi specifice operaţiilor cu vectori ................. 42
2.2 Subspaţiu al unui spaţiu vectorial ..................................... 43
2.2.1 Definiţia subspaţiului vectorial .................................. 43
2.2.2 Exemple de subspaţii ................................................. 44
2.3 Dependenţă şi independenţă liniară. Bază. Coordonate.... 44
2.3.1 Dependenţă şi independenţă liniară ........................... 44
2.3.2 Bază. Coordonate....................................................... 45
2.3.3 Schimbare de coordonate ........................................... 46
2.4 Aplicaţii liniare ................................................................. 49
2.4.1. Definiţii şi exemple................................................... 49
2.4.2 Teorema de caracterizare a aplicaţiilor liniare ........... 50

1
 2.4.3. Izomorfisme de spaţii vectoriale ............................... 50
2.5 Probleme ........................................................................... 51
2.6 Fişa de autoevaluare.......................................................... 53
Capitolul 3................................................................................... 54
Programarea liniară..................................................................... 54
3.1 Probleme de programare liniară........................................ 54
3.1.1 Problema de planificare a producţiei.......................... 55
3.1.2 Problemă de amestec.................................................. 57
3.1.3 Problemă de planificare a investiţiilor ....................... 58
3.1.4 Forma standard a problemei de programare liniară ... 58
3.2 Rezolvarea problemelor de programare liniară................. 62
3.2.1 Clasificarea soluţiilor ................................................. 62
3.2.2. Determinarea soluţiilor de bază ................................ 64
3.3 Algoritmul simplex ........................................................... 67
3.3.1 Etapele algoritmului simplex ..................................... 67
3.3.2 Aducerea sistemului la forma standard ...................... 68
3.3.3 Găsirea unei soluţii de bază ....................................... 68
3.3.4 Trecerea de la soluţia găsită la alta mai bună prin
schimbarea bazei................................................................. 69
3.3.5 Determinarea soluţiei optime ..................................... 71
3.3.6 Exemple ..................................................................... 73
3.4 Cazuri speciale într-o problemă de programare liniară..... 76
3.4.1 Cazul soluţiei infinite ................................................. 77
3.4.2 Cazul soluţiei degenerate ........................................... 78
3.4.3 Cazul soluţiilor multiple. Soluţia generală................. 80
3.5 Dualitatea în programarea liniară...................................... 83
3.5.1 Dualitatea simetrică.................................................... 83
3.5.2 Dualitatea nesimetrică................................................ 87
3.6 Programarea transporturilor .............................................. 88
3.6.1 Problema de transport. Modelul matematic ............... 89
3.6.2 Metode de găsire a soluţiilor iniţiale de bază într-o
problemă de transport ......................................................... 94
3.6.3 Determinarea soluţiei optime a problemei de transport
prin metoda potenţialelor .................................................... 96
3.6.4 Soluţii multiple......................................................... 101
3.6.5 Degenerarea în problema de transport ..................... 102

2
 3.6.6 Problema de transport neechilibrată......................... 102
3.7 Probleme ......................................................................... 103
3.7.1 Enunţuri.................................................................... 103
3.7.2 Răspunsuri................................................................ 106
Capitolul 4................................................................................. 110
Elemente de analiză matematică ............................................... 110
4.1 Funcţii reale de o variabilă reală ..................................... 110
4.1.1 Vecinătate a unui punct. Punct de acumulare .......... 110
4.1.2 Definiţia funcţiei reale de o variabilă reală .............. 110
4.1.3 Limita unei funcţii într-un punct .............................. 111
4.1.4 Continuitatea unei funcţii într-un punct ................... 111
4.1.5 Derivabilitatea unei funcţii într-un punct................. 112
4.2 Funcţii reale de mai multe variabile reale ....................... 115
4.2.1 Mulţimi şi puncte din Rn. Vecinătăţi ........................ 115
Rn = {x = (x1, x2, ..., xn) | xi ∈ R, ∀i = 1, ..., n} ......................... 115
4.2.2 Funcţii de două variabile.......................................... 116
4.2.3 Limite şi continuitate pentru funcţii de două variabile
.......................................................................................... 117
4.2.4 Derivate parţiale....................................................... 118
4.2.5 Funcţii diferenţiabile ................................................ 120
4.2.6 Interpretări economice ale derivatelor parţiale......... 122
4.2.7 Derivatele funcţiilor compuse.................................. 122
4.2.8 Formula lui Taylor pentru funcţii de două variabile 123
4.2.9 Extremele funcţiilor de două variabile..................... 125
4.2.10 Extreme pentru funcţii de mai multe variabile....... 126
4.3 Ajustarea datelor numerice ............................................. 128
4.3.1 Problema .................................................................. 128
4.3.2 Metoda centrelor de greutate.................................... 129
4.3.3 Metoda celor mai mici pătrate ................................. 130
4.4 Integrale generalizate ...................................................... 131
4.4.1 Integrala Riemann .................................................... 131
4.4.2 Integrale improprii ................................................... 132
4.4.3 Funcţia Gamma (integrala sau funcţia Euler de speţa a
doua) ................................................................................. 134
4.4.4 Funcţia Beta (integrala sau funcţia Euler de speţa întâi)
.......................................................................................... 136

3
Capitolul 5................................................................................. 138
Elemente de teoria grafurilor .................................................... 138
5.1 Definiţii ........................................................................... 138
5.2 Matrice asociate unui graf............................................... 141
5.2.1 Matricea legăturilor (matricea conexiunilor, matricea
booleană)........................................................................... 141
5.2.2 Matricea de incidenţă ............................................... 141
5.2.3 Matricea lungimilor.................................................. 142
5.2.4 Matricea drumurilor ................................................. 142
5.2.5 Algoritmul lui Y. C. Chen pentru construirea matricei
drumurilor (terminală) ...................................................... 143
5.2.6 Matricea terminală triangularizată superior TTS ..... 146
5.3 Drumuri hamiltoniene în grafuri ..................................... 148
5.3.1 Drumuri hamiltoniene în grafuri orientate şi fără
circuite .............................................................................. 148
5.3.2 Drum hamiltonian într-o reţea oarecare. Algoritmul lui
Foulkes.............................................................................. 150
5.4 Drum optim..................................................................... 154
5.4.1 Drum critic (rută maximă) în grafuri fără circuite ... 154
5.4.2 Modelul matematic .................................................. 155
5.4.3 Algoritm pentru aflarea matricei DM a distanţelor
maximale........................................................................... 155
5.5 Fluxul în reţea ................................................................. 160
5.5.1 Algoritmul lui Ford-Foulkerson (procedeul marcării)
.......................................................................................... 162
Capitolul 6................................................................................. 165
Elemente de teoria probabilităţilor............................................ 165
6.1 Câmp de evenimente....................................................... 166
6.1.1 Experienţă, probă, eveniment................................... 166
6.1.2 Operaţii cu evenimente ............................................ 167
6.1.3 Definiţii ale noţiunii de probabilitate ....................... 167
6.1.4 Formula probabilităţii totale..................................... 170
6.2 Scheme clasice de probabilitate ...................................... 173
6.2.1 Schema lui Bernoulli cu bila întoarsă (schema
binomială) ......................................................................... 173

4
 6.2.2 Schema lui Bernoulli cu mai multe stări (polinomială)
.......................................................................................... 174
6.2.3 Schema bilei neîntoarse (schema hipergeometrică) . 174
6.2.4 Schema bilei neîntoarse cu mai multe stări.............. 175
6.3 Variabile aleatoare .......................................................... 175
6.3.1 Operaţii cu variabile aleatoare ................................. 178
6.3.2 Caracteristici numerice pentru variabile aleatoare
discrete .............................................................................. 180
6.3.3 Variabile aleatoare continue..................................... 181
6.3.4 Legi de probabilitate continue uzuale ...................... 183

5
Capitolul 1

Elemente de algebră liniară

1.1 Matrice

1.1.1 Definiţii. Exemple

Definiţia 1.1.1 (Matrice): Fie R un inel. Se numeşte matrice cu m

linii şi n coloane cu elemente din R un tablou de forma:

⎛ a11 a12 ... a1n ⎞

⎜ ⎟
⎜ a 21 a 22 ... a 2 n ⎟
A=⎜ ⎟
⎜ ..... ..... ..... .....⎟ , unde aij ∈ R.
⎜⎜ ⎟⎟
⎝ am1 am 2 ... amn ⎠

Mulţimea matricelor cu m linii şi n coloane cu elemente din

R se notează: Mm,n(R). În cazul în care numărul de linii este egal
cu numărul de coloane, matricea se numeşte pătratică. Mulţimea
matricelor pătratice cu n linii şi n coloane se notează Mn(R).
Matricele se notează cu litere mari ale alfabetului latin.

Exemplul 1.1.2 (Matrice de diferite tipuri): Matricea A are 2 linii

şi 3 coloane, A ∈ M2,3(R); matricea B ∈ M5,3(R); matricea C ∈
M4,1(R) şi C se mai numeşte matrice coloană, matricea D ∈

6
M1,3(R) şi se mai numeşte matrice linie, iar matricea E ∈ M2(R),
fiind o matrice pătratică.

⎛ 11 0 − 8⎞
⎜ ⎟ ⎛ 4 ⎞
⎜ 6 4 −1⎟ ⎜ ⎟
⎛ 2 − 3 4⎞ ⎜ ⎟ ⎜ − 9⎟
A = ⎜⎜ ⎟;
⎟
B=⎜ 7 2 6 ⎟; C = ⎜ ⎟;
⎝ − 5 0 1 ⎠ ⎜ ⎟ ⎜ 2 ⎟
⎜ − 10 4 − 9⎟ ⎜⎜ ⎟⎟
⎜ ⎟ ⎝ 3 ⎠
⎝ 2 −3 − 5⎠
⎛ 3 4⎞
D = (0 − 2 3); E = ⎜⎜ ⎟.
⎟
⎝ − 8 0⎠

O matrice care are o singură linie se numeşte matrice linie,

iar o matrice care are o singură coloană se numeşte matrice
coloană.
Matrice diagonală este o matrice care are elemente nenule
numai pe diagonala principală, celelalte elemente fiind egale cu 0.
Matrice triunghiulară. O matrice care are toate elementele
de sub diagonala principală egale cu zero se numeşte
triunghiulară superior, adică aij = 0, pentru i > j. O matrice care
are toate elementele de deasupra diagonalei principale egale cu
zero se numeşte triunghiulară inferior, adică aij = 0, pentru i < j.

1.1.2 Operaţii cu matrice

1.1.2.1 Adunarea matricelor

Definiţia 1.1.3: Fie matricele A şi B ∈ Mm,n(R). Matricea A + B se

defineşte astfel:

7
 ⎛a a ... a ⎞ ⎛b b ... b ⎞
⎜ 11 12 1n ⎟ ⎜ 11 12 1n ⎟
⎜a a ... a ⎟ ⎜b b ... b ⎟
A = ⎜ 21 22 2n ⎟
; B = ⎜ 21 22 2 n ⎟;
⎜ ..... ..... ..... ..... ⎟ ⎜ ..... ..... ..... ..... ⎟
⎜ ⎟ ⎜ ⎟
⎜a a ... a ⎟ ⎜b b ... b ⎟
⎝ m1 m2 mn ⎠ ⎝ m1 m2 mn ⎠
⎛ a +b a +b ... a + b ⎞
⎜ 11 11 12 12 1n 1n ⎟
⎜a +b a +b ... a + b ⎟
A + B = ⎜ 21 21 22 22 2n 2n ⎟.
⎜ ..... ..... ..... ..... ⎟
⎜ ⎟
⎜ a + bm1 a +b ... a + b ⎟
⎝ m1 m2 m2 mn mn ⎠

Observaţia 1.1.4: Două matrice se pot aduna numai dacă sunt de

acelaşi tip, adică au acelaşi număr de linii, respectiv coloane şi au
elementele din acelaşi inel.

Exemplul 1.1.5: Fie matricele A şi B ∈ M3,2(Q),

⎛− 2 5 ⎞ ⎛ 3 4⎞ ⎛− 2 + 3 5 + 4 ⎞ ⎛1 9 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
A = ⎜ 11 − 23⎟ şi B = ⎜ − 6 9 ⎟, atunci : A + B = ⎜ 11 − 6 − 23 + 9 ⎟ = ⎜ 5 − 14 ⎟.
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 3 0 ⎟⎠ ⎜ 2 10 ⎟ ⎜ 3+ 2 0 + 10 ⎟⎠ ⎜⎝ 5 10 ⎟⎠
⎝ ⎝ ⎠ ⎝

Proprietăţile adunării

1. Asociativitatea : Oricare ar fi matricele A, B, C ∈ Mm,n(R),

(A + B) + C = A + (B + C).
Această proprietate rezultă din faptul că R este un inel, unde
operaţia
aditivă este asociativă şi atunci: oricare ar fi aij, bij, cij, cu 1 ≤ i ≤
m şi
1 ≤ j ≤ n elementele matricelor A, B şi C,
(aij + bij) + cij = aij + (bij + cij).

2. Comutativitatea: Oricare ar fi matricele A şi B ∈ Mm,n(R),

A + B = B + A.

8
Această proprietate rezultă din faptul că legea "+" este comutativă
în R, adică oricare ar fi aij şi bij, cu 1 ≤ i ≤ m şi 1 ≤ j ≤ n
elementele matricelor A şi B, aij + bij = bij + aij.

3. Elementul neutru:
Dacă se notează cu 0 elementul neutru al legii "+" din inelul R,
⎛ 0 0 ... 0 ⎞
⎜ ⎟
⎜ 0 0 ... 0 ⎟
atunci matricea Om, n = ⎜ ⎟ este element neutru pentru
⎜ ... ... ... ...⎟
⎜⎜ ⎟⎟
⎝0 0 0 0⎠
adunarea matricelor pentru că, oricare ar fi matricea A ∈ Mm,n(R),
A + Om,n = Om,n + A = A.
Această matrice se numeşte matricea nulă.

4. Toate elementele sunt simetrizabile:

Oricare matrice A din Mm,n(R) are un opus, notată cu (- A). Dacă
elementele matricei A sunt aij, 1 ≤ i ≤ m şi 1 ≤ j ≤ n, elementele
matricei (- A) sunt (- aij) 1 ≤ i ≤ m şi 1 ≤ j ≤ n, care există, având
în vedere că R este un inel, deci un grup comutativ faţă de "+".
Atunci A + (- A) = (- A) + A = Om,n.

Având proprietăţile 1–4, mulţimea matricelor Mm,n(R)

împreună cu adunarea formează o structură de grup abelian.

1.1.2.2 Înmulţirea cu scalari

Fie R un inel şi K un corp, astfel încât se defineşte operaţia

externă
· : K x R → R cu proprietăţile:
1. (α + β)x = αx + βx, ∀α,β∈K, ∀x∈R;
2. α(x + y) = αx + αy, ∀α∈K, ∀x,y∈R;
3. α(βx) = (αβ)x, ∀α,β∈K, ∀x∈R;
4. 1x = x, ∀x∈R

9
Cu alte cuvinte R formează un spaţiu vectorial peste corpul K. În
aceste condiţii, se poate defini înmulţirea cu scalari din corpul K a
matricelor din mulţimea Mm,n(R).

Definiţia 1.1.6 : Fie matricea:

⎛a a ... a ⎞ ⎛ λa λa12 ... λa ⎞
⎜ 11 12 1n ⎟ ⎜ 11 1n ⎟
⎜a a ... a ⎟ ⎜ λa λa 22 ... λa ⎟
A = ⎜ 21 22 2n ⎟
şi λ ∈ K. Atunci λA = ⎜ 21 2n ⎟
.
⎜ ..... ..... ..... ..... ⎟ ⎜ ..... ..... ..... ..... ⎟
⎜ ⎟ ⎜ ⎟
⎜a a ... a ⎟ ⎜ λa λa m2 ... λa mn ⎟
⎝ m1 m2 mn ⎠ ⎝ m1 ⎠

Exemplul 1.1.7: Fie matricea A din M2,4(R):

⎛− 3 5 1 − 2⎞
A = ⎜⎜ ⎟. Atunci :
⎝ 4 0 − 7 8 ⎟⎠
⎛ 3 ⋅ (−3) 3⋅5 3 ⋅1 3 ⋅ (−2) ⎞ ⎛ − 9 15 3 − 6⎞
3 ⋅ A = ⎜⎜ ⎟=⎜ ⎟.
⎝ 3⋅ 4 3 ⋅ 0 3 ⋅ (−7) 3 ⋅ 8 ⎟⎠ ⎜⎝ 12 0 − 21 24 ⎟⎠

Proprietăţile înmulţirii cu scalari

Pe baza proprietăţilor înmulţirii cu scalari a elementelor lui R se

stabilesc proprietăţile înmulţirii cu scalari a matricelor din
Mm,n(R):
1. (α + β)A = αA + βA, ∀α,β∈K, ∀A∈Mm,n(R);
2. α(A + B) = αA + αB, ∀α∈K, ∀A,B∈Mm,n(R);
3. α(βA) = (αβ)A, ∀α,β∈K, ∀A∈Mm,n(R);
4. 1A = A, ∀A∈Mm,n(R).

Având proprietăţile 1–4, mulţimea matricelor Mm,n(R)

formează spaţiu vectorial peste corpul K în raport cu înmulţirea
cu scalari care s-a definit.

1.1.2.3 Înmulţirea matricelor

10
Definiţia 1.1.8: Fie matricele A ∈ Mm,n(R) şi B ∈ Mn,p(R), unde aij
cu 1 ≤ i ≤ m şi 1 ≤ j ≤ n sunt elementele lui A, iar bjk cu 1 ≤ j ≤ n şi
1 ≤ k ≤ p sunt elementele lui B. Produsul A · B este matricea
n
C ∈ Mm,p(R) de elemente cik, cik = ∑ aij b jk unde 1 ≤ i ≤ m şi
j =1

1 ≤ k ≤ p, adică:
⎛a a ... a ⎞ ⎛b b ... b ⎞
⎜ 11 12 1n ⎟ ⎜ 11 12 1p ⎟
⎜a a ... a ⎟ ⎜b b ... b ⎟
A = ⎜ 21 22 2n ⎟
şi B = ⎜ 21 22 2p ⎟
. Atunci : A ⋅ B =
⎜ ... ... ... ... ⎟ ⎜ ... ... ... ... ⎟
⎜ ⎟ ⎜ ⎟
⎜a a ... a ⎟ ⎜ bn1 bn 2 ... b ⎟
⎝ m1 m2 mn ⎠ ⎝ np ⎠

⎛ a11b11 + a12b21 + ... + a1nbn1 a11b12 + a12b22 + ... + a1nbn 2 ... a11b1 p + a12b2 p + ... + a1nbnp ⎞
⎜ ⎟
⎜ a b + a b + ... + a1nbn1 a11b11 + a12b21 + ... + a1nbn1 ... a11b11 + a12b21 + ... + a1nbn1 ⎟
= ⎜ 21 11 12 21
...................................... .................................... ... ................................ ⎟
⎜ ⎟
⎜ a b + a b + ... + a b a11b11 + a12b21 + ... + a1nbn1 ... a11b11 + a12b21 + ... + a1nbn1 ⎟⎠
⎝ 11 11 12 21 1n n1

Observaţia 1.1.9: Două matrice se pot înmulţi dacă numărul de

coloane ale primei matrice este egal cu numărul de linii ale celei
de a doua. Matricea rezultat are numărul de linii egal cu al primei
matrice, iar numărul de coloane egal cu al celei de a doua matrice.

Exemplul 1.1.10: Fie matricele A ∈ M4,2(R) şi B ∈ M2,3(R).

Atunci produsul A·B este din mulţimea M4,3(R):

⎛ 1 2 ⎞
⎜ ⎟
⎜ 0 −1⎟ ⎛ − 3 0 4⎞
A=⎜ ⎟ şi B = ⎜ ⎟
⎜ 12 − 4⎟ ⎜ 5 2 7⎟
⎝ ⎠
⎜⎜ ⎟⎟
⎝− 2 8 ⎠
⎛ 1 ⋅ (−3) + 2 ⋅ 5 1⋅ 0 + 2 ⋅ 2 1⋅ 4 + 2 ⋅ 7 ⎞ ⎛ 7 4 18 ⎞
⎜ ⎟ ⎜ ⎟
⎜ 0 ⋅ (−3) + (−1) ⋅ 5 0 ⋅ 0 + (−1) ⋅ 2 0 ⋅ 4 + (−1) ⋅ 7 ⎟ ⎜ − 5 − 2 − 7 ⎟
A⋅ B = ⎜ ⎟=⎜ ⎟
⎜12 ⋅ (−3) + (−4) ⋅ 5 12 ⋅ 0 + (−4) ⋅ 2 12 ⋅ 4 + (−4) ⋅ 7 ⎟ ⎜ − 56 − 8 20 ⎟
⎜⎜ ⎟ ⎜ ⎟
⎝ (−2) ⋅ (−3) + 8 ⋅ 5 (−2) ⋅ 0 + 8 ⋅ 2 (−2) ⋅ 4 + 8 ⋅ 7 ⎟⎠ ⎜⎝ 46 16 48 ⎟⎠

11
Proprietăţile înmulţirii matricelor

1. Asociativitatea: Oricare ar fi matricele A ∈ Mm,n(R); B ∈

Mn,p(R) şi C ∈ Mp,r(R), (A · B) · C = A · (B · C).
Proprietatea se demonstrează prin calcul.
2. Dacă se consideră numai matrice pătratice de ordin n, atunci
pentru mulţimea Mn(R), matricea notată In este element neutru la
înmulţire, adică oricare ar fi A ∈ Mn(R), A · In = In · A = A.
Matricea In se numeşte matricea unitate de ordin n şi are toate
elementele 0, cu excepţia celor de pe diagonala principală, care
sunt 1:
⎛ 1 0 ... 0 ⎞
⎜ ⎟
⎜ 0 1 ... 0 ⎟
In = ⎜ ⎟
⎜ ..... ..... ..... .....⎟
⎜⎜ ⎟
⎝ 0 0 ... 1 ⎟⎠
Demonstraţia se face de asemenea prin calcul.

Se observă că mulţimea matricelor pătratice de ordin n cu

elemente din inelul R are o structură de monoid faţă de înmulţirea
matricelor.

3. Înmulţirea matricelor pătratice este distributivă faţă de adunare

Oricare ar fi matricele A, B, C ∈ Mn(R),
A · (B + C) = A · B + A · C şi
(A + B) · C = A · C + B · C.
Această proprietate se verifică de asemenea prin calcul.

Observaţia 1.1.11: Înmulţirea matricelor nu este în general

comutativă.

În concluzie, mulţimea matricelor pătratice de ordin n peste

inelul R faţă de adunarea şi înmulţirea matricelor (Mn(R), +, ·) este
un inel. Inelul nu este comutativ. Are divizori ai lui zero, de
exemplu:

12
 ⎛0 1⎞ ⎛ 2 3⎞ ⎛ 0 0⎞
A = ⎜⎜ ⎟≠0 ; B=⎜
⎟ 2 ⎜
⎟ ≠ 0 , dar : A ⋅ B = ⎜
⎟ 2
⎟=0
⎜ 0 0⎟ 2
⎝ 0 0 ⎠ ⎝ 0 0 ⎠ ⎝ ⎠
În ceea ce priveşte elementele inversabile ale inelului,
acestea sunt matricele care au determinantul un element inversabil
al inelului R.

1.1.3 Matrice inversabile

1.1.3.1 Definiţii şi exemple

Fie K un corp comutativ şi Mn(K) mulţimea matricelor

pătratice de ordin n cu elemente din corpul K.

Definiţia 1.1.12: O matrice A din Mn(K) se numeşte inversabilă

dacă există o matrice B din Mn(K) astfel încât: A · B = B · A = In.

Exemplul 1.1.13:
⎛3 5⎞ ⎛ 2 − 5⎞ ⎛1 0⎞
A = ⎜⎜ ⎟ şi B = ⎜
⎟ ⎜ −1
⎟. Atunci A ⋅ B = B ⋅ A = ⎜
⎟ ⎜
⎟=I .
⎟ 2
⎝1 2⎠ ⎝ 3⎠ ⎝0 1⎠

În acest caz B este inversa matricei A, dar în acelaşi timp şi

A este inversa matricei B.
Inversa matricei A se notează cu A – 1 .

Teorema 1.1.14: Inversa unei matrice pătratice, dacă există, este

unică.

Demonstraţie: Presupunem că B şi B' sunt inversele matricei A.

Atunci, B' = B' · In = B' · (A · B) = (B' · A) · B = In · B = B, ceea ce
înseamnă că matricea B este unică.

Definiţia 1.1.15: O matrice pătratică se numeşte singulară dacă

determinantul său este nul. O matrice pătratică se numeşte
nesingulară dacă determinantul său este nenul.

13
Teorema 1.1.16: O matrice pătratică de ordin n cu elemente din
corpul K este inversabilă dacă şi numai dacă este nesingulară.

1.1.3.2 Calculul inversei unei matrice

Metoda I

Inversa unei matrice pătratice A din Mn(K)

⎛ a 11 a 12 ... a 1n ⎞
⎜ ⎟
⎜ a 21 a 22 ... a 2n ⎟
A=⎜ ⎟
⎜ ..... ..... ..... ..... ⎟ se calculează astfel:
⎜⎜ ⎟
⎝ a n1 an2 ... a nn ⎟⎠

1. Se calculează determinantul matricei A

a 11 a 12 ... a 1n
a 21 a 22 ... a 2n
d =
..... ..... ..... ..... . În cazul în care d = 0, matricea nu
a n1 a n 2 ... a nn
are inversă. Dacă d ≠ 0, se calculează inversa.

2. Se calculează determinanţii dij de ordin n - 1 care se obţin din d

prin excluderea liniei i şi coloanei j.

⎛ (−1)1 + 1 d 11 (−1) 2 + 1 d 21 ... (−1) n + 1 dn1 ⎞⎟

⎜
⎜ ⎟
⎜ (−1)1 + 2 d 12 (−1) 2 + 2 d 22 ... (−1) n + 2 dn 2 ⎟
3. A* = , numită matricea
⎜ ..... ..... ..... ..... ⎟
⎜ ⎟
⎜ (−1)1 + n d 1n (−1) 2 + n d 2 n ... (−1) n+n
dnn ⎟⎠
⎝
adjunctă matricei A.

Atunci A – 1 = d – 1 A*.

14
 ⎛ d 0 ... 0 ⎞
⎜ ⎟
⎜ 0 d ... 0 ⎟
Se verifică prin calcul că A · A* = A* · A = ⎜ ⎟ .
⎜ ... ... ... ...⎟
⎜⎜ ⎟⎟
⎝ 0 0 ... d ⎠
În consecinţă, A · A – 1 = A – 1 · A = In, deci matricea calculată este
inversa matricei A.

Exemplul 1.1.17:

⎛2 −1 0⎞
⎜ ⎟
Fie matricea: A = ⎜1 3 2 ⎟.
⎜ ⎟
⎜4 1 2 ⎟⎠
⎝
1. Se calculează determinantul ei,

2 −1 0
d=1 3 2 = 12 − 8 − 4 + 2 = 2 ≠ 0 .
4 1 2

2. Se calculează determinanţii de ordin 2:

3 2 1 2 1 3 −1 0 2 0
d11 = = 4; d12 = = −6; d13 = = −11; d 21 = = −2; d 22 = = 4;
1 2 4 2 4 1 1 2 4 2
2 −1 −1 0 2 0 2 −1
d 23 = = 6; d31 = = −2; d32 = = 4; d33 = =7
4 1 3 2 1 2 1 3

3. Se calculează matricea adjunctă, după care inversa:

⎛ ⎞
⎛ 4 2 − 2⎞ ⎜ 2 1 −1 ⎟
⎜ ⎟ 1 ⎜ ⎟
A* = ⎜ 6 4 − 4 ⎟, iar A- 1 = ⋅ A* = ⎜ 3 2 − 2⎟
⎜ ⎟ 2 ⎜ 11 7 ⎟
⎜ − 11 −6 7 ⎟⎠
⎝ ⎜− −3 ⎟
⎝ 2 2 ⎠

Se verifică prin calcul că A · A – 1 = A – 1 · A = I3.

15
Metoda II

Metoda a doua este un procedeu practic, putând fi utilizată la

calculul inversei matricelor cu un număr mare de linii şi coloane.
Acest procedeu utilizează transformări elementare.

Transformările elementare care se pot aplica unei matrice sunt:

1. Înmulţirea unei linii sau coloane cu un număr nenul;
2. Permutarea a două linii sau coloane între ele;
3. Adunarea unei linii sau coloane cu o altă linie sau coloană.

Definiţia 1.1.18: Două matrice care rezultă una din alta prin
transformări elementare se numesc echivalente.

Procedeul de aflare a inversei :

1. Se aplică transformări elementare numai pe linii asupra

matricei A până se aduce la forma matricei unitate.
2. Se aplică aceleaşi transformări elementare asupra matricei
unitate care se tranformă astfel în matricea A – 1 .

Exemplul 1.1.19: Fie matricea

⎛2 −1 0⎞
⎜ ⎟
A = ⎜1 3 2 ⎟.
⎜ ⎟
⎜4 1 2 ⎟⎠
⎝
Elementul a11 = 2. Pe această poziţie, matricea unitate are
elementul 1. Se înmulţeşte linia 1 cu 1/2 şi se obţine:

A I3 Transformări elementare
L1 · 1/2
2 -1 0 1 0 0

1 3 2 0 1 0

4 1 2 0 0 1

16
 1 -1/2 0 1/2 0 0
L2 – 1 · L1
1 3 2 0 1 0
L3 – 4 · L1
4 1 2 0 0 1

Pe coloana 1, pe poziţia a21 trebuie să fie 0, ceea ce se

obţine scăzând din linia 2 linia 1. Tot pe coloana 1, a31 este 4, deci
se scade din linia 3 de 4 ori linia 1 şi se obţine prima coloană a
matricei unitate :

1 -1/2 0 1/2 0 0

0 7/2 2 -1/2 1 0 L2 · 2/7

0 3 2 -2 0 1

Elementul a22 = 7/2. El trebuie să fie 1, ceea ce se obţine

înmulţind linia 2 cu 2/7:
1 -1/2 0 1/2 0 0 L1 + 1/2 · L2

0 1 4/7 -1/7 2/7 0

0 3 2 -2 0 1 L3 – 3 · L2

Pe coloana 2, a12 = - 1/2, deci se adună la linia 1, linia 2

înmulţită cu 1/2. Tot pe coloana 2, a32 = 3, iar pentru a deveni 0,
se scade din linia 3, linia 2 înmulţită cu 3 :

17
 1 0 2/7 3/7 1/7 0

0 1 4/7 -1/7 2/7 0

0 0 2/7 -11/7 -6/7 1 L3 · 7/2

Elementul a33 al matricei unitate este 1, ceea ce se obţine

înmulţind linia 3 cu 7/2:

1 0 2/7 3/7 1/7 0 L1 - 2/7 · L3

0 1 4/7 -1/7 2/7 0 L2 – 4/7 · L3

0 0 1 -11/2 -3 7/2

Pe coloana 3, deasupra lui 1 se fac zerouri astfel: din linia 1

se scade linia 3 înmulţită cu 2/7, iar din linia 2 se scade linia 3
înmulţită cu 4/7, ceea ce conduce în partea stângă la matricea
unitate, iar în dreapta se obţine inversa:

I3 A-1

1 0 0 2 1 -1

0 1 0 3 2 -2

0 0 1 -11/2 -3 7/2

Când matricea nu are inversă, nu se poate obţine matricea

unitate prin transformări elementare.

18
 ⎛1 0 1 ⎞
⎜ ⎟
Exemplul 1.1.20: Fie matricea: A = ⎜1 − 2 − 3 ⎟ , cu det(A) = 0.
⎜1 2 5 ⎟⎠
⎝

A I3 Transf. elementare

1 0 1 1 0 0

1 -2 -3 0 1 0 L2 – L1

1 2 5 0 0 1 L3 – L1

1 0 1 1 0 0

0 -2 -4 -1 1 0 L2 · (-1/2)

0 2 4 -1 0 1

1 0 1 1 0 0

0 1 2 1/2 -1/2 0

0 2 4 -1 0 1 L3 – 2 · L2

1 0 1 1 0 0

0 1 2 1/2 -1/2 0

0 0 0 -2 1 1

19
 Pe ultima linie fiind numai zerouri, din matricea A nu se
poate obţine I3 prin transformări elementare.

1.1.4 Rangul unei matrice

1.1.4.1 Definiţii
⎛a a ... a ⎞
⎜ 11 12 1n ⎟
⎜a a ... a ⎟
Fie matricea A = ⎜ 21 22 2n ⎟
din mulţimea Mm,n(K),
⎜ ..... ..... ..... ..... ⎟
⎜ ⎟
⎜a a ... a ⎟
⎝ m1 m2 mn ⎠
unde K este un corp comutativ. Se consideră k linii şi k coloane
ale acestei matrice. Elementele care se găsesc la intersecţia lor
formează un determinant de ordin k, numit minor de ordin k al
matricei A.
Dacă matricea A ≠ Om,n, atunci matricea are elemente
nenule, există minori nenuli. Mulţimea minorilor matricei este
finită, înseamnă că există un număr natural r, 1 ≤ r ≤ min (m, n),
astfel încât să existe cel puţin un minor de ordin r nenul, iar toţi
minorii care există de ordin mai mare decât r să fie nuli.

Definiţia 1.1.21: Fie matricea A din mulţimea Mm,n(K), nenulă. Se

spune că matricea A are rangul r (se notează rangA = r), dacă A
are un minor de ordin r nenul, iar toţi minorii de ordin mai mare
decât r sunt nuli. Se consideră că matricea nulă are rangul 0.

Proprietăţile rangului

1. Dacă matricea A ∈ Mm,n(R) , atunci rangA ≤ min{m,n}.

2. RangA⋅B ≤ min{rangA, rangB}.
3. Rangul unei matrice nu se schimbă dacă:
a) se transpune matricea;
b) se înmulţesc elementele unei linii sau coloane cu un
număr nenul;
c) se permută între ele două linii sau coloane;

20
 d) se adaugă la elementele unei linii (coloane) elementele
unei alte linii (coloane), eventual înmulţite cu un număr oarecare.

1.1.4.2 Determinarea rangului unei matrice

Metoda I

Determinarea rangului unei matrice se poate face cu ajutorul

următoarei teoreme :

Teorema 1.1.22: Fie A o matrice nenulă din Mm,n(K). Numărul

natural r este rangul matricei A dacă şi numai dacă există un
minor de ordin r nenul, iar toţi minorii de ordin r + 1 care există
sunt nuli.

Pentru determinarea rangului se caută mai întâi un minor de

ordin 2 nenul. Dacă nu există, dar matricea are elemente nenule,
atunci rangul este 1. După găsirea acestuia se formează minori de
ordin 3 prin adăugarea câte unei linii şi coloane la minorul de
ordin 2. Dacă toţi minorii astfel formaţi sunt nuli, atunci rangul
este 2. Dacă există minor de ordin 3 nenul, prin adăugarea de linii
şi coloane se formează minorii de ordin 4. Dacă toţi aceştia sunt
nuli, rangul este 3, dacă nu, se continuă la fel.

⎛ −1 0 4 3⎞
⎜ ⎟
Exemplul 1.1.23: Fie matricea A=⎜ 2 1 − 1 1 ⎟ . Un minor de
⎜ ⎟
⎜ 0 1 7 7 ⎟⎠
⎝
−1 0
ordin 2 nenul este: , format cu liniile 1 şi 2 şi coloanele 1 şi
2 1
2. Prin adăugare de linii şi coloane se mai pot forma doi minori de
ordin 3:

−1 0 4 −1 0 3
2 1 − 1 = 0 şi 2 1 1 = 0 . În concluzie rangA = 2.
0 1 7 0 1 7

21
Metoda II

Această metodă se bazează pe efectuarea de transformări

elementare asupra matricei. Conform proprietăţilor rangului, două
matrice echivalente au acelaşi rang.

Procedeul practic de aflare a rangului unei matrice constă în:

1. Se alege un element pivot din matrice.
2. Se efectuează transformări elementare cu linia pe care stă
pivotul asupra celorlalte linii până când pe coloana sa se obţin
numai zerouri.
3. Dacă pe coloana pivotului s-au obţinut zerouri, pe linia sa se
înlocuiesc toate elementele cu zero.
4. Se continuă până când pe fiecare linie şi coloană există cel mult
un element nenul. Această formă a matricei se numeşte
quasidiagonală. Dacă această matrice s-ar mai transforma prin
permutări de linii şi coloane, elementele nenule ar putea fi aduse
pe diagonala principală, obţinându-se forma diagonală.
5. Rangul matricei este numărul de elemente nenule din matricea
quasidiagonală obţinută.

Exemplul 1.1.24 :

⎛ − 1 0 4 3⎞ L +2L ⎛ − 1 0 4 3⎞ ⎛ −1 0 0 0⎞ L −L
⎜ ⎟ 2 1⎜ ⎟ ⎜ ⎟ 3 2
⎜ 2 1 −1 1⎟ ≈ ⎜ 0 1 7 7⎟ ≈ ⎜ 0 1 7 7⎟ ≈
⎜ 0 1 7 7⎟ ⎜0 1 7 7 ⎟⎠ ⎜⎝ 0 1 7 7 ⎟⎠
⎝ ⎠ ⎝
⎛ −1 0 0 0⎞ ⎛ −1 0 0 0⎞
⎜ ⎟ ⎜ ⎟
≈ ⎜ 0 1 7 7⎟ ≈ ⎜ 0 1 0 0⎟ RangA = 2.
⎜ 0 0 0 0⎟ ⎜ 0 0 0 0 ⎟⎠
⎝ ⎠ ⎝

22
1.1.5 Probleme

⎛2 −1 3⎞ ⎛ −1 0 2 ⎞
⎜ ⎟ ⎜ ⎟
1. Fie matricele: A = ⎜0 4 2 ⎟ şi B = ⎜ 3 1 − 4 ⎟ din M3(R).
⎜ ⎟ ⎜ ⎟
⎜1 − 1 3 ⎟⎠ ⎜ −1 0 5 ⎟⎠
⎝ ⎝

Să se calculeze: a) A + B; b) 2A - 3B; c) AB; d) BA;

e) A2 - 5A + 3I3.

2. Să se determine inversele matricelor:

⎛1 1 1 1⎞
⎛1 1 1⎞ ⎜ ⎟
⎛ 2 1⎞ ⎜ ⎟ ⎜1 1 − 1 − 1⎟
A = ⎜⎜ ⎟;
⎟
B = ⎜1 2 3 ⎟; C = ⎜ ⎟
⎝ −1 0⎠ ⎜
⎜1 3
⎟ ⎜ 1 − 1 1 − 1⎟
⎝ 3 ⎟⎠ ⎜⎜ ⎟⎟
⎝1 − 1 − 1 1 ⎠
⎛1 2 3 4⎞
⎜ ⎟
⎜2 4 6 8⎟
3. Matricea: A=⎜ ⎟ are inversă? De ce?
⎜3 6 9 12 ⎟
⎜⎜ ⎟
⎝4 8 12 16 ⎟⎠
4. Să se determine rangul următoarelor matrice:
⎛1 2 2 4⎞
⎛ 3 − 5⎞ ⎜ ⎟
A = ⎜⎜ ⎟ şi B = ⎜ 4 5 8 10 ⎟.
⎝− 3 5 ⎟⎠ ⎜
⎜3
⎟
⎝ 1 6 2 ⎟⎠
Răspunsuri
⎛1 −1 5 ⎞ ⎛ 4 − 2 6⎞ ⎛ − 3 0 6 ⎞ ⎛ 7 − 2 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
1.a) A + B = 3 5 − 2 ; b) 2A − 3B = 0 8 4 − 9 3 −12 = − 9 5 16 ⎟;
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 0 −1 8 ⎟ ⎜ 2 − 2 6⎟ ⎜ − 3 0 15 ⎟ ⎜ 5 − 2 − 9⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠
⎛ − 8 −1 23⎞ ⎛ 0 −1 3 ⎞ ⎛ 7 − 9 13⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
2
c) AB = ⎜ 10 4 − 6⎟; d) BA= ⎜ 2 5 −1⎟; e) A − 5A + 3I3 = ⎜ 2 14 14⎟ −
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ − 7 −1 21⎟ ⎜ 3 − 4 12⎟ ⎜ 5 − 8 10⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
⎛10 − 5 15⎞ ⎛ 3 0 0⎞ ⎛ 0 − 4 − 2⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
− ⎜ 0 20 10⎟ + ⎜ 0 3 0⎟ = ⎜ 2 − 3 4 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 5 − 5 15⎟ ⎜ 0 0 3⎟ ⎜ 0 − 3 − 2⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠

23
 ⎛1 1 1 1 ⎞
⎜4 4 4 4 ⎟⎟
⎛ 3 −3 1 ⎞ ⎜1 1
⎛ 0 1⎞ ⎜ ⎟ ⎜ −1 − 1⎟
2. A −1
= ⎜⎜ ⎟
⎟
B −1
= ⎜− 3 5 − 2⎟ C−1 = ⎜ 4 4 4 4⎟
⎝ − 1 2 ⎠ ⎜
⎜ 1
⎟ ⎜1 −1 1 1
− ⎟
⎝ − 2 1 ⎟⎠ ⎜4 4 4 4⎟
⎜⎜ 1 − 1 −1 1 ⎟⎟
⎝4 4 4 4 ⎠

3. Matricea A nu este inversabilă pentru că are determinantul nul.

4. rang A = 1; rang B = 2.

1.2 Sisteme de ecuaţii liniare

1.2.1 Definiţii

Fie K un corp comutativ.

Definiţia 1.2.1: Se numeşte sistem de m ecuaţii liniare cu n

necunoscute şirul de relaţii de egalitate:

⎧ a x + a x + ... + a x = b
⎪ 11 1 12 2 1n n 1
⎪⎪ a 21 x1 + a 22 x2 + ... + a 2 n x n = b2
(S ) ⎨
⎪ .......... .......... .......... .......... .......
⎪a x + a x + ... + a x = b
⎪⎩ m1 1 m2 2 mn n m

unde aij ∈ K, 1 ≤ i ≤ m, 1 ≤ j ≤ n, se numesc coeficienţi, bi ∈ K, 1

≤ i ≤ m sunt termenii liberi, iar x1, x2, …, xn sunt necunoscutele
sistemului. Fiecare relaţie este o ecuaţie a sistemului.

Matricea A formată din coeficienţii necunoscutelor se numeşte

matricea coeficienţilor sistemului sau matricea sistemului:

24
 ⎛a a ... a ⎞
⎜ 11 12 1n ⎟
⎜a a ... a ⎟
A = ⎜ 21 22 2n ⎟
, iar matricea:
⎜ ..... ..... ..... ..... ⎟
⎜ ⎟
⎜a a ... a ⎟
⎝ m1 m2 mn ⎠
⎛a a ... a b ⎞
⎜ 11 12 1n 1 ⎟
⎜a a ... a b ⎟
A = ⎜ 21 22 2n 2 ⎟,
⎜ ..... ..... ..... ..... .....⎟
⎜ ⎟
⎜a a ... a b ⎟
⎝ m1 m2 mn m⎠

care s-a completat şi cu coloana termenilor liberi, se numeşte

matricea extinsă.

⎛x ⎞ ⎛b ⎞
⎜ 1⎟ ⎜ 1⎟
⎜x ⎟ ⎜b ⎟
Se notează: X = ⎜ 2 ⎟ şi B=⎜ 2 ⎟
⎜ ... ⎟ ⎜ ... ⎟
⎜ ⎟ ⎜ ⎟
⎜x ⎟ ⎜b ⎟
⎝ n⎠ ⎝ m⎠
Cu aceste notaţii, sistemul se mai poate scrie sub formă
matriceală:
AX = B.

În cazul în care bi = 0, oricare ar fi i ∈{1, 2, …, m},

sistemul se numeşte sistem omogen.

Un sistem de elemente din corpul K: x10, x20, …, xn0 se

numeşte soluţie a sistemului dacă înlocuind necunoscutele
respectiv cu aceste elemente, toate ecuaţiile sistemului sunt
verificate, adică
n
∑ a x
0
= b i , i ∈ {1, 2 ,..., m }.
ij j
j =1
Un sistem de ecuaţii liniare se numeşte compatibil dacă are
cel puţin o soluţie.

25
 Observaţie: Orice sistem omogen este compatibil pentru că
are cel puţin soluţia banală x10 = x20 = … = xn0 = 0.

Un sistem de ecuaţii liniare se numeşte compatibil

determinat dacă are o soluţie unică.

Un sistem de ecuaţii liniare se numeşte incompatibil dacă nu

are soluţii.

A rezolva un sistem de ecuaţii liniare înseamnă a decide

dacă este compatibil sau nu şi, în caz de compatibilitate, a-i găsi
soluţiile.

1.2.2 Rezolvarea sistemelor de ecuaţii liniare

1.2.2.1 Regula lui Cramer

În acest paragraf se consideră sisteme de ecuaţii liniare care

au numărul de ecuaţii egal cu numărul de necunoscute, adică
matricea sistemului este o matrice pătratică de ordin n. Dacă
matricea A este nesingulară, adică are determinantul nenul, atunci
sistemul se numeşte sistem Cramer.
Fie sistemul:
⎧ a x + a x + ... + a x = b
⎪ 11 1 12 2 1n n 1
⎪⎪ a 21 x1 + a 22 x 2 + ... + a 2 n x n = b2
(S ) ⎨
⎪ .......... .......... .......... .......... .......
C
⎪ a x + a x + ... + a x = b
⎪⎩ n1 1 n2 2 nn n n
cu matricea:
⎛a a ... a ⎞
⎜ 11 12 1n ⎟
⎜a a ... a ⎟
A = ⎜ 21 22 2n ⎟
⎜ ..... ..... ..... ..... ⎟ .
⎜ ⎟
⎜a a ... a ⎟
⎝ n1 n2 nn ⎠

26
 Se notează cu d determinantul acestei matrice:

a a ... a
11 12 1n
a a ... a
21 22 2n
d =
..... ..... ..... ..... ,
a a ... a
n1 n2 nn

unde d ≠ 0, adică matricea A este nesingulară.

Se notează cu Aj matricea care se obţine înlocuid în
matricea A coloana j cu coloana termenilor liberi:

⎛a a ... a b a ... a ⎞
⎜ 11 12 1j −1 1 1j +1 1n ⎟
⎜a a ... a b a ... a ⎟
A j = ⎜ 21 22 2 j −1 2 2 j +1 2n ⎟
⎜ ..... ..... ..... ..... ..... ..... ..... ..... ⎟
⎜ ⎟
⎜ a n1 a ... a
nj − 1
b a
nj + 1
... a ⎟
⎝ n2 n nn ⎠

Se notează cu dj determinantul acestei matrice:

a a ... a b a ... a
11 12 1j −1 1 1j +1 1n
a a ... a b a ... a
21 22 2 j −1 2 2 j +1 2n
dj =
..... ..... ..... ..... ..... ..... ..... ..... ,
a a ... a b a ... a
n1 n2 nj − 1 n nj + 1 nn

k+ j n
a cărui dezvoltare după coloana j este: d j = ∑ ( −1) d b ,
kj k
k =1
unde s-a notat cu dkj determinantul de ordin n – 1 care rămâne
după excluderea liniei k şi a coloanei j din determinantul dj.

27
Teorema 1.1.2 (Regula lui Cramer): Fie sistemul (SC) de n
ecuaţii liniare cu n necunoscute, peste corpul comutativ K, având
d ≠ 0. Atunci sistemul are o soluţie unică dată de formulele: xj0 =
djd – 1,
1 ≤ j ≤ n, cu notaţiile de mai sus.

Demonstraţie: Se demonstrează că formulele din teoremă dau o

soluţie pentru sistem:
n n n

∑ aij (d j d
j =1
−1
)=d −1
∑ aij (∑ (−1) k + j d kjbk ) =
j =1 k =1
n n
=d −1
∑ (∑ aij (−1) k + j d kj )bk = d − 1(dbi ) = bi ,
k =1 j =1
1 ≤ i ≤ n.

Pentru demonstrarea unicităţii soluţiei se scrie sistemul în

forma matriceală: AX = B. Având în vedere că matricea A este
nesingulară, ea este inversabilă, deci X = A – 1B, soluţie unică.

⎛ ( − 1)1 + 1 d ( − 1) 2 + 1 d ... ( − 1) n + 1 d ⎞
⎜ 11 21 n1
⎟
⎜ 1+ 2 2+2
⎟
⎜ ( − 1) d ( − 1) d ... ( −1) n + 2 d ⎟
A− 1 = d − 1⎜ 12 22 n2 ⎟
⎜ ..... ..... ..... ..... ⎟
⎜ 1+ n ⎟
⎜ ( − 1) d ( − 1) 2 + n d ... ( − 1) n+n
d ⎟
⎝ 1n 2n nn ⎠

Atunci,
⎛ (−1)1+1 d11 (−1) 2+1 d 21 ... (−1) n+1 d n1 ⎞⎛ b1 ⎞
⎜ 1+2 2+ 2 n+ 2
⎟⎜ ⎟
⎜ (−1) d (−1) d ... (− 1) d n 2 ⎟⎜ 2 ⎟
b
X = A−1B = d −1⎜ 12 22
⎟
⎜ ..... ..... ..... ..... ⎟⎜ ... ⎟ ,
⎜ ⎟
⎜ (−1)1+n d (−1) 2+n d ... ( −1) n+n
d ⎟⎜ b ⎟
⎝ 1n 2n nn ⎠⎝ n ⎠

de unde xj0 = d - 1 ∑ (−1)

i =1
i+ j
d ij bi = d - 1dj.

28
Exemplul 1.2.3: Fie sistemul:
⎧x + 2x − x = 3 ⎛1 2 − 1⎞
⎪⎪ 1 2 3 ⎜ ⎟
⎨ 2 x1 − x 2 − x 3 = 2 , cu matricea: A = ⎜ 2 −1 − 1⎟
⎪ ⎜ ⎟
3x + x = 4 ⎜0 3 1 ⎟⎠
⎪⎩ 2 3 ⎝
Celelalte matrice care se folosesc în rezolvare sunt:
⎛3 2 − 1⎞ ⎛1 3 − 1⎞ ⎛1 2 3⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
A1 = ⎜ 2 −1 − 1⎟; A2 = ⎜ 2 2 − 1⎟; A3 = ⎜ 2 −1 2⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜4 3 1 ⎠⎟ ⎜0 4 1 ⎠⎟ ⎜0 3 4 ⎟⎠
⎝ ⎝ ⎝

Determinanţii lor sunt: d = - 8; d1 = - 16; d2 = - 8; d3 = - 8.

Soluţia unică a sistemului este: x10 = 2, x20 = 1, x30 = 1.

1.2.2.2 Rezolvarea sistemelor de ecuaţii liniare în general

Fie sistemul de m ecuaţii liniare cu n necunoscute, cu

coeficienţi din corpul comutativ K:

⎧ a x + a x + ... + a x = b
⎪ 11 1 12 2 1n n 1
⎪⎪ a 21 x1 + a 22 x 2 + ... + a 2 n x n = b2
(S ) ⎨
⎪ .......... .......... .......... .......... .......
⎪ a x + a x + ... + a x = b
⎪⎩ m1 1 m2 2 mn n m

Teorema 1.2.4 (Kronecker – Capelli): Sistemul (S) este

compatibil dacă şi numai dacă rang A = rang Ā.

Demonstraţie: Presupunem că sistemul este compatibil, deci

există elementele xj0 din corpul K astfel încât:
n
∑ a x = b , i ∈ {1,2,..., m }.
0
ij j i
Aceasta înseamnă că ultima coloană a
j =1
matricei Ā este o combinaţie liniară a celorlalte coloane. Dacă A
are rangul r, atunci există minori de ordin r nenuli şi toţi minorii

29
de ordin r + 1 ai lui A sunt nuli. Ā are o coloană în plus faţă de A,
dar care este combinaţie liniară a coloanelor lui A, deci orice
minor de ordin r + 1 în care apar elemente din această coloană
este nul, iar minorii de ordin r ai lui A nenuli sunt minori şi pentru
Ā, de unde rezultă că şi rangul lui Ā este tot r, ca şi rangul lui A.
Presupunem că rang A = rang Ā. Există deci un minor al
matricei A de ordin r nenul şi toţi minorii de ordin r + 1 sunt nuli.
Printr-o renumerotare a liniilor şi coloanelor se poate presupune
că acest minor este:

a a ... a
11 12 1r
a a ... a
21 22 2r
≠ 0 . Dacă şi rang Ā = r, atunci
..... ..... ..... .....
a a ... a
r1 r2 rr
coloana termenilor liberi este o combinaţie liniară a acestor
coloane, adică există xj0 , 1 ≤ j ≤ r astfel încât
n
∑ a x = b , i ∈{1,2,...,r} . Aceasta înseamnă că x10, x20, …, xr0, 0,
0
ij j i
j =1
0, …, 0 este o soluţie a sistemului, adică sistemul este compatibil.

Pentru rezolvarea unui sistem de ecuaţii liniare se determină

mai întâi rangul matricei A, iar apoi rangul matricei Ā. Dacă
rangul matricei Ā este diferit de rangul matricei A, conform
teoremei Kronecker – Capelli, sistemul este incompatibil.
Dacă rang A = rang Ā, sistemul este compatibil şi se caută
soluţiile. Minorul de ordin r care a dat rangul matricei A se
declară minor principal. Ecuaţiile ai căror coeficienţi intră în
minorul principal se declară ecuaţii principale, iar celelalte ecuaţii
sunt ecuaţii secundare. Necunoscutele ai căror coeficienţi intră în
minorul principal sunt necunoscute principale, iar celelalte sunt
necunoscute secundare şi se notează parametric. Se scrie sistemul
format din ecuaţiile principale, care este un sistem Cramer, şi se
rezolvă cu regula lui Cramer, aflându-se soluţia în funcţie de
parametri:

30
⎧ a x + a x + ... + a x + a α + a1r + 2α2 + ...+ a1nαn − r = b1
1r + 1 1
⎪ 11 1 12 2 1r r
⎪⎪a21x1 + a22 x2 + ... + a2r xr + a2r + 1α1 + a2r + 2α2 + ... + a2nαn − r = b2
⎨
⎪ ...............................................................................................
⎪ a x + a x + ... + a x + a α + arr + 2α2 + ...+ arnαn − r = br
⎪⎩ r1 1 r2 2 rr r rr + 1 1

⎧ a x + a x + ...+ a x = −a α − a α2 −...− a1nαn − r + b1

⎪ 11 1 12 2 1r r 1r + 1 1 1r + 2
⎪⎪a21x1 + a22x2 + ...+ a2r xr = −a2r + 1α1 − a2r + 2α2 −...− a2nαn − r + b2
⎨
⎪ ...............................................................................................
⎪ a x + a x + ...+ a x = −a α − arr + 2α2 −...− arnαn − r + br
⎪⎩ r1 1 r2 2 rr r rr + 1 1

Soluţiile sistemului depind de n – r parametri.

Pentru calculul rangului matricei Ā se procedează astfel:

minorul de ordin r nenul care a dat rangul lui A se completează cu
coloana termenilor liberi şi cu câte o linie din cele rămase,
obţinând n – r minori de ordin r + 1 care se numesc minori
caracteristici. Condiţia ca rangul matricei Ā să fie r este ca toţi
aceşti minori să fie nuli.
Teorema lui Kronecker – Capelli este echivalentă cu
teorema:

Teorema 1.2.5 (Rouché): Un sistem de m ecuaţii cu n

necunoscute cu coeficienţi din corpul K este compatibil dacă şi
numai dacă toţi minorii caracteristici sunt nuli.

Exemplul 1.2.6: Fie sistemul cu coeficienţi din R:

31
 ⎧ x − 3y + z + t = 1
⎪
⎨ x − 3 y + z − 2t = − 1
⎪
⎩ x − 3 y + z + 2t = 6
Se scrie matricea A a sistemului şi matricea extinsă:

⎛1 −3 1 1 ⎞ ⎛1 −3 1 1
1⎞
⎜ ⎟ ⎜ ⎟
A = ⎜1 − 3 1 − 2⎟ A = ⎜1 − 3 1 − 2 − 1⎟
⎜ ⎟ ⎜ ⎟
⎜1 − 3 1 2 ⎟⎠ ⎜1 −3 1 2 6 ⎟⎠
⎝ ⎝

Se calculează rangul pentru fiecare matrice şi se obţine:

rang A = 2 şi rang Ā = 3. În concluzie sistemul este incompatibil.

Exemplul 1.2.7: Fie sistemul cu coeficienţi din R:

⎧ x + y + 2z = 1
⎪
⎪ 2 x − y + z + 3t = 2
⎨
⎪ x + 2 y + 3z − t =1
⎪
⎩ x + y + 2z = 1

Se scrie matricea A a sistemului şi matricea extinsă Ā:

⎛1 1 2 0⎞ ⎛1 1 2 0 1⎞
⎜ ⎟ ⎜ ⎟
⎜2 −1 1 3⎟ ⎜2 −1 1 3 2⎟
A=⎜ ⎟ A =⎜ ⎟
⎜1 2 3 − 1⎟ ⎜1 2 3 −1 1⎟
⎜⎜ ⎟ ⎜⎜ ⎟
⎝1 1 2 0 ⎟⎠ ⎝1 1 2 0 1 ⎟⎠

Pentru a determina rangul matricei A se calculează minorul de

ordin 2:
1 1
= −1 − 2 = −3 ≠ 0
2 −1

32
 Acest minor se completează în toate modurile posibile cu
linii şi coloane, obţinând minorii de ordin 3:
1 1 2 1 1 0 1 1 2 1 1 0
2 −1 1 = 0; 2 −1 3 = 0; 2 −1 1 = 0; 2 −1 3 = 0.
1 2 3 1 2 −1 1 1 2 1 1 0

Toţi minorii de ordin 3 fiind nuli, rezultă că rang A = 2.

Pentru a vedea dacă sistemul este compatibil se calculează minorii
caracteristici:
1 1 1 1 1 1
2 − 1 2 = 0; 2 -1 2 = 0 .
1 2 1 1 1 1
Rezultă că rang Ā = 2, deci sistemul este compatibil.
Minorul care a dat rangul matricei A se declară minor
principal,
1 1
dp = , necunoscutele x şi y sunt necunoscute
2 −1
principale, ecuaţiile 1 şi 2 sunt ecuaţii principale, iar z şi t sunt
necunoscute secundare, care se notează parametric: z = α şi t = β.
Se obţine sistemul:
⎧⎪ x + y + 2α = 1 ⎧⎪ x + y = 1 − 2α
⎨ sau: ⎨⎪⎩2 x − y = 2 − α − 3β
⎪⎩2x − y + α + 3β = 2
Sistemul acesta este de tip Cramer şi se rezolvă cu regula lui
Cramer. Determinantul său este minorul principal, deci d = - 3. Se
calculează:

33
 1 − 2α 1
d1 = = −1 + 2α − 2 + α + 3β = 3α + 3β − 3
2 − α − 3β −1
1 1 − 2α
d2 = = 2 − α − 3β − 2 + 4α = 3α − 3β
2 2 − α − 3β

Soluţiile sistemului sunt:

d
x = 1 = −α − β + 1
d
d
y = 2 = −α + β
d
z =α
t = β, unde α ,β ∈ R

1.2.2.3 Metoda eliminării totale Gauss-Jordan

Metoda eliminării totale (sau complete) Gauss-Jordan constă

în aplicarea de transformări liniare asupra matricei extinse a
sistemului până când aceasta se aduce la forma diagonală în care
elementele de pe diagonală sunt 1 sau 0. Se aplică aceleaşi
procedee ca şi la transformarea unei matrice în matricea unitate.
În final, dacă sistemul este de tip Cramer, în partea stângă
este matricea unitate, iar termenii liberi obţinuţi în dreapta
constituie soluţia sistemului.

Exemplul 1.2.8: Se rezolvă sistemul Cramer de la Exemplul 1.2.3

prin metoda eliminării totale:

34
 ⎧x + 2x − x = 3
⎪⎪ 1 2 3
⎨ 2 x1 − x 2 − x 3 = 2
⎪
⎪⎩ 3x 2 + x 3 = 4

⎛ 1 2 − 1 3 ⎞ L −2 L ⎛ 1 2 − 1 3 ⎞ L2 ⋅⎛⎜ − 1 ⎞⎟ ⎛⎜ 1 2 − 1 3 ⎞⎟ L −2 L
⎜ ⎟ 2 1⎜ ⎟ ⎝ 5⎠ 1 4 1 2
⎜ 2 −1 −1 2⎟ ≈ ⎜ 0 − 5 1 − 4⎟ ≈ ⎜ 0 1 − ⎟ ≈
⎜ 0 3 1 4⎟ ⎜0 3 ⎟ ⎜ 5 5 ⎟ L3 −3 L2
⎝ ⎠ ⎝ 1 4 ⎠ ⎜ 0 3 1 4 ⎟⎠
⎝
⎛ 3 7⎞ ⎛ 3 7⎞
⎜1 0 − ⎟ ⎜1 0 − ⎟
⎜ 5 5 ⎟ L3⋅5 ⎜ 5 5 ⎟ L1 + 3 L3 ⎛ 1 0 0 2 ⎞
⎜ 1 4⎟ 8 ⎜ 1 4⎟ 5 ⎜ ⎟
5 5⎟ ≈ ⎜ 5 5⎟ L≈
≈ 0 1 − 0 1 − ⎜0 1 0 1⎟
⎜
⎜ 0 0 1 1 ⎟ 2 + 5 L3 ⎜⎝ 0 0 1 1 ⎟⎠
1
⎜ 8 8⎟
⎜0 0 ⎟ ⎜ ⎟
⎝ 5 5⎠ ⎝ ⎠
x1 = 2; x2 = 1; x3 = 1.
În cazul sistemelor compatibile nedeterminate, doar
porţiunea din matrice care intră într-un minor principal se poate
aduce la forma matricei unitate, pe celelalte linii obţinându-se
zerouri. Necunoscutele secundare se noteză parametric, iar soluţia
se exprimă în funcţie de acestea.

Exemplul 1.2.9: Se rezolvă prin metoda eliminării totale sistemul

compatibil nedeterminat de la Exemplul 1.2.7:

⎧ x + y + 2z = 1
⎪
⎪ 2 x − y + z + 3t = 2
⎨
⎪ x + 2 y + 3z − t = 1
⎪
⎩ x + y + 2z = 1

35
⎛1 1 2 0 1⎞ ⎛1 1 2 0 1⎞ ⎛ 1⎞
⎜ ⎟ ⎜ ⎟ L 2 ⋅⎜ − ⎟
⎜2 −1 1 3 2⎟ L 2 − 2 L1
⎜0 −3 −3 3 0⎟ ⎝ 3⎠
⎜1 2 3 − 1 1 ⎟ L 3≈ ⎜0 1 1 −1 0⎟ ≈
⎜ ⎟ L 4 − L1 ⎜
− L1
⎟
⎜1 1 2 0 1 ⎟⎠ ⎜0 0 0 0 0 ⎟⎠
⎝ ⎝
⎛1 1 2 0 1⎞ ⎛1 0 1 1 1⎞
⎜ ⎟ ⎜ ⎟
⎜0 1 1 −1 0⎟ L1 − L 2
⎜0 1 1 −1 0⎟
− 1 0 ⎟ L 3≈
≈⎜ ⎜
0 1 1 − L2 0 0 0 0 0⎟
⎜ ⎟ ⎜ ⎟
⎜0 0 0 0 0⎠ ⎟ ⎜0 0 0 0 0 ⎟⎠
⎝ ⎝
Cu solutia :
x = 1 − α − β , y = −α + β , z = α , t = β , α,β ∈ R

În cazul sistemelor incompatibile, pe una dintre liniile de

zerouri ale matricei A, termenul liber nu este zero, deci se obţine o
relaţie falsă.

Exemplul 1.2.10: Se rezolvă prin metoda eliminării totale

sistemul incompatibil de la Exemplul 1.2.6:

⎧ x − 3y + z + t = 1
⎪
⎨ x − 3 y + z − 2t = − 1
⎪
⎩ x − 3 y + z + 2t = 6

36
⎛1 − 3 1 1 1 ⎞
⎜ ⎟ L2 − L1
⎜1 − 3 1 − 2 − 1⎟ ≈
⎜1 − 3 1 2 6 ⎟ L3 − L1
⎝ ⎠
⎛1 − 3 1 1 1 ⎞
⎜ ⎟ L1 − L3
⎜0 0 0 − 3 − 2⎟ ≈
⎜ 0 0 0 1 5 ⎟ L2 + 3 L3
⎝ ⎠
⎛1 − 3 1 0 − 4⎞
⎜ ⎟
≈ ⎜ 0 0 0 0 13 ⎟
⎜0 0 0 1 5 ⎟
⎝ ⎠
Sistemul este incompatibil, deoarece ecuaţia a doua este 0 = 13.

1.2.3 Probleme

1. Să se decidă dacă următoarele sisteme sunt de tip Cramer şi în

caz afirmativ, să se rezolve cu regula lui Cramer:

⎧⎪ x − 2 y = −3
a) ⎨
⎪⎩ 3x + y = 5
⎧ 2x + y − z = 1
⎪
⎨ x− y+z =2
b) ⎪
⎩4 x + 3 y + z = 3

37
 ⎧ x − 2y + z = 3
⎪
⎨− 2 x + 4 y − 2 z = 5
c) ⎪
⎩ x + 3y − z = 4

2. Să se decidă dacă sistemele următoare sunt compatibile, iar în

caz afirmativ, să se rezolve:

⎧⎪ x + 2 y − 3 z = 0
a) ⎨⎪⎩ 5 x − 3 y + z = 0
⎧ 6x − 2y + z = 1
⎪
b) ⎨
x − 4 y + 2z = 0
⎪
⎩4 x + 6 y − 3 z = 0
⎧ x − 2y + z + t =1
⎪
⎨ x − 2 y + z − t = −1
c) ⎪
⎩ x − 2 y + z + 5t = 5

Răspunsuri

1. a) d = 7 ≠ 0, este sistem Cramer. d1 = 7; d2 = 14.

Soluţia: x = 1 şi y = 2.

b) d = - 12 ≠ 0, este sistem Cramer. d1 = - 12; d2 = 6; d3 = - 6.

Soluţia: x = 1; y = − 1 ; z = 1 .
2 2

c) d = 0, nu este sistem Cramer, nu se poate rezolva cu regula lui

Cramer.

2. a) Matricele sunt:

38
 ⎛ 1 2 − 3⎞ ⎛1 2 − 3 0⎞
A=⎜ ⎜ ⎟ şi A = ⎜⎜ ⎟
⎟ 0 ⎟⎠
⎝5 −1 1 ⎠ ⎝5 −1 1
rang A = 2 şi rang Ā = 2, deci sistemul este compatibil.
Soluţiile: x = α ; y = 16α ; z = α , α ∈R.
11 11

b) Matricele sunt:
⎛6 − 2 1 ⎞ ⎛ 6 − 2 1 1⎞
⎜ ⎟ ⎜ ⎟
A = ⎜1 − 4 2 ⎟ şi A = ⎜1 − 4 2 0⎟
⎜ ⎟ ⎜ ⎟
⎜ 4 6 − 3⎟ ⎜ 4 6 − 3 0⎟
⎝ ⎠ ⎝ ⎠
rang A = 2, rang Ā = 3. În concluzie, sistemul este
incompatibil.

c) Se scriu matricele:
⎛1 − 2 1 1 ⎞ ⎛1 − 2 1 1 1 ⎞
⎜ ⎟ ⎜ ⎟
A = 1 − 2 1 −1 şi A = 1 − 2 1 −1 −1⎟
⎜ ⎟ ⎜
⎜ ⎟ ⎜ ⎟
⎜1 − 2 1 5 ⎟ ⎜1 − 2 1 5 5 ⎟
⎝ ⎠ ⎝ ⎠
rang A = 2 = rang Ā, sistem compatibil.
Soluţiile: x = α; y = β; z = - α + 2β; t = 1, unde α şi β ∈ R.

39
Capitolul 2

Spaţii vectoriale

2.1 Noţiunea de spaţiu vectorial. Exemple

2.1.1 Definiţia spaţiului vectorial

Definiţia 2.1.1: Fie K şi V două mulţimi nevide. O aplicaţie

· : K x V → V, (λ, x) → λx se numeşte lege de compoziţie externă
pe V cu domeniul de operatori K.

Definiţia 2.1.2 (Spaţiu vectorial): Fie (K, +, ·) un corp şi (V, +)

un grup abelian. Se spune că V este un spaţiu vectorial peste
corpul K (sau K-spaţiu vectorial) dacă există o operaţie externă pe
V cu domeniul de operatori K, ce îndeplineşte axiomele:
1. (α + β)x = αx + βx, ∀α,β∈K, ∀x∈V;
2. α(x + y) = αx + αy, ∀α∈K, ∀x,y∈V;
3. α(βx) = (αβ)x, ∀α,β∈K, ∀x∈V;
4. 1x = x, ∀x∈V.

Elementele lui V se numesc vectori, iar operaţia din grupul

(V,+) se numeşte adunarea vectorilor.
Elementele lui K se numesc scalari, iar legea de compoziţie
externă K x V → V se numeşte înmulţirea vectorilor cu scalari.

40
 Elementul neutru al grupului (V, +) se numeşte vectorul nul
şi se notează cu 0, ca şi scalarul 0.
Când K = R sau K = C se spune că V este spaţiul vectorial
real, respectiv complex.
Spaţiile vectoriale se mai numesc spaţii liniare.

2.1.2 Exemple

1. Spaţiul vectorial Rn
Fie n > 1 un număr natural. Se notează cu Rn mulţimea
tuturor sistemelor ordonate de n numere reale, x = (a1, a2, ..., an),
ai ∈ R.
Dacă α ∈ R şi x, y ∈ Rn, x = (a1, a2, ..., an), y = (b1, b2, ...,
bn), atunci:
x = y dacă şi numai dacă ai = bi; 1 ≤ i ≤ n,
x + y = (a1 + b1, a2 + b2, ..., an + bn),
αx = (αa1, αa2, ..., αan).
Pe baza proprietăţilor operaţiilor din R se demonstrează că
legea de compoziţie internă Rn x Rn → Rn, (x, y) → x + y este
asociativă şi comutativă, cu elementul neutru 0 = (0, 0, ..., 0) şi
simetricul lui x = (a1, a2, ..., an) fiind – x = (- a1, - a2, ..., - an).
Rezultă că (Rn, +) este grup abelian.
De asemenea, legea de compoziţie externă R x Rn → Rn, (α,
x) → αx satisface axiomele 1–4 din definiţia spaţiului vectorial.
Elementele din Rn se numesc vectori n - dimensionali, iar Rn
se numeşte spaţiul aritmetic real de dimensiune n. Dacă x = (a1,
a2, ..., an), atunci ai se numeşte componenta de rang i a lui x.
Analog se introduce spaţiul aritmetic Cn sau spaţiul
vectorial Kn, unde K este un corp oarecare.

2. Mulţimea R[X] a polinoamelor în nedeterminata X cu

coeficienţi reali formează spaţiu vectorial peste corpul R în raport
cu adunarea polinoamelor şi înmulţirea polinoamelor cu scalari.

41
 3. Spaţiul vectorial 0.
Fie un corp K. Pe grupul abelian 0 = {0} se introduce legea
de compoziţie externă K x 0 → 0, (α, 0) → α·0 = 0. Se conferă
astfel grupului abelian 0 o structură de spaţiu vectorial peste K,
numit spaţiul vectorial zero.

2.1.3 Proprietăţi specifice operaţiilor cu vectori

Fie V un spaţiu vectorial peste corpul K.

1. Fie α ∈ K şi x ∈ V. Atunci αx = 0 ⇔ α = 0 sau x = 0.

Demonstraţie: Fie α = 0 şi y = 0x. Atunci y = 0x = (0 + 0)x = 0x +

0x = y + y, de unde y = y + 0 = y + (y + (- y)) = (y + y) + (- y) = y +
(- y) = 0, deci 0x = 0 şi analog se arată că α0 = 0.
Reciproc, dacă αx = 0 cu α ≠ 0, atunci: x = 1x = (α -1α)x = α -
1
(αx) = = α -10 = 0.

2. Oricare ar fi α ∈ K şi x ∈ V,
(- α)x = α(- x) = - αx şi (- α)(- x) = αx.

Demonstraţie: 0 = α0 = α(x + (- x)) = αx + α(- x), de unde rezultă

că α(- x) este opusul vectorului αx, deci α(- x) = - αx. Analog se
arată că (- α)x = - αx şi atunci (- α)(- x) = - (α(- x)) = - (-αx) = αx.

3. Oricare ar fi α,β ∈ K şi x,y ∈ V,

(α - β)x = αx - βx , α(x - y) = αx - αy.

Demonstraţie: (α - β)x = (α + (- β))x = αx + (- β)x = αx - βx. La

fel se demonstrează a doua regulă de distributivitate.

42
2.2 Subspaţiu al unui spaţiu vectorial

2.2.1 Definiţia subspaţiului vectorial

Definiţia 2.2.1 (Subspaţiu vectorial): Se numeşte subspaţiu

vectorial al unui spaţiu vectorial V cu scalari într-un corp K, orice
submulţime W a lui V care este spaţiu vectorial cu scalari în K faţă
de adunarea şi înmulţirea cu scalari în V.

Teorema 2.2.2: O submulţime X a unui spaţiu vectorial V este un

subspaţiu al lui V dacă şi numai dacă oricare ar fi x şi y din X şi
oricare ar fi α şi β din K, vectorul αx + βy aparţine lui X şi X ≠ Φ.

Demonstraţie: Se presupune că X este un subspaţiu al lui V.

Atunci, dacă x este din V şi α din K rezultă că αx aparţine lui X şi
la fel βy, deci şi αx + βy aparţine lui X. Reciproc, dacă oricare ar
fi x şi y din X şi oricare ar fi α şi β din K, vectorul αx + βy
aparţine lui X, pentru α = 1 şi β = - 1, rezultă că x – y aparţine lui
X, deci X este un subgrup al lui V. În plus, pentru y = 0 rezultă că
oricare ar fi x din X şi α din K, αx aparţine lui X, deci X este
subspaţiu al lui V.

Teorema 2.2.3: Dacă W şi U sunt subspaţii vectoriale ale

spaţiului vectorial V, atunci intersecţia lor W ∩ U este de
asemenea un subspaţiu al lui V.

Demonstraţie: Fie x,y ∈ W ∩ U şi α,β ∈ K, rezultă că x,y ∈ W şi

x,y ∈ U, dar W şi U sunt subspaţii, rezultă că αx + βy ∈ W şi αx +
βy ∈ U, adică αx + βy ∈ W ∩ U, deci W ∩ U este subspaţiu, ceea
ce trebuia arătat.

43
2.2.2 Exemple de subspaţii

1. Orice spaţiu vectorial conţine un subspaţiu format dintr-

un singur element, vectorul nul {0} şi se numeşte subspaţiul nul.

2. Spaţiul vectorial al polinoamelor de grad cel mult 3 este

un subspaţiu al spaţiului vectorial al polinoamelor de grad cel
mult 7.

2.3 Dependenţă şi independenţă liniară. Bază.

Coordonate

2.3.1 Dependenţă şi independenţă liniară

Definiţia 2.3.1: Dacă V este un spaţiu vectorial peste corpul K şi

v1, v2, ..., vm ∈ V, atunci un vector de forma λ1v1 + λ2v2 + ... +
λmvm (λi∈K) se numeşte combinaţie liniară (cu coeficienţi în K)
de vectorii v1, v2, ..., vm; scalarii λ1, λ2, ..., λm se numesc
coeficienţii combinaţiei liniare.

Un vector x este combinaţie liniară de vectorii v1, v2, ..., vm dacă

există scalarii λ1, λ2, ..., λm astfel încât :
x = λ1v1 + λ2v2 + ... + λmvm.

Definiţia 2.3.2: Vectorii v1, v2, ..., vm formează un sistem de

generatori pentru spaţiul vectorial V dacă orice vector x din V se
poate reprezenta ca o combinaţie liniară de v1, v2, ..., vm, adică
există λ1, λ2, ..., λm din K astfel încât x = λ1v1 + λ2v2 + ... + λmvm.

Definiţia 2.3.3: Sistemul de vectori v1, v2, ..., vm este liniar

independent dacă λ1v1 + λ2v2 + ... + λmvm = 0 implică λ1 = λ2 =
...= λm = 0. În caz contrar, vectorii se numesc liniar dependenţi.
Aşadar, vectorii v1, v2, ..., vm sunt liniar dependenţi dacă există

44
λ1, λ2, ..., λm nu toţi nuli, astfel încât λ1v1 + λ2v2 + ... + λmvm = 0.

O egalitate de forma λ1v1 + λ2v2 + ... + λmvm = 0 se numeşte

relaţie de dependenţă liniară a vectorilor v1, v2, ..., vm. Dacă cel
puţin unul dintre scalarii λi este diferit de 0, se spune că relaţia de
dependenţă liniară este nebanală.

În concluzie, vectorii v1, v2, ..., vm sunt liniar independenţi

dacă şi numai dacă singura relaţie de dependenţă liniară a lor este
cea banală.

Exemplul 2.3.4: Fie spaţiul vectorial R3 şi vectorii

v1 = (1, 0, 0); v2 = (0, 1, 0); v3 = (1, 1, 0); v4= (0, 0, 1).

Există scalarii λ1 = - 1; λ2 = - 1; λ3 = 1 şi λ4 = 0
nu toţi nuli, astfel încât: λ1v1 + λ2v2 + λ3v3 + λ4v4 =
= (- 1, 0, 0) + (0, - 1, 0) + (1, 1, 0) + (0, 0, 0) = (0, 0, 0).
Rezultă că sistemul de vectori v1, v2, v3 şi v4 este liniar dependent.

2.3.2 Bază. Coordonate

Definiţia 2.3.5 (Bază): Fie V un spaţiu vectorial peste corpul K.

Un sistem de vectori B = (e1, e2, ..., en) se numeşte bază a lui V
dacă:
1. Oricare ar fi x din V există scalarii λ1, λ2, ..., λn astfel încât:
x = λ1e1 + λ2e2 + ... + λnen;
2. Sistemul de vectori B este liniar independent.

Exemplul 2.3.6: În spaţiul vectorial R3, sistemul de vectori :

e1 = (1, 0, 0); e2 = (0, 1, 0); e3 = (0, 0, 1) formează o bază, pentru
că oricare ar fi vectorul x = (x1, x2, x3) se poate scrie:
x = x1e1 + x2e2 + x3e3.
Mai trebuie arătat că vectorii sunt liniar independenţi.
Dacă x1e1 + x2e2 + x3e3= 0, acest lucru se scrie:

45
(x1, 0, 0) + (0, x2, 0) + (0, 0, x3) = (x1, x2, x3) = (0, 0, 0), de unde
rezultă x1 = x2 = x3 = 0, deci sistemul este liniar independent.

Exemplul 2.3.7 : În spaţiul vectorial al polinoamelor în

nedeterminata X de grad maxim 2 cu coeficienţi din R,
polinoamele 1, X şi X2 formează o bază. Orice polinom de grad
maxim 2 se poate scrie ca o combinaţie liniară a celor trei:
f = a0 + a1X + a2X2, iar a0 + a1X + a2X2 = 0 implică a0 = a1 = a2 =
0.

Exemplul 2.3.8: În spaţiul vectorial Rn sistemul de vectori:

e1 = (1, 0, ..., 0); e2 = (0, 1, ..., 0); ...;en = (0, 0, ..., 1) formează o
bază a lui Rn, numită baza canonică a lui Rn.

Definiţia 2.3.9: Fie V un spaţiu vectorial peste corpul K, B = (e1,

e2, ..., en) o bază a lui V şi x un vector din V. Scalarii unic
determinaţi λ1, λ2, ..., λn astfel încât x = λ1e1 + λ2e2 + ... + λnen se
numesc coordonatele vectorului x în baza B.

Teorema 2.3.10: Orice spaţiu vectorial admite o bază. Două baze

ale aceluiaşi spaţiu vectorial au acelaşi cardinal.

Cardinalul unei baze se numeşte dimensiunea spaţiului vectorial

şi se notează dimKV.

2.3.3 Schimbare de coordonate

Fie spaţiul vectorial V peste corpul K şi B = (e1, e2, ..., en) o

bază a lui V. Fie vectorul x = x1e1 + x2e2 + ... + xnen. Se mai poate
scrie x = (x1, x2, ..., xn), vectorul x fiind bine determinat de
coordonatele sale. Dacă B' = (e'1, e'2, ..., e'n) este o altă bază a
spaţiului vectorial V, coordonatele vectorului x faţă de baza B' se
pot determina cu ajutorul coordonatelor din B. Se exprimă mai
întâi vectorii bazei B' în funcţie de baza B, notând cu a1j, a2j, ...,
anj coordonatele vectorului e'j în raport cu baza B:

46
 e'1 = a11e1 + a21e2 + ... + an1en
e'2 = a12e1 + a22e2 + ... + an2en
. . . . . . . . . . . . . . . .
e'n = a1ne1 + a2ne2 + ... + annen.

Dar x = x'1e'1 +x'2e'2 + ... + x'ne'n. Se înlocuiesc e'j şi se obţine

o scriere a vectorului x în funcţie de baza B:

x = x'1(a11e1 + a21e2 + ... + an1en) + x'2(a12e1 + a22e2 + ... +

an2en) + ... + x'n(a1ne1 + a2ne2 + ... + annen), adică:
x = (a11x'1 + a12x'2 + ... + a1nx'n)e1 + (a21x'1 + a22x'2 + ... + a2nx'n)e2
+ ... +(an1x'1 + an2x'2 + ... + annx'n)en .

În concluzie, coordonatele vectorului x în baza B se exprimă în

funcţie de coordonatele sale în baza B' astfel:

xi = ai1x'1 + ai2x'2 + ... + ainx'n, oricare ar fi i ∈ {1, 2, ..., n}.

Dacă se notează matricele:

⎛ a 11 a 12 ... a 1n ⎞
⎜ ⎟
⎜ a 21 a 22 ... a 2n ⎟
A=⎜ ⎟
⎜ ..... ..... ..... ..... ⎟
⎜⎜ ⎟
⎝ a n1 an2 ... a nn ⎟⎠
⎛ x1 ⎞ ⎛ x1' ⎞
⎜ ⎟ ⎜ '⎟
⎜x ⎟ ⎜x ⎟
XB = ⎜ 2⎟ X B' = ⎜ 2⎟
... , atunci XB = A·XB’
⎜ ⎟ ⎜ ... ⎟
⎜x ⎟ ⎜ x' ⎟
⎝ n⎠ ⎝ n⎠

sau, pentru aflarea coordonatelor în noua bază B’, XB’ = A-1·XB

47
 Exemplul 2.3.11:
Sistemul de vectori e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)
constituie în spaţiul R3 o bază. În această bază vectorul x are
coordonatele: x = (1, 2, 3). Se cere :
a) Să se arate că vectorii: f1 = (1, 1, 0), f2 = (1, 0, 1), f3 = (1, 1, 1)
formează o bază în R3.
b) Să se exprime vectorul x în baza (f1, f2, f3).

Rezolvare:
a) Dimensiunea spaţiului R3 este 3. Este suficient să se
demonstreze că vectorii f1, f2 şi f3 sunt liniar independenţi.
Fie a, b, c numere reale astfel încât af1 + bf2 + cf3 = (0, 0, 0),
adică:
(a, a, 0) + (b, 0, b) + (c, c, c) = (0, 0, 0), ceea ce se reduce la
rezolvarea sistemului liniar omogen:
⎧a+b+c=0
⎨a +c=0
⎩ b + c = 0,
cu soluţia unică a = b = c = 0, ceea ce înseamnă că vectorii sunt
liniar independenţi.
b) A exprima vectorul x în baza (f1, f2, f3) înseamnă a găsi
coordonatele x1, x2 şi x3 astfel încât: x1f1 + x2f2 + x3f3 = (1, 2, 3),
adică:
(x1, x1, 0) + (x2, 0, x2) + (x3, x3, x3) = (1, 2, 3), ceea ce se reduce la
rezolvarea sistemului liniar:
⎧ x1 + x2 + x3 = 1
⎨ x1 + x3 = 2
⎩ x2 + x3 = 3,
cu soluţia: x1 = - 2, x2 = - 1 şi x3 = 4,
exprimarea lui x în baza (f1, f2, f3) fiind (- 2, - 1, 4).

48
2.4 Aplicaţii liniare

2.4.1. Definiţii şi exemple

Definiţia 2.4.1: Se numeşte aplicaţie liniară a spaţiului vectorial

V în spaţiul vectorial W, cu scalarii în acelaşi corp K, orice funcţie
f : V → W compatibilă cu legile de compunere:
f (x + y) = f (x) + f (y)
f (λx) = λf (x)
pentru orice x şi y din V şi orice scalar λ din K.

Dacă λ = 0 se observă că f (0) = 0, adică imaginea

vectorului nul din V este vectorul nul din W.

Exemple 2.4.2:

1. Aplicaţia identică 1V : V → V definită prin 1V (x) = x este

o aplicaţie liniară.

2. Dacă X este subspaţiu al lui V, aplicaţia f : X → V definită

prin f (x) = x este de asemenea o aplicaţie liniară.

3. Aplicaţia nulă, g : V → W definită prin g(x) = 0 pentru

orice x din V este tot o aplicaţie liniară.

4. Omotetia de raport h, unde h este un scalar din K, este

aplicaţia Hh : V → V, unde Hh (x) = hx, despre care se arată uşor
că este tot o aplicaţie liniară.

49
2.4.2 Teorema de caracterizare a aplicaţiilor liniare

Teorema 2.4.3: O aplicaţie f : V → W a spaţiului vectorial V în

spaţiul vectorial W este liniară dacă şi numai dacă, pentru orice x
şi y din V şi orice scalari λ şi μ din K este îndeplinită condiţia:
f (λx + μy) = λf (x) + μf (y).

Demonstraţie: Se presupune că f este aplicaţie liniară. Atunci:

f (λx + μy) = f (λx) + f (μy) = λf (x) + μf (y).
Reciproc, punând λ = μ = 1 se deduce că f (x + y) = f (x) + f (y)
şi pentru μ = 0 rezultă f (λx) = λf (x), adică f este aplicaţie liniară.

Teorema 2.4.4: Imaginea unui subspaţiu X al spaţiului vectorial V

printr-o aplicaţie liniară f : V → W este un subspaţiu al lui W.
Imaginea inversă f -1(Y) a oricărui subspaţiu al lui W este un
subspaţiu al lui V.

2.4.3. Izomorfisme de spaţii vectoriale

Definiţia 2.4.5: O aplicaţie liniară f : V → W care este bijectivă se

numeşte izomorfism.

Exemple 2.4.6:
1. Aplicaţia identică a unui spaţiu vectorial în el însuşi este
izomorfism.
2. Omotetiile Hh sunt de asemenea izomorfisme.
3. Orice spaţiu vectorial de dimensiune n este izomorf cu spaţiul
vectorial standard Cn.

Corolarul 2.4.7: Două spaţii vectoriale cu aceiaşi scalari şi de

dimensiuni egale sunt izomorfe.

50
2.5 Probleme

1. Să se arate că mulţimea polinoamelor din R[X] de grad mai mic

sau egal cu 2 formează spaţiu vectorial peste R faţă de adunarea
polinoamelor şi înmulţirea cu scalari.

2. În spaţiul vectorial V al polinoamelor din R[X] de grad mai mic

sau egal cu 2 se consideră sistemele de polinoame:
a) f1 = 1; f2 = X; f3 = X2;
b) f1 = 1- X; f2 = X(1 - X); f3 = 1 - X2;
c) f1 = X2 - 1; f2 = X2 + 3X - 2; f3 = X2 - 1;
d) f1 = 1+ X; f2 = X; f3 = 2X2;
Care dintre aceste mulţimi de vectori a), b), c), d) formează o bază
a spaţiului vectorial V?

3. În spaţiul vectorial R3 se consideră vectorii :

v1 = (1, 1, 0), v2 = (1, 0, 1), v3 = (0, 1, 1), v4 = (1, 1, 1).
Să se arate că vectorii v1, v2, v3, v4 sunt liniar dependenţi, dar
oricare trei formează o bază în R3.

4. În spaţiul vectorial R2, vectorul x = (1, 2) este exprimat în baza

(e1, e2), unde e1 = (1, 0) şi e2 = (0, 1).
a) Să se arate că sistemul (f1, f2) unde f1 = (3, 2), f2 = (6, 5)
formează o bază.
b) Să se exprime vectorul x în baza (f1, f2).

5. În spaţiul vectorial al polinoamelor de grad cel mult 2 din R[X],

vectorii e1 = 1 + X, e2 = X, e3 = 2X2 formează o bază. Se cere să se
exprime în funcţie de această bază vectorii :
u = 1 - X + X2 şi v = 1 + 2X - X2.

6. Să se stabilească formulele de transformare a coordonatelor

când se trece de la baza e1 = (1, 1), e2 = (2, 3) la baza f1 = (3, 2), f2
= (6, 7) în spaţiul vectorial R2.

51
7. Fie P3 spaţiul vectorial al polinoamelor de grad mai mic sau
egal cu 3 din R[X] şi P4 spaţiul vectorial al polinoamelor de grad
mai mic sau egal cu 4 din R[X]. Să se arate că funcţia T : P3 → P4
definită prin: T (f) = Xf, adică oricare ar fi f = a0 + a1X + a2X2 +
a3X3, T (f) = a0X + a1X2 + a2X3 + a3X4, este o aplicaţie liniară.
Este acesta un izomorfism de spaţii vectoriale?

Răspunsuri

1. Se verifică axiomele spaţiului vectorial.

2. a) da; b) nu, de exemplu : f1 + f2 - f3 = 0, nu sunt liniar

independenţi ; c) nu ; d) da.

3. v1 + v2 + v3 – 2v4 = 0, deci nu sunt liniar independenţi.

Din av1 + bv2 + cv3 = 0 rezultă a = b = c = 0. Analog pentru
celelalte grupuri de câte trei vectori.

4. Se arată că sunt liniar independenţi, iar dimensiunea spaţiului

R2 este 2, deci formează o bază.
Coordonatele vectorului x în baza (f1, f2) sunt ⎛⎜ − 7 , 4 ⎞⎟ .
⎝ 3 3⎠

⎛ 1⎞ ⎛ 1⎞
5. u = ⎜1,−2, ⎟ ; v= ⎜1,1,− ⎟ .
⎝ 2⎠ ⎝ 2⎠

⎛ 5 4⎞
6. Matricea A = ⎜⎜ ⎟⎟ , de unde XB = A·XB’, sau, pentru aflarea
⎝−1 1⎠
⎛1 4⎞
⎜ − ⎟
coordonatelor în noua bază B’, XB’ = A-1·XB, unde A −1 = ⎜ 9 9⎟.
⎜1 5 ⎟
⎜ ⎟
⎝9 9 ⎠
7. Se verifică faptul că pentru orice f şi g din P3 şi orice scalari λ
şi μ din R este îndeplinită condiţia:
T (λf + μg) = λT (f) + μT (g).
Spaţiile vectoriale P3 şi P4 nu pot fi izomorfe deoarece nu au
aceeaşi dimensiune.

52
2.6 Fişa de autoevaluare

1. Mulţimea polinoamelor de gradul 2 din R[X] formează spaţiu

vectorial peste R? Motivaţi răspunsul.

2. Mulţimea numerelor complexe formează spaţiu vectorial peste

corpul numerelor reale?

3. Mulţimea numerelor reale formează spaţiu vectorial peste

corpul numerelor complexe?

4. Este funcţia f : R → R, f (x) = ax + b o aplicaţie liniară?

Pentru ce valori ale lui a şi b devine aplicaţie liniară?

Răspunsuri - fişa de autoevaluare

1. Nu. Mulţimea polinoamelor de grad 2 nu formează grup faţă de

adunare.

2. Da. Se pot verifica axiomele.

3. Nu. Ar trebui ca orice număr real înmulţit cu un număr

complex să dea un număr real, ceea ce este fals.

4. În general nu, pentru că nu se verifică condiţiile din definiţie.

Dacă b = 0, iar a orice număr real, atunci f (x) = ax este aplicaţie
liniară.

53
Capitolul 3

Programarea liniară

3.1 Probleme de programare liniară

Activitatea în domeniul producţiei industriale şi a conducerii

activităţilor economice a devenit extrem de complexă. O mare
parte dintre problemele care se pun în conducerea economică a
întreprinderilor sunt probleme de optimizare.
Modelarea matematică a acestor probleme oferă
posibilitatea determinării soluţiilor optime, contribuind la
creşterea eficienţei economice.
Programarea liniară utilizează modele matematice ale
problemelor economice şi, prin metodele specifice, caută soluţia
optimă.
În multe cazuri, problemele economice pot fi modelate
astfel: se notează cu xj, 1 ≤ j ≤ n, nivelurile la care trebuie să se
desfăşoare cele n activităţi considerate şi cu f (x1, x2, ..., xn) funcţia
obiectiv (sau funcţia criteriu sau funcţia de eficienţă). Problema
este de a afla valorile variabilelor xj, 1 ≤ j ≤ n,astfel încât f (x1, x2,
..., xn) să ia valoarea maximă sau minimă. În acelaşi timp mai
trebuie îndeplinite nişte condiţii de forma: fi (x1, x2, ..., xn) ≥ 0,
pentru orice i, 1 ≤ i ≤ m, condiţii numite restricţiile problemei. În
cazul în care funcţiile f şi fi sunt funcţionale liniare, atunci se
obţine problema de programare liniară.

54
3.1.1 Problema de planificare a producţiei

O întreprindere industrială dispune de mai multe resurse, în

cantităţi limitate. Se notează cu i numărul de ordine al resursei şi
cu bi cantităţile disponibile din aceste resurse. Cu aceste resurse
se pot desfăşura diverse activităţi. Se notează cu j numărul de
ordine al activităţii desfăşurate şi cu xj nivelul la care urmează să
se desfăşoare această activitate. Se mai notează cu aij cantitatea
din resursa i necesară pentru producerea unei unităţi din produsul
j. Se presupune că aceste cantităţi depind numai de tipul resursei
şi de tipul produsului. Beneficiul obţinut pe o unitate de produs j
realizată, în unităţi băneşti, se notează cu cj.
Problema lucrează cu:
Mulţimea resurselor: {R1, R2, ..., Ri, ..., Rm}
bi cantitatea disponibilă din resursa Ri.
Mulţimea produselor: {P1, P2, ..., Pj, ..., Pn}
xj numărul de unităţi din produsul Pj.
aij reprezintă cantitatea din resursa Ri necesară pentru
producerea unei unităţi din produsul Pj (consumuri specifice sau
coeficienţi tehnologici)
cj este beneficiul obţinut pe unitatea de produs Pj .

Datele problemei:

P1 P2 ... Pj ... Pn Capacitatea

resurselor
R1 a11 a12 ... a1j ... a1n b1
... ... ... ... ... ... ... ...
Ri ai1 ai2 ... aij ... ain bi
... ... ... ... ... ... ... ...
Rm am1 am2 ... amj ... amn bm
Beneficiu c1 c2 ... cj ... cn

Cantitatea de resursă i folosită pentru producerea cantităţii xj

este aij. Cantitatea totală din resursa i folosită pentru producţia
totală formată din n produse este:

55
 a i 1 x 1 + a i 2 x 2 + ... + a in x n

Condiţia de a nu se depăşi cantitatea totală este:

a i 1 x 1 + a i 2 x 2 + ... + a in x n ≤ b i

Condiţiile de folosire a resurselor limitate, numite restricţiile

problemei:
a 11 x 1 + a 12 x 2 + ... + a 1 n x n ≤ b1
a 21 x 1 + a 22 x 2 + ... + a 2 n x n ≤ b 2
...
a i1 x 1 + a i 2 x 2 + ... + a in x n ≤ b i
...
a m 1 x 1 + a m 2 x 2 + ... + a mn x n ≤ b m

Condiţiile de nenegativitate: x j ≥ 0, 1≤ j ≤ n.

Sistemele de inecuaţii liniare pot avea o infinitate de soluţii,

o soluţie sau nici o soluţie. Cazul cel mai frecvent pentru
problemele practice corect puse este cazul în care sistemul are o
infinitate de soluţii, adică procesele de producţie pot fi organizate
într-o infinitate de moduri. Adoptarea unei variante se face pe
baza unui criteriu economic, ca de exemplu beneficiul maxim.

Funcţia de eficienţă reprezintă beneficiul total, care trebuie

maximizat:
n
f = c1 x1 + c2 x 2 + ... + c n xn = ∑ c j x j
j =1

Problema de programare liniară este următoarea:

56
 n
max f = ∑c
j =1
j xj

cu conditiile :
n

∑a
j =1
ij x j ≤ bi 1≤ i ≤ m

xj ≥ 0 1≤ j ≤ n

3.1.2 Problemă de amestec

Această problemă constă în determinarea unei anumite diete

dintr-un număr dat de alimente, care să satisfacă anumite cerinţe
biologice şi să fie în acelaşi timp cea mai ieftină.
Fie aij este cantitatea din principiul nutritiv i, 1 ≤ i ≤ m,
conţinută într-o unitate din alimentul j, 1 ≤ j ≤ n. Este necesar ca
dieta să conţină cel puţin bi unităţi din principiul nutritiv i, 1 ≤ i ≤
m,iar cj, 1 ≤ j ≤ n, sunt costurile unei unităţi din alimentul j.

Problema constă în aflarea cantităţilor xj, 1 ≤ j ≤ n de

alimente astfel încât costul total să fie minim.

Problema de programare liniară este următoarea:

n
min f = ∑
j =1
cjx j

cu conditiile :
n

∑j =1
a ij x j ≥ bi 1≤ i ≤ m

x j ≥ 0 1≤ j ≤ n
Probleme de acelaşi tip apar atunci când se urmăreşte
formarea unor amestecuri de ingrediente, care să aibă anumite

57
proprietăţi, astfel încât o caracteristică a amestecului să fie optimă
dintr-un anumit punct de vedere.

3.1.3 Problemă de planificare a investiţiilor

O întreprindere dispune de o sumă B de unităţi băneşti, sumă ce

poate fi folosită în diverse activităţi notate cu j, 1 ≤ j ≤ n. Fiecare
activitate de tipul j, în urma investiţiilor, aduce un beneficiu unitar
de bj unităţi băneşti. Se notează cu xj suma investită în activitatea
de tipul j.

Problema este următoarea: să se afle sumele xj care trebuie

investite, cu condiţiile:
n

∑j =1
x j ≤ B

x j ≥ 0, j = 1, n
n
max f = ∑j =1
b jx j

unde f reprezintă beneficiul total.

3.1.4 Forma standard a problemei de programare

liniară

Dacă sistemul de restricţii al modelului problemei de programare

liniară conţine inegalităţi de acelaşi sens, se spune că modelul se
prezintă sub forma canonică
Orice problemă de programare liniară sub formă canonică
poate fi transformată într-o problemă în care restricţiile sunt
egalităţi.

Teorema 3.1.1: Fie sistemul de m inecuaţii liniare cu n

necunoscute:

58
 ⎧ a 11 x1 + a 12 x 2 + ... + a 1 n x n ≤ b1
⎪a x +a x + ... + a 2 n x n ≤ b 2
⎪ 21 1
(α ) ⎨
22 2

⎪ ...
⎪⎩ a m 1 x1 + a m 2 x 2 + ... + a mn x n ≤ b m

şi sistemul de ecuaţii:

⎧ a 11 x1 + a 12 x 2 + ... + a 1 n x n + x n + 1 = b1
⎪ a x + a x + ... + a x + x
n + 2 = b2
(β ) ⎪⎨ 21 1 22 2 2n n

⎪ ...
⎪⎩ a m 1 x1 + a m 2 x 2 + ... + a mn x n + x n + m = b m
0 0 0
Atunci, oricare ar fi soluţia x 1 , x 2 ,..., x n a lui (α), există m
0 0 0
constante nenegative x n + 1 , x n + 2 ,..., x n + m , astfel încât:
x 10 , x 20 ,..., x n0 , x n0 + 1 ,..., x n0 + m să constituie o soluţie a lui (β).
0 0 0
Reciproc, dacă x 1 , x 2 ,..., x n + m este o soluţie a lui (β), atunci
x 10 , x 20 ,..., x n0 constituie o soluţie pentru (α).

0 0 0
Demonstraţie: Fie x 1 , x 2 ,..., x n o soluţie a lui (α), adică:

⎧ a 11 x10 + a 12 x 20 + ... + a 1 n x n0 ≤ b1
⎪
⎪ a 21 x1 + a 22 x 2 + ... + a 2 n x n0 ≤ b 2
0 0

⎨
⎪ ...
⎪⎩ a m 1 x10 + a m 2 x 20 + ... + a mn x n0 ≤ b m

Membrii din stânga ai inegalităţilor sunt constante mai mici sau

egale cu bi. Atunci există numerele reale nenegative
x n0 + 1 , x n0 + 2 ,..., x n0 + m care satisfac egalităţile:

59
 ⎧ a 11 x10 + a 12 x 20 + ... + a 1 n x n0 + x n0 + 1 = b1
⎪
⎪ a 21 x1 + a 22 x 2 + ... + a 2 n x n + x n + 2 = b 2
0 0 0 0

⎨
⎪ ...
⎪⎩ a m 1 x10 + a m 2 x 20 + ... + a mn x n0 + x n0 + m = b m

şi x n + i = bi − a i1 x1 − a i 2 x 2 − ... − a in x n ≥ 0 .
0 0 0 0

0 0 0
Deci x 1 , x 2 ,..., x n + m este o soluţie a lui (β).

0 0 0
Reciproc, fie x 1 , x 2 ,..., x n + m o soluţie a lui (β), adică:
⎧ a 11 x10 + a 12 x 20 + ... + a 1 n x n0 + x n0 + 1 = b1
⎪
⎪ a 21 x1 + a 22 x 2 + ... + a 2 n x n + x n + 2 = b 2
0 0 0 0

⎨
⎪ ...
⎪⎩ a m 1 x10 + a m 2 x 20 + ... + a mn x n0 + x n0 + m = b m
de unde rezultă că x n + i = bi − a i1 x1 − a i 2 x 2 − ... − a in x n ≥ 0
0 0 0 0

pentru orice i, iar de aici:

⎧ a 11 x10 + a 12 x 20 + ... + a 1 n x n0 ≤ b1
⎪
⎪ a 21 x1 + a 22 x 2 + ... + a 2 n x n ≤ b 2
0 0 0

⎨
⎪ ...
⎪⎩ a m 1 x10 + a m 2 x 20 + ... + a mn x n0 ≤ b m
0 0 0
adică x 1 , x 2 ,..., x n este o soluţie a lui (α).

Sistemul de inecuaţii se transformă în sistem de ecuaţii prin

introducerea necunoscutelor de compensare sau artificiale sau
ecart. În cazul problemei de programare a producţiei se obţine:

60
 a 11 x 1 + a 12 x 2 + ... + a 1 n x n + x n + 1 = b 1
a 21 x 1 + a 22 x 2 + ... + a 2 n x n + x n + 2 = b 2
...
a i 1 x 1 + a i 2 x 2 + ... + a in x n + x n + i = b i
...
a m 1 x 1 + a m 2 x 2 + ... + a mn x n + x n + m = b m

Pentru inegalităţi de tipul: ∑a

j =1
ij x j ≥ bi i = 1, m se scade o

variabilă nenegativă xn+i ≥ 0, i = 1, m şi inegalităţile devin

egalităţi:
a11 x1 + a12 x 2 + ... + a1n x n − x n +1 = b1
a 21 x1 + a 22 x 2 + ... + a 2 n x n − x n + 2 = b2
...
a i1 x1 + a i 2 x 2 + ... + a in x n − x n + i = bi
...
a m1 x1 + a m 2 x 2 + ... + a mn x n − x n + m = bm

În consecinţă, rezolvarea unui sistem de inegalităţi liniare se

reduce la rezolvarea sistemului de ecuaţii asociat. Introducerea
noilor variabile nu trebuie să schimbe funcţia de eficienţă în
problemele economice. Aceste variabile reprezintă m activităţi
fictive care consumă plusul de resurse şi din această cauză li se
ataşează costuri (respectiv beneficii) nule. Funcţia de eficienţă se
prezintă sub forma:
f = c1 x1 + c2 x2 + ... + cn xn + 0 xn+1 + ... + 0 xn+m =
= c1 x1 + c2 x2 + ... + cn xn

Forma standard a problemei de programare liniară cuprinde:

61
1. Sistemul liniar (rezultat din restricţii)
2. Condiţiile de nenegativitate
3. Funcţia de scop, de optimizat sau de eficienţă.

⎧ a 11 x 1 + a 12 x 2 + ... + a 1 n x n = b 1
⎪ a x + a x + ... + a 2 n x n = b 2
⎪ 21 1 22 2
⎨
⎪ .......... .......... .......... .......... .....
⎪⎩ a m 1 x 1 + a m 2 x 2 + ... + a mn x n = b m
x j ≥ 0, j = 1, n
f = c 1 x 1 + c 2 x 2 + ... + c n x n

3.2 Rezolvarea problemelor de programare

liniară
3.2.1 Clasificarea soluţiilor

Se consideră modelul problemei de programare liniară sub forma

standard. Fie A matricea sistemului de restricţii:
⎛ a11 a12 ... a1n ⎞
⎜ ⎟
⎜ a 21 a 22 ... a 2 n ⎟
A=⎜ ⎟
⎜ ..... ..... ..... .....⎟
⎜⎜ ⎟⎟
⎝ a m 1 a m 2 ... a mn ⎠
cu m linii şi n coloane. Matricea A se numeşte matricea
coeficienţilor tehnologici.

62
 ⎛ b1 ⎞
⎜ ⎟
⎜b ⎟
b=⎜ 2 ⎟
Vectorul coloană : ...
⎜ ⎟ reprezintă cererea (în probleme de
⎜b ⎟
⎝ m⎠
minimizare a costului) sau disponibilul (în probleme de
maximizare).
Vectorul linie C = (c 1 , c 2 ,... c n ) reprezintă costul unitar (în
probleme de minimizare a costului) sau beneficiul unitar (în
probleme de maximizare).
⎛ x1 ⎞
⎜ ⎟
⎜x ⎟
X =⎜ 2⎟
Vectorul ... este nivelul activităţilor, întotdeauna
⎜ ⎟
⎜x ⎟
⎝ n⎠
nenegativ. Se notează cu aj vectorul coloană j din matricea A.

Problema de programare liniară sub forma standard se scrie

astfel :
[min ] f = CX
AX = b
X ≥0

Se presupune că sistemul are cel puţin o soluţie. Dacă rangul

matricei A ar fi mai mic decât m, o parte dintre ecuaţii ar fi
consecinţe ale celorlalte, deci ar putea fi înlăturate. Se consideră
că rangA = m. Se mai consideră că numărul variabilelor este mai
mare decât al restricţiilor, evitându-se unicitatea soluţiei
sistemului de restricţii, adică m < n.

Definiţia 3.2.1: Se numeşte soluţie posibilă (realizabilă) a

problemei de programare liniară orice vector X = (x1, x2, ..., xn)
care verifică sistemul de ecuaţii şi condiţiile de nenegativitate.

63
Definiţia 3.2.2: Soluţia posibilă X = (x1, x2, ..., xn) se numeşte
n

soluţie de bază dacă vectorii aj din ∑x a

j =1
j j = b , având coeficienţii

xj strict pozitivi sunt liniar independenţi.

Din definiţie rezultă că soluţia de bază este o soluţie posibilă care
are cel mult m componente strict pozitive.

Definiţia 3.2.3: O soluţie de bază se numeşte degenerată dacă

numărul componentelor sale strict pozitive este mai mic decât m.

Definiţia 3.2.4: Soluţia optimă este aceea pentru care funcţia scop
îşi atinge maximul (respectiv minimul) şi se găseşte printre
soluţiile de bază.

3.2.2. Determinarea soluţiilor de bază

Se presupune că se cunoaşte o soluţie de bază formată din m

vectori aj care aparţin sistemului iniţial al celor n vectori a1, a2, ...,
an şi se poate presupune că aceştia sunt primii m vectori ai
sistemului { a1, a2, ..., an }. Soluţia de bază este de forma:
X = (x1, x2, ..., xm, 0, ...,0)
şi sistemul restricţiilor se scrie:
x1a1 + x2a2 + ... + xmam = b
unde toţi xi ≥ 0. Pornind de la soluţia de bază se va determina altă
soluţie de bază.
Vectorii a1, a2, ..., am sunt liniar independenţi, deci formează
o bază în spaţiul vectorial de dimensiune m. Astfel, oricare dintre
vectorii a1, a2, ..., an se poate exprima ca o combinaţie liniară a
vectorilor bazei:
m
a j = ∑ xij a i j = 1, n
i =1
Pentru vectorul am+1 care nu aparţine bazei se presupune că
că cel puţin unul dintre coeficienţii xi,m+1 este pozitiv:
x1,m+1a1 + x2,m+1a2 + ... + xm,m+1am = am+1

64
 Fie θ un număr real cu care se înmulţesc ambii membri ai
relaţiei precedente, care se scade apoi din restricţie:
(x1 - θx1,m+1)a1 + (x2 - θ x2,m+1)a2 + ... + (xm - θxm,m+1)am + θam+1 = b
Vectorul:
X’ = (x1 - θx1,m+1, x2 - θ x2,m+1, ...,xm - θxm,m+1, θ)
reprezintă o soluţie posibilă (realizabilă) dacă componentele sale
sunt nenegative. Se caută o soluţie X’ ≠ X, de unde rezultă
condiţia
θ > 0. Se vor examina numai componentele care conţin coeficienţi
xi,m+1 > 0. Se va determina θ > 0 astfel încât: xi – θxi,m+1 ≥ 0,
pentru toţi xi,m+1 > 0. Rezultă :
xi
≥ 0
x i ,m +1
Oricare θ pentru care
xi
0 < θ ≤ min
i xi,m +1
unde minimul se consideră pentru acei indici i pentru care
xi,m+1>0, determină o soluţie realizabilă a problemei.
Dar soluţia de bază nu poate conţine m + 1 componente
pozitive, de unde rezultă că cel puţin una dintre componentele lui
X’ trebuie să se anuleze. Acest lucru se întâmplă pentru:
xi
θ = θ 0 = min
i xi,m +1
pentru toţi xi,m+1 > 0 şi se va anula componenta lui X’ pentru care
este atins minimul. Se poate presupune că aceasta este chiar prima
componentă, adică
xi x1
θ 0 = min =
i xi,m +1 x1 , m + 1
Se obţine astfel o nouă soluţie :
x’2a2 + x’3a3 + ... + x’mam + x’m+1am+1 = b
unde:
x’i = xi – θ0xi,m+1, i = 2, ..., m
x’m+1 = θ0

65
 Dacă toţi xi,m+1 ≤ 0 nu se poate determina θ > 0 care să ducă
la excluderea a cel puţin un vector din bază. În acest caz problema
nu admite soluţie.
În continuarea procesului obţinerii de noi soluţii de bază va
trebui să se exprime un vector oarecare ce nu face parte din noua
bază a2, a3, ..., am+1 ca o combinaţie liniară de vectorii acestei
baze. Se exprimă a1:
1
a1 = (a m +1 − x 2,m +1 a 2 − ... − x m ,m +1 a m )
x1,m +1
Fie
a j = x1 j a1 + x 2 j a 2 + ... + x mj a m
un vector care nu aparţine noii baze. Înlocuindu-l pe a1 se obţine:
⎛ x1 j ⎞ ⎛ x1 j ⎞
⎜
a j = ⎜ x2 j − ⎟ ⎜
x2,m+1 ⎟a2 + ⎜ x3 j − x3,m+1 ⎟⎟a3 + ... +
⎝ x1,m+1 ⎠ ⎝ x1,m+1 ⎠
⎛ x1 j ⎞ x1 j
⎜
+ ⎜ xmj − ⎟
xm,m+1 ⎟am + am+1
⎝ x1, m+1 ⎠ x1,m+1

Componenetele vectorilor b şi aj în noua bază se obţin prin

metoda eliminării complete Gauss-Jordan.
Procesul obţinerii de noi soluţii de bază se reduce la
alegerea unui nou vector care urmează să intre în baza
corespunzătoare soluţiei de bază precedente precum şi a variabilei
care urmează să fie exclusă din această bază. Noua soluţie de bază
şi exprimarea vectorilor care nu fac parte din bază ca şi
combinaţii liniare de vectorii bazei se face cu ajutorul procedeului
eliminării complete. Criteriul conform căruia se alege vectorul ce
urmează să intre în bază este un element important al algoritmului
simplex.

66
3.3 Algoritmul simplex

Metoda generală de rezolvare a problemelor de programare liniară

o constituie metoda simplex sau algoritmul simplex, al cărui
creator este G. B. Danzig, încă din 1947. Ulterior această metodă
a fost îmbunătăţită.
Algoritmul se bazează pe rezolvarea sistemului de ecuaţii
liniare prin metoda eliminării complete pentru aflarea soluţiilor
nenegative, iar în final a soluţiei optime.

3.3.1 Etapele algoritmului simplex

Etapele algoritmului simplex sunt următoarele:

1. Aducerea sistemului la forma standard.
2. Găsirea unei soluţii de bază.
3. Trecerea de la soluţia găsită la alta mai bună în sensul
optimizării funcţiei scop. Soluţia optimă se caută printre cele de
bază în mod dirijat, urmărindu-se îmbunătăţirea funcţiei de
eficienţă.
4. Găsirea soluţiei optime şi aflarea valorii optime a funcţiei de
eficienţă. În acest sens se foloseşte un criteriu care stabileşte dacă
s-a ajuns la valoarea optimă pentru care funcţia scop nu mai poate
fi îmbunătăţită.

Fie problema de programare liniară:

n
max f = ∑c
j =1
j xj

cu conditiile :
n

∑a
j =1
ij x j ≤ bi 1≤ i ≤ m

xj ≥ 0 1≤ j ≤ n

67
3.3.2 Aducerea sistemului la forma standard

Sistemul de inegalităţi se aduce la forma standard prin

introducerea necunoscutelor de compensare sau artificiale. Aceste
variabile se vor rula în cadrul algoritmului de rezolvare şi, în
general, se vor elimina treptat. Problema se scrie:
⎧ a 11 x 1 + a 12 x 2 + ... + a 1 n x n = b 1
⎪ a x + a x + ... + a x = b
⎪ 21 1 22 2 2n n 2
⎨
⎪ .......... .......... .......... .......... .....
⎪⎩ a m 1 x 1 + a m 2 x 2 + ... + a mn x n = b m
x j ≥ 0, j = 1, n
f = c 1 x 1 + c 2 x 2 + ... + c n x n

3.3.3 Găsirea unei soluţii de bază

Pentru determinarea unei soluţii de bază se poate utiliza

metoda eliminării complete (Gauss-Jordan). Se presupune că s-au
produs astfel zerouri pe primele m coloane, adică în bază se află
primele m variabile, x1, x2, ..., xm . Vectorii coloană corespunzători
se notează P1, P2, ..., Pm . Se obţine matricea sistemului de forma:

⎛1 0 ... 0 a1' , m +1 ... a1' n | b1' ⎞

⎜ ⎟
⎜0 1 ... 0 a2' , m +1 ... a2' n | b2' ⎟
⎜ ... ... ... ... ... ... ... | ... ⎟⎟
⎜
⎜0 0 ... 1 am' , m +1 ... amn
'
| bm' ⎟⎠
⎝

Dacă toate componenetele bi' ≥ 0, i = 1,..., m , soluţia de bază

( )
este B1 = b1' , b2' ,..., bm' ,0,...,0 . Funcţia de scop în acest caz este:
m
f (B1 ) = ∑ c j b 'j .
j =1

68
3.3.4 Trecerea de la soluţia găsită la alta mai bună prin
schimbarea bazei

Obţinerea unei noi soluţii de bază se face prin schimbarea

unei singure variabile. Din baza veche se scoate vectorul Pα care
se înlocuieşte cu vectorul Pβ. Această operaţie se numeşte pas
simplex şi se realizează cu ajutorul următorului tabel construit pe
baza iniţială:

Baza Po P1 P2 ... Pα ... Pm ... Pk ... Pβ ... Pn

P1 b1 1 0 ... 0 ... 0 ... a1k ... a1β ... a1n
P2 b2 0 0 ... 0 ... 0 ... a2k ... a2β ... a2n
... ... ... ... ... ... ... ... ... ... ... ... ... ...
Pα bα 0 0 ... 1 ... 0 ... aαk ... aαβ ... aαn
... ... ... ... ... ... ... ... ... ... ... ... ... ...
Pm bm 0 0 ... 0 ... 1 ... amk ... a mβ ... amn

Elementul aαβ se numeşte element pivot. Pasul simplex

comportă două operaţii:
1. Împărţirea liniei α cu elementul pivot aαβ , obţinându-se
a
valorile θ k = αk , k = 1,2,..., n.
aαβ
2. Formarea de zerouri pe coloana pivotului, cu excepţia poziţiei
acestuia, unde rămâne 1. Noua matrice va avea elementele:
⎧a 'jk = a jk − θ k a jβ , j ∈ {1,..., m} − {α }
⎨ '
⎩aαk = θ k
Pentru ca noua soluţie să fie de asemenea o soluţie de bază, adică
cele m componente nenule să fie pozitive, trebuie să fie
satisfăcute inegalităţile:
b j −θ ⋅ a jβ > 0, j ∈ {1,..., m} − {α }.

69
Numerele bj sunt pozitive. Pentru ca inegalităţile să fie
satisfăcute, pentru θ > 0 trebuie ca a jβ > 0 şi:
bj
0 <θ < .
a jβ
De aici rezultă că numărul pozitiv θ trebuie să fie valoarea
bj
minimă pozitivă a rapoartelor .
a jβ
Observaţii:
1. Un vector Pβ din afara bazei poate fi introdus în bază dacă are
componente pozitive.
2. Pentru fixarea vectorului Pα care se scoate din bază se
determină numărul pozitiv
⎛ b j ⎞ bα
θ = min ⎜⎜ ⎟=
⎟
⎝ jβ ⎠ aαβ
a
+j

unde j ia doar valorile care corespund coeficienţilor a jβ > 0 .

Metoda simplex prin care se realizează practic trecerea de la

o soluţie de bază la alta, adică de la un tabel simplex la următorul
cuprinde următoarele etape:
1. Fixarea vectorului Pβ care se introduce în bază.
bj
2. Calcularea rapoartelor pozitive pentru determinarea
a jβ
valorii minime a acestora care corespunde numărului θ, în funcţie
de care se stabileşte vectorul care iese din bază, adică Pα.
3. Împărţirea liniei α cu elementul pivot, care corespunde acum
vectorului Pβ , adică:
bα aαk
θ= , θk = .
aαβ aαβ
4. Determinarea elementelor de pe celelalte linii în noul tabel
simplex, cu relaţiile:
b 'j = b j − θ ⋅ a jβ , a 'jk = a jk − θ k a jβ , j ∈ {1,..., m} − {α }.

70
3.3.5 Determinarea soluţiei optime

Scopul rezolvării problemei de programare liniară este de a

găsi acea soluţie pentru care funcţia de eficienţă are valoarea
optimă. Funcţia de eficienţă este o funcţie liniară de forma:
n
f = c1 x1 + c2 x 2 + ... + c n xn = ∑ c j x j
j =1
Pentru a găsi un criteriu care să indice că optimul a fost atins
şi nu mai este necesară schimbarea bazei, se studiază variaţia
funcţiei de eficienţă la schimbarea soluţiei de bază.
Fie zo valoarea funcţiei de eficienţă corespunzătoare primei
soluţii de bază:
n m
z0 = ∑ c j x j = ∑ b j c j , având în vedere că x j = b j , j = 1,..., m
j =1 j =1

Fie z0' valoarea funcţiei f corespunzătoare soluţiei de bază

din următorul tabel, adică:
z0' = ∑ b 'j c j
j∈Γ '

Înlocuind b = b j − θ ⋅ a jβ pentru j ≠ α şi θ pentru j=α, se

'
j
obţine:
⎛ ⎞
z0' = ∑ (b j − θ ⋅ a jβ a ) ⋅ c j + θ ⋅ cβ = ∑ b j c j + θ ⋅ ⎜ cβ − ∑ a jβ c j ⎟ .
j∈Γ j∈Γ ⎝ j∈Γ ⎠
Se notează cu z β = ∑ a jβ c j şi se obţine:
j∈Γ

z0' = z0 + θ ⋅ (cβ − z β ) = z0 + θ ⋅ Δ β , unde θ > 0.

Dacă Δ β > 0, atunci z0' > z0 , adică prin trecerea de la o bază
la alta, valoarea funcţiei de eficienţă devine mai mare. În cazul în
care Δ β < 0, atunci z0' < z0 , adică prin trecerea de la o bază la
alta, valoarea funcţiei de eficienţă devine mai mică.

În concluzie:
a) Maximizarea funcţiei de scop necesită:

71
1. Să existe în afara bazei cel puţin un vector Pβ care să aibă cel
puţin o componentă pozitivă ajβ > 0.
2. Vectorului Pβ să îi corespundă o diferenţă pozitivă Δβ > 0.

b) Minimizarea funcţiei de scop necesită:

1. Să existe în afara bazei cel puţin un vector Pβ care să aibă cel
puţin o componentă pozitivă ajβ > 0.
2. Vectorului Pβ să îi corespundă o diferenţă negativă Δβ < 0.

Se notează:
Γ = mulţimea indicilor soluţiei de bază
z0 = ∑ b j c j
j∈Γ

z k = ∑ a jk c j
j∈Γ

Δ k = ck − z k
Pentru organizarea calculelor, tabelul anterior se
completează în felul următor:

Coef. c1 c2 cm ck cβ cn
cj Baza Po
coresp. P1 P2 Pm Pk Pβ Pn
bazei
c1 P1 B1 1 0... 0 a1k a1β a1n
c2 P2 B2 0 1... 0 a2k a2β a2n
... ... ... ... ... ... ... ... ...
cα Pα Bα 0 0... 0 aα k aαβ aαn
... ... ... ... ... ... ... ... ...
cm Pm Bm 0 0... 1 amk amβ amn
zk z0 z1 z2 zm zk zβ zn
Δk = ck – zk c1 – z1 c2 – z2 cm – zm ck – zk cβ – zβ cn – zn

Valorile zk se obţin prin înmulţirea coeficienţilor cj din

prima coloană cu componentele vectorului Pk şi adunarea
produselor. Diferenţele Δk se obţin prin scăderea liniei care
conţine valorile zk din prima linie.

72
 Soluţia care realizează optimul se obţine în momentul în
care sunt îndeplinite următoarele condiţii:
1. În cazul unei probleme de maxim:
- nu mai există diferenţe Δk = ck – zk > 0;
- în cazul în care există diferenţe Δk = ck – zk < 0, vectorul
corespunzător Pk nu are componente pozitive.

2. . În cazul unei probleme de minim:

- nu mai există diferenţe Δk = ck – zk < 0;
- în cazul în care există diferenţe Δk = ck – zk > 0, vectorul
corespunzător Pk nu are componente pozitive.

3.3.6 Exemple

Exemplul 3.3.1: Problemă de maxim

⎧ 2 x1 + 5 x 2 + 3x3 ≤ 8
⎨
⎩4 x1 + 3x 2 + 8 x3 ≤ 16
x j ≥ 0, j = 1,3
max f = 2 x1 + 6 x 2 + 2 x3

Prin introducerea necunoscutelor artificiale x4 şi x5 se aduce

problema la forma standard:

⎧ 2 x1 + 5 x 2 + 3 x3 + x 4 = 8
⎨
⎩4 x1 + 3 x 2 + 8 x3 + x5 = 16
x j ≥ 0, j = 1,3
max f = 2 x1 + 6 x 2 + 2 x3

Se completează tabelul:

73
 cj 2 6 2 0 0 bj
j ∈Γ Baza Po P1 P2 P3 P4 P5 a jβ
0 P4 8 2 5 3 1 0 8/5
0 P5 16 4 3 8 0 1 16/3
zk 0 0 0 0 0 0
Δk = ck – zk - 2 6 2 0 0

Valoarea maximă a diferenţelor Δk este 6, deci P2 intră în

bj 8
bază. Valoarea minimă a rapoartelor este θ = , deci P4 iese
a jβ 5
din bază. Pivotul este elementul de pe linia lui P4 şi coloana lui
P2 , adică 5.
Se împarte prima linie cu elementul pivot, adică cu 5 şi se
obţine:

cj 2 6 2 0 0
j ∈Γ Baza Po P1 P3 P4 P5
8/5 2/5 1 3/5 1/5 0 L1/5
P5 16 4 3 8 0 1 L2 –
3L1

Din linia 2 se scade prima linie înmulţită cu 3 şi se obţine:

cj 2 6 2 0 0 bj
j ∈Γ Baza Po P1 P2 P3 P4 P5 a jβ
6 P2 8/5 2/5 1 3/5 1/5 0
0 P5 56/5 14/5 0 31/5 - 3/5 1
zk 48/5 12/5 6 18/5 6/5 0
Δk = ck – zk - - 2/5 0 - 8/5 - 6/5 0

Nu mai există diferenţe Δβ > 0, deci s-a obţinut soluţia:

74
 8 56
x1 = 0, x 2 = , x3 = 0, x 4 = 0, x 5 =
5 5
8 48
f max = 2 ⋅ 0 + 6 ⋅ + 2 ⋅ 0 =
5 5

Exemplul 3.3.2: Problemă de minim

⎧ x1 + 2 x2 + 3x 3 = 15
⎪
⎨ 2 x1 + x2 + 5 x3 = 20
⎪ x + 2 x + x + x = 10
⎩ 1 2 3 4

x j ≥ 0, j = 1,4
min f = − x1 − 2 x2 − 3x3 + x4

Problema este dată în forma standard. Pentru aflarea unei

soluţii de bază se utilizează metoda eliminării totale Gauss-
Jordan.
⎛ 1 2 3 0 15 ⎞ L − 2 L ⎛ 1 2 3 0 15 ⎞
⎜ ⎟ 2 ⎜ 1 ⎟ L :( −1)
≈ − − −
2

⎜ 2 1 5 0 20 ⎟ L −L ⎜ 0 3 1 0 10 ⎟ ≈
⎜ 1 2 1 1 10 ⎟ 3
⎜0 0 − 2 1 − 5 ⎟
1

⎝ ⎠ ⎝ ⎠
⎛ 1 2 3 0 15 ⎞ ⎛ 1 − 7 0 0 − 15 ⎞
⎜ ⎟ L −3L ⎜
1 2 ⎟
⎜ 0 3 1 0 10 ⎟ ≈ ⎜ 0 3 1 0 10 ⎟
⎜ 0 0 − 2 1 − 5 ⎟ L + 2 L ⎜ 0 6 0 1 15 ⎟
3 2

⎝ ⎠ ⎝ ⎠
S-a obţinut soluţia de bază formată din vectorii P1, P3, P4.
Se construieşte următorul tabel simplex:
cj -1 -2 -3 1 bj
j ∈ Γ Baza Po P1 P2 P3 P4 a jβ
-1 P1 - 15 1 -7 0 0
-3 P3 10 0 3 1 0 10/3
1 P4 15 0 6 0 1 15/6
zk 0 -1 4 -3 1
Δk = ck – zk - 0 -6 0 0

75
 Fiind o problemă de minim se caută difenţele Δk < 0. Există
una singură, corespunzătoare vectorului P2, care devine candidat
pentru a intra în noua bază. Minimul dintre 10/3 şi 15/6 este 15/6,
deci vectorul P4 iese din bază. Elementul pivot este cel de pe linia
lui P4 şi coloana lui P2, deci 6. Se împarte linia 3 cu 6, obţinându-
se:

- 15 1 -7 0 0
10 0 3 1 0
5/2 0 1 0 1/6

Pentru a obţine zerouri deasupra pivotului se fac

următoarele operaţii: L1 + 7L3 şi L2 – 3L3 , obţinându-se noul
tabel simplex:
cj -1 -2 -3 1 bj
j ∈ Γ Baza Po P1 P2 P3 P4 a jβ
-1 P1 5/2 1 0 0 7/6
-3 P3 5/2 0 0 1 - 1/2
-2 P2 5/2 0 1 0 1/6
zk - 15 -1 -2 -3 0
Δk = ck – zk - 0 0 0 1

Nu mai există diferenţe negative, deci s-a obţinut soluţia

optimă,
5 5 5
x1 = , x2 = , x3 = , x4 = 0,
2 2 2
5 5 5
f min = − − 2 ⋅ − 3 ⋅ + 0 = −15
2 2 2
3.4 Cazuri speciale într-o problemă de
programare liniară

76
În acest paragraf se vor analiza cazuri speciale care pot să apară
într-o problemă de programare liniară: cazul soluţiei infinite,
degenerarea, probleme cu soluţii multiple.

3.4.1 Cazul soluţiei infinite

Funcţia de optimizat are un maxim infinit.

Este cazul în care există o diferenţă Δk pozitivă, dar pe
coloana acesteia nu există nici un element pozitiv care să poată fi
luat ca pivot.

Exemplul 3.4.1:
⎧− 2 x1 + x 2 ≤ 2
⎪
⎨ x1 − 2 x 2 ≤ 2
⎪ x +x ≥5
⎩ 1 2

x1 , x 2 ≥ 0
max f = x1 − x 2
Se aduce la forma standard prin introducerea variabilelor ecart:
⎧− 2 x1 + x 2 + x3 = 2
⎪
⎨ x1 − 2 x 2 + x 4 = 2
⎪ x +x −x =5
⎩ 1 2 5

x1 , x 2 , x3 , x 4 , x5 ≥ 0
max f = x1 − x 2
Primul tabel simplex este următorul:
cj 1 -1 0 0 0 bj
j ∈ Γ Baza Po P1 P2 P3 P4 P5 a jβ
0 P3 2 -2 1 1 0 0
0 P4 2 1 -2 0 1 0
0 P5 -5 -1 -1 0 0 1
zk 0 0 0 0 0 0
Δk = ck – zk - 1 -1 0 0 0

77
 Există o singură diferenţă pozitivă, vectorul P1 intră în noua
bază, iar singura sa componentă pozitivă este valoarea 1, deci
vectorul P4 va ieşi din bază. Se alege ca pivot elementul 1 şi se
fac următoarele operaţii: L1 + 2L2 şi L3 + L2, obţinându-se
următorul tabel:
cj 1 -1 0 0 0 bj
j ∈ Γ Baza Po P1 P2 P3 P4 P5 a jβ
0 P3 6 0 -3 1 2 0
1 P1 2 1 -2 0 1 0
0 P5 -3 0 -3 0 1 1
zk 2 1 -2 0 1 0
Δk = ck – zk - 0 1 0 -1 0
Se observă că există o diferenţă pozitivă, pe coloana
vectorului P2, dar toate componentele sale sunt negative, deci
funcţia f este nemărginită, iar problema de programare liniară nu
admite soluţii.

3.4.2 Cazul soluţiei degenerate

Soluţia de bază se numeşte degenerată dacă numărul

componentelor sale strict pozitive este mai mic decât m.
Situaţia apare când la introducerea în bază a unui vector
există mai multe elemente pozitive care furnizează acelaşi raport
minim. În acest caz elementul pivot va fi ales acela care
furnizează cea mai mică linie în ordine lexicografică.

Exemplul 3.4.2:
⎧3 x1 + x2 + x3 + x4 = 6
⎪
⎨ x1 + 2 x2 + x3 + x4 = 6
⎪ 2 x + x + 3x = 7
⎩ 1 2 3

x1 , x2 , x3 , x4 ≥ 0
max f = x1 + 4 x2 + 5 x3 + 2 x4
Se caută o soluţie de bază prin metoda eliminării totale:

78
⎛ 3 1 1 1 6 ⎞ ⎛ 1 13 13 13 2 ⎞ ⎛1 1 1 1
2 ⎞ L ⋅3
⎜ ⎟ L :3 ⎜ 1
⎟ L −L 2 1
⎜ 3
5
3
2
3
2
⎟ 5
2

⎜ 1 2 1 1 6 ⎟ ≈ ⎜ 1 2 1 1 6 ⎟ ≈ ⎜0 3 3 3
4⎟ ≈
⎜ 2 1 3 0 7 ⎟ ⎜ 2 1 3 0 7 ⎟ L −2L 3 1
⎜0 1 7
− 23 3 ⎟⎠
⎝ ⎠ ⎝ ⎠ ⎝ 3 3

⎛ 0 13 1 1
2 ⎞ L −1 L ⎛1 0 1 1 6
⎞L ⋅5
⎜ 3
2
3
2 12
⎟ 31 2
⎜ 5
2
5
2
5
12
⎟ 113

⎜0 1 5 5 5 ⎟ ≈ ⎜0 1 5 5 5 ⎟ ≈
⎜0 1 7
− 23 3 ⎟⎠ 3 L
L −
1
⎜0 0 11
− 54 11 ⎟
⎝ ⎝ ⎠
3 2

3 3 5 5

⎛ 1 0 15 1 6
⎞ L −1 L ⎛ 1 0 0 113 1⎞
⎜ 5 5 ⎟ 5 1 3
⎜ ⎟
⎜0 1 5 2 2
5
12
5 ⎟ ≈ ⎜ 0 1 0 116 2⎟
⎜0 0 1 − 4 1 ⎟⎠ L − 5 L
2
⎜0 0 1 − 4 1 ⎟⎠
⎝ ⎝
2 3

11 11

După găsirea soluţiei de bază se aşează datele în tabel:

cj 1 4 5 2 bj
j ∈Γ Baza Po a jβ
P1 P2 P3 P4
1 P1 1 1 0 0 3/11 11/3
4 P2 2 0 1 0 6/11 11/3
5 P3 1 0 0 1 - 4/11
zk 14 1 4 5 7/11
Δk = ck – zk 0 0 0 15/11

Singura diferenţă pozitivă corespunde vectorului P4, dar

rapoartele sunt egale. Prima linie este mai mică în ordine
lexicografică, aladar se alege vectorul P1 care iese din bază.
Elementul pivot este cel de pe linia lui P1 şi coloana lui P4, adică
3/11. Se împarte prima linie cu 3/11 şi se obţine:

11/3 11/3 0 0 1
2 0 1 0 6/11
1 0 0 1 - 4/11

79
 Se fac următoarele operaţii: L2 - 6/11L1 şi L3 + 4/11 L1. Se
completează următorul tabel simplex:

cj 1 4 5 2 bj
j ∈Γ Baza Po a jβ
P1 P2 P3 P4
2 P4 11/3 11/3 0 0 1
4 P2 0 -2 1 0 0
5 P3 7/3 4/3 0 1 0
zk 19 6 4 5 2
Δk = ck – zk -5 0 0 0

S-a obţinut soluţia optimă degenerată:

7 11
x1 = 0, x2 = 0, x3 = , x4 = ,
3 3
7 11
f max = 5 ⋅ + 2 ⋅ = 19
3 3
3.4.3 Cazul soluţiilor multiple. Soluţia generală

Este posibil ca problema de programare liniară să aibă cel

puţin două soluţii distincte care conduc la aceeaşi valoare optimă.
Soluţia optimă generală se scrie ca o combinaţie liniară
convexă a soluţiilor independente obţinute.
Fie X1 şi X2 două soluţii optime distincte. Soluţia generală
este de forma:
X G = α 1 X 1 + α 2 X 2 , unde α 1 , α 2 ≥ 0, α 1 + α 2 = 1.
Exemplul 3.4.3:
⎧− 2 x1 + x 2 ≤ 2
⎪
⎨ x1 − x 2 ≤ 2
⎪ x +x ≤5
⎩ 1 2

x1 , x 2 ≥ 0
min f = − x1 + x 2

80
 Se aduce problema la forma standard:
⎧− 2 x1 + x2 + x3 = 2
⎪
⎨ x1 − x2 + x4 = 2
⎪ x +x +x =5
⎩ 1 2 5

x1 , x2 , x3 , x4 , x5 ≥ 0
min f = − x1 + x2
Se alcătuieşte tabelul simplex:

cj -1 1 0 0 0 bj
j ∈Γ Baza Po P1 P2 P3 P4 P5 a jβ
0 P3 2 -2 1 1 0 0
0 P4 2 1 -1 0 1 0 2
0 P5 5 1 1 0 0 1 5
zk 0 0 0 0 0 0
Δk = ck – zk - -1 1 0 0 0

Diferenţa negativă (problema este de minim) corespunde

vectorului P1, iar minimul rapoartelor se realizează pentru P4. Se
obţine următorul tabel simplex:

cj -1 1 0 0 0 bj
j ∈Γ Baza Po P1 P2 P3 P4 P5 a jβ
0 P3 6 0 -1 1 2 0
-1 P1 2 1 -1 0 1 0
0 P5 3 0 2 0 -1 1
zk -2 -1 1 0 -1 0
Δk = ck – zk - 0 0 0 1 0

S-a obţinut soluţia optimă:

x1 = 2, x2 = 0, x3 = 6, x4 = 0, x 5 = 3
f min = −2

81
 Existenţa mai multor diferenţe Δk = 0 decât numărul de
vectori ai bazei semnifică faptul că soluţia nu este unică. Dacă
numărul de diferenţe nule este p > m, numărul maxim de soluţii
optime este C pm . Pentru a găsi celelalte soluţii optime se introduc
în bază, dacă este posibil, vectorii Pk pentru care Δk = 0. În acest
exemplu se introduce în bază P2 şi se scoate din bază P5.

cj -1 1 0 0 0 bj
j ∈Γ Baza Po P1 P2 P3 P4 P5 a jβ
0 P3 15/2 0 0 1 3/2 1/2
-1 P1 7/2 1 0 0 1/2 1/2
1 P2 3/2 0 1 0 - 1/2 1/2
zk -2 -1 1 0 -1 0
Δk = ck – zk - 0 0 0 1 0

S-a obţinut soluţia optimă:

7 3 15
x1 = , x2 = , x3 = , x4 = 0, x 5 = 0
2 2 2
f min = −2

Se observă că acestea sunt singurele soluţii optime. Se

⎛ 7 3 15 ⎞
notează: x (1) = (2,0,6,0,3) şi x (2 ) = ⎜ , , ,0,0 ⎟
⎝2 2 2 ⎠
Soluţia generală a problemei va fi:
x = αx (1) + βx (2 ) ; α , β ≥ 0, α + β = 1, adică:
⎛ 7 3 15 ⎞
x = ⎜ 2α + β , β ,6α + β ,0,3α ⎟ , iar fmin = - 2.
⎝ 2 2 2 ⎠
În general, soluţia optimă generală nu este şi soluţie de bază,
numărul componentelor sale nenule fiind mai mare decât m.

82
3.5 Dualitatea în programarea liniară

Prin dualitate în programarea liniară se înţelege un concept

conform căruia oricărei probleme de programare liniară
considerată ca iniţială (primală) îi corespunde o altă problemă,
numită duală, ambele formând un cuplu denumit cuplu de
probleme duale.
Dualitatea prezintă interes atât din punct de vedere teoretic,
cât mai ales prin interpretarea economică a celor două probleme
care formează cuplul.
Se consideră două cazuri de dualitate:
- dualitatea simetrică ce se referă la modele date sub forma
canonică;
- dualitatea nesimetrică, în care modelele sunt date sub
forma standard sau forma generală.

3.5.1 Dualitatea simetrică

Cuplul celor două probleme duale în cadrul dualităţii simetrice

este:
max f = c1 x1 + c 2 x 2 + ... + c n x n
⎧ a11 x1 + a12 x 2 + ... + a1 n x n ≤ b1
⎪ a x + a x + ... + a x ≤ b
⎪ 21 1
(P ) ⎨
22 2 2n n 2

⎪ ...
⎪⎩ a m 1 x1 + a m 2 x 2 + ... + a mn x n ≤ b m
xj ≥ 0 j = 1, n
Duala acestei probleme este:

83
 min g = b1 y1 + b 2 y 2 + ... + bm y m
⎧ a11 y1 + a 21 y 2 + ... + a m 1 y m ≥ c1
⎪ a y + a y + ... + a y ≥ c
⎪ 12 1
(D ) ⎨
22 2 m2 m 2

⎪ ...
⎪⎩ a1 n y1 + a 2 n y 2 + ... + a nm y m ≥ c n
y i ≥ 0 i = 1, m
În cele două modele, fiecare dintre ele poate fi considerat
dualul celuilalt.
Între cele două probleme primala (P) şi duala ei (D) există o
strânsă legătură pusă în evidenţă de regulile următoare, care
permit scrierea modelului uneia dintre ele ştiind modelul
celeilalte:
- în primală se cere maximul, iar în duală minimul (sau
invers);
- modelul de maxim din primală are ca restricţii inegalităţi
de tipul ≤, iar modelul de minim din duală are inegalităţi
de sens ≥;
- matricele celor două sisteme de restricţii sunt transpuse
una alteia;
- termenii liberi dintr-un model sunt coeficienţii din funcţia
de eficienţă ai celuilalt model, în aceeaşi ordine;
- x1 , x2 ,..., xn sunt variabilele primale şi x j ≥ 0, j = 1, n ;
- y1 , y2 ,..., ym sunt variabilele duale şi yi ≥ 0, i = 1, m .

⎛ x1 ⎞ ⎛ b1 ⎞
⎜ ⎟ ⎜ ⎟
⎜x ⎟ ⎜b ⎟
X =⎜ 2⎟ b=⎜ 2 ⎟
Se notează: ... ; Y = ( y 1 , y 2 ,..., y m ) ; ⎜ ... ⎟ ;
⎜ ⎟ ⎜b ⎟
⎜x ⎟
⎝ n⎠ ⎝ m⎠

84
 ⎛ a11 a12 ... a1n ⎞
⎜ ⎟
⎜ a 21 a 22 ... a 2 n ⎟
c = c 1 , c 2 ,... c n ; A = ⎜⎜..... ..... ..... .....⎟⎟ .
( )
⎜⎜ ⎟⎟
⎝ am1 am 2 ... amn ⎠
Cele două modele se scriu matriceal astfel:

[max ] f = cX [min ]g = Yb
( P ) AX ≤ b ( D ) YA ≥ c
X ≥0 Y ≥0
Legătura dintre cele două modele ale cuplului dual se
prezintă în următorul tabel, în care modelul primalei se citeşte pe
linii, iar modelul dualei pe coloane:

xj x1 x2 ... xn ≤
yi
y1 a11 a12 ... a1n b1
y2 a21 a22 ... a2n b2
... ... ... ... ... ...
ym am1 am2 ... amn bm
≥ c1 c2 ... cn max
min

Un alt cuplu de probleme duale sub forma canonică este

următorul:
[min ] f = cX [max ]g = Yb
( P1 ) AX ≥ b ( D1 ) YA ≤ c
X ≥0 Y ≥0
Exemplul 3.5.1 : Fie problema de programare liniară

85
 ⎧ 3 x1 + x2 ≤ 1
(P ) ⎨
⎩2 x1 + 6 x2 ≤ 2
x1 ≥ 0, x2 ≥ 0
max f = 6 x1 + 3 x2
Modelul dual al acestei probleme este:
⎧3 y + 2 y2 ≥ 6
(D ) ⎨ 1
⎩ y1 + 6 y2 ≥ 3
y1 ≥ 0, y2 ≥ 0
min g = y1 + 2 y2

Exemplul 3.5.2: Pentru problema primală:

⎧ x + 3x2 − x3 ≥ 2
(P ) ⎨ 1
⎩− x1 − x2 + 2 x3 ≥ 1
x j ≥ 0, j = 1,3
min f = 4 x1 + 18 x2 + 6 x3
Modelul dual este:
⎧ y1 − y2 ≤ 4
⎪
(D ) ⎨ 3 y1 − y2 ≤ 18
⎪− y + 2 y ≤ 6
⎩ 1 2

y1 ≥ 0, y2 ≥ 0
max g = 2 y1 + y2

Teorema fundamentală a dualităţii

Oricare ar fi cuplul (P), (D) de probleme duale este posibilă
una şi numai una dintre situaţiile:
a) Ambele modele au optime finite şi valorile optime ale
funcţiilor obiectiv sunt egale;
b) Unul dintre cele două modele are optim infinit, iar celălalt nu
are soluţii realizabile;
c) Nici unul dintre cele două modele nu are soluţii realizabile.

86
3.5.2 Dualitatea nesimetrică

Dualitatea nesimetrică se referă la modelele date sub forma

standard sau sub forma generală. Următoarele probleme sunt
duale:
[max ] f = cX [min ]g = Yb
( P ) AX = b ( D ) YA ≥ c
X ≥0 Y oarecare
Următoarele noţiuni sunt utile în stabilirea legăturii dintre
cele două problemeale cuplului în cazul dualităţii nesimetrice :
• Orice restricţie cu ≤ în cazul unei probleme de maxim,
respectiv o restricţie cu ≥ în cazul unui model de
minim se numesc restricţii concordante.
• Orice restricţie cu ≥ la un model de maxim, respectiv o
restricţie cu ≤ la un model de minim se numesc
restricţii neconcordante.
Legăturile dintre problema primală şi cea duală sunt
următoarele :
• Unul dintre modele cere maximul funcţiei obiectiv,
iar celălalt minimul;
• Matricele sistemelor de restricţii sunt transpuse una
alteia;
• Termenii liberi din restricţiile unui model sunt
coeficienţii funcţiei de eficienţă din celălalt,
păstrându-se ordinea;
• Fiecărei restricţii concordante dintr-un model îi
corespunde o variabilă în celălalt model care se
supune condiţiei de nenegativitate ≥ 0;
• Fiecărei restricţii neconcordante dintr-un model îi
corespunde o variabilă în celălalt model care se
supune condiţiei de nepozitivitate ≤ 0;
• Fiecărei restricţii de egalitate dintr-un model îi
corespunde o variabilă liberă în celălalt model.

87
Exemplul 3.5.3: Fie problema de programare liniară:

⎧ x1 + x2 + 2 x3 ≤ 10
⎪
(P ) ⎨ x1 + 2 x2 + 3 x3 ≥ 9
⎪ x + x + x = 15
⎩ 1 2 3

x j ≥ 0, j = 1,3
[max] f = x1 + 2 x2 + 5 x3
Modelul dual al acestei probleme este:
⎧ y1 + y2 + y3 ≥ 1
(D ) ⎪⎨ y1 + 2 y2 + y3 ≥ 2
⎪2 y + 3 y + y ≥ 5
⎩ 1 2 3

y1 ≥ 0, y2 ≤ 0, y3 oarecare
[min]g = 10 y1 + 9 y2 + 15 y3
Duala s-a scris în conformitate cu regulile de mai sus.
Variabilele x j ≥ 0, j = 1,3 din (P), fiind nenegative, toate
cele trei restricţii din modelul dual sunt concordante şi, fiind
problemă de minim, vor fi cu semnul ≥.
Având în vedere restricţiile din problema primală, se deduc
următoarele:
- prima restricţie fiind concordantă, variabila y1 se supune
condiţiei de nenegativitate, adică y1 ≥ 0.
- restricţia a doua fiind neconcordantă, variabila y2 este
nepozitivă, adică y2 ≤ 0.
- cea de a treia restricţie a modelului primal fiind de egalitate,
variabila y3 este liberă.

3.6 Programarea transporturilor

Problemele de transport s-au impus datorită multiplelor

posibilităţi de aplicabilitate pe care le oferă în diverse sectoare ale
activităţii economice, cum ar fi:

88
 • transporturi de bunuri de la beneficiari la consumatori;
• proiectare de canale în agricultură;
• proiectare de canale de informaţii;
• proiectare de linii transportatoare de energie;
• proiectare de depozite de la care aprovizionarea să se facă în
condiţii optime (ca timp şi cost);
• repartizarea optimă a necesarului de producţie pe utilaje
(maşini), secţii, etc.;
• optimizarea unor probleme de producţie şi stocare;
• proiectarea traseelor mijloacelor de transport goale către
centrele de aprovizionare, astfel încât cheltuielile pentru
deplasările în gol să fie minime.

3.6.1 Problema de transport. Modelul matematic

Un produs omogen este depozitat în centrele de expediţie A1, A2,

..., Am în cantităţile a1, a2, ..., am şi se cere să fie transportat în
centrele de consum B1, B2, ..., Bn în cantităţile b1, b2, ..., bn. Se
cunosc costurile unitare de transport cij , i = 1, m, j = 1, n de la
depozitul Ai la centrul de consum Bj.
Rezolvarea problemei de transport constă în determinarea
unui plan optim de transport de la depozite la consumatori astfel
încât costul total al transporturilor să fie minim. Se cere deci
determinarea cantităţilor xij , i = 1, m, j = 1, n transportate pe toate
rutele, astfel încât să se realizeze un cost minim de transport.
Datele problemei se aranjează în tabelul următor:
B B1 B2 ... Bn Disponibil
A
A1 c11 c12 c1n a1
x11 x12 x1n
A2 c21 c22 c2n a2
x21 x22 x2n
...

89
 Am cm1 cm2 cmn am
xm1 xm2 xmn
Necesar b1 b2 bn m
∑ ai
i =1
n
∑ bj
j =1

Costul transportului a xij unităţi de produs de la depozitul Ai

la centrul Bj este egal cu cij ⋅ xij , deci costul total de la toate
depozitele Ai (i = 1, m ) la toate centrele de desfacere B j ( j = 1, n ) va
m n
fi egal cu f = ∑ ∑ cij xij .
i =1 j =1
În practică aceste probleme pot fi de două feluri:
m n
1. Problemă echilibrată, unde ∑ ai = ∑ b j , adică necesarul
i =1 j =1
pentru toate centrele de consum este egal cu totalul expediat din
toate centrele de depozitare;
m n
2. Problemă neechilibrată, unde ∑ ai ≠ ∑ b j .
i =1 j =1
Pentru ambele cazuti, din necesitatea de a avea sens din
punct de vedere economic, trebuie îndeplinite condiţiile:
xij ≥ 0, (i = 1, m, j = 1, n ), cantităţile transportate fiind nenegative.
Disponibilul şi necesarul sunt de asemenea mărimi
nenegative, ai ≥ 0, b j ≥ 0 (i = 1, m, j = 1, n ).
Condiţia de echilibrare implică transportul integral al
disponibilului către centrele de consum, ceea ce înseamnă
îndeplinirea condiţiilor:
⎧ x11 + x12 + ... + x1n = a1
⎪ x + x + ... + x = a
⎪ 21 22 2n 2
n
⎨ sau ∑ xij = ai , i = 1, m
⎪ ..................................... j =1

⎪⎩ xm1 + xm 2 + ... + xmn = am

90
 Condiţia de satisfacere integrală a cererii tuturor centrulor
de consum înseamnă îndeplinirea condiţiilor:
⎧ x11 + x21 + ... + xm1 = b1
⎪ x + x + ... + x = b
⎪ 12 22 m2 2
m
⎨ sau ∑ xij = b j , j = 1, n
⎪ .......... .......... .......... ....... i =1

⎪⎩ x1n + x2 n + ... + xmn = bn

Modelul matematic al problemei de transport este următorul:

m n
(1) min f = ∑ ∑ cij xij
i =1 j =1
cu condiţiile:
n
(2) ∑ xij = ai , i = 1, m
j =1
m
(3) ∑ xij = b j , j = 1, n
i =1
(4) xij ≥ 0, (i = 1, m, j = 1, n ).
Problema de transport este o problemă de programare liniară
cu variabilele xij în număr de mn, care satisfac restricţiile liniare
(2) şi (3), condiţiile de nenegativitate (4) şi fac minime
cheltuielile totale de transport f, unde f este o funcţie liniară în
variabilele xij.
O condiţie necesară pentru compatibilitatea sistemului de
m n n m
ecuaţii (2) şi (3) este ca ∑ ∑ xij = ∑ ∑ xij , ceea ce înseamnă
i =1 j =1 j =1i =1
m n
∑ ai = ∑ b j , care reprezintă condiţia de echilibru.
i =1 j =1
Problema de transport, privită ca o problemă de programare
liniară se poate rezolva cu algoritmul simplex, dar această
rezolvare devine dificilă din cauza numărului mare de variabile şi
restricţii. Având în vedere forma particulară a problemei de
transport în care toţi coeficienţii variabilelor xij sunt egali cu 1 în
restricţii, există alţi algoritmi de rezolvare a acestei probleme.

91
 Mulţimea soluţiilor realizabile într-o problemă de transport
nu este vidă. Orice problemă de transport are o soluţie realizabilă
ai b j m n
de forma: xij = , i = 1, m, j = 1, n, T = ∑ ai = ∑ b j .
T i =1 j =1
În general această soluţie nu este optimă. Sistemul (2), (3)
este întotdeauna compatibil. Matricea coeficienţilor restricţiilor
liniare (2), (3) are rangul m + n – 1.
O soluţie realizabilă de bază într-o problemă de transport are
cel mult m + n – 1 componente nenule, fiind nedegenerată în
cazul în care are exact m + n – 1 componente nenule şi degenerată
când numărul componentelor nenule este mai mic decât m + n –
1. O observaţie importantă o constituie faptul că dacă ai şi bj sunt
numere naturale, atunci valorile variabilelor xij sunt numere
naturale în orice soluţie realizabilă de bază şi deci şi soluţia
optimă are numai componente numere naturale.

Exemplul 3.6.1: Fie depozitele A1, A2, A3 în care se află

cantităţile de acelaşi produs (în mii tone) a1 = 70, a2 = 10, a3 = 20.
Pentru patru centre de consum B1, B2, B3, B4 sunt necesare
respectiv cantităţile: b1 = 50, b2 = 25, b3 = 15 şi b4 = 10. Costurile
unei mii tone de produs transportate de la Ai la Bj sunt valorile cij
din tabelul de mai jos:

B B1 B2 B3 B4 Disponibil
A
A1 3 2 2 4 70
x11 x12 x13 x14
A2 1 2 3 4 10
x21 x22 x23 x24
A3 3 5 2 1 20
x31 x32 x33 x34
Necesar 50 25 15 10 100
100

92
 Se cere să se determine un plan optim de transport, adică
valorile xij ≥ 0, i = 1,2,3, j = 1,2,3,4, astfel încât costul total al
transportului să fie minim.
Modelul matematic al problemei este următorul:

min f = 3 x11 + 2 x12 + 2 x13 + 4 x14 + x21 + 2 x22 + 3 x23 + 4 x24 + 3 x31 +
+ 5 x32 + 2 x33 + x34
cu condiţiile:
x11 + x12 + x13 + x14 = 70
x21 + x22 + x23 + x24 = 10
x31 + x32 + x33 + x34 = 20
x11 + x21 + x31 = 50
x12 + x22 + x32 = 25
x13 + x23 + x33 = 15
x14 + x24 + x34 = 10
xij ≥ 0, i = 1,2,3, j = 1,2,3,4

Matricea A a sistemului de restricţii este:

⎛1 1 1 1 0 0 0 0 0 0 0 0⎞
⎜ ⎟
⎜0 0 0 0 1 1 1 1 0 0 0 0⎟
⎜0 0 0 0 0 0 0 0 1 1 1 1⎟
⎜ ⎟
A = ⎜1 0 0 0 1 0 0 0 1 0 0 0⎟
⎜0 1 0 0 0 1 0 0 0 1 0 0⎟
⎜ ⎟
⎜0 0 1 0 0 0 1 0 0 0 1 0⎟
⎜ ⎟
⎝0 0 0 1 0 0 0 1 0 0 0 1⎠
Rangul matricei A este r(A) = m + n – 1 = 3 + 4 – 1 = 6,
deci o soluţie de bază are cel mult 6 componente nenule.

Modelul matriceal al problemei este:

93
 X = ( x11 , x12 ,..., x34 )
t
min f = cX
AX = d , unde c = (3,2,2,4,1,2,3,4,3,5,2,1)
X ≥0 d = (70,10,20,50,25,15,10 )
t

Modelul de mai sus este modelul unei probleme de

programare liniară. Algoritmul de rezolvare a problemei de
transportpresupune două etape:
1. Aflarea unei soluţii iniţiale realizabile de bază;
2. Îmbunătăţirea soluţiei iniţiale până la obţinerea soluţiei optime,
după mai multe iteraţii.

3.6.2 Metode de găsire a soluţiilor iniţiale de bază într-

o problemă de transport

1. Metoda colţului Nord-Vest

Metoda este descrisă pe exemplul 3.6.1. Se începe din colţul
de Nord-Vest, adică din căsuţa (1,1), căreia îi corespunde
x11 = min{50,70} = 50
Pe prima coloană necesarul este satisfăcut, deci:
x21 = x31 = 0
(B1) (B2) (B3) (B4)
(A1) 3 2 2 4 70/20
50 20
(A2) 1 2 3 4 10/5
5 5
(A3) 3 5 2 1 20/10
10 10
50 25/5 15/10 10
Pe prima linie au rămas 20 mii tone disponibile din cele 70,
care vor fi plasa te în căsuţa (1,2) deoarece
x12 = min{20,25}=20.
Depozitul A1 şi-a epuizat resursele, deci:
x13 = x14 = 0
Se porneşte acum din căsuţa (2,2), unde:

94
 x22 = min{10,5}=5.
Rezultă x32 = 0. A2 are încă un disponibil de 5 mii tone pe
care le repartizează centrului B3, deoarece min{5,15} = 5, deci
x23 = 5.
Astfel A2 şi-a epuizat resursa, deci x24 = 0.
Centrul de consum B3 mai are nevoie de 10 mii tone, care
vor fi repartizate în căsuţa (3,3), adică
x33 = 10.
Se ia x34 = min{10,10}=10.
S-a obţinut soluţia iniţială de bază, notată cu X0:
50 20
5 5
10 10
cu 6 componente strict pozitive, deci nedegenerată:
x11 = 50 x12 = 20 x13 = 0 x14 = 0
x21 = 0 x22 = 5 x23 = 5 x24 = 0
x31 = 0 x32 = 0 x33 = 10 x34 = 10
Valoarea funcţiei de eficienţă pentru această soluţie este:
f(X0) = 3⋅50 + 2⋅20 + 2⋅5 + 3⋅5 + 2⋅10 + 1⋅10 = 245

2. Metoda costului minim al matricei

Procedeul de repartizare are drept criteriu costul minim. Se
porneşte de la căsuţa (3,4) căreia îi corespunde costul minim egal
cu 1, deci
x34 = min{20,10}=10.
Din resursa A1 rămân 10 mii tone de repartizat, iar
x24 = x14 = 0
(B1) (B2) (B3) (B4)
(A1) 3 2 2 4 70/45/30
30 25 15
(A2) 1 2 3 4 10
10
(A3) 3 5 2 1 20/10
10 10
50/40/10 25 15 10

95
 Se trece la căsuţa cu costul imediat egal sau superior, adică
(2,1), luând
x21 = min{10,50}=10, iar
x22 = x23 = x24 = 0
Se trece la căsuţa (1,2), luând
x12 = min{70,25}=25, iar
x22 = x32 = 0
Se trece la căsuţa (1,3) şi se ia
x13 = min{45,15}=15, iar
x23 = x33 = 0
În căsuţa (1,1) se pune:
x11 = min{30,40}=30, iar x14 = 0.
În final, x31 = min{10,10}=10.
Se obţine soluţia iniţială de bază nedegenerată:

30 25 15
10
10 10

Pentru determinarea soluţiei iniţiale de bază mai există şi

alte metode, cum ar fi: metoda costului minim pe linie, metoda
costului minim pe coloană, etc., aceste metode fiind diferite de
cele expuse doar prin ordinea de abordare a căsuţelor care
urmează a se completa.

3.6.3 Determinarea soluţiei optime a problemei de

transport prin metoda potenţialelor

Metoda potenţialelor se bazează pe următoarea teoremă:

Teorema 3.6.2: Fiecărei componente xij din soluţia de bază îi

corespunde perechea de numere (ui, vj) astfel încât ui + vj = cij.
Pentru variabilele nebazice se notează cij = ui + v j , soluţia optimă
se obţine când toate diferenţele cij − cij ≤ 0 .

96
 Conform acestei teoreme, rezultă următoarele etape de
calcul pentru găsirea soluţiei optime când se cunoaşte o soluţie de
bază:
1. Se rezolvă sistemul:
ui + vj = cij
pentru costurile cij corespunzătoare componentelor nenule
ale soluţiei iniţiale de bază.
2. Se calculează sumele cij şi se efectuează diferenţele cij − cij
pentru costurile cij corespunzătoare componentelor nule ale
soluţiei.
3. Se aplică criteriul de optim:
• dacă toţi cij − cij ≤ 0 , soluţia este optimă;
• dacă există cel puţin un cij − cij > 0 , se alege
max{ cij − cij > 0 } şi se modifică soluţia, formând
ciclul celulei goale, corespunzătoare maximului ales.

Definiţia 3.6.3: Se numeşte ciclu corespunzător unei celule libere

o succesiune de celule ocupate, două câte două alăturate pe
aceeaşi linie, respectiv pe aceeaşi coloană, cu treceri alternative
pe linii şi coloane, succesiunea începând imediat după căsuţa
liberă şi terminându-se în vecinătatea aceleiaşi căsuţe libere.
Într-un ciclu se marchează alternativ cu + şi – celulele,
începând cu celula liberă.
Pentru îmbunătăţirea soluţiei se determină valoarea minimă
θ a valorii xij din căsuţele marcate cu –. Apoi valoarea minimă θ
se adună la valorile xij din căsuţele marcate cu + şi se scade din
valorile xij din căsuţele marcate cu –.
Prin acest procedeu se obţine o soluţie mai bună decât cea
de la care s-a plecat.
Funcţionarea algoritmului se ilustrează pe exemplul 3.6.1,
unde s-a determinat soluţia de bază prin metoda colţului de Nord-
Vest:

97
 3 2 2 4 70
50 20
1 2 3 4 10
5 5
3 5 2 1 20
10 10
50 25 15 10

Se formează sistemul ui + vj = cij pentru fiecare xij din bază:

⎧ u1 + v1 = 3
⎪u + v = 2
⎪ 1 2
⎪u2 + v2 = 2
⎨
⎪u2 + v3 = 3
⎪u3 + v3 = 2
⎪
⎩ u 3 + v4 = 1
Sistemul obţinut este întotdeauna compatibil nedeterminat,
având m + n – 1 = 6 ecuaţii şi m + n = 7 necunoscute. Se alege
v1 = 0 şi se obţin celelalte valori: u1 = 3, v2 = - 1, u2 = 3, v3 = 0,
u3 = 2, v4 = - 1.
Se alcătuieşte un tabel în care se trec valorile cij
corespunzătoare componentelor xij = 0:
vj 0 -1 0 -1
ui
3 3 2
3 3 2
2 2 1

Tabelul corespunzător diferenţelor cij − cij este următorul:

1 -2
2 -2
-1 -4

98
 Întrucât nu toate diferenţele cij − cij ≤ 0 , soluţia de bază nu
este optimă. Se caută max{ cij − cij > 0 }=max{1,2}=2,
corespunzător diferenţei c21 − c21 . Se ia x21 = θ şi se obţine
următorul tabel pentru aflarea ciclului corespunzător celulei (2,1):
50 – θ 20 + θ
θ 5–θ 5
10 10
Având în vedere că noua soluţie de bază trebuie să conţină
numai elemente pozitive, θ = min{5,50}=5. Se obţine astfel
soluţia de bază X1, nedegenerată:
45 25
5 5
10 10
Valoarea funcţiei de eficienţă pentru soluţia X1 este
f(X1) = 3⋅45 + 2⋅25 + 1⋅5 + 3⋅5 + 2⋅10 + 1⋅10 = 235
Se observă că f(X1) < f(X0).
Cu soluţia X1 se procedează la fel ca şi cu soluţia iniţială: se
determină ui şi vj pentru xij > 0 din soluţia de bază X1, prin
rezolvarea sistemului:
⎧ u1 + v1 = 3
⎪u + v = 2
⎪ 1 2
⎪ u 2 + v1 = 1
⎨
⎪u2 + v3 = 3
⎪u3 + v3 = 2
⎪
⎩ u 3 + v4 = 1
Se alege v1 = 0 şi se obţin celelalte valori: u1 = 3, v2 = - 1,
u2 = 1, v3 = 2, u3 = 0, v4 = 1.
Matricea valorilor cij corespunzătoare componentelor xij=0:

99
 vj 0 -1 2 1
ui
3 5 4
1 0 2
0 0 -1

Tabelul corespunzător diferenţelor cij − cij este următorul:

3 0
-2 -2
-3 -6

Deoarece există o diferenţă pozitivă, c13 − c13 = 3 , soluţia X1

nu este optimă. Se ia x13 = θ şi se obţine ciclul din tabelul
următor:
45 – θ 25 θ
5+θ 5–θ
10 10
Noua soluţie se obţine pentru θ = min{5,45}=5. Soluţia X2
este:
40 25 5
10
10 10

Valoarea funcţiei de eficienţă pentru soluţia X2 este

f(X2) = 3⋅40 + 2⋅25 + 2⋅5 + 1⋅10 + 2⋅10 + 1⋅10 = 220.

Cu soluţia X2 se procedează la fel ca şi cu soluţia iniţială: se

determină ui şi vj pentru xij > 0 din soluţia de bază X2,
obţinându-se valorile: u1 = 3, u2 = 1, u3 = 3, v1 = 0, v2 = - 1,
v3 = - 1, v4 = - 2.
Se alcătuieşte tabelul în care se trec valorile cij
corespunzătoare componentelor xij = 0:

100
 vj 0 -1 -1 -2
ui
3 3 2 2 1
1 1 0 0 -1
3 3 2 2 1

Tabelul corespunzător diferenţelor cij − cij este următorul:

-3
-2 -3 -5
0 -3
Întrucât toate diferenţele cij − cij ≤ 0 , soluţia X2 este optimă
şi fmin = f(X2) =220.

3.6.4 Soluţii multiple

Dacă matricea diferenţelor cij − cij corespunzătoare soluţiei

optime nu conţine nici un element strict pozitiv, dar conţine şi alte
diferenţe nule decât cele corespunzătoare variabilelor de bază,
problema mai are şi alte soluţii optime.
De exemplu, în ultimul tabel apare c31 − c31 = 0 , iar x31 nu
este nulă. Aceasta înseamnă că mai există o soluţie optimă care
conţine x31 şi care se obţine din X2 efectuând ciclul lui (3,1):
40 – θ 25 5+θ
10 5–θ
θ 10 – θ 10
Pentru θ = 10 se obţine soluţia optimă X’2:
30 25 15
10
10 10
Valoarea funcţiei de eficienţă pentru soluţia X’2 este
f(X’2) = 3⋅30 + 2⋅25 + 2⋅15 + 1⋅10 + 3⋅10 + 1⋅10 = 220.
Dacă două soluţii X2 şi X’2 ale unei probleme de programare
liniară, în particular, de transport, sunt optime, atunci orice

101
combinaţie liniară convexă a lor este de asemenea o soluţie
optimă pentru problema respectivă. Adică soluţia:
X = λX 2 + (1 − λ ) X 2' , 0 ≤ λ ≤ 1 este optimă.

3.6.5 Degenerarea în problema de transport

Soluţia unei probleme de transport este degenerată dacă are mai

puţin de m + n – 1 valori nenule. Degenerarea apare în problemele
de transport în următoarele situaţii:
• când soluţia iniţială este degenerată;
• pe parcursul algoritmului când valoarea minimă este atinsă
în ambele căsuţe notate cu –.
În ambele situaţii se obţin mai puţine ecuaţii decât m + n – 1, deci
variabilele marginale nu pot fi determinate.
Pentru înlăturarea acestui inconvenient se foloseşte metoda
zerourilor esenţiale. Aceasta constă în transformarea unor căsuţe
libere în căsuţe ocupate cu un 0*, numit zero esenţial. Acest 0* se
pune în căsuţele libere cu costuri minime, care nu formează
cicluri cu căsuţele deja ocupate. În final, numărul total de căsuţe
ocupate trebuie să fie de m + n – 1. Zerourile esenţiale sunt
componente bazice ale soluţiei şi se lucrează cu ele ca şi cu
celelalte componente bazice nenule.

3.6.6 Problema de transport neechilibrată

Cazul cel mai frecvent întâlnit în practică este cel al problemei de

transport neechilibrate, pentru care:
m n
∑ ai ≠ ∑ b j
i =1 j =1
Rezolvarea problemei de transport neechilibrate se face
adăugând fie un centru fictiv de aprovizionare, fie un centru fictiv
de consum, care să preia restul produsului, diferenţa dintre
necesar şi disponibil. Se consideră două cazuri:

102
 m n
1. ∑ ai > ∑ b j , caz în care se introduce un centru Bn+1 de consum,
i =1 j =1
m n
cu necesarul bn +1 = ∑ ai − ∑ b j şi toate costurile ci , n +1 = 0.
i =1 j =1
Problema devine echilibrată, cu m centre de aprovizionare şi n + 1
centre de consum.
Dacă se obţine o soluţie optimă, rezultă că cel puţin o
componentă de pe coloana n + 1 nou adăugată este diferită de
zero, de exemplu xi , n +1 ≠ 0. Aceasta semnifică faptul că în centrul
de aprovizionare Ai rămân netransportate xi , n +1 unităţi de marfă.

m n
2. Dacă în problema dată ∑ ai < ∑ b j , se va introduce un centru
i =1 j =1
fictiv de aprovizionare Am+1 care deţine cantitatea
n m
am +1 = ∑ b j − ∑ ai , toate costurile cm +1, j = 0. Problema devine
j =1 i =1
echilibrată cu m + 1 centre de aprovizionare şi n centre de
consum.
În acest caz, dacă s-a obţinut o soluţie optimă, aceasta
presupune cel puţin o componentă de pe linia m + 1 diferită de
zero, adică xm +1, j ≠ 0. Înseamnă că un centru de consum Bj
rămâne cu necesarul nesatisfăcut, total sau parţial.

3.7 Probleme
3.7.1 Enunţuri

1. Să se rezolve următoarea problemă de programare liniară:

103
 [min ] f = 2 x1 + x2 + x3 + 3 x4 + 2 x5
⎧ x1 + x4 + 2 x5 = 8
⎪
⎨ x2 + 2 x4 + x5 = 12
⎪ x + x + 3 x = 16
⎩ 3 4 5

xi ≥ 0, i = 1,5

2. Să se aducă la forma standard şi să se rezolve problema de

programare liniară :
[max] f = 3x1 + 5 x2 + x3 + 6 x4
⎧ x1 + x3 + 2 x4 ≤ 40
⎪
⎨2 x1 + x2 + 3 x3 ≤ 16
⎪ x + x + 2 x ≤ 48
⎩ 1 2 3

xi ≥ 0, i = 1,4
3. Să se arate că următoarea problemă de programare liniară are
optim infinit:
[max] f = x1 + 2 x2 + 2 x3 + x4
⎧⎪ 1
x1 − x3 + x4 = 1
⎨ 2
⎪⎩ x2 + x3 − x4 = 1
xi ≥ 0, i = 1,4
4. Să se scrie duala următoarei probleme de programare liniară:
[min ] f = 4 x1 + 5 x2 + 6 x3
⎧ x1 + 2 x2 + x3 ≥ 2
⎨
⎩ 2 x1 + x2 + x3 ≥ 1
xi ≥ 0, i = 1,3
5. Un meniu trebuie să conţină cel puţin 0,6 unităţi din substanţa
nutritivă A; 0,9 unităţi din substanţa B; 3 unităţi din substanţa C şi
2,5 unităţi din substanţa D. Aceste substanţe se găsesc în două
alimente M şi N. Să se determine cantităţile x1 şi x2 din alimentele

104
M şi N, astfel încât costul meniului să fie minim, folosind datele
din tabelul de mai jos:
Alimente M N Necesar
Substanţe (x1) (x2) biologic
A 0,15 0 0,6
B 0 0,15 0,9
C 0,15 0,30 3
D 0,30 0,15 2,55
Preţ unitar 10 4 -
6. La o fermă s-a planificat o suprafaţă de 300 ha teren arabil
pentru cultivarea cu grâu şi porumb.
Pentru cultivarea unui hectar de grâu se cheltuieşte în medie
350 lei, iar pentru cultivarea unui hectar de porumb 200 lei.
Se presupune că recolta medie la grâu este de 2500 kg/ha şi
la porumb este de 3250 kg/ha.
Beneficiul obţinut din vânzarea grâului este de 0,80 lei/kg,
iar al porumbului 0,50 lei/kg.
În planul de cheltuieli s-a prevăzut suma de 70 000 lei
pentru ambele culturi.
Se cere să se determine numărul de hectare x1 şi x2 care
trebuie cultivate cu grâu şi respectiv cu porumb, pentru ca
beneficiul total obţinut din vânzarea recoltei să fie maxim.

7. Să se rezolve problema de transport echilibrată, cu datele de

intrare specificate în tabelul următor:

B B1 B2 B3 B4 Disponibil
A
A1 5 7 11 4 400
x11 x12 x13 x14
A2 10 9 5 6 250
x21 x22 x23 x24
A3 7 8 8 9 300
x31 x32 x33 x34

105
Necesar 200 270 330 150 950
950

8. Un întreprinzător deţine două puncte de prelucrare a cărnii de

pui (A1, A2). Produsele finite sunt comercializate în trei centre B1,
B2, B3. În punctul A1 se prelucrează 80% din întreaga cantitate, iar
în A2, restul de 20% din necesarul evaluat pentru o lună.
Cantităţile vândute în cele trei centre sunt de 40%, 30% şi
respectiv 30% din producţia totală. Procentele au fost calculate în
funcţie de puterea de cumpărare a clienţilor din respectivele zone.
Costurile de transport se presupun a fi proporţionale cu lungimile
rutelor şi sunt date în matricea :
⎛ 5 12 7 ⎞
C = ⎜⎜ ⎟⎟
⎝ 6 8 10 ⎠
Să se determine programul optim de transport, cu costurile
minime.

9. În sursele A1, A2, A3 sunt stocate 450, 820, respectiv 530 unităţi
dintr-o marfă care trebuie expediată consumatorilor B1, B2, B3 şi
B4. Cantităţile solicitate sunt 300, 700, 200, respectiv 600 unităţi.
Se cere identificarea unui program de aprovizionare optim sub
aspectul costului, în ipoteza că se mai deţin următoare informaţii :
se poate folosi orice rută ; sunt suficiente capacităţi de transport
pe orice rută. Matricea costurilor unitare :
⎛ 5 8 12 6 ⎞
⎜ ⎟
C = ⎜10 7 11 4 ⎟
⎜ 8 9 9 10 ⎟
⎝ ⎠
are elemente cvasiconstante, stabilite în funcţie de lungimea rutei
şi de tipul de drum.

3.7.2 Răspunsuri

1. x1 = 0, x2 = 8, x3 = 4, x4 = 0, x5 = 4; f min = 20.

106
2. x1 = 0, x2 = 16, x3 = 0, x4 = 20; f max = 200.

3. Soluţia iniţială de bază este x1, x2. După introducerea în bază a

lui x4, se obţine:

cj 1 2 2 1 bj
j ∈Γ Baza Po P1 P2 P3 P4 a jβ
1 P4 2 2 0 -1 1
2 P2 3 2 1 0 0
zk 8 6 2 -1 1
Δk = ck – zk - -5 0 3 0

Singura diferenţă pozitivă este 3, pe coloana lui P3, dar

acesta nu are componente pozitive, deci problema are optim
infinit.

4. Problema duală este:

⎧ y1 + 2 y2 ≤ 4
⎪
(D ) ⎨2 y1 + y2 ≤ 5
⎪ y + y ≤6
⎩ 1 2

y1 ≥ 0, y2 ≥ 0
[max]g = 2 y1 + y2

5. Modelul matematic al problemei este următorul:

⎧ 0,15 x1 ≥ 0,6
⎪ 0,15 x2 ≥ 0,9
⎪
⎨
⎪ 0,15 x1 + 0,3 x2 ≥ 3
⎪⎩0,3 x1 + 0,15 x2 ≥ 2,55
x1 ≥ 0, x2 ≥ 0
[min ] f
= 10 x1 + 4 x2
cu soluţia: x1 = 4; x2 = 9; f min = 76 .

107
6. Modelul matematic al problemei este următorul:
⎧ x1 + x2 = 300
⎨
⎩350 x1 + 200 x2 ≤ 70000
x1 ≥ 0, x2 ≥ 0
[max] f = 2500 ⋅ 0,8 ⋅ x1 + 3250 ⋅ 0,5 ⋅ x2
200 700
cu soluţia: x1 = , x2 = ; f max = 512500
3 3
7. Problema admite următoarea soluţie optimă:

200 50 0 150
0 0 250 0
0 220 80 0

Soluţia nu este unică, altă soluţie optimă este:

170 0 80 150
0 0 250 0
30 270 0 0
Orice combinaţie liniară convexă a celor două soluţii este o
soluţie optimă:
⎛ 200 50 0 150 ⎞ ⎛170 0 80 150 ⎞
⎜ ⎟ ⎜ ⎟
X * = λ⎜ 0 0 250 0 ⎟ + (1 − λ )⎜ 0 0 250 0 ⎟,
⎜ 0 220 80 0 ⎟⎠ ⎜ 30 270 0 0 ⎟⎠
⎝ ⎝
λ ∈ [0,1], f min = 5600.

8. Soluţia optimă este:

x11 = 40, x12 = 10, x13 = 30, x21 = 0, x22 = 20, x23 = 0; f min = 690.

9. Soluţia optimă este:

300 150 0 0
0 550 200 70
0 0 0 530

108
cu fmin = 11410.

109
Capitolul 4

Elemente de analiză matematică

4.1 Funcţii reale de o variabilă reală

4.1.1 Vecinătate a unui punct. Punct de acumulare

Definiţia 4.1.1: Fie x0 ∈ R. Mulţimea: Sr(x0) = {x ∈ R | |x – x0| <

r} se numeşte interval centrat în x0 de rază r.

Definiţia 4.1.2: O mulţime V ⊂ R este o vecinătate a punctului x0

dacă există un interval centrat în x0 inclus în V, x0 ∈ Sr(x0) ⊂ R.

Definiţia 4.1.3: Fie A ⊂ R. Punctul x0 se numeşte punct de

acumulare al mulţimii A dacă orice vecinătate a punctului x0
conţine puncte din A \ {x0}.

4.1.2 Definiţia funcţiei reale de o variabilă reală

Definiţia 4.1.4: Funcţia f : D → R este o funcţie reală de o

variabilă reală dacă oricărui element x (argumentul funcţiei) din
mulţimea D ⊂ R (domeniul de definiţie) îi corespunde un singur
element y din R (codomeniul), astfel încât f(x) = y.

Exemple:

110
 2x + 3
f : R \ {1} → R, f ( x) =
x −1
g : (0, ∞) → R, g ( x) = ln x

4.1.3 Limita unei funcţii într-un punct

Definiţia 4.1.5: Fie funcţia f : D → R şi x0 un punct de acumulare

al domeniului de definiţie D. Spunem că l este limita funcţiei f în
punctul x0 dacă oricare ar fi ε > 0, există δ(ε) > 0, astfel încât
oricare ar fi x din D \ {x0} cu |x – x0 | < δ(ε), rezultă că |f(x) – l| <
ε, ceea ce se scrie : xlim
→x
f ( x) = l .
0

Exemple :

lim (3 x − 8) = −2
x→2

2x + 3
lim =2
x →∞ x − 1

ex −1
lim =1
x →0 x

4.1.4 Continuitatea unei funcţii într-un punct

Definiţia 4.1.6: Fie funcţia f : D → R şi x0 un punct din domeniul

de definiţie D. Spunem că funcţia f este continuă în x0 dacă
lim f ( x) = f ( x0 ).
x → x0

Definiţia 4.1.7: Fie funcţia f : D → R şi A o submulţime a lui D.

Spunem că f este continuă pe A dacă f este continuă în orice punct
al mulţimii A.

Se numesc funcţii elementare următoarele funcţii:

Funcţia putere: f : R → R f(x) = xn

111
Funcţia radical: f : D → R , unde D = R+ pentru n par, D = R
pentru n impar, f ( x) = n x .
Funcţia exponenţială: f : R → R f(x) = ax , a > 0, a ≠ 1.
Funcţia logaritmică: f : (0, ∞) → R, f ( x) = log a x, a > 0, a ≠ 1.
Funcţiile trigonometrice.
Funcţiile trigonometrice inverse.

Funcţiile elementare sunt continue pe domeniul de definiţie.

Suma, produsul, compusa a două sau mai multe funcţii elementare
sunt de asemenea continue pe domeniul de definiţie.

4.1.5 Derivabilitatea unei funcţii într-un punct

Definiţia 4.1.8: Fie funcţia f : D → R şi x0 un punct din domeniul

de definiţie D. Spunem că funcţia f este derivabilă în punctul x0
dacă există şi este finită limita:
f ( x) − f ( x0 )
lim = f ' ( x0 ).
x→ x0 x − x0

Definiţia 4.1.9: Fie funcţia f : D → R şi A o submulţime a lui D.

Spunem că f este derivabilă pe A dacă f este derivabilă în orice
punct al mulţimii A.

Formule de derivare

c'= 0 ( x n )' = nx n −1 ( xα )' = nxα −1 (a x )' = a x ln a

1 1
ln' x = log 'a x = sin' x = cos x cos' x = − sin x
x x ln a
1 1
tg ' x = ctg ' x = −
cos 2 x sin 2 x

( f + g )' = f '+ g ' ( f ⋅ g )' = f '⋅ g + f ⋅ g '

112
 ′
⎛f⎞ f '⋅g − f ⋅ g '
⎜⎜ ⎟⎟ = ( f (u ))′ = f ' (u ) ⋅ u '
⎝g⎠ g2

Derivate de ordin superior

Derivata a doua a funcţiei f , dacă există, este derivata primei

derivate: f ' ' = ( f ')'
′
(
Derivata de ordin n a funcţiei f : f (n ) = f (n −1) . )
Puncte de extrem

Definiţia 4.1.10: Fie funcţia f : D → R şi x0 un punct din

domeniul de definiţie D. Spunem că x0 este punct de maxim local
(minim local) dacă există o vecinătate V a lui x0 astfel încât
oricare ar fi x din V∪ D, f(x) ≤ f(x0) (f(x) ≥ f(x0)). Punctele de
maxim sau minim local se numesc puncte de extrem local.

Teorema 4.1.11: (Fermat) Fie funcţia f : D → R derivabilă pe

domeniul de definiţie D. În punctele de extrem local derivata
funcţiei se anulează.

Definiţia 4.1.12: Fie funcţia f : D → R şi I un interval inclus în

domeniul D. Spunem că:
f este strict crescătoare pe I dacă oricare ar fi x1 şi x2 din I cu
x1<x2, f(x1) < f(x2);
f este strict descrescătoare pe I dacă oricare ar fi x1 şi x2 din I cu
x1<x2, f(x1) > f(x2);
f este monoton crescătoare pe I dacă oricare ar fi x1 şi x2 din I cu
x1<x2, f(x1) ≤ f(x2);
f este monoton descrescătoare pe I dacă oricare ar fi x1 şi x2 din I
cu x1<x2, f(x1) ≥ f(x2).
O astfel de funcţie se numeşte monotonă pe I.

113
Teorema 4.1.13 : Fie funcţia f : D → R derivabilă şi I un interval
inclus în domeniul D. Atunci:
f este strict crescătoare pe I dacă şi numai dacă f’(x)>0, pentru
oricare x din I;
f este strict descrescătoare pe I dacă şi numai dacă f’(x)<0,
pentru oricare x din I;
f este monoton crescătoare pe I dacă şi numai dacă f’(x)≥0,
pentru oricare x din I;
f este monoton descrescătoare pe I dacă şi numai dacă f’(x)≤0,
pentru oricare x din I.

Formula lui Taylor

Teorema 4.1.14: Dacă f : I → R este de n+1 ori derivabilă pe I, a

este un număr din I, atunci există un număr c cuprins între a şi
x∈I, astfel încât are loc relaţia:

f ( x) = f ( a ) +
x−a
f ' (a) +
( x − a)
2
f ' ' (a) + ... +
( x − a ) (n)
n
f ( a ) + Rn
1! 2! n!

Rn =
( x − a)
n +1
f ( n +1) (c), restul sub forma lui Lagrange.
(n + 1)!

Observaţii:
Formula aproximează oricât de bine valoarea f(x) a unei funcţii
printr-un polinom.
Cu cât n este mai mare, restul devine mai mic şi aproximaţia mai
bună.
Cu cât x este mai aproape de a, aproximaţia este mai bună.
Pentru a = 0 se obţine formula lui MacLaurin.

Exemplul 4.1.15:
Fie f : R → R, f ( x ) = e x , a=0.
f (n ) ( x ) = e x , f (n ) (0) = 1, ∀n ∈ N .
Se obţine:

114
 x x x2 xn
e = 1+ + + ... + + Rn
1! 2! n!

Exemplul 4.1.16:
Fie f : (− 1, ∞ ) → R, f ( x ) = ln(1 + x ), a = 0.

f (n ) ( x ) =
(− 1) (n − 1)! ,
n −1
∀n ∈ N * , deci:
(1 + x )n
f (n ) (0 ) = (− 1) (n − 1)!
n −1

Se obţine:
x x2 x3 n −1 x
n
ln(1 + x) = − + − ... + (−1) + Rn
1 2 3 n

Exemplul 4.1.17:
Fie f : R → R, f ( x ) = sin x, a = 0
⎧ 0, pentru n = 2k
f ( n ) ( 0) = ⎨ k
⎩(−1) , pentru n = 2k + 1
2 n −1
x x3 x5 n x
sin x = − + − ... + (−1) +R
1! 3! 5! (2n − 1)! n

4.2 Funcţii reale de mai multe variabile reale

4.2.1 Mulţimi şi puncte din Rn. Vecinătăţi

Rn = {x = (x1, x2, ..., xn) | xi ∈ R, ∀i = 1, ..., n}

Rn este un spaţiu vectorial real.

Definiţia 4.2.1: Aplicaţia d : Rn x Rn → R+ se numeşte distanţă

dacă:
1. d(x, y) ≥ 0, ∀(x, y) ∈ Rn x Rn, d(x, y) = 0 dacă şi numai
dacă x = y;
2. d(x, y) = d(y, x);

115
 3. d(x, z)≤ d(x, y) + d(y, z).

Exemplul 4.2.2:
Dacă x = (x1, x2, ..., xn) şi y = (y1, y2, ..., yn) sunt elemente din Rn,
atunci d(x, y) verifică axiomele distanţei, unde:
n
d ( x, y ) = ∑ ( x i − y i )
2

i =1
Pentru n = 1 d(x, y) = |x – y|
Pentru n = 2 d ( x, y ) = (x1 − x2 )2 + ( y1 − y 2 )2
Definiţia 4.2.3: Fie x0 un element din Rn şi r > 0. Mulţimea
Sr(x0) = {x ∈ Rn | d(x, x0) < r} se numeşte sferă deschisă cu
centrul în x0 şi de rază r (sau hipersferă).

Definiţia 4.2.4: O mulţime V ⊂ Rn este o vecinătate a punctului xo

există o sferă deschisă cu centrul în xo inclusă în V.

Definiţia 4.2.5: Fie A ⊂ Rn. Punctul x0 se numeşte punct de

acumulare al mulţimii A dacă orice vecinătate a punctului xo
conţine puncte din A \ {xo}.

4.2.2 Funcţii de două variabile

Definiţia 4.2.6: Fie R2 = {x = (x1, x2) | x1, x2 ∈ R}, A ⊂ R2 .

Funcţia f : A → R este o funcţie reală de două variabile reale.

Exemple 4.2.7:

a) Funcţia de eficienţă f(x,y) = c1x + c2y, x,y ≥ 0 dintr-o problemă

de programare liniară.
b) Fie p preţul de cost pentru produsul X în unităţi date, v venitul
mediul al unui consumator şi x cantitatea din produsul X cerută pe

116
piaţă în unităţi date. Atunci x este o funcţie de p şi v, care poate fi
scrisă ca o funcţie de două variabile: x = f(p,v), unde p,v > 0.
c) Notând cu V venitul naţional, cu x orele de muncă productivă
prestate, cu y fondurile fixe angajate în producţie, se poate scrie
funcţia de două variabile: V(x,y) = kxαyβ, unde k, α, β sunt
constante, iar x > 0, y > 0. Această funcţie se numeşte funcţia de
producţie de tip Coob-Douglas.

4.2.3 Limite şi continuitate pentru funcţii de două

variabile

Definiţia 4.2.8: Fie A ⊂ R2, funcţia f : A → R şi punctul (a,b),

punct de acumulare al mulţimii A. Spunem că l este limita funcţiei
f în punctul (a,b) dacă oricare ar fi ε > 0, există δ(ε) > 0, astfel
încât oricare ar fi (x,y) din A \ {(a,b)} cu |x – a | < δ(ε) şi |y – b | <
δ(ε), rezultă că |f(x,y) – l| < ε, ceea ce se scrie lim f ( x, y ) = l.
x →a
y →b
Exemple 4.2.9 :

lim
( x , y )→(2,1
)
(x 2
)
+ xy + y 2 = 7
sin xy sin xy
lim = lim y =2
( x , y )→(0, 2 ) x ( x , y )→(0, 2 ) xy

Definiţia 4.2.10: Fie A ⊂ R2 şi funcţia f : A → R. Spunem că

funcţia f este continuă în punctul (a,b) ∈ A dacă
lim f ( x, y ) = f (a, b ).
x →a
y →b

Exemplul 4.2.11 :
Să se studieze continuitatea funcţiei f : R 2 → R în punctul (0,0) :

117
 ⎧ 1 − 1 + x2 + y2
⎪
f ( x, y ) = ⎨ , ( x, y ) ≠ (0,0 )
x2 + y2
⎪0, ( x, y ) = (0,0)
⎩
Funcţia nu este continuă în (0,0) pentru că:

1- 1+ x2 + y2
lim f ( x, y ) = lim =
( x , y )→ ( 0 , 0 ) ( x , y )→ ( 0 , 0 ) x2 + y2
1 − 1 − x2 − y2
)( )
= lim =
( x , y )→ ( 0 , 0 ) (x 2 2
+ y 1+ 1+ x + y 2 2

− (x + y )2 2

) (x + y )(1 + 1 + x )=
= lim
( x , y )→ ( 0 , 0 2 2 2
+ y2
−1 1
= lim = − ≠ f (0,0 )
( x , y )→ ( 0 , 0 ) 1 + 1 + x 2 + y 2 2

Definiţia 4.2.12: Fie funcţia f : D → R şi A o submulţime a lui

D⊂R2. Spunem că f este continuă pe A dacă f este continuă în
orice punct al mulţimii A.

4.2.4 Derivate parţiale

Definiţia 4.2.13: Fie A ⊂ R2 , funcţia f : A → R, şi (a,b) ∈ A.

Spunem că funcţia f este derivabilă parţial în raport cu x în
punctul (a,b) dacă există şi este finită limita:
f ( x, b ) − f (a, b ) ∂f (a, b )
lim = f x' (a, b ) = .
x →a x−a ∂x
f’x(a,b) se numeşte derivata parţială de ordinul întâi a funcţiei f în
raport cu variabila x în punctul (a,b).

Definiţia 4.2.14: Fie A ⊂ R2 , funcţia f : A → R, şi (a,b) ∈ A.

Spunem că funcţia f este derivabilă parţial în raport cu y în
punctul (a,b) dacă există şi este finită limita:

118
 f (a, y ) − f (a, b ) ∂f (a, b )
lim = f y' (a, b ) = .
y →b y −b ∂y

Observaţie: Când se calculează derivata parţială în raport cu x,

variabila y este considerată constantă şi se derivează ca şi când ar
fi o singură variabilă x. Dacă funcţia are mai multe variabile, toate
celelalte în afara celei cu care se lucrează se consideră constante.

Derivatele parţiale f’x şi f’y sunt funcţii de variabile x şi y. Dacă

există, derivatele parţiale de ordinul doi sunt următoarele:
∂ ⎛ ∂f ( x, y ) ⎞ ∂ 2 f ( x, y )
( '
)
f x ( x, y ) x = f x ( x, y ) = ⎜
' ''
2

∂x ⎝ ∂x ⎠
⎟=
∂x 2
∂ ⎛ ∂f ( x, y ) ⎞ ∂ 2 f ( x, y )
(f x
'
( x, y ))y
'
= f ( x, y ) = ⎜
''
xy
∂y ⎝ ∂x ⎠
⎟=
∂x∂y
∂ ⎛ ∂f ( x, y ) ⎞ ∂ 2 f ( x, y )
(f y
'
(x, y ))x
'
= f ( x, y ) = ⎜⎜
''
yx
∂x ⎝ ∂y ⎟⎠
⎟=
∂y∂x
∂ ⎛ ∂f ( x, y ) ⎞ ∂ 2 f ( x, y )
( y
'
)
f ( x, y ) y = f ( x, y ) = ⎜⎜
' ''
y2
∂y ⎝ ∂y ⎟⎠
⎟=
∂y 2
Exemplul 4.2.15:
Fie funcţia
f : R2 → R
f ( x, y ) = 4 x 3 y 2 + 5 x 2 y 2 − 2 x + 3 y + 1
f x' ( x, y ) = 12 x 2 y 2 + 10 xy 2 − 2
f y' ( x, y ) = 8 x 3 y + 10 x 2 y + 3
f x'' ( x, y ) = 24 xy 2 + 10 y 2
2

f xy'' ( x, y ) = 24 x 2 y + 20 xy
f yx'' ( x, y ) = 24 x 2 y + 20 xy
f y'' ( x, y ) = 8 x 3 + 10 x 2
2

119
Exemplul 4.2.16 :
Fie funcţia
f : R 2 \ {(0,0 )} → R
(
f ( x, y ) = ln x 2 + 3 y 2 )
2x
f x' ( x, y ) = 2
x + 3y2
6y
f y' ( x, y ) = 2
x + 3y2

f ''
( x, y ) = (
2 x2 + 3y2 − 4x2 ) =
− 2x2 + 6 y2
x2
(x
+ 3y 2 2 2
) (x 2
+ 3y2 )
2

− 2x ⋅ 6 y 12 xy
f xy'' ( x, y ) = =−
(x 2
+ 3y2 )2
(x 2
+ 3y2 )2

− 6 y ⋅ 2x 12 xy
f yx'' ( x, y ) = =−
(x + 3 y ) (x + 3 y )
2 2 2 2 2 2

( x, y ) = 6(x + 3 y ) − 6 y ⋅ 6 y = 6 x − 18 y
2 2 2 2
''
f y2
(x + 3 y ) 2
(x + 3 y )
2 2 2 2 2

Criteriul lui Schwarz: Dacă funcţia f : A ⊂ R2 → R are derivate

parţiale mixte de ordinul doi într-o vecinătate V a punctului
(a,b)∈A şi dacă sunt continue în (a,b), atunci are loc relaţia:
f’’xy(a,b) = f’’yx(a,b).

4.2.5 Funcţii diferenţiabile

Fie funcţia f : A ⊂ R2 → R şi punctul (a,b) ∈ intA.

Definiţia 4.2.17: Funcţia f este diferenţiabilă în punctul (a,b) dacă

există două numere λ şi μ şi dacă există o funcţie ω : V(a,b) → R
continuă şi nulă în (a,b) astfel încât, pentru orice (x,y) din A are
loc relaţia:

120
f ( x, y ) − f (a, b ) = λ ( x − a ) + μ ( y − b ) + ω ( x, y ) ( x − a ) + ( y − b )
2 2

Teorema 4.2.18: Dacă funcţia f este diferenţiabilă în punctul

(a,b), atunci admite derivate parţiale de ordinul întâi în (a,b) şi
λ = f’x(a,b) şi μ = f’y(a,b).

Definiţia 4.2.19: Expresia liniară:

df(x,y,a,b) = (x – a) f’x(a,b) + (y – b) f’y(a,b)
se numeşte diferenţiala funcţiei f în punctul (a,b).

Dacă ϕ(x,y) = x şi ψ(x,y) = y, atunci :

dϕ(x,y) = dx = x – a şi dψ(x,y) = dy = y – b.
dx şi dy se numesc diferenţialele variabilelor independente.

Diferenţiala funcţiei f se mai poate scrie:

∂f ∂f
df = dx + dy
∂x ∂y
Exemplul 4.2.20 :
f : R 2 → R, f ( x, y ) = xe x + y , punctul (1,1)
2 2

f x' ( x, y ) = e x + y2 + y2
, f x' (1,1) = 3e 2
2

+ 2x 2e x
2

f y' ( x, y ) = 2 xye x + y2
, f y' (1,1) = 2e 2
2

df ( x, y,1,1) = 3e 2 dx + 2e 2 dy

Diferenţialele de ordin superior se definesc în mod recurent prin

relaţia: dnf = d(dn-1f).

Diferenţiala de ordin doi :

2 ∂2 f 2 ∂2 f ∂2 f 2
d f = 2 dx + 2 dxdy + 2 dy
∂x ∂x∂y ∂y
În general :
(n )
⎛∂ ∂ ⎞
d f = ⎜⎜ dx + dy ⎟⎟
n
f ( x, y )
⎝ ∂x ∂y ⎠

121
4.2.6 Interpretări economice ale derivatelor parţiale

Fie funcţia f : Rn → R care admite derivate parţiale de ordinul

întâi.

a) Se numeşte valoare marginală sau viteza de variaţie a lui f în

raport cu variabila xi derivata parţială a acesteia în raport cu xi :
∂f ( x1 , x 2 ,..., x n )
VM ( f , xi ) =
∂xi
b) Se numeşte ritm de variaţie a lui f în raport ca variabila xi
expresia :
1 ∂f ( x1 , x 2 ,..., x n ) VM ( f , xi )
R ( f , xi ) = =
f ∂xi f
c) Se numeşte elasticitate a lui f în raport cu variabila xi expresia :
x ∂f ( x1 , x 2 ,..., x n ) xi
E ( f , xi ) = i = ⋅ VM ( f , xi )
f ∂xi f
De exemplu, piaţa de mărfuri funcţionează conform legii
cererii şi ofertei. Derivata parţială a unei funcţii care depinde de
preţurile mărfurilor arată variaţiile cererii când unul dintre preţuri
variază. Dacă derivata este negativă, ea indică viteza cu care
scade cererea pentru marfa xi când preţul ei creşte.
Elasticitatea dă o informaţie mai completă a variaţiei cererii
în raport cu preţul, reprezentând viteza descreşterii relative a
cererii pentru o creştere relativă a preţului.

4.2.7 Derivatele funcţiilor compuse

Teorema 4.2.21: Dacă funcţiile u, v : X → R, X ⊂ R au derivate

continue pe X, dacă funcţia f(u,v) definită pe Y ⊂ R2 are derivate
parţiale continue pe Y, atunci funcţia compusă
F(x) = f(u(x),v(x)) are derivată continuă pe X, dată de formula:

122
 dF ∂f du ∂f dv
F ' (x ) = = ⋅ + ⋅ .
dx ∂u dx ∂v dx

Teorema 4.2.22: Dacă funcţiile u, v : X → R, X ⊂ R2 au derivate

continue pe X, dacă funcţia f(u,v) definită pe Y ⊂ R2 are derivate
parţiale continue pe Y, atunci funcţia compusă
F(x,y) = f(u(x,y),v(x,y)) are derivate parţiale continue pe X, date
de formulele:
∂F ∂f ∂u ∂f ∂v
= ⋅ + ⋅
∂x ∂u ∂x ∂v ∂x
∂F ∂f ∂u ∂f ∂v
= ⋅ + ⋅
∂y ∂u ∂y ∂v ∂y

Exemplul 4.2.23 :
F(x) = f(x2+3x, cosx), x ∈ R. u = x2+3x, v = cosx.
dF ∂f du ∂f dv ∂f ∂f
F ' (x ) = = ⋅ + ⋅ = (2 x + 3) − sin x
dx ∂u dx ∂v dx ∂u ∂v

Exemplul 4.2.24:
F(x,y) = f(x2 – y2, x + y), u = x2 – y2, v = x + y.

∂F ∂f ∂u ∂f ∂v ∂f ∂f
= ⋅ + ⋅ = 2x +
∂x ∂u ∂x ∂v ∂x ∂u ∂v
∂F ∂f ∂u ∂f ∂v ∂f ∂f
= ⋅ + ⋅ = −2 y +
∂y ∂u ∂y ∂v ∂y ∂u ∂v

4.2.8 Formula lui Taylor pentru funcţii de două

variabile

Se consideră funcţia f : A ⊂ R2 → R şi (a,b) un punct interior lui

A. Se presupune că f este diferenţiabilă de cel puţin n + 1 ori în
(a,b) şi că ordinea în care se derivează nu contează (derivatele
mixte de acelaşi ordin sunt egale).

123
 Fie funcţia : F(t) = f(a + t(x – a), b + t(y – b) ), unde (a,b),
(x,y) ∈ A, t ∈ [0, 1]
Pentru t = 0, F(0) = f(a,b), iar pentru t = 1, F(1) = f(x,y). Se
aplică funcţiei F(t) formula Mac Laurin pentru funcţiile de o
variabilă :
1 1 1
F (1) = F (0 ) + F ' (0 ) + F ' ' (0 ) + ... + F ( n ) (0) + Rn
1! 2! n!
1
Rn = F (n +1) (c ), 0 < c < 1.
(n + 1)!
Pentru calculul derivatelor F(m)(0) se foloseşte formula de
derivare a funcţiilor compuse.
F(t) = f(x(t),y(t)), unde x(t) = a + t(x – a), y(t) = b + t(y – b)
(m )
⎛∂ ∂ ⎞
m
d F (t ) = ⎜⎜ dx + dy ⎟⎟ f ( x(t ), y (t )) =
⎝ ∂x ∂y ⎠
(m )
⎛ ∂ ∂⎞
= ⎜⎜ ( x − a ) + ( y − b ) ⎟⎟ f ( x(t ), y (t ))dt m
⎝ ∂x ∂y ⎠
(m )
⎛ ∂ ∂⎞
F (m ) (0 ) = ⎜⎜ ( x − a ) + ( y − b ) ⎟⎟ f ( a, b)
⎝ ∂x ∂y ⎠

Formula lui Taylor pentru funcţia f(x,y) în punctul (a,b) este :

1⎛ ∂ ∂ ⎞
f ( x, y ) = f (a, b) + ⎜⎜ dx + dy ⎟⎟ f (a, b) +
1! ⎝ ∂x ∂y ⎠
(2 )
1⎛ ∂ ∂ ⎞
+ ⎜⎜ dx + dy ⎟⎟ f (a, b) + ... +
2! ⎝ ∂x ∂y ⎠
(n )
1⎛ ∂ ∂ ⎞
+ ⎜⎜ dx + dy ⎟⎟ f ( a, b) + Rn
n! ⎝ ∂x ∂y ⎠
(n +1)
1 ⎛∂ ∂ ⎞
Rn = ⎜⎜ dx + dy ⎟⎟ f (a + θ ( x − a ), b + θ ( y − b )), θ ∈ (0,1)
(n + 1)! ⎝ ∂x ∂y ⎠

124
4.2.9 Extremele funcţiilor de două variabile

Fie funcţia f : A ⊂ R2 → R şi (a,b) un punct al lui A.

Definiţia 4.2.25: Punctul (a,b) este un punct de maxim local
(respectiv minim local) dacă există o vecinătate V a lui (a,b) astfel
încât oricare ar fi (x,y) din V are loc inegalitatea f(x,y) ≤ f(a,b)
(respectiv f(x,y) ≥ f(a,b)). Aceste puncte se numesc puncte de
extrem local.

Teorema 4.2.26: Dacă funcţia f : A ⊂ R2 → R are un extrem local

în (a,b) şi admite derivate parţiale pe o vecinătate a punctului
(a,b), atunci derivatele parţiale în acest punct sunt nule, adică
f’x(a,b) = f’y(a,b) =0.

Observaţie : reciproca nu este în general adevărată.

Definiţia 4.2.27: Un punct (a,b) pentru care f’x(a,b) = f’y(a,b) =0

se numeşte punct staţionar.

Nu toate punctele staţionare sunt puncte de extrem. Cele care nu

sunt puncte de extrem se numesc puncte şa.

Se consideră formula lui Taylor sub forma :

1
( )
Δf = f ( x, y ) − f (a, b) = ( x − a ) f x' + ( y − b ) f y' (a, b ) +
1!
1
2!
( 2
2
2
2 )
+ ( x − a ) f x'' + 2( x − a )( y − b ) f xy'' + ( y − b ) f y'' (a, b ) + R3
Se studiază termenul al doilea care dă semnul diferenţei :
1 ⎡
2 ⎛ x−a⎞
2
⎛ x−a⎞ ⎤
T2 = ( y − b ) ⎢⎜⎜ ⎟⎟ r + 2⎜⎜ ⎟⎟ s + t ⎥
2! ⎢⎣⎝ y − b ⎠ ⎝ y −b⎠ ⎥⎦
unde f x'' (a, b ) = r f xy'' (a, b ) = s f y'' (a, b ) = t
2 2

⎛x−a⎞
fie z = ⎜⎜
y − b
⎟⎟ T2 =
1
2!
[
( y − b )2 z 2 r + 2 zs + t ]
⎝ ⎠

125
T2 are semn constant dacă Δ = s2 – rt < 0. În acest caz :
Dacă r > 0, f(x,y) ≥ f(a,b), punct de minim
Dacă r < 0, f(x,y) ≤ f(a,b), punct de maxim.

Dacă Δ = s2 – rt > 0 punctul (a,b) este punct şa

Dacă Δ = s2 – rt = 0 nu se poate trage nici o concluzie.

Exemplul 4.2.28 :
Să se determine punctele de extrem ale funcţiei :
f : R2 → R, f(x,y) = x3 + y3 + 3xy
f x' ( x, y ) = 3 x 2 + 3 y = 0 ⎫⎪
⎬ ⇒ A(0,0), B (−1,−1)
f y' ( x, y ) = 3 y 2 + 3 x = 0⎪⎭
f x'' ( x, y ) = 6 x f xy'' ( x, y ) = 3 f y'' ( x, y ) = 6 y
2 2

Pentru punctul A(0,0): r = 0, s = 3 şi t = 0, deci Δ = 9 > 0, deci A

este punct şa.
Pentru punctul B(-1,-1): r = - 6, s = 3 şi t = - 6, deci Δ = 9 – 36 =
27 < 0, iar r < 0, deci B este punct de maxim local.

4.2.10 Extreme pentru funcţii de mai multe variabile

Fie funcţia f : A ⊂ Rn → R şi a = (a1,a2, ...,an) un punct interior al

lui A.
O condiţie necesară ca Δf = f(x1,x2,...,xn) – f(a1,a2, ...,an) să aibă
semn constant este:
f x' ( x1 , x2 ,..., xn ) = f x' ( x1 , x2 ,..., xn ) = ... = f x' ( x1 , x2 ,..., xn ) = 0
1 2 n

Semnul termenului de gradul II este dat de un şir de determinanţi

extraşi din matricea lui Hesse sau matricea hessiană :

126
 ⎛ f x'' f x'' x ... f x'' x ⎞
⎜ ⎟
2
1 1 2 1 n

⎜ f x'' x f x'' ... 2

''
fx x ⎟
H (a1 , a2 ,..., an ) = ⎜ 2 1 2 2
⎟
n

⎜ ... ... ... ... ⎟

⎜ f x'' x f x'' x ... f x'' ⎟⎠
⎝ n 1 n 2
2
n

Se consideră minorii :
f x'' f x'' x
= det (H )
2
''
Δ1 = f x , Δ 2 = ''
2
1
, ..., Δ n
1 2

1
fx x 2
f x''1
2
2

Se pot obţine cazurile :

a) Toţi determinanţii Δ1, Δ2, ..., Δn calculaţi într-un punct
staţionar sunt pozitivi. Atunci punctul staţionar este punct de
minim.
b) Semnele determinanţilor alternează, începând cu minus. Atunci
punctul staţionar este punct de maxim.
c) Dacă semnele determinanţilor nu respectă nici una dintre
regulile de mai sus, punctul considerat nu este de extrem.

Exemplul 4.2.29 :
Să se determine punctele de extrem ale funcţiei :
f(x,y,z) = x2 + y2 + z2 – 4x + 2y
f x' = 2 x − 4; f y' = 2 y + 2; f z' = 2 z
⎧2x − 4 = 0
⎪
⎨2 y + 2 = 0 A(2,−1,0)
⎪ 2z = 0
⎩
f x'' = f y'' = f z'' = 2
2 2 2

f xy'' = f xz'' = f yz'' = 0

⎛ 2 0 0⎞
⎜ ⎟
H = ⎜0 2 0⎟
⎜ 0 0 2⎟
⎝ ⎠
Δ1 = 2, Δ 2 = 4, Δ 3 = 8

127
Rezultă că punctul A(2,-1,0) este punct de minim, valoarea
minimă a funcţiei fiind f(2,-1,0) = - 5.

4.3 Ajustarea datelor numerice

În general, un fenomen economic este deosebit de complex,

depinzând de mai mulţi factori a căror influenţă determină
modelarea sa matematică printr-o funcţie de mai multe variabile.
Evoluţia fenomenului luat în studiu este observată din punct
de vedere practic, obţinându-se şiruri de date care constituie
informaţii asupra fenomenului în desfăşurarea sa concretă. Aceste
date furnizează informaţia asupra legăturii ce există între
variabilele independente ale fenomenului, ceea ce din punct de
vedere matematic revine la găsirea dependenţei funcţionale, a
formei analitice. Datele observate comportă de obicei erori, atât
accidentale, datorate impreciziei măsurării, cât şi sistematice,
datorate unor defecţiuni sau dereglări în procesul de măsurare.

4.3.1 Problema

Se cunosc datele numerice culese din activitatea practică:

x x1 x2 ... xn
y y1 y2 ... yn

Pentru a descrie cât mai fidel fenomenul cercetat, se caută o

funcţie cât mai apropiată de valorile obţinute experimental şi care
să furnizeze indicaţii asupra trendului, adică asupra tendinţei de
desfăşurare a fenomenului studiat.
Scopul este de a determina funcţia f(x), astfel încât să se
obţină diferenţe cât mai mici între valorile observate yi
corespunzând valorilor xi şi valorile f(xi).

128
4.3.2 Metoda centrelor de greutate

Această metodă se aplică în cazul în care punctele se aşează

aproximativ în linie dreaptă.
Se împart punctele în două clase A şi B ce conţin r,
respectiv n – r puncte.

B
A

Se determină coordonatele centrului de greutate pentru clasa A,

respectiv B:
1 r 1 r
x A = ∑ xi , y A = ∑ yi ,
r i =1 r i =1
1 n 1 n
xB = ∑ i Bx , y = ∑ yi .
n − r i = r +1 n − r i = r +1

Se scrie ecuaţia dreptei prin două puncte:

x y 1
xA yA 1 = 0
xB y B 1
Funcţia căutată este f(x) = y.

129
4.3.3 Metoda celor mai mici pătrate

Procedeul constă în determinarea parametrilor ai ai funcţiei

y = f (x, a1, a2, ..., ap), astfel încât următoarea sumă să fie minimă:
S (a1 , a2 ,..., a p ) = ∑ [yk − f (xk , a1 , a2 ,..., a p )] wk
n
2

k =1
unde xk şi yk sunt valorile determinate experimental, iar wk sunt
ponderi.

Funcţia S este o funcţie de p variabile reale. Pentru

determinarea punctelor de minim local se determină punctele
staţionare din sistemul de ecuaţii:
∂S ∂S ∂S
= 0, = 0, ..., =0
∂a1 ∂a 2 ∂a p

Se consideră wk = 1, iar f(x) = y = ax + b, dreapta de

regresie.
n
S (a, b ) = ∑ (ax k + b − y k )
2

k =1
Rezultă sistemul:
⎧ ∂S (a, b ) n

⎪ ∂a = 2 ∑ (axk + b − y k ) ⋅ x k = 0
k =1
⎨ ∂S (a, b ) n
⎪ = 2 ∑ (ax k + b − y k ) = 0
⎩ ∂b k =1
adică:

⎧⎛ n 2 ⎞ ⎛ n ⎞ n
∑ x a + ∑ x
⎪⎪⎜⎝ k =1 k ⎟⎠ ⎜⎝ k =1 k ⎟⎠b = ∑ xk y k
k =1
⎨
⎪ ⎛ n x ⎞a + nb = n y
⎪⎩ ⎜∑ k ⎟ ∑ k
⎝ k =1 ⎠ k =1
1 n 1 n
Se notează: x = ∑ x k , y = ∑ y k
n k =1 n k =1
Soluţia este:

130
 ∑ (x ) ∑ xk (yxk − x y k )
n n
k − x yk
k =1 k =1
a= , b=
∑ (x k − x ) ∑ (x k − x )
n 2 n 2

k =1 k =1
Exemplul 4.3.1:
În ultimele trei luni, la un magazin, vânzările au fost (în mii
unităţi monetare):

luna 1 2 3
valoarea 10 15 21
Să se determine dreapta de regresie şi să se estimeze valoarea
vânzărilor în luna următoare.
46
x = 2; y =
3
a=
(1 − 2) ⋅ 10 + (2 − 2) ⋅ 15 + (3 − 2) ⋅ 21 = 11
(1 − 2)2 + (2 − 2)2 + (3 − 2)2 2
⎛ 46 ⎞ ⎛ 46 ⎞ ⎛ 46 ⎞
1 ⋅ ⎜ − 2 ⋅ 10 ⎟ + 2 ⋅ ⎜ ⋅ 2 − 2 ⋅ 15 ⎟ + 3 ⋅ ⎜ ⋅ 3 − 2 ⋅ 21⎟
b= ⎝
3 ⎠ ⎝ 3 ⎠ ⎝ 3 ⎠ = 13
(1 − 2)2 + (2 − 2)2 + (3 − 2)2 3
11 13
f (x) = x + ; f (4) = 26,33
2 3

4.4 Integrale generalizate

4.4.1 Integrala Riemann

Fie intervalul [a, b] inclus în R.

Definiţia 4.4.1: Se numeşte diviziune a intervalului [a, b] un
sistem finit de puncte D = (xo, x1, ..., xn), unde xi sunt din [a, b],
xi < xi+1, xo = a, xn = b.

xi se numesc puncte de diviziune.

Se notează D[a,b] mulţimea tuturor diviziunilor intervalului [a, b] .

131
Se numeşte norma diviziunii D: D = max( xi − xi −1 )
1≤i ≤ n
Fie f : [a, b] → R, ξ i ∈ [xi −1 , xi ], i ∈ 1, n puncte intermediare.
Se numeşte suma Riemann asociată funcţiei f, diviziunii D şi
punctelor intermediare ξ i :
n
σ D ( f , ξ i ) = ∑ f (ξ i )( xi − xi −1 )
i =1
Definiţia 4.4.2: Fie f : [a, b] → R. Se spune că f este integrabilă
Riemann pe [a,b] dacă oricare ar fi şirul de diviziuni
( )
Dn = x0(n ) , x1(n ) ,..., x k(n ) ∈ D[a ,b ] , n ∈ N *, Dn → 0 şi oricare ar fi
[ ]
n

sistemul de puncte intermediare ξ in ∈ xin−1 , xin , i = 1, k n , şirul

( ( ))
sumelor Riemann σ D f , ξ in n este convergent la acelaşi număr
n

b
real I = ∫ f ( x )dx .
a

Observaţie: Integrala Riemann este definită pe un interval

mărginit, iar funcţia care se integrează este de asemenea
mărginită.

4.4.2 Integrale improprii

Definiţia 4.4.3: Fie funcţia f : [a, ∞] → R integrabilă Riemann pe

orice interval mărginit [c, d ] ⊂ [a, ∞] şi pentru care există
b
lim ∫ f ( x )dx şi este finită, atunci această limită se numeşte
b →∞ a

integrala improprie de speţa întâi a funcţiei f pe intervalul [a, ∞ ]

şi se notează
∞ b
∫ f ( x )dx = blim
→∞
∫ f ( x )dx
a a

Observaţii:

132
1. Dacă limita este infinită, integrala improprie este divergentă.
2. Analog se poate defini integrala când intervalul este nemărginit
la stânga.
3. Există integrale improprii convergente cu ambele limite
∞
infinite: ∫ f ( x )dx
−∞

Exemple 4.4.4:
∞ b
1 b
1 ⎛ 1⎞ ⎛ 1 ⎞
1) I = ∫ 2 dx = lim ∫ 2 dx = lim ⎜ − ⎟ = lim ⎜ − + 1⎟ = 1,
b →∞ ⎝ x ⎠ 1 b →∞⎝ b ⎠
1 x
b →∞ x
1
convergentă.

( )
∞ b
1 1 b
2) I=∫ dx = lim ∫ dx = lim 2 x = lim 2 b − 2 = ∞ ,
1 x b →∞
1 x b →∞ 1 b →∞

divergentă.

∞
dx
3) Cazul general: ∫ α
, a > 0, α > 0.
a x
a) Pentru α ≠1
b
∞
dx b
dx x −α +1
∫ α = blim ∫ = blim
→∞ a x α →∞ − α + 1
=
a x a

⎧ ∞ pt. α < 1
1 ⎛ 1 1 ⎞ ⎪ 1
= lim ⎜ − ⎟=⎨ pt. α > 1
1 − α b→∞⎝ b α −1 a α −1 ⎠ ⎪
⎩ (α − 1)a α −1

b) Pentru α = 1
∞ b
dx dx b b
∫ = blim ∫ = lim ln x a = lim ln = ∞ .
a x →∞ a x b→∞ b→∞ a

Definiţia 4.4.5: Fie f : [a, b ) → R nemărginită într-o vecinătate a

lui b, dar mărginită şi integrabilă Riemann pe orice subinterval
c
închis [a, c ] ⊂ [a, b ). Dacă există şi este finită limita: lim ∫ f ( x )dx
c →b a

133
atunci această limită se numeşte integrala improprie de speţa a
doua a funcţiei f pe intervalul [a, b).

Observaţie: Dacă limita este finită, integrala se spune că este

convergentă.
Dacă limita este infinită, integrala se spune că este divergentă.
Punctul în care funcţia este nemărginită poate fi cel din stânga
intervalului sau unul interior intervalului, adică:
f : [a, b] \ {c} → R
b c b
∫ f ( x )dx = ∫ f ( x )dx + ∫ f ( x )dx
a a c
care este convergentă dacă ambele integrale improprii din
membrul drept sunt convergente.

Exemple 4.4.6:
1) Integrală improprie convergentă:
1 b
dx dx b
∫ = lim ∫ = lim(arcsin x) 0 =
2
0 1− x b →1 0
b <1 1 − x 2 b→1
π
= lim(arcsin b − arcsin 0) = arcsin 1 =
b →1 2

2) Integrală improprie divergentă:

5 5
dx dx
= limln( x − 2 ) a =
5
∫ = lim ∫
2 x−2
a →2 x − 2 a →2
a>2 a a>2

= lim(ln 3 − ln(a − 2)) = ∞

a →2
a>2

4.4.3 Funcţia Gamma (integrala sau funcţia Euler de

speţa a doua)

Definiţia 4.4.7: Se numeşte funcţie Gamma, funcţia definită

pentru orice a > 0 prin relaţia:

134
 ∞
Γ(a ) = ∫ x a −1e − x dx
0

Observaţii:
1. Dacă a ≥ 1, funcţia Gamma are singularitate doar în dreapta,
unde intervalul de integrare este infinit.
2. Dacă 0 < a < 1 , integrala are singularitate şi la capătul din
stânga, în vecinătatea lui 0 funcţia de sub integrală fiind
nemărginită.

Teorema 4.4.8: Integrala improprie care defineşte funcţia Gamma

este convergentă pentru orice a > 0.

Proprietăţi
1) Γ(1) = 1
2) Γ(a + 1) = aΓ(a )
3) Γ(n + 1) = n! pentru n ∈ N
π
4) Γ(a ) ⋅ Γ(1 − a ) =
sin aπ
∞
5) Γ(a ) = 2 ∫ t 2 a −1e −t dt
2

0
Aplicaţii:
⎛1⎞
1) Γ⎜ ⎟ = π , rezultă din proprietatea 4) dacă se înlocuieşte a
⎝ 2⎠
cu 1/2.
2) Dacă în proprietatea 5) se înlocuieşte a cu 1/2 rezultă integrala
Euler-Poisson:
∞
π ∞
−t
de unde: ∫ e − x dx = π .
2 2

∫ e dt =
0 2 −∞

Exemple 4.4.9:
∞ 3
⎛3 ⎞ ⎛5⎞ 3 ⎛3⎞ 3 1 ⎛1⎞ 3
I=∫ x 2 e − x dx = Γ⎜ + 1⎟ = Γ⎜ ⎟ = Γ⎜ ⎟ = ⋅ Γ⎜ ⎟ = π
0 ⎝2 ⎠ ⎝2⎠ 2 ⎝2⎠ 2 2 ⎝2⎠ 4

135
 ∞ ∞
I = ∫ ( x − 1) e dx = ∫ t 5 e −t dt = Γ(6 ) = 5!= 24
5 1− x

1 0

x − 1 = t ; dx = dt
x = 1 ⇒ t = 0; x → ∞ ⇒ t → ∞

4.4.4 Funcţia Beta (integrala sau funcţia Euler de speţa

întâi)

Definiţia 4.4.10: Se numeşte funcţie Beta, funcţia defnită pentru

orice a, b > 0 prin relaţia:
1
B(a, b ) = ∫ x a −1 (1 − x )
b −1
dx, ∀a, b > 0 .
0
Observaţii:
Integrala ce defineşte funcţia Beta este improprie pentru a < 1 sau
b < 1.
În cazul în care este improprie se demonstrează că este
convergentă.

Proprietăţi:

1) B(a, b ) = B(b, a )
a −1
2) B(a, b ) = B(a − 1, b ) pt. a > 1, b > 0
a + b −1
b −1
3) B(a, b ) = B(a, b − 1) pt. a > 0, b > 1
a + b −1
4) B(a, b ) =
(a − 1)(b − 1) B(a − 1, b − 1) pt. a > 1, b > 1
a+b−2
Γ(a )Γ(b )
5) B(a, b ) =
Γ(a + b )

Exemplul 4.4.11:

136
 ( )
1 5
I = ∫ x 8 1 − x 3 dx
0

x 3 = t ; 3x 2 dx = dt
x = 0 ⇒ t = 0; x = 1 ⇒ t = 1
11 1 1 Γ(3)Γ(6 ) 1 2!⋅5! 1
I = ∫ t 2 (1 − t ) dt = B(3,6 ) = ⋅
5
= ⋅ =
30 3 3 Γ(9 ) 3 8! 504

137
Capitolul 5

Elemente de teoria grafurilor

Teoria grafurilor este o ramură relativ nouă a matematicii care
oferă soluţii într-o gamă largă de probleme cu caracter economic.
Prima referire la teoria grafurilor a fost făcută de matematicianul
elveţian Euler, în 1736, într-o lucrare numită problema podurilor
din Königsberg, apoi Kirchoff, în 1847 abordează teoria reţelelor
electrice prin metoda grafurilor.
În 1956 Ford şi Fulkerson aplică teoria grafurilor în reţelele
de transport. După această perioadă, teoria grafurilor s-a constituit
ca un instrument puternic de rezolvare a unor probleme concrete,
cum ar fi: proiectarea reţelelor electrice, de străzi, apă, gaz,
tehnică de calcul, medicină.

5.1 Definiţii

Definiţia 5.1.1: Prin graf se înţelege un cuplu format din două

mulţimi: N – mulţimea nodurilor sau vârfurilor şi L – mulţimea
liniilor sau muchiilor, care sunt perechi de vârfuri. Se notează
G(N, L). Dacă perechile din L sunt ordonate, graful se numeşte
graf orientat, iar perechile de vârfuri se numesc arce.

Exemplul 5.1.2:
N = {x1, x2, x3, x4, x5, x6, x7}
L = {(x1, x2), (x1, x4), (x1, x5), (x2, x3), (x2, x6), (x3, x1), (x4, x6),
(x5, x3), (x6, x5)}

138
G(N, L) se poate reprezenta printr-o imagine grafică:
x1 x2

x7

x3
x6

x4
x5

Numărul de arce ce pleacă dintr.un nod se numeşte grad exterior,

iar numărul arcelor ce intră într-un nod se numeşte grad interior.
Un nod se numeşte sursă dacă grint = 0 şi grext > 0.
Un nod se numeşte de ieşire dacă grint > 0 şi grext = 0.
Un nod izolat este un nod pentru care grint = grext = 0.

Definiţii 5.1.3 : Se numeşte drum într-un graf orientat o

succesiune de arce în care vârful terminal al fiecărui arc coincide
cu vârful iniţial al arcului următor.
Un drum se numeşte elementar dacă nu trece de două ori
prin acelaşi vârf. Se notează ca succesiune a vârfurilor sale.
Se numeşte circuit un drum elementar ale cărui capete
coincid.
Se numeşte lanţ într-un graf o succesiune de muchii (sau
arce) în care oricare două muchii (sau arce) vecine au un vârf
comun.
Se numeşte ciclu un lanţ care are capetele unite.
Un drum este un lanţ, reciproca nu e adevărată.
Un drum (circuit) care trece o singură dată prin fiecare vârf
al grafului se numeşte drum (circuit) hamiltonian.

139
Definiţia 5.1.4 : Un graf este conex dacă între oricare două
vârfuri ale sale există cel puţin un lanţ.

Definiţii 5.1.5 : (Ordine de conexiune) Vârfurile xi şi xj se

numesc semi-tare conexe dacă există un drum care leagă pe xi de
xj. Dacă fiecare pereche din G este semi-tare conexă, spunem că
graful G este semi-tare conex şi că are ordinul doi de conexiune.
Vârfurile xi şi xj se numesc tare conexe dacă există un drum care
leagă pe xi de xj şi un drum care leagă pe xj de xi. Dacă fiecare
pereche din G este tare conexă, spunem că graful G este tare
conex şi că are ordinul trei de conexiune.

Definiţia 5.1.6: Se numeşte subgraf al unui graf G, graful care se

obţine din acesta prin eliminarea unor vârfuri împreună cu toate
arcele adiacente lor.

În exemplul 5.1.2, prin eliminarea vârfurilor x3 şi x7, se obţine

următorul subgraf:

x1 x2

x6

x4
x5

Definiţia 5.1.7 : Se numeşte graf parţial al unui graf G, graful

care se obţine prin eleminarea unor arce.

140
Definiţia 5.1.8 : Distanţa dintre două vârfuri ale unui graf este
lungimea celui mai scurt lanţ care le uneşte.

5.2 Matrice asociate unui graf

5.2.1 Matricea legăturilor (matricea conexiunilor,

matricea booleană)

Matricea legăturilor este o matrice pătratică de ordin n, unde n

este numărul vârfurilor grafului.
Elementele sunt definite astfel :
⎧1 daca exista arc de la xi la x j
cij = ⎨
⎩0 daca nu exista arc de la xi la x j
Pentru graful din exemplul 5.1.2, matricea conexiunilor este :

C x1 x2 x3 x4 x5 x6 x7
x1 0 1 0 1 1 0 0
x2 0 0 1 0 0 1 0
x3 1 0 0 0 0 0 0
x4 0 0 0 0 0 1 0
x5 0 0 1 0 0 0 0
x6 0 0 0 0 1 0 0
x7 0 0 0 0 0 0 0

5.2.2 Matricea de incidenţă

Matricea de incidenţă este o matrice cu n linii (numărul

vârfurilor) şi m coloane (numărul arcelor), notate cu uj, în ordinea
în care apar în mulţimea L. Elementele sunt definite astfel :

141
 ⎧ + 1 daca arcul u j pleaca din xi
⎪
aij = ⎨− 1 daca arcul u j se termina in xi
⎪ 0 daca x nu e adiacent arcului u
⎩ i j

Pentru graful din exemplul 5.1.2, matricea de incidenţă este :

A u1 u2 u3 u4 u5 u6 u7 u8 u9
x1 +1 +1 +1 0 0 -1 0 0 0
x2 -1 0 0 +1 +1 0 0 0 0
x3 0 0 0 -1 0 +1 0 -1 0
x4 0 -1 0 0 0 0 +1 0 0
x5 0 0 -1 0 0 0 0 +1 -1
x6 0 0 0 0 -1 0 -1 0 +1
x7 0 0 0 0 0 0 0 0 0

5.2.3 Matricea lungimilor

Dacă arcelor li se atribuie câte o valoare, graful se numeşte

capacitat şi se defineşte matricea lungimilor, care se obţine din
matricea legăturilor prin înlocuirea valorilor 1 cu lungimea
arcelor corespunzătoare.

5.2.4 Matricea drumurilor

Matricea drumurilor D sau matricea conexă terminală are

elementele definite astfel :
⎧1 daca exista drum de la xi la x j
d ij = ⎨
⎩0 daca nu exista drum de la xi la x j
Elementele din matricea drumurilor care se găsesc în matricea
conexiunilor se notează 1*.

Definiţia 5.2.1: Numărul de vârfuri care pot fi atinse plecând din

vârful xi se numeşte puterea de atingere a lui xi.

142
Operaţiile de adunare (sau) şi înmulţire (şi) booleană pe mulţimea
{0, 1} respectă regulile:

+ 0 1 ⋅ 0 1
0 0 1 0 0 0
1 1 1 1 0 1

5.2.5 Algoritmul lui Y. C. Chen pentru construirea

matricei drumurilor (terminală)

1) Fie matricea C a conexiunilor. Fie elementele nenule de pe

prima linie : c1i, c1j, ..., c1m. Se adună boolean liniile i, j, ..., m la
prima linie.
2) Se presupune că au mai apărut şi alte elemente nenule pe prima
linie : c1p, c1q, ..., c1r. Se adună boolean în continuare şi liniile p,
q, ..., r la prima linie.
3) Se repetă pasul 2) până se obţine una dintre situaţiile :
a) Prima linie conţine numai elemente 1 în afară eventual de
poziţia de pe diagonala principală.
b) Nu se mai pot genera elemente 1 noi prin operaţiile descrise.
4) Se repetă procedeul de mai sus pentru fiecare linie din C.

Exemplul 5.2.2 :
Fie graful dat prin matricea conexiunilor C :

C x1 x2 x3 x4 x5

x1 0 1 1 0 1

x2 0 0 0 0 1

x3 0 0 0 1 0

143
 x4 0 1 0 0 0

x5 0 0 0 0 0

Pe linia 1 există elemente nenule pe coloanele lui x2, x3 şi x5. Se

adună boolean liniile 2, 3 şi 5 la linia 1:

C x1 x2 x3 x4 x5

x1 0 1 1 1 1

x2 0 0 0 0 1

x3 0 0 0 1 0

x4 0 1 0 0 0

x5 0 0 0 0 0

Apare un element nou cu valoarea 1 pe coloana lui x4, deci se

adună şi linia 4 la linia 1 :

C x1 x2 x3 x4 x5

x1 0 1 1 1 1

x2 0 0 0 0 1

x3 0 0 0 1 0

x4 0 1 0 0 0

x5 0 0 0 0 0

144
Nu mai apare alt element nou 1, deci se continuă cu linia 2.
Elementul nenul este pe coloana 5, deci se adună boolean linia 5
la linia 2. Linia 5 fiind de zerouri, nu apare nici o schimbare, deci
se continuă cu linia 3. Se adună linia 4 la linia 3:

C x1 x2 x3 x4 x5

x1 0 1 1 1 1

x2 0 0 0 0 1

x3 0 1 0 1 0

x4 0 1 0 0 0

x5 0 0 0 0 0

Elementul nou 1 este pe coloana 2, deci se adună linia 2 la linia 3:

C x1 x2 x3 x4 x5

x1 0 1 1 1 1

x2 0 0 0 0 1

x3 0 1 0 1 1

x4 0 1 0 0 0

x5 0 0 0 0 0

A apărut un element 1 nou pe coloana 5, dar linia 5 are numai

zerouri. Se continuă cu linia 4, la care se adună linia 2:

145
 C x1 x2 x3 x4 x5

x1 0 1 1 1 1

x2 0 0 0 0 1

x3 0 1 0 1 1

x4 0 1 0 0 1

x5 0 0 0 0 0

A apărut un 1 pe coloana 5, dar linia 5 este de zerouri. Pe linia 5

nu avem elemente egale cu 1, deci algoritmul s-a încheiat.
Se marchează cu asterisc elementele 1 din matricea C. Se
completează cu coloana puterii de atingere:

C x1 x2 x3 x4 x5 P.A.

x1 0 1* 1* 1 1* 4

x2 0 0 0 0 1* 1

x3 0 1 0 1* 1 3

x4 0 1* 0 0 1 2

x5 0 0 0 0 0 0

5.2.6 Matricea terminală triangularizată superior TTS

146
Dacă graful este fără circuite, se pot aranja toate elementele 1
deasupra diagonalei principale, formă numită triangularizată
superior.

Procedeu de triangularizare
1) Se scrie puterea de atingere a fiecărui vârf.
2) Se ordonează liniile în ordinea descrescătoare a puterilor.
3) Se ordonează coloanele în aceeaşi ordine şi se obţine matricea
terminală triangularizată superior.

Exemplul 5.2.3:

Se scrie matricea drumurilor din exemplul precedent:

C x1 x2 x3 x4 x5 P.A.

x1 0 1* 1* 1 1* 4

x2 0 0 0 0 1* 1

x3 0 1 0 1* 1 3

x4 0 1* 0 0 1 2

x5 0 0 0 0 0 0

Se ordonează liniile în ordinea descrescătoare a puterilor de

atingere:

C x1 x2 x3 x4 x5 P.A.

x1 0 1* 1* 1 1* 4

x3 0 1 0 1* 1 3

147
 x4 0 1* 0 0 1 2

x2 0 0 0 0 1* 1

x5 0 0 0 0 0 0

Se ordonează coloanele în aceeaşi ordine şi se obţine matricea

terminală triangularizată superior:

C x1 x3 x4 x2 x5 P.A.

x1 0 1* 1 1* 1* 4

x3 0 0 1* 1 1 3

x4 0 0 0 1* 1 2

x2 0 0 0 0 1* 1

x5 0 0 0 0 0 0

5.3 Drumuri hamiltoniene în grafuri

Drumurile hamiltoniene sunt modele matematice utile în

procesele tehnologice în care un produs trebuie să treacă prin
diverse operaţii parcurse toate o singură dată.

5.3.1 Drumuri hamiltoniene în grafuri orientate şi fără

circuite

148
Teorema 5.3.1: În orice graf orientat şi fără circuite cu n vârfuri
există drum hamiltonian dacă şi numai dacă numărul elementelor
n(n − 1)
nenule ale matricei terminale este .
2

Algoritmul practic de determinare a drumului hamiltonian

1. Se construieşte matricea conexiunilor.

2. Se formează matricea drumurilor (terminală).
3. Se verifică condiţiile :
a) graful să fie fără circuite : pe diagonala principală matricea
terminală să nu aibă 1.
b) să conţină drum hamiltonian : suma puterilor de atingere să fie
n(n − 1)
.
2
4. Dacă a) şi b) sunt îndeplinite, se aranjează vârfurile în ordinea
descrescătoare a puterilor de atingere şi succesiunea lor dă drumul
hamiltonian.

Exemplul 5.3.2:

Prelucrarea unui produs necesită 5 operaţii P1, P2, P3, P4, P5, care
îndeplinesc următoarele condiţii:
a) după P1 poate urma P2, P3 sau P5;
b) după P2 poate urma P3 sau P5;
c) după P3 poate urma numai P4 ;
d) după P4 poate urma numai P2 ;
e) P5 este ultima operaţie.

Problema se modelează printr-un graf care are 5 vârfuri, iar arcele

reprezintă relaţiile dintre acestea.
Matricea de conexiune este cea din exemplul 5.2.1, pentru care s-
a dedus matricea terminală.

Verificarea condiţiilor :
a) Pe diagonala principală nu există 1, deci graful nu are circuite.

149
b) Suma puterilor de atingere este 10 = (5x4)/2, deci există drum
hamiltonian.

Drumul hamiltonian este :

dH : P1, P3, P4, P2, P5.

Corijarea grafului

Dacă în graf suma puterilor de atingere ale celor n vârfuri este

n(n − 1)
mai mică decât , atunci nu există drum hamiltonian.
2
În aplicaţii este important ca drumul hamiltonian să existe şi
atunci se procedează la corijarea minimală a grafului, adică
adăugarea unui număr minim de arce astfel încât să apară drumul
hamiltonian.
Corijarea grafului se face prin înlocuirea elementelor 0 din
matricea terminală triangularizată superior care sunt situate pe
prima paralelă la diagonala principală care conţine elemente nule.
Corijarea realizată astfel este minimală.

5.3.2 Drum hamiltonian într-o reţea oarecare.

Algoritmul lui Foulkes

Graful se descompune în subgrafuri tare conexe, aşezate într-o

anumită succesiune, ceea ce se realizează prin gruparea vârfurilor
într-o mulţime ordonată de clase de echivalenţă.
Se scriu toate drumurile hamiltoniene parţiale din fiecare
clasă care se asamblează în ordinea claselor.

Etapele algoritmului
1. Se scrie matricea conexiunilor C care se adună cu matricea
unitate I de acelaşi ordin cu ea.
2. Se calculează (C+I)n până când două puteri succesive sunt
egale.

150
3. Vârfurile care au în această matrice pe linii numai 1, iar
coloanele corespunzătoare lor numai 0 cu excepţia intersecţiilor,
se grupează în prima clasă de echivalenţă.
4. Se elimină din matricea (C+I)n liniile şi coloanele
corespunzătoare acestor vârfuri, iar cu matricea rămasă se
procedează la fel pentru aflarea următoarei clase. Astfel toate
vârfurile vor fi repartizate în clase.
5. Se reconstruieşte un graf parţial al grafului dat astfel :
a) Fiecare clasă dă naştere unui subgraf tare conex.
b) Se trasează toate arcele care leagă clasele consecutive, numai
în sensul obţinerii lor.
6. Se află drumurile hamiltoniene din fiecare clasă, după care se
asamblează între ele.

Exemplul 5.3.3
Fie graful dat prin matricea conexiunilor:

C x1 x2 x3 x4 x5 x6
x1 0 1 0 0 0 0
x2 1 0 0 1 0 0
x3 0 0 0 0 1 0
x4 0 0 0 0 1 1
x5 0 0 0 0 0 1
x6 0 0 1 0 0 0

Matricea C + I:

C+I x1 x2 x3 x4 x5 x6
x1 1 1 0 0 0 0

151
 x2 1 1 0 1 0 0
x3 0 0 1 0 1 0
x4 0 0 0 1 1 1
x5 0 0 0 0 1 1
x6 0 0 1 0 0 1

Se calculează (C + I)2 :

(C+I)2 x1 x2 x3 x4 x5 x6
x1 1 1 0 1 0 0
x2 1 1 0 1 1 1
x3 0 0 1 0 1 1
x4 0 0 1 1 1 1
x5 0 0 1 0 1 1
x6 0 0 1 0 1 1

Apoi se calculează (C + I)4 :

(C+I)4 x1 x2 x3 x4 x5 x6
x1 1 1 1 1 1 1
x2 1 1 1 1 1 1
x3 0 0 1 0 1 1
x4 0 0 1 1 1 1

152
 x5 0 0 1 0 1 1
x6 0 0 1 0 1 1

Se observă că (C + I)8 = (C + I)4.

Se suprimă liniile şi coloanele 1 şi 2, deci vârfurile {x1, x2}
formează prima componentă tare conexă a grafului. Matricea
rămasă este:

x3 x4 x5 x6

x3 1 0 1 1

x4 1 1 1 1

x5 1 0 1 1

x6 1 0 1 1

Se elimină x4, deci următoarea clasă este formată din {x4}

Rămâne o matrice care are toate liniile 1, deci ultima clasă este
{x3, x5, x6}.
Se determină drumurile hamiltoniene:
dH1 = {x1, x2, x4, x5, x6, x3}
dH2 = {x1, x2, x4, x6, x3, x5}
care înseamnă două ordini posibile ale operaţiilor tehnologice în
problema propusă.

Justificarea algoritmului

Împărţirea vârfurilor în clase de echivalenţă se face pe baza

următoarei definiţii:

153
Definiţia 5.3.4: Două vârfuri xi şi xj se numesc echivalente dacă
între ele există cel puţin un drum într-un sens şi cel puţin un drum
în sens contrar.

Observaţie: Vârfurile a două clase de echivalenţă distincte nu pot

fi legate decât prin drumuri sau arce orientate într-un singur sens.

Un element arbitrar din matricea (C + I)2 este de forma

n
bij = ∑ aik akj , unde adunarea şi înmulţirea sunt booleene. bij este
k =1
egal cu 1 dacă şi numai dacă există cel puţin un întreg k astfel
încât aik = akj = 1 , altfel are valoarea 0. Elementele egale cu 1 din
matricea (C + I)2 reprezintă existenţa drumurilor de cel mult două
arce între vârfurile respective ale grafului. Analog, elementele
egale cu 1 din matricea (C + I)3 reprezintă existenţa drumurilor de
cel mult 3 arce, etc.
Când se obţine egalitatea (C + I)k = (C + I)k+1, matricea
obţinută indică toate posibilităţile de drumuri între diferitele
vârfuri ale grafului.
În matricea (C + I)k ce conţine toate posibilităţile de drumuri
dintre vârfurile grafului, există linii ce conţin numai elemente
egale cu 1, ceea ce înseamnă că de la vârfurile corespunzătoare
lor se poate ajunge la toate celelalte vârfuri ale grafului. Aceste
vârfuri fac parte din prima clasă de echivalenţă, etc.
Pentru simplificarea calculelor se va ridica matricea (C + I)
la pătrat, apoi pătratul ei la pătrat, obţinând succesiv puterile (C +
I)2, (C + I)4, (C + I)8, ..., care vor depăşi curând forma (C + I)k de
la care toate puterile sunt egale. Procesul se opreşte când două
matrice succesive din şir sunt egale.

5.4 Drum optim

5.4.1 Drum critic (rută maximă) în grafuri fără circuite

154
Fie G = (N, L) un graf orientat cu n vârfuri şi c : L → R o funcţie
care asociază fiecărui arc din L o valoare reală. Se notează cu cij =
c(xi, xj). În cazurile reale, această valuare a arcelor poate însemna:
- distanţe directe între puncte (localităţi);
- timpi de execuţie a unor faze dintr-un proiect;
- costuri sau timpi într-o reţea de transport.
Fie d = (xi, xi1, xi2, ..., xip-1, xj) un drum format din p arce
între xi şi xj, iar ci,i1, ci1,i2, ..., cip-1,j valorile arcelor care compun
drumul d. Lungimea lui d este:
V(d) = ci,i1 + ci1,i2+ ...+ cip-1,j.
În practică se poate cere cel mai scurt sau cel mai lung drum
între vârfuri (problema drumului minim sau problema drumului
maxim).

5.4.2 Modelul matematic

Se dă un graf, imaginea unui proces tehnologic sau economic.

Fiecărei activităţi i se asociază un arc al grafului, iar durata
activităţii reprezintă capacitatea arcului. Vârfurile reprezintă
punctele de racordare a două activităţi.
Se cere timpul necesar terminării întregii lucrări care
corespunde cu lungimea drumului maxim în modelul matematic şi
drumul critic corespunzător care realizează acest maxim.
Activităţile corespunzătoare arcelor care ies din vârful xi pot
începe abia după ce a trecut timpul corespunzător celui mai lung
drum de la xo la xi.
Pentru găsirea drumului critic şi a valorii sale, se va calcula
matricea DM care conţine distanţele cele mai mari dintre două
vârfuri ale grafului.

5.4.3 Algoritm pentru aflarea matricei DM a

distanţelor maximale

155
1) Se construieşte matricea terminală care se triangulează superior
şi se obţine matricea TTS.
2) În matricea C a capacităţilor arcelor (lungimilor) se aranjează
liniile şi coloanele ca în matricea TTS şi se obţine matricea C1 =
||cij||.
3) Se consideră prima linie din C1 şi fie clj primul element nenul.
Se adună clj cu fiecare element nenul din linia j, obţinându-se
sume de forma clj + cjk. Dacă clj + cjk > clk, în locul lui clk se trece
suma, altfel rămâne clk.
4) Următoarelor elemente nenule de pe linie li se aplică aceleaşi
operaţii, dar pentru linia respectivă modificată.
5) Operaţiile de la etapele 3) şi 4) se efectuează pentru fiecare
linie a matricei C1, obţinându-se o matrice C2.
6) În C2 se înlocuiesc zerourile cu ∞ (cu excepţia celor de pe
diagonala principală) şi se obţine matricea DM = ||dij|| a
distanţelor maximale.
Pentru găsirea vârfurilor drumului critic se aleg indicii k pentru
care este îndeplinită relaţia dik + dkj = dij.

Exemplul 5.4.1
Fie graful G(N,L), unde
N = {x1, x2, x3, x4, x5}
L = {(x2, x1), (x2, x5), (x3, x1), (x3, x2), (x3, x4), (x4, x2), (x5, x1)},
cu costurile:
c21 = 5, c25 = 3, c31 = 10, c32 = 1, c34 = 2, c42 = 4, c51 = 1.
Se cere matricea drumurilor maximale DM şi intervalul maxim
de timp între x3 şi x1 şi drumul critic corespunzător.

Matricea legăturilor este următoarea:

C0 x1 x2 x3 x4 x5

x1 0 0 0 0 0

x2 1 0 0 0 1

156
 x3 1 1 0 1 0

x4 0 1 0 0 0

x5 1 0 0 0 0

Se construieşte matricea terminală triangularizată superior:

TTS x3 x4 x2 x5 x1

x3 0 1* 1* 1 1*

x4 0 0 1* 1 1

x2 0 0 0 1* 1*

x5 0 0 0 0 1*

x1 0 0 0 0 0

Matricea capacităţilor:

C1 x3 x4 x2 x5 x1

x3 0 2 1 0 10
2+4>1
x4 0 0 4 0 0

x2 0 0 0 3 5

x5 0 0 0 0 1

x1 0 0 0 0 0

157
C1 x3 x4 x2 x5 x1

x3 0 2 6 0 10
6+3>0 6+5>10
x4 0 0 4 0 0

x2 0 0 0 3 5

x5 0 0 0 0 1

x1 0 0 0 0 0

C1 x3 x4 x2 x5 x1

x3 0 2 6 9 11
9+1<11
x4 0 0 4 0 0

x2 0 0 0 3 5

x5 0 0 0 0 1

x1 0 0 0 0 0

C1 x3 x4 x2 x5 x1

x3 0 2 6 9 11

x4 0 0 4 0 0
4+3>0 4+5>0
x2 0 0 0 3 5

158
x5 0 0 0 0 1

x1 0 0 0 0 0

C1 x3 x4 x2 x5 x1

x3 0 2 6 9 11

x4 0 0 4 7 9
7+1<9
x2 0 0 0 3 5

x5 0 0 0 0 1

x1 0 0 0 0 0

C1 x3 x4 x2 x5 x1

x3 0 2 6 9 11

x4 0 0 4 7 9

x2 0 0 0 3 5
3+1<5
x5 0 0 0 0 1

x1 0 0 0 0 0

C2 x3 x4 x2 x5 x1

x3 0 2 6 9 11

x4 0 0 4 7 9

159
 x2 0 0 0 3 5

x5 0 0 0 0 1

x1 0 0 0 0 0

Matricea distanţelor maximale

DM x3 x4 x2 x5 x1

x3 0 2 6 9 11

x4 ∞ 0 4 7 9

x2 ∞ ∞ 0 3 5

x5 ∞ ∞ ∞ 0 1

x1 ∞ ∞ ∞ ∞ 0

Intervalul maxim de timp între x3 şi x1 este d31 = 11

Pentru aflarea drumului critic se calculează sumele d3k + dk1:
d34 + d41 = 2 + 9 = 11
d32 + d21 = 6 + 5 = 11
d35 + d51 = 9 + 1 = 10,
x4 şi x2 aparţin drumului critic
Drumul critic este: x3, x4, x2, x1.

5.5 Fluxul în reţea

Multe probleme din practica economică cer repartizarea unui

anumit flux în scopul maximizării sau minimizării lui pe o reţea
dată.

160
 O reţea este un graf pe arcele căruia poate circula un flux de
un anumit produs. Fiecărui arc îi este asociată capacitatea maximă
ce poate fi transportată pe arcul respectiv. În activitatea practică,
astfel de grafuri pot fi:

Noduri Muchii Flux

intersecţii şosele vehicule
aeroporturi linii aeriene avioane
staţii de pompare ţevi fluid
puncte de control linii telefonice mesaje
noduri de reţea linii de date informaţii

Se notează: X o mulţime finită de noduri. O pereche ordonată de

noduri (ai, aj) este un arc. cij este capacitatea arcului (ai, aj). Dacă
nu există arcul (ak, am) atunci ckm = 0.

Fie o reţea cu n+2 noduri: ao, a1, ..., an, an+1.

Definiţia 5.5.1: Cantităţile xij de materie ce trec prin arcele reţelei
la un moment dat şi care satisfac condiţiile:
(1) 0 ≤ xij ≤ cij i, j = 0, n + 1
n n +1
(2) ∑ xki = ∑ xij i = 1, n
k =0 j =1
definesc un flux ce străbate reţeaua.

Relaţia (1) semnifică faptul că fluxul care trece printr-un arc nu

poate depăşi capacitatea acestuia.
Relaţia (2) înseamnă că mărimea cantităţii de materie care pleacă
dintr-un vârf este egală cu cea care intră în acel vârf.
Din (2) rezultă că mărimea totală a cantităţii de materie care
pleacă din ao este egală cu cea care vine în an+1:
n +1 n
(3) ∑ x 0j = ∑ xi ,n +1 = Z
j=1 i =0
Forma liniară Z se numeşte fluxul total din reţea.

161
Problema:
Se caută fluxul maxim în reţea, adică găsirea cantităţilor
( )
xij* i, j = 0, n + 1 care verifică relaţiile (1) şi (2) şi care
maximizează forma liniară (3).

5.5.1 Algoritmul lui Ford-Foulkerson (procedeul

marcării)

Fie reţeaua G = (X, L) care conţine n+1 vârfuri.

Definiţii 5.5.2: Arcul (ai, aj) se numeşte saturat dacă xij = cij.
Un flux {xij} se numeşte complet dacă oricare ar fi drumul de la ao
la an, acesta conţine cel puţin un arc saturat.

Etapele algoritmului

1) Se construieşte un flux iniţial arbitrar {xij} unde xij verifică

condiţiile (1) şi (2).
2) Se caută un flux complet.
3) După aceste etape urmează o operaţie de marcare a vârfurilor
reţelei, care arată dacă fluxul complet găsit este maxim sau nu.

Operaţia de marcare se face astfel :

a) Se marchează cu (+) vârful ao ;
b) Se marchează cu (+0) vârful ai dacă arcul (ao, ai) nu este
saturat ;
c) Dacă un vârf aj a fost marcat, vârful ak legat printr-un arc de aj
se marchează cu (+j) dacă arcul (aj, ak) este nesaturat şi orientat în
semnsul de la aj la ak şi se marchează cu (-j) dacă arcul (ak, aj) este
nesaturat şi orientat de la ak la aj.
După marcare se poate obţine una dintre situaţiile :
1) vârful an nu a fost marcat, deci fluxul complet găsit e maxim ;
2) vârful an a fost marcat, deci fluxul complet găsit nu e maxim.

În situaţia 2) se trece la modificarea fluxului pe drumul marcat:

162
a) Se adaugă o unitate la fluxurile marcate cu (+). Pentru fiecare
arc a cărui extremitate finală a fost marcată cu (+) se obţine un
nou flux : xij(1) = xij0 + 1 .
b) Se scade o unitate din fluxurile arcelor notate cu (-) şi noul flux
va fi : xij(1) = xij0 − 1 .
c) Fluxurile ce nu aparţin drumului marcat rămân neschimbate.
Procedeul de marcare continuă atâta timp cât vârful an mai poate
fi marcat. În caz contrar, fluxul găsit este maxim.

Exemplul 5.5.3 :
Fie reţeaua de transport cu fluxul marcat în figura următoare :

Aplicând procesul de marcare, se obţine faptul că destinaţia a7

poate fi etichetată pe lanţul V = {a0, a2, a6, a7}. Se observă că a7
are eticheta +4, deci ultimul arc al lanţului este (a4, a7); vârful a4
are eticheta +5, deci arcul anterior lui (a4, a7) este (a5, a4). Vârful
a5 are eticheta -6, deci următorul arc este (a5, a6); vârful a6 are
marcajul +2, deci următorul arc este (a2, a6), iar vârful a2 are
marcajul +0, deci ultimul arc este (a0, a2).
Scriind arcele în ordinea inversă găsirii lor, se deduce V =
{a0, a2, a6, a5, a4, a7}. V – = (a5, a6). Se măreşte fluxul cu câte o
unitate pe arcele (a0, a2), (a2, a6), (a5, a4), (a4, a7) şi se va micşora
tot cu o unitate pe arcul (a5, a6), obţinându-se un nou flux în care

163
destinaţia nu mai poate fi marcată pentru că orice lanţ între a0 şi a7
conţine cel puţin un arc saturat.

164
Capitolul 6

Elemente de teoria probabilităţilor

În economie şi sociologie, numeroase fenomene sunt
întâmplătoare, se petrec în mod aleatoriu, depinzând de mulţi
factori care la rândul lor sunt aleatori. Teoria probabilităţilor ca
model matematic este esenţială în studiul economiei, al ştiinţelor
sociale, în biologie. Cu ajutorul acesteia se fundamentează
modele matematice pentru statistica matematică, teoria jocurilor,
teoria firelor de aşteptare, programarea stohastică.
Studiul matematic al fenomenelor aleatoare începe în sec.
XVII, cu scopul de a calcula şansele de câştig la jocurile de noroc,
care au rămas pentru multă vreme sursa şi stimulentul acestor
cercetări. Începuturile teoriei probabilităţilor sunt legate de
numele matematicienilor B. Pascal şi P. Fermat. Cavalerul de
Méré i se adresează lui Pascal pentru rezolvarea unor probleme
legate de jocuri, acesta i le rezolvă şi îi comunică şi lui Fermat
problemele studiate. Mai târziu C. Huygens dă şi el o soluţie la
aceste probleme. Aceşti matematicieni au prevăzut rolul pe care îl
va avea ştiinţa care se ocupă de stabilirea regulilor privind
evenimentele aleatoare. Dezvoltarea ulterioară a teoriei
probabilităţilor este legată de nume sonore în ştiinţă, ca de
exemplu: Moivre, Laplace, Gauss, Poisson, Cebâşev, Markov,
Kolmogorov, Hincin. În ţara noastră domeniul teoriei
probabilităţilor are vechi tradiţii şi numeroşi matematicieni de
certă valoare au avut remarcabile contribuţii: Octav Onicescu,

165
Gheorghe Mihoc, C. T. Ionescu Tulcea, George Ciucu, Ioan
Cuculescu, Marius Iosifescu.

6.1 Câmp de evenimente

6.1.1 Experienţă, probă, eveniment

Experienţă înseamnă producerea unui fenomen în condiţii ce

permit urmărirea rezultatelor sale şi care au un caracter
întâmplător (aleator).
Rezultatele respective se numesc probe, fiecărei experienţe
asociindu-i-se mulţimea probelor sale.
De exemplu, aruncarea unui zar constituie experienţa,
numărul de puncte de pe suprafaţa superioară este proba, iar
mulţimea probelor este {1, 2, 3, 4, 5, 6}.
Fiind dată o experienţă E şi Ω mulţimea probelor sale, se
numeşte eveniment o submulţime a mulţimii Ω.
Se numeşte eveniment elementar o submulţime a lui Ω
care conţine numai un element. Un eveniment A este realizat când
proba face parte din submulţimea A.

Exemplul 6.1.1:
Fie E aruncarea zarului.
Mulţimea probelor este: Ω = {1, 2, 3, 4, 5, 6}.
Atunci A = {1, 2, 3}, sau
B = apariţia unui număr impar
sunt evenimente.
Evenimentul {2} este un eveniment elementar.

Un eveniment realizat de oricare probă a experienţei se

numeşte eveniment sigur (Ω).
Un eveniment pe care nu îl realizează nici o probă este
evenimentul imposibil (Φ).

166
6.1.2 Operaţii cu evenimente

Fie E o experienţă şi evenimentele A şi B.

Reuniunea: Evenimentul A ∪ B se realizează dacă se
realizează cel puţin unul dintre evenimentele A, B.
Intersecţia: Evenimentul A ∩ B se realizează atunci când se
realizează simultan A şi B.
Implicaţia (incluziunea) A → B sau A ⊂ B dacă realizarea
lui A asigură şi realizarea lui B.
Diferenţa: Evenimentul A\B apare când se realizează A şi
nu se realizează B.
Diferenţa simetrică: A Δ B este evenimentul care apare dacă
şi numai dacă apare numai unul dintre evenimentele A sau B:
AΔB = ( A \ B ) ∪ (B \ A)
Evenimentul contrar lui A, Ā se realizează atunci când A nu
se realizează.
Evenimente incompatibile sunt acelea care nu se pot realiza
simultan, adică A ∩ B = Φ.

6.1.3 Definiţii ale noţiunii de probabilitate

Definiţia clasică (indusă de frecvenţa relativă)

Definiţia 6.1.2: Fie E un experiment format din n evenimente

elementare şi evenimentul A compus din k evenimente
elementare. Probabilitatea evenimentului A, notată P(A) este:
k nr. cazuri favorabile
P ( A) = =
n nr. cazuri posibile

Exemplul 6.1.3:
Să se determine probabilitatea ca la aruncarea a două zaruri să
se obţină o dublă.
Număr cazuri posibile: 36

167
 Număr cazuri favorabile: 6
P(A) = 6 / 36 = 1 / 6.

Proprietăţi ale probabilităţii

1. 0 ≤ P ( A) ≤ 1
2. P (Ω) = 1, P (Φ ) = 0
3. P (A) = 1 − P( A)
4. A ⊂ B ⇒ P ( A ) ≤ P ( B )
5. A ∩ B = Φ ⇒ P( A ∪ B ) = P( A) + P(B )
6. A ⊂ B ⇒ P(B \ A) = P(B ) − P( A)

Fie Ω evenimentul sigur ataşat unui experiment şi P(Ω)

mulţimea părţilor acestuia.
Definiţia 6.1.4: O submulţime K ⊂ P(Ω ) nevidă se numeşte
corp sau câmp de evenimente dacă verifică următoarele axiome:
1. Daca A ∈ K ⇒ A ∈ K
2. Daca A, B ∈ K ⇒ A ∪ B ∈ K
Proprietăţi
1. Ω, Φ ∈ K
2. A, B ∈ K ⇒ A ∩ B ∈ K
Definiţia axiomatică a probabilităţii

Definiţia 6.1.5: Fie ( Ω, K) un câmp finit de evenimente. Se

numeşte probabilitate relativă la acest câmp o aplicaţie P : K → R
care verifică axiomele:
1. P( A) ≥ 0, ∀A ∈ K
2. P(Ω ) = 1
3. A, B ∈ K , A ∩ B = Φ
⇒ P ( A ∪ B ) = P ( A) + P ( B )

168
Proprietăţi
1. P(Φ ) = 0
2. P ( A ) = 1 − P ( A )
3. P(B \ A) = P( A) − P( A ∩ B )
4. A ⊂ B ⇒ P ( A ) ≤ P ( B )
5. ∀A ∈ K , P( A) ≤ 1
6. P( A ∪ B ) = P( A) + P(B ) − P( A ∩ B )
Probabilităţi condiţionate

Definiţia 6.1.6: Fie ( Ω, K) un câmp de evenimente şi B ∈ K cu

P(B) > 0. Se numeşte probabilitate a evenimentului A
condiţionată de evenimentul B numărul real notat
P( A ∩ B )
P( A / B ) = .
P(B )
Exemplul 6.1.7:
Se aruncă succesiv două zaruri. Se consideră evenimentele:
A – evenimentul ca pe primul zar să se obţină cel mult 3 puncte
B – evenimentul ca suma cifrelor obţinute pe cele două zaruri să
fie 8.
Să se calculeze P(A), P(B), P(B|A), P(A|B), P(A ∩ B)
A = {1,2,3} ⊂ Ω1 = {1, 2, 3, 4, 5, 6}
B = {(2,6),(3,5),(4,4),(5,3),(6,2)} ⊂ Ω = Ω1 × Ω1
3 1 5
P ( A) = = P(B ) =
6 2 36
2
P( A ∩ B ) 36 2
P( A / B ) = = =
P(B ) 5 5
36
2
P( A ∩ B ) 36 1
P ( B / A) = = =
P ( A) 1 9
2
169
6.1.4 Formula probabilităţii totale

Fie evenimentele Ai ∈ K care formează un sistem complet de

evenimente (desfacere a evenimentului sigur) adică:
n
Ai ∩ A j = Φ, U Ai = Ω
i =1

atunci pentru orice eveniment A ∈ K avem:

n
P( A) = ∑ P( Ai ) ⋅ P( A / Ai )
i =1
Exemplul 6.1.8:
Se consideră două urne având compoziţiile U1(6a, 4n) şi
U2(5a, 10n).
Se aruncă un zar. Dacă se obţine număr impar se extrage o
bilă din prima urnă, iar dacă se obţine număr par se extrage o bilă
din a doua urnă. Care este probabilitatea de a obţine o bilă albă?
Se notează: Ai - evenimentul ca bila să fie extrasă din urna i
(i = 1,2).
B - evenimentul ca bila să fie albă.
P(B ) = P( A1 ) ⋅ P(B / A1 ) + P( A2 ) ⋅ P(B / A2 ) =
1 6 1 5 3 1 14 7
= ⋅ + ⋅ = + = =
2 10 2 15 10 6 30 15

Formula lui Bayes

Fie sistemul complet de evenimente
Ai ∈ K , i = 1, n, A ∈ K , P( A) > 0.
În aceste condiţii are loc relaţia:

P( Ai ) ⋅ P( A / Ai )
P( Ai / A) = n
, i ∈ {1,2,..., n}
∑ P( Ak )P( A / Ak )
k =1

Exemplul 6.1.9:

170
 Trei întreprinderi trimit acelaşi tip de produse la un magazin, în
proporţie de 50%, 30%, respectiv 20%. Cele trei întreprinderi dau
rebuturi 1%, 3%, respectiv 2%. Produse în valoare de 3600 lei s-
au dovedit rebuturi. În ce proporţie trebuie împărţită pierderea
între cele trei întreprinderi?

Fie:
Ai – evenimentul ca un produs să provină de la întreprinderea i
X – evenimentul ca un produs să fie rebut.
P(A1) = 0,5; P(A2) = 0,3; P(A3) = 0,2.
P(X/A1) = 0,01; P(X/A2) = 0,03; P(X/A3) = 0,02.
Probabilitatea ca un rebut să provină de la furnizorul 1, 2,
respectiv 3 este:

P( A1 ) ⋅ P( X / A1 ) 0,5 ⋅ 0,01 5
P( A1 / X ) = = =
3
∑ P( Ai ) ⋅ P( X / Ai ) 0,5 ⋅ 0,01 + 0,3 ⋅ 0,03 + 0,2 ⋅ 0,02 18
i =1

P( A2 ) ⋅ P( X / A2 ) 0,3 ⋅ 0,03 9
P( A2 / X ) = = =
3
∑ P( Ai ) ⋅ P( X / Ai ) 0,5 ⋅ 0,01 + 0,3 ⋅ 0,03 + 0,2 ⋅ 0,02 18
i =1

P( A3 ) ⋅ P( X / A3 ) 0,2 ⋅ 0,02 4
P( A3 / X ) = = =
3
∑ P( Ai ) ⋅ P( X / Ai ) 0,5 ⋅ 0,01 + 0,3 ⋅ 0,03 + 0,2 ⋅ 0,02 18
i =1

5 9 4
S1 = ⋅ 3600 = 1000 S2 = ⋅ 3600 = 1800 S3 = ⋅ 3600 = 800
18 18 18

Evenimente independente

Definiţia 6.1.10: Spunem că evenimentele A şi B sunt

independente dacă P(A/B) = P(A) sau P(B/A) = P(B).

Proprietăţi: Condiţia necesară şi suficientă ca două evenimente

A şi B să fie independente este ca
P ( A ∩ B ) = P ( A) ⋅ P ( B )

171
Exemplul 6.1.11:
Se consideră două urne având compoziţiile U1(6a, 4n) şi
U2(5a, 10n).
Din fiecare urnă este extrasă câte o bilă.
a) Care este probabilitatea obţinerii a două bile albe?
b) Care este probabilitatea să se obţină cel puţin o bilă albă?
c) Care este probabilitatea să se obţină două bile de aceeaşi
culoare?

Fie A1 evenimentul obţinerii unei bile albe din prima urnă; A2

evenimentul obţinerii unei bile albe din a doua urnă.
Evenimentele contrare înseamnă obţinerea de bile negre.
A1 şi A2 sunt evenimente independente.
3 1
P( A1 ) = ; P( A2 ) =
5 3
a) Pentru a obţine două bile albe:
3 1 1
P( A1 ∩ A2 ) = P( A1 ) ⋅ P( A2 ) = ⋅ =
5 3 5
b) Se calculează probabilitatea evenimentului contrar, de a obţine
două bile negre:

P (A1 ∩ A2 ) = P (A1 )⋅ P (A2 ) = ⋅ =

2 2 4
5 3 15
4 11
P ( A) = 1 − =
15 15
c) Probabilitatea de a obţine două bile de aceeaşi culoare:

P( AC ) = P( A1 ∩ A2 ) + P (A1 ∩ A2 ) =
1 4 7
= + =
5 15 15

172
6.2 Scheme clasice de probabilitate
6.2.1 Schema lui Bernoulli cu bila întoarsă (schema
binomială)

Această schemă se aplică în cazul în care un experiment se repetă

de mai multe ori în aceleaşi condiţii.
Se cere calcularea probabilităţii ca din cele n repetări ale
experimentului, evenimentul precizat să apară de k ori.

Modelul probabilistic
O urnă conţine bile de două culori, albe şi negre, în proporţie
cunoscută.
Se extrag n bile, punând de fiecare dată bila înapoi.
Se cere probabilitatea ca din cele n bile extrase, k să fie albe.
Probabilitatea ca bila extrasă să fie albă se notează cu p, iar
probabilitatea ca bila să fie neagră se notează cu q = 1 – p.
P (Bn , k ) = Cnk p k q n − k
n!
Cnk =
k!(n − k )!

Exemplul 6.2.1:
Se aruncă o monedă de 10 ori. Care este probabilitatea de a obţine
de 3 ori stema?
n = 10; k = 3; p = 1/2; q = 1/2
3 10 − 3
⎛1⎞ ⎛1⎞ 10! 1
P (B10,3 ) =
C103 ⎜ ⎟⋅⎜ ⎟ = ⋅ =
⎝2⎠ ⎝2⎠ 3!⋅7! 210
10 ⋅ 9 ⋅ 8 1 120 15
⋅ = =
3 ⋅ 2 1024 1024 128

173
6.2.2 Schema lui Bernoulli cu mai multe stări
(polinomială)

Experimentul se repetă de n ori.

Se cere probabilitatea ca r evenimente urmărite să apară de
un număr dat de ori fiecare.

Modelul: o urnă ce conţine bile de r culori în proporţie cunoscută.

Probabilităţile de apariţie sunt p1, p2, ..., pr, unde p1+p2+...+pr = 1.
Se extrag pe rând n bile punând de fiecare dată bila extrasă înapoi.
Se cere probabilitatea ca din bilele extrase k1 să fie de culoarea c1,
k2 de culoarea c2, ..., kr de culoarea cr, k1+k2+...+kr = n.
n!
P(n; k1 , k 2 ,..., k r ) = ⋅ p1k1 p2k 2 ... prk r
k1!k 2 !...k r !
Exemplul 6.2.2:
Din pachetul de 52 de cărţi de joc se extrag 10 cărţi, punând de
fiecare dată cartea extrasă înapoi.
Care este probabilitatea să apară de 4 ori o carte mai mică decât 7,
de 3 ori o carte de la 7 la 10, de 2 ori valet, damă sau popă şi o
dată as?
k1 = 4, p1 = 5/13; k2 = 3, p2 = 4/13;
k3 = 2, p3 = 3/13; k4 = 1, p4 = 1/13.
4 3 2
10! ⎛5⎞ ⎛4⎞ ⎛3⎞ 1
P(10;4,3,2,1) = ⋅⎜ ⎟ ⋅⎜ ⎟ ⋅⎜ ⎟ ⋅
4!⋅3!⋅2!⋅1! ⎝ 13 ⎠ ⎝ 13 ⎠ ⎝ 13 ⎠ 13

6.2.3 Schema bilei neîntoarse (schema

hipergeometrică)

Se consideră o urnă cu a bile albe şi b bile negre.

Se extrag din urnă n bile, fără a mai pune bila extrasă înapoi.
Se cere probabilitatea ca din cele n bile extrase k să fie albe.
Cak ⋅ Cbn − k
P(n, k ) =
Can+ b

174
Exemplul 6.2.3:
Într-o grupă de seminar sunt 30 studenţi, dintre care 18 băieţi şi
12 fete. Care este probabilitatea ca alegând la întâmplare 10
studenţi din această grupă să fie 6 băieţi şi 4 fete?
a = 18; b = 12; n = 10; k = 6; n – k = 4.

C186 ⋅ C124 612

P(10,6 ) = 10
=
C30 667

6.2.4 Schema bilei neîntoarse cu mai multe stări

În urnă sunt bile de r culori, c1, c2, ...,cr, în număr de a1, a2, ..., ar.
Se extrag n bile fără a pune bila înapoi.
Se cere probabilitatea să se obţină k1 bile de culoarea c1, ..., kr bile
de culoarea cr.
Cak11 ⋅ ... ⋅ Cakrr
P(n, k1...k r ) =
Cak11 ++......++akrr

Exemplul 6.2.4:
La un concurs se prezintă 12 concurenţi: 6 americani, 4 francezi şi
2 italieni. Prin tragere la sorţi, cei 12 concurenţi sunt împărţiţi în
grupe de câte 4, fiecare grupă urmând să susţină probele de
concurs într-o zi. Care este probabilitatea ca în prima zi să
concureze 3 americani şi 1 francez?

C63 ⋅ C41 ⋅ C20 16

P(12;3,1,0) = =
C124 99

6.3 Variabile aleatoare

Definiţia 6.3.1: (variabile aleatoare discrete) Fie un experiment şi

evenimentul sigur ataşat. O funcţie reală definită pe o desfacere a
evenimentului sigur se numeşte variabilă aleatoare X : Ω → R.

175
Exemplul 6.3.2:
La aruncarea unui zar se consideră evenimentele A1 = {1,2}, A2 =
{3,4,5}, A3 = {6}, o desfacere a evenimentului sigur.
Se presupune că într-un joc lui A1 îi corespunde 1000, lui A2
– 1000, iar lui A3 2000. Variabila aleatoare care descrie jocul are
forma:
⎛ A A2 A3 ⎞
X ⎜⎜ 1 ⎟⎟
⎝ 1000 − 1000 2000 ⎠

O variabilă aleatoare discretă se scrie sub forma:

⎛A A2 ... An ⎞
X ⎜⎜ 1 ⎟
⎝ x1 x2 ... xn ⎟⎠
Variabilelor aleatoare de tip discret li se poate ataşa un
tablou, numit repartiţia sau distribuţia de probabilitate:
⎛ x x2 ... xn ⎞
X = ⎜⎜ 1 ⎟⎟
p
⎝ 1 p 2 ... p n⎠
unde xi sunt valorile pe care le ia variabila aleatoare X, iar pi
probabilitatea cu care variabila aleatoare X ia valoarea xi:
n
pi = P( X = xi ) ∀i = 1, n; ∑ pi = 1
i =1

Repartiţia de probabilitate pentru exemplul 6.3.2 este

următoarea:

⎛1000 − 1000 2000 ⎞

X =⎜ 1 1 1 ⎟
⎜ ⎟
⎝ 3 2 6 ⎠

Definiţia 6.3.3: Variabila aleatoare este o funcţie reală definită pe

mulţimea evenimentelor elementare ale unui câmp de
probabilitate.
Variabilele aleatoare pot fi de tip discret sau continuu.

176
Exemplul 6.3.4:
O cuşcă conţine 9 fluturi: 3 masculi (2 albi şi 1 galben) şi 6
femele (4 albe şi 2 galbene). Se prind 2 fluturi. Fie X variabila
aleatoare: numărul de fluturi masculi prinşi, iar Y variabila
aleatoare: numărul de fluturi galbeni prinşi.
C62 15 5
P( X = 0) = 2 = =
C9 36 12
C31C61 18 1
P( X = 1) = 2 = =
C9 36 2
C32 3 1
P( X = 2) = 2 = =
C9 36 12
⎛0 1 2⎞
X =⎜ 5 1 1⎟
⎜ ⎟
⎝ 12 2 12 ⎠

C62 15 5
P(Y = 0 ) = 2 = =
C9 36 12
C31C61 18 1
P(Y = 1) = 2 = =
C9 36 2
C32 3 1
P(Y = 2 ) = 2 = =
C9 36 12
⎛0 1 2⎞
Y =⎜ 5 1 1⎟
⎜ ⎟
⎝ 12 2 12 ⎠
Exemple 6.3.5:
Legea binomială
⎛ k ⎞
X = ⎜⎜ k k n − k ⎟⎟ p ∈ (0,1) q = 1 − p
C
⎝ n p q ⎠ k = 0, n

Legea hipergeometrică

177
 ⎛ k ⎞
⎜ C k ⋅ C n−k ⎟
X =⎜ a b ⎟⎟
⎜ Cn
⎝ a +b ⎠ k = 0, n

Legea evenimentelor rare a lui Poisson

⎛ k ⎞
X = ⎜ λk − λ ⎟ λ >0
⎜ e ⎟
⎝ k! ⎠ k = 0,1, 2,...

Este o repartiţie cu o infinitate de valori discrete.

Definiţia 6.3.6: Variabilele aleatoare X şi Y care au distribuţiile:

⎛x ⎞ ⎛ yj ⎞
X ⎜⎜ i ⎟⎟ Y ⎜⎜ ⎟⎟
⎝ pi ⎠i =1, n ⎝ q j ⎠ j =1, m

sunt independente, dacă

P (X = xi si Y = y j ) = P( X = xi ) ⋅ P (Y = y j )
adică rij = pi ⋅ q j

6.3.1 Operaţii cu variabile aleatoare

Înmulţirea cu o constantă

Dacă variabila aleatoare X are repartiţia:

⎛x ⎞
X ⎜⎜ i ⎟⎟
⎝ pi ⎠i =1, n
atunci variabila aleatoare a ⋅ X
are repartiţia:
⎛ ax ⎞
aX ⎜⎜ i ⎟⎟
⎝ pi ⎠i =1, n

178
Adunarea cu o constantă
a+ X
are repartiţia:

⎛ a + xi ⎞
a + X ⎜⎜ ⎟⎟
p
⎝ i ⎠i =1, n

Ridicarea la putere

k are repartiţia: ⎛ xi k ⎞
X X ⎜⎜ ⎟⎟
k

⎝ pi ⎠i =1, n
Adunarea şi înmulţirea

Variabilele aleatoare X şi Y au distribuţiile

⎛x ⎞ ⎛ yj ⎞
X ⎜⎜ i ⎟⎟ Y ⎜⎜ ⎟⎟
⎝ pi ⎠i =1, n ⎝ q j ⎠ j =1, m
Suma X+Y şi produsul XY au distribuţiile:

⎛ xi + y j ⎞ ⎛ xi y j ⎞
X + Y ⎜⎜ ⎟⎟ XY ⎜⎜ ⎟⎟ rij = pi ⋅ q j
⎝ rij ⎠ij==11,,nm ⎝ r ij ⎠ j =1, m
i =1, n

Exemplul 6.3.7:
Fie X şi Y două variabile aleatoare independente având
repartiţiile:
⎛− 2 3 ⎞ ⎛ −1 2 5 ⎞
X = ⎜⎜ ⎟⎟ Y = ⎜⎜ ⎟⎟
⎝ 0, 2 0,8 ⎠ ⎝ 0, 2 0,5 0,3 ⎠

Să se calculeze: X + 3, 2X, X2, X+Y, XY.

⎛ 1 6 ⎞ ⎛− 4 6 ⎞ ⎛ 4 9 ⎞
X + 3 = ⎜⎜ ⎟⎟ 2 X = ⎜⎜ ⎟⎟ X 2 = ⎜⎜ ⎟⎟
⎝ 0, 2 0,8 ⎠ ⎝ 0 ,2 0 ,8 ⎠ ⎝ 0, 2 0,8 ⎠
179
 ⎛ −3 0 3 2 5 8 ⎞
X + Y = ⎜⎜ ⎟⎟
⎝ 0, 04 0,1 0, 06 0,16 0, 4 0, 24 ⎠
⎛ 2 4 − 10 − 3 6 15 ⎞
X ⋅ Y = ⎜⎜ ⎟⎟
⎝ 0,04 0,1 0,06 0,16 0,4 0,24 ⎠

6.3.2 Caracteristici numerice pentru variabile

aleatoare discrete

Valoarea medie (speranţa matematică)

Fiind dată variabila aleatoare X cu repartiţia
⎛ x x2 ... xn ⎞
X = ⎜⎜ 1 ⎟⎟
p
⎝ 1 p 2 ... p n⎠
Valoarea medie a acesteia este numărul:
n
M ( X ) = p1 x1 + p2 x2 + ... + pn xn = ∑ pi xi
i =1

Proprietăţi:
1. M(a) = a, unde a constantă
2. M(a + X) = a + M(X)
3. M(aX) = aM(X)
4. M(aX+b) = aM(X) + b
5. min xi ≤ M ( X ) ≤ max xi
6. M(X+Y) = M(X) + M(Y)
7. Dacă X şi Y sunt variabile aleatoare independente: M(XY) =
M(X)M(Y)

Momente
Definiţia 6.3.8: Fiind dată variabila aleatoare X se numeşte
moment iniţial de ordin k al acesteia vk = M(Xk).

Abateri
Dacă X este o variabilă aleatoare şi a o constantă atunci variabila:
X – a se numeşte abaterea lui X de la a.
|X – a| abaterea absolută de la a

180
X – M(X) abaterea de la medie
|X – M(X)| abaterea absolută de la medie

Momente centrate
Se numeşte moment centrat de ordin k expresia:

[
μ k = M ( X − M ( X ))k ]
n
μ k = ∑ ( xi − M ( X ))k pi
i =1

Cazuri particulare:

k = 1 μ1 = 0

M(X-M(X))=M(X)-M(X)=0

k = 2 Dispersia

[
μ 2 = D 2 ( X ) = M ( X − M ( X ))2 ]
este un indicator important pentru măsurarea gradului de
împrăştiere a valorilor variabilei aleatoare X în jurul valorii medii
M(X).

Abaterea standard sau abaterea medie pătratică

σ = D( X ) = D 2 ( X ) = M (X 2 ) − [M ( X )]2

6.3.3 Variabile aleatoare continue

Definiţia 6.3.9: Se numeşte funcţie de repartiţie ataşată variabilei

aleatoare X funcţia
F :R→ R F ( x ) = P( X < x ) ∀x ∈ R

181
Proprietăţi
1. 0 ≤ F ( x ) ≤ 1 ∀x ∈ R
2. ∀a, b ∈ R, a < b : P(a ≤ X < b ) = F (b ) − F (a )
3. ∀x1 , x2 ∈ R, x1 < x2 : F ( x1 ) ≤ F ( x2 )
4. lim F ( x ) = P(Φ ) = 0
x → −∞

5. lim F ( x ) = P(Ω ) = 1
x→∞

6. lim F ( y ) = F ( x )
y→x
y< x

Densitatea de probabilitate

Definiţia 6.3.10: Fie variabila aleatoare X având funcţia de

repartiţie F(x). Vom spune că X este variabilă aleatoare de tip
continuu dacă funcţia de repartiţie F se poate reprezenta sub
forma: x
F ( x ) = ∫ ρ (t )dt ∀x ∈ R
−∞

funcţia ρ : R → R
numindu-se densitate de probabilitate a variabilei aleatoare X.

Proprietăţi:

1. ∀x ∈ R, ρ ( x ) ≥ 0
2. F ' ( x ) = ρ ( x ) a.p.t. pe R
b
3. P(a ≤ x < b ) = ∫ ρ ( x )dx
a
∞
4. ∫ ρ ( x )dx = 1
−∞

Caracteristici numerice pentru variabile aleatoare continue

Valoarea medie (speranţa matematică)

182
 ∞
M ( X ) = ∫ xρ ( x )dx
−∞

Momentele iniţiale de ordinul k

( )=
∞
vk = M X ∫ x ρ ( x )dx
k k

−∞
Momentele centrate de ordin k

[ ] ∞
μ k = M ( X − M ( x )) = ∫ ( x − M ( X ))k ρ ( x )dx
k

−∞
2
Dispersia D (X)
2
[ 2
] ∞
D ( X ) = M ( X − M ( x )) = ∫ ( x − M ( X )) ρ ( x )dx
−∞
2

Abaterea standard

σ = D( X ) = D 2 ( X )

6.3.4 Legi de probabilitate continue uzuale

Legea uniformă

⎧ 0 x<a
⎪x − a
F (x ) = ⎨ x ∈ [ a, b)
⎪ b − a
⎩ 1 x≥b

Legea normală a lui Gauss

2
1⎛ x−m ⎞
1 − ⎜ ⎟
ρ ( x, m, σ ) = e 2⎝ σ ⎠
σ 2π
M(X) = m, D2(X) = σ2 , D(X) = σ

183
Caz particular:
x2
1 −2
ρ ( x,0,1) = e
2π

184