Operációkutatás I.

E.-Nagy Marianna
marianna.eisenberg-nagy@uni-corvinus.hu

Operációkutatás és Aktuáriustudományok Tanszék

2023/24 őszi félév

Technikai részletek
az óra időpontja:
előadás: csütörtök 8:00 - 9:30
gyakorlat: csütörtök 9:50 - 11:20
Gyakorlatvezetők: Csató László
E.-Nagy Marianna
Technikai részletek
az óra időpontja:
előadás: csütörtök 8:00 - 9:30
gyakorlat: csütörtök 9:50 - 11:20
Gyakorlatvezetők: Csató László
E.-Nagy Marianna
mindkét csoportot mindkét gyakorlatvezető tanítani fogja

Az előadás fóliák CSAK segítség!

Az órán elhangzott magyarázatokat is tudni kell!
Technikai részletek
az óra időpontja:
előadás: csütörtök 8:00 - 9:30
gyakorlat: csütörtök 9:50 - 11:20
Gyakorlatvezetők: Csató László
E.-Nagy Marianna
mindkét csoportot mindkét gyakorlatvezető tanítani fogja

Az előadás fóliák CSAK segítség!

Az órán elhangzott magyarázatokat is tudni kell!

Ajánlott irodalom:
* Temesi–Varró: Operációkutatás, AULA Kiadó, 2014
* Gáspár–Temesi: Lineáris programozási gyakorlatok,
Nemzeti Tankönyvkiadó, 2002
* Solymosi Tamás: Hálózati optimalizálás, 2012
* Winston: Operációkutatás – módszerek és alkalmazások I.
AULA Kiadó, 2003
Érdemjegy
ZH
félév közben 1 ZH lesz (október 26.)
vizsgaidőszak legelején lesz a második ZH
mindkét ZH 40 pontos, amiből ZH-nként minimum 12 pontot el kell érni
elméleti kérdés is lesz
Röpdolgozat
félév közben 6 röpdolgozat: 09.21., 10.05., 10.19., 11.16., 11.30., 12.14.
gyakorlatok első 10 percében
elméleti kérdések
mindegyik 5 pontos
legjobb 4 pontszámát vesszük figyelembe ⇝ max 20 pont szerezhető
Szorgalmi pontok: max 10 pont (csak átmenő jegy esetén)
tananyaghoz kérdés-válasz (0.1p); kitűzött feladatok (1p); . . .
Jegy:
− 39 elégtelen
40 − 54 elégséges
55 − 69 közepes
70 − 84 jó
85 − jeles
javításra összevont írásbeli vizsga alapján van mód
Segítség

Kérdezzenek!
két demonstrátor: Nagy Konrád Ákos és Radanovics Regina
Moodle kis tesztek:
10-15 tesztkérdés
többször lehet próbálkozni
2 hetes határidő
legalább 80%-os eredmény esetén +1 pont
várhatóan: 10.05., 10.19., 11.23., 12.07.
Operáció ???
Matematikai operáció ???
Operációkutatás

főként a valós világ összetett problémáinak elemzésére alkalmazzák

célja: javítani vagy optimalizálni bizonyos folyamatokat, eljárásokat

nincs általánosan elfogadott formális definíció

Operations research is the application of scientific methods, techniques
and tools to problems involving the operations of a system so as to
provide those in control of the system with optimum solutions
to problems. /C.W.Churchman/

http://www.scienceofbetter.org/
https://www.theorsociety.com/resource-centre/
business-case-studies/

https://www.youtube.com/watch?v=0oMVVx81kCs
Operációkutatás – kezdetek

az “operáció” eredetileg katonai hadműveletekre utalt

II. világháború Angliájában eredeztetik
A.P. Rowe használta először az ’operációkutatás’ kifejezést
kutató csoportokat alapítottak, hogy javítsák a műveleti hatékonyságát
a Királyi Légierő radar védelmi rendszerének
később más csoportok is megjelentek, a leghíresebb P.M.S.Blacketté
meggyőzte a hatóságokat a tudományos megközelítés szükségességéről
összetett műveletek menedzselése esetén
⇝ őt tekintik az első operációkutatási elemzőnek
pár évvel később megjelent az első operációkutatási csoport USA-ban is
U.S. Navy’s Mine Warfare Operations Research Group
Az Operációkutatási Csoportot Phillip Morse vezette
- eredetileg: Tengeralattjáró-elhárító Operációkutatási Csoport
- Morse-t tekintik az egyesült államokbeli operációkutatás “apjának”
- az operációkutatás számos úttörője kezdett ebben a csoportban
Operációkutatás – kezdetek

A háború után gyorsan begyűrűzött a gazdaságba és az élet más

területeire.
George Dantzig 1947-ben publikálta a Szimplex algoritmust
ez az algoritmus Lineáris Programozási (LP) feladatok megoldására
alkalmas
az LP az operációkutatás egyik legszéleskörűbben alkalmazott technikája
az operációkutatás gyors növekedését a számítógépek gyors fejlődése is
segítette
1950-ben implementálták először a szimplex algoritmust
10 évvel később már 1000 feltételes LP feladatokat oldottak meg
A Szimplex algoritmus után számos operációkutatási eljárást fejlesztettek
ki két évtizeden belül.
Operációkutatás

Mindennapi életünkben lépten nyomon találkozunk vele

Operációkutatás

Mindennapi életünkben lépten nyomon találkozunk vele

Útvonal tervezés
Operációkutatás
Mindennapi életünkben lépten nyomon találkozunk vele
Útvonal tervezés
Elhelyezési problémák
Operációkutatás

Mindennapi életünkben lépten nyomon találkozunk vele

Útvonal tervezés
Elhelyezési problémák
Menetrend készítése
Operációkutatás
Mindennapi életünkben lépten nyomon találkozunk vele
Útvonal tervezés
Elhelyezési problémák
Menetrend készítése
Pakolási problémák
Operációkutatás
Mindennapi életünkben lépten nyomon találkozunk vele
Útvonal tervezés
Elhelyezési problémák
Menetrend készítése
Pakolási problémák
Utazó ügynök feladat
Operációkutatás

Mindennapi életünkben lépten nyomon találkozunk vele

Útvonal tervezés
Elhelyezési problémák
Menetrend készítése
Pakolási problémák
Utazó ügynök feladat
Portfólió tervezése
Operációkutatás

Szimplex algoritmus Lineáris programozás

Kvadratikus programozás

Egészértékű programozás
IPM
Kombinatórikus programozás

Heurisztikák
Operációkutatás
Többcélfüggvényes optimalizálás
Szimuláció
Sztochasztikus programozás
Dinamikus programozás
Játékelmélet
Globális optimalizáció ...
Operációkutatás

Más tudományterületekkel nagy átfedés:

Gráfelmélet, Döntéselmélet, Management Science, ...

Nem csak optimalizálás a feladata:

modellezés
megoldó algoritmusok keresése és alkalmazása
érzékenység vizsgálat – eredmények elemzése
visszacsatolás
Optimalizálási feladat

)
min f (x )
x ∈F
Optimalizálási feladat

)
min f (x )
x ∈F

Általában:
F := {x ∈ Rn : gi (x ) ≤ 0 ∀ i ∈ I} ∩ S, ahol S ⊂ Rn
Optimalizálási feladat

)
min f (x )
x ∈F

Általában:
F := {x ∈ Rn : gi (x ) ≤ 0 ∀ i ∈ I} ∩ S, ahol S ⊂ Rn

Különböző nehézségű feladatok

Lineáris programozási feladat – polinom időben megoldható
f és gi lineáris függvények és S = Rn⊕
Egészértékű programozási feladat – NP nehéz
f és gi lineáris függvények és S = Zn
Konvex optimalizálási feladat
f és gi konvex függvények és S konvex halmaz
Lineáris algebra
Lineáris egyenletrendszer: példa

Példa. Béla 3 évvel ezelőtt háromszor annyi idős volt, mint András; 3 év
múlva pedig csak kétszer annyi idős lesz. Hány évesek most?
Megoldás.
Döntési változóink: x és y , amelyek András és Béla ismeretlen életkorát jelölik.
3 évvel ezelőtt: y − 3 = 3 (x − 3)
3 év múlva: y + 3 = 2 (x + 3)
A következő két ismeretlenes lineáris egyenletrendszert kapjuk
y − 3 x = −6
y − 2x = 3

y x y x y x
1 −3 −6 1 −3 −6 1 0 21
1 −2 3 0 1 9 0 1 9
András 9, és Béla 21 éves.
Lineáris egyenletrendszer – definíció
Lineáris egyenletrendszer :
Ax = b
ahol az A ∈ Rm×n mátrix és a b ∈ Rm vektor adott. Részletesen az

a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. ..
. .
am1 x1 + am2 x2 + · · · + amn xn = bm

ahol az x1 , x2 , . . . , xn jelöli az ismeretleneket vagy

vektor egyenlet formájában
x1 a1 + x2 a2 + · · · + xn an = b (*)
ahol az ai az A mátrix i. oszlop vektora. A (*) egyenletet megoldhatónak
nevezzük, ha létezik s ∈ Rn vektor, amelyre
s1 a1 + s2 a2 + · · · + sn an = b
teljesül. Az x = s vektort az egyenletrendszer megoldásának nevezzük.
Lineáris egyenletrendszer – pivot tábla

Az A x = b egyenlet adatait az alábbi módon foglalhatjuk (rövid) pivot táblába

a1 a2 ··· an b
e1 a11 a12 ··· a1n b1
e2 a21 a22 a2n b2
.. .. .. .. ..
. . . . .
em am1 am2 ··· amn bm
m
ahol az ei ∈ R az m-dimenziós valós vektortér i. egységvektora. Nyilván

aj = a1j e1 + a2j e2 + . . . + amj em , ∀ j.

Elemi sor transzformációk:

1. egy sort valamely λ ̸= 0 valós számmal megszorozzuk;
2. egy sor nem nullaszorosát valamely másik sorhoz hozzáadjuk;
3. két sort felcserélünk.
Gauss-Jordan eliminációs algoritmus
Adott egy A ∈ Rm×n mátrix és egy b ∈ Rm vektor.

Legyen i = 1 és j = 1.
1. lépés. Ha aij = 0 akkor keressünk egy m ≥ k > i indexet, amelyre akj ̸= 0.
Ha ∃k : akj ̸= 0 akkor cseréljük ki az i. sort a k. sorral,
különben növeljük a j index értékét 1-gyel, amíg j < n.
Ha j = n és m ≥ k ≥ i : akj = 0 akkor STOP.
2. lépés. Osszuk el az i. sort az aij ̸= 0 értékkel [elemi sor transzformáció],
ekkor az (i, j) pozíción álló pivot elem értéke 1 lesz.
3. lépés. Elimináljuk a j. oszlop nem nulla elemeit [elemi sor transzformáció].
4. lépés. Növeljük az i és j indexek értékét 1-gyel, amíg i < m és j < n,
különben STOP.
Menjünk az 1. lépésre.

A Gauss-Jordan eliminációs módszer leáll miután az utolsó sort vagy oszlopot

megvizsgálta. Az eredmény egy redukált sor lépcsős mátrix.
A Gauss-Jordan eliminációs módszer leállási kritériumai:
(i) megoldja a feladatot, vagy (ii) talál egy ellentmondásos egyenletet.
Példa: lineáris egyenlőtlenség rendszerek megoldása?
Oldjuk meg az alábbi feladatot:
x1 − x2 +x3 +2x4 + x5 = 0
x3 +3x4 +3x5 +x6 = 5
2x1 −2x2 +x3 + x4 − x5 −x6 = −5
ahol x1, x2 , x3 , x4 , x5 , x6 ≥ 0.
x1 x2 x3 x4 x5 x6 b x1 x2 x3 x4 x5 x6 b
1 −1 1 2 1 0 0 x1 1 −1 1 2 1 0 0
0 0 1 3 3 1 5 0 0 1 3 3 1 5
2 −2 1 1 −1 −1 −5 0 0 −1 −3 −3 −1 −5

x1 x2 x3 x4 x5 x6 b x1 x2 x3 x4 x5 x6 b
x1 1 −1 1 2 1 0 0 x1 1 −1 0 −1 −2 −1 −5
0 0 1 3 3 1 5 x3 0 0 1 3 3 1 5
0 0 0 0 0 0 0 0 0 0 0 0 0 0

x1 x2 x3 x4 x5 x6 b
x1 1 −1 0 −1 −2 −1 −5
x3 0 0 1 3 3 1 5
Generáló rendszerek
Definíció. Legyen adott az L vektortér, az ai ∈ L vektorok és J = {1, . . . , n}
az indexeik halmaza. A b ∈ L vektor előáll az aj vektorok lineáris kombináció-
jaként, ha létezik uj ∈ R, (j ∈ J ), melyre
Xn
b= uj aj .
j=1

Definíció. Az {ai | i ∈ JG } (JG ⊂ J ) vektor halmazt az {aj | j ∈ J }

generáló rendszerének nevezzük, ha bármely aj , j ∈ J¯G (J¯G = J \ JG ) vektor
előáll az {ai | i ∈ JG } vektorok lineáris kombinációjaként.

Állítás. Az L({aj | j ∈ JG }) ⊆ L altér. •

Definíció. A legalább két elemből álló {aj | j ∈ J } vektorrendszert lineárisan

függetlennek nevezzük, ha nem létezik, olyan ar , r ∈ J vektor, amely előáll a
többi (azaz az {aj | j ∈ J \ {r }}) vektor lineáris kombinációjaként.
Lineáris függetlenség

Lemma. A legalább két elemből álló {aj | j ∈ J } vektorrendszer akkor és

csakis akkor lineárisan független, ha valamely b vektort előállít lineáris
kombinációként, akkor azt egyértelműen állítja elő. •

Lemma. Az {a1 , a2 , ..., an } vektorrendszer pontosan akkor lineárisan

független, ha a n
X
λj aj = 0
j=1

előállításból következik, hogy bármely j esetén λj = 0 teljesül. •

Steinitz tétel (1913) Legyen {aj | j ∈ J } vektorrendszer, és jelölje

JF egy tetszőleges lineárisan független, míg JG egy tetszőleges generáló
rendszerének az indexhalmazát. Ekkor
| JF | ≤ | JG | . •
Példa

Döntsük el, hogy az adott A mátrix oszlop vektorai lineárisan függetlenek-e

vagy sem, ahol  
0 1 1 2
 1 0 1 2 
 
A=  2 1 1 4 .

 0 1 1 2 
1 0 1 2

Készítsük el az a1 , a2 , a3 , a4 és az e1 , e2 , e3 , e4 , e5 vektorokból álló táblát.

e1 0 1 1 2 1 0 0 0 0
e2 1 0 1 2 0 1 0 0 0
e3 2 1 1 4 0 0 1 0 0
e4 0 1 1 2 0 0 0 1 0
e5 1 0 1 2 0 0 0 0 1

Most legyen J ∩ J¯G = {1, 2, 3, 4} és I ∩ JG = {1̂, 2̂, 3̂, 4̂, 5̂}. Kicserélhetjük az
e2 és a1 vektorokat, a t21 = 1 elemen keresztül.
Példa (folytatása)
a1 a2 a3 a4 e1 e2 e3 e4 e5
e1 0 1 1 2 1 0 0 0 0
a1 1 0 1 2 0 1 0 0 0
e3 0 1 −1 0 0 −2 1 0 0
e4 0 1 1 2 0 0 0 1 0
e5 0 0 0 0 0 −1 0 0 1

Ekkor a J ∩ J¯G = {2, 3, 4} és I ∩ JG = {1̂, 3̂, 4̂, 5̂} lesz. Egy lehetséges pivot
pozíció, amely megfelel algoritmus szabályának a t12 = 1.

a1 a2 a3 a4 e1 e2 e3 e4 e5
a2 0 1 1 2 1 0 0 0 0
a1 1 0 1 2 0 1 0 0 0
e3 0 0 −2 −2 −1 −2 1 0 0
e4 0 0 0 0 −1 0 0 1 0
e5 0 0 0 0 0 −1 0 0 1

A pivotálással nyert új táblán J ∩ J¯G = {3, 4} és I ∩ JG = {3̂, 4̂, 5̂}. Egy

újabb lehetséges pivot pozíció a t33 = −2.
Példa (befejezése)

a1 a2 a3 a4 e1 e2 e3 e4 e5
1 1
a2 0 1 0 1 2 −1 2 0 0
a1 1 0 0 1 − 12 0 1
2 0 0
1
a3 0 0 1 1 2 1 − 12 0 0
e4 0 0 0 0 −1 0 0 1 0
e5 0 0 0 0 0 1 0 0 1

Végül J ∩ J¯G = {4} és I ∩ JG = {4̂, 5̂}. De t44 = 0 és t54 = 0, ezért az

{a1 , a2 , a3 , a4 } vektorok lineárisan összefüggők, és így

a4 = a1 + a2 + a3 ,

adódik.
Bázis, rang, mátrix rang tétel
Definíció. Legyen {a1 , a2 , . . . , an } ⊂ Rm vektorok és J = {1, 2, . . . , n} az
indexeinek a halmaza. Az {ai | i ∈ JB }, ahol JB ⊂ J , vektorrendszert
bázisnak nevezzük, ha lineárisan független és generáló rendszere az
{aj | j ∈ J } vektorrendszernek.

Bázis tétel. Ha JB′ , JB′′ ⊂ J az {aj | j ∈ J } vektorok két tetszőleges

bázisának az indexhalmaza, akkor | JB′ |=| JB′′ | . •

Az {a1 , a2 , . . . , an } ⊂ Rm vektorrendszer rangja egyenlő a bázis elemszámával,

azaz rang(a1 , a2 , ..., an ) =| JB |

Mátrix rang tétel. Tetszőleges

A = (a1 , a2 , . . . , an ) = (a(1) , a(2) , . . . , a(m) )T ∈ Rm×n mátrix esetén

rang(a1 , a2 , . . . , an ) = rang(a(1) , a(2) , . . . , a(m) ),

ahol aj ∈ Rm és a(i) ∈ Rn , rendre oszlop-, illetve sor vektorok. •

A rang wikipedia szócikk tartalmazza a mátrix rang tétel kétféle bizonyítását, a

redukált sor lépcsős mátrix fogalmát és más alapvető lineáris algebrai ismeretet.
Példa: mátrix rang
Legyen a1 , a2 , a3 , a4 , a5 az A ∈ R3×5 mátrix oszlop vektorai.
a1 a2 a3 a4 a5 e1 e2 e3 a1 a2 a3 a4 a5 e1 e2 e3
e1 1 1 1 2 4 1 0 0 a3 0 0 1 −1 3 1 −1 0
e2 1 1 0 3 1 0 1 0 a2 1 1 0 3 1 0 1 0
e3 1 0 0 −4 −1 0 0 1 e3 1 0 0 −4 −1 0 0 1

a1 a2 a3 a4 a5 e1 e2 e3
a3 0 0 1 −1 3 1 −1 0
a2 0 1 0 7 2 0 1 −1
a1 1 0 0 −4 −1 0 0 1

Legyen â(1) = (0, 0, 1, −1, 3), és hasonlóan definiáljuk az â(2) és â(3)

vektorokat is. Ekkor

L(a(1) , a(2) , a(3) ) = L(â(1) , â(2) , â(3) ), és így rang(a(1) , a(2) , a(3) ) = 3.

Másfelől, {a1 , a2 , a3 } vektorok az {a1 , a2 , a3 , a4 , a5 } vektorrendszer bázisát

alkotják, tehát
rang(a1 , a2 , a3 , a4 , a5 ) = 3.
Ortogonalitás
Az a, b ∈ Rm vektorok ortogonálisak, ha aT b = 0.

Példa. Tekintsük az a1 , a2 , . . . , a5 ∈ R3 vektorrendszernek az alábbi

bázistábláját.
a1 a2 a3 a4 a5 e1 e2 e3
a3 0 0 1 −1 3 1 −1 0
a2 0 1 0 7 2 0 1 −1
a1 1 0 0 −4 −1 0 0 1

Egyszerűen kiolvashatjuk a t(i) , i ∈ JB illetve a tj , j ∈ J¯B = JN vektorokat

         
1 0 0 -4 -1
 0   1   0   7   2 
t(1) = 
 (2)   (3) 
0 , t =  0 , t =  1  , t4 =  -1  , t5 =  3 .
     
 -4   7   -1   -1   0 
-1 2 3 0 -1

Nyilván tT
j t
(i)
= 0 teljesül, bármely i ∈ JB és j ∈ JN esetén.
Ortogonalitási tétel, kompozíciós tulajdonság
Ortogonalitási tétel. Adott {aj | j ∈ J } vektorrendszerhez tartozó bármely
B ′ és B ′′ bázisokra (i) T ′′
t′ tj = 0, ∀i ∈ JB ′ és ∀j ∈ J¯B ′′ . •

Következmény. Adott a1 , a2 , . . . , an , e1 , . . . , em ∈ Rm és tetszőleges

JB ⊂ J = {1, . . . , n}, IB ⊂ I = {1, . . . , m} indexhalmazokból álló JB ∪ IB
bázis esetén T
tkj = y(k) aj , ahol k ∈ JB ∪ IB és j ∈ J . •

J I J I

1

aj JB ∪ I B ..
I .. .
.

k ··· tkj ··· y(k)
..
1 .

Ellentmondásos lineáris egyenletrendszer
Feladat. [Dr. Zoran Stojaković, Lineáris Algebra, II. füzet, fordította: Petković Zoltán,
okl. mat., Szabadka, 1982, 159. oldal, Kidolgozott feladatok, 1. módosítása.]
Az α paraméter mely értékeire lesz megoldható az alábbi lineáris
egyenletrendszer
x + y + 2z = 1
x − 2y + 2z =2
x + 4y + 2z =α

Megoldás.
x y z b x y z b x y z b
1 1 2 1 x 1 1 2 1 x 1 1 2 1
1 −2 2 2 0 −3 0 1 0 −3 0 1
1 4 2 α 0 3 0 α−1 0 0 0 α

Ha α = 0 akkor a lineáris egyenletrendszer megoldható!

x y z b x y z b általános megoldás
x 1 1 2 1 x 1 0 2 4/3 x = 4/3 − 2 z
0 1 0 −1/3 y 0 1 0 −1/3 y = −1/3

Mit mondhatunk ha az α ̸= 0 teljesül?

Ellentmondásos lineáris egyenletrendszer: elemzés
1 1 2 1
! ! ! !
Legyen a1 = 1 , a2 = -2 , a3 = 2 , b= 2 , ekkor
1 4 2 α

x a1 + y a2 + z a3 = b

a lineáris egyenletrendszer vektor alakja. Ha az α ̸= 0 akkor a b vektor nem

állítható elő az a1 , a2 , a3 vektorok lineáris kombinációjaként.

x y z b x y z b
1 1 2 1 1 0 0 x 1 1 2 1 1 0 0
1 −2 2 2 0 1 0 0 −3 0 1 −1 1 0
1 4 2 α 0 0 1 0 0 0 α −2 1 1 u

kompozíciós tulajdonság [ortogonalitási tétel]:

uT A = uT [a1 a2 a3 ] = (0 0 0)
uT b = α
Lineáris egyenletrendszer: megoldhatóság
Lemma. Legyen A ∈ Rm×n és b ∈ Rm . Az alábbi állítások ekvivalensek:
(i) az A x = b megoldható;
(ii) b vektor előáll, mint az a1 , a2 , · · · , an vektorok lineáris kombinációja;
(iii) rang(a1 , a2 , · · · , an ) = rang(a1 , a2 , · · · , an , b). ◁

Rouché–Kronecker–Capelli lemma. Legyen A ∈ Rm×n és b ∈ Rm . Az (E1 )

és (E2 ) lineáris egyenletrendszerek közül pontosan az egyik oldható meg:
(E1 ) A x = b;
(E2 ) yT A = 0, yT b = 1.
Lineáris egyenletrendszer: megoldhatóság
Lemma. Legyen A ∈ Rm×n és b ∈ Rm . Az alábbi állítások ekvivalensek:
(i) az A x = b megoldható;
(ii) b vektor előáll, mint az a1 , a2 , · · · , an vektorok lineáris kombinációja;
(iii) rang(a1 , a2 , · · · , an ) = rang(a1 , a2 , · · · , an , b). ◁

Rouché–Kronecker–Capelli lemma. Legyen A ∈ Rm×n és b ∈ Rm . Az (E1 )

és (E2 ) lineáris egyenletrendszerek közül pontosan az egyik oldható meg:
(E1 ) A x = b;
(E2 ) yT A = 0, yT b = 1.

Leopold Kronecker Eugéne Rouché Alfredo Capelli

(1823 – 1891) (1832 – 1910) (1855 – 1910)
Rouché-Kronecker-Capelli lemma bizonyítása
A kettő egyszerre nem állhat fenn (indirekt bizonyítás):
A x = b megszorozzuk yT ekkor 0 = 0T x = (yT A) x = yT (A x) = yT b=1
Alkalmazzuk a Gauss-Jordan eliminációs módszert az A x = b lin. egyenletrendszerre.
Ha a rang(a1 , a2 , · · · , an ) = rang(a1 , a2 , · · · , an , b) teljesül, akkor a Gauss-Jordan
eliminációs módszer az egyenletrendszer egy megoldásával áll le. Különben találtunk
egy ellentmondásos egyenletet (pl. a j. egyenletet), azaz 0 x1 + 0 x2 + . . . + 0 xn = bj ,
ahol a bj ̸= 0. Pivotáljunk a bj elemen, azaz a b vektort bevontuk a vektorrendszer
bázisába valamely aj vektor helyett, ekkor az alábbi teljes pivot táblát (teljes bázis
táblát) nyerjük:

Az y megoldja az E2 egyenletrendszert: a kompozíciós tulajdonsággal igazoljuk. •

Lineáris egyenletrendszer: összefoglaló
Megoldhatóság: Rouché–Kronecker–Capelli lemma
Megoldási módszer: Gauss–Jordan eliminációs algoritmus
Megoldási módszer komplexitása [elméleti hatékonyság]: O(m2 n)
Megoldási módszer alkalmazási területei: mátrix inverz kiszámítása,
lineáris függetlenség eldöntése, stb.
Megoldási módszer numerikus tulajdonságai, számítógépes hatékonysága,
stb.

Tétel. [Edmonds, 1967] Lineáris egyenletrendszerek, Gauss–Jordan eliminációs

módszerrel, erősen polinomiális időben megoldhatók, azaz O(m2 n) az algoritmus
aritmetikai komplexitása. •
Lineáris egyenletrendszer: összefoglaló
Megoldhatóság: Rouché–Kronecker–Capelli lemma
Megoldási módszer: Gauss–Jordan eliminációs algoritmus
Megoldási módszer komplexitása [elméleti hatékonyság]: O(m2 n)
Megoldási módszer alkalmazási területei: mátrix inverz kiszámítása,
lineáris függetlenség eldöntése, stb.
Megoldási módszer numerikus tulajdonságai, számítógépes hatékonysága,
stb.

Tétel. [Edmonds, 1967] Lineáris egyenletrendszerek, Gauss–Jordan eliminációs

módszerrel, erősen polinomiális időben megoldhatók, azaz O(m2 n) az algoritmus
aritmetikai komplexitása. •

Carl Friedrich Gauss Wilhelm Jordan Jack Edmonds

(1777 – 1855) (1842 – 1899) (1934 – )