DISKRETNA MATEMATIKA

Zoran Mitrovi´c
Elektrotehniˇcki fakultet u Banjaluci
2
Sadrˇzaj
1 Predgovor 5
2 Elementi teorije brojeva 7
2.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Djeljivost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Euklidov algoritam . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Prosti brojevi. Osnovna teorema aritmetike. . . . . . . . . . . . . 11
2.5 Modularne aritmetike . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6 Eulerova funkcija . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.7 Kineska teorema o ostacima . . . . . . . . . . . . . . . . . . . . . 17
2.8 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 Funkcije generatrise 19
3.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Particije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Rekurzivne relacije . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4 Kompozicijski inverz . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4 Grafovi 27
4.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Stepen ˇcvora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3 Povezani grafovi . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.4 Stabla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.5 Eulerovi i Hamiltonovi grafovi . . . . . . . . . . . . . . . . . . . . 32
4.6 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5 Optimizacija 35
5.1 Neki problemi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.2 Osnovni pojmovi . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.3 Konveksni skupovi . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.4 Politopi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.5 Konveksne funkcije . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.6 Leksikografsko uredenje vektora . . . . . . . . . . . . . . . . . . . 43
3
4 SADR
ˇ
ZAJ
5.7 Primarni i dualni problem . . . . . . . . . . . . . . . . . . . . . . 44
5.8 Simpleks metod . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6 Diskretna teorija vjerovatno´ce 53
6.1 Pojam vjerovatno´ce . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.2 Uslovna vjerovatno´ca . . . . . . . . . . . . . . . . . . . . . . . . . 56
6.3 Bernulijeva ˇsema . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.4 Diskretne sluˇcajne promjenljive . . . . . . . . . . . . . . . . . . . 60
6.5 Sluˇcajni procesi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
7 Literatura 67
Glava 1
Predgovor
-
5
6 GLAVA 1. PREDGOVOR
Glava 2
Elementi teorije brojeva
2.1 Uvod
Klasiˇcna teorija brojeva se bavi uglavnom prouˇcavanjem prirodnih cijelih i
racionalnih brojeva.
Prvi problemi iz teorije brojeva zapisani su joˇs u starom Babilonu i Egiptu
2000-3000 godina prije nove ere. Otkri´ce iracionalnih brojeva i osnovnih osobina
djeljivosti prirodnih brojeva sadrˇzani su joˇs u Euklidovim elementima.
Neki najpoznatiji rijeˇseni i nerijeˇseni problemi iz teorije brojeva su:
• Goldbachova hipoteza: Svaki se paran broj 2n, n ≥ 2, moˇze izraziti kao
suma dva prosta prirodna broja.
Tvrdnja joˇs nije dokazana. (Nagrada je 1 000 000 $).
• 10. Hilbertov problem 1900: Postoji li algoritam za nalaˇzenje rjeˇsenja
Diofantske jednaˇcine? (Negativan odgovor dao Matijaˇseviˇc 1970.)
(a) Pelova jednaˇcina: Najpoznatija Diofantska jednaˇcina je
x
2
−dy
2
= 1,
gdje je d prirodan broj koji nije kvadrat. Sva pozitivna cijela rjeˇsenja
(x
n
, y
n
) ove jednaˇcine su data sa
x
n
+

dy
n
= (x
0
+

dy
0
)
n
,
gdje je (x
0
, y
0
) najmanje rjeˇsenje Pelove jednaˇcine u pozitivnim cije-
lim brojevima.
(b) Fermatov zadnji veliki teorem: Jednaˇcina
x
n
+y
n
= z
n
,
nema rjeˇsenja u nenegativnim cijelim brojevima gdje je n prirodan
broj ve´ci od 2. (Tvrdnju je dokazao A. Wiles 1995.)
7
8 GLAVA 2. ELEMENTI TEORIJE BROJEVA
(c) Catalanova hipoteza 1843: Jedina rjeˇsenja jednaˇcine
x
u
−y
v
= 1,
u prirodnim brojevima x, y, u, v su 3
2
−2
3
= 1. (Tvrdnju je dokazao
Mihˇalescu 2003.)
• Teorema, Klaus Roth 1958, (Dobitnik Fieldsove medalje): Za
realan algebarski broj α nejednaˇcina

α −
p
q

<
1
q
2+
,
gdje je > 0, ima konaˇcno mnogo rjeˇsenja.
2.2 Djeljivost
Definicija 2.1. Neka su a i b cijeli brojevi. Kaˇzemo da a dijeli b ako je a = 0
i postoji k ∈ Z tako da je b = ak. Piˇsemo a[b i ˇcitamo ”a dijeli b”. Broj a
nazivamo djelitelj broja b, a broj b sadrˇzilac broja a.
Osobine relacije biti djelitelj :
• Refleksivnost,
• Antisimetriˇcnost,
• Tranzitivnost.
Primjer 2.1. Ako su a, b, c ∈ Z, onda iz a[b i a[c slijedi a[(nb + mc) za bilo
koja dva cijela broja m i n.
Teorema 2.1. Neka je a ∈ N i b ∈ Z tada postoje jedinstveni cijeli brojevi q i
r takvi da je b = aq +r i 0 ≤ r < a.
Dokaz. Pokaˇzimo prvo egzistenciju brojeva q i r. Konstruiˇsimo skup
S = ¦b −as ≥ 0 : s ∈ Z¦.
Skup S je neprazan podskup skupa N∪¦0¦, pa ima najmanji elemenat. Neka je
to r. Tada postoji q ∈ Z takav da je b −aq = r. Jasno je da je r ≥ 0. Pokaˇzimo
da je r < a. U suprotnom bi imali r ≥ a, pa je b −a(q + 1) = r −a > 0. Dakle,
b −a(q + 1) ∈ S i b −a(q + 1) < r ˇsto je nemogu´ce.
Pokaˇzimo jedinstvenost brojeva q i r. Pretpostavimo da je b = aq
1
+ r
1
i
b = aq
2
+r
2
, gdje je 0 ≤ r
1
< a i 0 ≤ r
2
< a. Tada je a[q
2
−q
1
[ = [r
2
−r
1
[ < a,
pa kako su q
1
i q
2
cijeli brojevi to je [q
2
−q
1
[ = 0. Znaˇci q
1
= q
2
i r
1
= r
2
.
Definicija 2.2. • Ako su a, b, ∈ Z takvi da je d[a i d[b onda d nazivamo
zajedniˇcki djelitelj od a i b.
2.2. DJELJIVOST 9
• Najve´ci zajedniˇcki djelitelj brojeva a i b oznaˇcavamo sa (a, b).
• Najmanji prirodan broj ˇciji su a i b djelitelji nazivamo najmanji za-
jedniˇcki sadrˇzilac i oznaˇcavamo sa [a, b].
Primjer 2.2. • (a, b) = (b, a) = ([a[, [b[),
• [a, b] = [b, a] = [[a[, [b[],
• ako d[a i d[b tada je d[(a, b),
• ako a[m i b[m tada je [a, b][m,
• (a, b) ≤ min¦a, b¦ ≤ max¦a, b¦ ≤ [a, b].
• ako je
a =
n
¸
j=1
p
u
j
j
i b =
n
¸
j=1
p
v
j
j
tada je
(a, b) =
n
¸
j=1
p
min{u
j
,v
j
}
j
i [a, b] =
n
¸
j=1
p
max{u
j
,v
j
}
j
.
Primjer 2.3. Odrediti (460, 200) i [460, 200].
Kako je 460 = 2
2
5 23 i 200 = 2
3
5
2
imamo (460, 200) = 2
2
5 = 20 i
[460, 200] = 2
3
5
2
23 = 4600.
Primjedba 2.1. Na sliˇcan naˇcin se moˇze definisati (a
1
, a
2
, . . . , a
n
) i [a
1
, a
2
, . . . , a
n
],
gdje su a
1
, a
2
, . . . , a
n
cijeli brojevi.
Teorema 2.2. Neka su a i b prirodni brojevi. Tada postoje cijeli brojevi x i y
takvi da je (a, b) = ax +by.
Dokaz. Skup
S = ¦ax +by > 0 : x, y ∈ Z¦
je podskup skupa N, pa ima najmanji elemenat d
0
. To znaˇci da postoje cijeli
brojevi x
0
i y
0
takvi da je d
0
= ax
0
+by
0
. Pokaˇzimo da je
d
0
[ax +by za sve x, y ∈ Z. (2.1)
Ako (2.1) ne bi vrijedilo postojali bi cijeli brojevi x
1
i y
1
takvi
d
0
ax
1
+by
1
.
Znaˇci postoje brojevi q i r, 1 ≤ r < d
0
, takvi da je
ax
1
+by
1
= qd
0
+r,
pa je
a(x
1
−qx
0
) +b(y
1
−qy
0
) = r,
ˇsto je nemogu´ce, jer je d
0
minimum skupa S. Dakle, vrijedi (2.1), pa za x = 1
i y = 0 imamo d
0
[a, a za x = 0 i y = 1 imamo d
0
[b, to znaˇci d
0
[(a, b). S druge
strane, (a, b)[a i (a, b)[b, pa (a, b)[ax
0
+by
0
to jest (a, b)[d
0
. Znaˇci d
0
= (a, b).
10 GLAVA 2. ELEMENTI TEORIJE BROJEVA
Posljedica 2.1. Ako su a i b relativno prosti brojevi to jest (a, b) = 1 tada
postoje cijeli brojevi x i y takvi da je ax +by = 1.
Primjer 2.4. Pokazati da jednaˇcina 12x + 15y = 3 ima cjelobrojna rjeˇsenja.
Kako je (12, 15) = 3 na osnovu prethodne posljedice zakljuˇcujemo da jednaˇcina
4x+5y = 1 ima cjelobrojna rjeˇsenja, pa prema tome i jednaˇcina 12x+15y = 3.
Primjedba 2.2. Iz dokaza teoreme 2.2. vidimo da je
(a, b) = min¦ax +by > 0 : x, y ∈ Z¦.
2.3 Euklidov algoritam
U prethodnoj sekciji smo vidjeli da je za rjeˇsavanje linearne Diofantove
jednaˇcine, ax + by = c, potrebno na´ci najve´ci zajedniˇcki djelilac brojeva a i
b.
Algoritam dat u slede´coj teoremi daje postupak za odredivanje najve´ceg
zajedniˇckog djelioca dva broja.
Teorema 2.3. (Euklidov algoritam) Pretpostavimo da su a, b ∈ N i a < b.
Dalje, neka su q
1
, q
2
, . . . , q
n+1
∈ Z, r
1
, r
2
, . . . , r
n
∈ N i 0 < r
n
< r
n−1
< <
r
1
< a takvi da je
b = aq
1
+r
1
a = r
1
q
2
+r
2
r
1
= r
2
q
3
+r
3
.
.
.
r
n−2
= r
n−1
q
n
+r
n
r
n−1
= r
n
q
n+1
.
Tada je (a, b) = r
n
.
Dokaz. Pokaˇzimo prvo da je (a, b) = (a, r
1
). Iz (a, b)[a, (a, b)[b i b = aq
1
+ r
1
imamo (a, b)[r
1
. Dakle, (a, b)[(a, r
1
). S druge strane, (a, r
1
)[a i (a, r
1
)[r
1
, pa
kako je b = aq
1
+ r
1
imamo (a, r
1
)[b. Dakle, (a, r
1
)[(a, b), pa je (a, b) = (a, r
1
).
Na sliˇcan naˇcin imamo
(a, r
1
) = (r
1
, r
2
) = = (r
n−1
, r
n
).
Kako je
(r
n−1
, r
n
) = r
n
,
dobijamo
(a, b) = r
n
.
2.4. PROSTI BROJEVI. OSNOVNA TEOREMA ARITMETIKE. 11
Primjer 2.5. 1. Odrediti (589, 5111).
Imamo
5111 = 589 8 + 399
589 = 399 1 + 190
399 = 190 2 + 19
190 = 19 10.
Dakle, (589, 5111) = 19.
2. Na´ci bar jedno rjeˇsenje jednaˇcine 589x + 5111y = 19.
Iz
19 = 399 −190 2
= 399 −(589 −399 1) 2
= 589(−2) + 399 3
= 589(−2) + (5111 −589 8) 3
= 5111 3 + 589(−26),
zakljuˇcujemo da je x = −26 i y = 3, pa je (−26, 3) jedno rjeˇsenje jednaˇcine
589x + 5111y = 19.
Primjedba 2.3. Ako je (x
0
, y
0
) rjeˇsenje jednaˇcine ax + by = c onda za svako
rjeˇsenje (x
t
, y
t
) te jednaˇcine vrijedi x
t
= x
0
+ bt, y
t
= y
0
− at, gdje je t ∈ Z.
Dakle, koriste´ci Euklidov algoritam moˇzemo rijeˇsiti svaku Diofantovu jednaˇcinu
ax +by = 1, gdje je (a, b) = 1.
2.4 Prosti brojevi. Osnovna teorema aritmetike.
U ovoj sekciji izuˇcavamo neke osobine prostih brojeva.
Definicija 2.3. Neka je a ∈ N i a > 1. Za broj a kaˇzemo da je prost broj ako
su jedini njegovi djelitelji 1 i a. Ako broj nije prost kaˇzemo da je sloˇzen.
Primjedba 2.4. Broj 1 nije ni prost ni sloˇzen.
Primjer 2.6. Za svaki prirodan broj k postoji k uzastopnih sloˇzenih brojeva.
Naime, ako stavimo n = k + 1 tada su
n! + 2, n! + 3, . . . , n! +n
sloˇzeni brojevi.
Teorema 2.4. Neka su a
1
, a
2
, . . . , a
n
∈ Z i p prost broj. Ako p[a
1
a
2
a
n
tada p[a
j
za neko j ∈ ¦1, . . . , n¦.
12 GLAVA 2. ELEMENTI TEORIJE BROJEVA
Teorema 2.5. (Osnovna teorema aritmetike) Faktorizacija svakog prirodnog
broja n > 1 na proste faktore je jedinstvena.
Dokaz. Prvo ´cemo indukcijom pokazati da svaki prirodan broj n ≥ 2 ima repre-
zentaciju koja se sastoji od proizvoda prostih brojeva. Broj 2 ima reprezentaciju
koja se sastoji od prostih brojeva. Prepostavimo sada da je n > 2 i da svaki
prirodan broj m za koji vrijedi 2 ≤ m < n ima reprezentaciju koja se sastoji od
proizvoda prostih brojeva. Ako je n prost broj tada je dokaz gotov, u suprotnom
postoje prirodni brojevi n
1
i n
2
takvi da je 2 ≤ n
1
< n i 2 ≤ n
2
< n i n = n
1
n
2
.
Zbog indukcijske pretpostavke n
1
i n
2
imaju reprezentacije preko proizvoda
prostih brojeva, pa prema tome takvu reprezentaciju ima i broj n.
Dokaˇzimo sada jedinstvenost. Prepostavimo da je
n = p
1
p
2
p
r
= p

1
p

2
p

s
,
gdje su p
1
≤ p
2
≤ ≤ p
r
, p

1
≤ p

2
≤ p

s
prosti brojevi. Imamo p
1
[p

1

p

2
p

s
, pa p
1
[p

i
za neki i ∈ ¦1, . . . , s¦. S druge strane p

1
[p
1
p
2
p
r
, pa p

1
[p
j
za neki j ∈ ¦1, . . . , r¦. Dakle, imamo
p
1
= p

i
≥ p

1
= p
j
≥ p
1
,
pa je p
1
= p

1
. Sada je
p
2
p
r
= p

2
p

s
,
pa se na sliˇcan naˇcin pokaˇze da je r = s i p
i
= p

i
, i = 1, . . . , r.
Posljedica 2.2. Neka je n prirodan broj. Tada postoje prosti brojevi p
1
, . . . , p
k
i prirodni brojevi α
1
, . . . α
k
takvi da je
n = p
α
1
1
p
α
k
k
. (2.2)
Definicija 2.4. Reprezentacija (2.2) se naziva kanonska dekompozicija broja
n.
Teorema 2.6. (Euklid) Skup prostih brojeva je beskonaˇcan.
Dokaz. Pretpostavimo suprotno. Neka su p
1
< p
2
< < p
k
svi prosti brojevi.
Tada je na osnovu osnovnog teorema aritmetike broj n = p
1
p
2
p
k
+1 djeljiv
sa p
j
za neko j ∈ ¦1, . . . , k¦. Dakle, p
j
[n − p
1
p
2
p
k
, to jest p
j
[1 ˇsto je
nemogu´ce.
Sljede´ca teorema je poznata kao mala Fermatova teorema.
Teorema 2.7. (Pierre de Fermat, 1601-1655) Neka je a prirodan broj i p prost
tada je p[a
p
−a.
Dokaz. Dokaza´cemo teoremu koriste´ci indukciju po a. Za a = 1 tvrdnja je
trivijalna. Neka je a > 1 i stavimo a = b + 1. Tada je
a
p
−a = (b + 1)
p
−(b + 1) = b
p
+

p
1

b
p−1
+ +

p
p −1

b + 1 −b −1.
2.5. MODULARNE ARITMETIKE 13
= (b
p
−b) +

p
1

b
p−1
+ +

p
p −1

b.
Po indukcijskoj hipotezi b
p
− b je djeljivo sa p. S druge strane, kako je p prost
to je p[

p
k

, k = 1, p −1, pa je dokaz gotov.
Primjer 2.7. Pokazati da postoji prirodan broj k takav da je 11
23
= 11+23 k.
2.5 Modularne aritmetike
U ovoj sekciji, koriste´ci osobine prostih brojeva nastavljamo da izuˇcavamo
relaciju ”a dijeli b”.
Definicija 2.5. Ako je n[a −b onda kaˇzemo da je a kongruentno b modulo
n i to piˇsemo
a ≡ b(modn).
Osobine relacije ”biti kongruentan modulo n”:
• Relacija ”biti kongruentan modulo n”je relacija ekvivalencije na skupu
Z. Svi cijeli brojevi koji su kogruentni po datom modulu obrazuju jednu
klasu brojeva. Tako na primjer po modulu 3 imamo tri klase brojeva :
– klasu brojeva oblika 3k koji su djeljivi sa 3, odnosno kongruentni su
nuli po modulu 3,
– klasu brojeva oblika 3k +1 koji prilikom dijeljenja sa 3 daju ostatak
1, odnosno kongruentni si jedinici po modulu 3,
– klasu brojeva oblika 3k + 2 koji prilikom dijljenja sa 3 daju ostatak
2, odnosno kongruentni su broju 2 po modulu 3.
Primjer 2.8. Odrediti prirodan broj p ako su p i 8p
2
+ 1 prosti brojevi.
Prema prethodnom svaki se cijeli broj moˇze zapisati u jednom od sljede´ca
tri oblika :
n = 3k, n = 3k + 1 n = 3k −1,
gdje je k cijeli broj. Ako je p = 3 onda je p oblika 3k ± 1, jer je p prost.
U oba sluˇcaja je
8p
2
+ 1 = 3(24k
2
±16k + 3)
djeljivo sa. Dakle, ostaje jedino mogu´cnost da je p = 3 i u tom sluˇcaju
imamo 8p
2
+ 1 = 73 ˇsto je prost broj.
• Ako je a ≡ b(modn) i c ≡ d(modn) onda je a ± c ≡ b ± d(modn) i
ac ≡ bd(modn).
• Ako je a ≡ b(modn), d ∈ N i d[n onda je a ≡ b(modd).
• Ako je a ≡ b(modn) onda je ac ≡ bc(modn) za svaki prirodan broj c.
14 GLAVA 2. ELEMENTI TEORIJE BROJEVA
• Ako je a ≡ b(modn) onda je a
k
≡ b
k
(modn) za svaki prirodan broj k.
• Ako je ac ≡ bc(modn) i (c, n) = 1 onda je a ≡ b(modn).
Dokaˇzimo na primjer posljednju osobinu.
Neka je ac ≡ bc(modn). Tada imamo n[c(a − b), pa kako je (c, n) = 1 to je
n[a −b. Znaˇci a ≡ b(modn).
Primjedba 2.5. Moˇze se pokazati da je ac ≡ bc(modn) ako i samo ako je
a ≡ b

mod
n
(c,n)

.
Primjer 2.9. Odrediti posljednju cifru u dekadnom zapisu broja 3
400
.
Vrijedi 3
4
≡ 1(mod10), pa je
3
400
≡ 1
100
(mod10),
to jest
3
400
≡ 1(mod10).
Dakle, posljednja cifra broja 3
400
je 1.
Primjedba 2.6. Malu Fermatovu teoremu moˇzemo zapisati i na sljede´ci naˇcin:
Ako je a prirodan broj i p prost onda je a
p
≡ a(modp).
2.6 Eulerova funkcija
Definicija 2.6. Neka je ϕ(n) broj prirodnih brojeva koji nisu ve´ci od n, a
uzajamno su prosti sa n. Definiˇsimo ϕ(1) = 1. Na taj naˇcin je definisana
funkcija ϕ : N →N koja se naziva Ojlerova funkcija.
Primjer 2.10. Nekoliko prvih vrijednosti funkcije ϕ dato je sljede´com tabelom:
n 1 2 3 4 5 6 7 8 9 10 11 12
ϕ(n) 1 1 2 2 4 2 6 4 6 4 10 4
Definicija 2.7. Funkcija f : N →N je multiplikativna ako je f(mn) = f(m)f(n)
za sve prirodne brojeve m i n za koje je (m, n) = 1.
Da´cemo neke osobine Eulerove funkcije.
Teorema 2.8. Ojlerova funkcija je multiplikativna.
Dokaz. Neka je (m, n) = 1. treba odrediti broj ϕ(mn) elemenata koji su uza-
jamno prosti sa mn u sljede´coj tabeli:
1 2 k n
n + 1 n + 2 n +k 2n
.
.
.
.
.
.
.
.
.
.
.
.
(m−1)n + 1 (m−1)n + 2 (m−1)n +k mn
2.6. EULEROVA FUNKCIJA 15
U bilo kojoj koloni tabele su svi elementi uzajamno prosti sa n ili nijedan.
Kolona u kojoj su svi elementi uzajamno prosti sa n ima ϕ(n). Kako je (m, n) =
1 u svakoj takvoj koloni ima ϕ(m) koji su uzajmno prosti sa m. Dakle ukupan
broj elemenata koji su uzajamno prosti i sa m i sa n je ϕ(m)ϕ(n).
Teorema 2.9. Ako je n = p
α1
1
p
α2
2
p
α
k
k
kanonska faktorizacija broja n onda
je
ϕ(n) = n

1 −
1
p
1

1 −
1
p
2

1 −
1
p
k

.
Dokaz. Ako je p prost broj onda u nizu
1, 2, . . . , p, . . . , 2p, . . . , p
α−1
p
ima p
α−1
brojeva djeljivih sa p, pa je ϕ(p
α
) = p
α
−p
α−1
. Odavde i iz prethodne
teoreme dobijamo
ϕ(n) = ϕ(p
α
1
1
)ϕ(p
α
2
2
) ϕ(p
α
k
k
) = p
α
1
1

1 −
1
p
1

p
α
2
2

1 −
1
p
2

p
α
k
k

1 −
1
p
k

,
ˇcime je dokaz zavrˇsen.
Primjer 2.11.
ϕ(120) = ϕ(2
3
3 5) = 2
2
3
0
5
0
(2 −1)(3 −1)(5 −1) = 32.
Teorema 2.10. (Gaussova formula) Za svaki prirodan broj n vrijedi
¸
d|n
ϕ(d) = n.
Dokaz. Neka je n = p
α
1
1
p
α
2
2
p
α
k
k
, gdje su p
i
razliˇciti prosti brojevi. Tada je
¸
d|n
ϕ(d) = (ϕ(1) +ϕ(p
1
) + +ϕ(p
α1
1
)) (ϕ(1) +ϕ(p
2
) + +ϕ(p
α2
2
))
(ϕ(1) +ϕ(p
k
) + +ϕ(p
α
k
k
)) = (1 +p
1
−1 +p
2
1
−p
1
+ +p
α1
1
−p
α1−1
1
)
(1+p
2
−1+p
2
2
−p
2
+ +p
α
2
2
−p
α
2
−1
2
) (1+p
k
−1+p
2
k
−p
k
+ +p
α
k
k
−p
α
k
−1
k
) =
= p
α
1
1
p
α
2
2
p
α
k
k
= n.
Teorema 2.11. (Eulerova teorema) Ako je (a, m) = 1 onda je
a
ϕ(m)
≡ 1(modm).
16 GLAVA 2. ELEMENTI TEORIJE BROJEVA
Dokaz. Neka su α
1
, α
2
, . . . , α
ϕ(m)
razliˇciti brojevi koji su uzajamno prosti sa m
i manji od m. Kako je (a, m) = 1 uzajamno prosti brojevi sa m su i

1
, aα
2
, . . . , aα
ϕ(m)
.
Iz osobina relacije ”biti kongruentan”imamo
a
ϕ(m)
α
1
α
2
α
ϕ(m)
≡ α
1
α
2
α
ϕ(m)
(modm).
Kako je (α
i
, m) = 1 imamo
a
ϕ(m)
≡ 1(modm).
Posljedica 2.3. (Mala Fermatova teorema) Ako je p prost broj i p ne dijeli a
onda je
a
p−1
≡ 1(modp).
Primjer 2.12. Ako su a i m uzajamno prosti prirodni brojevi, tada postoji
rjeˇsenje kongruencije
ax ≡ b(modm).
Naime, iz Eulerove teoreme imamo
b(a
ϕ(m)−1
−1) ≡ 0(modm),
pa je rjeˇsenje, x = ba
ϕ(m)−1
.
Primjer 2.13. Na´ci sve proste brojeve p za koje je broj 5
p
2
+ 1 djeljiv sa p
2
.
Oˇcigledno je p = 5. Sada moˇzemo primijeniti Eulerovu teoremu:
5
ϕ(p
2
)
≡ 1(modp
2
),
to jest
5
p
2
−p
≡ 1(modp
2
).
Dakle,
5
p
2
+ 1 ≡ 5
p
5
p
2
−p
+ 1 ≡ 5
p
+ 1(modp
2
).
Znaˇci treba da je
5
p
+ 1 ≡ 0(modp
2
).
Prema maloj Fermatovoj teoremi, je
5
p
≡ 5(modp),
pa je
5
p
+ 1 ≡ 5 + 1 ≡ 0(modp).
Dakle, p = 2 ili p = 3. Za p = 2 je 5
2
+1 ≡ 2(mod4), za p = 3 je 5
9
≡ −1(mod9).
Prema tome p = 3.
2.7. KINESKA TEOREMA O OSTACIMA 17
2.7 Kineska teorema o ostacima
U primjeru 2.12 vidjeli smo kako se mogu rjeˇsavati neke kongruencije. Sljede´ca
teorema daje potreban i dovoljan uslov kada sistem kongruencija ima rjeˇsenje.
Teorema 2.12. ( Kineska teorema o ostacima) Neka su m
1
, . . . , m
r
po
parovima uzajamno prosti brojevi i neka su a
1
, . . . , a
r
proizvoljni cijeli brojevi.
Tada postoji rjeˇsenje sistema kongruencija:
x ≡ a
1
(modm
1
)
.
.
.
x ≡ a
r
(modm
r
).
Ako je x
0
jedno rjeˇsenje gornjeg sistema, onda je x njegovo rjeˇsenje ako i samo
ako je x = x
0
+km, gdje je k ∈ Z, a broj m = m
1
m
r
.
Dokaz. Stavimo m = m
1
m
r
, tada je

m
m
j
, m
j

= 1, j = 1, . . . , .
Prema primjeru 2.12 za sve j postoji cijeli broj b
j
takav da je
m
m
j
b
j
≡ 1(modm
j
).
Jasno,
m
m
j
b
j
≡ 1(modm
i
) za i = j.
Stavimo
x
0
=
r
¸
j=1
m
m
j
b
j
a
j
,
oˇcigledno je
x
0

m
m
i
b
i
a
i
≡ a
i
(modm
i
).
Dakle, x
0
je rjeˇsenje sistema.
Ako je x
1
rjeˇsenje, imamo
x
1
≡ x
0
(modm
i
), i = 1, . . . , r,
pa je x
1
= x
0
+ km za neko k ∈ Z. Osim toga x
0
+ km zadovoljava sistem, pa
je teorema dokazana.
Primjedba 2.7. Uslov da su m
i
po parovima uzajamno prosti je bitan, jer na
primjer sistem
x ≡ 0(mod2)
x ≡ 1(mod2),
nema rjeˇsenje.
18 GLAVA 2. ELEMENTI TEORIJE BROJEVA
Primjer 2.14. Odrediti najmanji prirodan boj x za koji je
x ≡ 5(mod17)
x ≡ 7(mod11)
x ≡ 3(mod13).
Uvedimo oznake kao u teoremi 2.12,
a
1
= 5, a
2
= 7, a
3
= 3,
m
1
= 7, m
2
= 11, m
3
= 13, m = 7 11 13 = 1001,
m
m
1
= 143,
m
m
2
= 91,
m
m
3
= 77.
Odredimo b
1
, b
2
, b
3
. Iz 143b
1
≡ 1(mod7), dobijamo 3b
1
≡ 1(mod7), pa je
b
1
≡ 3
ϕ(7)−1
≡ 3
6−1
≡ 243 ≡ 5(mod7),
na sliˇcan naˇcin, iz 3b
2
≡ 1(mod11) i 77b
3
≡ 1(mod13) dobijamo
b
2
≡ 3
ϕ(11)−1
≡ 4(mod11),
b
3
≡ (−1)
ϕ(13)−1
≡ −1(mod13).
Znaˇci,
x
0
=
m
m
1
b
1
a
1
+
m
m
2
b
2
a
2
+
m
m
3
b
3
a
3
= 143 5 5 + 91 4 7 + 77 (−1) 3 = 5982.
Kako je x
0
= 5 1001+887, zakljuˇcujemo da je 887 najmanji prirodan broji koji
je rjeˇsenje sistema.
2.8 Zadaci
1. Dati su brojevi 125 i 962.
(a) Odrediti njihove kanonske dekompozicije.
(b) Na´ci (125, 962).
(c) Na´ci [125, 962].
2. Koriste´ci Euklidov algoritam rijeˇsiti Diofantsku jednaˇcinu (210, 858) =
210x + 858y. Dati i opˇste rjeˇsenje te jednaˇcine.
3. Koriste´ci Eulerovu teoremu rijeˇsiti kongruencijsku jednaˇcinu
22x ≡ 1(mod729).
4. Dokazati Gausovu formulu o Eulerovoj funkciji.
5. Rijeˇsiti sistem kongruencijskih jednaˇcina
x ≡ 2(mod3)
x ≡ 3(mod5)
x ≡ 2(mod7).
Glava 3
Funkcije generatrise
3.1 Uvod
Ovde dajemo metod za rjeˇsavanje kombinatornih problema u vezi sa pre-
brojavanjima poznat kao metod funkcija generatrisa. Osnovna ideja je da se
nekom nizu brojeva dodjeljuje jedna funkcija i da se manipulacija umjesto sa
beskonaˇcno mnogo objekata vrˇsi sa jednim objektom. Ova metoda potiˇce od L.
Eulera, J. Stirlinga i De Moivr´e-a iz 18. vijeka.
Definicija 3.1. Neka je ¦a
n
¦ niz realnih ili kompleksnih brojeva. Funkcija
generatrisa (FG) datog niza je stepeni red
a(t) =
+∞
¸
n=0
a
n
t
n
.
Eksponencijalna funkcija generatrisa (EFG) je stepeni red oblika
e(t) =
+∞
¸
n=0
a
n
n!
t
n
.
Neka su f(t) =
+∞
¸
n=0
a
n
t
n
i g(t) =
+∞
¸
n=0
b
n
t
n
dva stepena reda, to jest funkcije
generatrise za nizove ¦a
n
¦ i ¦b
n
¦ redom. Tada vrijedi
• Pravilo jednakosti: Funkcije generatrise f i g su jednake ako i samo ako
su im odgovaraju´ci koeficijenti jednaki, to jest
f = g ⇔a
n
= b
n
(∀n ≥ 0).
• Pravilo zbira: Suma f + g je stepeni red ˇciji je koeficijent uz t
n
jednak
sumi odgovaraju´cih koeficijenata, to jest
(f +g)(t) = f(t) +g(t) =
+∞
¸
n=0
(a
n
+b
n
)t
n
.
19
20 GLAVA 3. FUNKCIJE GENERATRISE
• Pravilo proizvoda: Proizvod f g je stepeni red ˇciji je koeficijent uz t
n
jednak c
n
, pri ˇcemu je
c
n
=
n
¸
k=0
a
k
b
n−k
, (∀n ≥ 0).
Dalje, ako je f(t) =
+∞
¸
n=0
a
n
t
n
FG za niz ¦a
n
¦ onda je derivacija
f

(t) =
+∞
¸
n=0
(n + 1)a
n+1
t
n
,
pa je tf

(t) FG za niz ¦na
n
¦.
S druge strane, integral daje

t
0
f(x)dx =
+∞
¸
n=1
1
n
a
n−1
t
n
,
to jest FG za niz ¦
an
n
¦.
Primjer 3.1. Odrediti FG za sljede´ce nizove :
(a) 1, 1, 1, . . . , (b) 0, 1, 2, 3, . . . , n, . . . , (c) 0, 1, 4, 9, . . . , n
2
, . . . .
Oznaˇcimo redom sa f
0
, f
1
, f
2
traˇzene funkcije generatrise. Tada je
(a) f
0
(t) = 1 +t +t
2
+ =
1
1−t
([t[ < 1).
(b) Ako deriviramo obe strane prethodne jednakosti po t imamo
1 + 2t + 3t
2
+ =
1
(1 −t)
2
,
a odavde mnoˇzenjem po t slijedi
t + 2t
2
+ 3t
3
+ =
t
(1 −t)
2
.
(c) Na sliˇcan naˇcin kao pod (b) dobijamo
f
2
(t) =
t(1 +t)
(1 −t)
3
.
Na kraju ove sekcije navodimo jedan ilustrativan primjer.
Primjer 3.2. Na koliko se naˇcina mogu 24 jabuke podijeliti izmedju ˇcetvero
djece tako da za svako dijete dobije barem 3, ali ne viˇse od 8 jabuka.
Podjelu jabuka koje svako dijete moˇze primiti moˇzemo reprezentirati sa x
3
+
x
4
+ + x
8
. Kako se radi o ˇcetvero djece odgovaraju´ca FG je f(x) = (x
3
+
x
4
+ +x
8
)
4
. Traˇzi se koeficijent uz x
24
od f(x). Kako je
f(x) = x
12
(1 +x +x
2
+ +x
5
)
4
= x
12

1 −x
6
1 −x

4
,
3.2. PARTICIJE 21
treba odrediti koeficijent uz x
12
od

1 −x
6
1 −x

4
= (1 −x
6
)
4
(1 −x)
−4
=
¸
1 −

4
1

x
6
+

4
4

x
12

¸
−4
0

+

−4
1

(−x) +

−4
2

(−x)
2
+

,
a taj je jednak
¸
−4
12

(−1)
12

4
1

−4
6

(−1)
6
+

4
2

−4
0

.
Odavde zakljuˇcujemo da je traˇzeni broj 125.
3.2 Particije
Uopˇstenje primjera 3.2 dovodi nas do problema particije broja. Particija
broja n ∈ N je prikaz broja n kao zbira prirodnih brojeva (pri tome nije bitan
poredak sabiraka). Broj particija broja n se oznaˇcava sa p(n). Po definiciji je
p(0) = 0.
Teorema 3.1. FG za niz brojeva ¦p(n)¦ je data sa
P(x) =
+∞
¸
k=1
1
1 −x
k
.
U stvari, koeficijent uz x
n
u proizvodu
m
¸
k=1
1
1 −x
k
, m ≥ n,
jednak je broju particija p(n) od n.
Dokaz. Kako je
1
1 −x
k
= 1 +x
k
+x
2k
+x
3k
+ ,
imamo da je koeficijent uz x
n
u proizvodu
+∞
¸
k=1
1
1 −x
k
jednak broju naˇcina da se x
n
prikaˇze kao x
k
1
+2k
2
+3k
3
+···nk
n
, to jest broju naˇcina
da se n prikaˇze kao suma k
1
+ 2k
2
+ 3k
3
+ nk
n
, a to je broj particija broja
n.
Na sliˇcan naˇcin se dokazuje i sljede´ca teorema.
22 GLAVA 3. FUNKCIJE GENERATRISE
Teorema 3.2. Koeficijent uz x
n
razvoja u red od
1
(1 −x
a
)(1 −x
b
)(1 −x
c
)
jednak je broju naˇcina da se n napiˇse kao suma nekoliko a−ova b−ova, c−ova. . . .
Ako sa p
k
(n) oznaˇcimo broj particija od n u kojima se javljaju samo brojevi
1, 2, . . . , k tada na osnovu prethodne teoreme dobijamo sljede´ce tvrdjenje.
Posljedica 3.1. FG za niz ¦p
k
(n)¦ je
1
(1 −x)(1 −x
2
) (1 −x
k
)
.
Na kraju dajemo jednu aproksimaciju za broj p(n).
Iz
P(x) =
+∞
¸
k=1
1
1 −x
k
dobijamo
ln P(x) = −ln(1 −x) −ln(1 −x
2
) −ln(1 −x
3
) − .
Zbog Taylorovog razvoja funkcije t →ln(1 −t) imamo
ln P(x) =

x +
x
2
2
+
x
3
3
+

+

x
2
+
x
4
2
+
x
6
3
+

+

x
3
+
x
3
2
+
x
9
3
+

+ =
x
1 −x
+
1
2
x
2
1 −x
2
+
1
3
x
3
1 −x
3
+ .
Ako je 0 < x < 1 vrijedi
1
n
x
n
1 −x
n
=
1
n

x
1 −x

x
n−1
1 +x +x
2
+ x
n−1
<
1
n
2

x
1 −x
.
Dakle,
ln P(x) <
x
1 −x

1 +
1
2
2
+
1
3
2
+

.
Kako je
1 +
1
2
2
+
1
3
2
+ =
π
2
6
,
dobijamo
ln P(x) <
π
2
x
6(1 −x)
.
S druge strane P(x) je ve´ci od svakog ˇclana, pa je P(x) > p(n)x
n
. Zbog toga
dobijamo
ln p(n) < ln P(x) −nln x <
π
2
x
6(1 −x)
−nln x.
3.3. REKURZIVNE RELACIJE 23
Kako je
ln x >
x −1
x
, za sve x ∈ (0, 1),
vrijedi
ln p(n) <
π
2
x
6(1 −x)
+n
1 −x
x
.
Ako ovdje stavimo
x =

n

n + 1
dobijamo
ln p(n) <

π
2
6
+ 1


n,
p(n) < e

π
2
6
+1


n
.
Primjedba 3.1. G. Hardy i S. Ramanujan su pokazali da je
p(n) ∼
1
4

3n
e
π

2n
3
.
3.3 Rekurzivne relacije
Funkcije generatrise su pogodne za rekurzivne relacije. Naime, takva funkcija
zamjenjuje ˇcitav niz zadan rekurzivno. Ovde navodimo neke primjere.
Primjer 3.3. (Fibonaccijev niz) Odrediti FG i na´ci eksplicitni izraz za F
n
ako
je F
0
= 0, F
1
= 1 i F
n+2
= F
n+1
+F
n
, n ≥ 0.
Neka je
F(x) =
+∞
¸
n=0
F
n
x
n
.
Iz relacije F
n+2
= F
n+1
+F
n
mnoˇze´ci sa x
n+2
i sumiranjem po n dobijamo
¸
n=0
F
n+2
x
n+2
=
¸
n=0
F
n+1
x
n+2
+
¸
n=0
F
n
x
n+2
.
Odavde je
F(x) −F
0
−F
1
x = xF(x) +x
2
F(x).
Dakle,
F(x) −x = xF(x) +x
2
F(x),
pa je
F(x) =
x
1 −x −x
2
.
Rastavljanjem funkcije F na parcijalne razlomke dobijamo
F(x) =
1

5

1
1 −αx

1
1 −βx

,
24 GLAVA 3. FUNKCIJE GENERATRISE
gdje je α =
1+

5
2
, β =
1−

5
2
. Sada rastavljanjem u geometrijski red, dobijamo
F(x) =
1

5
(1 +αx +α
2
x
2
+ −1 −βx −β
2
x
2
− ).
Odavde zakljuˇcujemo da je koeficijent uz x
n
, to jest F
n
dat sa
F
n
=
1

5

n
−β
n
).
Primjer 3.4. (Problem dijagonalnih triangulacija n-terokuta) Neka je a
1
= 1 i
za svako n ≥ 2, a
n
= a
1
a
n−1
+a
2
a
n−2
+ +a
n−1
a
1
. Odrediti eksplicitno a
n
.
Neka je f(x) =
+∞
¸
n=1
a
n
x
n
. Kvadriranjem dobijamo
f(x)
2
=
+∞
¸
n=2
n−1
¸
k=1
a
k
a
n−k
x
n
,
pa zbog relacije
a
n
= a
1
a
n−1
+a
2
a
n−2
+ +a
n−1
a
1
,
je
f(x)
2
= f(x) −x,
to jest
f(x)
2
−f(x) +x = 0.
Odavde dobijamo
f(x) =
1 −

1 −4x
2
ili f(x) =
1 +

1 −4x
2
.
Kako je po definiciji f(0) = 0, zakljuˇcujemo
f(x) =
1 −

1 −4x
2
.
Sada koriste´ci Taylorov razvoj dobijamo
f(x) =
+∞
¸
n=0
1
n + 1

2n
n

x
n+1
.
Dakle,
a
n
=
1
n

2n −2
n −1

.
Primjedba 3.2. Broj
1
n

2n −2
n −1

se naziva Catalanov broj.
3.4. KOMPOZICIJSKI INVERZ 25
Na kraju navodimo primjer koji pokazuje da se i neki sistemi rekurzija mogu
rjeˇsavati koriste´ci funkcije generatrise.
Primjer 3.5. Neka je a
0
= 1, b
0
= 0 i
a
n+1
= 2a
n
+b
n
b
n+1
= a
n
+b
n
.
Odrediti a
n
i b
n
.
Neka su f i g FG za nizove ¦a
n
¦ i ¦b
n
¦ redom. U tom sluˇcaju je
f(x) −a
0
= 2xf(x) +xg(x)
g(x) −b
0
= xf(x) +xg(x).
Odavde dobijamo
f(x) =
1 −x
x
2
−3x + 1
, g(x) =
x
x
2
−3x + 1
.
Sada iz Taylorovog razvoja imamo
a
n
=
5 −

5
10

3 +

5
2

n+1
+
5 +

5
10

3 −

5
2

n+1
,
b
n
=
3

5 −5
10

3 +

5
2

n+1

3

5 + 5
10

3 −

5
2

n+1
.
Primjedba 3.3. Prethodni primjer daje model za ˇsirenje neutrona visoke i niske
energije nakon njihovog sudara s jezgrama fisijske materije.
3.4 Kompozicijski inverz
Definicija 3.2. Za funkciju f kaˇzemo da je kompozicijski inverz funkcije g
na skupu D ako vrijedi f(g(x)) = g(f(x)) = x za sve x ∈ D.
Sljede´ca teorema daje potreban i dovoljan uslov kada FG ima kompozicijski
inverz.
Teorema 3.3. Funkcija generatrisa f(x) = a
1
x + a
2
x
2
+ ima jedinstveni
kompozicijski inverz f
−1
(x) ako i samo ako je a
1
= 0.
Dokaz. Neka je g(x) = b
1
x + b
2
x
2
+ tako da je f(g(x)) = 1. U tom sluˇcaju
vrijedi
a
1
(b
1
x +b
2
x
2
+ ) +a
2
(b
1
x +b
2
x
2
+ )
2
+a
3
(b
1
x +b
2
x
2
+ )
3
= x.
Na osnovu toga dobijamo beskonaˇcan sistem jednaˇcina
a
1
b
1
= 1
26 GLAVA 3. FUNKCIJE GENERATRISE
a
1
b
2
+a
2
b
2
1
= 0
a
1
b
3
+ 2a
1
b
1
b
2
+a
3
b
3
1
= 0
.
.
.
Prvu jednaˇcinu moˇzemo jednoznaˇcno rijeˇsiti po b
1
ako i samo ako je a
1
= 0.
Tada moˇzemo i drugu jednaˇcinu rijeˇsiti po b
2
i tre´cu po b
3
itd. Dakle g(x)
postoji i jedinstven je ako i samo ako je a
1
= 0.
Primjer 3.6. Ako je y =
+∞
¸
n=1
x
n
n!
odrediti niz ¦a
n
¦ takav da je x =
+∞
¸
n=1
a
n
y
n
.
Kako je y = e
x
−1, zadatak se svodi na odredjivanje kompozicijskog inverza od
e
x
−1. Jednostavno se vidi da je (e
x
−1)
−1
= ln(1 +x). Kako je
ln(1 +x) =
+∞
¸
n=1
(−1)
n−1
n
x
n
,
zakljuˇcujemo da je a
n
=
(−1)
n−1
n
.
3.5 Zadaci
1. Imamo 8 novˇcanica od 1 KM, 6 od 2 KM i 4 od 5 KM. Na koliko naˇcina
se moˇze isplatiti suma od 14 KM?
2. Pokazati da je FG za niz a
n
=

2n
n

, n ≥ 0 jednaka (1 −4x)

1
2
.
3. Pokazati da je
n
¸
k=0
2k + 1
2
2k

2k
k

=
(2n + 2)(2n + 3)
3 4
n+1

2n + 2
n + 1

.
(Koristiti FG i (1 −4x)

1
2
(1 −4x)

3
2
= (1 −4x)

5
2
.)
4. Neka je ¦a
n
¦ niz za koji je a
0
= 0, a
1
= 1, a
2
= −1, a za n ≥ 3 je
a
n
+a
n−1
−16a
n−2
+ 20a
n−3
= 0.
Odrediti FG za ¦a
n
¦ i opˇsti ˇclan niza ¦a
n
¦.
5. Ako je y =
+∞
¸
n=1
x
n
n
odrediti niz ¦a
n
¦ takav da je x =
+∞
¸
n=1
a
n
y
n
.
Glava 4
Grafovi
4.1 Uvod
Prije nego damo definiciju grafa naveˇs´cemo jedan primjer. Naime, graf
moˇzemo shvatiti kao objekat koji se sastoji od ˇcvorova i ivica koje spajaju neke
od ˇcvorova.
Primjer 4.1. Graf
ima ˇcvorove 1, 2, 3, 4, 5, dok ivice moˇzemo oznaˇciti sa ¦1, 2¦, ¦1, 3¦, ¦4, 5¦.
Dakle, vrhove moˇzemo opisati kao podskupove od skupa ˇcvorova koji se sastoje
od 2 elementa.
Definicija 4.1. Graf je uredjeni par G = (V, E), gdje je V konaˇcan podskup
i E je familija 2-ˇclanih poskupova od V . Elementi od V se nazivaju ˇcvorovi
(vrhovi) a elementi od E grane (ivice) grafa G. Za vrhove x, y ∈ kaˇzemo da su
povezani ako vrijedi ¦x, y¦ ∈ E.
Primjer 4.2. U primjeru 4.1. imamo V = ¦1, 2, 3, 4, 5¦ i E = ¦¦1, 2¦, ¦1, 3¦, ¦4, 5¦¦.
Vrhovi 2 i 3 su takodje povezani preko vrha 1, ali nisu povezani jer ¦2, 3¦ / ∈ E.
Graf moˇzemo reprezentirati i njegovom tabelom incidencije
1 2 3 4 5
2 1 1 5 4
3
Primjer 4.3. Neka je n ∈ N. Graf W
n
= (V, E), gdje je V = ¦0, 1, 2, . . . , n¦ i
E = ¦¦0, 1¦, ¦0, 2¦, . . . , ¦0, n¦, ¦1, 2¦, ¦2, 3¦, . . . , ¦n −1, n¦, ¦n, 1¦¦,
27
28 GLAVA 4. GRAFOVI
nazivamo toˇcak. Taj graf se moˇze reprezentovati sa sljede´com tabelom inciden-
cije
0 1 2 3 n-1 n
1 0 0 0 0 0
.
.
. 2 3 4 n 1
n n 1 2 n-2 n-1
Na primjer W
4
moˇzemo prikazati na sljede´ci naˇcin
Primjer 4.4. Graf K
n
= (V, E), gdje je V = ¦1, 2, . . . , n¦ i E = ¦(i, j) : 1 ≤
i < j ≤ n¦ nazivamo kompletan graf. U tom grafu je svaki par razliˇcitih
ˇcvorova povezan. Na primjer K
4
moˇzemo ilustrovati sljede´com slikom
Definicija 4.2. Za graf G
1
= (V
1
, E
1
) kaˇzemo da je podgraf grafa G
2
=
(V
2
, E
2
) ako vrijedi V
1
⊆ V
2
i E
1
⊆ E
2
.
Primjer 4.5. Graf na slici
je podgrafa na slici
Definicija 4.3. Za dva grafa G
1
= (V
1
, E
1
) i G
2
= (V
2
, E
2
) kaˇzemo da su
izomorfmni ako postoji funkcija α : V
1
→V
2
koja ipunjava sljede´ce uslove :
(GI1) α : V
1
→V
2
je injekcija,
(GI2) α : V
1
→V
2
je sirjekcija,
(GI3) Za sve x, y ∈ V
1
, ¦x, y¦ ∈ E
1
ako i samo ako ¦α(x), α(y)¦ ∈ E
2
.
4.2. STEPEN
ˇ
CVORA 29
Primjer 4.6. Grafovi na sljede´coj slici su izomorfni.
Moˇzemo uzeti na primjer α(a) = 2, α(b) = 1, α(c) = 3 i α(d) = 4.
4.2 Stepen ˇcvora
Definicija 4.4. Neka je dat graf G = (V, E) i v ∈ V ˇcvor od G. Stepen ˇcvora
v je broj
δ(v) = [¦e ∈ E : v ∈ e¦[,
to jest broj grana od G koji sadrˇze ˇcvor v.
Primjer 4.7. Za graf W
4
vrijedi δ(0) = 4 i δ(v) = 3 za svaki v ∈ ¦1, 2, 3, 4¦.
Primjer 4.8. Za svako kompletan graf K
n
je δ(v) = n −1 za svaki v ∈ V.
Teorema 4.1. Neka je dat graf G = (V, E). Tada vrijedi
¸
v∈V
δ(v) = 2[E[.
Dokaz. Dokaz slijedi iz ˇcinjenice da svaka grana kao krajnje taˇcke ima dva ˇcvora.
Definicija 4.5. Za ˇcvor grafa G = (V, E) kaˇzemo da je neparan (paran) ako je
stepen ˇcvora δ(v) neparan (paran).
Teorema 4.2. Broj neparnih ˇcorova nekog grafa G = (V, E) je paran.
Dokaz. Neka V
p
i V
n
oznaˇcavaju familije parnih i neparnih ˇcvorova grafa G
respektivno. Tada iz teoreme 4.1 slijedi
¸
v∈V
p
δ(v) +
¸
v∈V
n
δ(v) = 2[E[.
Kako je δ(v) paran broj za svaki v ∈ V
p
to zakljuˇcujemo da je broj
¸
v∈V
n
δ(v)
paran. Broj δ(v) je neparan za svaki v ∈ V
n
, pa broj [V
n
[ mora biti paran.
Primjer 4.9. Za svaki n ∈ N za koji vrijedi n ≥ 3 cikliˇcni graf je C
n
= (V, E),
gdje je V = ¦1, . . . , n¦ i E = ¦¦1, 2¦, ¦2, 3¦, . . . , ¦n − 1, , n¦, ¦n, 1¦¦. Kod ovog
grafa svaki ˇcvor ima stepen 2.
Primjer 4.10. Za graf G = (V, E) kaˇzemo da je regularan sa stepenom
regularnost r ako vrijedi δ(v) = r za svaki v ∈ V . Specijalno, kompletan graf
K
n
je regularan sa stepenom n −1.
Primjedba 4.1. Stepen ˇcvora se moˇze koristiti kao test izmorofnosti dva grafa.
Nije teˇsko vdjeti da ako je sa α : V
1
→V
2
dat izomorfizam grafova G
1
= (V
1
, E
1
)
i G
2
= (V
2
, E
2
), da je tada δ(v) = δ(α(v)) za svaki v ∈ V
1
.
30 GLAVA 4. GRAFOVI
4.3 Povezani grafovi
Definicija 4.6.
ˇ
Setnja u grafu G = (V, E) je niz ˇcvorova
v
0
, v
1
, . . . , v
k
∈ V
takav da za svaki i = 1, . . . , k, ¦v
i−1
, v
i
¦ ∈ E. U tom sluˇcaju kaˇzemo da se radi
o ˇsetnji od v
0
do v
k
. Ako su svi vrhovi razliˇciti kaˇzemo da se radi o putu. Ako
su svi vrhovi razliˇciti sem v
0
= v
k
, kaˇzemo da se radi o ciklusu. Za graf koji
ne sadrˇzi ciklus kaˇzemo da je acikliˇcan.
Primjedba 4.2.
ˇ
Setnju moˇzemo prikazati i preko grana na sljede´ci naˇcin
¦v
0
, v
1
¦, ¦v
0
, v
1
¦, . . . , ¦v
0
, v
1
¦.
Primjer 4.11. Neka je dat graf W
4
,
tada je 0, 1, 2, 0, 3, 4, 3 ˇsetnja ali nije put ni ciklus.
ˇ
Setnja 0, 1, 2, 3, 4 je
put, dok je ˇsetnja 0, 1, 2, 0 ciklus.
Pretpostavimo da je dat graf G = (V, E). Definiˇsimo relaciju ∼ na sljede´ci
naˇcin. Pretpostavimo da je x, y ∈ V . Tada piˇsemo x ∼ y kada postoji ˇsetnja
v
0
, v
1
, . . . , v
k
∈ V
tako da je x = v
0
i y = v
k
. Relacija ∼ je relacija ekvivalencije na V . Neka je
V = V
1
∪ V
2
∪ ∪ V
r
,
unija razliˇcitih klasa ekvivalencije. Za svaki i = 1, . . . , r, neka je
E
i
= ¦¦x, y¦ ∈ E : x, y ∈ V
i
¦,
drugim rijeˇcima E
i
oznaˇcava familiju svih grana iz E ˇciji su krajnji ˇcvorovi iz
V
i
.
Definicija 4.7. Za svaki i = 1, . . . , r, grafovi G
i
= (V
i
, E
i
), gdje su V
i
i E
i
definisani kao ranije se nazivaju komponente grafa G. Ako graf G ima samo
jednu komponentu kaˇzemo da je povezan.
Primjedba 4.3. Graf G = (V, E) je povezan ako za svaki par razliˇcitih ˇcvorova
x, y ∈ V , postoji ˇsetnja od x do y.
Primjer 4.12. Graf prikazan na slici
4.4. STABLA 31
ima dvije komponente, dok je graf pirkazan na slici
povezan.
Primjer 4.13. Za svaki n ∈ N kompletan graf K
n
je povezan.
4.4 Stabla
Definicija 4.8. Stablo (drvo) je povezani acikliˇcki graf.
Primjedba 4.4. Acikliˇcki graf se zove i ˇsuma. Komponente povezanosti ˇsume
su stabla.
Teorema 4.3. Svaka dva ˇcvora u stablu su povezana taˇcno jednim putem.
Dokaz. Neka je G = (V, E) stablo i neka su P
1
= (V
1
, E
1
) i P
2
= (V
2
, E
2
) dva
razliˇcita puta koja povezuju ˇcvorove u i v. Kako je P
1
= P
2
to postoji grana
¦x, y¦ ∈ E
1
tako da ¦x, y¦ / ∈ E
2
. Sada imamo da je graf P = (W, F), gdje
je W = V
1
∪ V
2
i F = (E
1
∪ E
2
) ` ¦x, y¦ povezan, pa sadrˇzi put koji povezuje
ˇcvorove x i y. Prema tome graf C = (V
1
∪V
2
, E
1
∪E
2
∪¦x, y¦) je ciklus i sadrˇzan
je u grafu G = (V, E) ˇsto je nemogu´ce.
Definicija 4.9. Eulerova karakteristika stabla G = (V, E) je
χ(G) = [V [ −[E[ + 1.
Lema 4.1. Svako netrivijalno stablo G = (V, E) ([V [ > 1) ima ˇcvor ˇciji je
stepen 1.
Dokaz. Poˇcnimo od nekog ˇcvora v
1
. Ako je δ(v
1
) = 1 dokaz je gotov. U suprot-
nom je δ(v
1
) > 1, pa postoji ˇcvor v
2
povezan sa ˇcvorom v
1
. Ako je δ(v
1
) = 1
dokaz je gotov, ako je δ(v
2
) > 1 produˇzimo dalje do ˇcvora v
3
. Na taj naˇcin
dolazimo do puta v
1
v
2
v
3
. . ..
ˇ
Cvorovi tog puta se ne ponavljaju jer bi inaˇce
imali ciklus. Kako ˇcvorova ima konaˇcno mnogo postoji posljednji ˇcvor koji
mora biti stepena 1.
Teorema 4.4. Ako je G = (V, E) stablo onda je [E[ = [V [−1, to jest χ(G) = 2.
Dokaz. Prema lemi 4.1 postoji v ∈ V za koji je δ(v) = 1. Izbacimo taj ˇcvor i
granu koja je incidentna sa v. Tada dobivamo opet stablo G
1
= (V
1
, E
1
) za koje
je χ(G
1
) = χ(G). Nastavljaju´ci ovaj proces na kraju dobijamo stablo samo sa
jednim ˇcvorom, a njegova Eulerova karakteristika je 2.
32 GLAVA 4. GRAFOVI
Posljedica 4.1. (a) Za svako stablo G = (V, E) vrijedi
¸
v∈V
δ(v) = 2[V [ −2.
(b) Svako netrivijalno stablo ima bar dva ˇcvora stepena 1.
Dokaz. (a) Kako je
¸
v∈V
δ(v) = 2[E[
na osnovu prethodnog teorema imamo
¸
v∈V
δ(v) = 2[V [ −2.
(b) Ako je G netrivijalno stablo onda je δ(v) ≥ 1 za svaki ˇcvor v, pa sada tvrdnja
slijedi iz (a).
4.5 Eulerovi i Hamiltonovi grafovi
Definicija 4.10. Eulerova ˇsetnja je graf G = (V, E) koji je ˇsetnja i koji sadrˇzi
svaku granu taˇcno jednom. Graf je Eulerov ako sadrˇzi Eulerovu ˇsetnju.
Definicija 4.11. Hamiltonov ciklus je graf G = (V, E) koji je ciklus i koji
sadrˇzi sve vrhove od V . Graf je Hamiltonov ako sadrˇzi Hamiltonov ciklus.
Primjer 4.14. (Problem Kenigsberˇskih mostova) Stari pruski grad K¨onigsberg
(sadaˇsnji Kalinjgrad) smjeˇsten je na rijeci Pregel. Dio grada je smjeˇsten na dva
ostrva koji su povezani sa kopnom sa sedam mostova kao na slici
Problem se sastoji u tome da se obavi ˇsetnja u kojoj ´ce se svaki most obi´ci taˇcno
jednom. Drugim rijeˇcima pitanje je da li postoji Eulerova ˇsetnja na grafu kao
na slici
Negativan odgovor na ovo pitanje je dao Euler 1736. god.
Primjer 4.15. (Problem trgovaˇckog putnika, W. Hamilton 1856) Trgovaˇcki put-
nik treba obi´ci neke gradove i vratiti se na mjesto polaska tako da u toku puto-
vanja kroz svaki grad prodesamo jednom. Drugim rijeˇcima traˇzi se potreban i
dovoljan uslov kada je graf Hamiltonov. To je jedan od najve´cih nerijeˇsenih
problema teorije grafova.
4.6. ZADACI 33
Teorema 4.5. Neka je dat graf G = (V, E). Ako je min
v∈V
δ(v) ≥ 2 onda G sadrˇzi
ciklus.
Dokaz. Pretpostavimo suprotno, to jest da graf G nema ciklusa. Neka je H
komponenta povezanosti ˇcvora v za koji je δ(v) ≥ 2. H je stablo. Ako je H
netrivijalan onda postoje bar dva ˇcvora u H sa stepenima 1, ˇsto je nemogu´ce.
Ako je H trivijalan onda ima ciklus, ˇsto je opet nemogu´ce.
Teorema 4.6. Povezan graf G je Eulerov ako i samo ako svi ˇcvorovi imaju
paran stepen.
Teorema 4.7. Povezani graf ima Eulerovu ˇsetnju ako i samo ako ima najviˇse
dva vrha neparnog stepena.
Primjedba 4.5. Na osnovu prethodne teoreme zakljuˇcujemo da graf mostova u
K¨onigsbergu nema Eulerove staze.
Primjer 4.16. Plan Pariza sa granama na Seni izgleda kao na slici.
Da li se Pariz moˇze obi´ci tako da preko svakog mosta predemo samo jednom?
Pripadni graf izgleda kao na slici, pa taj graf ima Eulerovu ˇsetnju jer ima samo
dva vrha neparnog stepena.
4.6 Zadaci
1. Odrediti broj grana kompletnog grafa K
n
.
2. Konstruisati graf koji ima sljede´cu tabelu incidencije
0 1 2 3 4 5 6 7 8 9
5 2 1 7 2 0 1 3 0 0
8 6 4 6 8 2 5 5
9 6 9 4
.
Koliko komponenata povezanosti ima dati graf?
3. Za koje vrijednosti n ∈ N kompletan graf K
n
ima Ojlerovu ˇsetnju?
4. Odrediti ˇsest neizomorfnih stabala sa 6 ˇcvorova.
5. Pretpostavimo da je graf G = (V, E) stablo kod koga je [V [ ≥ 2. Pokazati
da graf G ima bar dva ˇcvora sa stepenom 1.
34 GLAVA 4. GRAFOVI
Glava 5
Optimizacija
5.1 Neki problemi
U ovoj sekciji dajemo neke probleme koji se rjeˇsavaju metodama opimizacije.
1. Neka je dato
p prehrambenih proizvoda (hljeb, mesom mlijeko, krompir, . . . ) i
m korisnih sastojaka (mast, vitamini, ugljeni hidrati, proteini, . . . ).
Uvedimo parametre
a
ij
: koiliˇcina i−tog sastojka u jedinici j−tog proizvoda,
c
j
: cijena jedinice j−tog proizvoda
b
i
: potreba (mjeseˇcna) za i−tim sastojkom
x
j
: koliˇcina j−tog proizvoda.
Posmatra se problem minimizacije
min c
1
x
1
+ +c
n
x
n
uz uslove
x

0, i = 1, . . . , n
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
≥ b
1
.
.
.
a
m1
x
1
+a
m2
x
2
+ +a
mn
x
n
≥ b
m
.
Ovo je problem ishrane koji se rjeˇsava na primjer u ekonomiji i vojnoj
industriji.
2. Neka je
a
i
: koliˇcina robe u i−tom skladiˇstu,
b
j
: potrebe kod j− tog potroˇsaˇca,
c
ij
: cijena prevoza iz i i j,
35
36 GLAVA 5. OPTIMIZACIJA
x
ij
: koliˇcina tovara prevezenog iz i u j.
Od interesa je mimizirati troˇskove prevoza, to jest odrediti
min
m
¸
i=1
n
¸
j=1
c
ij
x
ij
uz uslove
m
¸
i=1
x
ij
= b
j
, j = 1, . . . , n,
m
¸
i=1
x
ij
≤ a
i
, i = 1, . . . , m,
x
ij
≥ 0.
Ovo je primjer transportnog problema.
Primjedba 5.1. Transportni problem i problem ishrane su primjeri za-
dataka linearnog programiranja.
3. Na´ci pravougli trougao najve´ce povrˇsine, ako je suma duˇzina kateta zadan
broj. (Zadatak Fermata).
4. Na´ci rastojanje taˇcke od elipse (parabole, hiperbole).
5. Na´ci taˇcku u ravni da suma rastojanja od nje do tri zadane taˇcke bude
minimalna.
5.2 Osnovni pojmovi
Neka je data funkcija f : R
n
→ R i skup S ⊆ R
n
. Opˇsti zadatak opti-
mizacije je
min f(x), x ∈ S.
U sluˇcaju da je S = R
n
radi se o bezuslovnoj optimizaciji. U drugom sluˇcaju
(uslovna) skup S je opisan sa
S = ¦x ∈ R
n
: g
i
(x) ≤ 0, i ∈ I, h
j
(x) = 0, j ∈ J¦,
gdje je I = ¦1, . . . , m¦, J = ¦1, . . . , p¦.
Ako je I = ∅ kaˇzemo da se radi o zadatku klasiˇcne optimizacije (vezani
ekstremi).
Ako je I = ∅ i j = ∅ onda razlikujemo problem linearnog programiranja
(LP) i problem nelinearnog programiranja (NP).
Kod problema linearnog programiranja imamo
f(x) = c
T
x, c = [c
1
, . . . , c
n
]
T
,
g(x) = Ax −b, A = [a
ij
]
m×n
, b = [b
j
].
5.3. KONVEKSNI SKUPOVI 37
U sluˇcaju da je jedna od funkcija f , g
i
nelinearna radi se o problemu nelin-
earnog programiranja.
Ako su sve funkcije konveksne dobija se zadatak konveksnog programiranja
(KP).
Ako je u problemu LP S = G ∩ Z
2
dobijamo cjelobrojno programiranje
(CP).
U optimizaciji se obiˇcno koriste sljede´ci nazivi :
f− funkcija cilja,
x
0
∈ G− dopustiva taˇcka,
G− dopustiv skup,
x

∈ G- optimalna taˇcka minimizacije (maksimizacije) ako vrijedi (∀x ∈
G)f(x) ≥ f(x

)(f(x) ≤ f(x

)),
G

- skup svih optimalnih taˇcaka.
Primjedba 5.2. Dovoljno je baviti se rjeˇsavanjem problema minimizacije, jer se
problem maksimizacije svodi na problem minimizacije zbog relacije
max f = −min(−f).
5.3 Konveksni skupovi
Definicija 5.1. Za podskup C prostora R
n
kaˇzemo da je konveksan ako vrijedi
λx + (1 −λ)y ∈ C za sve x, y ∈ C, λ ∈ [0, 1].
Oˇcigledno su prazan skup, jednoˇclan skup i cijeli prostor R
n
konveksni
skupovi.
Primjer 5.1. (a) U R
2
prava, ravan, krug i unutraˇsnjost trougla su koveksni
skupovi.
(b) U R
2
dvoˇclani skup, komplement kruga, unutraˇsnjost trougla bez jedne un-
utraˇsnje taˇcke su primjeri skupova koji nisu konveksni.
Unija dva konveksna skupa ne mora da bude konveksan skup. Skupovi
C = ¦(x, y) : x
2
+y
2
≤ 1¦
i
D = ¦(x, y) : x ∈ [2, 4], y ∈ [2, 4]¦
su konveksni skupovi, ali C ∪ D nije konveksan skup, jer na primjer
x = (0, 0) ∈ C, y = (2, 2) ∈ D,
ali
1
2
x +
1
2
y / ∈ C ∪ D.
Teorema 5.1. Ako je F familija konveksnih skupova u R
n
tada je D = ∩¦C :
C ∈ F¦ konveksan skup.
38 GLAVA 5. OPTIMIZACIJA
Dokaz. Slijedi direktno iz definicije konveksnog skupa.
Definicija 5.2. Neka je a ∈ R
n
, a = 0 i b ∈ R. Skup
¦x ∈ R
n
: 'a, x` = b¦,
definisan sa jednaˇcinom
a
1
x
1
+a
2
x
2
+ +a
n
x
n
= b,
nazivamo hiperravan u R
n
. Skup
¦x ∈ R
n
: 'a, x` ≤ b¦,
nazivamo zatvoreni poluprostor u R
n
. Komplement zatvorenog poluprostora
nazivamo otvoreni poluprostor i moˇzemo ga zapisati u sljede´coj formi
¦x ∈ R
n
: 'a, x` > b¦.
Teorema 5.2. Svaki poluprostor u R
n
je konveksan.
Dokaz. Pretpostavimo da je dat poluprostor
S = ¦x ∈ R
n
: 'a, x` ≤ b¦.
Neka su x, y ∈ S i λ ∈ [0, 1]. Tada iz definicije skalarnog proizvoda imamo
'a, λx + (1 −λ)y` = λ'a, x` + (1 −λ)'a, y`.
Kako je λ ∈ [0, 1], 'a, x` ≤ b i 'a, y` ≤ b vrijedi
'a, λx + (1 −λ)y` ≤ λb + (1 −λ)b = b.
Posljedica 5.1. Svaka hiperravan u R
n
je konveksan skup.
Posljedica 5.2. Prvi ortant ¦x ∈ R
n
: x
i
≥ 0, i = 1, . . . , n¦ je konveksan.
Dokaz. Dokaz slijedi iz ˇcinjenice da je x
i
≥ 0 ako i samo ako je 'e
i
, x` ≥ 0.
Primjedba 5.3. Ako je x ∈ R
n
tada piˇsemo x ≥ 0 ako i samo ako je x
i
≥ 0 za
sve i = 1, . . . , n.
Definicija 5.3. Neka je dat skup S u R
n
. Konveksni omotaˇc skupa S je
presjek svih konveksnih skupova koji sadrˇze skup S. Konveksni omotaˇc skupa
S oznaˇcavamo sa coS.
Teorema 5.3. Neka je C konveksan podskup od R
n
. Ako je x
i
∈ C, λ
i
≥ 0, i =
1, . . . , k i
k
¸
i=1
λ
i
= 1 tada konveksna kombinacija
k
¸
i=1
λ
i
x
i
∈ C.
5.4. POLITOPI 39
Dokaz. Indukcijom po k.
Teorema 5.4. Neka je S neprazan podskup od R
n
. Tada x ∈ coS ako i samo ako
postoje x
i
∈ S, λ
1
≥ 0, i = 1, . . . , k, gdje je
k
¸
i=1
λ
i
= 1, takvi da je x =
k
¸
i=1
λ
i
x
i
.
Dokaz. Ako x
i
∈ S i λ
1
≥ 0, i = 1, . . . , k, gdje je
k
¸
i=1
λ
i
= 1, tada x ∈ S na
osnovu prethodne teoreme.
Obrnuto. Definiˇsimo skup
C = ¦
k
¸
i=1
λ
i
x
i
: x
i
∈ S, λ
i
≥ 0, i = 1, . . . , k,
k
¸
i=1
λ
i
= 1¦.
Skup C je konveksan i sadrˇzi skup S. Osim toga svaki konveksan skup koji
sadrˇzi S sadˇzi i skup C, pa je C = coS.
5.4 Politopi
Definicija 5.4. Konveksan omotaˇc konaˇcno monogo taˇcaka nazivamo politop,
to jest za skup C kaˇzemo da je politop ako postoji konaˇcan skup S takav da je
C = coS.
Primjer 5.2. Primjeri politopa u R
2
je duˇz i trougao, dok prava i krug nisu
politopi.
Definicija 5.5. Neka je C neprazan podskup od R
n
i x ∈ C. Za taˇcku x kaˇzemo
da je vrh (ekstremna taˇcka) skupa C ako ne postoji linijski segment sadrˇzan
u C, a ˇcija je unutraˇsnja taˇcka x, to jest ako y, z ∈ C, λ ∈ [0, 1] i x = λy+(1−λ)z
tada je x = y = z.
Iz definicije politopa i definicije vrha slijedi da se svaki politop moˇze pirkazati
kao konveksan omotaˇc svojih vrhova. Znaˇci ako je dat politop C i ako je V skup
njegovih vrhova tada je C = coV . Od interesa je odrediti minimalan podskup
S od C takav da je C = coS.
Primjer 5.3. Politop co¦0,
1
4
e
1
+
1
4
e
2
, e
1
, e
2
¦ ima vrhove 0, e
1
, e
2
i moˇze se
opisati sa co¦0, e
1
, e
2
¦.
Definicija 5.6. Neka su x
0
, x
1
, . . . , x
n
taˇcke takve da su vektori
x
1
−x
0
, x
2
−x
0
, . . . , x
n
−x
0
linearno nezavisne. Simpleks nad vrhovima x
0
, x
1
, . . . , x
n
je konveksni omotaˇc
nad tim vrhovima. Broj n se naziva dimenzija simpleksa.
Primjedba 5.4. Simpleks je specijalan sluˇcaj politopa.
Primjer 5.4. Tetraedar co¦0, e
1
, e
2
, e
3
¦ je simpleks u R
3
.
40 GLAVA 5. OPTIMIZACIJA
Ako c ∈ R
n
, funkcija f : R
n
→R definisana sa
f(x) = 'c, x` =
n
¸
i=1
c
i
x
i
se naziva linearna forma (linearni funkcional) na R
n
.
Teorema 5.5. Ako je C konveksan politop u R
n
i f linearna forma na R
n
tada
se min
x∈C
f(x) i max
x∈C
f(x) dostiˇzu na nekom od vrhova politopa C.
Dokaz. Neka je C = coV , gdje je V = ¦v
1
, v
2
, . . . , v
k
¦ konaˇcan skup vrhova od
C. Ako x ∈ C tada je
x =
k
¸
i=1
λ
i
v
i
za neke λ
i
≥ 0, i = 1, . . . , k,
k
¸
i=1
λ
i
= 1.
Prema tome, vrijedi
f(x) = 'c, x` =
k
¸
i=1
λ
i
'c
i
, v
i
` =
k
¸
i=1
λ
f
(v
i
).
Neka su v
r
i v
s
vrhovi iz V za koje vrijedi
f(v
r
) ≤ f(v
i
) ≤ f(v
s
), i = 1, . . . , k.
Tada imamo
f(v
r
) = f(v
r
)
k
¸
i=1
λ
i

k
¸
i=1
λ
i
f(v
i
) ≤ f(v
s
)
k
¸
i=1
λ
i
= f(v
s
).
Dakle,
f(v
r
) ≤ f(x) ≤ f(v
s
).
Primjer 5.5. Odrediti min
x∈C
f(x), gdje je C konveksan politop u R
2
sa vrhovima

1
1

,

2
0

,

2
2

,

4
1

i f(x) = 2x
1
−3x
2
.
5.5 Konveksne funkcije
Neka je data funkcija f : C →R
n
, gdje je C ⊆ R
n
. Ako definiˇsemo funkciju
F : R
n
→R
n
sa
F(x) =

f(x), x ∈ C,
+∞, x ∈ R
n
` C,
tada vrijedi
min¦f(x) : x ∈ C¦ = min¦F(x) : x ∈ R
n
¦.
Dakle, pri izuˇcavanju problema optimizacije moˇzemo posmatrati funkcije defin-
isane na skupu R
n
sa vrijednostima u [−∞, +∞].
5.5. KONVEKSNE FUNKCIJE 41
Definicija 5.7. Neka je data funkcija f : R
n
→[−∞, +∞]. Skup
epif = ¦(x, a) : x ∈ R
n
, a ∈ R, f(x) ≤ a¦
nazivamo epigraf funkcije f. Podskup
domf = ¦x ∈ R
n
: f(x) < +∞¦
skupa R
n
nazivamo efektivni domen funkcije f.
Efektivni domen funkcije f se moˇze definisati i sa R
n
` ¦x ∈ R
n
: f(x) =
+∞¦. Na primjer, ako je
f(x) =

−∞, x ≤ −3,
x
2
+ 2x, −3 < x < 1,
5, x = 1,
+∞, x > 1,
tada je domf = (−∞, 1].
Definicija 5.8. Za funkciju f kaˇzemo da je konveksna funkcija ako je epif
konveksan podskup od R
n+1
(f je konkavna funkcija ako je −f konveksna
funkcija).
Primjer 5.6. Funkcija
f(x) =

0, x ≤ −1,
x
2
, x > 1,
nije konveksna, dok je funkcija
g(x) = x
2
, x ∈ R,
konveksna.
Primjedba 5.5. Ako je f : R
n
→ [−∞, +∞] konveksna funkcija onda je domf
konveksan skup.
Slede´ca teorema se dokazuje jednostavno.
Teorema 5.6. Ako je f konveksna funkcija tada je
f(λx + (1 −λ)y) ≤ λf(x) + (1 −λ)f(y), (5.1)
gdje je x, y ∈ domf i λ ∈ [0, 1].
Primjedba 5.6. (i) Ako je f konveksna funkcija tada vrijedi Jensenova nejed-
nakost
f(
k
¸
i=1
λ
i
x
i
) ≤
k
¸
i=1
λ
i
f(x
i
),
42 GLAVA 5. OPTIMIZACIJA
gdje je x
i
∈ domf, λ
i
≥ 0 i
k
¸
i=1
λ
i
= 1.
(ii) Ako su f i g konveksne funkcije takva je i funkcija f +g,
(iii) Ako je α ∈ R i funkcija f konveksna onda je i αf konveksna,
(iv) Ako su f i g konveksne onda je i max(f, g) konveksna,
(v) Ako u relaciji (5.1) vrijedi stroga nejednakost onda kaˇzemo da je f strogo
konveksna funkcija.
Primjer 5.7. (i) Linearni funkcional je konveksna funkcija,
(ii) Neka je data norma [[ [[ u R
n
, funkcije x →[[x[[ i x →[[x[[
2
su konveksne.
Primjedba 5.7. Ako je konveksna funkcija f : R →R diferencijabilna u taˇcki x
0
tada vrijedi
f(x) ≥ f(x
0
) + (x −x
0
)f

(x
0
), za sve x ∈ R.
Definicija 5.9. Za vektor s ∈ R
n
kaˇzemo da je subgradijent konveksne
funkcije f u taˇcki x
0
(u odnosu na skup C) ako za sve x ∈ C vrijedi
f(x) ≥ f(x
0
) +'x −x
0
, s`.
Skup svih subgradijenata funkcije f u taˇcki x
0
nazivamo subdiferencijal funkcije
f u taˇcki x
0
i oznaˇcamo sa ∂f(x
0
), to jest
∂f(x
0
) = ¦s ∈ R
n
: f(x) ≥ f(x
0
) +'x −x
0
, s`(∀x ∈ C)¦.
Primjer 5.8. Ako je f(x) = [x[, x ∈ R tada je
∂f(x) =

¦1¦, x > 0,
[-1, 1], x = 0,
¦−1¦, x < 0,
Iz definicije subdiferencijala dobijamo da vrijedi sljede´ca teorema.
Teorema 5.7. Taˇcka x

je minimum konveksne funkcije f na skupu C ako i
samo ako vrijedi 0 ∈ ∂f(x

).
Primjedba 5.8. Sada na osnovu prethodne teoreme vidimo da je taˇcka x

= 0
taˇcka minimuma funkcije f(x) = [x[, jer 0 ∈ ∂f(0). Primijetimo da f nije
diferencijabilna, pa ovaj zakljuˇcak ne moˇzemo izvesti na osnovu diferencijalnog
raˇcuna.
Teorema 5.8. U zadatku konveksnog programiranja skup G

je konveksan skup.
Ako je f strogo konveksna onda je [G

[ ≤ 1.
Primjedba 5.9. Ako je ∂f(x) jednoˇclan za svaki x onda je ∂f(x) = ¦∇f(x)¦,
gdje je
∇f(x) =

∂f
∂x
1
.
.
.
∂f
∂xn
¸
¸
¸
5.6. LEKSIKOGRAFSKO UREDENJE VEKTORA 43
gradijent funkcije f u taˇcki x i
∂f
∂x
i
(x) = lim
h→0
f(x
1
, . . . , x
i
+h, . . . , x
n
) −f(x
1
, . . . , x
i
, . . . , x
n
)
h
,
parcijalni izvodi.
Na sliˇcan naˇcin se definiˇse i

2
f
∂x
i
∂x
j
, to jest

2
f
∂x
i
∂x
j
(x) =

∂f
∂x
j
(x)
∂x
i
.
Matricu
H
f
(x) =
¸

2
f
∂x
i
∂x
j
(x)

n×n
nazivamo Hamiltonova matrica funkcije f.
Teorema 5.9. (Kriterij preko drugih izvoda) Funkcija f je konveksna ako i
samo ako je matrica H
f
(x) semidefinitna, to jest 'H
f
(x)v, v` ≥ 0, (∀v ∈ R
n
).
5.6 Leksikografsko uredenje vektora
Definicija 5.10. Parcijalno uredenje ρ na R
n
je relacija za koju vrijedi
(i) refleksivnost, ako x ∈ R
n
tada xρx,
(ii) antisimetriˇcnost, ako x, y ∈ R
n
tada (xρy i yρx) ⇒x = y,
(iii) tranzitivnost, ako x, y, z ∈ R
n
tada (xρy i yρz) ⇒xρz.
Parcijalno uredenje je vektorsko uredenje ako joˇs vrijedi i
(iv) xρy ⇒(x +z)ρ(y +z) ako x, y ∈ R
n
,
(v) (xρy i α ≥ 0) ⇒(αx)ρ(αy) ako x, y ∈ R
n
i α ∈ R.
Navedimo neke osobine vektorskog uredenja. Na primjer, ako xρy i wρz tada
(x + w)ρ(y + w) i (w + y)ρ(z + y) zbog (iv), ali y + w = w + y, pa koriste´ci
(iii), je (x + w)ρ(y + w). Lako se pokaˇze da ako x, y ∈ R
n
sljede´ci uslovi su
ekvivalentni:
(a) xρy, (b) 0ρ(y −x), (c) (x −y)ρ0.
Ako je ρ parcijalno uredenje na R
n
tada je ono i totalno uredenje, jer uvijek
xρy ili yρx.
Obiˇcno uredenje ≥ na R
n
se definiˇse sa x ≥ 0 ako i samo ako je x
i
≥ 0, i =
1, . . . , n. Ekvivalentno x ≥ y ako i samo ako je x
i
≥ y
i
, i = 1, . . . , n. (Piˇse se
joˇs i x ≤ y ako i samo ako je y ≥ x.) Vektorsko uredenje osim u sluˇcaju n = 1
nije totalno uredenje. Na primjer u R
2
, e
2
e
1
i e
1
e
2
. Ako x, y ∈ ´(1, n)
tada x
T
, y
T
∈ R
n
i vrijedi x ≥ y ako i samo ako x
T
≥ y
T
.
Teorema 5.10. Ako x, y ∈ R
n
i x ≥ 0, y ≥ 0 tada je broj x
T
y nenegativan.
44 GLAVA 5. OPTIMIZACIJA
Dokaz. Slijedi neposredno iz x
T
y = 'x, y` =
n
¸
i=1
x
i
y
i
.
Posljedica 5.3. Ako x, y, z ∈ R
n
, x ≥ y i z ≥ 0 tada je z
T
x ≥ z
T
y.
Definicija 5.11. Ako x, y ∈ R
n
piˇsemo x y ako i samo ako je za neki j ∈
¦1, . . . , n¦, x
i
≥ y
i
, i = 1, . . . , j i x
j
> y
j
. Piˇsemo xy ako i samo ako je xy
ili x = y. Uredenje se naziva leksikografsko uredenje na R
n
.
Uredenje je totalno uredenje. Ako je dat konaˇcan skup u R
n
onda taj
skup u odnosu na leksikografsko uredenje ima maksimum i minimum.
Primjer 5.9. Skup vektora u R
2
,

−2
1

,

0
1

,

1
0

,

1
−2

je ureden na sljede´ci naˇcin

−2
1

0
1

1
−2

1
0

.
Dakle, maksimalni elemenat je

1
0

, a minimalni

−2
1

.
Teorema 5.11. (i) Ako x, y ∈ R
n
tada x ≥ y ⇒x y ali obrnuto ne vrijedi u
opˇstem sluˇcaju.
(ii) Ako x, y, z ∈ R
n
tada (x ≥ y i y z) ⇒x z
i (x y i y ≥ z) ⇒x z.
Dokaz. (i) Prvi dio slijedi iz definicije, do drugi slijedi iz primjera, e
1
e
2
i
e
1
e
2
.
(ii) Dokaza´cemo prvi dio.
Neka je x
i
≥ y
i
, i = 1, . . . , n. Ako je za neki j ∈ ¦1, . . . , n¦, y
i
≥ z
i
, i =
1, . . . , j i y
j
> z
j
tada je x
i
≥ y
i
≥ z
i
. Dakle, x
i
≥ z
i
, i = 1, . . . , j i
x
j
≥ y
j
> z
j
, pa je x
j
> z
j
. Znaˇci, x z.
5.7 Primarni i dualni problem
Neka je dat problem linearnog programiranja. Tada se njemu moˇze pridruˇziti
drugi problem koji se naziva dualni. U tom sluˇcaju prvi problem se naziva i
primarni.
Pretpostavimo da je dat primarni problem u standardnoj formi
min f(x) = c
T
x (5.2)
Ax = b, x ≥ 0. (5.3)
5.7. PRIMARNI I DUALNI PROBLEM 45
Dualni problem tog problema je
max g(y) = y
T
b (5.4)
y
T
A ≤ c
T
. (5.5)
Primjetimo da se kod dualnog problema ne traˇzi uslov y ≥ 0, kao i da se uslov
(5.5) moˇze pisati u obliku A
T
y ≤ c, a funkcija g(y) u obliku b
T
y.
Primjer 5.10. Neka je dat problem linearnog programiranja
min 2x
1
+ 6x
2
−7x
3
+ 2x
4
+ 4x
5
4x
1
−3x
2
+ 8x
3
−x
4
= 12
−x
2
+ 12x
3
−3x
4
+ 4x
5
= 20
x
i
≥ 0, i = 1, . . . , 5.
Ovde je x ∈ R
5
, c
T
= (2, 6, −7, 2, 4), b
T
= (12, 20) i A =

4 −3 8 −1 0
0 −1 12 −3 4

.
Dualni problem je
max 12y
1
+ 20y
2
4y
1
≤ 2
−3y
1
−y
2
≤ 6
8y
1
+ 12y
2
≤ −7
−y
1
−3y
2
≤ 2
4y
2
≤ 4.
Dualni problem je dvodimenzionalni i lako se vidi da je dopustivi skup trougao,
sa vrhovima (
1
4
, −
3
4
)
T
, (−2, 0)
T
i (−
65
28
,
27
28
)
T
. Na osnovu teoreme 5.5, maksimum
se dostiˇze na vrhovima. Jednostavmnim raˇcunom se vidi da je maksimum −
60
7
i dostiˇze se na vrhu (−
65
28
,
27
28
)
T
.
Teorema 5.12. (i) (Slaba dualnost) Ako je x dopustivo rjeˇsenje (5.3) i y do-
pustivo rjeˇsenje (5.5) tada je g(y) ≤ f(x).
(ii) Ako su x
0
, y
0
dopustiva rjeˇsenja (5.3), (5.5) respektivno i g(y
0
) = f(x
0
)
tada su x
0
, y
0
optimalna rjeˇsenja (5.2), (5.4) respektivno.
Dokaz. (i) Kako je x ≥ 0 i y
T
A ≤ c
T
imamo da je (y
T
A)x ≤ c
T
x. Osim toga,
vrijedi Ax = b, pa je y
T
(Ax) = y
T
b. Prema tome, g(y) = y
T
b ≤ c
T
x = f(x).
(ii) Neka su x, y dopustiva rjeˇsenja (5.3), (5.5) respektivno. Tada je zbog (i),
g(y) ≤ f(x
0
) = g(y
0
). Dakle, y
0
je optimalna taˇcka za (5.4). Kako je f(x
0
) =
g(y
0
) ≤ f(x), to je x
0
optimalna taˇcka za (5.2).
Posljedica 5.4. Ako je f(x) neograniˇcena odozdo za dopustive x tada (5.5)
nema dopustivo rjeˇsenje.
46 GLAVA 5. OPTIMIZACIJA
Posljedica 5.5. Ako je g(y) neograniˇcena odozgo za dopustive y tada (5.3)
nema dopustivo rjeˇsenje.
Primarni i dualni problem linearnog programiranja su involutivni u smislu
da je dualni problem dualnog problema primarni.
Teorema 5.13. Za svaki primarni problem linearnog programiranja dualni prob-
lem dualnog problema je primarni problem.
Dokaz. Neka je dat primarni problem (5.2) −(5.3) i njegov dualni (5.4) −(5.5).
Problem (5.4) −(5.5) moˇzemo zapisati u obliku
−min(−y)
T
b
(−y)
T
A ≥ (−c)
T
.
Napiˇsimo −y = u −v, gdje je u ≥ 0 i v ≥ 0. Imamo
(−y)
T
b =

u
v

T

b
−b

i
(−y)
T
A =

u
v

T

A
−A

.
Dakle, (5.4) −(5.5) moˇzemo pisati u obliku
−min

b
−b

T
u
v

(A
T
[ −A
T
)

u
v

≥ −c

u
v

≥ 0.
Dualni problem ovog problema je
−max z
T
(−c)
z
T
(A
T
[ −A
T
) ≤ (b
T
[ −b
T
), z ≥ 0.
Ovo je ekvivalentno sa
min c
T
z
Az = b, z ≥ 0,
a ovo je primarni problem.
5.8. SIMPLEKS METOD 47
5.8 Simpleks metod
Prije nego izloˇzimo simpleks metod uvedimo neke oznake.
Neka je dat matrica A ∈ ´(m, n), to jest matrica sa m vrsta i n kolona.
Elemenat matrice A koji se nalazi u i−toj vrsti i j−toj koloni oznaˇcavamo sa
A
ij
. Sa A
i
oznaˇcavamo i−tu vrstu matrice A,
(A
i
)j = A
ij
, j = 1, . . . , n.
Sliˇcno A
j
oznaˇcava j−tu kolonu matrice A,
(A
j
)
i
= A
ij
, i = 1, . . . , m.
Primjer 5.11. Neka je A ∈ ´(2, 3) data sa
A =

1 2 −1
−1 3 0

.
Ovde je na primjer, A
13
= −1, A
1
= (1, 2, −1), A
3
=

−1
0

.
Ako je A ∈ ´(m, n) i B ∈ ´(n, p) tada je
(AB)
ij
= A
i
B
j
, i = 1, . . . , m, j = 1, . . . , p.
Rang matrice A oznaˇcavamo sa r(A). Matrica B je bazna matrica matrice
A ∈ ´(m, n) ( r(A) = m, m < n) ako je ona kvadratna (invertibilna) matrica
ˇcije se kolone sastoje od m linearno nezavisnih kolona matrice A.
Primjer 5.12. Matrica B =

¸
4 1 0
2 1 1
5 1 1
¸

, je bazna matrica matrice A =

¸
4 1 0 5
2 1 1 3
5 1 1 6
¸

, dok to nije sluˇcaj sa matricom C =

¸
4 1 5
2 1 3
5 1 6
¸

.
Posmatrajmo problem linearnog programiranja u standardnoj formi (5.2) −
(5.3), to jest
min f(x) = c
T
x
Ax = b, x ≥ 0.
Pretpostavimo da je ispunjen sljede´ci inicijalni uslov: A ima baznu matricu B
takvu da je za i = 1, . . . , m,
((B
−1
b)
i
[(B
−1
)
i
) 0. (5.6)
Napiˇsimo A u obliku (B[F) i x pridruˇzimo

x
B
x
F

. Kako je Ax = b vrijedi
Bx
B
+Fx
F
= b,
48 GLAVA 5. OPTIMIZACIJA
pa je
x
B
= B
−1
b −B
−1
Fx
F
,
to jest bazne promjenljive izraˇzene su preko nebaznih promjenljivih. Vektoru
cilja c pridruˇzimo vektor

c
B
c
F

, tada je
f(x) = c
T
x =

c
T
B
[c
T
F

x
B
x
F

= c
T
B
x
B
+c
T
F
x
F
,
f(x) = c
T
B
B
−1
b −(c
T
B
B
−1
F −c
T
F
)x
F
, (5.7)
pa smo funkciju cilja izrazili preko nebaznih promjenljivih.
Korak 1. Zbog (5.6), je B
−1
b ≥ 0 i x =

x
B
0

=

B
−1
b
0

je inicijalno bazno
dopustivo rjeˇsenje od (5.3), ovdje je f(x) = c
T
B
B
−1
b, poˇsto je x
F
izabrano
kao nula u (5.7). Definiˇsimo test vektor t(B), (oznaˇcimo ga sa t) na
sljede´ci naˇcin:
t
T
= c
T
B
B
−1
A−c
T
= (0[c
T
B
B
−1
F −c
T
F
).
Lema 5.1. Ako je t ≤ 0 tada je

B
−1
b
0

optimalno rjeˇsenje za (5.2)−(5.3).
Osim toga, y
T
= c
T
B
B
−1
je optimalno rjeˇsenje za (5.4) −(5.5) i zajedniˇcka
optimalna vrijednost je cB
T
B
−1
b.
Dokaz. Neka je y
T
= cB
T
B
−1
, imamo y
T
A = c
T
B
B
−1
A ≤ c
T
, jer je t ≤ 0.
Dakle, y je dopustivo rjeˇsenje za (5.5).
Dalje,
g(y) = y
T
b = c
T
B
B
−1
b = c
T

B
−1
b
0

= f

B
−1
b
0

.
Sada dokaz slijedi iz teoreme 5.12.
Korak 2. Ako je t(B) ≤ 0 tada je inicijalno rjeˇsenje optimalno i postupak je
zavrˇsen.
Primjer 5.13. U primjeru 5.10 je
B = (A
1
A
5
) =

4 0
0 4

.
Vrijedi
B
−1
=

1
4
0
0
1
4

, B
−1
b =

3
5

≥ 0
i
(B
−1
b)
i
> 0, i = 1, 2
5.8. SIMPLEKS METOD 49
je ispunjeno. Ovdje je
x
T
B
= (x
1
, x
5
), c
T
B
= (2, 4).
Korak 1.
x
T
= (3, 0, 0, 0, 5), f(x) = c
T
B
B
−1
b = (2, 4)

3
5

= 26
i
B
−1
A =

1 −
3
4
2 −
1
4
0
0 −
1
4
3 −
3
4
1

.
Korak 2.
t
T
= C
T
B
B
−1
A−c
T
= (2, −
5
2
, 16, −
17
2
, 4) −(2, 6, −7, 2, 4) =
= (0, −
17
2
, 23, −
11
2
, 0) 0,
pa nije zadovoljen uslov t(B) ≤ 0 optimalnosti inicijalnog baznog dopus-
tivog rjeˇsenja.
Pretpostavimo da je t(B) 0. U tom sluˇcaju postupak nastavljamo bez
koraka 2.
Lema 5.2. Ako je za neki j broj t
j
> 0 i kolona (B
−1
A)
j
≤ 0, tada
problem nema optimalnog rjeˇsenja.
Dokaz. Neka je β realan i α poztivan realan broj. Definiˇsimo x ∈ R
n
na
sljede´ci naˇcin
x
i
=

(B
−1
b −α(B
−1
A)
j
)
i
, i = 1, . . . , m,
α, i = j,
0, inaˇce
Zbog inicijalnog uslova, α > 0 i (B
−1
A)
j
≤ 0 slijedi
B
−1
b −α(B
−1
A)
j
≥ B
−1
b ≥ 0.
Dakle, x ≥ 0. Osim toga vrijedi
Ax = B(B
−1
b −α(B
−1
A)
j
) +A
j
α = b,
pa je x dopustivo rjeˇsenje. Dalje,
f(x) = c
T
B
(B
−1
b −α(B
−1
A)
j
) +c
j
α = c
T
B
B
−1
b −t
j
α
i kako je t
j
> 0, ako izaberemo α dovoljno veliko imamo f(x) ≤ β. Dakle,
vidimo da je f(x) neograniˇcena odozdo.
50 GLAVA 5. OPTIMIZACIJA
Korak 3. Ako je za neki j, t
j
> 0 i vektor kolona (B
−1
A)
j
≤ 0, tada problem
nema optimalnog rjeˇsenja.
Primjer 5.14. U primjeru 5.10 samo je t
3
= 23 pozitivan i (B
−1
A)
3
=

2
3

0, pa nije ispunjen uslov za nepostojanje optimalnog rjeˇsenja.
Korak 4. Odaberimo indeks kolone l, gdje je t
l
najve´ci (ne obavezno i poziti-
van). Ako ima viˇse izbora za indeks l, izaberimo najve´ci od tih indeksa.
Korak 5. Izaberimo indeks vrste r na sljede´ci naˇcin : Za i = 1, . . . , m, izraˇcuna-
jmo β
i
=
(B
−1
b)i
(B
−1
A)
il
ako je i−ti elemenat (B
−1
A)
il
od l−te kolone (B
−1
A)
l
pozitivan, inaˇce stavimo β
i
= ∞. Tada izaberimo β
k
= min¦β
1
, β
2
, . . . , β
k
¦.
Ako k nije jedinstveno odredeno, izaberimo ga izmedu k
1
do k
s
tako da je
vrsta
B
−1
k
(B
−1
A)
kl
minimalna u odnosu na uredenje od vrsta
B
−1
j
(B
−1
A)
jl
, j =
k
1
, . . . , k
s
.
Korak 6. Pivot (stoˇzer) je (B
−1
A)
kl
. Izbacimo k−tu kolonu iz B i zamijenimo
je sa l−tom. Oznaˇcimo novu baznu matricu sa B(1). U tom sluˇcaju
imamo
(B(1)
−1
b)
i
=

(B
−1
b)
i
−β
k
(B
−1
A)
il
, i = k,
β
k
, i = k.
(5.8)
Sada, zbog izbora k i l je B(1)
−1
b ≥ 0. Vektor B(1)
−1
b moˇzemo pisati i
sa B
−1
b −β
k
(B
−1
A)
l

k
e
k
.
Primjer 5.15. U primjeru 5.10 je
t
T
= (0, −
17
2
, 23, −
11
2
, 0).
Korak 4. Izaberimo l = 3 jer je t
3
= 23 najve´ce.
Korak 5. (B
−1
A)
i3
=

2 > 0, i = 1,
3 > 0, i = 2,
i (B
−1
b)
i
=

3, i = 1,
5, i = 2.
Prema tome,
(B
−1
b)
i
(B
−1
A)
i3
=

3
2
, i = 1,
5
3
, i = 2,
sa minimumom
3
2
, pa izaberimo k = 1.
Korak 6. Pivot je (B
−1
A)
kl
= (B
−1
A)
13
, i
1 -
3
4
2

-
1
4
0 3
0 -
1
4
3 -
3
4
1 5
pa dobijamo
1
2
-
3
8
1 -
1
8
0
3
2

3
2
7
8
0 -
3
8
1
1
2
.
5.8. SIMPLEKS METOD 51
Sada izbacimo iz bazne matrice prvu kolonu (k = 1), zamijenimo je sa
tre´com kolonom (l = 3) i ponovimo sve korake na novi test vektor t 0 i
sljede´ceg pivota. Ponavljaju´ci postupak viˇse puta dobijamo
t
T
=


79
7
, 0, 0, −
18
7
, −
1
7

≤ 0,
pa dobijamo optimalno rjeˇsenje. Naime,
x
T
0
=

0,
4
7
,
12
7
, 0, 0

i f(x
0
) = −
60
7
.
52 GLAVA 5. OPTIMIZACIJA
Glava 6
Diskretna teorija
vjerovatno´ce
6.1 Pojam vjerovatno´ce
Uslovi koji se mogu ponavljati beskonaˇcno mnogo puta i koji ne dovode
do jednaznaˇcno odedenog ishoda zovemo sluˇcajnim eksperimentom (eksper-
imentom). Svakom eksperimentu pridruˇzujemo skup Ω svih mogu´cih ishoda
tog eksperimenta i zovemo ga prostor elementarnih dogadaja, a njegove
elemente elementarne dogadaje.
Primjer 6.1. Novˇci´c se baca dva puta. Za elementarne dogadaje moˇzemo uzeti
slede´ce ishode eksperimenta :
PP− u oba bacanja je palo pismo,
PG− u prvom bacanju je palo pismo, a u drugom grb,
GP− u prvom bacanju je pao grb, a u drugom pismo,
GG− u oba bacanja je palo pismo.
Dakle, Ω = ¦PP, PG, GP, GG¦.
Primjer 6.2. Bacaju se novˇci´c i kocka za igru. Skup elementarnih dogadaja je
Ω = ¦P1, P2, P3, P4, P5, P6, G1, G2, G3, G4, G5, G6¦.
Definicija 6.1. Neka je Ω prostor elementarnih dogadaja nekog eksperimenta.
Svaki podskup A skupa Ω zove se sluˇcajan dogadaj (dogadaj). Dogadaj Ω se
naziva siguran dogadaj, a dogadaj ∅ nemogu´c dogadaj.
Na dogadaje se mogu primjenjivati operacije i relacije kao i sa skupovima.
Ako je A ⊂ B onda kaˇzemo da dogadaj A povlaˇci dogadaj B.
Ako je A = B kaˇzemo da su dogadaji A i B ekvivalentni.
Dogadaj A je suprotan dogadaju A i vrijedi
A = ¦ω ∈ Ω : ω / ∈ A¦.
53
54 GLAVA 6. DISKRETNA TEORIJA VJEROVATNO
´
CE
Unija dogadaja A i B je dogadaj A∪ B, odreden sa
A∪ B = ¦ω ∈ Ω : ω ∈ A ili ω ∈ B¦.
Presjek dogadaja A i B je dogadaj A∩ B, odreden sa
A∩ B = ¦ω ∈ Ω : ω ∈ A i ω ∈ B¦.
Primjedba 6.1. (i) Umjesto A∩ B piˇse se i AB.
(ii) Ako je AB = ∅ kaˇzemo da su dogadaji A i B disjunktni ili da se medusobno
iskljuˇcuju.
Definicija 6.2. Neka je Ω = ¦ω
1
, ω
2
, . . . , ω
n
¦ prostor elementarnih dogadaja.
Za svako k ∈ ¦1, 2, . . . , n¦ pridruˇzimo ishodu ω
k
broj p
k
tako da vrijede sljede´ci
uslovi :
1. nenegativnost, p
k
≥ 0,
2. normiranost, p
1
+p
2
+ +p
n
= 1.
Broj p
k
se zove vjerovatno´ca elementarnog dogadaja ω
k
. Neka je
A = ¦ω
j1
, ω
j2
, . . . , ω
j
k
, 1 ≤ j
1
< j
2
< j
k
≤ n.
Vjerovatno´ca dogadaja A je broj P(A) = p
j1
+p
j2
+ +p
j
k
U prethodnoj definiciji odredena je funkcija P : T → R, gdje je T ⊆ Ω.
Uredena trojka (Ω, T, P) naziva se prostor vjerovatno´ca.
Primjedba 6.2. Ako je
p
1
= p
2
= = p
n
=
1
n
,
kaˇzemo da se radi o klasiˇcnoj vjerovatno´ci. U tom sluˇcaju vjerovatno´ca
dogadaja A jednaka je koliˇcniku broja ishoda povoljnih za dogadaj A i broja
svih mogu´cih ishoda.
Primjer 6.3. Dato je 10 kuglica numerisanih brojevima 1, 2, . . . , 10. Sluˇcajno
se biraju tri kuglice odjednom. Pretpostavimo da sve 3−kombinacije imaju istu
vjerovatno´cu da budu izabrane. Kolika je vjerovatno´ca dogadaja A da je taˇcno
jedna od izabranih kuglica oznaˇcena parnim brojem?
Broj mogu´cih ishoda jednak je

10
3

, a broj povoljnih ishoda jednak je

5
1

5
2

, pa je traˇzena vjerovatno´ca
P(A) =

5
1

5
2

10
3
.
6.1. POJAM VJEROVATNO
´
CE 55
Teorema 6.1. (Osobine vjerovatno´ce)
1. Za svaki dogadaj A vaˇzi 0 ≤ P(A) ≤ 1.
2. Vjerovatno´ca sigurnog dogadaja je P(Ω) = 1.
3. Ako je AB = ∅ onda je P(A∪ B) = P(A) +P(B).
4. Za svaki dogadaj A je P(A) = 1 −P(A).
5. Vjerovatno´ca nemogu´ceg dogadaja je P(∅) = 0.
6. Ako je A ⊂ B onda je P(A) ≤ P(B).
Dokaz. Osobine 1. i 2. slijede neposredno iz definicije vjerovatno´ce dogadaja.
3. Neka su A = ¦σ
1
, σ
2
, . . . , σ
m
¦ i B = ¦τ
1
, τ
2
, . . . , τ
k
¦ isjunktni dogadaji. Tada
je
A∪ B = ¦σ
1
, σ
2
, . . . , σ
m
, τ
1
, τ
2
, . . . , τ
k
¦.
Ako je p(ω) oznaka za vjerovatno´cu dogadaja ω onda je
P(A∪B) = p(σ
1
)+p(σ
2
)+ +p(σ
m
)+p(τ
1
)+p(τ
2
)+ +p(τ
k
) = P(A)+P(B).
4. Dogadaji A i A su disjunktni i vrijedi A∪ A = Ω. Na osnovu osobina 2. i 3.
imamo
1 = P(Ω) = P(A∪ A) = P(A) +P(A),
pa je
P(A) = 1 −P(A).
5. Kako je Ω = ∅, na osnovu 2. i 4. dobijamo
P(∅) = 1 −P(Ω) = 0.
6. Ako je A ⊂ B onda je B = A∪AB pri ˇcemu su A i AB disjunktni. Koriste´ci
3. imamo
P(B) = P(A) +P(AB) ≥ P(A).
Primjer 6.4. Za proizvoljne dogadaje A i B vrijedi
P(A∪ B) = P(A) +P(B) −P(AB).
Dogadaji AB, AB i AB su medusobno disjunktni i vaˇzi
A∪ B = AB ∪ AB ∪ AB, A = AB ∪ AB, B = AB ∪ AB.
Koriste´ci osobinu aditivnosti vjerovatno´ce dobijamo
P(A∪B) = P(AB)+P(AB)+P(AB) = P(B)−P(AB)+P(A)−P(AB)+P(AB) =
= P(A) +P(B) −P(AB).
56 GLAVA 6. DISKRETNA TEORIJA VJEROVATNO
´
CE
6.2 Uslovna vjerovatno´ca
U nekim situacijama potrebno je izraˇcunati vjerovatno´cu odredenog dogadaja
B, ako je poznato da se realizovao neki drugi dogadaj A. Na taj naˇcin dolazimo
do uslovne vjerovatno´ce.
Primjer 6.5. Neka se u kutiji nalazi jedna bijela i dvije crne kuglice. Izvuˇcena
je jedna kuglica bez vra´canja i konstatovano je da je bijela. Kolika je vjerovatno´ca
da je druga izvuˇcena kuglica crna?
Ovde je
Ω = ¦(b, c
1
), (b, c
2
), (c
1
, b), (c
2
, b), (c
1
, c
2
), (c
2
, c
1
)¦,
A = ¦(b, c
1
), (b, c
2
)¦, B = ¦(b, c
1
), (b, c
2
)¦,
pa je P = 1. Inaˇce, da nije izvuˇcena prva kuglica vjerovatno´ca je P =
1
3
.
Definicija 6.3. Uslovna vjerovatno´ca dogadaja B pri uslovu A je broj koji
oznaˇcavamo sa P(B[A) i koji je odreden sa
P(B[A) =
P(AB)
P(A)
,
pri ˇcemu se pretpostavlja da je P(A) > 0.
Teorema 6.2. Neka je P(A) > 0. Tada vrijedi:
1. P(A[A) = 1, P(Ω[A) = 1, P(∅[A) = 0,
2. Ako je A ⊂ B onda je P(B[A) = 1,
3. Ako je B
1
B
2
= ∅ onda je P(B
1
∪ B
2
[A) = P(B
1
[A) +P(B
2
[A),
4. P(B[A) = 1 −P(B[A).
Dokaz. Slijedi iz definicije uslovne vjerovatno´ce i osobina vjerovatno´ce.
Dokaza´cemo sada jednu jednostavnu ali vaˇznu formulu poznatu pod nazivom
formula potpune vjerovatno´ce.
Teorema 6.3. Neka su A
1
, A
2
, . . . , A
n
medusobno disjunktni dogadaji sa poz-
itivnim vjerovatno´cama. Ako za neki dogadaj B vaˇzi B ⊂ A
1
∪ A
2
∪ ∪ A
n
onda je
P(B) =
n
¸
j=1
P(A
j
)P(B[A
j
).
Dokaz. Iz uslova
B ⊂ A
1
∪ A
2
∪ ∪ A
n
slijedi
B = BA
1
∪ BA
2
∪ ∪ BA
n
,
6.2. USLOVNA VJEROVATNO
´
CA 57
pa kako su dogadaji A
1
, A
2
, . . . , A
n
medusobno disjunktni takvi su i BA
1
, BA
2
,
. . . , BA
n
. Koriste´ci osobinu aditivnosti vjerovatno´ce i definiciju uslovne vjerovatno-
´ce dobijamo
P(B) =
n
¸
j=1
P(A
j
)P(B[A
j
).
Primjedba 6.3. Ako za medusobno disjunktne dogadaje A
1
, A
2
, . . . , A
n
vrijedi
A
1
∪ A
2
∪ ∪ A
n
= Ω,
onda kaˇzemo da dogadaji A
1
, A
2
, . . . , A
n
ˇcine potpun skup dogadaja (hipoteze).
Primjer 6.6. U prvoj kutiji se nalaze tri bijele i dvije crne kuglice, a u drugoj
jedna bijela i ˇcetiri crne kuglice. Prvo se sluˇcajno bira kutija, a zatim se iz
kutije sluˇcajno bira kuglica. Odrediti vjerovatno´cu da je izabrana bijela kuglica.
Neka je A
1
(A
2
) dogadaj da je izabrana prva (druga) kutija, a B dogadaj da je
izabrana bijela kuglica. Vrijedi
P(A
1
) = P(A
2
) =
1
2
, P(B[A
1
) =
3
5
, P(B[A
2
) =
1
5
,
pa na osnovu formule potpune vjerovatno´ce dobijamo
P(B) =
1
2

3
5
+
1
2

1
5
=
2
5
.
Neka su A
1
, A
2
, . . . , A
n
medusobno disjunktni dogadaji sa pozitivnim vjerovatno´cama
i dogadaj B takode sa pozitivnom vjerovatno´com za koji vrijedi
B ⊂ A
1
∪ A
2
∪ ∪ A
n
.
Iz definicije uslovne vjerovatno´ce imamo da za svako j ∈ ¦1, 2, . . . , n¦ vrijedi
P(A
j
B) = P(A
j
)P(B[A
j
) = P(B)P(A
j
[B),
odakle slijedi
P(A
j
[B) =
P(A
j
)P(B[A
j
)
P(B)
.
Koriste´ci formulu potpune vjerovatno´ce dobijamo
P(A
k
[B) =
P(A
k
)P(B[A
k
)
n
¸
j=1
P(A
j
)P(B[A
j
)
. (6.1)
Formula (6.1) je poznata kao Bajesova formula.
58 GLAVA 6. DISKRETNA TEORIJA VJEROVATNO
´
CE
Primjer 6.7. Neka vaˇze uslovi iz primjera 6.6. Pretpostavimo da je izabrana
bijela kuglica. Odredimo vjerovatno´cu da je izabrana iz prve kutije.
Na osnovu Bajesove formule imamo
P(A
1
[B) =
P(A
1
)P(B[A
1
)
P(B)
=
1
2

3
5
2
5
=
3
4
.
Definicija 6.4. Dogadaji A i B su nezavisni ako vrijedi
P(AB) = P(A)P(B).
Za dogadaje koji nisu nezavisni kaˇzemo da su zavisni.
Primjer 6.8. Baca se kocka za igru. Prostor elementarnih dogadaja je Ω =
¦1, 2, 3, 4, 5, 6¦. Neka je A = ¦1, 3, 5¦, B = ¦1, 2¦, C = ¦1, 2, 3¦. Tada je AB =
¦1¦, BC = ¦1, 2¦, CA = ¦1, 3¦ i vrijedi
P(A) =
1
2
, P(B) =
1
3
, P(C) =
1
2
,
P(AB) =
1
6
= P(A)P(B),
P(BC) =
1
3
= P(B)P(C),
P(CA) =
1
2
= P(C)P(A).
Dakle, dogadaji A i B su nezavisni, dogadaji B i C zavisni, a dogadaji C i A si
takode nezavisni.
Primjer 6.9. Ako su A i B nezavisni onda su i dogadaji
(a) A i B, (b) A i B, (c) A i B, takode nezavisni.
6.3 Bernulijeva ˇsema
Neka je Ω prostor elementarnih dogadaja i A ⊂ Ω. Za niz niz eksperimenata
u kojima je vjerovatno´ca realizacije dogadaja ista i nezavisna od ostalih eksperi-
menata kaˇzemo da ˇcini Bernulijevu ˇsemu. Sa S
n
oznaˇcavamo broj realizacija
dogadaja A u Bernulijvoj ˇsemi. Broj
S
n
n
nazivamo frekvencija (relativna
uˇcestalost) dogadaja A u n ponovljenih eksperimenata.
Primjer 6.10. Kocka se baca tri puta. Odediti vjerovatno´cu da se dva puta
pojavio broj ˇsest.
Neka 1 znaˇci da je pao broj 6, a 0 da nije pao broj 6. Tada je
¦S
3
= 2¦ = ¦(x
1
, x
2
, x
3
) : x
i
∈ ¦0, 1¦ taˇcno dva broja od x
i
su 1¦,
pa je
P(S
3
= 2) =

3
2

1
6
2

5
6
=
15
6
3
.
6.3. BERNULIJEVA
ˇ
SEMA 59
Sliˇcno kao u prethodnom primjeru zakljuˇcujemo da je sa
P(S
n
= k) =

n
k

p
k
(1 −p)
n−k
, k ∈ ¦0, 1, . . . , n¦, (6.2)
data vjerovatno´ca da ´ce se dogadaj A, ˇcija je vjerovatno´ca pojavljivanja u jed-
nom opitu p, pojaviti k puta u n nezavisnih opita.
Za velike n vrijednosti P(S
n
= k) date formulom (6.2) nije jednostavno odrediti.
Obiˇcno se koriste formule date slede´cim teoremama.
Teorema 6.4. (Puasonova aproksimacija) Neka je P(A) =
λ
n
, λ > 0 i neka λ
ne zavisi od n. Tada za svaki k ∈ N ∪ ¦0¦ vrijedi
lim
n→+∞
P(S
n
= k) =
λ
k
k!
e
−λ
.
Dokaz. Zbog (6.2) imamo
P(S
n
= k) =

n
k

λ
n

k

1 −
λ
n

n−k
.
Dalje je
P(S
n
= k) =
λ
k
k!

1 −
λ
n

n
n!
(n −k)!
1
n
k

1 −
λ
n

−k
,
to jest
P(S
n
= k) =
λ
k
k!

1 −
λ
n

n

1 −
k −1
n

1 −
k −2
n

1 −
1
n

1 −
λ
n

−k
,
pa
P(S
n
= k) →
λ
k
k!
e
−λ
, n →+∞.
Primjedba 6.4. (i) Prethodna teorema vrijedi i ako se pretpostavi da je
P(A) = p
n
i da je lim
n→+∞
np
n
= λ.
(ii) Praksa je pokazala da Puasonova aproksimacija daje dobre rezultate za
np < 10. Ako je np ≥ 10 koristi se normalna aproksimacija data slede´com
Muavr-Laplasovom teoremom.
Teorema 6.5. (Normalna aproksimacija) Neka je p ∈ (0, 1) vjerovatno´ca dogadaja
u svakom od n nezavisnih ekperimenata i neka postoje a, b ∈ R takvi da je
a ≤
k −np

npq
≤ b za sve k, n ∈ N i k ∈ ¦0, 1, . . . , n¦, q = 1 −p.
Tada vrijedi
lim
n→+∞
P(S
n
= k)
1

2πnpq
e

(k−np)
2
2npq
= 1.
60 GLAVA 6. DISKRETNA TEORIJA VJEROVATNO
´
CE
Na osnovu prethodne teoreme moˇze se dokazati i slede´ca poznata kao inte-
gralna Muavr-Laplasova teorema.
Teorema 6.6. Pri uslovima prethodne teoreme vrijedi
lim
n→+∞
P(a ≤ S
n
≤ b) ∼
1


b−np

npq

a−np

npq
e

t
2
2
dt.
Primjer 6.11. Vjerovatno´ca proizvodnje neispravnog proizvoda je 0.02. Na´ci
vjerovatno´cu da u seriji od 2500 proizvoda broj neispravnih bude izmedu 36 i
57.
Ovde je np = 2500 0.02 = 50, pa koristimo normalnu aproksimaciju
P(36 ≤ S
2500
≤ 57) ∼
1


1

−2
e

t
2
2
dt ≈ 0.818.
Primjedba 6.5. Vrijednosti funkcije
Φ(x) =
1


x

0
e

t
2
2
dt
date su tablicama.
6.4 Diskretne sluˇcajne promjenljive
Prilikom eksperimenta se svakom ishodu moˇze pridruˇziti realan broj, to jest
moˇzemo posmatrati preslikavanje sa Ω u skup R.
Primjer 6.12. Neka se baca novˇci´c. Svakom ishodu moˇzemo pridruˇziti 1 ili 0
u zavisnosti da li je pao grb ili pismo.
U ovom sluˇcaju skup Ω se preslikava na ¦0, 1¦.
Definicija 6.5. Neka je (Ω, T, P) prostor vjerovatno´ca sa konaˇcno mnogo ishoda.
Funkcija X : Ω →R zove se sluˇcajna promjenljiva (veliˇcina).
Raspodjela vjerovatno´ca sluˇcajne promjenljive je odredena ako su poz-
nate vrijednosti x
1
, x
2
, . . . , x
n
koje moˇze uzeti ta sluˇcajna promjenljiva i vjerovatno-
´ce p
1
, p
2
, . . . , p
n
sa kojima uzima te vrijednosti. Koristi se zapis
p
k
= P(X = x
k
) = P(¦ω : X(ω) = x
k
¦, k = 1, 2, . . .
Raspodjela vjerovatno´ca sluˇcajne promjenljive X se oznaˇcava i sa
X :

x
1
x
2
x
n
p
1
p
2
p
n

,
pri tome je p
1
+p
2
+ +p
n
= 1.
6.4. DISKRETNE SLU
ˇ
CAJNE PROMJENLJIVE 61
Primjer 6.13. Dato je 10 kuglica numerisanih brojevima 1, 2, . . . , 10. Sluˇcajno
se biraju odjedno ˇcetiri kuglice. Neka je X broj izabranih kuglica koje su oznaˇcene
brojem djeljivim sa tri. Odrediti raspodjelu sluˇcajne promjenljive X.
Neposrednim raˇcunom dobijamo
X :

0 1 2 3
1
6
1
2
3
10
1
30

.
Definicija 6.6. Neka je X sluˇcajna promjenljiva. Funkcija F
X
: R → R data
sa
F
X
(x) = P¦ω : X(ω) ≤ x¦ = P(X ≤ x)
zove se funkcija raspodjele sluˇcajne promjenljive X.
Primjer 6.14. Sluˇcajna promjenljiva X data sa
X :

1 0
p 1 −p

, p ∈ (0, 1),
se naziva Bernulijeva sluˇcajna promjenljiva. Za njenu funkciju raspodjele vrijedi
F(x) =

0, x < 0,
1 −p, 0 ≤ x < 1,
1, x ≥ 1.
Osobine funkcije raspodjele su date slede´com teoremom.
Teorema 6.7. Neka je F funkcija raspodjele sluˇcajne promjenljive X. Tada
vrijedi:
(i) 0 ≤ F(x) ≤ 1, (∀x ∈ R),
(ii) F je neopadaju´ca funkcija,
(iii) lim
x→+∞
F(x) = 1, lim
x→−∞
F(x) = 0,
(iv) F je neprekidna s lijeva.
Nezavisnost sluˇcajnih promjenljivih uvodimo analogno kao i nezavisnost
dogadaja.
Definicija 6.7. Sluˇcajne promjenljive X i Y su nezavisne ako vrijedi
P(X = x
i
, Y = y
j
) = P(X = x
i
) P(Y = y
j
)
za sve x
i
i y
j
iz skupa vrijednosti sluˇcajnih promjeljivih X i Y .
62 GLAVA 6. DISKRETNA TEORIJA VJEROVATNO
´
CE
Primjer 6.15. Novˇci´c se baca dva puta. Neka X oznaˇcava broj registrovanih
pisama, a Y broj grbova. Raspodjele vjerovatno´ca sluˇcajnih promjenljivih X i
Y su date tabelom :
X = 0 X = 1 X = 2 q
j
Y = 0 0 0
1
4
1
4
Y = 1 0
1
2
0
1
2
Y = 2
1
4
0 0
1
4
p
i
1
4
1
2
1
4
Sluˇcajne promjenljive X i Y nisu nezavisne, jer na primjer
P(X = 0, Y = 0) = 0 =
1
16
= P(X = 0) P(Y = 0).
Primjetimo da su ove sluˇcajne promjenljive linearno zavisne, jer je X +Y = 2.
Neka je Ω = ¦ω
1
, . . . , ω
k
¦, k ∈ N i X :

x
1
x
2
x
n
p
1
p
2
p
n

.
Matematiˇcko oˇcekivanje E(X) sluˇcajne promjenljive X se definiˇse sa
E(X) =
X(ω
1
) +X(ω
2
) + +X(ω
k
)
k
.
Neka je
A
i
= ¦ω : X(ω) = x
i
¦, i = 1, . . . , n,
i oznaˇcimo sa k
i
broj elemenata skupa A
i
. Vrijedi P(A
i
) =
k
i
k
, s druge strane
je P(A
i
) = p
i
, pa imamo
E(X) = x
1
p
1
+x
2
+p
2
+ +x
k
p
k
.
Ako je X diskretna sluˇcajna promjenljiva i f : R →R proizvoljna funkcija tada
je f(X) takode sluˇcajna promjenljiva i vrijedi
Ef(X) = f(x
1
)p
1
+f(x)p
2
+ +f(x
k
)p
k
.
Primjer 6.16. Neka je X sluˇcajna promjenljiva koja oznaˇcava broj na gornjoj
strani kocke. Odrediti E(X) i E(X
2
).
E(X) =
6
¸
i=1
i
1
6
= 3.5, E(X
2
) =
6
¸
i=1
i
2

1
6
=
91
6
.
Primjedba 6.6. Na osnovu prethodnog primjera vidimo da ne mora biti E(X) ∈
X(Ω).
Osnovne osobine matematiˇckog oˇcekivanja su :
1. Ako je C ∈ R tada je E(C) = C.
2. Ako je C ∈ R i X sluˇcajna promjenljiva tada je E(CX) = CE(X).
3. Ako su X i Y sluˇcajne promjenljive onda je E(X +Y ) = E(X) +E(Y ).
6.5. SLU
ˇ
CAJNI PROCESI 63
4. Ako su X i Y nezavisne sluˇcajne promjenljive onda je E(XY ) = E(X)E(Y ).
Matematiˇcko oˇcekivanje ne opisuje sluˇcajnu promjenljivu u potpunosti, pa je
potrebno posmatrati i odstupanje sluˇcajne promjenljive od E(X). Umjesto
izraza [X−E(X)[ posmatra se izraz (X−E(X))
2
koji je jednostavniji za analizu.
Varijansa (disperzija) V ar(X) sluˇcajne promjenljive X je
V ar(X) = E(X −E(X))
2
.
Osnovne osobine varijanse su:
1. V ar(X) ≥ 0.
2. V ar(X) = E(X
2
) −E
2
(X).
3. Ako je C ∈ R onda je V ar(C) = 0.
4. Ako je C ∈ R i X sluˇcajna promjenljiva onda je V ar(CX) = C
2
V ar(X).
5. Ako su X i Y nezavisne sluˇcajne promjenljive onda je V ar(X + Y ) =
V ar(X) +V ar(Y ).
Primjer 6.17. Neka je A dogadaj. Sluˇcajna promjenljiva I
A
definisana sa
I
A
(ω) =

1, ω ∈ A,
0, ω / ∈ A,
zove se indikator sluˇcajnog dogadaja A. Ako je P(A) = p, vrijedi
I
A
:

0 1
1 −p p

,
E(I
A
) = p, V ar(I
A
) = E(I
2
A
) = (E(I
A
))
2
= p −p
2
.
6.5 Sluˇcajni procesi
Neka je (Ω, T, P) prostor vjerovatno´ca i T skup vrijednosti parametra t.
Sluˇcajni proces je familija sluˇcajnih promjenljivih ¦X
t
¦, t ∈ T. Indeks t se
obˇcno interpretira kao vrijeme, a za skup T se uzima skup (0, +∞) ili neki njegov
podskup. Ako je T diskretan podskup, tada se radi o procesu sa diskretnim
vremenom, a u protivnom imamo proces sa neprekidnim vremenom. Za sluˇcajni
proces moˇzemo re´ci da je funkcija, koja pri svakom fiksiranom t ∈ T je sluˇcajna
promjenljiva X(t, ω) = X(t), ω ∈ Ω. Ako je ω = ω
0
fiksirano , tada je X(t, ω
0
)
nesluˇcajna funkcija i zove se realizacija ili trajektorija procesa. Ako je T
prebrojiv skup, tada se radi o sluˇcajnom nizu, a ako je T neprebrojiv tada
imamo sluˇcajni proces.
Neka je data funkcija raspodjele sluˇcajnog vektora
(X(t
1
), X(t
2
), . . . , X(t
n
)).
64 GLAVA 6. DISKRETNA TEORIJA VJEROVATNO
´
CE
Sluˇcajni proces kod koga su sve konaˇcnodimenzionalne raspodjele normalne
nazivamo Gaussovim sluˇcajnim procesom.
Nesluˇcajna funkcija
m(t) = E(X(t))
je matematiˇcko oˇcekivanje sluˇcajnog procesa,
K(t, s) = E(X(t) −m(t))(X(s) −m(s))
je njegova korelaciona funkcija.
U daljem posmatra´cemo sluˇcajne procese kod kojih je skup T prebrojiv. Neka
je dat niz sluˇcajnih promjenljivih (X
n
), kod koga sve sluˇcajne promjenljive
imaju iste konaˇcne ili prebrojive skupove vrijednosti (skupove stanja). Sma-
tra´cemo da je skup vrijednosti ¦0, 1, . . . , ¦ ili neki njegov podskup. Ako vrijed-
nost koju je postigla sluˇcajna promjenljiva X
n
potpuno odredjuje zakon raspod-
jele sluˇcajne promjenljive X
n+1
i taj zakon raspodjele ne zavisi od vrijednosti
koje su postigle sluˇcajne promjenljive X
k
, k < n, tada za niz (X
n
) kaˇzemo da
ˇcini lanac Markova. Dakle, niz (X
n
) sluˇcajnih promjenljivih je lanac Markova
ako vrijedi
P(X
n
= x
n
[X
k1
= x
k1
, . . . , X
kr
= x
kr
) = P(X
n
= x
n
[X
k1
= x
k1
)
za sve proizvoljne prirodne brojeve n > k
1
> k
2
> . . . > k
r
.
Ova osobina govori o tome da vjerovatno´ca da se dati sistem u trenutku n + 1
nalazi u datom stanju, ako je poznato njegovo stanje u trenutku n, ne zavisi od
ponaˇsanja tog sistema u proˇslosti to jest prije trenutka n.
Vjerovatno´ca da se sluˇcajna promjenljiva X
n+1
nadje u stanju j, ako je poznato
da se X
n
nalazi u stanju i naziva se vjerovatno´ca prelaza. Imamo
p
n,n+1
ij
= P(x
n+1
= j[X
n
= i).
Ako vjerovatno´ce p
n,n+1
ij
ne zavise od n lanac je homogen.
Oznaˇcimo sa p
ij
(n) vjerovatno´ce prelaza iz stanja i u stanje j za n koraka.
Matrice M
n
= [p
ij
(n)] se zovu matrice vjerovatno´ca prelaza za n koraka.
Kod njih su svi elementi nenegativni i zbir u svakoj vrsti je 1.¦ Koriste´ci teoremu
o totalnoj vjerovatno´ci imamo da je za 1 ≤ m ≤ n,
p
ij
(n) =
¸
k
p
ik
(m)p
kj
(n −m).
To su jednaˇcine Kormogorova-
ˇ
Cepmena. Matriˇcni oblik je
M
n
= M
m
M
n−m
,
odavde je
M
n
= M
n
1
.
Ako postoji prirodan broj n tako da su svi elementi matrice M
n
strogo pozitivni,
tada za svako j = 1, 2, . . . , postoji graniˇcna vrijednost
lim
n→+∞
p
ij
(n) = p

j
,
6.5. SLU
ˇ
CAJNI PROCESI 65
koja ne zavisi od i. Brojevi p

j
zovu se finalne vjerovatno´ce. Finalne vjerovatno´ce
se mogu dobiti iz sistema jednaˇcina:
¸
j
p

j
= 1,
¸
k
p

k
p
kj
= p

j
, j = 1, 2, . . .
Lanac koji ima finalne vjerovatno´ce zove se ergodiˇcan.
66 GLAVA 6. DISKRETNA TEORIJA VJEROVATNO
´
CE
Glava 7
Literatura
1. Cameron, N., Introduction to Linear and Convex Programming, Cam-
bridge University Press, 1985.
2. Chen, W. W. L., Discrete Mathematics, Imperial College, University Lon-
don, 2003.
3. Cvetkovi´c, D., Simi´c, S., Diskretna matematika, Nauˇcna knjiga, Beograd,
1990.
4.
´
Celi´c, M., Jovanovi´c, M.,Matematika III, Nauˇcna knjiga, Beograd, 1991.
5. Knutt and other, Concrete Mathematics,...
6. Lov´asz, L., Vesztergombi, K., Discrete Mathematics, Lecture Notes, Yale
University, 1999.
7. Merkle, M., Vasi´c, P. Verovatno´ca i statistika, Akademska misao, Beograd,
2001.
8. Mladenovi´c, P., Elementaran uvod u verovatno´cu i statistiku, Druˇstvo
matematiˇcara Srbije, Beograd, 1998.
67

2

Sadrˇaj z
1 Predgovor 2 Elementi teorije brojeva 2.1 Uvod . . . . . . . . . . . . . . . . . . . . . . 2.2 Djeljivost . . . . . . . . . . . . . . . . . . . 2.3 Euklidov algoritam . . . . . . . . . . . . . . 2.4 Prosti brojevi. Osnovna teorema aritmetike. 2.5 Modularne aritmetike . . . . . . . . . . . . 2.6 Eulerova funkcija . . . . . . . . . . . . . . . 2.7 Kineska teorema o ostacima . . . . . . . . . 2.8 Zadaci . . . . . . . . . . . . . . . . . . . . . 3 Funkcije generatrise 3.1 Uvod . . . . . . . . . 3.2 Particije . . . . . . . 3.3 Rekurzivne relacije . 3.4 Kompozicijski inverz 3.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 7 7 8 10 11 13 14 17 18 19 19 21 23 25 26 27 27 29 30 31 32 33 35 35 36 37 39 40 43

4 Grafovi 4.1 Uvod . . . . . . . . . . 4.2 Stepen ˇvora . . . . . c 4.3 Povezani grafovi . . . 4.4 Stabla . . . . . . . . . 4.5 Eulerovi i Hamiltonovi 4.6 Zadaci . . . . . . . . .

. . . . . . . . . . . . . . . . grafovi . . . .

5 Optimizacija 5.1 Neki problemi . . . . . . . . . . 5.2 Osnovni pojmovi . . . . . . . . 5.3 Konveksni skupovi . . . . . . . 5.4 Politopi . . . . . . . . . . . . . 5.5 Konveksne funkcije . . . . . . . 5.6 Leksikografsko uredenje vektora 3

. 44 47 53 53 56 58 60 63 67 6 Diskretna teorija vjerovatno´e c 6. .4 Diskretne sluˇajne promjenljive c 6. . . . . . .2 Uslovna vjerovatno´a . . . . . . . . . . . . . . . . . . s 6. . . . . . . . . . . . . . . . . . . . . . c 7 Literatura . . . . . . . . . . . . .3 Bernulijeva ˇema . . . . . . . . . . . . .4 5. . . . . c 6. . . . . . . . . . . . .7 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . c 6. .8 ˇ SADRZAJ Primarni i dualni problem . . . . . . . .5 Sluˇajni procesi . . . . . . . . . . . . . . . . .1 Pojam vjerovatno´e . . . Simpleks metod . . . . . . . . . .

Glava 1 Predgovor - 5 .

PREDGOVOR .6 GLAVA 1.

Glava 2

Elementi teorije brojeva
2.1 Uvod

Klasiˇna teorija brojeva se bavi uglavnom prouˇavanjem prirodnih cijelih i c c racionalnih brojeva. Prvi problemi iz teorije brojeva zapisani su joˇ u starom Babilonu i Egiptu s 2000-3000 godina prije nove ere. Otkri´e iracionalnih brojeva i osnovnih osobina c djeljivosti prirodnih brojeva sadrˇani su joˇ u Euklidovim elementima. z s Neki najpoznatiji rijeˇeni i nerijeˇeni problemi iz teorije brojeva su: s s • Goldbachova hipoteza: Svaki se paran broj 2n, n ≥ 2, moˇe izraziti kao z suma dva prosta prirodna broja. Tvrdnja joˇ nije dokazana. (Nagrada je 1 000 000 $). s • 10. Hilbertov problem 1900: Postoji li algoritam za nalaˇenje rjeˇenja z s Diofantske jednaˇine? (Negativan odgovor dao Matijaˇeviˇ 1970.) c s c (a) Pelova jednaˇina: Najpoznatija Diofantska jednaˇina je c c x2 − dy 2 = 1, gdje je d prirodan broj koji nije kvadrat. Sva pozitivna cijela rjeˇenja s (xn , yn ) ove jednaˇine su data sa c √ √ xn + dyn = (x0 + dy0 )n , gdje je (x0 , y0 ) najmanje rjeˇenje Pelove jednaˇine u pozitivnim cijes c lim brojevima. (b) Fermatov zadnji veliki teorem: Jednaˇina c xn + y n = z n , nema rjeˇenja u nenegativnim cijelim brojevima gdje je n prirodan s broj ve´i od 2. (Tvrdnju je dokazao A. Wiles 1995.) c 7

8

GLAVA 2. ELEMENTI TEORIJE BROJEVA (c) Catalanova hipoteza 1843: Jedina rjeˇenja jednaˇine s c xu − y v = 1, u prirodnim brojevima x, y, u, v su 32 − 23 = 1. (Tvrdnju je dokazao Mihˇlescu 2003.) a • Teorema, Klaus Roth 1958, (Dobitnik Fieldsove medalje): Za realan algebarski broj α nejednaˇina c α− gdje je 1 p < 2+ , q q

> 0, ima konaˇno mnogo rjeˇenja. c s

2.2

Djeljivost

Definicija 2.1. Neka su a i b cijeli brojevi. Kaˇemo da a dijeli b ako je a = 0 z i postoji k ∈ Z tako da je b = ak. Piˇemo a|b i ˇitamo ”a dijeli b”. Broj a s c nazivamo djelitelj broja b, a broj b sadrˇilac broja a. z Osobine relacije biti djelitelj : • Refleksivnost, • Antisimetriˇnost, c • Tranzitivnost. Primjer 2.1. Ako su a, b, c ∈ Z, onda iz a|b i a|c slijedi a|(nb + mc) za bilo koja dva cijela broja m i n. Teorema 2.1. Neka je a ∈ N i b ∈ Z tada postoje jedinstveni cijeli brojevi q i r takvi da je b = aq + r i 0 ≤ r < a. Dokaz. Pokaˇimo prvo egzistenciju brojeva q i r. Konstruiˇimo skup z s S = {b − as ≥ 0 : s ∈ Z}. Skup S je neprazan podskup skupa N ∪ {0}, pa ima najmanji elemenat. Neka je to r. Tada postoji q ∈ Z takav da je b − aq = r. Jasno je da je r ≥ 0. Pokaˇimo z da je r < a. U suprotnom bi imali r ≥ a, pa je b − a(q + 1) = r − a > 0. Dakle, b − a(q + 1) ∈ S i b − a(q + 1) < r ˇto je nemogu´e. s c Pokaˇimo jedinstvenost brojeva q i r. Pretpostavimo da je b = aq1 + r1 i z b = aq2 + r2 , gdje je 0 ≤ r1 < a i 0 ≤ r2 < a. Tada je a|q2 − q1 | = |r2 − r1 | < a, pa kako su q1 i q2 cijeli brojevi to je |q2 − q1 | = 0. Znaˇi q1 = q2 i r1 = r2 . c Definicija 2.2. • Ako su a, b, ∈ Z takvi da je d|a i d|b onda d nazivamo zajedniˇki djelitelj od a i b. c

2.2. DJELJIVOST • Najve´i zajedniˇki djelitelj brojeva a i b oznaˇavamo sa (a, b). c c c

9

• Najmanji prirodan broj ˇiji su a i b djelitelji nazivamo najmanji zac jedniˇki sadrˇilac i oznaˇavamo sa [a, b]. c z c Primjer 2.2. • (a, b) = (b, a) = (|a|, |b|),

• [a, b] = [b, a] = [|a|, |b|], • ako d|a i d|b tada je d|(a, b), • ako a|m i b|m tada je [a, b]|m, • (a, b) ≤ min{a, b} ≤ max{a, b} ≤ [a, b]. • ako je a=
j=1 n u n j=1 n v

pj j i b =

pj j

tada je (a, b) =

n j=1

pj

min{uj ,vj }

i [a, b] =
j=1

pj

max{uj ,vj }

.

Primjer 2.3. Odrediti (460, 200) i [460, 200]. Kako je 460 = 22 · 5 · 23 i 200 = 23 · 52 imamo (460, 200) = 22 · 5 = 20 i [460, 200] = 23 · 52 · 23 = 4600. Primjedba 2.1. Na sliˇan naˇin se moˇe definisati (a1 , a2 , . . . , an ) i [a1 , a2 , . . . , an ], c c z gdje su a1 , a2 , . . . , an cijeli brojevi. Teorema 2.2. Neka su a i b prirodni brojevi. Tada postoje cijeli brojevi x i y takvi da je (a, b) = ax + by. Dokaz. Skup S = {ax + by > 0 : x, y ∈ Z} je podskup skupa N, pa ima najmanji elemenat d0 . To znaˇi da postoje cijeli c brojevi x0 i y0 takvi da je d0 = ax0 + by0 . Pokaˇimo da je z d0 |ax + by za sve x, y ∈ Z. Ako (2.1) ne bi vrijedilo postojali bi cijeli brojevi x1 i y1 takvi d0 ax1 + by1 . Znaˇi postoje brojevi q i r, 1 ≤ r < d0 , takvi da je c ax1 + by1 = qd0 + r, pa je a(x1 − qx0 ) + b(y1 − qy0 ) = r, ˇto je nemogu´e, jer je d0 minimum skupa S. Dakle, vrijedi (2.1), pa za x = 1 s c i y = 0 imamo d0 |a, a za x = 0 i y = 1 imamo d0 |b, to znaˇi d0 |(a, b). S druge c strane, (a, b)|a i (a, b)|b, pa (a, b)|ax0 +by0 to jest (a, b)|d0 . Znaˇi d0 = (a, b). c (2.1)

y ∈ Z}. b)|a. r2 ) = · · · = (rn−1 . Pokaˇimo prvo da je (a. . r1 ). ax + by = c. neka su q1 . Kako je (rn−1 .4. qn+1 ∈ Z. 15) = 3 na osnovu prethodne posljedice zakljuˇujemo da jednaˇina c c 4x + 5y = 1 ima cjelobrojna rjeˇenja. (a. r1 )|a i (a. Ako su a i b relativno prosti brojevi to jest (a. . (Euklidov algoritam) Pretpostavimo da su a.10 GLAVA 2. b) = 1 tada postoje cijeli brojevi x i y takvi da je ax + by = 1. . . r1 )|r1 . b)|r1 . Dokaz. r1 ). b) = rn . b)|(a. S druge strane. Pokazati da jednaˇina 12x + 15y = 3 ima cjelobrojna rjeˇenja. b) = (a. Dakle. b) = (a. b) = min{ax + by > 0 : x. rn−2 = rn−1 qn + rn rn−1 = rn qn+1 .2. Iz (a. r2 . ELEMENTI TEORIJE BROJEVA Posljedica 2. r1 ) = (r1 . r1 . (a. . dobijamo (a. vidimo da je (a. Algoritam dat u slede´oj teoremi daje postupak za odredivanje najve´eg c c zajedniˇkog djelioca dva broja. Dakle. rn ∈ N i 0 < rn < rn−1 < · · · < r1 < a takvi da je b = aq1 + r1 a = r1 q2 + r2 r1 = r2 q3 + r3 . b)|b i b = aq1 + r1 z imamo (a. Iz dokaza teoreme 2. b ∈ N i a < b. . . rn ) = rn . Na sliˇan naˇin imamo c c (a. r1 )|(a. (a. Primjer 2. q2 . rn ). (a.3 Euklidov algoritam U prethodnoj sekciji smo vidjeli da je za rjeˇavanje linearne Diofantove s jednaˇine. 2. . . pa kako je b = aq1 + r1 imamo (a. s c Primjedba 2.3. r1 )|b. r1 ).1. . . pa je (a. b). c s Kako je (12. c Teorema 2. Dalje. potrebno na´i najve´i zajedniˇki djelilac brojeva a i c c c c b. pa prema tome i jednaˇina 12x + 15y = 3. Tada je (a.2. b) = rn .

6. . Neka su a1 . . Broj 1 nije ni prost ni sloˇen. Ako je (x0 . 5111) = 19.2. Primjer 2. 2. OSNOVNA TEOREMA ARITMETIKE. Osnovna teorema aritmetike. . Ako broj nije prost kaˇemo da je sloˇen. z z Primjedba 2. an ∈ Z i p prost broj.5.4. z Naime. gdje je (a. . b) = 1.4. gdje je t ∈ Z. koriste´i Euklidov algoritam moˇemo rijeˇiti svaku Diofantovu jednaˇinu c z s c ax + by = 1. (589. n}. y0 ) rjeˇenje jednaˇine ax + by = c onda za svako s c rjeˇenje (xt . z Primjer 2. . Na´i bar jedno rjeˇenje jednaˇine 589x + 5111y = 19. . . Primjedba 2. n! + 3. Za svaki prirodan broj k postoji k uzastopnih sloˇenih brojeva.3. . . . Neka je a ∈ N i a > 1. n! + n sloˇeni brojevi. Za broj a kaˇemo da je prost broj ako z su jedini njegovi djelitelji 1 i a. 5111 = 589 · 8 + 399 589 = 399 · 1 + 190 399 = 190 · 2 + 19 190 = 19 · 10. . Dakle. . U ovoj sekciji izuˇavamo neke osobine prostih brojeva. Ako p|a1 · a2 · · · an tada p|aj za neko j ∈ {1. z Teorema 2. c Definicija 2.3. yt ) te jednaˇine vrijedi xt = x0 + bt. ako stavimo n = k + 1 tada su n! + 2. . yt = y0 − at. 11 zakljuˇujemo da je x = −26 i y = 3.4. 2.4 Prosti brojevi. PROSTI BROJEVI. pa je (−26. s c Dakle. Imamo 1. 5111). 3) jedno rjeˇenje jednaˇine c s c 589x + 5111y = 19. Odrediti (589. a2 . c s c Iz 19 = 399 − 190 · 2 = 399 − (589 − 399 · 1) · 2 = 589(−2) + 399 · 3 = 589(−2) + (5111 − 589 · 8) · 3 = 5111 · 3 + 589(−26).

Prvo ´emo indukcijom pokazati da svaki prirodan broj n ≥ 2 ima reprec zentaciju koja se sastoji od proizvoda prostih brojeva. to jest pj |1 ˇto je s nemogu´e.2. Teorema 2. 1 k (2.2) Definicija 2. c c Dokaz. . . Za a = 1 tvrdnja je trivijalna. (Pierre de Fermat. Broj 2 ima reprezentaciju koja se sastoji od prostih brojeva. .4.5. c Teorema 2. Imamo p1 |p1 · p2 · · · ps . Reprezentacija (2. c c z Posljedica 2. ELEMENTI TEORIJE BROJEVA Teorema 2. . pa se na sliˇan naˇin pokaˇe da je r = s i pi = pi . Dakle. Tada je ap − a = (b + 1)p − (b + 1) = bp + p 1 bp−1 + · · · + p p−1 b + 1 − b − 1. s}. . pk i prirodni brojevi α1 . Ako je n prost broj tada je dokaz gotov.2) se naziva kanonska dekompozicija broja n. . Prepostavimo sada da je n > 2 i da svaki prirodan broj m za koji vrijedi 2 ≤ m < n ima reprezentaciju koja se sastoji od proizvoda prostih brojeva. . gdje su p1 ≤ p2 ≤ · · · ≤ pr . . . . Neka je a > 1 i stavimo a = b + 1.7. Neka je n prirodan broj.12 GLAVA 2. pa p1 |pj za neki j ∈ {1. . Pretpostavimo suprotno. (Osnovna teorema aritmetike) Faktorizacija svakog prirodnog broja n > 1 na proste faktore je jedinstvena. . u suprotnom postoje prirodni brojevi n1 i n2 takvi da je 2 ≤ n1 < n i 2 ≤ n2 < n i n = n1 ·n2 . r}. αk takvi da je n = pα1 · · · pαk . . c Sljede´a teorema je poznata kao mala Fermatova teorema. imamo p1 = pi ≥ p1 = pj ≥ p1 . pa je p1 = p1 . i = 1. Dokaza´emo teoremu koriste´i indukciju po a. Sada je p2 · · · · pr = p2 · · · ps . r. Tada je na osnovu osnovnog teorema aritmetike broj n = p1 · p2 · · · pk + 1 djeljiv sa pj za neko j ∈ {1. . Zbog indukcijske pretpostavke n1 i n2 imaju reprezentacije preko proizvoda prostih brojeva. S druge strane p1 |p1 · p2 · · · · pr . pa prema tome takvu reprezentaciju ima i broj n. . . . p1 ≤ p2 ≤ · · · ps prosti brojevi. Dakle. Dokaz. . (Euklid) Skup prostih brojeva je beskonaˇan. .6. k}. . 1601-1655) Neka je a prirodan broj i p prost tada je p|ap − a. pj |n − p1 · p2 · · · pk . pa p1 |pi za neki i ∈ {1. Tada postoje prosti brojevi p1 . Dokaˇimo sada jedinstvenost. . c Dokaz. . . Prepostavimo da je z n = p1 · p2 · · · · pr = p1 · p2 · · · ps . . Neka su p1 < p2 < · · · < pk svi prosti brojevi.

pa je dokaz gotov. odnosno kongruentni su broju 2 po modulu 3. odnosno kongruentni su nuli po modulu 3.5.5. Dakle. Odrediti prirodan broj p ako su p i 8p2 + 1 prosti brojevi. Svi cijeli brojevi koji su kogruentni po datom modulu obrazuju jednu klasu brojeva. kako je p prost p to je p| .7. Ako je p = 3 onda je p oblika 3k ± 1. s • Ako je a ≡ b(modn) i c ≡ d(modn) onda je a ± c ≡ b ± d(modn) i ac ≡ bd(modn). Osobine relacije ”biti kongruentan modulo n”: • Relacija ”biti kongruentan modulo n”je relacija ekvivalencije na skupu Z. gdje je k cijeli broj. 13 Po indukcijskoj hipotezi bp − b je djeljivo sa p. Tako na primjer po modulu 3 imamo tri klase brojeva : – klasu brojeva oblika 3k koji su djeljivi sa 3. – klasu brojeva oblika 3k + 2 koji prilikom dijljenja sa 3 daju ostatak 2. .5 Modularne aritmetike U ovoj sekciji. k Primjer 2. k = 1. • Ako je a ≡ b(modn). Definicija 2. Pokazati da postoji prirodan broj k takav da je 1123 = 11 + 23 · k. koriste´i osobine prostih brojeva nastavljamo da izuˇavamo c c relaciju ”a dijeli b”. • Ako je a ≡ b(modn) onda je ac ≡ bc(modn) za svaki prirodan broj c. Ako je n|a − b onda kaˇemo da je a kongruentno b modulo z n i to piˇemo s a ≡ b(modn). U oba sluˇaja je c 8p2 + 1 = 3(24k 2 ± 16k + 3) djeljivo sa. odnosno kongruentni si jedinici po modulu 3. n = 3k + 1 n = 3k − 1. – klasu brojeva oblika 3k + 1 koji prilikom dijeljenja sa 3 daju ostatak 1. S druge strane. d ∈ N i d|n onda je a ≡ b(modd). Prema prethodnom svaki se cijeli broj moˇe zapisati u jednom od sljede´a z c tri oblika : n = 3k. 2. MODULARNE ARITMETIKE = (bp − b) + p 1 bp−1 + · · · + p p−1 b. ostaje jedino mogu´nost da je p = 3 i u tom sluˇaju c c imamo 8p2 + 1 = 73 ˇto je prost broj.8. Primjer 2. jer je p prost.2. · · · p − 1.

pa je 3400 ≡ 1100 (mod10). ··· ··· ··· ··· k n+k . Da´emo neke osobine Eulerove funkcije.6 Eulerova funkcija Definicija 2. to jest 3400 ≡ 1(mod10).7.8. Vrijedi 34 ≡ 1(mod10).9. 2 n+2 . . Dokaz. 2. Moˇe se pokazati da je ac ≡ bc(modn) ako i samo ako je n a ≡ b mod (c. Odrediti posljednju cifru u dekadnom zapisu broja 3400 . Primjer 2. n) = 1. a c uzajamno su prosti sa n. • Ako je ac ≡ bc(modn) i (c. .10. Funkcija f : N → N je multiplikativna ako je f (mn) = f (m)f (n) za sve prirodne brojeve m i n za koje je (m. n) = 1 to je n|a − b. pa kako je (c. Tada imamo n|c(a − b). . . Primjer 2.6. c Teorema 2. . z c c Primjedba 2.6.14 GLAVA 2. Znaˇi a ≡ b(modn).5. (m − 1)n + k ··· ··· ··· ··· n 2n . Nekoliko prvih vrijednosti funkcije ϕ dato je sljede´om tabelom: c n 1 2 3 4 5 6 7 8 9 10 11 12 ϕ(n) 1 1 2 2 4 2 6 4 6 4 10 4 Definicija 2. posljednja cifra broja 3400 je 1. n) = 1 onda je a ≡ b(modn). z Neka je ac ≡ bc(modn). ELEMENTI TEORIJE BROJEVA • Ako je a ≡ b(modn) onda je ak ≡ bk (modn) za svaki prirodan broj k. . n) = 1. Na taj naˇin je definisana s c funkcija ϕ : N → N koja se naziva Ojlerova funkcija.n) . Neka je ϕ(n) broj prirodnih brojeva koji nisu ve´i od n. c z Primjedba 2. Dakle. Neka je (m. mn (m − 1)n + 1 (m − 1)n + 2 . treba odrediti broj ϕ(mn) elemenata koji su uzajamno prosti sa mn u sljede´oj tabeli: c 1 n+1 . Malu Fermatovu teoremu moˇemo zapisati i na sljede´i naˇin: Ako je a prirodan broj i p prost onda je ap ≡ a(modp). . Ojlerova funkcija je multiplikativna. . Dokaˇimo na primjer posljednju osobinu. Definiˇimo ϕ(1) = 1.

(Eulerova teorema) Ako je (a. . 1 2 k Teorema 2.2. d|n 1− 1 p1 pα2 2 1− 1 p2 · · · pαk k 1− 1 pk . p. p1 p2 pk Dokaz. . gdje su pi razliˇiti prosti brojevi. . Dokaz.10. Odavde i iz prethodne teoreme dobijamo ϕ(n) = ϕ(pα1 )ϕ(pα2 ) · · · ϕ(pαk ) = pα1 1 2 1 k ˇime je dokaz zavrˇen. Teorema 2.6. Kolona u kojoj su svi elementi uzajamno prosti sa n ima ϕ(n). ϕ(120) = ϕ(23 · 3 · 5) = 22 30 50 (2 − 1)(3 − 1)(5 − 1) = 32. . . . n) = 1 u svakoj takvoj koloni ima ϕ(m) koji su uzajmno prosti sa m. c s Primjer 2. . (Gaussova formula) Za svaki prirodan broj n vrijedi ϕ(d) = n.9. .11. . Dakle ukupan broj elemenata koji su uzajamno prosti i sa m i sa n je ϕ(m)ϕ(n). Ako je n = pα1 pα2 · · · pαk kanonska faktorizacija broja n onda 1 2 k je 1 1 1 ϕ(n) = n 1 − 1− ··· 1 − .11. . . . Kako je (m. Tada je c 1 2 k ϕ(d) = (ϕ(1) + ϕ(p1 ) + · · · + ϕ(pα1 )) (ϕ(1) + ϕ(p2 ) + · · · + ϕ(pα2 )) 2 1 d|n · · · (ϕ(1) + ϕ(pk ) + · · · + ϕ(pαk )) = (1 + p1 − 1 + p2 − p1 + · · · + pα1 − pα1 −1 ) 1 1 1 k (1+p2 −1+p2 −p2 +· · ·+pα2 −pα2 −1 ) · · · (1+pk −1+p2 −pk +· · ·+pαk −pαk −1 ) = k 2 2 2 k k = pα1 · pα2 · · · pαk = n. . pa je ϕ(pα ) = pα − pα−1 . 2. Neka je n = pα1 · pα2 · · · pαk . Ako je p prost broj onda u nizu 1. m) = 1 onda je aϕ(m) ≡ 1(modm). Teorema 2. EULEROVA FUNKCIJA 15 U bilo kojoj koloni tabele su svi elementi uzajamno prosti sa n ili nijedan. 2p. pα−1 p ima pα−1 brojeva djeljivih sa p.

aαϕ(m) . p = 2 ili p = 3. m) = 1 imamo aϕ(m) ≡ 1(modm). . Kako je (αi . pa je rjeˇenje.12. .16 GLAVA 2. za p = 3 je 59 ≡ −1(mod9). Prema tome p = 3. . . m) = 1 uzajamno prosti brojevi sa m su i aα1 . Kako je (a.13. . Prema maloj Fermatovoj teoremi. Neka su α1 . . tada postoji rjeˇenje kongruencije s ax ≡ b(modm). c Oˇigledno je p = 5. . Naime. 5p + 1 ≡ 0(modp2 ). Posljedica 2. (Mala Fermatova teorema) Ako je p prost broj i p ne dijeli a onda je ap−1 ≡ 1(modp). je 5p ≡ 5(modp). ≡ 1(modp2 ). s Primjer 2. Ako su a i m uzajamno prosti prirodni brojevi. Dakle. Iz osobina relacije ”biti kongruentan”imamo aϕ(m) α1 α2 · · · αϕ(m) ≡ α1 α2 · · · αϕ(m) (modm). aα2 . Primjer 2. Na´i sve proste brojeve p za koje je broj 5p + 1 djeljiv sa p2 . α2 . . Za p = 2 je 52 +1 ≡ 2(mod4).3. iz Eulerove teoreme imamo b(aϕ(m)−1 − 1) ≡ 0(modm). ELEMENTI TEORIJE BROJEVA Dokaz. −p 5p + 1 ≡ 5p · 5p 2 −p + 1 ≡ 5p + 1(modp2 ). Znaˇi treba da je c 5p 2 2 2 2 ) ≡ 1(modp2 ). pa je 5p + 1 ≡ 5 + 1 ≡ 0(modp). Sada moˇemo primijeniti Eulerovu teoremu: c z 5ϕ(p to jest Dakle. . αϕ(m) razliˇiti brojevi koji su uzajamno prosti sa m c i manji od m. x = baϕ(m)−1 .

pa je x1 = x0 + km za neko k ∈ Z. s . pa je teorema dokazana. r.12 za sve j postoji cijeli broj bj takav da je m · bj ≡ 1(modmj ). . mj oˇigledno je c x0 ≡ Dakle. . Dokaz. . Primjedba 2. gdje je k ∈ Z. . nema rjeˇenje. . .12. mr po parovima uzajamno prosti brojevi i neka su a1 . Ako je x0 jedno rjeˇenje gornjeg sistema. tada je m . mj r Stavimo x0 = j=1 m bj aj . . x0 je rjeˇenje sistema. . Uslov da su mi po parovima uzajamno prosti je bitan. x ≡ ar (modmr ). Stavimo m = m1 · · · mr . imamo s m bi ai ≡ ai (modmi ). s Ako je x1 rjeˇenje. ( Kineska teorema o ostacima) Neka su m1 . . a broj m = m1 · · · mr . Prema primjeru 2. s Teorema 2. . .12 vidjeli smo kako se mogu rjeˇavati neke kongruencije. . mj Jasno.7 Kineska teorema o ostacima U primjeru 2. m · bj ≡ 1(modmi ) za i = j. Sljede´a s c teorema daje potreban i dovoljan uslov kada sistem kongruencija ima rjeˇenje.2. . mi x1 ≡ x0 (modmi ). onda je x njegovo rjeˇenje ako i samo s s ako je x = x0 + km. . i = 1. mj mj = 1. . KINESKA TEOREMA O OSTACIMA 17 2. . Tada postoji rjeˇenje sistema kongruencija: s x ≡ a1 (modm1 ) . Osim toga x0 + km zadovoljava sistem. j = 1. . ar proizvoljni cijeli brojevi.7. .7. . jer na primjer sistem x ≡ 0(mod2) x ≡ 1(mod2).

m m m = 143. b2 . 962). Dati su brojevi 125 i 962. Rijeˇiti sistem kongruencijskih jednaˇina s c x ≡ 2(mod3) x ≡ 3(mod5) x ≡ 2(mod7). m1 m2 m3 Kako je x0 = 5 · 1001 + 887. c m m m x0 = b1 a1 + b2 a2 + b3 a3 = 143 · 5 · 5 + 91 · 4 · 7 + 77 · (−1) · 3 = 5982. s s c 3. = 77.18 GLAVA 2. na sliˇan naˇin. Znaˇi. zakljuˇujemo da je 887 najmanji prirodan broji koji c je rjeˇenje sistema. m3 = 13. b3 . c (c) Na´i [125. Odrediti najmanji prirodan boj x za koji je x ≡ 5(mod17) x ≡ 7(mod11) x ≡ 3(mod13). 4.14. Koriste´i Euklidov algoritam rijeˇiti Diofantsku jednaˇinu (210. a2 = 7. Dokazati Gausovu formulu o Eulerovoj funkciji. iz 3b2 ≡ 1(mod11) i 77b3 ≡ 1(mod13) dobijamo c c b2 ≡ 3ϕ(11)−1 ≡ 4(mod11). a1 = 5. c 1. b3 ≡ (−1)ϕ(13)−1 ≡ −1(mod13). 5. Dati i opˇte rjeˇenje te jednaˇine. m = 7 · 11 · 13 = 1001. (b) Na´i (125. . s 2. c s c 2. pa je b1 ≡ 3ϕ(7)−1 ≡ 36−1 ≡ 243 ≡ 5(mod7).12. 962]. dobijamo 3b1 ≡ 1(mod7). 858) = 210x + 858y. Iz 143b1 ≡ 1(mod7). m2 = 11. m1 = 7. Koriste´i Eulerovu teoremu rijeˇiti kongruencijsku jednaˇinu c s c 22x ≡ 1(mod729). ELEMENTI TEORIJE BROJEVA Primjer 2.8 Zadaci (a) Odrediti njihove kanonske dekompozicije. m1 m2 m3 Odredimo b1 . = 91. Uvedimo oznake kao u teoremi 2. a3 = 3.

1.Glava 3 Funkcije generatrise 3. n! n=0 bn tn dva stepena reda. Stirlinga i De Moivr´-a iz 18. J. 19 . Osnovna ideja je da se nekom nizu brojeva dodjeljuje jedna funkcija i da se manipulacija umjesto sa beskonaˇno mnogo objekata vrˇi sa jednim objektom. Funkcija generatrisa (FG) datog niza je stepeni red +∞ a(t) = n=0 an tn . to jest funkcije +∞ an tn i g(t) = +∞ n=0 generatrise za nizove {an } i {bn } redom. to jest c +∞ (f + g)(t) = f (t) + g(t) = n=0 (an + bn )tn . c s c Eulera. e Definicija 3. vijeka. Neka je {an } niz realnih ili kompleksnih brojeva. Eksponencijalna funkcija generatrisa (EFG) je stepeni red oblika e(t) = Neka su f (t) = +∞ n=0 an n t . to jest c f = g ⇔ an = bn (∀n ≥ 0). Tada vrijedi • Pravilo jednakosti: Funkcije generatrise f i g su jednake ako i samo ako su im odgovaraju´i koeficijenti jednaki.1 Uvod Ovde dajemo metod za rjeˇavanje kombinatornih problema u vezi sa pres brojavanjima poznat kao metod funkcija generatrisa. Ova metoda potiˇe od L. c • Pravilo zbira: Suma f + g je stepeni red ˇiji je koeficijent uz tn jednak sumi odgovaraju´ih koeficijenata.

4. . Dalje. n2 . Kako je z f (x) = x12 (1 + x + x2 + · · · + x5 )4 = x12 1 − x6 1−x 4 . . n n=1 +∞ to jest FG za niz { an }. (1 − t)3 t . . n. Na koliko se naˇina mogu 24 jabuke podijeliti izmedju ˇetvero c c djece tako da za svako dijete dobije barem 3. S druge strane. . . 9.20 GLAVA 3. . (1 − t)2 1 . (1 − t)2 Na kraju ove sekcije navodimo jedan ilustrativan primjer. 3. . ali ne viˇe od 8 jabuka. (∀n ≥ 0). . f2 traˇene funkcije generatrise. ako je f (t) = an tn FG za niz {an } onda je derivacija +∞ f (t) = pa je tf (t) FG za niz {nan }. . 2. s Podjelu jabuka koje svako dijete moˇe primiti moˇemo reprezentirati sa x3 + z z x4 + · · · + x8 . (b) Ako deriviramo obe strane prethodne jednakosti po t imamo 1 + 2t + 3t2 + · · · = a odavde mnoˇenjem po t slijedi z t + 2t2 + 3t3 + · · · = (c) Na sliˇan naˇin kao pod (b) dobijamo c c f2 (t) = t(1 + t) . FUNKCIJE GENERATRISE • Pravilo proizvoda: Proizvod f · g je stepeni red ˇiji je koeficijent uz tn c jednak cn . . n Primjer 3. . . integral daje t (n + 1)an+1 tn . pri ˇemu je c n cn = k=0 +∞ n=0 ak bn−k . . . f1 . . . 1. n=0 f (x)dx = 0 1 an−1 tn . Primjer 3. . (b) 0. . 1. 1. Odrediti FG za sljede´e nizove : c (a) 1.2. 1. . (c) 0.1. Traˇi se koeficijent uz x24 od f (x). . Kako se radi o ˇetvero djece odgovaraju´a FG je f (x) = (x3 + c c x4 + · · · + x8 )4 . Oznaˇimo redom sa f0 . . Tada je c z 1 (a) f0 (t) = 1 + t + t2 + · · · = 1−t (|t| < 1).

koeficijent uz xn u proizvodu m k=1 1 . 1 − xk U stvari. a taj je jednak −4 12 (−1)12 − 4 1 −4 6 (−1)6 + 4 2 −4 0 . c z 3. 1 − xk jednak je broju particija p(n) od n. Particija s broja n ∈ N je prikaz broja n kao zbira prirodnih brojeva (pri tome nije bitan poredak sabiraka). FG za niz brojeva {p(n)} je data sa +∞ P (x) = k=1 1 . c c c .3.2 dovodi nas do problema particije broja. Na sliˇan naˇin se dokazuje i sljede´a teorema.2. Po definiciji je c p(0) = 0. PARTICIJE treba odrediti koeficijent uz x12 od 1 − x6 1−x 4 21 = (1 − x6 )4 (1 − x)−4 = 1 − −4 0 + −4 1 (−x) + 4 1 −4 2 x6 + 4 4 x12 − · · · (−x)2 + · · · . to jest broju naˇina c z c da se n prikaˇe kao suma k1 + 2k2 + 3k3 + · · · nkn .2 Particije Uopˇtenje primjera 3. Kako je 1 = 1 + xk + x2k + x3k + · · · .1. Dokaz. Odavde zakljuˇujemo da je traˇeni broj 125. m ≥ n. a to je broj particija broja z n. Teorema 3. 1 − xk imamo da je koeficijent uz xn u proizvodu +∞ k=1 1 1 − xk jednak broju naˇina da se xn prikaˇe kao xk1 +2k2 +3k3 +···nkn . Broj particija broja n se oznaˇava sa p(n).

(1 − x)(1 − x2 ) · · · (1 − xk ) Na kraju dajemo jednu aproksimaciju za broj p(n). Zbog toga c c dobijamo π2 x − n ln x. .22 GLAVA 3. 2 1−x 21−x 3 1 − x3 1 1 π2 + 2 + ··· = . x 1 x2 1 x3 + + + ··· . ln P (x) < Kako je 1+ dobijamo ln P (x) < x 1−x 1+ 1 1 + 2 + ··· 22 3 . Koeficijent uz xn razvoja u red od 1 (1 − xa )(1 − xb )(1 − xc ) · · · jednak je broju naˇina da se n napiˇe kao suma nekoliko a−ova b−ova. 22 3 6 π2 x . Iz P (x) = k=1 +∞ 1 1 − xk dobijamo ln P (x) = − ln(1 − x) − ln(1 − x2 ) − ln(1 − x3 ) − · · · . Zbog Taylorovog razvoja funkcije t → ln(1 − t) imamo ln P (x) = x+ x2 x3 x4 x6 x3 x9 + + · · · + x2 + + + · · · + x3 + + + ··· 2 3 2 3 2 3 +··· = Ako je 0 < x < 1 vrijedi 1 xn 1 x xn−1 1 x = · · < 2· . ln p(n) < ln P (x) − n ln x < 6(1 − x) . c−ova. c Posljedica 3. . . FUNKCIJE GENERATRISE Teorema 3. . 6(1 − x) S druge strane P (x) je ve´i od svakog ˇlana. k tada na osnovu prethodne teoreme dobijamo sljede´e tvrdjenje. c s Ako sa pk (n) oznaˇimo broj particija od n u kojima se javljaju samo brojevi c 1. FG za niz {pk (n)} je 1 .2. n 2 + · · · xn−1 n1−x n 1−x 1+x+x n 1−x Dakle. . 2.1. . pa je P (x) > p(n)xn . .

6 π2 6 +1 √ n .3 Rekurzivne relacije Funkcije generatrise su pogodne za rekurzivne relacije. REKURZIVNE RELACIJE Kako je ln x > vrijedi ln p(n) < Ako ovdje stavimo x= √ dobijamo ln p(n) < p(n) < e 23 x−1 . 1). Iz relacije Fn+2 = Fn+1 + Fn mnoˇe´i sa xn+2 i sumiranjem po n dobijamo z c Fn+2 xn+2 = n=0 n=0 Fn+1 xn+2 + n=0 Fn xn+2 . Naime.3.3. c Primjer 3.1.3. G. n ≥ 0. 4 3n 3. . (Fibonaccijev niz) Odrediti FG i na´i eksplicitni izraz za Fn ako c je F0 = 0. pa je F (x) − F0 − F1 x = xF (x) + x2 F (x). Ovde navodimo neke primjere. F (x) = x . Neka je +∞ F (x) = n=0 Fn xn . Odavde je Dakle. F1 = 1 i Fn+2 = Fn+1 + Fn . Ramanujan su pokazali da je √ 2n 1 p(n) ∼ √ eπ 3 . x π2 x 1−x +n . za sve x ∈ (0. Hardy i S. takva funkcija zamjenjuje ˇitav niz zadan rekurzivno. 1 − x − x2 Rastavljanjem funkcije F na parcijalne razlomke dobijamo 1 F (x) = √ 5 1 1 − 1 − αx 1 − βx . 6(1 − x) x n n+1 √ √ π2 +1 n. Primjedba 3. F (x) − x = xF (x) + x2 F (x).

je to jest Odavde dobijamo f (x) = 1− √ √ 1 − 4x 1 + 1 − 4x ili f (x) = . an = Primjedba 3. Odrediti eksplicitno an . Sada rastavljanjem u geometrijski red. GLAVA 3. 1 n+1 n=0 +∞ 2n n xn+1 . Kako je po definiciji f (0) = 0. 5 Odavde zakljuˇujemo da je koeficijent uz xn . dobijamo 1 F (x) = √ (1 + αx + α2 x2 + · · · − 1 − βx − β 2 x2 − · · · ). (Problem dijagonalnih triangulacija n-terokuta) Neka je a1 = 1 i za svako n ≥ 2. zakljuˇujemo c √ 1 − 1 − 4x . Neka je f (x) = +∞ n=1 an xn . 2n − 2 n−1 1 n 2n − 2 n−1 . an = a1 an−1 + a2 an−2 + · · · + an−1 a1 . Broj 1 n se naziva Catalanov broj. . to jest Fn dat sa c 1 Fn = √ (αn − β n ). 2 2 f (x)2 = f (x) − x.2.24 gdje je α = √ 1+ 5 2 . 5 Primjer 3. FUNKCIJE GENERATRISE β= √ 1− 5 2 . pa zbog relacije an = a1 an−1 + a2 an−2 + · · · + an−1 a1 . Kvadriranjem dobijamo +∞ n−1 f (x)2 = n=2 k=1 ak an−k xn .4. f (x)2 − f (x) + x = 0. f (x) = 2 Sada koriste´i Taylorov razvoj dobijamo c f (x) = Dakle.

Odavde dobijamo f (x) = 1−x x .2. Sljede´a teorema daje potreban i dovoljan uslov kada FG ima kompozicijski c inverz. g(x) = 2 . Neka su f i g FG za nizove {an } i {bn } redom.3. U tom sluˇaju je c f (x) − a0 = 2xf (x) + xg(x) g(x) − b0 = xf (x) + xg(x). x2 − 3x + 1 x − 3x + 1 √ 3+ 5 2 √ 3+ 5 2 √ 5+ 5 10 √ 3− 5 2 √ 3− 5 2 Sada iz Taylorovog razvoja imamo an = √ 5− 5 10 n+1 n+1 + n+1 .3. Odrediti an i bn .3. Na osnovu toga dobijamo beskonaˇan sistem jednaˇina c c a1 b1 = 1 . Dokaz. Prethodni primjer daje model za ˇirenje neutrona visoke i niske s energije nakon njihovog sudara s jezgrama fisijske materije. Teorema 3.5. s c Primjer 3. 3. Za funkciju f kaˇemo da je kompozicijski inverz funkcije g z na skupu D ako vrijedi f (g(x)) = g(f (x)) = x za sve x ∈ D. KOMPOZICIJSKI INVERZ 25 Na kraju navodimo primjer koji pokazuje da se i neki sistemi rekurzija mogu rjeˇavati koriste´i funkcije generatrise. U tom sluˇaju c vrijedi a1 (b1 x + b2 x2 + · · · ) + a2 (b1 x + b2 x2 + · · · )2 + a3 (b1 x + b2 x2 + · · · )3 · · · = x. Funkcija generatrisa f (x) = a1 x + a2 x2 + · · · ima jedinstveni kompozicijski inverz f −1 (x) ako i samo ako je a1 = 0. n+1 √ 3 5−5 bn = 10 √ 3 5+5 − 10 . Neka je a0 = 1.4 Kompozicijski inverz Definicija 3. Primjedba 3. b0 = 0 i an+1 = 2an + bn bn+1 = an + bn .4. Neka je g(x) = b1 x + b2 x2 + · · · tako da je f (g(x)) = 1.

Kako je y = ex − 1. Prvu jednaˇinu moˇemo jednoznaˇno rijeˇiti po b1 ako i samo ako je a1 = 0. 1 2k + 1 22k 2k k 1 = (2n + 2)(2n + 3) 3 · 4n+1 3 2n + 2 n+1 5 . a2 = −1.6. n (−1)n−1 n x . Kako je ln(1 + x) = zakljuˇujemo da je an = c (−1)n−1 . Na koliko naˇina c c se moˇe isplatiti suma od 14 KM? z 2. (Koristiti FG i (1 − 4x)− 2 · (1 − 4x)− 2 = (1 − 4x)− 2 . Pokazati da je n k=0 2n n . Jednostavno se vidi da je (ex − 1)−1 = ln(1 + x). Dakle g(x) z c s c postoji i jedinstven je ako i samo ako je a1 = 0. zadatak se svodi na odredjivanje kompozicijskog inverza od ex − 1. . . Odrediti FG za {an } i opˇti ˇlan niza {an }. Primjer 3. 6 od 2 KM i 4 od 5 KM.) 4. Ako je y = +∞ n=1 xn n odrediti niz {an } takav da je x = +∞ n=1 an y n . a1 = 1. s c 5. a za n ≥ 3 je an + an−1 − 16an−2 + 20an−3 = 0. FUNKCIJE GENERATRISE a1 b2 + a2 b2 = 0 1 a1 b3 + 2a1 b1 b2 + a3 b3 = 0 1 . .5 Zadaci 1. Imamo 8 novˇanica od 1 KM. c z c s Tada moˇemo i drugu jednaˇinu rijeˇiti po b2 i tre´u po b3 itd. Ako je y = +∞ n=1 xn n! odrediti niz {an } takav da je x = +∞ n=1 an y n . n n=1 +∞ 3. Neka je {an } niz za koji je a0 = 0.26 GLAVA 3. n ≥ 0 jednaka (1 − 4x)− 2 . Pokazati da je FG za niz an = 3.

graf sc moˇemo shvatiti kao objekat koji se sastoji od ˇvorova i ivica koje spajaju neke z c od ˇvorova. dok ivice moˇemo oznaˇiti sa {1. . Naime. 1. . c z c Dakle. gdje je V konaˇan podskup c i E je familija 2-ˇlanih poskupova od V . 2. 27 . Vrhovi 2 i 3 su takodje povezani preko vrha 1. . {2. . 2}. {1. vrhove moˇemo opisati kao podskupove od skupa ˇvorova koji se sastoje z c od 2 elementa. Za vrhove x.1 Uvod Prije nego damo definiciju grafa naveˇ´emo jedan primjer. gdje je V = {0.1. 2. {1. . .Glava 4 Grafovi 4. E). 4. y ∈ kaˇemo da su z povezani ako vrijedi {x. 5} i E = {{1. 5}}. . {n. n} i E = {{0. {0. . / Graf moˇemo reprezentirati i njegovom tabelom incidencije z 1 2 3 2 1 3 1 4 5 5 4 Primjer 4. n}. y} ∈ E. 3. ali nisu povezani jer {2. 2}. 4. E). 2. Graf Wn = (V. Graf je uredjeni par G = (V. Neka je n ∈ N. Primjer 4.3. 3. 3}. . 1}}. Elementi od V se nazivaju ˇvorovi c c (vrhovi) a elementi od E grane (ivice) grafa G.2. 3}. 2}. {1. 5}. Graf ima ˇvorove 1. . n}. {0. 2}. 3} ∈ E. {4. imamo V = {1.1. . U primjeru 4. 3}. . {4. 5. {n − 1. 1}. Definicija 4. c Primjer 4.1.

Graf na slici je podgrafa na slici Definicija 4. . .28 nazivamo toˇak. . Primjer 4.2. Za graf G1 = (V1 . j) : 1 ≤ i < j ≤ n} nazivamo kompletan graf.3. E). Na primjer K4 moˇemo ilustrovati sljede´om slikom c z c Definicija 4. . Za dva grafa G1 = (V1 .4. (GI2) α : V1 → V2 je sirjekcija. {x. Taj graf se moˇe c z cije 0 1 2 1 0 0 . E2 ) ako vrijedi V1 ⊆ V2 i E1 ⊆ E2 . E2 ) kaˇemo da su z izomorfmni ako postoji funkcija α : V1 → V2 koja ipunjava sljede´e uslove : c (GI1) α : V1 → V2 je injekcija. y} ∈ E1 ako i samo ako {α(x). U tom grafu je svaki par razliˇitih c ˇvorova povezan. 2 3 . E1 ) i G2 = (V2 . 2. E1 ) kaˇemo da je podgraf grafa G2 = z (V2 . (GI3) Za sve x. y ∈ V1 . gdje je V = {1. α(y)} ∈ E2 . GRAFOVI reprezentovati sa sljede´om tabelom incidenc 3 0 4 2 ··· ··· ··· ··· n-1 0 n n-2 n 0 1 n-1 Na primjer W4 moˇemo prikazati na sljede´i naˇin z c c Primjer 4. .5. n} i E = {(i. Graf Kn = (V. n n 1 GLAVA 4. .

4.ˇ 4. c z Primjedba 4. n}.2 Stepen ˇvora c Definicija 4. c Dokaz. Neka je dat graf G = (V. Primjer 4. Definicija 4. v∈V c c c Dokaz. .5. to jest broj grana od G koji sadrˇe ˇvor v. . Nije teˇko vdjeti da ako je sa α : V1 → V2 dat izomorfizam grafova G1 = (V1 .2.6. .10. Primjer 4. . {2. 3. E) kaˇemo da je neparan (paran) ako je c z stepen ˇvora δ(v) neparan (paran). kompletan graf Kn je regularan sa stepenom n − 1. Tada vrijedi δ(v) = 2|E|. . da je tada δ(v) = δ(α(v)) za svaki v ∈ V1 . E2 ). Za svako kompletan graf Kn je δ(v) = n − 1 za svaki v ∈ V. Kod ovog grafa svaki ˇvor ima stepen 2. 3}. c Teorema 4. E) je paran. α(c) = 3 i α(d) = 4. {n. δ(v) v∈Vn Kako je δ(v) paran broj za svaki v ∈ Vp to zakljuˇujemo da je broj c paran. Grafovi na sljede´oj slici su izomorfni.1 slijedi δ(v) + v∈Vp v∈Vn δ(v) = 2|E|. Teorema 4. c 29 Moˇemo uzeti na primjer α(a) = 2. E). .9. E) kaˇemo da je regularan sa stepenom z regularnost r ako vrijedi δ(v) = r za svaki v ∈ V . Neka Vp i Vn oznaˇavaju familije parnih i neparnih ˇvorova grafa G c c respektivno. . n} i E = {{1.1. E). Stepen ˇvora se moˇe koristiti kao test izmorofnosti dva grafa. E1 ) s i G2 = (V2 . 2}. Dokaz slijedi iz ˇinjenice da svaka grana kao krajnje taˇke ima dva ˇvora.1. Neka je dat graf G = (V. . Stepen ˇvora c c v je broj δ(v) = |{e ∈ E : v ∈ e}|. Za graf W4 vrijedi δ(0) = 4 i δ(v) = 3 za svaki v ∈ {1. Za graf G = (V. Broj neparnih ˇorova nekog grafa G = (V. . c Primjer 4. {n − 1.7.2. E) i v ∈ V ˇvor od G. Specijalno. . STEPEN CVORA Primjer 4.8. 4}. Tada iz teoreme 4. Za svaki n ∈ N za koji vrijedi n ≥ 3 cikliˇni graf je Cn = (V. z c Primjer 4. α(b) = 1. z 4. c gdje je V = {1. 2. Broj δ(v) je neparan za svaki v ∈ Vn . Za ˇvor grafa G = (V. 1}}. pa broj |Vn | mora biti paran.

Ako graf G ima samo jednu komponentu kaˇemo da je povezan. Za svaki i = 1. Graf prikazan na slici . . kaˇemo da se radi o ciklusu. . 0. . Neka je V = V1 ∪ V2 ∪ · · · ∪ Vr . s Primjer 4. . vk ∈ V tako da je x = v0 i y = vk . y} ∈ E : x.3. grafovi Gi = (Vi . E) je niz ˇvorova c takav da za svaki i = 1. 1. {v0 . 3. Setnja 0. neka je c Ei = {{x. 3. unija razliˇitih klasa ekvivalencije. Za svaki i = 1. 2. {vi−1 . 1. r. v1 }. s Pretpostavimo da je dat graf G = (V. Definicija 4. . . v1 }. .12. Definiˇimo relaciju ∼ na sljede´i s c naˇin. . v 1 . dok je ˇetnja 0. . U tom sluˇaju kaˇemo da se radi c z o ˇetnji od v0 do vk . Primjer 4. v1 }.11.30 GLAVA 4. . gdje su Vi i Ei definisani kao ranije se nazivaju komponente grafa G. Tada piˇemo x ∼ y kada postoji ˇetnja c s s v 0 . Neka je dat graf W4 . vk ∈ V ˇ Definicija 4. Za graf koji c z ne sadrˇi ciklus kaˇemo da je acikliˇan. ˇ tada je 0. vi } ∈ E.2. 0 ciklus. Graf G = (V. r. . E). 4 je s put. .6. . 4. . Ako su svi vrhovi razliˇiti kaˇemo da se radi o putu. . . 2. y ∈ V . z z c ˇ Primjedba 4. Setnju moˇemo prikazati i preko grana na sljede´i naˇin z c c {v0 . E) je povezan ako za svaki par razliˇitih ˇvorova x. 3 ˇetnja ali nije put ni ciklus. {v0 . . 2. v 1 . . Pretpostavimo da je x. k.7. 1. Ako s c z su svi vrhovi razliˇiti sem v0 = vk . . Ei ). . z c c Primjedba 4.3 Povezani grafovi v 0 . y ∈ V . drugim rijeˇima Ei oznaˇava familiju svih grana iz E ˇiji su krajnji ˇvorovi iz c c c c Vi . . Relacija ∼ je relacija ekvivalencije na V . . Setnja u grafu G = (V. GRAFOVI 4. . y ∈ Vi }. . postoji ˇetnja od x do y.

.. Primjer 4. Stablo (drvo) je povezani acikliˇki graf. Svako netrivijalno stablo G = (V. Eulerova karakteristika stabla G = (V.13. Lema 4. Primjedba 4. E2 ) dva razliˇita puta koja povezuju ˇvorove u i v. E) stablo onda je |E| = |V |−1. . a njegova Eulerova karakteristika je 2. F ). Teorema 4. c Dokaz. Dokaz. Prema lemi 4. Prema tome graf C = (V1 ∪V2 . c c Dokaz. pa postoji ˇvor v2 povezan sa ˇvorom v1 .4. Komponente povezanosti ˇume c s s su stabla. Ako je G = (V. s c Definicija 4. Poˇnimo od nekog ˇvora v1 .3. Acikliˇki graf se zove i ˇuma. Za svaki n ∈ N kompletan graf Kn je povezan. E1 ∪E2 ∪{x. to jest χ(G) = 2. Kako je P1 = P2 to postoji grana c c {x. y} ∈ E2 . Nastavljaju´i ovaj proces na kraju dobijamo stablo samo sa c jednim ˇvorom.8. Cvorovi tog puta se ne ponavljaju jer bi inaˇe c imali ciklus. y} povezan. Tada dobivamo opet stablo G1 = (V1 . Na taj naˇin z c c ˇ dolazimo do puta v1 v2 v3 . U suprotc c nom je δ(v1 ) > 1. Ako je δ(v1 ) = 1 dokaz je gotov. ako je δ(v2 ) > 1 produˇimo dalje do ˇvora v3 . E) stablo i neka su P1 = (V1 . Teorema 4. dok je graf pirkazan na slici 31 povezan.4 Stabla c Definicija 4. 4.4.4. y}) je ciklus i sadrˇan c z je u grafu G = (V.1 postoji v ∈ V za koji je δ(v) = 1. pa sadrˇi put koji povezuje z ˇvorove x i y. Kako ˇvorova ima konaˇno mnogo postoji posljednji ˇvor koji c c c mora biti stepena 1.4. y} ∈ E1 tako da {x. Neka je G = (V. STABLA ima dvije komponente. E) je χ(G) = |V | − |E| + 1. c . Izbacimo taj ˇvor i granu koja je incidentna sa v. E1 ) i P2 = (V2 .9. E) (|V | > 1) ima ˇvor ˇiji je c c stepen 1. Sada imamo da je graf P = (W. E) ˇto je nemogu´e. Ako je δ(v1 ) = 1 c c dokaz je gotov.1. E1 ) za koje je χ(G1 ) = χ(G). gdje / je W = V1 ∪ V2 i F = (E1 ∪ E2 ) \ {x. Svaka dva ˇvora u stablu su povezana taˇno jednim putem.

(a) Kako je δ(v) = 2|E| v∈V na osnovu prethodnog teorema imamo δ(v) = 2|V | − 2. c Dokaz. E) vrijedi δ(v) = 2|V | − 2. Primjer 4.15.10.1. v∈V GLAVA 4. z z Primjer 4. E) koji je ˇetnja i koji sadrˇi s s z svaku granu taˇno jednom. Graf je Hamiltonov ako sadrˇi Hamiltonov ciklus. pa sada tvrdnja c slijedi iz (a). . Drugim rijeˇima pitanje je da li postoji Eulerova ˇetnja na grafu kao c s na slici Negativan odgovor na ovo pitanje je dao Euler 1736.5 Eulerovi i Hamiltonovi grafovi Definicija 4. (Problem Kenigsberˇkih mostova) Stari pruski grad K¨nigsberg s o (sadaˇnji Kalinjgrad) smjeˇten je na rijeci Pregel. W. v∈V (b) Ako je G netrivijalno stablo onda je δ(v) ≥ 1 za svaki ˇvor v. GRAFOVI (b) Svako netrivijalno stablo ima bar dva ˇvora stepena 1. (a) Za svako stablo G = (V. Hamiltonov ciklus je graf G = (V. To je jedan od najve´ih nerijeˇenih c s problema teorije grafova. Eulerova ˇetnja je graf G = (V. Graf je Eulerov ako sadrˇi Eulerovu ˇetnju. Hamilton 1856) Trgovaˇki putc c nik treba obi´i neke gradove i vratiti se na mjesto polaska tako da u toku putoc vanja kroz svaki grad prodesamo jednom. E) koji je ciklus i koji sadrˇi sve vrhove od V . Dio grada je smjeˇten na dva s s s ostrva koji su povezani sa kopnom sa sedam mostova kao na slici Problem se sastoji u tome da se obavi ˇetnja u kojoj ´e se svaki most obi´i taˇno s c c c jednom.14. 4. Drugim rijeˇima traˇi se potreban i c z dovoljan uslov kada je graf Hamiltonov. (Problem trgovaˇkog putnika. c z s Definicija 4. god.32 Posljedica 4.11.

6 Zadaci 1.4. c s c Ako je H trivijalan onda ima ciklus. Neka je H komponenta povezanosti ˇvora v za koji je δ(v) ≥ 2. Da li se Pariz moˇe obi´i tako da preko svakog mosta predemo samo jednom? z c Pripadni graf izgleda kao na slici. ZADACI 33 Teorema 4. Plan Pariza sa granama na Seni izgleda kao na slici. Pokazati da graf G ima bar dva ˇvora sa stepenom 1. 2. ˇto je opet nemogu´e. Na osnovu prethodne teoreme zakljuˇujemo da graf mostova u c K¨nigsbergu nema Eulerove staze.5. s c Teorema 4.7. Pretpostavimo da je graf G = (V.6. E) stablo kod koga je |V | ≥ 2. Povezani graf ima Eulerovu ˇetnju ako i samo ako ima najviˇe s s dva vrha neparnog stepena. Za koje vrijednosti n ∈ N kompletan graf Kn ima Ojlerovu ˇetnju? s 4. ˇto je nemogu´e.16. s c 5. Odrediti ˇest neizomorfnih stabala sa 6 ˇvorova. Konstruisati graf koji ima sljede´u tabelu incidencije c 0 5 8 9 1 2 6 2 1 4 6 3 7 4 2 6 5 0 8 9 6 1 2 4 7 3 8 0 5 9 0 . Teorema 4. Pretpostavimo suprotno.6. to jest da graf G nema ciklusa. pa taj graf ima Eulerovu ˇetnju jer ima samo s dva vrha neparnog stepena. Neka je dat graf G = (V.5. 4. o Primjer 4. c . Odrediti broj grana kompletnog grafa Kn . H je stablo. E). Povezan graf G je Eulerov ako i samo ako svi ˇvorovi imaju c paran stepen. v∈V Dokaz. Primjedba 4. 5 Koliko komponenata povezanosti ima dati graf? 3. Ako je min δ(v) ≥ 2 onda G sadrˇi z ciklus. Ako je H c netrivijalan onda postoje bar dva ˇvora u H sa stepenima 1.

GRAFOVI .34 GLAVA 4.

. . i = 1. vitamini. mesom mlijeko. c s bj : potrebe kod j− tog potroˇaˇa. proteini. . c cj : cijena jedinice j−tog proizvoda bi : potreba (mjeseˇna) za i−tim sastojkom c xj : koliˇina j−tog proizvoda. ) i m korisnih sastojaka (mast. . Neka je dato p prehrambenih proizvoda (hljeb. ). . .Glava 5 Optimizacija 5. 2. 35 . c Posmatra se problem minimizacije min c1 x1 + · · · + cn xn uz uslove x≥ 0. . Neka je ai : koliˇina robe u i−tom skladiˇtu. s 1. . . Ovo je problem ishrane koji se rjeˇava na primjer u ekonomiji i vojnoj s industriji. n a11 x1 + a12 x2 + · · · + a1n xn ≥ b1 . s c cij : cijena prevoza iz i i j. am1 x1 + am2 x2 + · · · + amn xn ≥ bm .1 Neki problemi U ovoj sekciji dajemo neke probleme koji se rjeˇavaju metodama opimizacije. . krompir. . Uvedimo parametre aij : koiliˇina i−tog sastojka u jedinici j−tog proizvoda. ugljeni hidrati. .

c Od interesa je mimizirati troˇkove prevoza. Ako je I = ∅ i j = ∅ onda razlikujemo problem linearnog programiranja (LP) i problem nelinearnog programiranja (NP). m. . . . . . . . . Ovo je primjer transportnog problema. j ∈ J}. to jest odrediti s m n min i=1 j=1 cij xij uz uslove m xij = bj . U sluˇaju da je S = Rn radi se o bezuslovnoj optimizaciji. j = 1. c = [c1 . Kod problema linearnog programiranja imamo f (x) = cT x. i=1 xij ≥ 0. cn ]T . . Na´i pravougli trougao najve´e povrˇine. 4. . . m}. hiperbole). (Zadatak Fermata). . . A = [aij ]m×n . n. J = {1. i = 1. hj (x) = 0. p}. i=1 m xij ≤ ai . . Primjedba 5.2 Osnovni pojmovi Neka je data funkcija f : Rn → R i skup S ⊆ Rn . g(x) = Ax − b. . i ∈ I. . Na´i rastojanje taˇke od elipse (parabole.1. . Na´i taˇku u ravni da suma rastojanja od nje do tri zadane taˇke bude c c c minimalna. Ako je I = ∅ kaˇemo da se radi o zadatku klasiˇne optimizacije (vezani z c ekstremi). Opˇti zadatak optis mizacije je min f (x). gdje je I = {1. . ako je suma duˇina kateta zadan broj. . 5. OPTIMIZACIJA xij : koliˇina tovara prevezenog iz i u j. b = [bj ]. c c s z 3. c c 5. Transportni problem i problem ishrane su primjeri zadataka linearnog programiranja. . x ∈ S.36 GLAVA 5. . U drugom sluˇaju c c (uslovna) skup S je opisan sa S = {x ∈ Rn : gi (x) ≤ 0.

(b) U R2 dvoˇlani skup. G . c G− dopustiv skup.3 Konveksni skupovi λx + (1 − λ)y ∈ C za sve x. Skupovi C = {(x. x0 ∈ G− dopustiva taˇka. Primjer 5. s c Unija dva konveksna skupa ne mora da bude konveksan skup. U optimizaciji se obiˇno koriste sljede´i nazivi : c c f − funkcija cilja. Ako su sve funkcije konveksne dobija se zadatak konveksnog programiranja (KP). 0) ∈ C. .1. jer na primjer x = (0.1. jednoˇlan skup i cijeli prostor Rn konveksni c c skupovi.skup svih optimalnih taˇaka. 4]} su konveksni skupovi. jer se s problem maksimizacije svodi na problem minimizacije zbog relacije max f = − min(−f ). Ako je F familija konveksnih skupova u Rn tada je D = ∩{C : C ∈ F } konveksan skup. λ ∈ [0. ali C ∪ D nije konveksan skup. 2) ∈ D.optimalna taˇka minimizacije (maksimizacije) ako vrijedi (∀x ∈ c G)f (x) ≥ f (x )(f (x) ≤ f (x )). ravan. Za podskup C prostora Rn kaˇemo da je konveksan ako vrijedi Oˇigledno su prazan skup. y = (2. KONVEKSNI SKUPOVI 37 U sluˇaju da je jedna od funkcija f .2. c Primjedba 5. z Definicija 5.3. ali 1 1 x + y ∈ C ∪ D. krug i unutraˇnjost trougla su koveksni s skupovi. x ∈ G. (a) U R2 prava. y ∈ C. 4]. 5. 1]. komplement kruga. y) : x ∈ [2. Ako je u problemu LP S = G ∩ Z2 dobijamo cjelobrojno programiranje (CP). unutraˇnjost trougla bez jedne unc s utraˇnje taˇke su primjeri skupova koji nisu konveksni. / 2 2 Teorema 5. Dovoljno je baviti se rjeˇavanjem problema minimizacije. gi nelinearna radi se o problemu nelinc earnog programiranja.5.1. y) : x2 + y 2 ≤ 1} i D = {(x. y ∈ [2.

1]. Tada iz definicije skalarnog proizvoda imamo a. Pretpostavimo da je dat poluprostor S = {x ∈ Rn : a. λi ≥ 0. Svaka hiperravan u Rn je konveksan skup. a = 0 i b ∈ R. Ako je x ∈ Rn tada piˇemo x ≥ 0 ako i samo ako je xi ≥ 0 za s sve i = 1. Neka je a ∈ Rn . Dokaz slijedi iz ˇinjenice da je xi ≥ 0 ako i samo ako je ei . . Skup {x ∈ Rn : a. Posljedica 5. Kako je λ ∈ [0.2. . Komplement zatvorenog poluprostora nazivamo otvoreni poluprostor i moˇemo ga zapisati u sljede´oj formi z c {x ∈ Rn : a.1. . x ≤ b}. . Prvi ortant {x ∈ Rn : xi ≥ 0. k i k i=1 k λi = 1 tada konveksna kombinacija i=1 λi xi ∈ C. . . 1]. x + (1 − λ) a. c Teorema 5.38 GLAVA 5. x ≤ b i a. Definicija 5. Dokaz.2. . i = 1. . y .3.2. n} je konveksan.3. . Ako je xi ∈ C. Neka je C konveksan podskup od Rn . . i = 1. nazivamo zatvoreni poluprostor u Rn . . Posljedica 5. x ≤ b}. λx + (1 − λ)y = λ a. Dokaz. Konveksni omotaˇ skupa z c S oznaˇavamo sa coS. Slijedi direktno iz definicije konveksnog skupa. Svaki poluprostor u Rn je konveksan. nazivamo hiperravan u Rn . . x ≥ 0. . c Primjedba 5. Teorema 5. y ∈ S i λ ∈ [0. Skup {x ∈ Rn : a. x > b}. Neka je dat skup S u Rn . λx + (1 − λ)y ≤ λb + (1 − λ)b = b. n. x = b}. Neka su x. Konveksni omotaˇ skupa S je c presjek svih konveksnih skupova koji sadrˇe skup S. definisan sa jednaˇinom c a1 x1 + a2 x2 + · · · + an xn = b.3. Definicija 5. a. y ≤ b vrijedi a. OPTIMIZACIJA Dokaz.

4. λi ≥ 0. Znaˇi ako je dat politop C i ako je V skup c c njegovih vrhova tada je C = coV . . Za taˇku x kaˇemo c z da je vrh (ekstremna taˇka) skupa C ako ne postoji linijski segment sadrˇan c z u C. xn − x0 linearno nezavisne. Definicija 5. Primjer 5. . to jest ako y. e1 . . Tada x ∈ coS ako i samo ako postoje xi ∈ S. . . λ1 ≥ 0. .5. POLITOPI Dokaz. Broj n se naziva dimenzija simpleksa. Neka je S neprazan podskup od Rn .2. . Politop co{0. Obrnuto. e2 i moˇe se z 4 4 opisati sa co{0. . . . . . e3 } je simpleks u R3 . 1] i x = λy+(1−λ)z c s c tada je x = y = z. Iz definicije politopa i definicije vrha slijedi da se svaki politop moˇe pirkazati z kao konveksan omotaˇ svojih vrhova.4. z ∈ C. Osim toga svaki konveksan skup koji z sadrˇi S sadˇi i skup C. takvi da je x = k i=1 k i=1 λi xi . e2 }. Primjedba 5. Simpleks je specijalan sluˇaj politopa. x1 . . . a ˇija je unutraˇnja taˇka x. λ ∈ [0. e2 . pa je C = coS. Tetraedar co{0. k. dok prava i krug nisu z politopi. xn taˇke takve da su vektori c x1 − x0 . Definiˇimo skup s k λi = 1. c c c to jest za skup C kaˇemo da je politop ako postoji konaˇan skup S takav da je z c C = coS.5.4. . Neka je C neprazan podskup od Rn i x ∈ C. . gdje je k i=1 λi = 1. i = 1. x2 − x0 . 39 Teorema 5. k. Neka su x0 . Definicija 5. c Primjer 5. e1 . . tada x ∈ S na k C={ i=1 λi xi : xi ∈ S. Primjeri politopa u R2 je duˇ i trougao. i=1 λi = 1}. Simpleks nad vrhovima x0 . . e1 . . . i = 1. x1 . i = 1. Skup C je konveksan i sadrˇi skup S. . e2 } ima vrhove 0.4. e1 .6.3. k. . . Primjer 5. xn je konveksni omotaˇ c nad tim vrhovima. . Dokaz.4 Politopi Definicija 5. . Konveksan omotaˇ konaˇno monogo taˇaka nazivamo politop. Od interesa je odrediti minimalan podskup S od C takav da je C = coS. 1 e1 + 1 e2 . Indukcijom po k.4. gdje je osnovu prethodne teoreme. Ako xi ∈ S i λ1 ≥ 0. z z 5.

. . Dakle. Tada imamo k k k f (vr ) = f (vr ) i=1 λi ≤ i=1 λi f (vi ) ≤ f (vs ) i=1 λi = f (vs ). vrijedi k k f (x) = c. i = 1. . tada vrijedi min{f (x) : x ∈ C} = min{F (x) : x ∈ Rn }. Ako x ∈ C tada je k k x= i=1 λi vi za neke λi ≥ 0. +∞]. x ∈ C. .5. . vk } konaˇan skup vrhova od c C. . vi = i=1 λf (vi ). . 2 2 . Neka je C = coV . gdje je V = {v1 . 2 0 .5. F (x) = +∞. . Dakle. f (vr ) ≤ f (x) ≤ f (vs ). x ∈ Rn \ C.5 Konveksne funkcije Neka je data funkcija f : C → Rn . 5. i=1 λi = 1. . k. 4 1 i f (x) = 2x1 − 3x2 . z x∈C x∈C Dokaz.40 GLAVA 5. . Prema tome. . OPTIMIZACIJA Ako c ∈ Rn . Odrediti min f (x). x = i=1 ci xi se naziva linearna forma (linearni funkcional) na Rn . gdje je C ⊆ Rn . i = 1. x = i=1 λi ci . Primjer 5. pri izuˇavanju problema optimizacije moˇemo posmatrati funkcije definc z isane na skupu Rn sa vrijednostima u [−∞. . Ako definiˇemo funkciju s F : Rn → Rn sa f (x). Teorema 5. Ako je C konveksan politop u Rn i f linearna forma na Rn tada se min f (x) i max f (x) dostiˇu na nekom od vrhova politopa C. funkcija f : Rn → R definisana sa n f (x) = c. k. Neka su vr i vs vrhovi iz V za koje vrijedi f (vr ) ≤ f (vi ) ≤ f (vs ). gdje je C konveksan politop u R2 sa vrhovima x∈C 1 1 . v2 . .

x > 1. x2 . x = 1. Ako je f konveksna funkcija tada je f (λx + (1 − λ)y) ≤ λf (x) + (1 − λ)f (y).  −∞. Ako je f : Rn → [−∞. x ∈ R. tada je domf = (−∞.6. x ≤ −1. a ∈ R. a) : x ∈ Rn . Slede´a teorema se dokazuje jednostavno. c Teorema 5. Podskup domf = {x ∈ Rn : f (x) < +∞} skupa Rn nazivamo efektivni domen funkcije f .6. Primjer 5. f (x) = 5.5. Neka je data funkcija f : Rn → [−∞. konveksna. Definicija 5.  2  x + 2x.8. (i) Ako je f konveksna funkcija tada vrijedi Jensenova nejednakost k k 0. (5. ako je  x ≤ −3. +∞].5. Primjedba 5. 41 Efektivni domen funkcije f se moˇe definisati i sa Rn \ {x ∈ Rn : f (x) = z +∞}. y ∈ domf i λ ∈ [0.    +∞. dok je funkcija g(x) = x2 . 1]. . KONVEKSNE FUNKCIJE Definicija 5. x > 1. f (x) ≤ a} nazivamo epigraf funkcije f .7. Skup epif = {(x. Za funkciju f kaˇemo da je konveksna funkcija ako je epif z konveksan podskup od Rn+1 (f je konkavna funkcija ako je −f konveksna funkcija). gdje je x.6. +∞] konveksna funkcija onda je domf konveksan skup.5. −3 < x < 1. 1]. Primjedba 5. Na primjer. Funkcija f (x) = nije konveksna.1) f( i=1 λi x i ) ≤ i=1 λi f (xi ).

1) vrijedi stroga nejednakost onda kaˇemo da je f strogo z konveksna funkcija. pa ovaj zakljuˇak ne moˇemo izvesti na osnovu diferencijalnog c z raˇuna. (v) Ako u relaciji (5. (i) Linearni funkcional je konveksna funkcija. [-1. Za vektor s ∈ Rn kaˇemo da je subgradijent konveksne z funkcije f u taˇki x0 (u odnosu na skup C) ako za sve x ∈ C vrijedi c f (x) ≥ f (x0 ) + x − x0 . Primjedba 5. U zadatku konveksnog programiranja skup G je konveksan skup.7. (iv) Ako su f i g konveksne onda je i max(f. Ako je f strogo konveksna onda je |G | ≤ 1. c Primjedba 5.42 gdje je xi ∈ domf . Taˇka x je minimum konveksne funkcije f na skupu C ako i c samo ako vrijedi 0 ∈ ∂f (x ). s .9. funkcije x → ||x|| i x → ||x||2 su konveksne. c Teorema 5. c Teorema 5. x ∈ R tada   {1}. Primjer 5. Primjedba 5. Primijetimo da f nije c diferencijabilna.   ∂f ∂xn . x = 0. (ii) Ako su f i g konveksne funkcije takva je i funkcija f + g.7. x < 0. to jest c c ∂f (x0 ) = {s ∈ Rn : f (x) ≥ f (x0 ) + x − x0 . Sada na osnovu prethodne teoreme vidimo da je taˇka x = 0 c taˇka minimuma funkcije f (x) = |x|. Skup svih subgradijenata funkcije f u taˇki x0 nazivamo subdiferencijal funkcije c f u taˇki x0 i oznaˇamo sa ∂f (x0 ). .7. . Iz definicije subdiferencijala dobijamo da vrijedi sljede´a teorema. λi ≥ 0 i k i=1 GLAVA 5. s (∀x ∈ C)}. Primjer 5. OPTIMIZACIJA λi = 1. Ako je ∂f (x) jednoˇlan za svaki x onda je ∂f (x) = { f (x)}. gdje je  ∂f   f (x) =  ∂x1 . Ako je f (x) = |x|. (iii) Ako je α ∈ R i funkcija f konveksna onda je i αf konveksna.9. jer 0 ∈ ∂f (0).8. Definicija 5.8. Ako je konveksna funkcija f : R → R diferencijabilna u taˇki x0 c tada vrijedi f (x) ≥ f (x0 ) + (x − x0 )f (x0 ). (ii) Neka je data norma || · || u Rn . 1]. ∂f (x) =  {−1}.8. g) konveksna. za sve x ∈ R. je x > 0.

n. . 5. Teorema 5. y ∈ Rn . Na primjer.6 Leksikografsko uredenje vektora Definicija 5. v ≥ 0. Ekvivalentno x ≥ y ako i samo ako je xi ≥ yi .) Vektorsko uredenje osim u sluˇaju n = 1 s nije totalno uredenje. ako x ∈ Rn tada xρx. . Ako je ρ parcijalno uredenje na Rn tada je ono i totalno uredenje. .10. . n) tada xT . y ≥ 0 tada je broj xT y nenegativan. xn ) (x) = lim . Ako x. LEKSIKOGRAFSKO UREDENJE VEKTORA gradijent funkcije f u taˇki x i c ∂f f (x1 . (Kriterij preko drugih izvoda) Funkcija f je konveksna ako i samo ako je matrica Hf (x) semidefinitna. e2 e1 i e1 e2 . . . (c) (x − y)ρ0. s Obiˇno uredenje ≥ na Rn se definiˇe sa x ≥ 0 ako i samo ako je xi ≥ 0. . y. . y ∈ Rn sljede´i uslovi su z c ekvivalentni: (a) xρy. . Na sliˇan naˇin se definiˇe i c c s ∂2f ∂xi ∂xj . (v) (xρy i α ≥ 0) ⇒ (αx)ρ(αy) ako x. . y ∈ Rn i α ∈ R. c (iii) tranzitivnost. . Lako se pokaˇe da ako x. . Parcijalno uredenje je vektorsko uredenje ako joˇ vrijedi i s (iv) xρy ⇒ (x + z)ρ(y + z) ako x. ∂xi ∂xj ∂xi Matricu Hf (x) = ∂2f (x) ∂xi ∂xj n×n nazivamo Hamiltonova matrica funkcije f . Teorema 5.6.5. Na primjer u R2 . . . n. to jest Hf (x)v. h→0 ∂xi h parcijalni izvodi. . . xi . (b) 0ρ(y − x). je (x + w)ρ(y + w). z ∈ Rn tada (xρy i yρz) ⇒ xρz. (∀v ∈ Rn ). ako x. 43 to jest ∂f ∂ ∂xj (x) ∂2f (x) = . pa koriste´i c (iii).10. ako x. . . . . .9. y T ∈ Rn i vrijedi x ≥ y ako i samo ako xT ≥ y T . (Piˇe se s c joˇ i x ≤ y ako i samo ako je y ≥ x. ako xρy i wρz tada (x + w)ρ(y + w) i (w + y)ρ(z + y) zbog (iv). . . ali y + w = w + y. xn ) − f (x1 . y ∈ M(1. y ∈ Rn i x ≥ 0. y ∈ Rn tada (xρy i yρx) ⇒ x = y. Parcijalno uredenje ρ na Rn je relacija za koju vrijedi (i) refleksivnost. i = c 1. i = 1. Ako x. jer uvijek xρy ili yρx. . (ii) antisimetriˇnost. xi + h. . Navedimo neke osobine vektorskog uredenja.

. pa je xj > zj . Ako x. .44 Dokaz. . y ∈ Rn piˇemo x y ako i samo ako je za neki j ∈ s {1. Ako x. . i = 1. . . . j i xj ≥ yj > zj . (5.2) (5. y. x ≥ y i z ≥ 0 tada je z T x ≥ z T y. . . . . . Skup vektora u R2 .9. Uredenje se naziva leksikografsko uredenje na Rn . . . Primjer 5. y = n i=1 GLAVA 5. Definicija 5. z ∈ Rn tada (x ≥ y i y i (x y i y ≥ z) ⇒ x z. e2 i (ii) Dokaza´emo prvi dio. Znaˇi. c Neka je xi ≥ yi . n. yi ≥ zi . Tada se njemu moˇe pridruˇiti z z drugi problem koji se naziva dualni. Uredenje je totalno uredenje. z ∈ Rn . . z) ⇒ x z y ali obrnuto ne vrijedi u Dokaz. .11. j i xj > yj . x z. . −2 1 je ureden na sljede´i naˇin c c −2 1 Dakle. (i) Ako x. e1 e1 e2 .7 Primarni i dualni problem Neka je dat problem linearnog programiranja. U tom sluˇaju prvi problem se naziva i c primarni. n}. do drugi slijedi iz primjera. Posljedica 5. . Piˇemo x y ako i samo ako je x y s ili x = y. OPTIMIZACIJA xi yi .3) . Ako je dat konaˇan skup u Rn onda taj c skup u odnosu na leksikografsko uredenje ima maksimum i minimum. .3. . y. x ≥ 0. . i = 1. Dakle. i = 1. xi ≥ zi . xi ≥ yi . n}. c 5. y ∈ Rn tada x ≥ y ⇒ x opˇtem sluˇaju. . s c (ii) Ako x. j i yj > zj tada je xi ≥ yi ≥ zi . Pretpostavimo da je dat primarni problem u standardnoj formi min f (x) = cT x Ax = b. . Ako je za neki j ∈ {1. 1 −2 Teorema 5. . a minimalni 1 0 −2 1 .11. 1 0 . i = 1. 0 1 . (i) Prvi dio slijedi iz definicije. Slijedi neposredno iz xT y = x. maksimalni elemenat je 0 1 1 0 1 −2 . . .

Ako je f (x) neograniˇena odozdo za dopustive x tada (5.5) c nema dopustivo rjeˇenje. g(y) = y T b ≤ cT x = f (x). (5. 2. a funkcija g(y) u obliku bT y. Dualni problem je dvodimenzionalni i lako se vidi da je dopustivi skup trougao.4).5) respektivno. cT = (2.3) i y dos pustivo rjeˇenje (5.3). s 4 −3 8 0 −1 12 −1 0 −3 4 . vrijedi Ax = b.2).5. c Posljedica 5. Osim toga. 45 (5. pa je y T (Ax) = y T b. Neka je dat problem linearnog programiranja min 2x1 + 6x2 − 7x3 + 2x4 + 4x5 4x1 − 3x2 + 8x3 − x4 = 12 −x2 + 12x3 − 3x4 + 4x5 = 20 xi ≥ 0. . . 6.5) moˇe pisati u obliku AT y ≤ c. Na osnovu teoreme 5. y0 optimalna rjeˇenja (5. y dopustiva rjeˇenja (5. PRIMARNI I DUALNI PROBLEM Dualni problem tog problema je max g(y) = y T b y T A ≤ cT .5. to je x0 optimalna taˇka za (5.5) tada je g(y) ≤ f (x).10. Dakle. (i) (Slaba dualnost) Ako je x dopustivo rjeˇenje (5. i = 1. . (5. 1 sa vrhovima ( 4 . Prema tome.4. .12. s g(y) ≤ f (x0 ) = g(y0 ). 4). kao i da se uslov z (5. − 3 )T . (5.4) respektivno. Ovde je x ∈ R5 . (i) Kako je x ≥ 0 i y T A ≤ cT imamo da je (y T A)x ≤ cT x. 20) i A = Dualni problem je max 12y1 + 20y2 4y1 ≤ 2 −3y1 − y2 ≤ 6 8y1 + 12y2 ≤ −7 −y1 − 3y2 ≤ 2 4y2 ≤ 4.4) (5. bT = (12. (−2.2). y0 dopustiva rjeˇenja (5. y0 je optimalna taˇka za (5. s Dokaz.3).5) respektivno i g(y0 ) = f (x0 ) s tada su x0 . Jednostavmnim raˇunom se vidi da je maksimum − 60 z c 7 27 i dostiˇe se na vrhu (− 65 . Kako je f (x0 ) = c g(y0 ) ≤ f (x). maksimum 4 28 28 se dostiˇe na vrhovima.7. z 28 Teorema 5. −7.5) Primjetimo da se kod dualnog problema ne traˇi uslov y ≥ 0. 0)T i (− 65 . . 27 )T . z Primjer 5. 5. s (ii) Ako su x0 . Tada je zbog (i). (ii) Neka su x. 28 )T .

5.4) − (5. Dakle. .2) − (5. z ≥ 0. OPTIMIZACIJA Posljedica 5. Ovo je ekvivalentno sa min cT z Az = b. Ako je g(y) neograniˇena odozgo za dopustive y tada (5. a ovo je primarni problem.3) i njegov dualni (5. Dokaz.46 GLAVA 5. gdje je u ≥ 0 i v ≥ 0. Problem (5. (5. s Primarni i dualni problem linearnog programiranja su involutivni u smislu da je dualni problem dualnog problema primarni.3) c nema dopustivo rjeˇenje. v Dualni problem ovog problema je − max z T (−c) z T (AT | − AT ) ≤ (bT | − bT ).5) moˇemo zapisati u obliku z − min(−y)T b (−y)T A ≥ (−c)T . Napiˇimo −y = u − v. Za svaki primarni problem linearnog programiranja dualni problem dualnog problema je primarni problem.4) − (5. Teorema 5. Imamo s (−y)T b = i (−y)T A = u v T u v T b −b A −A .13.5). z ≥ 0.4) − (5. Neka je dat primarni problem (5.5) moˇemo pisati u obliku z − min b −b T u v (AT | − AT ) u ≥ −c v u ≥ 0.

= −1 0 . to jest min f (x) = cT x Ax = b.11. . . . Pretpostavimo da je ispunjen sljede´i inicijalni uslov : A ima baznu matricu B c takvu da je za i = 1. c (A j )i = Aij . . . m < n) ako je ona kvadratna (invertibilna) matrica ˇije se kolone sastoje od m linearno nezavisnih kolona matrice A. .8. . A13 = −1. i = 1. z Neka je dat matrica A ∈ M(m. Primjer 5. A Ako je A ∈ M(m. . . Kako je Ax = b vrijedi (5. n). Sa Ai oznaˇavamo i−tu vrstu matrice A. Matrica B =  2 1 1  . . n) ( r(A) = m. . . −1). .2) − (5. j = 1. Matrica B je bazna matrica matrice c A ∈ M(m.8 Simpleks metod Prije nego izloˇimo simpleks metod uvedimo neke oznake. m. Rang matrice A oznaˇavamo sa r(A). p. A1 = (1. . 3) data sa A= 1 2 −1 3 −1 0 .6) BxB + F xF = b. je bazna matrica matrice A = 5 1 1     4 1 0 5 4 1 5  2 1 1 3 . .5. p) tada je 3 (AB)ij = Ai Bj . n. c   4 1 0 Primjer 5. Ovde je na primjer. c 5 1 1 6 5 1 6 Posmatrajmo problem linearnog programiranja u standardnoj formi (5. Neka je A ∈ M(2. m. . . SIMPLEKS METOD 47 5. ((B −1 b)i |(B −1 )i ) Napiˇimo A u obliku (B|F ) i x pridruˇimo s z xB xF 0. x ≥ 0. Sliˇno A c j oznaˇava j−tu kolonu matrice A.3). . . . to jest matrica sa m vrsta i n kolona. j = 1. i = 1. dok to nije sluˇaj sa matricom C =  2 1 3  . . Elemenat matrice A koji se nalazi u i−toj vrsti i j−toj koloni oznaˇavamo sa c Aij . m.12. n) i B ∈ M(n. c (Ai )j = Aij . . 2.

Dokaz. Ako je t(B) ≤ 0 tada je inicijalno rjeˇenje optimalno i postupak je s zavrˇen.13.12. i = 1. y je dopustivo rjeˇenje za (5. 4 0 0 4 3 5 . 0 1 4 .7) f (x) = cT B −1 b − (cT B −1 F − cT )xF .6).5) i zajedniˇka s c optimalna vrijednost je cB T B −1 b. Vektoru z cilja c pridruˇimo vektor cB . s Primjer 5. y = je optimalno rjeˇenje za (5. U primjeru 5. to jest bazne promjenljive izraˇene su preko nebaznih promjenljivih. B Dakle. Korak 1.10 je B = (A 1 A 5 ) = Vrijedi B −1 = i (B −1 b)i > 0. B B F pa smo funkciju cilja izrazili preko nebaznih promjenljivih. je B −1 b ≥ 0 i x = xB 0 = dopustivo rjeˇenje od (5.7). B F (5. s Osim toga. F B B Lema 5. tada je z cF f (x) = cT x = cT |cT B F xB xF = cT xB + cT xF .5). B −1 b = ≥0 . Neka je y T = cB T B −1 . Korak 2. ovdje je f (x) = s b. (oznaˇimo ga sa t) na s c sljede´i naˇin: c c tT = cT B −1 A − cT = (0|cT B −1 F − cT ). OPTIMIZACIJA xB = B −1 b − B −1 F xF . g(y) = y T b = cT B −1 b = cT B Sada dokaz slijedi iz teoreme 5. jer je t ≤ 0. imamo y T A = cT B −1 A ≤ cT . 2 0 1 4 cT B −1 B B −1 b 0 =f B −1 b 0 . Zbog (5.4) − (5.3).2)−(5. Definiˇimo test vektor t(B). poˇto je xF izabrano s kao nula u (5. s Dalje.48 pa je GLAVA 5. Ako je t ≤ 0 tada je T B −1 b 0 cT B B B −1 b 0 −1 je inicijalno bazno optimalno rjeˇenje za (5.3).1.

inaˇe c Zbog inicijalnog uslova. ako izaberemo α dovoljno veliko imamo f (x) ≤ β. 6. Definiˇimo x ∈ Rn na s sljede´i naˇin c c   (B −1 b − α(B −1 A) j )i . xi =  0. 5). 0) 0. Ako je za neki j broj tj > 0 i kolona (B −1 A) problem nema optimalnog rjeˇenja. Neka je β realan i α poztivan realan broj. SIMPLEKS METOD je ispunjeno. Dakle. 2. U tom sluˇaju postupak nastavljamo bez c ≤ 0. tada Lema 5. α. . α > 0 i (B −1 A) B −1 b − α(B −1 A) Dakle. vidimo da je f (x) neograniˇena odozdo. 0. . .2. s f (x) = cT (B −1 b − α(B −1 A) j ) + cj α = cT B −1 b − tj α B B i kako je tj > 0. pa je x dopustivo rjeˇenje.5. − . 4). Osim toga vrijedi Ax = B(B −1 b − α(B −1 A) j ) + A j α = b. 16. cT = (2. 0. s j Dokaz. − Pretpostavimo da je t(B) koraka 2. Ovdje je xT = (x1 . −7. 0. 4) − (2. x5 ). 5 17 T tT = CB B −1 A − cT = (2. 4) = 2 2 3 1 −4 1 0 −4 49 3 5 = 26 2 −1 4 3 −3 4 0 1 . i = j. 4) B i B −1 A = Korak 2. . Dalje. xT = (3.8. x ≥ 0. i = 1. 0. − . m. . s = (0. 23. f (x) = cT B −1 b = (2. − . c j j ≤ 0 slijedi ≥ B −1 b ≥ 0. 2 2 pa nije zadovoljen uslov t(B) ≤ 0 optimalnosti inicijalnog baznog dopustivog rjeˇenja. B B Korak 1. 17 11 .

(B A)i3 = 3 > 0. Pivot je (B −1 A)kl = (B −1 A)13 . U primjeru 5. − 17 11 . 2 2 3. Korak 4.10 samo je t3 = 23 pozitivan i (B −1 A) 3 = 2 0. s ≤ 0. c Ako k nije jedinstveno odredeno. . i = 2. -3 8 7 8 1 0 0 1 . tj > 0 i vektor kolona (B −1 A) nema optimalnog rjeˇenja. Ako ima viˇe izbora za indeks l. j= z Korak 6. s c Korak 5.8) βk . . Tada izaberimo βk = min{β1 . inaˇe stavimo βi = ∞. tada problem Primjer 5. izraˇunac c c (B −1 b)i −1 −1 jmo βi = (B −1 A)il ako je i−ti elemenat (B A)il od l−te kolone (B A) l pozitivan. (B(1)−1 b)i = (5. . β2 . gdje je tl najve´i (ne obavezno i pozitic van). izaberimo ga izmedu k1 do ks tako da je k vrsta (B −1 A)kl minimalna u odnosu na uredenje k 1 . OPTIMIZACIJA j Korak 3. m. Sada.14. βk }. . . Primjer 5. . . .10 je tT = (0. . Prema tome. U primjeru 5. pa izaberimo k = 1. i = 1. = 5 −1 A) (B i3 3 . 5. Ako je za neki j. Izbacimo k−tu kolonu iz B i zamijenimo je sa l−tom. B −1 od vrsta −1 Bj (B −1 A)jl . 0). . U tom sluˇaju c c imamo (B −1 b)i − βk (B −1 A)il . c 2 > 0. sa minimumom 3 . Vektor B(1)−1 b moˇemo pisati i z sa B −1 b − βk (B −1 A) l + βk ek . −1 i (B −1 b)i = Korak 5. Izaberimo indeks vrste r na sljede´i naˇin : Za i = 1. i 1 0 pa dobijamo 1 2 −3 2 3 -4 1 -4 2 3 -1 4 3 -4 1 -8 3 -8 0 1 3 5 3 2 1 2. − . 23. s 3 Korak 4. pa nije ispunjen uslov za nepostojanje optimalnog rjeˇenja. .15. .50 GLAVA 5. i = 1. i = 2. Pivot (stoˇer) je (B −1 A)kl . Odaberimo indeks kolone l. 2 Korak 6. i = 1. Oznaˇimo novu baznu matricu sa B(1). i = 2. 3 (B −1 b)i 2 . Izaberimo l = 3 jer je t3 = 23 najve´e. i = k. i = k. ks . zbog izbora k i l je B(1)−1 b ≥ 0. izaberimo najve´i od tih indeksa.

8. Naime. 0.5. 0. zamijenimo je sa tre´om kolonom (l = 3) i ponovimo sve korake na novi test vektor t 0 i c sljede´eg pivota. 0. s xT = 0 4 12 0. 7 . − . Ponavljaju´i postupak viˇe puta dobijamo c c s tT = − 79 18 1 . 0 7 7 i f (x0 ) = − 60 . . − 7 7 7 ≤ 0. pa dobijamo optimalno rjeˇenje. SIMPLEKS METOD 51 Sada izbacimo iz bazne matrice prvu kolonu (k = 1). .

OPTIMIZACIJA .52 GLAVA 5.

z c Ako je A = B kaˇemo da su dogadaji A i B ekvivalentni.1 Pojam vjerovatno´e c Uslovi koji se mogu ponavljati beskonaˇno mnogo puta i koji ne dovode c do jednaznaˇno odedenog ishoda zovemo sluˇajnim eksperimentom (eksperc c imentom). Dakle. Dogadaj Ω se c naziva siguran dogadaj.1. a u drugom pismo. P G. GP − u prvom bacanju je pao grb. Bacaju se novˇi´ i kocka za igru. G6}.2. P 6. Primjer 6. Svakom eksperimentu pridruˇujemo skup Ω svih mogu´ih ishoda z c tog eksperimenta i zovemo ga prostor elementarnih dogadaja.Glava 6 Diskretna teorija vjerovatno´e c 6. Primjer 6. Za elementarne dogadaje moˇemo uzeti cc z slede´e ishode eksperimenta : c P P − u oba bacanja je palo pismo. P G− u prvom bacanju je palo pismo. GP. P 4. c Na dogadaje se mogu primjenjivati operacije i relacije kao i sa skupovima. G5. Svaki podskup A skupa Ω zove se sluˇajan dogadaj (dogadaj). Skup elementarnih dogadaja je cc Ω = {P 1. G1. G2. P 2. Ω = {P P. Novˇi´ se baca dva puta. Neka je Ω prostor elementarnih dogadaja nekog eksperimenta. Definicija 6. G3. a njegove elemente elementarne dogadaje. / 53 .1. G4. a dogadaj ∅ nemogu´ dogadaj. P 3. GG}. P 5. z Dogadaj A je suprotan dogadaju A i vrijedi A = {ω ∈ Ω : ω ∈ A}. GG− u oba bacanja je palo pismo. Ako je A ⊂ B onda kaˇemo da dogadaj A povlaˇi dogadaj B. a u drugom grb.

Uredena trojka (Ω. 2. Presjek dogadaja A i B je dogadaj A ∩ B. . normiranost. c 1 .3. . . DISKRETNA TEORIJA VJEROVATNOCE Unija dogadaja A i B je dogadaj A ∪ B. . . Pretpostavimo da sve 3−kombinacije imaju istu vjerovatno´u da budu izabrane. . Dato je 10 kuglica numerisanih brojevima 1. Kolika je vjerovatno´a dogadaja A da je taˇno c c c jedna od izabranih kuglica oznaˇena parnim brojem? c 10 Broj mogu´ih ishoda jednak je c . Vjerovatno´a dogadaja A je broj P (A) = pj1 + pj2 + · · · + pjk c U prethodnoj definiciji odredena je funkcija P : F → R. c Definicija 6. (ii) Ako je AB = ∅ kaˇemo da su dogadaji A i B disjunktni ili da se medusobno z iskljuˇuju. odreden sa A ∩ B = {ω ∈ Ω : ω ∈ A i ω ∈ B}. 2. ωj2 . n} pridruˇimo ishodu ωk broj pk tako da vrijede sljede´i z c uslovi : 1. . pa je traˇena vjerovatno´a z c 1 2 5 1 10 3 5 2 Primjedba 6. . Neka je c A = {ωj1 . . .54 ´ GLAVA 6. . Za svako k ∈ {1. Ako je P (A) = . ωn } prostor elementarnih dogadaja.2. (i) Umjesto A ∩ B piˇe se i AB. ωjk . . n kaˇemo da se radi o klasiˇnoj vjerovatno´i. 1 ≤ j1 < j2 < · · · jk ≤ n. odreden sa A ∪ B = {ω ∈ Ω : ω ∈ A ili ω ∈ B}. 2. 10. . c p1 = p2 = · · · = pn = Primjer 6. nenegativnost. gdje je F ⊆ Ω.1. pk ≥ 0. . P ) naziva se prostor vjerovatno´a. . F. a broj povoljnih ishoda jednak je 3 5 5 . ω2 . Broj pk se zove vjerovatno´a elementarnog dogadaja ωk .2. s Primjedba 6. Sluˇajno c se biraju tri kuglice odjednom. p1 + p2 + · · · + pn = 1. . . Neka je Ω = {ω1 . U tom sluˇaju vjerovatno´a z c c c c dogadaja A jednaka je koliˇniku broja ishoda povoljnih za dogadaj A i broja c svih mogu´ih ishoda.

. σ2 . Neka su A = {σ1 . Na osnovu osobina 2.1. . .´ 6. . Za svaki dogadaj A vaˇi 0 ≤ P (A) ≤ 1. Osobine 1. 6. . na osnovu 2. . τ2 . Koriste´i osobinu aditivnosti vjerovatno´e dobijamo c c P (A∪B) = P (AB)+P (AB)+P (AB) = P (B)−P (AB)+P (A)−P (AB)+P (AB) = = P (A) + P (B) − P (AB). τ1 . Dogadaji A i A su disjunktni i vrijedi A ∪ A = Ω. POJAM VJEROVATNOCE Teorema 6. Dogadaji AB. AB i AB su medusobno disjunktni i vaˇi z A ∪ B = AB ∪ AB ∪ AB. Za svaki dogadaj A je P (A) = 1 − P (A). . 55 Dokaz. . 4. σ2 . . A = AB ∪ AB. Ako je AB = ∅ onda je P (A ∪ B) = P (A) + P (B). imamo 1 = P (Ω) = P (A ∪ A) = P (A) + P (A). B = AB ∪ AB. τk } isjunktni dogadaji. Koriste´i c c 3. 5. 5. z 2. . τk }. imamo P (B) = P (A) + P (AB) ≥ P (A). i 3. . Vjerovatno´a nemogu´eg dogadaja je P (∅) = 0. Za proizvoljne dogadaje A i B vrijedi P (A ∪ B) = P (A) + P (B) − P (AB). . . Ako je A ⊂ B onda je P (A) ≤ P (B). c 3. σm . i 2. Ako je A ⊂ B onda je B = A ∪ AB pri ˇemu su A i AB disjunktni. τ2 . c 3. (Osobine vjerovatno´e) c 1. . 4. . c c 6. Primjer 6. Tada je A ∪ B = {σ1 . . dobijamo P (∅) = 1 − P (Ω) = 0. Vjerovatno´a sigurnog dogadaja je P (Ω) = 1. pa je P (A) = 1 − P (A).1. . σm } i B = {τ1 . Ako je p(ω) oznaka za vjerovatno´u dogadaja ω onda je c P (A∪B) = p(σ1 )+p(σ2 )+· · ·+p(σm )+p(τ1 )+p(τ2 )+· · ·+p(τk ) = P (A)+P (B). i 4. Kako je Ω = ∅. slijede neposredno iz definicije vjerovatno´e dogadaja.4.

P (B|A) = 1 − P (B|A). b). Ako je A ⊂ B onda je P (B|A) = 1. ako je poznato da se realizovao neki drugi dogadaj A. (c1 . c c c 3 c Definicija 6. c2 )}. da nije izvuˇena prva kuglica vjerovatno´a je P = 1 . 3. c2 )}.3. c1 ). P (∅|A) = 0. A2 . c2 ). Iz uslova B ⊂ A1 ∪ A2 ∪ · · · ∪ An slijedi B = BA1 ∪ BA2 ∪ · · · ∪ BAn . . . P (Ω|A) = 1.3. A = {(b. . (b. Neka su A1 . DISKRETNA TEORIJA VJEROVATNOCE 6. B = {(b. (b. c1 )}. pa je P = 1. P (A) pri ˇemu se pretpostavlja da je P (A) > 0. c1 ). c Teorema 6. b). c Teorema 6.56 ´ GLAVA 6. An medusobno disjunktni dogadaji sa pozitivnim vjerovatno´ama. c c Dokaza´emo sada jednu jednostavnu ali vaˇnu formulu poznatu pod nazivom c z formula potpune vjerovatno´e. Neka je P (A) > 0. Na taj naˇin dolazimo c do uslovne vjerovatno´e. (c1 . Izvuˇena c je jedna kuglica bez vra´anja i konstatovano je da je bijela.5. . 2. Ako je B1 B2 = ∅ onda je P (B1 ∪ B2 |A) = P (B1 |A) + P (B2 |A). Ako za neki dogadaj B vaˇi B ⊂ A1 ∪ A2 ∪ · · · ∪ An c z onda je n P (B) = j=1 P (Aj )P (B|Aj ). Inaˇe. Kolika je vjerovatno´a c c da je druga izvuˇena kuglica crna? c Ovde je Ω = {(b. Dokaz. (c2 . P (A|A) = 1. . Neka se u kutiji nalazi jedna bijela i dvije crne kuglice.2 Uslovna vjerovatno´a c U nekim situacijama potrebno je izraˇunati vjerovatno´u odredenog dogadaja c c B. (b. Tada vrijedi: 1.2. Dokaz. c1 ). c Primjer 6. Slijedi iz definicije uslovne vjerovatno´e i osobina vjerovatno´e. c2 ). Uslovna vjerovatno´a dogadaja B pri uslovu A je broj koji oznaˇavamo sa P (B|A) i koji je odreden sa c P (B|A) = P (AB) . 4. (c2 .

1) P (Aj )P (B|Aj ) Formula (6. BAn . z c Primjer 6. . P (B) Koriste´i formulu potpune vjerovatno´e dobijamo c c P (Ak |B) = P (Ak )P (B|Ak ) n j=1 . . a u drugoj jedna bijela i ˇetiri crne kuglice. . An ˇine potpun skup dogadaja (hipoteze). n} vrijedi c P (Aj B) = P (Aj )P (B|Aj ) = P (B)P (Aj |B). BA2 . . . .3. .2. . . . .6. U prvoj kutiji se nalaze tri bijele i dvije crne kuglice. c c Neka je A1 (A2 ) dogadaj da je izabrana prva (druga) kutija. Koriste´i osobinu aditivnosti vjerovatno´e i definiciju uslovne vjerovatnoc c ´e dobijamo c n P (B) = j=1 P (Aj )P (B|Aj ). Vrijedi P (A1 ) = P (A2 ) = 1 3 1 . Prvo se sluˇajno bira kutija. P (B|A2 ) = . . . . . . Primjedba 6.1) je poznata kao Bajesova formula. . A2 .´ 6. USLOVNA VJEROVATNOCA 57 pa kako su dogadaji A1 . A2 . a zatim se iz c c kutije sluˇajno bira kuglica. 2 5 2 5 5 Neka su A1 . . (6. odakle slijedi P (Aj |B) = P (Aj )P (B|Aj ) . Ako za medusobno disjunktne dogadaje A1 . An vrijedi A1 ∪ A2 ∪ · · · ∪ An = Ω. Iz definicije uslovne vjerovatno´e imamo da za svako j ∈ {1. P (B|A1 ) = . An medusobno disjunktni dogadaji sa pozitivnim vjerovatno´ama c i dogadaj B takode sa pozitivnom vjerovatno´om za koji vrijedi c B ⊂ A1 ∪ A2 ∪ · · · ∪ An . onda kaˇemo da dogadaji A1 . An medusobno disjunktni takvi su i BA1 . . . Odrediti vjerovatno´u da je izabrana bijela kuglica. a B dogadaj da je izabrana bijela kuglica. . . A2 . A2 . . . . 2 5 5 pa na osnovu formule potpune vjerovatno´e dobijamo c P (B) = 1 3 1 1 2 · + · = . 2.

10. 2. B = {1. Prostor elementarnih dogadaja je Ω = {1. (c) A i B. 1} taˇno dva broja od xi su 1}.3 Bernulijeva ˇema s Neka je Ω prostor elementarnih dogadaja i A ⊂ Ω. x2 . 2 6 6 6 . 4 Definicija 6.7. z Primjer 6.4. Dogadaji A i B su nezavisni ako vrijedi P (AB) = P (A)P (B). 5}. 2. 6. P (C) = . c Na osnovu Bajesove formule imamo P (A1 |B) = P (A1 )P (B|A1 ) = P (B) 1 2 · 2 5 3 5 = 3 . Baca se kocka za igru. takode nezavisni. C = {1. P (B) = . Za niz niz eksperimenata u kojima je vjerovatno´a realizacije dogadaja ista i nezavisna od ostalih eksperic menata kaˇemo da ˇini Bernulijevu ˇemu. Sa Sn oznaˇavamo broj realizacija z c s c dogadaja A u Bernulijvoj ˇemi. x3 ) : xi ∈ {0.8. Tada je AB = {1}. 3. P (AB) = Primjer 6. Odredimo vjerovatno´u da je izabrana iz prve kutije. Kocka se baca tri puta. Odediti vjerovatno´u da se dva puta pojavio broj ˇest. DISKRETNA TEORIJA VJEROVATNOCE Primjer 6. Ako su A i B nezavisni onda su i dogadaji (a) A i B. c pa je P (S3 = 2) = 3 2 15 1 5 · = 3. Broj Sn nazivamo frekvencija (relativna s n uˇestalost) dogadaja A u n ponovljenih eksperimenata. dogadaji B i C zavisni. s Neka 1 znaˇi da je pao broj 6. 3} i vrijedi P (A) = 1 1 1 . 6}. Neka vaˇe uslovi iz primjera 6. 2}. 3}. 2}. BC = {1. 4. 3. Neka je A = {1. a 0 da nije pao broj 6. 2 3 2 1 = P (A)P (B). Pretpostavimo da je izabrana z bijela kuglica. 3 1 P (CA) = = P (C)P (A). dogadaji A i B su nezavisni. 6 1 P (BC) = = P (B)P (C). Tada je c {S3 = 2} = {(x1 . 5. c c Primjer 6. (b) A i B.9. a dogadaji C i A si takode nezavisni.58 ´ GLAVA 6. Za dogadaje koji nisu nezavisni kaˇemo da su zavisni. CA = {1.6. 2 Dakle.

ˇija je vjerovatno´a pojavljivanja u jedc c c c nom opitu p. Za velike n vrijednosti P (Sn = k) date formulom (6. a≤ √ npq Tada vrijedi n→+∞ lim P (Sn = k) √ 1 e− 2πnpq (k−np)2 2npq = 1. . q = 1 − p. −k λk k! 1− n! 1 (n − k)! nk k−2 n 1− λ n . 59 (6. b ∈ R takvi da je k − np ≤ b za sve k. 1. n → +∞. . λ > 0 i neka λ lim P (Sn = k) = λk −λ e . c c Teorema 6. k! Primjedba 6. n}. k! n−k Dokaz. n ∈ N i k ∈ {0. 1− k−1 n 1− ··· 1 − 1 n 1− λ n −k . . Obiˇno se koriste formule date slede´im teoremama.2) imamo P (Sn = k) = Dalje je P (Sn = k) = to jest P (Sn = k) = pa P (Sn = k) → λk k! 1− λ n n n k λ n n λ n k 1− λ n . . Teorema 6. (i) Prethodna teorema vrijedi i ako se pretpostavi da je P (A) = pn i da je lim npn = λ. .3. . (Puasonova aproksimacija) Neka je P (A) = ne zavisi od n. n→+∞ (ii) Praksa je pokazala da Puasonova aproksimacija daje dobre rezultate za np < 10. Tada za svaki k ∈ N ∪ {0} vrijedi n→+∞ λ n. Ako je np ≥ 10 koristi se normalna aproksimacija data slede´om c Muavr-Laplasovom teoremom.5. Zbog (6.2) data vjerovatno´a da ´e se dogadaj A. . pojaviti k puta u n nezavisnih opita. .4.2) nije jednostavno odrediti. (Normalna aproksimacija) Neka je p ∈ (0.4.ˇ 6. 1) vjerovatno´a dogadaja c u svakom od n nezavisnih ekperimenata i neka postoje a. n}. λk −λ e . . BERNULIJEVA SEMA Sliˇno kao u prethodnom primjeru zakljuˇujemo da je sa c c P (Sn = k) = n k pk (1 − p)n−k . 1. k ∈ {0.

Koristi se zapis c pk = P (X = xk ) = P ({ω : X(ω) = xk }. x2 .5. . . P ) prostor vjerovatno´a sa konaˇno mnogo ishoda. U ovom sluˇaju skup Ω se preslikava na {0. x e− 2 dt 0 t2 6.4 Diskretne sluˇajne promjenljive c Prilikom eksperimenta se svakom ishodu moˇe pridruˇiti realan broj. −2 t2 Primjedba 6.818. DISKRETNA TEORIJA VJEROVATNOCE Na osnovu prethodne teoreme moˇe se dokazati i slede´a poznata kao intez c gralna Muavr-Laplasova teorema.11.60 ´ GLAVA 6. Svakom ishodu moˇemo pridruˇiti 1 ili 0 cc z z u zavisnosti da li je pao grb ili pismo.02 = 50. Pri uslovima prethodne teoreme vrijedi b−np √ npq n→+∞ 1 lim P (a ≤ Sn ≤ b) ∼ √ 2π e− 2 dt. pa koristimo normalnu aproksimaciju P (36 ≤ S2500 1 ≤ 57) ∼ √ 2π 1 e− 2 dt ≈ 0. . Ovde je np = 2500 · 0.5. . . Na´i c c vjerovatno´u da u seriji od 2500 proizvoda broj neispravnih bude izmedu 36 i c 57. . to jest z z moˇemo posmatrati preslikavanje sa Ω u skup R. p2 . 1}. Vjerovatno´a proizvodnje neispravnog proizvoda je 0. . Vrijednosti funkcije 1 Φ(x) = √ 2π date su tablicama. . c c Funkcija X : Ω → R zove se sluˇajna promjenljiva (veliˇina). . k = 1. . pn sa kojima uzima te vrijednosti. Teorema 6. F. Raspodjela vjerovatno´a sluˇajne promjenljive X se oznaˇava i sa c c c X: x1 p1 x2 p2 ··· ··· xn pn . c Definicija 6. Neka se baca novˇi´. c c Raspodjela vjerovatno´a sluˇajne promjenljive je odredena ako su pozc c nate vrijednosti x1 . .02.6. .12. z Primjer 6. 2. pri tome je p1 + p2 + · · · + pn = 1. Neka je (Ω. a−np √ npq t2 Primjer 6. xn koje moˇe uzeti ta sluˇajna promjenljiva i vjerovatnoz c ´e p1 .

.4. 10. . 0 ≤ x < 1. x ≥ 1. 2. se naziva Bernulijeva sluˇajna promjenljiva.7. x→−∞ lim F (x) = 0. Neka je X broj izabranih kuglica koje su oznaˇene c c brojem djeljivim sa tri. Za njenu funkciju raspodjele vrijedi c  x < 0. Osobine funkcije raspodjele su date slede´om teoremom.14. Neka je F funkcija raspodjele sluˇajne promjenljive X. c (iii) x→+∞ lim F (x) = 1. Neka je X sluˇajna promjenljiva.7. Definicija 6. c c Primjer 6. Odrediti raspodjelu sluˇajne promjenljive X. Sluˇajna promjenljiva X data sa X: 1 0 p 1−p . (iv) F je neprekidna s lijeva. Definicija 6. 1). (∀x ∈ R). F (x) =  1. Sluˇajno c se biraju odjedno ˇetiri kuglice. Nezavisnost sluˇajnih promjenljivih uvodimo analogno kao i nezavisnost c dogadaja. Funkcija FX : R → R data c sa FX (x) = P {ω : X(ω) ≤ x} = P (X ≤ x) zove se funkcija raspodjele sluˇajne promjenljive X. p ∈ (0. .ˇ 6.13.6. Dato je 10 kuglica numerisanih brojevima 1. Tada c vrijedi: (i) 0 ≤ F (x) ≤ 1. 1 − p. c Neposrednim raˇunom dobijamo c X: 0 1 6 1 1 2 2 3 10 3 1 30 . . (ii) F je neopadaju´a funkcija. c Teorema 6. DISKRETNE SLUCAJNE PROMJENLJIVE 61 Primjer 6.  0. Sluˇajne promjenljive X i Y su nezavisne ako vrijedi c P (X = xi . c . Y = yj ) = P (X = xi ) · P (Y = yj ) za sve xi i yj iz skupa vrijednosti sluˇajnih promjeljivih X i Y .

2. Ako je C ∈ R tada je E(C) = C. . E(X 2 ) = 6 i=1 i2 · 1 6 = 91 6 . Ako je C ∈ R i X sluˇajna promjenljiva tada je E(CX) = CE(X). pa imamo E(X) = x1 p1 + x2 + p2 + · · · + xk pk . c x1 x2 · · · xn . Osnovne osobine matematiˇkog oˇekivanja su : c c 1. . p1 p2 · · · pn Matematiˇko oˇekivanje E(X) sluˇajne promjenljive X se definiˇe sa c c c s Neka je Ω = {ω1 . . i = 1. Primjedba 6. . Neka je X sluˇajna promjenljiva koja oznaˇava broj na gornjoj c c strani kocke. Ako su X i Y sluˇajne promjenljive onda je E(X + Y ) = E(X) + E(Y ). k ∈ N i X : E(X) = Neka je Ai = {ω : X(ω) = xi }. DISKRETNA TEORIJA VJEROVATNOCE Primjer 6. Vrijedi P (Ai ) = c je P (Ai ) = pi .16. Neka X oznaˇava broj registrovanih cc c pisama. 16 Primjetimo da su ove sluˇajne promjenljive linearno zavisne.15. Primjer 6. jer je X + Y = 2. X(ω1 ) + X(ω2 ) + · · · + X(ωk ) . n. a Y broj grbova. Y = 0) = 0 = 1 = P (X = 0) · P (Y = 0). . E(X) = 6 i=1 ki k . Raspodjele vjerovatno´a sluˇajnih promjenljivih X i c c Y su date tabelom : Y =0 Y =1 Y =2 pi X=0 0 0 1 4 1 4 X=1 0 0 1 2 1 2 X=2 0 0 1 4 1 4 qj 1 4 1 2 1 4 Sluˇajne promjenljive X i Y nisu nezavisne. c 3. ωk }. c .5. Odrediti E(X) i E(X 2 ). i oznaˇimo sa ki broj elemenata skupa Ai . .62 ´ GLAVA 6. jer na primjer c P (X = 0. . Na osnovu prethodnog primjera vidimo da ne mora biti E(X) ∈ X(Ω). k s druge strane i· 1 6 = 3.6. Novˇi´ se baca dva puta. . Ako je X diskretna sluˇajna promjenljiva i f : R → R proizvoljna funkcija tada c je f (X) takode sluˇajna promjenljiva i vrijedi c Ef (X) = f (x1 )p1 + f (x)p2 + · · · + f (xk )pk .

Sluˇajna promjenljiva IA definisana sa c IA (ω) = 1.17. 0. a u protivnom imamo proces sa neprekidnim vremenom. a za skup T se uzima skup (0. X(tn )). Ako je ω = ω0 fiksirano . Ako je P (A) = p. Ako su X i Y nezavisne sluˇajne promjenljive onda je V ar(X + Y ) = V ar(X) + V ar(Y ). c Matematiˇko oˇekivanje ne opisuje sluˇajnu promjenljivu u potpunosti. Ako je C ∈ R i X sluˇajna promjenljiva onda je V ar(CX) = C 2 V ar(X). t ∈ T. . tada se radi o sluˇajnom nizu. . 6.ˇ 6. 2 E(IA ) = p. X(t2 ). .5. ω ∈ Ω. Za sluˇajni c proces moˇemo re´i da je funkcija. 4. Indeks t se c c obˇno interpretira kao vrijeme. +∞) ili neki njegov c podskup. c c 5. Ako je T c prebrojiv skup. Primjer 6. pa je c c c potrebno posmatrati i odstupanje sluˇajne promjenljive od E(X). koja pri svakom fiksiranom t ∈ T je sluˇajna z c c promjenljiva X(t. Ako je T diskretan podskup. c Neka je data funkcija raspodjele sluˇajnog vektora c (X(t1 ). . c Sluˇajni proces je familija sluˇajnih promjenljivih {Xt }. Ako je C ∈ R onda je V ar(C) = 0. V ar(IA ) = E(IA ) = (E(IA ))2 = p − p2 . tada je X(t. vrijedi c IA : 0 1 1−p p . F. 2. / zove se indikator sluˇajnog dogadaja A. . a ako je T neprebrojiv tada c imamo sluˇajni proces. tada se radi o procesu sa diskretnim vremenom. V ar(X) = E(X 2 ) − E 2 (X).5 Sluˇajni procesi c Neka je (Ω. 3. SLUCAJNI PROCESI 63 4. Ako su X i Y nezavisne sluˇajne promjenljive onda je E(XY ) = E(X)E(Y ). Umjesto c izraza |X −E(X)| posmatra se izraz (X −E(X))2 koji je jednostavniji za analizu. ω0 ) nesluˇajna funkcija i zove se realizacija ili trajektorija procesa. ω) = X(t). ω ∈ A. Osnovne osobine varijanse su: 1. ω ∈ A. P ) prostor vjerovatno´a i T skup vrijednosti parametra t. V ar(X) ≥ 0. Varijansa (disperzija) V ar(X) sluˇajne promjenljive X je c V ar(X) = E(X − E(X))2 . Neka je A dogadaj.

tada za svako j = 1. c c c K(t. . . c Nesluˇajna funkcija c m(t) = E(X(t)) je matematiˇko oˇekivanje sluˇajnog procesa. ij Ako vjerovatno´e pn. . Smac tra´emo da je skup vrijednosti {0. postoji graniˇna vrijednost c n→+∞ lim pij (n) = p∗ . U daljem posmatra´emo sluˇajne procese kod kojih je skup T prebrojiv. Ako postoji prirodan broj n tako da su svi elementi matrice Mn strogo pozitivni. s s Vjerovatno´a da se sluˇajna promjenljiva Xn+1 nadje u stanju j. c ij Oznaˇimo sa pij (n) vjerovatno´e prelaza iz stanja i u stanje j za n koraka. Xkr = xkr ) = P (Xn = xn |Xk1 = xk1 ) za sve proizvoljne prirodne brojeve n > k1 > k2 > . c pij (n) = k pik (m)pkj (n − m). 1. . . Dakle. . kod koga sve sluˇajne promjenljive c c imaju iste konaˇne ili prebrojive skupove vrijednosti (skupove stanja).n+1 ne zavise od n lanac je homogen. c c Matrice Mn = [pij (n)] se zovu matrice vjerovatno´a prelaza za n koraka. .64 ´ GLAVA 6. Neka c c je dat niz sluˇajnih promjenljivih (Xn ). 2. .n+1 = P (xn+1 = j|Xn = i). tada za niz (Xn ) kaˇemo da c z ˇini lanac Markova. . > kr . s) = E(X(t) − m(t))(X(s) − m(s)) je njegova korelaciona funkcija. j . } ili neki njegov podskup. odavde je n Mn = M1 . ako je poznato njegovo stanje u trenutku n. . Imamo c pn. DISKRETNA TEORIJA VJEROVATNOCE Sluˇajni proces kod koga su sve konaˇnodimenzionalne raspodjele normalne c c nazivamo Gaussovim sluˇajnim procesom.} Koriste´i teoremu c o totalnoj vjerovatno´i imamo da je za 1 ≤ m ≤ n. Matriˇni oblik je c c Mn = Mm Mn−m . ako je poznato c c da se Xn nalazi u stanju i naziva se vjerovatno´a prelaza. ne zavisi od ponaˇanja tog sistema u proˇlosti to jest prije trenutka n. . c Kod njih su svi elementi nenegativni i zbir u svakoj vrsti je 1. . niz (Xn ) sluˇajnih promjenljivih je lanac Markova c c ako vrijedi P (Xn = xn |Xk1 = xk1 . k < n. . ˇ To su jednaˇine Kormogorova-Cepmena. Ova osobina govori o tome da vjerovatno´a da se dati sistem u trenutku n + 1 c nalazi u datom stanju. . Ako vrijedc nost koju je postigla sluˇajna promjenljiva Xn potpuno odredjuje zakon raspodc jele sluˇajne promjenljive Xn+1 i taj zakon raspodjele ne zavisi od vrijednosti c koje su postigle sluˇajne promjenljive Xk .

2. Brojevi p∗ zovu se finalne vjerovatno´e. . c c . k j Lanac koji ima finalne vjerovatno´e zove se ergodiˇan. Finalne vjerovatno´e c c j se mogu dobiti iz sistema jednaˇina: c p∗ = 1. .5. SLUCAJNI PROCESI 65 koja ne zavisi od i. .ˇ 6. j = 1. j j k p∗ pkj = p∗ .

66 ´ GLAVA 6. DISKRETNA TEORIJA VJEROVATNOCE .

L.. Discrete Mathematics..Matematika III. a 6. Introduction to Linear and Convex Programming. Jovanovi´. Vasi´.. D. ´ c c c 4. M. Discrete Mathematics. Knutt and other. L. 2003. Mladenovi´.. Yale University. M. Nauˇna knjiga. Beograd.Glava 7 Literatura 1. Lov´sz.. Chen. Beograd. 1999. Verovatno´a i statistika. c c c 1990.. Merkle. W. Beograd. Cameron. N. Celi´. Akademska misao. Lecture Notes. 1998. M. Nauˇna knjiga. 8. P. Cambridge University Press. Elementaran uvod u verovatno´u i statistiku. 1991. Druˇtvo c c s matematiˇara Srbije.. 5. c 67 . c c 7. Beograd. 2001. S... University London.. W. 2. K.. 3. Cvetkovi´. Imperial College. Diskretna matematika. P.. Concrete Mathematics. Simi´.. Vesztergombi. 1985.

Sign up to vote on this title
UsefulNot useful