Matematica PDF
Încărcat de
Alexandra AlexeMatematica PDF
Încărcat de
Alexandra AlexeDEPARTAMENTUL DE ÎNVĂŢĂMÂNT LA DISTANŢĂ
U.S.A.M.V. BUCUREŞTI
Prof. univ. dr. DUMITRU ENE
MATEMATICĂ ŞI STATISTICĂ
APLICATĂ ÎN AGRICULTURĂ
VOLUMUL I: MATEMATICĂ ŞI SISTEME AGRICOLE
Ediţia II revizuită
1
2
CUPRINS
PREFAŢĂ .................................................................................................................... 7
CAPITOLUL 1 – ALGEBRĂ LINIARĂ .................................................................. 9
1.1 SPAŢIUL EUCLIDIAN Rn ..................................................................................................... 10
1.1.1 Operaţii cu vectori şi mărimi metrice în Rn ...................................................................... 10
A. Corpul numerelor reale R .................................................................................................. 10
B. Spaţiul vectorial Rn............................................................................................................ 12
C. Mărimi metrice în Rn ......................................................................................................... 13
D. Subspaţii vectoriale în Rn .................................................................................................. 19
1.1.2 Matrici de numere reale .................................................................................................... 20
A. Definiţii ............................................................................................................................. 20
B. Operaţii cu matrici ............................................................................................................. 22
C. Indicatori numerici ai matricilor........................................................................................ 24
D. Clase de matrici ................................................................................................................. 26
1.2 BAZE DE VECTORI ÎN Rn .................................................................................................... 27
1.2.1 Definiţia bazei şi dimensiunii în Rn .................................................................................. 27
1.2.2 Subspaţii vectoriale şi sisteme liniare omogene ............................................................... 29
1.2.3 Substituirea unui vector dintr-o bază şi aplicaţii. .............................................................. 31
A. Calculul determinantului unei matrici pătratice A ............................................................ 34
B. Calculul rangului unei matrici dreptunghiulare A ............................................................. 36
C. Calculul matricii inverse A-1 a unei matrici pătratice nesingulare A ................................ 39
D. Calculul inversei generalizate A+ a unei matrici dreptunghiulare A ................................... 41
E. Calculul produsului de matrici F-1.G ................................................................................. 43
F. Calculul produsului de matriciG.F-1 .................................................................................. 44
1.3 SISTEME DE ECUAŢII LINIARE......................................................................................... 46
1.3.1 Rezolvarea şi discuţia unui sistem de ecuaţii liniare......................................................... 46
1.3.2 Soluţii generalizate ale sistemelor liniare incompatibile .................................................. 52
1.4 Mulţimi convexe pe Rn ............................................................................................................ 54
1.5 Extremele unui polinom convexconcav pe o mulţime convexă din Rn .................................. 59
1.6 Rezumat ................................................................................................................................... 64
1.7 Întrebări .................................................................................................................................... 65
1.8 Bibliografie .............................................................................................................................. 65
3
CAPITOLUL 2 – PROGRAMARE LINIARĂ ŞI GRAFURI ÎN
AGRICULTURĂ ....................................................................................................... 66
2.1 Modele liniare de optimizare a producţiei în agricultură ......................................................... 66
2.1.1 Modelul structurii optime a culturilor vegetale................................................................. 68
2.1.2 Modelul raţiei furajere optime pentru animale domestice ................................................ 70
2.1.3 Modelul rotaţiei optime a culturilor vegetale .................................................................... 73
2.2 Dualitatea modelelor liniare de optimizare .............................................................................. 75
2.3 Găsirea soluţiilor optime pentru modelele liniare primal şi dual cu metoda simplex ......................... 82
2.4 Modele de optimizare tip transport şi de repartiţie (assignment)........................................... 100
2.5 Drumuri de lungime optimă în reţele ..................................................................................... 106
2.6 Eşalonarea optimă a activităţilor unui proiect agricol prin metoda drumului critic .............. 111
2.7 Rezumat ................................................................................................................................. 118
2.8 Întrebări .................................................................................................................................. 118
2.9 Bibliografie ............................................................................................................................ 118
CAPITOLUL 3 – ANALIZĂ MATEMATICĂ .................................................... 119
3.1 CALCUL DIFERENŢIAL PENTRU FUNCŢII DE O VARIABILĂ REALĂ .................... 119
3.1.1 Funcţii elementare şi aplicaţii ......................................................................................... 119
3.1.2 Rolul derivatelor de ordinul unu şi doi în studiul funcţiilor de o variabilă reală ............ 128
3.1.3 Optimele funcţiilor monofactoriale şi aplicaţii ............................................................... 133
3.1.4 Aplicaţiile integralelor la funcţii cumulate în timp ......................................................... 143
3.2 CALCUL DIFERENŢIAL PENTRU FUNCŢII DE n VARIABILE REALE...................... 145
3.2.1 Rolul derivatelor parţiale de ordinul unu şi doi în studiul funcţiilor de n variablile reale
.................................................................................................................................................. 145
3.2.2 Extreme libere ale funcţiilor de n variabile reale ............................................................ 147
3.2.3 Extreme cu legături ale funcţiilor de n variabile reale .................................................... 159
3.3 Rezumat ................................................................................................................................. 165
3.4 Întrebări .................................................................................................................................. 165
3.5 Bibliografie ............................................................................................................................ 166
CAPITOLUL 4 Modele neliniare de alocare optimă a resurselor în agricultură
................................................................................................................................... 167
4.1 Producţii, indicatori economici şi aporturi ............................................................................. 167
4.1.1 Producţii fizice şi valorice............................................................................................... 167
4.1.2 Indicatori economici ai producţiei suplimentare ............................................................. 172
4.2 Optimele producţiei suplimentare şi aporturile factorilor ...................................................... 174
4.2.1 Optimele producţiei suplimentare ................................................................................... 174
4.2.2 Aporturile factorilor ........................................................................................................ 179
4.3 Exemple ................................................................................................................................. 182
4
4.3.1 Doi factori şi un produs ................................................................................................... 182
4.3.2 Un factor şi două produse ............................................................................................... 189
4.4 Modele cu restricţii liniare şi funcţie-obiectiv pătratică ........................................................ 196
4.4.1 Cazul când toate restricţiile sunt ecuaţii ......................................................................... 196
4.4.2 Cazul când restricţiile sunt inecuaţii ............................................................................... 199
4.4.3 Modele de optimizare patratică în agricultură ................................................................ 203
A. Model pătratic de alocare a resurselor în producţia vegetală .......................................... 203
B. Model pătratic de maximizarea venitului din raţia furajeră ............................................ 204
4.5 Rezumat ................................................................................................................................. 206
4.6 Întrebări .................................................................................................................................. 206
4.7 Bibliografie ............................................................................................................................ 206
CAPITOLUL 5 – SISTEME AGRICOLE ........................................................... 207
5.1 Definiţia, clasificarea şi proprietăţile sistemelor.................................................................... 207
5.1.1 Definiţia sistemelor ......................................................................................................... 207
5.1.2 Clasificarea sistemelor .................................................................................................... 208
5.1.3 Proprietăţile sistemelor ................................................................................................... 210
5.1.4 Sisteme liniare ................................................................................................................. 211
5.2 SISTEME BIOLOGICE ........................................................................................................ 214
5.2.1 Sistemele biologice până la nivel de organism (biosisteme) .......................................... 214
5.2.2 Sistemele biologice la nivel de populaţii (biocenoze) .................................................... 217
5.2.3 Pădurile ca ecosisteme vegetale ...................................................................................... 224
5.3 PROPRIETĂŢI GENERALE ALE SISTEMELOR AGRICOLE ........................................ 225
5.3.1 Particularităţi ale sistemelor agricole .............................................................................. 225
5.3.2 Intrări în sistemele agricole ............................................................................................. 227
5.3.3 Ieşiri din sistemele agricole............................................................................................. 232
5.4 ANALIZA TEHNICO-ECONOMICĂ A SISTEMELOR AGRICOLE ............................... 236
5.4.1 Analiza tehnico-economică a sistemului producţiei vegetale ......................................... 236
5.4.2 Analiza economică a sistemului producţiei de lapte ....................................................... 240
5.4.3 Analiza economică a sistemului producţiei de carne ...................................................... 244
5.4.4 Analiza economică a sistemului comercializării produselor agricole ............................. 249
5.5 Balanţa legăturilor între ramuri .............................................................................................. 254
5.6 Concentrarea şi diversificarea producţiei agricole pe ramuri ................................................ 261
5.7 Rezumat ................................................................................................................................. 265
5.8 Întrebări .................................................................................................................................. 266
5.9 Bibliografie ............................................................................................................................ 266
BIBLIOGRAFIE GENERALĂ ............................................................................. 267
TABEL 1 .................................................................................................................. 271
5
6
PREFAŢĂ
Această lucrare este destinată studenţilor de la Facultatea de Management, Inginerie
Economică în agricultură şi agroturism, curs de zi şi la distanţă, putând fi folosită şi de studenţii
altor facultăţi cu profil Agricol.
Primele 5 capitole sunt consacrate aplicaţiilor matematicii în agricultură.
Matematica abstractă are o dezvoltare exponenţială ca număr de articole şi monografii,
precum şi ca valoare a acestora. Este suficient să menţionăm că 90% din matematicienii din toate
timpurile sunt în viaţă.
După al doilea război mondial, odată cu apariţia computerelor s-au dezvoltat exploziv
aplicaţii ale matematicii în ştiinţele naturii, în medicină, în tehnică, în economie, în agricultură etc.
În acest moment orice domeniu al activităţii umane are atâta valoare câtă matematică
conţine.
Aplicaţiile consistente ale matematicii sunt la fel de dificil de elaborat ca şi teoriile abstracte
ale acesteia. Realitatea este extrem de complexă şi se lasă modelată cu greutate: orice model trebuie
validat de practică prin confruntarea permanentă a rezultatelor simulării pe model cu comportarea
reală a fenomenului modelat.
Semnalăm şi faptul că teorii extrem de abstracte din matematică şi-au găsit ulterior aplicaţii
în situaţii foarte concrete.
În Capitolul 1 se studiază spaţiul euclidian Rn, subspaţiile sale şi elemente de calcul
matricial, noţiunea de bază în spaţiul Rn, metoda substituirii unui vector din bază şi aplicaţiile
acesteia în calculul matricial, sistemele de ecuaţii liniare (discuţie şi rezolvare),convexitatea în Rn
precum şi extremele unui poligon convex/concav pe o mulţime convexă din Rn.
În Capitolul 2 se prezintă trei modele liniare de optimizare a producţiei agrozootehnice:
structura optimă a culturilor vegetale:structura optimă a raţiei furajere şi rotaţia optimă a culturilor
vegetale, se studiază dualitatea acestor modele, se prezintă metoda simplex de optimizare cu
calculatorul a acestor modele prin produsul informatic EXCEL precum şi interpretarea economică a
soluţiilor optime primală şi duală.
Capitolul se încheie cu metoda drumului critic pentru optimizarea în timp a proiectelor
agricole.
În Capitolul 3 se defineşte funcţia reală de o variabilă reală, se enumeră proprietăţile ei, se
prezintă rolul derivatelor de ordinul unu şi doi în studiul funcţiei, în special la găsirea maximelor şi
minimelor funcţiei. O aplicaţie a acestor maxime o constituie stabilirea preţului de vânzare a
produselor agricole care să asigure vânzarea cu valoare bănească maximă precum şi înlocuirea
optimă a echipamentelor.
Tot în Capitolul 3 se defineşte funcţia reală de n variabile reale, se prezintă rolul derivatelor
parţiale de ordinul unu şi doi în studiul funcţiei, în special la găsirea maximelor şi minimelor libere
sau cu legături ale funcţiei. O aplicaţie a acestor maxime o constituie stocurile cu cerere constantă;
cu această ocazie am tratat şi stocurile cu cerere aleatoare.
În Capitolul 4 se prezintă un model neliniar de alocare optimă a resurselor în agricultură cu
funcţii-obiectiv diferite: optim marginal, de echilibru, economic, tehnic, maxim de venit cu
cheltuieli limitate, minim de cheltuieli cu venit garantat. Capitolul se încheie cu modele de
optimizare cu restricţii liniare şi funcţie-obiectiv pătratică rezolvate cu produsul informatic EXCEL.
În Capitolul 5 se prezintă pe scurt teoria sistemelor agricole care se exemplifică pe patru
sisteme agricole: vegetală, zootehnie (lapte şi carne) şi comercializare produse agricole vegetale,
pentru care se dezvoltă în detaliu calculul tehnico-economic. În continuare se prezintă etapele de
analiză şi planificare a producţiei agricole pe ramuri prin metoda balanţei. Capitolul se încheie cu
evaluarea cantitativă şi optimizarea concentrării şi diversificării producţiei agricole pe ramuri.
7
Capitolele 4 şi 5 sunt contribuţia integrală a autorului acestei lucrări.
La finele lucrării se dă o bibliografie cu lucrările efectiv consultate de autor precum şi un
tabel numeric.
Iunie 2010 Autorul
8
CAPITOLUL 1 – ALGEBRĂ LINIARĂ
Obiective: Însuşirea de către studenţi a operaţiilor cu vectori şi matrici precum şi aplicaţiile
lor în geometria spaţiului euclidian R3, a noţiunii de bază de vectori şi dimensiune, a metodei
substituirii unui vector din bază şi aplicaţiile sale în calculul matricial, a metodelor de rezolvare a
sistemelor de ecuaţii liniare, a convexităţii mulţimii soluţiilor unui sistem liniar compatibil nedeter-
minat şi a extremelor unui polinom convex/concav pe această mulţime.
Conţinut:
1.1 Spaţiul euclidian Rn
1.1.1 Operaţii cu vectori şi mărimi metrice în Rn
A. Corpul numerelor reale R
B. Spaţiul vectorial Rn
C. Mărimi metrice în Rn
D. Subspaţii vectoriale în Rn
1.1.2 Matrici de numere reale
A. Definiţii
B. Operaţii cu matrici
C. Indicatori numerici ai matricilor
D. Clase de matrici
1.2 Baze de vectori în Rn
1.2.1 Definiţia bazei de vectori şi dimensiunii în Rn
1.2.2 Subspaţii vectoriale şi sisteme liniare omogene
1.2.3 Substituirea unui vector dintr-o bază şi aplicaţii
A. Calculul determinantului unei matrici pătratice
B. Calculul rangului unei matrici dreptunghiulare
C. Calculul inversei A-1 pentru o matrice pătratică nesingulară A
D. Calculul inversei generalizate A+ pentru o matrice dreptunghiulară A
E. Calculul produsului de matrici F-1.G
F. Calculul produsului de matrici G.F-1
1.3 Sisteme de ecuaţii liniare
1.3.1 Rezolvarea şi discuţia unui sistem de ecuaţii liniare
1.3.2 Soluţii generalizate ale sistemelor liniare incompatibile
1.4 Mulţimi convexe pe Rn
1.5 Extremele unui polinom convex/concav pe o mulţime convexă din Rn
1.6 Rezumat
1.7 Întrebări
1.8 Bibliografie
Cuvinte cheie: vector, normă, distanţă, unghi, produs scalar, produs vectorial, produs mixt,
subspaţii vectoriale, matrice, urmă, determinant, rang, normă a matricii, bază de vectori, coordona-
tele unui vector într-o bază, substituirea unui vector dintr-o bază, soluţie generală şi soluţie
particulară bazică a unui sistem liniar, soluţie generalizată a unui sistem liniar incompatibil, mulţimi
convexe şi polinoame concave/convexe, soluţii bazice (extremale) şi optime.
9
1.1 SPAŢIUL EUCLIDIAN Rn
1.1.1 Operaţii cu vectori şi mărimi metrice în Rn
A. Corpul numerelor reale R
Mulţimea numerelor reale R se poate defini constructiv astfel: N Z Q R .
N={0,1,…,n,…} este mulţimea numerelor naturale, Z = {…, - n ,…, - 1,0,1,…,n,…} este
mulţimea numerelor întregi, Q = {a / b a,b Z , b ≠0 } este mulţimea numerelor raţionale
(fracţionare), I este mulţimea numerelor iraţionale (limite ale şirurilor convergente de numere
raţionale) iar R = Q I cu Q ∩ I = . Pentru numere reale se adoptă scrierea zecimală:
a α1α2 ...αm . β1β2 ...βn (α110m1 ... αm110 αm ) (β1101 ... β n10 n ) .
Partea întreagă a Int a a numărului real a este numărul întreg format cu cifrele
α1 ,...,αm din stânga punctului zecimal, iar partea fracţionară a a a a numărului real a
este numărul din intervalul [0;1) format cu zecimalele β1 ,...,β n din dreapta punctului zecimal.
La exprimarea zecimală a numărului raţional a = r / s, (r, s Z s ≠ 0 ), numărul de zecimale
din dreapta punctului zecimal poate fi finit (dacă numitorul s se divide numai cu 2 sau cu 5) sau
infinit dar periodic (dacă numitorul s se divide şi cu alte numere prime afară de 2 sau 5).
Exemple:
135
1) 16.875
8
25
2) 4.1666...
6
La exprimarea zecimală a unui număr iraţional, numărul de zecimale din dreapta punctului
zecimal este infinit şi neperiodic.
Exemple:
1) π 3.1412...
2) e 2.718...
3) 2 1.414...
4) ln 3 1.09861...
5) sin37 0.60182…
6) tg 104 - 0.24933…
7) arccos 0.4 1.159283…
8) arctg 2.1 1.126377…
În cazul numerelor reale cu un număr infinit de zecimale (periodic sau nu) se reţine un
număr finit de zecimale în raport de precizia calculului.
Exemplu:
La computere se reţin 7 zecimale în simplă precizie şi 16 zecimale în dublă precizie.
Pentru numere reale foarte mari sau foarte mici se adoptă scrierea exponenţială.
Exemple:
1) 12580000 0.1258 108 0.1258E8
2) 0.000306 0.306 103 0.306E-3
10
Mulţimea numerelor reale R admite şi o definiţie axiomatică:
Pe mulţimea R se definesc legile de compoziţie a, b a b numită adunare şi
a, b a b numită înmulţire şi o relaţie de ordine a b faţă de care sunt îndeplinite patru
grupe de axiome:
I. R este corp comutativ faţă de adunare şi înmulţire.
1) (Comutativitatea adunării): a b b a
2) (Asociativitatea adunării): a b c a b c
3) (Elementul neutru faţă de adunare): Există 0R astfel că a 0 0 a a pentru orice
aR
4) (Elementul simetric faţă de adunare): Pentru orice aR există elementul simetric (opus)
- a R astfel că a a a a 0
5) (Comutativitatea înmulţirii): a b b a
6) (Asociativitatea înmulţirii): a b c a b c
7) (Elementul neutru faţă de înmulţire): Există 1R astfel încât a 1 1 a a pentru
orice aR
8) (Element simetric faţă de înmulţire): Pentru orice aR, a 0 există elementul invers
1 1
a – 1R astfel încât a a a a 1
9) (Distributivitatea înmulţirii faţă de adunare): a b c a b a c ;
b c a b a c a
II. R este corp comutativ ordonat faţă de relaţia de ordine “≤”.
10) a b ; b c a c pentru orice a,b,cR (Tranzitivitate)
11) a b ; b a a b pentru orice a,bR (Reflexivitate)
12) Pentru orice a,bR, avem sau a b sau a≥b (Dihotomie)
13) a b a c b c pentru orice a,b,cR
14) a, b 0 a b 0
III. R este corp comutativ ordonat arhimedian
15) Pentru orice a,bR cu a 0 , b 0 există numărul natural n cu b n a
IV. R este corp comutativ ordonat arhimedian continuu
16) Pentru orice şiruri (an), (bn), nN, de numere din R, astfel că:
a1 a2 ... an ... bn ... b2 b1 există şi este unic αR astfel că: ai α bi
pentru orice iN.
Mulţimea numerelor reale se corespunde bijectiv cu mulţimea punctelor unei drepte:punctul
M este imaginea numărului real a iar numărul real a este abscisa punctului M.
a, a 0
Modulul lui aR este: a
a, a 0
Axiomele modulului:
1) a 0 ; a 0 dacă şi numai dacă a 0
2) |λa| = |λ| . |a|; (λ, aR)
3) a b a b (Inegalitatea triunghiului)
11
Distanţa între numerele reale a, b este d a, b b a
Axiomele distanţei:
1) d a, b 0 ; d a, b 0 dacă şi numai dacă a b
2) d a, b d b, a
3) d(a,c) ≤ d(a,b)+ d(b,c) (Inegalitatea triunghiului)
B. Spaţiul vectorial Rn
Fie R corpul numerelor reale.
Spaţiul Rn este mulţimea ansamblurilor ordonate de numere reale a a1 ,..., an , numite
vectori.
Operaţii cu vectori:
1) Adunarea vectorilor:
Fie a a1 ,..., an ; b=(b1,…,bn); ai,biR. Suma vectorilor a, b este vectorul din Rn:
a b c c1,..., cn cu ci ai bi 1 i n
2) Înmulţirea vectorilor cu scalari
Fie a a1 ,..., an Rn şi αR. Produsul vectorului a cu scalarul este vectorul din Rn:
α a α a1 ,...,α an
Teorema 1.1
Rn este spaţiu vectorial peste corpul R faţă de adunarea vectorilor şi înmulţirea vectorilor cu
scalari.
Demonstraţie:
Se verifică uşor axiomele care definesc un spaţiu vectorial pentru cazul lui Rn, bazându-ne
pe proprietăţile operaţiilor din corpul scalarilor R:
I. Adunarea vectorilor este comutativă: a b b a pentru orice a,bRn
II. Adunarea vectorilor este asociativă: a b c a b c pentru orice a,b,cRn
III. Pentru adunarea vectorilor există elementul neutru: 0 0,...,0 Rn: a 0 0 a a
pentru orice aRn
IV. Pentru orice vector aRn, există vectorul simetric (opus): a a1 ,..., an Rn astfel că
a a a a 0
V. Pentru orice aRn, avem 1 a a 1 a
VI. Înmulţirea cu scalari este distributivă faţă de adunarea vectorilor: α a b α a α b ;
a b α a α b α
VII. Înmulţirea cu scalari este distributivă faţă de adunarea scalarilor: α β a α a β a ;
a α β a α a β
VIII. Înmulţirea cu scalari este asociativă faţă de înmulţirea scalarilor: α β a α β a
Q.E.D.
12
Dacă Rn şi Rm sunt spaţii vectoriale peste R, produsul lor cartezian Rn X Rm este mulţimea
perechilor de vectori (a; b) unde a este vector din Rn iar b este vector din Rm.
Rn X Rm devine spaţiu vectorial peste R faţă de operaţiile:
1) (a; b) + (c; d) = (a +c; b + d) unde a, c sunt vectori din Rn iar b, d sunt vectori din Rm
2) α (a; b) = (α a; α b) unde a este vector din Rn, b este vector din Rm, iar α este scalar din R.
Spaţiul vectorial produs Rn X Rm este izomorf cu spaţiul vectorial Rn+m
De exemplu R X R2 este izomorf cu R3
x2
Exemple:
I) n=2: R2 ={(a1,a2) | ai R}
Orice vector a a1 , a2 se reprezintă
a2 M(a1,a2)
grafic printr-un punct M în planul raportat la
două axe rectangulare:
a1 se numeşte abscisa punctului M,
a2 se numeşte ordonata punctului M.
Reciproc, orice punct M din plan ce x1
corespunde cu un vector din R2 ale cărui
componente sunt coordonate ale lui M. 0 a1
x3
II) n 3 : R3 ={(a1,a2,a3) | ai R}
Orice vector a a1 , a2 , a3 se
reprezintă grafic printr-un punct M în
spaţiul raportat la trei axe rectangulare: a3
a1 se numeşte abscisa lui M,
a2 se numeşte ordonata lui M, M
a3 se numeşte cota lui M.
În geografie, abscisa se numeşte
a2
longitudine, ordonata latitudine iar cota
0 x2
altitudine.
Originea axelor pe pământ este la
intersecţia ecuatorului cu meridianul 0 a1
(Greenwich).
În spaţiile vectoriale R2 şi R3 x
adunarea vectorilor revine la regula 1
paralelogramului din mecanică: a b este diagonala din originea 0 a paralelogramului cu laturile
a, b iar înmulţirea unui vector a cu un scalar dă ca rezultat un vector a, coliniar cu vectorul a.
C. Mărimi metrice în Rn
În spaţiul vectorial Rn se introduc mărimile metrice:
a) Norma vectorilor
b) Distanţa scalară a doi vectori
c) Produsul scalar a doi vectori
d) Unghiul a doi vectori
e) Aria paralelogramului construit pe doi vectori necoliniari
f) Volumul paralelipipedului construit pe trei vectori necoplanari
Teorema 1.2
a) Vectorul a a1 ,..., an Rn are norma euclidiană: a a12 ... an2
13
b) Distanţa euclidiană între doi vectori a a1 ,..., an şi b b1 ,..., bn din Rn este:
d a, b b1 a1 ... bn an
2 2
c) Produsul scalar al vectorilor a a1 ,..., an şi b b1 ,..., bn din Rn este:
a * b = a1b1 + … + anbn
Demonstraţie:
a) Norma euclidiană verifică axiomele normei:
1) a 0; a 0 a 0
2) αa α a
3) a b a b (Inegalitatea triunghiului)
Axiomele 1), 2) se verifică imediat. Axioma 3) se reduce la inegalitatea clasică a lui
a1 b1 ... an bn a12 ... an2 b12 ... bn2
2 2
Minkovski:
În spaţiul euclidian Rn există şi alte norme în afară de cea euclidiană:
Exemple:
a)
p p
1) a p
= ( a1 + ... + a n )1/p
2) a
max ai
1 i n
Spaţiul vectorial Rn înzestrat cu o normă, este spaţiu vectorial normat.
b) Distanţa euclidiană verifică axiomele distanţei:
4) d a, b 0 ; d a, b 0 a b
5) d a, b d b, a
6) d a, c d a, b d b, c (Inegalitatea triunghiului)
Axiomele 4), 5) rezultă imediat. Axioma 6) devine:
d a, c c a b a c b b a c b d a, b d b, c
folosind axioma 3).
În spaţiul vectorial Rn există şi alte distanţe în afară de cea euclidiană.
Exemple:
1
d p a, b b1 a1 ... bn an
p p p
i)
ii) d a, b max bi ai
1i n
Spaţiul vectorial Rn înzestrat cu o distanţă, este spaţiu metric.
c) Produsul scalar verifică axiomele:
7) a * a 0 ; a * a 0 dacă şi numai dacă a 0
8) a *b b *a
9) α a β b * c α a * c β b * c
14
Axiomele 7) – 9) se verifică imediat.
Spaţiul vectorial Rn înzestrat cu un produs scalar, este spaţiu euclidian.
Dacă avem produs scalar a* b avem şi normă: a a*a
Dacă avem normă: ||a|| avem şi distanţă: d(a; b) = ||b – a||
Observăm că ||a|| = d(a; 0) . Q.E.D.
În afară de şiruri ordonate a = (a1,…,an) din Rn cu ai din R, şi alte mulţimi de elemente
formează spaţiu vectorial faţă de adunare şi înmulţire cu scalari, având şi produs scalar (verifică
axiomele I-VIII şi axiomele 7) – 9) din teorema 1.2):
1) Mulţimea polinoamelor cu coeficienţi reali de grad cel mult n:
Dacă P(x) = a0xn + a1xn-1 +…+ an şi Q(x) = b0xn + b1xn-1 +…+ bn avem produsul scalar:
P*Q = a0b0 + a1b1 +…+ anbn
2) Mulţimea polinoamelor trigonometrice cu coeficienţi reali,cu 2n + 1 termeni:
Dacă P(x) = a0 + (a1cos x + b1 sin x) +…+ (an cos nx +bn sin nx) şi
Q(x) = c0 + ( c1cos x + d1 sin x) +…+ (cn cos nx + dn sin nx), avem produsul scalar:
P*Q = a0c0 + (a1c1 + b1d1) +…+ (ancn + bndn)
3) Mulţimea matricilor dreptunghiulare de tip m x n cu elemente reale:
Dacă A = (aij), B = (bij) sunt matrici de tip mxn, avem produsul scalar:
m n
A B a ij bij
i 1 j1
4) Mulţimea funcţiilor continue pe [a; b] cu valori reale:
Dacă f, g sunt funcţii continue pe [a; b] avem produsul scalar:
b
f g f (x) g(x) dx
a
Proprietatea rămâne valabilă pentru funcţii derivabile, integrabile şi mărginite pe [a; b].
Teorema 1.3
Pentru orice a,bRn avem:
1) | a*b | ≤ || a || . || b || (Inegalitatea Cauchy-Schwartz)
2) || a + b ||2 + || a – b ||2 = 2 (|| a ||2 + || b ||2 ) (Regula paralelogramului)
3) Dacă a*b = 0 avem || a+ b ||2 = || a ||2 + || b ||2 (Relaţia Pitagora)
Demonstraţie:
1) Pentru orice λR avem (a + λb)*(a + λb) ≥ 0, adică:
|| b ||2 . λ2 + 2 a b λ + || a ||2 ≥ 0 deci Δ = 4 ((a*b)2 - || a ||2. || b ||2) ≤ 0
adică: | a*b | ≤ || a ||.|| b ||
15
2) Avem: || a + b ||2 = || a ||2 + 2 a*b + || b ||2
|| a – b ||2 = || a ||2 – 2 a*b + || b ||2
Prin adunare obţinem: || a + b ||2 + || a – b ||2 = 2 (|| a ||2 + || b ||2)
3) Dacă a*b = 0 relaţia || a + b ||2 = || a ||2 + 2 a*b + || b ||2 devine:
|| a + b ||2 = || a ||2 + || b ||2 Q.E.D.
Inegalitatea de la punctul 1) al teoremei 1.3, permite definirea unghiului a doi vectori a, b:
a *b
cosθ
a b
deci, cos θ[-1; 1].
În particular, vectorii a, b sunt perpendiculari (ortogonali) a b dacă şi numai dacă
π
θ deci: cosθ 0 , deci: a*b = 0.
2
Aria paralelogramului construit pe vectorii a, b este:
a a * b
2
S a b sin θ b
2
Produsul scalar este o arie:
P(c) N(b) M(a)
R
0
Fie M a şi N b imaginile vectorilor a, bR2.
Fie P c imaginea vectorului c cu OP OM şi c a .
Fie OPQN paralelogramul construit pe ON, OP. Ducem NR OP deci unghiurile = MON şi
ONR sunt egale. Rezultă NR b cosθ şi OP a aşa că
a b a b cosθ OP NR deci produsul scalar a b este aria paralelogramului
construit pe vectorii OP şi ON cu lungimile a şi b.
16
Fie vectorii a = (a1,…,an), b = (b1,…,bn) din Rn.
Vectorii a, b sunt coliniari dacă există αR, α ≠ 0 astfel că b = α.a. Notaţie: a ~ b
Relaţia de coliniaritate a vectorilor este o relaţie de echivalenţă:
1) a ~ a deoarece a = 1.a
2) a ~ b implică b ~ a deoarece b = α.a implică a = (1/α).b
3) a ~ b şi b ~ c implică a ~ c deoarece b = α.a şi c = β.b implică c = (αβ).a cu α, β ≠ 0 deci α.β ≠ 0.
Clasa de echivalenţă a tuturor vectorilor b coliniari cu vectorul a se numeşte direcţia definită
de vectorul a iar a1,…,an se numesc parametrii directori ai acestei direcţii.
Parametrii directori ai versorului a / ||a|| adică a1 / ||a||,…, an / ||a|| sunt cosinuşii unghiurilor
făcute de vectorul a cu versorii bazei-standard E1,…, En (vezi secţiunea 1.2.1 de mai jos).
cos θ1 = a1 / ||a||,…, cos θn = an / ||a|| se numesc cosinuşii directori ai direcţiei definite de
vectorul a şi definesc în mod unic această direcţie.
Avem (cos θ1)2 +…+ (cos θn)2 = 1
Exemplu:
Fie în R3 vectorii a 1;0;4 ; b 2;3;0
1) Să se calculeze 2a 3b
2) Să se calculeze a , b şi d a, b
3) Să se calculeze a * b
4) Să se calculeze unghiul între vectorii a, b
5) Să se calculeze aria paralelogramului construit pe vectorii a, b
Soluţie:
1) 2a 3b 2 1;0;4 3 2;3;0 2;0;8 6;9;0 4;9;8
a 1 02 42 17 ; b 22 32 02 13 ;
2
2)
d a, b 2 1 3 0
2 2
0 4 34
2
3) a * b 1 2 0 3 4 0 2
a *b 2 2
4) cosθ
a b 17 13 221
a a * b 221 2 217
2
S b
2 2
5)
Pentru calculul ariilor şi volumelor se folosesc produsul vectorial şi produsul mixt al
vectorilor din Rn.
Fie E1 = (1,0,…,0);…,En = (0,…,0,1) versorii bazei standard în Rn (vezi secţiunea 1.2.1) şi
fie vectorii:
a a21 ,..., a2 n ,..., a an1 ,..., ann Rn
2 n
Produsul vectorial al celor n 1 vectori a(2),…,a(n) din Rn este vectorul din Rn definit
E1 .........E n
2 a .........a2 n
... a
n
astfel: a 21
.................
an1 .........ann
17
Dezvoltând acest determinant după prima linie, se vede că componentele vectorului
2
... a
n
a sunt complemenţii algebrici de ordin n 1 ai versorilor-unitate E1,…, En din
determinantul precedent.
Proprietăţi ale produsului vectorial
a ... a 0 dacă şi numai dacă a 2 ,..., a n sunt liniar dependenţi.
2 n
1)
a ,..., a :
2 n
2) Produsul vectorial este funcţie liniară în raport cu orice vector
α a β b a ... a α a a ...a β b a ... a
2 2 3 n 2 3 n 2 3 n
a a ... a a a ... a deci produsul vectorial este antisimetric.
2 3 n 3 2 n
3)
Pentru orice i 2,..., n avem: a a ... a 0 deci produsul vectorial al
i 2 n
4)
2 n
vectorilor a ,..., a este ortogonal pe fiecare din aceşti vectori.
Proprietăţile 1) – 4) rezultă din proprietăţile determinanţilor.
Caz particular: Pentru n 3 fie vectorii a
2
a21, a22 , a23 ; a a31, a32 , a33 din R3.
3
Produsul vectorial al acestor vectori este:
E1 E2 E3
2 3 a a23 a a a a
a a a21 a22 a23 22 E1 21 23 E 2 21 22 E3
a32 a33 a31 a33 a31 a32
a31 a32 a33
2
a
3
a
2
a
3
Se verifică relaţia a sinθ unde este unghiul vectorilor a(2), a(3)
2
a
3 2 3
din R3 aşa că a este aria paralelogramului construit pe a , a .
a11 ;...; a1n , a a21 ;...; a2n , a an1;...; ann R n
1 2 n
Fie vectorii a
a11 .........an
Produsul mixt al vectorilor a , a ,..., a este: a ,..., a ................
1 2 n 1 n
an1 .......ann
Proprietăţi ale produsului mixt
5) a1 ,..., a n 0 dacă şi numai dacă a1 ,..., a n sunt vectori liniar dependenţi.
1 n
6) Produsul mixt este funcţie liniară în raport cu orice vector a ,..., a :
α a1 βb1 , a 2 ,..., a n α a1 , a 2 ,..., a n β b1 , a 2 ,..., a n
7) a1 , a 2 ,..., a n a 2 , a1 ,..., a n deci produsul mixt este antisimetric
8)
a1 , a 2 ,..., a n a1 a 2 ... a n
Proprietăţile 5) – 8) rezultă din proprietăţile determinanţilor.
Caz particular: Pentru n 3 fie vectorii a
1
a11, a12 , a13 ; a a21, a22 , a23 ;
2
a a31, a32 , a33 din R3.
3
18
a11 a12 a13
1 2 3
Produsul mixt al acestor vectori este: a , a , a a21 a22 a23 şi modulul acestui
a31 a32 a33
1 2 3
produs mixt reprezintă volumul paralelipipedului cu laturile a , a , a , concurente în originea 0.
Exemplu:
1
2;0;5 ; a 0;1;4 ; a 3;1; 1 ; a 2;3;0 din R3
2 3 4
Fie vectorii a
2
, a , a
3 4
1) Se cere aria triunghiului cu vârfurile a şi distanţa h1 de la vârful a(2) la baza
formată cu vârfurile lui a(3), a(4)
1 2 3 4
2) Se cere volumul piramidei cu vârfurile a , a , a , a şi distanţa h2 de la vârful a(1) la
2 3 4
baza formată cu vârfurile lui a , a , a .
Soluţie:
1) Aria cerută este jumătate din aria paralelogramului cu laturile în vârfurile lui
a a 3;0; 5 şi a a 2;2; 4 deci S
3 2 4 2
2
1 3 2 4 2
a a a a .
E1 E2 E3
0 5 3 5
a a
3 0
3
a 2 4
a 2
3 0 5 E1 E2 E3 10; 2;6 deci
2 4 2 4 2 2
2 2 4
S 102 22 62 140 . Avem a a 1;2;1 deci
4 3
1 4 1
a a 1 22 12 6 iar S a a h1 sau 140 6 h1 deci
4 3 2 3
2 2
70
h1 2
3
1
din volumul paralelipipedului oblic cu laturile a a 2;1; 1
2 1
2) Volumul cerut este
6
; a a 5;1; 6 ; a a 4;3; 5 deci
3 1 4 1
2 1 1
1
a 2 a 1 , a 3 a 1 , a 4 a 1 5 1 6 16 deci V= 16 8 . Avem V S h2
6 3 3
4 3 5
8 4
şi cum V = 8 / 3 şi de la punctul 1) avem S 140 aşa că h2
140 35
D. Subspaţii vectoriale în Rn
Submulţimea LRn este subspaţiu vectorial al lui Rn dacă este spaţiu vectorial faţă de
operaţiile din Rn:
1) a, bL a+bL
2) aL, R .aL
19
Axiomele I) – VIII) ale spaţiului vectorial, valabile în Rn, vor fi valabile şi în L.
Conform punctului 2) pentru α 1, din aL rezultă -aL iar conform punctului 1) din
a, -aL rezultă a + (-a) = 0L
O clasă importantă de subspaţii liniare sunt soluţiile sistemelor liniare omogene (Teorema 1.4)
Exemple în R3 (n = 3):
x1
1)
m = 1: Mulţimea vectorilor X x2 R cu a11x1 + a12x2 + a13x3 = 0 este un plan care
3
x
n
trece prin originea 0 a axelor de coordonate. În particular planele de coordonate
x1Ox2 , x1Ox3 , x2Ox3 au ecuaţiile x3 0 ; x2 0 ; x1 0 .
x1
2)
m = 2: Mulţimea vectorilor X x2 R cu
3
x
n
1 a11 x1 a12 x2 a13 x3 0
2 a21 x1 a22 x2 a23 x3 0
este o dreaptă care trece prin originea O a axelor de coordonate. Această dreaptă este intersecţia
planelor care trec prin O şi satisfac ecuaţiile (1) respectiv (2).
Dacă L este subspaţiu vectorial în Rn şi bL, mulţimea b + L = {b+a aL} se numeşte
varietate liniară paralelă cu subspaţiul vectorial L.
Mulţimea varietăţilor liniare ale subspaţiului vectorial LRn, formează un spaţiu vectorial,
numit spaţiu vectorial-cât şi notat Rn / L, faţă de operaţiile:
1) (b + L) + (c + L) = (b + c + L), (b, cL);
2) (b + L) = b + L, (bL, R)
Exemple:
1) Mulţimea soluţiilor M = (x,y,z)R3 a ecuaţiei a11 x + a12 y + a13 z + a14 = 0 este un plan
paralel cu planul care trece prin origine asociat ecuaţiei omogene: a11 x + a12 y + a13 z = 0
2) Mulţimea soluţiilor M = (x,y,z)R3 a sistemului de ecuaţii compatibil nedeterminat:
a11 x a12 y a13 z a14 0
a21 x a22 y a23 z a24 0
este o dreaptă, paralelă cu dreapta care trece prin origine asociată sistemului omogen:
a11 x a12 y a13 z 0
a21 x a22 y a23 z 0
1.1.2 Matrici de numere reale
A. Definiţii
O matrice de numere reale, cu m linii şi n coloane (de tip m n ) este un tablou
dreptunghiular cu mn numere reale aij , aranjate pe m linii şi n coloane:
20
a11 a1n
A
am1 am n
Dacă m n , matricea se numeşte pătratică de ordin n:
a11 a1n
A
an1 an n
În particular, un vector – linie b b1 ,..., bn este o matrice de tip 1 n iar un vector –
c1
coloană c
este o matrice de tip m 1 .
c
m
O mulţime de p matrici A1 ,...,A p , toate de tip m n formează o hipermatrice A cu m linii, n
coloane şi p rame:
a111 ,..., a1n1 a11 p ,..., a1n p
A1 ; ... ; A p
am11 ,..., am n1 am 1 p ,..., am n p
Aceste rame A1 ,...,A p pot fi aşezate una în spatele celeilalte ca ramele într-un stup.
Transformări
1) Orice matrice se poate transforma într-un vector – linie şi reciproc.
1.1 Fie matricea de tip m n cu m n elemente:
a11 a1n
A
am1 am n
Matricea A se transformă în vectorul – linie A a11 ,..., a1n ,..., am1,..., am n deci prin
schimbarea notaţiilor, avem vectorul – linie cu q mn elemente: b b1 ,..., bk ,..., bq unde
bk aij cu k = n ( i – 1) + j, unde i = 1,…, m; j = 1,…, n, deci k = 1,…, q.
b) Fie vectorul – linie: b b1 ,..., bk ,..., bq cu q elemente. Fie m un divizor al lui q şi n = q / m.
Vectorul – linie b cu q mn elemente se transformă în matricea A de tip m n :
a11 a1n
A unde a b cu i = Int((k – 1)/n)+1; j = k – [Link]((k – 1)/n)
ij k
am1 am n
unde k = 1,…, q deci i = 1,…, m; j = 1,…, n.
21
2) Orice hipermatrice se poate transforma într-un vector – linie şi reciproc.
c) Fie hipermatricea A de tip m n p cu mnp elemente a i j h (i=1,…, m; j=1,…, n;h=1,…, p).
Hipermatricea A se transformă în vectorul – linie A a111 ,..., am n 1 ,..., a11 p ,..., am n p
deci prin schimbarea notaţiilor, avem vectorul – linie cu q = m n p elemente: b b1 ,..., bk ,..., bq
unde bk ai j h cu k =p. n.(h – 1) + n.(i –1) + j unde i= 1,…, m; j = 1,…, n; h = 1,…, p
d) Fie vectorul – linie: b b1 ,..., bk ,..., bq cu q elemente. Fie m, n doi divizori ai lui q şi
p=q/mn
Vectorul – linie b cu q mnp elemente se transformă în hipermatricea A de tip m n p
cu elementele ai j h bk cu i = Int((k – 1)/n – [Link](Int((k – 1)/n)/p);
j = k – [Link]((k – 1)/n); h = Int(Int((k – 1)/n)/p) + 1 unde k = 1,…, q.
Dacă A aij 1 i m; 1 j n este o matrice de tip m n , transpusa sa, notată AT, este
o matrice de tip n m cu AT a ji 1 j n; 1 i m adică prin transpunere, liniile
devin coloane şi coloanele devin linii.
Transpusa unei matrici pătratice A de ordin n este tot o matrice pătratică, notată AT de
acelaşi ordin n. Matricea A este simetrică dacă coincide cu transpusa sa: AT = A deci a ji aij şi
este antisimetrică dacă AT A deci a ji aij
B. Operaţii cu matrici
1) Adunarea şi scăderea matricilor:
Dacă A aij şi B bij sunt matrici de tip m n , suma lor este A B aij bij
tot de tip m n iar diferenţa lor este A B aij bij tot de tip m n .
2) Înmulţirea matricilor:
Dacă A aij 1 i m; 1 j n este matrice de tip m n şi B b jk
1 j n; 1 k n este matrice de tip n p atunci produsul lor este A B Cik
n
1 i m; 1 k p de tip m p unde: Cik aijb jk
j 1
3) Înmulţirea matricilor cu scalari:
Dacă A aij 1 i m; 1 j n este matrice de tip m n şi λ atunci
produsul matricii A cu scalarul este λA λaij tot de tip m n .
22
4) Împărţirea matricilor pătratice:
Dacă A aij 1 i, j n este matrice pătratică nesingulară (cu det A 0 ) de
ordin n şi B bij 1 i, j n este o altă matrice pătratică de ordin n, câtul lor este:
B
B A 1 şi este tot matrice pătratică de ordin n.
A
A 1 este o matrice pătratică de ordin n care satisface relaţiile A A-1 A-1 A E (E
este matricea – unitate de ordin n).
A 1 se numeşte inversa matricii pătratice nesingulare A de ordin n.
Dacă matricea A este pătratică de ordin n, singulară det A 0 sau A este matrice
dreptunghiulară de tip m n , inversa A 1 nu există dar există inversa generalizată A .
Dacă A este matrice de tip m n , A este matrice de tip n m care satisface relaţia
A A+ A A . Dacă A este matrice pătratică de ordin n, A este tot matrice pătratică de ordin n.
1
Dacă A este matrice pătratică de ordin n, nesingulară, avem A A
Dacă A este o matrice dreptunghiulară de tip m x n, inverse la dreapta Ad-1 este o matrice
dreptunghiulară de tip n x m astfel că A. Ad-1 = Im.
Ad-1 este soluţia X de tip n x m a ecuaţiei matriciale A.X = Im .
x1i
X (X 1 ... X m ) cu Xi ..... R n şi I m (E 1 ... E m ) cu Ei R m
x
ni
Ecuaţia matricială A.X = Im se reduce la m sisteme liniare de m ecuaţii cu n necunoscute fiecare, de
forma [Link] = Ei; (i = 1,…, m).
Aceste sisteme liniare sunt toate compatibile dacă şi numai dacă :
Rang(A) = Rang(AE1) = … = Rang(AEm)
Pentru m < n condiţia este îndeplinită deci pentru m < n inversa la dreapta Ad-1 există dar nu
este unică.
Inversa la dreapta Ad-1 permite rezolvarea sistemelor matriciale X.A = B, unde A,B,X sunt
matrici, cu soluţia X = [Link]-1.
Dacă A este o matrice dreptunghiulară de tip m x n, inversa la stânga As-1 este o matrice
dreptunghiulară de tip n x m, astfel că As-1. A = In.
Prin transpunere avem: AT.(As-1)T = In, deci (As-1)T = (AT)d-1 aşa că As-1 = ((AT)d-1)T.
Pentru m > n As-1 există dar nu este unică.
Inversa la stânga As-1 permite rezolvarea sistemelor matriciale A.X. = B, unde A,B,X sunt
matrici, cu soluţia X = As-1.B.
5) Suma directă a matricilor:
Fie A aij 1 i m; 1 j n este o matrice de tip m n iar A ahk
1 h p; 1 k q este o matrice de tip p q , suma lor directă A B de tip
aij 0
m p n q are forma: A B=
0 bhk
6) Produsul direct al matricilor:
23
Dacă A aij 1 i m; 1 j n este o matrice de tip m n şi B bhk
1 h p; 1 k q este o matrice de tip p q , produsul lor direct A B de tip mp nq
are forma: A B aij bhk
C. Indicatori numerici ai matricilor
1) Urma unei matrici pătratice:
Dacă A aij 1 i; j n este o matrice pătratică, urma sa este suma elementelor de
pe diagonala principală: Tr A a11 a22 ... an n
2) Determinantul unei matrici pătratice:
Fie A o matrice pătratică de ordin n: A aij 1 i; j n . Orice aplicaţie bijectivă a
mulţimii 1,...,n pe ea însăşi, o vom numi permutare şi o vom nota:
1, 2, , n
σ:
σ 1 , σ 2 , , σ n
Mulţimea Sn a permutărilor σ faţă de compunerea permutărilor ca funcţii, formează un
grup, numit grupul simetric.
i j
O inversiune în permutarea σ este o pereche de valori cu i j şi
σ i σ j
σ i σ j . Signatura permutării σ este o funcţie cu două valori: 0 dacă σ conţine un număr par
de inversiuni şi 1 dacă σ conţine un număr impar de inversiuni.
Notaţie: sign σ
n
Determinantul matricii pătratice A este: det A
σ Sn
sign σ ai , σi
i 1
O matrice pătratică A se numeşte nesingulară dacă det A 0 şi singulară dacă
det A 0 .
3) Rangul unei matrici dreptunghiulare:
Dacă A aij 1 i m; 1 j n este o matrice de tip m n rangul matricii A notat
r rang A este ordinul celui mai mare minor nenul, numit minor principal. Aceasta înseamnă
că:
a) Există cel puţin un minor de ordin r nenul (minorul principal)
b) Toţi minorii de ordin r 1 sunt nuli.
În acest caz, toţi minorii de ordin r 2, r 3,..., sunt nuli.
Avem: 0 rang A minim m, n .
O matrice A de tip m n se numeşte matrice de rang maxim dacă rang A minim m, n .
Dacă matricea de rang maxim A este pătratică atunci rang A n şi det A 0 , matricea A
numindu-se nesingulară.
24
4) Norma unei matrici dreptunghiulare
Dacă A aij 1 i m; 1 j n este o matrice de tip m n , norma euclidiană a matricii
1
m n 1
2
A este: A aij
i 1 j 1
Această normă satisface axiomele:
a) A 0; A 0 A 0
b) λA λ A
c) A B A B (inegalitatea triunghiului)
d) AB A B
Norma euclidiană nu este singura normă a matricii A.
Exemplu:
m n
A aij satisface axiomele a) – d) de mai sus, fiind deci o altă normă a matricii A.
i 1j 1
5) Matricea Gram a unei matrici dreptunghiulare:
Fie A aij 1 i m; 1 j n o matrice de tip m n şi fie A T de tip n m
transpusa sa.
Matricea Gram a matricii A, notată A , este A A A gij .
T
Matricea Gram este matrice pătratică de ordin m şi este simetrică adică gij g ji deci
A A .
T
6) Spectrul unei matrici pătratice
Dacă A este o matrice pătratică de ordin n, fie numărul real sau complex şi vectorul XRn
astfel că A.X = .X . se va numi valoare proprie a matricii A, iar X se va numi vector propriu al
matricii A.
Pentru găsirea valorilor proprii şi a vectorilor proprii X, trebuie să avem
A λE X 0 .
Acest sistem omogen are şi soluţii nenule X dacă:
P λ det A λE λ n p1λ n1 ... pn1λ pn 0
P λ se numeşte polinom caracteristic al matricii A, iar rădăcinile sale vor fi valori proprii pentru A.
Aceste n rădăcini vor fi reale sau complexe conjugate, simple sau multiple.
Mulţimea tuturor valorilor proprii ale lui A se numeşte spectrul matricii A şi se notează cu σ(A).
A max λ
λ A adică cea mai mare valoare proprie în modul, se numeşte raza
spectrală a matricii A.
Ecuaţia P λ det A λE 0 se numeşte ecuaţia caracteristică a matricii A, şi are
forma desfăşurată:
25
a11 λ a12 .... a1n
a21 a22 λ .... a2 n
0
an1 an 2 .... ann λ
De aici rezultă relaţiile:
λ1 ... λ n Tr A a11 a22 ... ann
λ1 ... λ n det A
Din ultima relaţie rezultă că rang A n dacă şi numai dacă 0 nu este valoare proprie
pentru A.
Proprietăţi ale spectrului (A)
1) (AT) = (A)
2) AB BA
3) (A) m(Am)
4) Dacă det A 0 şi λ A atunci -1(A-1)
5) 0 A dacă şi numai dacă det A 0 adică rang A n .
6) A = matrice simetrică (A = AT ) (A) conţine numai valori proprii reale
7) A = matrice ortogonală (A-1 = AT) (A) conţine numai valori proprii de modul 1
D. Clase de matrici
1) Matrici simetrice:
Avem a ji aij deci AT A adică A A2 .
2) Matrici antisimetrice:
Avem a ji aij deci AT A adică A A2
3) Matrici ortogonale:
A E deci AT A-1 şi det A 1
4) Matrici normale:
Avem AAT AT A deci A AT . Matricile simetrice, antisimetrice şi cele
ortogonale sunt normale.
5) Matrici nenegativ – definite şi pozitiv – definite:
Matricea simetrică A este nenegativ definită dacă pentru orice vector – coloană X cu n
componente reale, avem f X X AX 0 . În acest caz valorile proprii ale matricii A sunt 0 .
T
Matricea simetrică A este pozitiv definită dacă pentru orice vector – coloană X cu n
componente reale avem f X X AX 0 . În acest caz valorile proprii ale matricii A sunt 0 .
T
În mod similar se definesc matricile nepozitiv definite ( f X X AX 0 ) şi matricile
T
negativ definite ( f X X AX 0 )
T
1.2 BAZE DE VECTORI ÎN Rn
26
1.2.1 Definiţia bazei şi dimensiunii în Rn
În continuare vom conveni să scriem vectorii din Rn ca vectori-coloană cu n componente.
1) Vectorii F1,…, FnRn (m ≤ n) se numesc liniar independenţi dacă relaţia α1F1 ... αmFm
= 0 implică α1 =... αm 0 adică cei m vectori nu satisfac nici o relaţie de dependenţă liniară.
Orice submulţime a unei mulţimi de vectori liniar independenţi este formată tot din vectori
liniar independenţi.
Vectorii F1,…, FpRn (p n) generează pe Rn dacă pentru orice vector VRn există scalarii
1,…, pR astfel că V α1F1 ... α p Fp .
Dacă o submulţime a unei mulţimi de vectori generează pe Rn, atunci întreaga mulţime
generează pe Rn.
Vectorii F1,…, FnRn formează o bază în Rn dacă ei sunt liniar independenţi şi generează pe Rn.
Fie VRn cu V α1F1 ... α n Fn . Scalarii α1 ,...,α n se numesc coordonatele vectorului
V în baza F şi formează vectorul-coloană VF α1 ,...,α n .
T
Relaţia precedentă se scrie matricial V F VF unde F F1 ,...,Fn este matricea bazei
F1,...,Fn cu vectorii-coloană F1,...,Fn .
Exemplu:
Baza standard este formată din vectorii matricii-unitate:
E1 E 2 En
1n 0n 0n
E 0n 1n 0n
0 0 1n
n n
Avem Ei 1 deci E i se numesc versori. În plus Ei E j 0 , deci vectorii Ei , E j sunt
ortogonali câte doi 1 i, j n .
Dacă V = (V1,…, Vn)T, avem V V1E1 ... Vn E n , deci coordonatele lui V în baza
standard E sunt chiar componentele V1,…, Vn ale lui V ca vector din Rn.
Relaţia din chenarul de mai sus devine V E VE VE .
Oricare baze din Rn au exact n vectori, n numindu-se dimensiunea spaţiului vectorial Rn:
n
dim (R ) = n.
f11 f12 f1n
Fie F1
; F2 ;...;Fn vectori-coloană din R care formează o bază
n
f f f
n1 n2 nn
din R . Matricea F cu coloanele F1,..., Fn se numeşte matricea bazei F F1 ,F2 ,...,Fn :
n
27
F1 F2 Fn
F 11
f f12 f1n
f n1 fn2 f nn
Avem det(F) 0 şi rang F n .
Dacă det(F) > 0, baza cu matricea F are orientare pozitivă, iar dacă det(F) < 0, baza cu
matricea F are orientare negativă.
Exemplu:
F1 F2 F3
Fie matricea F
1 0 2
0 5 3
2 4 0
a) Să se arate că vectorii-coloană F1, F2 şi F3 formează o bază în R3;
5
b)
Să se găsească coordonatele vectorului-coloană v 4 în baza formată cu vectorii F1, F2 şi F3.
3
Soluţie:
a) Fie relaţia de dependenţă liniară: α1F1 α2F2 α3F3 0 , deci pe componente avem
α1 2α3 0
5α 2 3α3 0 , de unde rezultă α1 α2 α3 0 .
2α 4α 0
1 2
5
Fie un vector-coloană oarecare V din R3, de exemplu V 4 .
3
Să arătăm că există 1, 2, 3R, nu toţi nuli astfel că V α1F1 α2F2 α3F3 .
α1 2α3 5
Pe componente avem: 5α 2 3α3 4 , de unde rezultă
2α 4α 3
1 2
58 23 49
α1 ; α 2 ; α3 .
8 8 8
58 23 49
b) α1 ; α 2 ; α3 sunt chiar coordonatele vectorului-coloană V în baza
8 8 8
F1,F2 ,F3
28
Un sistem de m n vectori-coloană F1,..., Fm din Rn se numeşte ortogonal dacă vectorii
Fi , Fj sunt ortogonali câte doi, deci Fi Fj 0 .
În acest caz vectorii F1,..., Fm sunt liniar independenţi.
În adevăr, fie relaţia de dependenţă liniară:
(1) α1F1 ... αmFm 0
α2 F1 F2 ... αm F1 Fm 0 adică
2
Înmulţim scalar relaţia (1) cu F1: α1 F1
α1 F1 0 , deci α1 0 căci F1 0 .
2
În mod analog înmulţind scalar relaţia (1) cu F2,..., Fm obţinem α2 ... αm 0 .
Pentru m n sistemul F1 ,...,Fn de vectori din Rn, ortogonali câte doi, devine bază
ortogonală.
Fie în acest caz VRn cu V α1F1 ... α n Fn .
V Fi
Avem V Fi α1 F1 Fi ... α n Fn Fi αi Fi
2
, deci αi 2 1 i n
Fi
O bază ortogonală este ortonormală dacă în plus F1 ... Fn 1.
În acest caz matricea F este ortogonală F1 FT şi αi V Fi .
Exemplu:
Baza standard E este ortonormală.
1.2.2 Subspaţii vectoriale şi sisteme liniare omogene
Teorema 1.4
x1
Fie o matrice A de numere reale cu m linii şi n coloane. Mulţimea vectorilor X
din
x
n
R care satisfac sistemul liniar omogen AX 0 , este un subspaţiu vectorial L al lui R şi reciproc.
n n
Demonstraţie:
Afirmaţia directă:
1) din X’, X’’L rezultă AX’ = 0, AX” = 0 de unde A(X’ + X”) = 0 aşa că X’ + X”L
2) din XL, αR rezultă AX 0 deci α A X 0 aşa că ΑxL.
Afirmaţia reciprocă:
Fie L un subspaţiu vectorial r-dimensional al lui Rn cu baza F1 ,...,Fr .
Fie matricea F= F1 ,...,Fr de tip n x r şi rang r care are pe coloane vectorii F1,…, Fr.
Fie G1,…, Gn - rRn soluţiile liniar independente ale sistemului liniar omogen F X 0 .
T
G1,...,G nr formează o bază a subspaţiului vectorial LRn cu dim(L) = n - r
Fie matricea G= G1,...,G nr de tip n x (n - r) şi rang r, are pe coloane vectorii
G1,...,G nr .
29
Soluţiile liniar independente ale sistemului liniar G X 0 sunt vectori-coloană. F1,…,
T
FrR care generează subspaţiul vectorial LRn cu dim(L)=r . Q.E.D.
n
Din teorema 1.4 rezultă că vectorii oricărei varietăţi liniare b + L unde vectorul b nu
aparţine subspaţiului vectorial L, sunt soluţii ale sistemului liniar neomogen GT.X = b şi reciproc.
Forma parametrică a soluţiei X este dată în secţiunea 1.3.1
Exemple:
F1 F2
1 3
a) Fie LR3 subspaţiul vectorial cu baza F deci dim(L) = 2.
2 0
1 4
G1
x1 2 x2 x3 0 -8
Sistemul liniar omogen F X 0 adică are soluţia G
T
3x1 0 x2 4 x3 0
7
6
care constituie o bază pentru LR3 cu dim(L ) = 3 – 2 = 1
Sistemul liniar omogen G X 0 adică 8x1 7 x2 6 x3 0 are ca soluţii liniar
T
independente chiar pe F1 şi F2.
F1
2
b) Fie LR3 subspaţiul vectorial cu baza F
3
deci dim(L) = 1.
4
Sistemul liniar omogen FT X 0 adică 2 x1 3x2 4 x3 0 are soluţii liniar
G1 G2
-3 2
independente pe G1, G2 cu G care constituie o bază pentru LR3 cu dim(L ) = 3 – 2 = 1
2 0
0 1
3x1 2 x2 0
Sistemul liniar omogen G X 0 adică
T
are ca soluţie pe
2 x1 x3 0
F1
2
F deci chiar baza lui LR3.
3
4
30
1.2.3 Substituirea unui vector dintr-o bază şi aplicaţii.
E1 E 2 En
1 0 0
Fie E 0 1 0 baza standard în R . Fie vectorii-coloană A1,…, AmR . Aceşti
n n
0 0 1
vectori-coloană constituie matricea de tip n x m:
A1 A 2 Am
A 11
a a12 a1m
an1 an 2 anm
Avem relaţiile:
A1 a11E1 ... ah1E h .... an1E n
(1) A k a1k E1 ... ahk E h .... ank E n
A m a1m E1 ... ahm E h .... anm E n
sau sub formă de tabel:
Baza A1 ------------ Ak ------------ Am
E1 a11 a1k A1m
---------
---------
---------
---------
Eh ah1 ------------ ahk ------------ ahm
---------
---------
---------
---------
En an1 ------------ ank ------------ anm
Dacă ahk 0 , ahk se va numi pivot şi se încercuieşte. Putem înlocui vectorul Eh din bază
cu vectorul Ak din afara bazei standard. Avem:
31
A1 a '11 E1 ... a 'h1 A1 .... a 'n1 E n
(2) A k 0 E1 ... 1 A k .... 0 E n
A m a '1m E1 ... 1 A k .... a 'nm E n
sau sub formă de tabel:
Baza A1 ------------ Ak ------------ Am
E1 a’11 0 A’1m
---------
---------
---------
---------
Ak a’h1 ------------ 1 ------------ A’hm
---------
---------
---------
---------
En a’n1 ------------ 0 ------------ A’nm
Teorema 1.5
Prin substituirea vectorului Eh din baza standard cu vectorul Ak din afara bazei, avem
relaţiile de transformare a coeficienţilor:
ahj
(3) a 'hj j 1,..., m
ahk
1 i n
(4)
a
a 'ij aij ik ahj 1 j m
ahk
ih
Demonstraţie:
Înlocuind în relaţiile (2) coeficienţii daţi de relaţiile (3) şi (4) precum şi expresia lui Ak din
(1), obţinem după reducerea unor termeni, chiar relaţiile (1):
a a a
A1 a11 1k ah1 E1 ... h1 a1k E1 ... ahk E h ... ank E n ... an1 nk ah1 E n
ahk ahk ahk
a11E1 ... ah1E h ... an1E n
a a a
A m a1m 1k ahm E1 ... hm a1k E1 ... ahk E h ... ank E n ... anm nk ahm E n
ahk ahk ahk
a1m E1 ... ahm E h ... anm E n
Q.E.D.
32
Observăm că relaţiile (3) şi (4) sunt în fond transformări elementare ale liniilor matricii de
tip n m :
a11 a1m
A
a anm
n1
şi anume: Relaţia (3) specifică faptul că linia h se împarte cu pivotul ahk 0 .
Dacă m n , det A se împarte cu ahk .
aik
Relaţia (4) specifică faptul că din linia i se scade linia h, înmulţită cu factorul .
ahk
Dacă m n , det A rămâne neschimbat.
Relaţiile (3) şi (4) se constituie în regula dreptunghiului care constă în următoarele:
1) Linia pivotului se împarte la pivotul ahk .
2) Elementele din celelalte linii, se înmulţesc cu pivotul ahk , din produs se scade produsul
elementelor diagonalei a doua a dreptunghiului format iar diferenţa se împarte la pivotul ahk .
Regula 2) se bazează pe faptul că relaţia (4) se scrie sub forma echivalentă:
aij ahk aik ahj
a 'ij
ahk
Algoritmul care foloseşte numai relaţia (4) se mai numeşte algoritmul Gauss iar cel care
foloseşte relaţiile (3) şi (4) se mai numeşte algoritmul Gauss-Jordan.
Exemplu:
A1 A2
Fie în R vectorii-coloană A1, A2 cu matricea A: A
3 3 2
1 4
0 5
E1 E 2 E 3
Fie baza standard: E
1 0 0
0 1 0
0 0 1
Avem tabelul:
↓
Baza A1 A2
← E1 3 2
E2 -1 4
E3 0 5
33
Vrem să substituim pe E1 cu A1.
Pivotul este 3 şi se încercuieşte iar E1 şi A1 se marchează cu săgeţi. Pe coloana A1 se trece
1
conţinutul coloanei E1 adică 0
0
2
1) Linia pivotului se împarte la pivot: 2 se înlocuieşte cu
3
4 3 2 1 14
2) În liniile 2 şi 3 aplicăm regula dreptunghiului: 4 se înlocuieşte cu iar
3 3
5 3 0 2
5 se înlocuieşte cu 5
3
3) Tabelul iniţial devine:
Baza A1 A2
A1 1 2
3
E2 0 14
3
E3 0 5
Înlocuirea poate continua substituind pe E2 cu A2.
Aplicaţii ale metodei substituirii
A. Calculul determinantului unei matrici pătratice A
a11 a1n
Fie matricea pătratică de ordin n: A
a ann
n1
Fie E E1 , ... , E n baza standard şi A1 , ... , A n vectorii-coloană din A.
Avem tabelul iniţial:
Baza A1 ------ An
E1 a11 ------ a1n
------
------
------
En an1 ------ ann
Substituim succesiv pe E1 cu A1, ..., pe En cu An şi scoatem de fiecare dată în factor pivotul
în faţa determinantului det A . În final avem det A = Produsul celor n pivoţi înmulţit cu 1
(determinantul matricii-unitate).
Dacă întâlnim pivoţi nuli, vom permuta linii sau coloane între ele pentru a găsi pivoţi nenuli.
Fiecare permutare de linii sau coloane are ca efect schimbarea semnului pentru det A .
34
Dacă după un număr de substituiri, obţinem o linie nulă, atunci procesul de calcul se opreşte
şi det A 0 .
Exemple:
1) Să se calculeze prin metoda substituirii determinantul matricii:
2 1 0
A 3 4 1
5 1 5
Soluţie:
Avem:
↓ ↓ ↓
Baza A1 A2 A3
← E1 2 -1 0
E2 3 4 1
E3 -5 1 5
A1 1 1 0
2
← E2 0 11 1
2
E3 0 3 5
2
A1 1 0 1
11
A2 0 1 2/11
← E3 0 0 58
11
A1 1 0 0
A2 0 1 0
A3 0 0 1
11 58
Avem det A 2 1 58 .
2 11
35
2) Să se calculeze prin metoda substituirii determinantul matricii:
5 0 1
A 2 3 4
9 6 7
Soluţie:
↓ ↓
Baza A1 A2 A3
← E1 5 0 1
E2 2 3 -4
E3 9 6 -7
A1 1 0 1
5
22
← E2 0 3 5
44
E3 0 6 5
A1 1 0 1
5
22
A2 0 1 15
E3 0 0 0
Substituirea nu mai poate continua deci det A 5 3 0 0 .
B. Calculul rangului unei matrici dreptunghiulare A
a11 a1n
Fie matricea de tip m n : A
am1 amn
În secţiunea 1.1.2 C, a fost definit rangul matricii A ca fiind ordinul celui mai mare minor nenul,
numit minor principal: rang A r dacă există un minor de ordin r, nenul (minorul principal) şi
toţi minorii de ordin r 1 sunt nuli).
Avem:
1 rang A r minim m, n
36
rang A r este numărul maxim de linii liniar independente ca vectori din Rn şi este numărul
maxim de coloane liniar independente ca vectori din Rm. Cu alte cuvinte, rang A este
dimensiunea subspaţiului vectorial al lui Rn, generat de cei m vectori-linie din A şi este
dimensiunea subspaţiului vectorial al lui Rm, generat de cei n vectori-coloană din A.
Fie cazul m ≤ n.
Fie rang A r minim m, n şi fie submatricea principală de ordin r:
a11 a1r
F cu determinantul principal det F 0 .
ar1 arr
Dacă det F 0 atunci prin permutarea între ele a liniilor şi/sau permutarea coloanelor,
vom aduce minorul principal pe primele r linii şi pe primele r coloane.
Permutarea între ele a liniilor respectiv coloanelor nu schimbă rangul matricii A.
Matricea A are forma iniţială:
F G
A=
H K
unde submatricile au tipurile: Frr ; G r nr ; H mr r ; K mr nr .
Se substituie E1 cu A1, ..., Er cu Ar şi matricea capătă forma:
Baza A1 ------ Ar Ar+1 ------ An
A1 1 ------ 0 a '1, r 1 ------ a '1n
------
------
------
------
------
Ar 0 ------ 1 a 'r , r 1 ------ a 'rn
Er+1 0 ------ 0 0 ------ 0
------
------
------
------
------
Em 0 ------ 0 0 ------ 0
adică:
-1
Er F ·G
A=
O O
37
F
Notăm U de tip m r care conţine toate liniile şi numai cele r coloane principale
H
din forma iniţială a matricii A şi notăm V E r F1G de tip r n , care conţine toate coloanele
şi primele r linii principale din forma finală a matricii A după substituire.
Se verifică relaţia A U V unde rang A rang U rang V r .
Această relaţie se numeşte descompunerea bazică a matricii A.
În adevăr, primele r coloane A1 ,...,Ar ale matricii A sunt liniar independente şi constituie
matricea U iar celelalte n r coloane Ar 1 ,...,A n sunt liniar dependente de A1 ,...,Ar ,
coeficienţii de dependenţă liniară fiind cele n r coloane ale submatricii F G de tip r n r ,
1
Ar 1,...,An A1,...,Ar F1G .
În cazul m n , se lucrează cu A T de acelaşi rang cu A.
Exemplu:
2 3 1 5
Să se afle rangul matricii de tip 3 4 : A 0 1 4 7
2 4 3 12
Soluţie:
Baza A1 A2 A3 A4
E1 2 3 -1 5
E2 0 1 4 7
E3 2 4 3 12
A1 1 3 1 5
2 2 2
E2 0 1 4 7
E3 0 1 4 7
A1 1 0 13 -8
2
A2 0 1 4 7
A3 0 0 0 0
38
2 3
1 0 13/ 2 8
Avem U 0 1 ; V cu
2 4 0 1 4 7
rang A rang U rang V r 2
13
13/ 2 8 A3 A1 4A 2
Avem A3A 4 A1A 2 adică
7
2
4 A 4 8A1 7A 2
C. Calculul matricii inverse A-1 a unei matrici pătratice nesingulare
de ordin n (cu det A 0 )
Tabelul iniţial are forma:
Baza A1 ------ An E1 ------ En
E1 A11 ------ a1n 1 ------ 0
------
------
------
------
------
A E
En an1 ------ ann 0 ------ 1
Substituim pe E1 cu A1 ,...,E n cu A n şi obţinem tabelul final:
Baza A1 ------ An E1 ------ En
A1 1 ------ 0 a '11 ------ a '1n
------
------
------
------
------
-1
E A
An 0 ------ 1 a 'n1 ------ a 'nn
Exemplu:
3 1 0
Să se inverseze matricea pătratică nesingulară A 1 0 1 cu det A 1 0
0 2 7
39
Soluţie:
Baza A1 A2 A3 E1 E2 E3
E1 3 1 0 1 0 0
E2 -1 0 1 0 1 0
E3 0 2 7 0 0 1
A1 1 1 0 1 0 0
3 3
E2 0 1 1 1 1 0
3 3
E3 0 2 7 0 0 1
A1 1 0 -1 0 -1 0
A2 0 1 3 1 3 0
E3 0 0 1 -2 -6 1
A1 1 0 0 -2 -7 1
A2 0 1 0 7 21 -3
A3 0 0 1 -2 -6 1
2 7 1
Avem: A 7
1 21 3 . Se verifică relaţiile A A1 A1 A E
2 6 1
a11 x1 ... a1n xn b1
Pentru un sistem de n ecuaţii cu n necunoscute de forma: sau
a x ... a x b
n1 1 nn n n
matricial AX b cu rang A n (sau det A 0 ), soluţia unică a acestui sistem liniar are
1
forma matricială X A b unde A 1 se calculează ca mai sus.
Exemplu:
3x1 x2 2
Să se rezolve sistemul liniar: x1 x3 4 prin metoda matricii inverse.
2 x2 7 x3 3
40
Soluţie:
Avem rang A 3 , det A 1 0
2 7 1 2 35
X A b 7 21 3 4 107 deci x1 35 ; x2 107 ; x3 31
1
2 6 1 3 31
D. Calculul inversei generalizate A+ a unei matrici dreptunghiulare A
1
Dacă matricea A este dreptunghiulară de tip m n inversa obişnuită A nu există, dar
există inversa generalizată de tip n m notată A+ care a fost definită în secţiunea 1.1.2 punctul B)
1
prin relaţia AA A A analoagă relaţiei AA A A .
+
Matricea A + se poate calcula şi dacă matricea A este pătratică ( m n ) dar singulară
( det A 0 ).
Fie cazul m ≤ n
Fie 1 rang A r minim m, n
În secţiunea 1.2.3,punctul B) de mai sus, la calculul lui rang A s-a prezentat
descompunerea bazică a matricii A: A U V cu U de tip m r , V de tip r n şi
rang A rang U rang V r .
Inversa generalizată a lui A, notată A+ este de tip n m şi are forma:
A VT UT U V VT UT
1
(1)
În particular dacă matricea A este de rang maxim, în presupunerea m n , avem rang A m .
Avem A F G cu F de tip m m , nesingulară şi G de tip m n m .
După pivotare avem A E m F1G deci avem U F de tip m m şi V E m F1G de
tip m n .
Din formula (1) rezultă că pentru m n şi rang A m , avem:
A AT AAT
1
(2)
A T de tip n m cu n m deci se află AT A .
T
În cazul m n se lucrează cu
A T , rezultă: AT A AT A şi cum
1
Dacă rang A n , prin aplicarea relaţiei (2) pentru
A A
T T
rezultă prin transpunere:
A AT A AT
1
(3)
Exemple:
1 1 2 0
1)
Se dă matricea de tip 3 4 : A 1 2 3 1
0 1 1 1
Se cere inversa generalizată A+
41
Soluţie:
Calculăm ca la punctul 1.2.3 B. rangul matricii A:
Baza A1 A2 A3 A4
E1 1 -1 2 O
E2 -1 2 -3 1
E3 0 1 -1 1
A1 1 -1 2 0
E2 0 1 -1 1
E3 0 1 -1 1
A1 1 0 1 1
A2 0 1 -1 1
E3 0 0 0 0
Avem rang A 2 . Liniile 1, 2 sunt principale şi coloanele 1, 2 sunt principale.
1 1
Avem U 1 2 cu toate cele trei linii şi coloanele principale 1, 2 din matricea A iniţială.
0 1
1 0 1 1
Avem V cu toate cele patru coloane şi liniile principale 1, 2 din matricea A
0 1 1 1
finală (după substituire).
2 3 3 0 6 9
Rezultă U U ; VV
T T T T
deci U UVV
de unde:
3 6 0 3 9 18
6 3
U UVV 3 2 9
T T 1 9
9 9
1 0 3 0 3
0 1 6 3 1 2
9 9 1 1 0 1 1
Rezultă A
1 1 3 2 1 2 1 9 2 1 1
9 9
1 1 4 1 5
42
3 1 2
2) Se dă matricea de rang maxim de tip 2 3 : A
0 1 4
Se cere inversa generalizată A+
Soluţie:
Avem rang A 2 deci conform relaţiei (2) avem A A AA
T
T 1
unde:
17 7
14 7 189 189
deci AA 7 14 deci
T 1
AA
T
7 17
189 189
3 0 51 21 17 1
1 1 1 17 7 1 24 21 8 1
1
A 3
189 7 14 189 6 2 2
2 4 42
E. Calculul produsului F-1∙G unde F este matrice pătratică de ordin n
nesingulară (det (F) ≠ 0) iar G este matrice dreptunghiulară de tip n x p
Tabelul iniţial are forma:
Baza F1 ------ Fn G1 ------ Gp
E1 f11 ------ f1n g11 ------ g1p
------
------
------
------
------
F G
En fn1 ------ fnn gn1 ------ gnp
Se substituie pe rând E1 cu F1 ,...,E n cu Fn .
Tabloul final are forma:
Baza F1 ------ Fn G1 ------ Gp
F1 1 ------ 0 g '11 ------ g '1 p
------
------
------
------
------
-1
E F ·G
Fn 0 ------ 1 g 'n1 ------ g 'np
43
Exemplu:
1 0 2 2 1 0
Se dau matricile F 0 8 5 ; det F 1 0 şi G 1 0 1 . Se cere F1 G
1 0 3 0 3 5
Soluţie:
Baza F1 F2 F3 G1 G2 G3
E1 1 0 2 -2 1 0
E2 0 8 5 1 0 1
E3 -1 3 0 0 3 5
F1 1 0 2 -2 1 0
E2 0 8 5 1 0 1
E3 0 3 2 -2 4 5
F1 1 0 2 -2 1 0
F2 0 1 5 1 0 1
8 8 8
E3 0 0 1 19 4 37
8 8 8
F1 1 0 0 36 -63 -74
F2 0 1 0 12 -20 -23
F3 0 0 1 -19 32 37
36 63 74
1
Avem: F G= 12 20 23
19 32 37
F. Calculul produsului G∙F-1 unde F este matrice pătratică de ordin n
nesingulară (det (F) ≠ 0) iar G este matrice dreptunghiulară de tip m x n.
Avem GF F
1 T T 1
G T deci aplicăm cazul 1.2.3, punctul E) pentru matricile FT, GT.
Tabelul iniţial are forma:
44
Baza F1T ------ FnT G1T ------ GmT
E1 f11 ------ fn1 g11 ------ gm1
------
------
------
------
------
En f1n ------ fnn g1n ------ gmn
Se substituie E1 cu F1T , ... , E n cu FnT .
Tabelul final are forma:
Baza F1T ------ FnT G1T ------ GmT
F1 1 ------ 0 g '11 ------ g 'm1
------
------
------
------
------
-1 T
E (GF )
Fn 0 ------ 1 g '1n ------ g 'mn
La urmă avem GF GF
T
1 1 T
Exemplu:
1 0 2 2 1 0
Fie matricile: F 0 8 5 ; det F 1 0 şi G 1 0 1 . Se cere GF
1
1 3 0 0 3 5
Soluţie:
Baza F1T F2T F3T G1T G2T G3T
E1 1 0 -1 -2 1 0
E2 0 8 3 1 0 3
E3 0 5 0 0 1 5
F1T 1 0 -1 -2 1 0
E2 0 8 3 1 0 3
E3 0 5 2 4 -1 5
45
F1T 1 0 -1 -2 1 0
F2T 0 1 3 1 0 3
8 8 8
E3 0 0 1 27 -1 25
8 8 8
F1T 1 0 0 25 -7 25
F2T 0 1 0 -10 3 -9
F3T 0 0 1 27 -8 25
25 10 27
Avem după transpunere: GF 7
1
3 8
25 9 25
1.3 SISTEME DE ECUAŢII LINIARE
1.3.1 Rezolvarea şi discuţia unui sistem liniar
Fie sistemul liniar de m ecuaţii cu n necunoscute, de forma:
a11 x1 a1n xn b1 a11 a1n b1 x1
; b ; X
. Cu notaţiile: A
a x amn xn bm1 am1 amn
m1 1 bm xn
avem forma matricială a sistemului: AX=b
Fie rang A r min m, n . Presupunem că minorul principal ocupă primele r linii şi
primele r coloane.
a11 a1r
Fie F submatricea minorului principal: F cu det F 0
ar1 arr
F G
Avem A= unde G este submatrice de tip r n r , H este submatrice de
H K
tip m r r iar K este submatrice de tip m r n r .
b1
Fie matricea extinsă de tip m n 1 :
F G bp
unde bp
;
A/b =
H K bs b
r
46
br 1
bS . După pivotare în matricea extinsă
A / b , aceasta capătă forma:
b
m
-1 -1 b '1 b 'r 1
Er F ·G F ·bp 1
unde F bp
şi H F / E mr b
1 .
O(m-r)·r
-1
O(m-r)·(m-r) [-H ·F /Em-r]·b
b' b'
r m
Conform teoremei Kronecker-Capelli, sistemul liniar este compatibil dacă şi numai dacă
r rang A rang A / b .
CAZURI:
I) r rang A m
Matricea A / b este de tip m n 1 deci rang A / b minim m, n 1 şi cum
rang A rang A / b rezultă rang A / b m deci sistemul este compatibil. Dacă
rang A n , sistemul este compatibil determinat iar dacă rang A n , sistemul este
compatibil nedeterminat.
II) r rang A m
Subcazul a)
b 'r 1
H F1 / E mr b 0
b'
m
adică b este ortogonal pe Ker(AT) deci b 'r 1 b 'm 0 . Rezultă r rang A rang A / b
deci sistemul este compatibil (determinat pentru r rang A n şi nedeterminat pentru
r rang A n ).
În acest caz ultimele m r linii secundare din matricea extinsă A / b se aruncă fiind dependente
x1
b1
x 1
de primele r linii principale. Avem: E r F G
1
x F adică
r
r 1 b
r
xn
x1 xr 1 b1 x1 xr 1 b1
F1 G F1 de unde: F1 G +F1 şi completând
x x b x x b
r n r r n r
cu necunoscutele secundare xr 1 ,..., xn , obţinem:
47
x1 F G xr 1 F b p
1 1
(1) X xr 1 ,..., xn R
x E
n n r xn O n r
F1 G
Matricea U este de tip n n r şi rang U n r . Coloanele sale
nr
E
Ur+1,…, UnR sunt soluţii liniar independente ale sistemului omogen A X 0 . Aceste coloane
n
formează o bază în subspaţiul Ker(A)Rn cu dim Ker A n rang A .
F1 b p
Coloana X B R este o soluţie particulară bazică (vezi secţiunea 5.2) a
n
O nr
sistemului liniar neomogen A X b . Ea se obţine din soluţia generală a sistemului neomogen
pentru componentele nebazice nule xr 1 ... xn 0 . Cu notaţiile precedente, soluţia generală
din relaţia (1) are forma:
xr 1
(2) X U XS XB unde XS R nr
x
n
Soluţia generală X(0) = [Link] a sistemului omogen AX=0 reprezintă ecuaţiile parametrice ale
subspaţiului vectorial L ataşat sistemului omogen AX = 0 (vezi teorema 2.1), XS fiind vectorul celor
n – r parametri reali xr+1,…, xn.
Soluţia generală X = [Link] + XB a sistemului neomogen AX = b reprezintă ecuaţiile
parametrice ale varietăţii liniare b + L (bL) depinzând de aceiaşi parametri reali xr+1,…, xn.
Exemple:
1) Ecuaţia planului în R3 are forma generală a11x + a12y + a13z + a14 = 0.
Dacă a11 0 ecuaţia planului are forma parametrică:
x = (-a12 / a11)y + (-a13 / a11)z + (-a14 / a11); y = y; z = z cu parametrii reali y şi z.
2) Ecuaţiile dreptei în R3 au forma generală:
a11x + a12y + a13z + a14 = 0
a21x + a22y + a23z + a24 = 0
Dacă = a11a22 – a12a21 0, din aceste ecuaţii aflăm pe x şi y în funcţie de z:
x = 1z + 1; y = 2z + 2; z = z adică ecuaţiile parametrice ale dreptei cu parametrul z.
min im ,
2
Există o soluţie particulară unică XNRn sistemului liniar A X b cu X N
numită soluţie normală. Ea are proprietatea că este ortogonală pe subspaţiul liniar Ker A adică
UT X N 0 deci XNIm(AT).
Conform relaţiei (2) avem: U X U U XS U XB 0 deci:
T T T
1
UT U XS UT XB aşa că: XS UT U UT X B . Rezultă din relaţia (2):
X U UT U UT X B X B deci soluţia normală are forma:
1
48
X N E U UT U UT X B
1
(3)
Subcazul b)
b 'r 1
H F E mr b
1 0.
b'
m
b 'r 1
În acest caz cel puţin o componentă a vectorului-coloană: H F E mr b
1
b'
m
cu m r componente, este nenulă.
Fie de exemplu prima componentă b 'r 1 0 . În acest caz sistemul liniar este incompatibil
deoarece r rang A rang A b r 1 cu minorul nenul de ordin r 1:
Er F - 1.b p
0
01r b'r+1
Discuţia sistemului liniar este terminată.
Spre deosebire de sistemul liniar A X b care este compatibil dacă şi numai dacă
rang A rang A b sau b Ker AT , sistemul AT A X ATb este totdeauna compatibil
X se numeşte soluţie generalizată a sistemului AX b . Ea are proprietăţile:
şi soluţia sa
AX+ - b este ortogonal pe Im(A); ii) AX b minim
+
i)
Dacă c este proiecţia vectorului b pe subspaţiul Im(A) atunci X este soluţie a sistemului
compatibil AX c .
Exemplu:
3x1 x2 2 x3 x4 7
x 4 x 3x 5 x 13
1 2 3 4
Se dă sistemul liniar:
5 x1 9 x2 8 x3 11x4 α
7 x1 6 x2 7 x3 7 x4 β
Să se discute sistemul după α, β şi dacă este compatibil să se rezolve sistemul.
Soluţie:
Baza A1 A2 A3 A4 b
E1 3 1 2 1 7
E2 1 4 3 5 13
E3 5 9 8 11 α
E4 7 6 7 7
A1 1 1 2 1 7
3 3 3 3
49
E2 0 11 7 14 32
3 3 3 3
E3 0 22
3
14
3
28
3
3α 35
3
E4 0 11
3
7
3
14
3
3β 49
3
A1 1 0 5 1 15
11 11 11
A2 0 1 7 14 32
11 11 11
E3 0 0 0 0 α 33
E4 0 0 0 0 β 27
Discuţie:
Pentru α 33 sau β 27 sistemul este incompatibil. Pentru α=33 şi β=27 sistemul este
compatibil (nedeterminat căci r rang A 2 n 4 ). Ecuaţiile secundare a treia şi a patra se
aruncă. Ecuaţiile principale a întâia şi a doua se scriu:
5 1 15
x1 + x3 x4 =
11 11 11
7 14 32
x2 + x3 + x4 =
11 11 11
7 14
Adăugăm:
x1 + x3 + x4 = x3
11 11
14
x2 + x4 = x4
11
Soluţia generală a sistemului neomogen este:
x1 5/11 1/11 15/11
x 32 /11
2 7 /11 14 /11
(4) X x x
x3 1 3 0 4 0
x2 0 1 0
Primii doi termeni din membrul doi reprezintă soluţia generală a sistemului omogen
A X 0 iar al treilea termen este o soluţie particulară bazică a sistemului neomogen (obţinută din
soluţia generală a sistemului neomogen pentru x3 x4 0 ).
Coloanele principale A1 , A 2 din matricea A se numesc bazice iar celelalte coloane
secundare A3 , A 4 ca şi termenul liber b al sistemului se exprimă cu ajutorul coloanelor bazice
A1 , A2 :
50
5 1
3 11 1 11 A 2
A A
A 7 A 14 A
4 11 1 11 2
15 32
b A1 A 2
11 11
Din forma generală a soluţiei X dată de relaţia (2) rezultă:
5/11 1/11 15/11
7 /11 14 /11 32 /11
U şi X B
1 0 0
0 1 0
584
147
3209
147 3561958
minim .
2
Conform relaţiei (3) rezultă soluţia normală X N cu X N
151 49
147
156
147
Relaţia (4) se scrie şi sub forma:
5 1 15
11 x x
11
3 4
11
7
X x3
14
x4
32
11 11 11
x
3
x4
deci
2 2
5 1 15 7 14 32
X x3 x4 x3 x4 x3 x4 f x3 , x4 minim
2
11 11 11 11 11 11
Trebuie să avem:
f 5 1 15 5 7 14 32 7
x 2 11 x3 11 x4 11 11 2 11 x3 11 x4 11 11 2 x3 0
3
f 2 5 x 1 x 15 1 2 7 x 14 x 32 14 2 x 0
x4 3 4 3 4 4
11 11 11 11 11 11 11 11
51
584 /147
3209 /147
151 156
de unde rezultă x3 ; x4 deci soluţia normală: X N obţinută şi mai
147 147 151/147
156 /147
sus cu relaţia (3).
1.3.2 Soluţii generalizate ale sistemelor liniare incompatibile
Fie un sistem liniar AX b cu matricea A de tip m n , X = vector-coloană cu n
componente şi b = vector-coloană cu m componente. În plus presupunem că
rang A r rang A / b r 1 deci sistemul liniar este incompatibil deci nu există nici un
vector-coloană X astfel că A X b .
1
Prin analogie cu soluţia clasică a sistemelor compatibile determinate X A b , vom numi
soluţia generalizată a sistemului compatibil expresia X+=A+b unde A de tip n m este inversa
generalizată a matricii A, definită de relaţia AA A A (vezi secţiunea 1.1.2 B). În acest caz nu
mai avem AX b dar AX şi b sunt cei mai apropiaţi în sensul normei euclidiene după cum
arată:
Teorema 1.6
2
n m
Avem AX b aij x j bi min im pentru X X A b
2
i 1 j 1
Demonstraţie
2
m n
Fie F x1 ,..., xm aij x j bi . Anulăm derivatele parţiale ale lui F x1 ,..., xn în raport
i 1 j 1
cu x1 ,..., xn (condiţie necesară de minim):
F m n
ai1 aij x j bi 0
x1 i 1 j 1
F a a x b 0
m n
xn in ij j
j 1
i
i 1
adică:
m n m
ai1aij x j ai1bi
i 1 j 1 i 1
m n m
ain aij x j aimbi
i 1 j 1 i 1
deci matricial:
52
(1) A A X A b
T T
Soluţia generalizată X+ = A+b verifică condiţia de minim (1).
Facem demonstraţia în cazul particular rang(A) = min( m, n).
m n avem A AT AAT
1 T 1
deci X A AA
T
În adevăr, pentru b şi (1)
T 1
b ATb sau: AT AAT AAT ATb deci: ATb ATb .
1
devine: A A A AA
T T
AT deci: X AT A ATb şi (1) devine:
1 1
Pentru m n avem A A A
T
AT A AT A ATb ATb adică: ATb ATb . Q.E.D.
1
În concluzie, dacă sistemul liniar A.X = b are cel puţin o soluţie, aceasta este şi soluţia
sistemului simetric (1) iar dacă sistemul liniar A.X = b nu are soluţie, sistemul simetric (1) are
soluţia generalizată X+.
Exemplu:
Să se afle soluţia generalizată a sistemului incompatibil cu m 3 ecuaţii şi n 4
necunoscute:
x1 x2 2 x3 3
x1 2 x2 3x3 x4 6
x2 x3 1
x4
Soluţie:
Avem rang A 2 rang A / b 3 deci sistemul este incompatibil.
3 0 3
1 1 2
1
În secţiunea 1.2.3 D. am găsit: A
9 2 1 1
4 1 5
12
1 11
Soluţia generalizată este X A b . Ea verifică şi sistemul A AX A b .
T T
9 1
23
2
n m
Avem AX b aij x j bi
2
i 1 j 1
Avem:
12
1 1
0 32
1
2 3 1 6
n 11
aij x j b j 1
9 1
1 1 1 1
j 1
0
23
3 3 24 1 1
1 9 1 24 8
30 6 24 1 1
9 9 9 9 3
33 1 24 1 1
53
64 64
1 1 12
2
Rezultă: AX b minim
2 2
9 3
1.4 Mulţimi convexe în Rn
Fie o mulţime de vectori URn. Dacă X', X'' U , numim segmentul închis cu capetele
X,X mulţimea X'; X'' a vectorilor din R de forma 1 λ X' λX'' cu λ 0;1 . Mulţimea
n
U se numeşte convexă dacă pentru oriceX', X'' U avem X'; X'' U deci odată cu vectorii
X', X'' mulţimea U conţine segmentul închis care uneşte pe X', X'' .
1 p
Mulţimea convexă URn este generată de vectorii X , ..., X dacă pentru orice X U
1 p
avem X λ1X ... λ p X cu 0 λi 1 şi λ1 ... λ p 1.
Dacă U1, U2 sunt mulţimi convexe din Rn şi α,β sunt numere reale atunci U1∩U2 şi αU1 + β
U2 sunt mulţimi convexe.
Dacă A: Rn→Rm este aplicaţie liniară şi U1 este mulţime convexă din Rn şi U2 este mulţime
convexă din Rm atunci A (U1) = {A (X) / X din U1} şi A-1(U2) = {X / A(X) din U2} sunt mulţimi
convexe.
Fie sistemul liniar AX b unde A este matrice dreptunghiulară cu m linii şi n coloane, X
R este vectorul-coloană al necunoscutelor iar bRm este vectorul-coloană al termenilor liberi. În
n
cele ce urmează vom presupune condiţiile restrictive:
1) m n adică numărul ecuaţiilor este strict mai mic ca numărul necunoscutelor.
2) rang(A) = m (ecuaţiile sunt independente între ele).
În acest caz sistemul este compatibil nedeterminat (ecuaţiile sunt necontradictorii) şi
conform secţiunii 1.3.1, soluţia generală are forma:
(1) X A'm1 xm1 ... A'n xn b '
unde xm+1,…,xnR sunt parametri arbitrari. Aici A'm 1 , ..., A'n Rn sunt soluţii liniar
b '1
b 'm
independente ale sistemului A X 0 iar b ' R este o soluţie particulară bazică a
n
0
0
sistemului neomogen, obţinută din soluţia generală a sistemului neomogen pentru
xm1 ... xn 0 .
O soluţie XRn a sistemului liniar AX b se numeşte posibilă (admisibilă) dacă are toate
componentele nenegative: xi 0 1 i n .
Fie U mulţimea soluţiilor posibile X 0 a sistemului liniar AX b cu m n şi
rang A m .
O soluţie posibilă X U, X 0 se numeşte bazică dacă are m componente strict pozitive
(numite bazice) restul de n m componente fiind nule, iar coloanele din matricea A ce corespund
celor m componente bazice strict pozitive, formează o bază în Rm.
54
Exemplu:
Dacă în soluţia (1) de mai sus avem b '1 0, ..., b 'm 0 atunci soluţia b ' este bazică. O
X U, X 0 se numeşte extremală dacă X 1 λ X' λX'' cu X', X'' U ,
soluţie posibilă
X', X'' 0 implică X X' sau X X'' unde 0 λ 1 .
Cu alte cuvinte, o soluţie posibilă X 0 a sistemului liniar AX b cu m n ,
rang A m este extremală dacă ea nu este în interiorul segmentului care uneşte alte două soluţii
posibile, ci la unul din capetele segmentului.
Teorema 1.7
Orice soluţie bazică este extremală şi reciproc. Numărul acestor soluţii este finit (egal cel
mult cu C mn )
Demonstraţie:
Fie soluţia bazică X. Presupunem că X nu este soluţie extremală.
Presupunând că primele m componente ale lui X sunt nenule, din relaţia:
X 1 λ X' λX'' cu λ 0;1 rezultă: 1 λ xi' λxi'' 0 i m 1, ..., n . Cum
λ 0 , xi' , xi'' 0 , rezultă de aici că xi' xi'' pentru i m 1,..., n . Dar X',X'' sunt soluţii
posibile aşa că avem x1' A1 ... xm' Am x1''A1 ... xm'' Am b . Cum A1 ,...,A m sunt vectori-
coloană liniar independenţi (X = soluţie bazică) rezultă xi' xi'' şi pentru i 1,..., m aşa că
X' X'' absurd. Rezultă că X este soluţie extremală.
Reciproc, fie X = soluţie extremală cu xi 0 pentru i 1, ..., m .
Să arătăm că X este soluţie bazică adică vectorii-coloană A1 , ..., A m sunt liniar
independenţi. Dacă A1 , ..., A m n-ar fi liniar independenţi, am avea α1A1 ... αmAm 0 cu
α i nu toţi nuli. Dar x1A1 ... xmAm b deci rezultă egalităţile:
x1 βα1 A1 ... xm βαm Am b
x1 +βα1 A1 ... xm +βαm Am b
β poate fi ales suficient de mic astfel ca: xi βαi 0 ; xi βαi 0 pentru i 1, ..., m .
Rezultă că:
X' x1 αβ1, ..., Xm αβm , 0, ..., 0
X'' x1 +αβ1, ..., Xm +αβm , 0, ..., 0
1 1
sunt soluţii posibile şi în plus: X X' X'' ceea ce contrazice faptul că X este soluţie
2 2
m
extremală. Rezultă că X este soluţie bazică. Avem C n grupuri de m componente nenule din n
componente posibile deci avem C n soluţii extremale bazice. Q.E.D.
m
Teorema 1.8
Dacă sistemul de ecuaţii liniare AX b , X 0 are soluţii posibile, are şi soluţii posibile
bazice.
55
Demonstraţie:
Fie X o soluţie posibilă a sistemului din enunţ cu primele m componente nenule.
Să arătăm că vectorii-coloană A1 , ..., A m sunt liniar independenţi.
Dacă A1 , ..., A m n-ar fi liniar independenţi am avea X'1A1 ... X'm Am 0 cu X i nu
toţi nuli. Dacă X' X'1, ..., X'm , 0, ..., 0
notăm avem AX' 0, X' 0 deci
A X λX' AX λAX' b pentru orice real.
Să determinăm pe astfel ca X λX' 0 . Fie I1 i 1 i m, x 'i 0 şi
I2 i 1 i m, x 'i 0 şi fie:
max xi max xi
, I 0 , I2 0
λ1 i I1 x 'i ; λ 2 i I 2 x 'i
1
, I1 0 , I2 0
Este clar că pentru cu λ min λ1 ,λ 2 avem X λX' 0 . Putem alege un λ 0 astfel
ca soluţia posibilă X λ 0 X' să aibă cel mult m-1 componente nenule: dacă λ 2 luăm
λ0 λ1 iar dacă λ1 luăm λ0 λ 2 . Dacă coloanele corespunzătoare componentelor
nenule ale soluţiei X λ 0 X' (în număr de cel mult m-1) sunt liniar independente, aceasta ar fi
soluţie bazică.
În caz contrar se reia raţionamentul aplicat mai sus, obţinându-se o nouă soluţie cu cel mult
m-2 componente nenule etc., deci după un număr finit de paşi am ajunge la soluţia nulă (cu zero
componente nenule) care este evident soluţie bazică. Q.E.D.
Teorema 1.9
Mulţimea soluţiilor posibile URn ale sistemului liniar AX b , X 0 este o mulţime
convexă generată de soluţiile bazice în număr finit.
Demonstraţie:
Fie X', X'' U deci AX' b , AX'' b şi X', X'' 0 .
Pentru orice 0 λ 1 avem A 1 λ X' λX'' 1 λ AX' λAX'' 1 λ b λb b
şi în plus 1 λ X' λX'' 0 deci U este mulţime convexă.
1 p
Fie X , ..., X U astfel că pentru orice X U avem:
1
X λ1X ... λ p X p
0 λi 1; i 1, ..., p λ1 ... λ p 1
1 p
Presupunem că p este minim în raport cu aceste proprietăţi. Să arătăm că X , ..., X
1
sunt soluţii extremale (deci conform teoremei 1.7 şi bazice). Dacă de exemplu X n-ar fi soluţie
extremală am avea: X 1 λ X' λX''
1
unde X', X'' U şi 0 λ 1 . Dar
X' λ1' X ... λ'p X
1
0 λ 1 λ ... λ
p '
i
'
1
'
p 1 şi
X'' λ X ... λ X 0 λ 1 λ ... λ 1 . Rezultă:
'' 1 '' p '' '' ''
1 p i 1 p
56
1
X 1 λ λ1' X ... λ 'p X
1 p
λ λ X ... λ X
''
1
1 ''
p
p
1 λ λ1' λλ1'' X ... 1 λ λ 'p λλ ''p X
1 p
Dacă 1 λ λ1 λλ1 0 am avea:
' ''
X 1 λ λ'2 λλ''2 X ... 1 λ λ 'p λλ ''p X cu 0 1 λ λi' λλi'' 1 şi
1 2 p
1 λ λ'2 λλ''2 ... 1 λ λ 'p λλ ''p 1 contrar minimalităţii lui p.
La aceeaşi concluzie am ajunge dacă: 1 λ λ1 λλ1 1 căci am avea:
' ''
X
1 1
1 1 λ λ1 λλ1
' ''
1 λ λ '2 λλ ''2 X 1 λ λ 'p λλ ''p X
2 p
Rezultă că 1 λ λ1 λλ1 1 deci cum: 1 λ λ1 λλ1 ... 1 λ λ p λλ p 1
' '' ' '' ' ''
cu 0 1 λ λi λλi 1 avem: 1 λ λi λλi 0 pentru i 2, ..., p şi cum 0 λ 1
' '' ' ''
rezultă λi' λi'' pentru i 2, ..., p . Însă λ1 ... λ p 1; λ1 ... λ p 1 aşa că rezultă
' ' '' ''
λ1' λ1'' 1 deci am avea X' X'' absurd. Q.E.D.
Exemplu:
x1 2 x2 4 x3 3x4 10
Se dă sistemul liniar: 2 x1 5 x2 8 x3 6 x4 21
5 x 11x 20 x 15 x 51
1 2 3 4
Să se afle soluţia generală X 0 a sistemului liniar ca o combinaţie liniară convexă a soluţiilor
posibile bazice.
Soluţie:
Baza A1 A2 A3 A4 B
E1 2 4 3 10
E2 2 5 8 6 21
E3 5 11 20 15 51
A1 1 2 4 3 10
E2 0 0 0 1
E3 0 1 0 0 1
A1 1 0 4 3 10
A2 0 1 0 0 1
E3 0 0 0 0 0
Avem rang A rang A / b 2 n 4 deci sistemul este compatibil nedeterminat.
Ecuaţia secundară numărul 3 se elimină din sistem fiind liniar dependentă de primele două.
57
x1 2 x2 4 x3 3x4 10
Sistemul capătă forma: . Soluţiile posibile bazice
2 x1 5 x2 8 x3 6 x4 21
x1
x
X 2 au 2 componente strict pozitive (bazice) şi 2 componente nule (nebazice).
x3
x
4
CAZURI:
4 x 3x4 10
1) x1 x2 0 . Rezultă 3 care este sistem incompatibil
8 x3 6 x4 21
2 x 3x4 10 x2 1
2) x1 x3 0 . Rezultă 2 de unde
5 x2 6 x4 21 x4 8/ 3
0
1 1
Avem prima soluţie posibilă bazică X
0
8/ 3
2 x 4 x3 10 x2 1
3) x1 x4 0 . Rezultă 2 de unde
2
5 x 8 x3 21 x4 2
0
2 1
Avem a doua soluţie posibilă bazică X
2
0
x 3x4 10
4) x2 x3 0 . Rezultă 1 care este sistem incompatibil.
1
2 x 6 x4 21
x 4 x3 10
5) x2 x4 0 . Rezultă 1 care este sistem incompatibil.
2 x1 8 x3 21
x 2 x2 10 x1 8
6) x3 x4 0 . Rezultă 1 de unde
2 x1 5 x2 21 x2 1
58
8
1
Rezultă a treia soluţie posibilă bazică: X
3
. Conform teoremei 5.5, orice altă soluţie
0
0
x1
x
posibilă X cu xi 0 1 i 4 este combinaţia liniară convexă a soluţiilor posibile
2
x3
x4
8λ 3 8λ 3
x1 λ λ λ 1
x 1 2 3
bazice: X 2 1 2 3
λ1X λ 2 X λ 3 X 2λ 2 2λ 2 unde 0 λi 1 şi
x3
x 8λ 8λ
1
4
1
3 3
λ1 λ 2 λ3 1 .
1.5 Extremele unui polinom convex concav pe o mulţime convexă în Rn
Fie URn o mulţime convexă.
O funcţie f: U R este convexă dacă pentru orice X', X'' U şi orice λ 0; 1 avem:
(1) f 1 λ X' λX'' 1 λ f X' λf X''
O funcţie f: U R este concavă dacă pentru orice X', X'' U şi orice λ 0; 1 avem:
(2) f 1 λ X' λX'' 1 λ f X' λf X''
Dacă f, g sunt funcţii convexe / concave pe U şi α, β 0 atunci funcţia αf βg este
convexă / concavă pe U.
Exemplu
Funcţia polinomială liniară f x C X C1x1 ... Cn xn este şi convexă şi concavă
T
pe Rn.
Teorema 1.10
Funcţia f: URn R este convexă dacă şi numai dacă pentru X', X'' U avem:
(3) f X ' df X' X'' X' f X''
adică hiperplanul tangent la graficul lui f în X ' rămâne sub graficul lui f.
59
Demonstraţie:
Dacă f este funcţie convexă, din relaţia (1) rezultă:
f X' λ X'' X' f X'
f X' f X''
λ
Trecem la limită pentru t 0 , t 0 şi ţinem cont că:
f X ' λ X '' X ' f X '
lim
t 0
t 0
λ
f X ' λ X '' X ' f X '
lim X '' X ' df X ' X '' X '
t 0
t 0
X'+λ X '' X ' X '
aşa că: f X' df X' X'' X' f X'' deci relaţia (3).
Reciproc, fie relaţia (3) îndeplinită: f X' df X' X'' X' f X'' .
Schimbând pe X ' cu X'' avem:
(4) f X'' df X'' X' X'' f X'
În relaţia (3) înlocuim pe X ' cu X şi înmulţim relaţia obţinută cu :
(5) λf X λdf X X'' X f X''
În relaţia (4) înlocuim pe X'' şi înmulţim relaţia obţinută cu 1 λ :
(6) 1 λ f X 1 λ df X X' X 1 λ f X'
Adunând relaţiile (5) şi (6) obţinem: f 1 λ X' λX'' 1 λ f X' λf X''
deci f este convexă pe U. Q.E.D.
Pentru funcţia f: URn R, aceasta este concavă dacă şi numai dacă pentru orice X', X'' U
avem:
(7) f X' df X' X'' X' f X''
adică hiperplanul tangent la graficul lui f în X ' rămâne deasupra graficului lui f.
Conform formulei Taylor (vezi capitolul 2) avem:
1
f X '' f X' df X' X' X'' d 2 f X' X'' X' R 2 X'' X'' X'
2
2
Pentru X'' suficient de aproape de X ' , relaţia (3) capătă forma:
(8) d 2 f X' 0 pentru orice X' U .
deci f este convexă pe URn dacă şi numai dacă este îndeplinită relaţia (8).
În mod analog relaţia (7) capătă forma:
(9) d 2 f X' 0 pentru orice X' U .
Deci f este concavă pe URn dacă şi numai dacă este îndeplinită relaţia (9).
Exemplu:
60
Fie funcţia polinomială pătratică: f x e 2C X X DX unde D este matrice
T T
simetrică de ordin n, C este vector-coloană cu n componente iar eR.
dX1
Condiţia (8) revine la dX D dX 0 pentru orice dX
T U deci f este
dX
n
convexă dacă şi numai dacă matricea D este pozitiv definită.
dx1
U deci f este
dX D dX 0 pentru orice dX
T
Condiţia (9) revine la
dx
n
concavă dacă şi numai dacă matricea D este negativ definită.
Un criteriu ca o matrice simetrică D să fie pozitiv definită, respectiv negativ definită, este
criteriul lui Sylvester:
d11 d12 d1n
d d 22 d2n
Fie D cu d d 1 i, j n matricea simetrică a părţii XT.D.X
21
ij ji
d n1 dn2 d nn
din funcţia polinomială pătratică: f(X)= e+2.C.X+XT.D.X
Fie minorii principali:
d11 d1k
d11 d12
D1 d11 , D2 ,..., D k ,..., D n det D
d 21 d 22
d k1 d kk
Matricea D este pozitiv definită dacă şi numai dacă D1 ,D2 ,...,Dn 0 .
Matricea D este negativ definită dacă şi numai dacă D1 0, D2 0 ,..., 1 Dn 0
n
Funcţiile polinomiale pătratice convexe (cu matricile D pozitiv definită) au un minim unic dat de
relaţiile: df X 2D X 2C 0 deci punctul de minim este vectorul din Rn:
(10) X0 D1 C
0
Funcţiile polinomiale pătratice concave (cu matricea D negativ definită) au un maxim unic X ,
dat de relaţia (10).
Valoarea minimului / maximului este f X .
0
Exemple:
1) Se dă funcţia polinomială pătratică:
f x1, x2 , x3 3x12 3x22 3x32 4 x1x2 4 x1x3 4 x2 x3 6 x1 8x2 6 x3 10
Să se arate că funcţia f este convexă pe R3 şi să se găsească punctul de minim X 0 şi valoarea
minimului f X0 .
Soluţie:
61
3 2 2 3
Avem D 2 3 2 ; C 4 ; e 10
2 2 3 3
3 2
Avem D1 3 3 0 ; D2 5 0 ; D3 det C 7 deci f este funcţie convexă pe
2 3
5 2 2 3 1
0 1 1 1
3
R . Punctul de minim X este: X 0 D C 2 5 2 4 8 deci
7 7 1
2 2 5 3
1 8 1
X10 ; X 20 ; X30
7 7 7
1 8 1 196
Valoarea minimului este: f ; ;
7 7 7 49
2) Se dă funcţia:
f x1, x2 , x3 6 x12 5x22 5x32 4 x1x2 8x1x3 6 x1 4 x2 4 x3 1
Să se arate că funcţia este concavă pe R3 şi să se găsească punctul de maxim X 0 şi valoarea
maximului f X0 .
Soluţie:
6 2 4 3
Avem: D 2 5 0 ; C 2 ; e 15
4 0 5 2
6 2
Avem D1 6 6 a ; D2 26 0 ; D3 det D 50 0 deci f este
2 5
funcţie concavă pe R3. Punctul de maxim X 0 este:
25 10 20 3 15
X 0 D1 C 10 14 8 1 28
1 15 28
2
50 deci X 10 ; X 20 ;
50 50 50
20 8 26
2
8
8 15 28 8 68
X30 . Valoarea maximului este: f ; ;
50 50 50 50 25
Funcţia liniară f X C X C1X1 ... Cn X n nu are nici minim nici maxim deşi
T
este şi convexă şi concavă.
O soluţie posibilă X(0)Rn, X(0)0 a sistemului liniar AX b cu m n şi rang A m
se numeşte soluţie optimă dacă valoarea f X C
0 T
X
0
este maximă sau minimă. În
continuare ecuaţiile sistemului liniar AX b , le vom numi legături sau restricţii.
Teorema 1.11
62
Dacă o funcţie liniară f CT X cu legături liniare AX b , X 0 are soluţii optime, are
şi soluţii bazice optime.
Demonstraţie:
Fie X o soluţie optimă (de exemplu cu f CT X=minimă ) cu primele m componente
nenule. Să arătăm că vectorii-coloană A1 , ..., A m sunt liniar independenţi. Dacă A1 , ..., A m n-ar
fi liniar independenţi, ca şi în demonstraţia teoremei 1.8 am găsi soluţia posibilă X λX' 0 .
Dacă X este soluţie optimă (presupusă de minim pentru f) deci:
f X C X f X λX' C X+λC X' aşa că λC X' 0 . Nu putem avea C X' 0
T T T T T
deoarece alegând de semn contrar lui C X' am avea λC X'<0 absurd căci λC X' 0 . Rezultă
T T T
CT X'=0 aşa că X λX' este deasemenea soluţie optimă.
Ca şi în demonstraţia teoremei 1.8, soluţia optimă X λ 0 X' poate avea cel mult m-1
componente nenule deci după un număr finit de paşi ajungem la o soluţie bazică optimă. Q.E.D.
Teorema 1.12
Mulţimea soluţiilor optime V U ale unei funcţii liniare f CT X cu legături liniare
AX b , X 0 , este o mulţime convexă generată de soluţiile bazice optime în număr finit.
Demonstraţie:
Fie X', X'' V cu AX' b , AX'' b ;
X', X'' 0 ;
f X' C X'=f X'' C X''=OPTIM
T T
Pentru orice 0 λ 1 , 1 λ X' λX'' este soluţie posibilă, conform teoremei 5.5
Mai mult,
f 1 λ X' λX'' CT 1 λ X' λX''
1 λ CT X' λCT X'' 1 λ OPTIM+λ OPTIM=OPTIM
deci V este mulţime convexă. A doua parte a enunţului se demonstrează analog cu a doua parte a
enunţului teoremei 1.9. În particular dacă V se reduce la o soluţie optimă, aceasta este bazică.
Q.E.D.
Schema relaţiilor între mulţimea soluţiilor posibile U, mulţimea soluţiilor optime V,
mulţimea soluţiilor bazice U B şi mulţimea soluţiilor optime bazice VB , este următoarea:
Soluţii posibile U
Soluţii
bazice
Soluţii Soluţii V
Optime bazice
optime VB
UB
Exemplu:
63
x1 2 x2 4 x3 3x4 10
În secţiunea 1.4 s-a rezolvat sistemul liniar:
2 x1 5 x2 8 x3 6 x4 21
(a treia ecuaţie s-a înlăturat, fiind liniar dependentă de primele două) şi s-au găsit trei soluţii bazice:
0
1 0 8
2 1 3 1
1
X 0; X ;X
2 0
8
0 0
3
Mulţimea convexă U ale soluţiilor posibile X 0 ale sistemului liniar precedent este
U X R4 X λ1X λ 2 X λ3 X ; 0 λ i 1; λ1 λ 2 λ3 1
1 2 3
Dacă mulţimea convexă U este mărginită (este complet conţinută într-o sferă de rază finită)
şi închisă (îşi conţine frontiera) atunci orice funcţie liniară
f X C1X1 C2X2 C3X3 C4X4 are soluţie optimă pe U, care dacă este unică este
neapărat bazică conform teoremei 1.12
De exemplu funcţia f X X1 2X2 2X3 X4 are valorile
f X
1 14
3
;
f X 6 ; f X 10 deci f
2 3
min im
14
3
1
pentru X X şi f max im 10 pentru X X
3
1.6 Rezumat
În acest capitol se prezintă axiomele corpului numerelor reale R, axiomele mulţimii Rn ca
spaţiu vectorial, axiomele mărimilor metrice ale vectorilor (normă, distanţă, produs scalar, unghi,
produs vectorial, produs mixt).
Se prezintă deasemenea operaţiile cu matrici(adunare, scădere, înmulţire, inversa A-1,inversa
generalizată A+, sumă directă, produs direct), indicatorii numerici ai matricilor pătratice (urmă,
determinant, rang, normă).
Se definesc noţiunile fundamentale de bază şi dimensiune în spaţii vectoriale şi se aplică
aceste noţiuni la subspaţii vectoriale.
Se prezintă subspaţiile vectoriale/varietăţile liniare ca mulţimi de soluţii ale sistemelor de
ecuaţii liniare omogene/neomogene.
Metoda substituirii din secţiunea 1.2.3 are importante aplicaţii în calculul matricial.
Se prezintă rezolvarea şi discuţia unui sistem de ecuaţii liniare neomogen cu aplicaţii la
soluţii generalizate pentru sisteme liniare incompatibile.
În continuare se studiază convexitatea mulţimii soluţiilor unui sistem liniar compatibil
nedeterminat cu evidenţierea soluţiilor bazice (extremale).
În final se prezintă extremele unui polinom convex/concav pe mulţimea convexă a soluţiilor
sistemului liniar compatibil nedeterminat ca o pregătire pentru programarea liniară din cap. 3.
64
1.7 Întrebări
1. Enumeraţi definiţiile şi axiomele mărimilor metrice ale vectorilor în Rn: normă, distanţă, produs
scalar, produs vectorial, produs mixt.
2. Ce este baza şi dimensiunea în spaţiul vectorial Rn?
3. Ce aplicaţii are metoda substituirii unui vector dintr-o bază în calculul matricial?
4. Ce formă are soluţia generală a unui sistem de ecuaţii liniare?
5. Ce formă are soluţia generală a unui sistem de ecuaţii liniare ca o combinaţie liniară convexă de
soluţii bazice?
6. Cum se recunoaşte dacă un polinom de grad 2 este convex/concav şi unde se ating extremele sale
pe mulţimea convexă a soluţiilor unui sistem liniar compatibil nedeterminat?
1.8 Bibliografie
1) Stănăşilă O.: “Analiză liniară şi geometrie” Vol. I - II, Editura ALL, 2000 – 2001
2) Cenuşă Gh. şi col.: “Matematici pentru economişti”, Editura CISON, 2000
3) Cenuşă Gh. şi col.: “Matematici pentru economişti – culegere de probleme”, Editura CISON,
2000
4) Ene D.: “Matematici (I)”, Editura CERES, 2004
5) Gogonea S., Ene D.: “Analiză numerică”, Editura Cartea Universitară, 2005
6) Ene D., Gogonea S.: “Metode numerice”, Editura Cartea universitară, 2005
7) Ene D.: “Matematică aplicată în agricultură”, Editura CERES, 2006
65
CAPITOLUL 2 PROGRAMARE LINIARĂ ŞI GRAFURI ÎN
AGRICULTURĂ
Obiective: Însuşirea de către studenţi a modelelor liniare de optimizare a producţiei agricole
a rezolvării lor cu metoda simplex pe calculator şi a interpretării economice a soluţiilor optime ale
acestor modele.
Conţinut:
2.1 Modele liniare de optimizare în producţia agricolă
2.1.1 Modelul raţiei furajere optime pentru animale domestice
2.1.2 Modelul structurii optime a culturilor vegetale
2.1.3 Modelul rotaţiei optime a culturilor
2.2 Dualitatea modelelor liniare de optimizare
2.3 Găsirea soluţiilor optime pentru modelele liniare primal şi dual cu metoda simplex cu
calculatorul.
2.4 Modele de optimizare tip transport şi de repartiţie (assignment)
2.5 Drumuri optime în reţele
2.6 Eşalonarea optimă a activităţilor unui proiect agricol prin metoda drumului critic
2.7 Rezumat
2.8 Întrebări
2.9 Bibliografie
Cuvinte cheie: model liniar, dualitate, soluţie bazică optimă, metoda simplex, drum critic.
2.1 Modele liniare de optimizare în producţia agricolă şi dualitatea lor
Metoda modelării proceselor biologice, tehnice şi economice a apărut odată cu utilizarea
calculatoarelor electronice în a doua jumătate a secolului XX.
Un model schematizează un proces complex, reţinând trăsăturile considerate esenţiale din
punctul de vedere al modelatorului. Structura şi evoluţia modelului este simulată pe calculatorul
electronic, rezultatele simulării fiind confruntate cu datele procesului modelat.
Principalele avantaje ale modelării şi simulării sunt posibilităţile de analiză şi sinteză ale
procesului modelat precum şi prognoza evoluţiei sale. În funcţie de gradul de schematizare,
modelele pot fi macromodele şi micromodele.
Macromodelele sunt mai apropiate de procesul modelat dar simularea lor comportă un mare
volum de calcul. Un macromodel se poate simplifica sub forma unui micromodel în scopul uşurării
simulării cu preţul îndepărtării de procesul modelat. Arta modelării şi simulării constă tocmai în
realizarea unui compromis rezonabil între apropierea de procesul modelat şi volumul de calcul pe
care îl comportă simularea modelului. Între modelele elaborate pentru agricultură un rol deosebit îl
au modelele de optimizare.
Un model de optimizare are ca părţi componente:
1) Necunoscutele (variabilele) modelului notate cu x1 ,..., xn care sunt numere reale pozitive ce
urmează a fi determinate. Există modele în care necunoscutele x1 ,..., xn sunt numere întregi
pozitive (de exemplu efective de animale) sau chiar valori binare (0 sau 1) (de exemplu utilizarea
(1) sau neutilizarea (0) a unei maşini agricole sau a unei tehnologii); în aceste cazuri avem modele
de optimizare cu variabile întregi respectiv modele de optimizare cu variabile bivalente.
2) Restricţiile (constrângerile) modelului care sunt m inecuaţii sau ecuaţii care conţin
necunoscutele x1 ,..., xn . Membrul doi al fiecărei restricţii este limita resursei la care se referă
66
restricţia. Dacă toate restricţiile modelului sunt ecuaţii, el se numeşte model standard. Orice model
de optimizare poate fi adus la forma standard prin adăugarea la membrul întâi al restricţiilor „” şi
„=” a unor variabile de egalizare nenegative şi prin scăderea din membrul întâi al restricţiilor „” a
altor variabile de egalizare nenegative deci modelul va avea m restricţii egalităţi şi n m variabile
x1 ,..., xn ,xe1,…,xem.
3) Funcţiile-obiectiv ale modelului în număr de p, care conţin necunoscutele x1 ,..., xn şi care
trebuie maximizateminimizate sau cu un cuvânt optimizate. Dacă restricţiile modelului lipsesc
atunci se zice că avem un model de optimizare fără restricţii (liber) în caz contrar modelul este cu
restricţii (legături). Un sistem de valori pozitive pentru x1 ,..., xn care satisfac restricţiile, se
numeşte soluţie posibilă iar acele soluţii posibile care optimizează o funcţie-obiectiv, se numesc
soluţii optime în raport cu acea funcţie.
Dacă restricţiile şi funcţiile-obiectiv ale modelului sunt polinoame cu necunoscutele
x1 ,..., xn modelul se numeşte polinomial sau algebric în caz contrar modelul se numeşte
nepolinomial sau transcendent.
Dacă într-un model polinomial, polinoamele din restricţii şi din funcţiile-obiectiv au gradul
1, modelul polinomial se numeşte liniar, în caz contrar modelul polinomial este neliniar.
Un model polinomial neliniar des întâlnit este modelul polinomial pătratic cu restricţii
polinoame de gradul 1 şi funcţiile-obiectiv polinoame de gradul doi. Dacă modelul de optimizare
are o singură funcţie-obiectiv, el se numeşte model monocriterial în caz contrar se numeşte model
policriterial. Orice model policriterial se poate reduce la unul monocriterial prin înlocuirea
funcţiilor sale obiectiv cu o funcţie-obiectiv de utilitate maximă. O problemă delicată în elaborarea
modelelor apare în legătură cu restricţiile care trebuie să fie:
1) necontradictorii (să existe măcar o soluţie posibilă);
2) independente (să nu rezulte unele din altele).
În acest caz modelul de optimizare se numeşte coerent. Cu cât numărul m al restricţiilor
modelului este mai mare, cu atât pericolul contradicţiei şisau dependenţei restricţiilor creşte deci
este mai greu de elaborat un macromodel coerent decât un micromodel coerent. Modelele elaborate
la un moment dat se numesc statice.
În realitate, timpul schimbă coeficienţii constanţi ai modelului (stocuri de resurse, costuri ale
resurselor, preţurile de vânzare ale produselor) ceea ce necesită reoptimizarea modelului în raport
cu aceste schimbări.
În funcţie de caracterul mărimilor care intervin în modele, acestea pot fi deterministe (cu
mărimi precise valoric) sau aleatoare o parte sau toate mărimile au valori probabile cum sunt cele
legate de natură: precipitaţii, climă, calamităţi, etc. Cele mai multe macromodele de optimizare care
au fost elaborate pentru agicultură, se împart în două clase:
I. Modele de structură optimă pentru:
culturi agricole anuale sau perene;
rase şi grupe de animale;
furaje grupate în raţii furajere;
ramuri vegetaleanimale în cadrul fermei.
II. Modele de repartiţie optimă pentru:
rotaţia culturilor;
alocare resurse (forţă de muncă, maşini, tehnologii, energie, îngrăşăminte, apă, investiţii);
organizarea transporturilor agricole;
stabilirea preţurilor în economia de piaţă în raport de cerere-ofertă.
67
2.1.1 Modelul structurii optime a culturilor vegetale
Elementele fundamentale ale producţiei vegetale sunt: I. Soiul; II. Solul; III. Clima; IV. Raportul
cerereofertă în producţia vegetală. Etapele principale ale tehnologiei producţiei vegetale sunt:
1. Arătura
2. Pregătirea patului germinativ
3. Semănat
4. Combatere buruieni, boli şi dăunători (de cultură şi depozit)
5. Fertilizare
6. Irigare
7. Recoltare-transport-depozitare
În toate aceste etape sunt necesare următoarele resurse:
a) Forţă de muncă
b) Forţă mecanică
c) Energie (motorină, curent electric, uleiuri-lubrifianţi)
d) Ierbicide, insectofungicide
e) Îngrăşăminte chimiceorganice
f) Apă de irigaţie
g) Resurse financiare
Precizăm că resursele financiare acoperă cheltuielile cu resursele a) f) şi alte cheltuieli
precum taxe şi impozite, asigurări etc. Dintre resursele precedente, ierbicidele şi insectofungicidele
fiind specifice fiecărei culturi, s-au exprimat în lei.
Diferitele forme de energie au următoarele unităţi de măsură:
motorina se exprimă în litri(l)
curentul electric se exprimă în kilowaţi oră (kwh)
conţinutul energetic brut al produselor agricole se exprimă în unităţi nutritive (UN)
1 litru motorină = 10.15 Mcal
1 kwh = 0.86 Mcal
1 UN = 4.04 Mcal
Suprafeţele ce se vor cultiva cu culturile propuse au limite bilaterale, legate de cerereaoferta
faţă de aceste culturi. Veniturile din culturi se obţin transformând în lei valoarea produsului
principal (boabe) şi a celui secundar (paiecoceni) de pe un hectar de cultură iar cheltuielile se obţin
însumând costurile fiecărei etape din tehnologie de la arătură la recoltare-transport-depozitare plus
alte cheltuieli de pe un hectar de cultură.
Profitul este diferenţa între venit şi cheltuieli iar rata profitului este raportul între profit şi
cheltuieli.
Tabelul 1 care urmează, furnizează datele necesare pentru elaborarea micromodelului
structurii optime a culturilor. Pe baza datelor din Tabelul 1 putem elabora 6 modele liniare de
optimizare a structurii culturilor după cum urmează:
I. Optim tehnic (Venit maxim)
II. Optim tehnic (Cheltuieli minime)
III. Optim economic (Profit maxim)
IV. Optim economic (Rata profitului maximă)
V. Optim condiţionat (Venit maxim cu cheltuieli date)
VI. Optim condiţionat (Cheltuieli minime cu venit dat)
Fie L numărul restricţiilor „”, E numărul restricţiilor „=”, C numărul restricţiilor „” deci
avem M L E G restricţii aşezate în ordinea de mai sus. N este numărul variabilelor proprii
ale modelului respectiv.
68
Pentru modelele V şi VI conţinute în Tabelele 2 şi 3 avem L = 8, E 1 , G 4 deci M =
13 restricţii şi P 4 variabilele proprii x1 , x2 , x3 , x4 respectiv L = 7, E 1 , G 5 deci M = 13
restricţii şi P 4 variabilele proprii x1, x2 , x3 , x4 .
TABEL 1
Culturi Grâu Porumb Floarea Sfeclă Limite
Soarelui de zahăr
Resurse
Motorină(litri/ha) 150 180 190 200 17100 Mcal.
Combatere 50 40 60 80 5000 lei
buruieni, boli şi
dăunători
Îngrăşăminte 150 100 120 140 12500 kg
chimice
Limită MIN (ha) 30 40 10 4 Suprafaţă
Limită MAX (ha) 40 60 20 10 Totală=100 ha
Venit 1200 1500 1200 1800 Total
(lei) ≥ 1365000 lei
Cheltuieli 840 960 990 1050 Total
(lei) ≤ 92000 lei
TABEL 2
Culturi Grâu Porumb Floarea Sfeclă zahăr Semn Limite
soarelui
Restricţii X1 (ha) X2 (ha) X3 (ha) X4 (ha)
1. Grâu MAX 1 0 0 0 40 ha
2. Porumb MAX 0 1 0 0 60 ha
3. Floarea 0 0 1 0 20 ha
soarelui MAX
4. Sfeclă zahăr 0 0 0 1 10 ha
MAX
5. Motorină(litri) 150 180 190 200 17100
litri
6. Combatere 50 40 60 80 5000 lei
buruieni, boli şi
dăunători
7. Îngrăşăminte 150 100 120 140 12500 kg
chimice
8. Cheltuieli (C) 840 960 990 1050 92000 lei
9. Suprafaţa 1 1 1 1 = 100 ha
10. Grâu MIN 1 0 0 0 30 ha
11. Porumb MIN 0 1 0 0 40 ha
12. Floarea 0 0 1 0 10 ha
soarelui MIN
13. Sfeclă zahăr 0 0 0 1 4 ha
MIN
Venit (V) 1200 1500 1200 1800 MAX
69
TABEL 3
Culturi Grâu Porumb Floarea Sfeclă Semn Limite
soarelui zahăr
Restricţii X1 (ha) X2 (ha) X3 (ha) X4 (ha)
1. Grâu MAX 1 0 0 0 40 ha
2. Porumb MAX 0 1 0 0 60 ha
3. Floarea 0 0 1 0 20 ha
soarelui MAX
4. Sfeclă zahăr 0 0 0 1 10 ha
MAX
5. Motorină (litri) 150 180 190 200 17100 litri
6. Combatere 50 40 60 80 5000
buruieni, boli şi Lei
dăunători
7. Îngrăşăminte 150 100 120 140 12500
chimice Kg
8. Suprafaţa 1 1 1 1 = 100 ha
9. Venituri (V) 1200 1500 1200 1800 136500 lei
(lei)
10. Grâu MIN 1 0 0 0 30 ha
11. Porumb MIN 0 1 0 0 40 ha
12. Floarea 0 0 1 0 10 ha
soarelui MIN
13. Sfeclă zahăr 0 0 0 1 4 ha
MIN
Cheltuieli (C) (lei) 840 960 990 1050 MIN
Modelele liniare de optimizare conţinute în Tabelul 2 (model V) şi Tabel 3 (model VI) se
scriu din punct de vedere matematic sub formă de inecuaţiiecuaţii în ordinea „”, „=”, „” cu
variabile (necunoscute) nenegative şi funcţie-obiectiv optimă (maxmin). Membrii întâi ai
restricţiilor şi funcţia-obiectiv sunt polinoame de gradul întâi în raport cu variabilele respective.
Soluţia optimă a acestui model va fi dată în secţiunea 2.3
2.1.2 Modelul raţiei furajere optime pentru animale domestice
Furajele pentru animale domestice se clasifică în următoarele grupe principale:
1) Fibroase (masă verde, fânuri, furaje murate)
2) Grosiere (paie, vreji, coceni)
3) Concentrate (grăunţe de cereale, boabe de leguminoase, seminţe de oleaginoase)
4) Suculente (rădăcinoase, tuberculi, fructe)
5) Reziduri tehnice (tărâţe, turte, borhot)
6) Furaje de origine animală (făinuri de carne-oase, lapte, zer)
7) Furaje de origine minerală (sare, fosfat dicalcic)
Substanţele nutritive principale prezente în aceste furaje sunt:
a) Substanţa uscată (SU) în kg
b) Unităţi nutritive (UN)
c) Proteina digestibilă (PD) în g
d) Calciu (C) în g
e) Fosfor (P) în g
f) Caroten în mg
70
Conţinuturile nutritive pe kg furaj se găsesc în Decretul 501982 sau în buletine de analiză
ale laboratoarelor de nutriţia animalelor. Animalele se împart în rase, rasele în grupe şi grupele în
subgrupe. De exemplu, în cadrul rasei taurine există grupa vaci în lactaţie care are subgrupe după
producţii: 4000 litrilactaţie normală, 5000 litrilactaţie normală, 6000 litrilactaţie normală. În
cadrul rasei ovine există grupa oi în lactaţie cu două subgrupe: alăptare miei şi lactaţie. Fiecare
animal domestic în raport cu rasa, grupa şi subgrupa de care aparţine, are anumite cerinţe nutritive
unitare zilnice:
I. Cerinţe pentru funcţii vitale pe 100 kg corp;
II. Cerinţe pentru funcţii de reproducţieproducţie urmărite, pe kg lapte, pe kg spor etc.
De exemplu pentru vaci în lactaţie de 500 kg avem cerinţele nutritive unitare zilnice de mai
jos la care se adaugă şi sare:
Cerinţe unitare SU UN PD Ca P Caroten Sare
(kg) (kg) (g) (g) (mg) (g)
Funcţii vitale 1.6 0.9 60 5 2.6 30 4.6
(100 kg corp)
Un litru lapte/zi, 0.48 0.48 48 2.9 2.4 15 2
(4% grăsime)
Prin înmulţirea funcţiilor vitale cu 5 şi a liniei producţiei de lapte cu 15 litrizi, obţinem
cerinţele zilnice totale pentru o vacă de 500 kg şi 15 litri laptezi:
Cerinţe totale SU UN PD Ca P Caroten Sare
(kg) (kg) (g) (g) (mg) (g)
Funcţii vitale 8 4.5 300 25 13 150 23
(500 kg corp)
15 litri lapte/zi, 7.2 7.2 720 43.5 36 225 30
(4% grăsime)
Total pe 15.2 11.7 1020 68.5 49 375 53
cap şi zi
În mod analog se calculează cerinţele totale pe cap şi pe zi pentru oi în lactaţie de 50 kg şi
0.5 litri laptezi: 1.75 kg SU, 1.4 UN, 130 g PD, 9 g Ca, 5 g P, 15 mg Caroten şi 8 g. sare. Raţiile
furajere diferă după sezon: vară sau iarnă.
De exemplu pentru rumegătoare (vaci, oi, capre) vara se dau furaje masă verde şi
concentrate în timp ce iarna se dau fânuri, grosiere, suculente şi concentrate. Cantităţile de furaje pe
cap şi pe zi au şi limite bilaterale legate de fiziologia digestiei pentru fiecare rasă, grupă şi subgrupă
din care face parte animalul domestic respectiv.
Veniturile din furaje se obţin transformând în lei valoarea produselor zootehnice oferite de
respectivul animal dintr-un kg de furaj iar cheltuielile se obţin însumând costurile de
producerecumpărare, transport, depozitare şi administrare la animale a unui kg de furaj.
Profitul este diferenţa între venituri şi cheltuieli iar rata profitului este raportul între profit şi
cheltuieli. Vom nota venitul cu V, cheltuielile cu C, profitul cu P V C şi rata profitului cu
RP P / C .
Tabelul 4 care urmează, furnizează datele necesare pentru elaborarea micromodelului raţiei
furajere optime pentru o vacă de 500 kg şi 15 litri laptezi în sezonul de iarnă.
71
TABEL 4
Furaje Fân Porumb Sfeclă Tărâţe Norme
Lucernă Siloz furajeră Grâu nutritive
Resurse zilnice
SU 0.84 0.25 0.13 0.86 15.2 kg
UN 0.48 0.25 0.12 0.77 11.7 UN
PD 122 9 10 108 1020 g
Limită MIN (kg) 10 15 10 1 Greutate raţie
Limită MAX (kg) 15 25 15 3 MAX = 40 kg
Venit (lei) 0.72 0.30 0.24 0.80 Total
≥ 16.2 lei
Cheltuieli (lei) 0.52 0.20 0.18 0.60 Total
≤ 12 lei
Pe baza datelor din tabelul 1, se poate elabora un singur model liniar de optimizare a raţiei
furajere şi anume modelul II (Cheltuieli minime), deoarece venitul din raţia furajeră este funcţie
neliniară în raport cu necunoscutele (cantităţi de furaje (Kg/[Link]) prezente în raţie. Un model
neliniar pentru raţia furajeră în care intervine venitul neliniar, poate fi găsit în secţiunea 4.4.2
Fie L numărul restricţiilor „”, E numărul restricţiilor „=”, G numărul restricţiilor „” deci
avem M L E G restricţii aşezate în ordinea de mai sus.
P este numărul variabilelor proprii ale modelului respectiv. Pentru modelul conţinut în
tabelul 5 avem L 5 , E 0 , G = 7 deci M = 12 restricţii şi P 4 variabile proprii
x1, x2 , x3 , x4 .
TABEL 5
Furaje Fân Porumb Sfeclă Tărâţe Semn Limite
Lucernă Siloz furajeră Grâu
Restricţii X1 (kg) X2 (kg) X3 (kg) X4 (kg)
1. Fân MAX 1 0 0 0 15 kg
2. Porumb MAX 0 1 0 0 25 kg
3. Sfeclă MAX 0 0 1 0 15 kg
4. Tărâţe MAX 0 0 0 1 3 kg
5. Greutate 1 1 1 1 40 kg
6. SU 0.84 0.25 0.13 0.86 15.2 kg
7. UN 0.48 0.25 0.12 0.77 11.7 UN
8. PD 122 9 10 108 1020 g
9. Fân MIN 1 0 0 0 10 kg
10. Porumb MIN 0 1 0 0 15 kg
11. Sfeclă MIN 0 0 1 0 10 kg
12. Tărâţe MIN 0 0 0 1 1 kg
Cheltuieli (C) 0.52 0.20 0.18 0.60 MIN
Modelul liniar de optimizare conţinut în Tabelul 5, se scrie din punct de vedere matematic
sub formă de inecuaţiiecuaţii în ordinea „”, „=”, „” cu variabile (necunoscute) nenegative şi
funcţie-obiectiv optimă (maxmin). Membrii întâi ai restricţiilor şi funcţia-obiectiv sunt polinoame
de gradul întâi în raport cu variabilele respective.
Soluţia optimă a acestui model va fi dată în secţiunea 2.3
72
2.1.3 Modelul rotaţiei optime a culturilor vegetale
Monocultura este sistemul de amplasare a aceleiaşi culturi pe aceeaşi parcelă cel puţin doi
ani consecutivi. În acest caz în respectiva parcelă proliferează buruienile, bolile şi dăunătorii
specifici aceleiaşi culturi iar producţia culturii scade.
De exemplu mazărea, inul de ulei, lucerna şi trifoiul în monocultură duc la oboseala solului.
Rotaţia culturilor este sistemul de amplasare a unei culturi în parcele diferite în doi ani consecutivi.
În acest caz cultura succesoare luptă mai bine cu buruienile, bolile şi dăunătorii rămaşi de la cultura
premergătoare, acestea nefiind specifice culturii succesoare. Există culturi cum este floarea soarelui
care poate reveni în aceeaşi parcelă după minimum 5 ani.
Relaţia premergătoare-succesoare diferă de la caz la caz în ceea ce priveşte favorabilitatea.
Astfel o bună premergătoare pentru o succesoare, asigură pentru aceasta din urmă producţii şi
venituri mai mari şisau cheltuieli mai mici. De exemplu leguminoasele (mazărea, fasolea, soia,
lintea) sunt bune premergătoare deoarece lasă în sol îngrăşăminte cu azot pe nodozităţile rădăcinilor
datorate bacteriilor fixatoare de azot. Bune premergătoare sunt şi prăşitoarele deoarece praşilele
sunt mijloace mecanice de luptă cu buruienile.
O rea premergătoare pentru o succesoare secătuieşte solul în acele substanţe nutritive de
care ar avea nevoie în cantităţi mari şi succesoarea. De exemplu tutunul nu este bun premergător
pentru sfecla de zahăr. Elementele modelului rotaţiei optime a culturilor, sunt următoarele:
a) Necunoscutele xi sunt suprafeţe ce se vor cultiva cu succesoare după diferite
premergătoare.
b) Restricţiile sunt de mai multe feluri:
restricţii bilaterale pentru succesoare;
ocuparea întregii suprafeţe cu succesoare;
suprafeţele cu premergătoare s-au ocupat integral de către acestea.
c) Funcţiile economice sunt ca de obicei Venit, Cheltuieli, Profit, Rata profit care vor da
modelele I-IV.
Mai există şi optimul V (venit maxim cu cheltuieli date) şi optimul VI (cheltuieli minime cu
venit dat) deci optime condiţionate. L este numărul restricţiilor „”, E este numărul restricţiilor „=”
iar G este numărul restricţiilor „” deci avem M L E G restricţii şi N variabile proprii.
Tabelul 4 de mai jos conţine datele necesare pentru a elabora cele 6 modele precedente. Nu
se admite monocultură iar cheltuielileveniturile unei succesoare sunt influenţate de premergătoarea
pe care o înlocuieşte.
În căsuţa de la intersecţia liniei succesoare cu coloana premergătoarei, în partea de deasupra
sunt veniturile iar în partea de dedesupt sunt cheltuielile. Pentru modelele V şi VI conţinute în
tabelele 5 şi 6, avem L = 4, E 4 , G = 3 deci M = 11 restricţii şi P = 7 variabile proprii, respectiv
L= 3, E 4 , G = 4 deci M = 11 restricţii şi P = 7 variabile proprii x1 , x2 , ... , x7 .
73
TABEL 6
Premergătoare Limita Limita
Grâu Porumb Soia
succesoare ↓ MIN (ha) MAX (ha)
X 1200 1300
Grâu 30 50
800 700
Venit 1600
1500 lei
Porumb X 40 60
Cheltuieli 900
1000
1800 1900 2000
Sfeclă
1200 1100 1000 4 15
de zahăr
2000 1900 1800
Cheltuieli Venituri
Suprafeţe cu
40 ha 50 ha 5 ha Totale (lei) Totale (lei)
premergătoare
≤ 94000 lei ≥ 141000 lei
TABEL 7
PREMERGĂTOARE GRÂU PORUMB SOIA
Porumb Sfeclă Grâu Sfeclă Grâu Porumb Sfeclă
SEMN
SUCCESOARE zahăr zahăr zahăr
X1 (ha) X2 (ha) X3 (ha) X4 (ha) X5 (ha) X6 (ha) X7 (ha) LIMITE
RESTRICŢII ↓
1. Grâu MAX 0 0 1 0 1 0 0 50 ha
2. Porumb MAX 1 0 0 0 0 1 0 60 ha
3. Sfeclă de zahăr 0 1 0 1 0 0 1 15 ha
MAX
4. Cheltuieli (C) 1000 1200 800 1100 700 900 1000 94000 lei
5. SUPRAFAŢĂ 1 1 1 1 1 1 1 = 100 ha
6. SUPRAFAŢĂ 1 1 0 0 0 0 0 = 45 ha
Grâu premergător
7. SUPRAFAŢĂ 0 0 1 1 0 0 0 = 50 ha
Porumb
premergător
8. SUPRAFAŢĂ 0 0 0 0 1 1 1 = 5 ha
Soia premergător
9. Grâu MIN 0 0 1 0 1 0 0 30 ha
10. Porumb MIN 1 0 0 0 0 1 0 40 ha
11. Sfeclă zahăr 0 1 0 1 0 0 1 4 ha
MIN
Venituri (V) 1500 1800 1200 1900 1300 1600 2000 MAX
74
TABEL 8
PREMERGĂTOARE GRÂU PORUMB SOIA
Porumb Sfeclă Grâu Sfeclă Grâu Porumb Sfeclă
SEMN
SUCCESOARE zahăr zahăr zahăr
X1 (ha) X2 (ha) X3 (ha) X4 (ha) X5 (ha) X6 (ha) X7 (ha) LIMITE
RESTRICŢII ↓
1. Grâu MAX 0 0 1 0 1 0 0 50 ha
2. Porumb MAX 1 0 0 0 0 1 0 60 ha
3. Sfeclă zahăr 0 1 0 1 0 0 1 15 ha
MAX
4. SUPRAFAŢĂ 1 1 1 1 1 1 1 = 100 ha
5. SUPRAFAŢĂ 1 1 0 0 0 0 0 = 45 ha
Grâu premergător
6. SUPRAFAŢĂ 0 0 1 1 0 0 0 = 50 ha
Porumb
premergător
7. SUPRAFAŢĂ 0 0 0 0 1 1 1 = 5 ha
Soia premergător
8. Venituri (V) 1500 1800 1200 1900 1300 1600 2000 140000
lei
9. Grâu MIN 0 0 1 0 1 0 0 30 ha
10. Porumb MIN 1 0 0 0 0 1 0 40 ha
11. Sfeclă zahăr 0 1 0 1 0 0 1 4 ha
MIN
Cheltuieli (C) 1000 1200 800 1100 700 900 1000 MIN
Cele 2 modele liniare de optimizare conţinute în Tabelul 7 (Modelul V) şi Tabelul 8
(Modelul VI) se scriu din punct de vedere matematic sub formă de inecuaţiiecuaţii în ordinea „”,
„=”, „” cu variabilele (necunoscute) nenegative şi funcţie-obiectiv optimă (maxmin).
Soluţia optimă a acestui model va fi dată în secţiunea 2.3
2.2 Dualitatea modelelor liniare de optimizare
Modelele liniare din secţiunea precedentă conduc la extreme de funcţii liniare cu legături
liniare:
a11 x1 ... a1P xP b1
aL1 x1 ... aLP xP bL
aL1,1 x1 ... aL1,P xP bL1
1
a x ... aLE,P xP bLE
L E,1 1
aL E 1,1 x1 ... aL E 1,P xP bLE 1
aL E G,1 x1 ... aLE G,P xP bL E G
2 x1, ... , xP 0
3 f c1 x1 ... cP xP Optim
75
Fie M L E G . Avem M P restricţii liniare şi P necunoscute proprii x1, ... , xP .
AL BL x1 c1
unde submatricea A are L linii şi
Cu notaţiile: A A E ; B BE ; X ; C
L
A B x c
G G P P
P coloane, submatricea A E are E linii şi P coloane, submatricea A G are G linii şi P coloane iar
subvectorul-coloană BL are L componente, subvectorul-coloană BE are E componente şi
subvectorul-coloană BG are G componente, modelul liniar (1) (3) capătă forma matricială:
A L X BL
4 A E X BE
A X B
G G
5 X 0
6 f CT X Optim
Aici C c1 ,..., cP este transpusul vectorului-coloană C. Presupunem că rang A M
T
(restricţiile (1) sunt liniar independente). Prin introducerea a M variabile de egalizare:
xe1, ... , xeL , xeL1,..., xeLE , xeLE1, ... , xeM modelul liniar (1) (3) capătă forma standard:
a11 x1 ... a1P xP xe1 b1
aL1 x1 ... aLP xP xeL bL
aL1,1 x1 ... aL1,P xP xeL1 bL1
7
a x ... aL E,P xP xeL E bLE
L E,1 1
aL E 1,1 x1 ... aL E 1,P xP xeLE 1 bLE 1
aM1 x1 ... aMP xP xeM bM
8 x1 , ... , xP ; xe1 , ... , xeM 0
9 f c1 x1 ... cP xP 0 xe1 ... 0 xeM Optim
Cu notaţia N P M , xP1 xe1 , ... , xN xeM şi:
a11 a1N b1 x1 c1
A ; B ; X ; C
a c
M1 aMN bM xN N
76
avem forma matricială a modelului liniar standard (7) (9):
10 AX B
11 X0
12 f CT X Optim
Fie x10,…, xp0 componente ale soluţiei optime pentru modelul (10) - (12).
Structura în procente a valorii optime foptim se calculează astfel:
s1 = (c1* x10* 100)/foptim (%),…, sp = (cp* xp0* 100)/foptim (%)
Modelul standard (10) (12) numit primal are M restricţii şi N P M necunoscute:
x1,..., xP ; xe1,..., xem .
a11 a12 a1N
Fie A1
; A2
; ...; A N
vectorii-coloană din matricea A. Sistemul de
a a a
M1 M2 MN
restricţii liniare (10) de forma AX B se poate scrie sub forma: x1A1 ... xN A N B
Modelul liniar (1) (3), numit şi model primal, admite un model liniar dual de forma:
a11y1 ... aL1y L aL1,1y L1 ... aLE,1y LE aL E 1,1y LE 1 ... aM1y M c1
13
a y ... a y a y ... a
1P 1 LP L L+1,P L 1 L+E,P y L E aL E 1,P y L E 1 ... aMP y M cP
14 y1,..., y L 0, y L1,..., yL+E oarecare, y L+E+1,..., y M 0
15 g b1y1 ... bL yL bL+1yL+1 ... bL+E y L+E bL+E+1y L+E+1 ... bM y M min im
Pentru g maxim, semnele „” din cele M restricţii (13) se vor înlocui cu „”. Modelul dual
(13) (15) cu P restricţii şi M necunoscute duale proprii y1 , ... , yM devine standard prin
introducerea a P variabile duale de egalizare: ye1, ... , yeP . Modelul dual standard are forma:
a11y1 ... aM1y M ye1 c1
16
a y ... a y ye c
1P 1 MP M P P
17 y1,..., yL 0, yL+1,..., y L+E oarecare, y L+E+1,..., y M 0; ye1,..., yeP 0
18 g 0 ye1 ... 0 yeP b1y1 ... bM y M min im
Pentru g maxim, pe ultima coloană a membrului I al restricţiilor (16) vom avea:
+ye1, ... , +yeP . Modelul standard dual (16) (18) are forma matricială:
77
19 AT Y C
20 Y oarecare
21 g BT Y optim dual
Aici Y oarecare este dat de (17) iar optimul dual este minim pentru f maxim şi maxim pentru
f minim. Modelul standard dual are P restricţii şi N P M necunoscute: ye1, ... , yeP ;
y1, ... , yM .
Exemplu:
Fie problema de optimizare primală:
4x1 + x2 ≤ 5
3x1 + 2x2 = 7
2x1 + 3x2 ≥ 10
x1,x2 ≥ 0
----------------------
f = 6x1 + 3x2 = maxim
În acest model primal avem P = 2 necunoscute proprii x1, x2 şi M = 3 restricţii.
În modelul dual avem M = 3 necunoscute proprii y1, y2, y3 şi P = 2 restricţii.
Luând coeficienţii de pe coloanele modelului primal, obţinem modelul dual:
4y1 + 3y2 + 2y3 ≥ 6
y1 + 2y2 + 3y3 ≥ 3
y1 ≥ 0; y2 = oarecare; y3 ≤ 0
-----------------------------------
g = 5y1 + 7y2 + 10y3 = minim
Se numesc concordante, restricţiile “≤“ cu fmaxim şi restricţiile “≥“ cu fminim.
Se numesc neconcordante, restricţiile “≥“ cu fmaxim şi restricţiile “≤“ cu fminim.
Restricţiile concordante din modelul primal corespund cu variabile duale proprii nenegative
în modelul dual iar restricţiile neconcordante din modelul primal corespund cu variabile proprii
nepozitive în modelul dual. Restricţiile egalităţi în modelul primal corespund cu variabile duale
proprii oarecare în modelul dual.
În modelul primal de mai sus prima restricţie este concordantă cu f deci y1 ≥ 0, a doua
restricţie este egalitate deci y2 este oarecare iar a treia restricţie este neconcordantă cu f deci y3 ≤ 0.
În modelul primal avem x1, x2 ≥ 0 deci în modelul dual restricţiile trebuie să fie concordante
cu gminim deci trebuie să fie de forma “≥“. Dacă în modelul primal am fi avut fminim atunci în modelul
dual am fi avut gmaxim deci cele două restricţii din modelul dual, concordante cu gmaxim, ar fi fost de
forma “≤“.
Ca şi modelul liniar primal, modelul liniar dual are soluţii posibile, bazice, optime.
Proprietăţi ale dualităţii:
Teorema 2.1 (Teorema de dualitate)
Fie problemele:
78
Primala Duala
AX b AT Y c
X0 Y0
f c T X min im g b T Y max im
Avem unul din cazurile:
1) Primala şi duala au soluţii posibile deci au şi soluţii optime şi optimele lor coincid:
f min im gmax im
2) Primala are soluţii posibile iar duala nu are soluţii posibile sau invers. În acest caz problema
care are soluţii posibile are optim infinit: f min im ; gmax im
3) Primala şi duala nu au soluţii posibile
Demonstraţie:
Folosim următoarea consecinţă a lemei Farkaş-Minkovski (fără demonstraţie): dacă U este o
UZ 0
matrice antisimetrică (cu U U ) sistemul de inecuaţii liniare:
T
are cel puţin o soluţie
Z 0
0 A T c X
Z cu UZ Z 0 . Luăm: U A 0 b şi Z Y cu tR deci avem:
c T bT 0 t
X X X X
U Y 0 ; Y
0 ; U Y Y 0
t t t t
sau: A Y tc 0 ; AX tb 0 ; c X b Y 0 ; X ,Y , t 0 ;
T T T
X AT Y tc 0 ; AX Y tb 0 ; cT X bT Y t 0 .
Cazuri
1 1
a) t 0 deci cu notaţiile X X ; Y Y relaţiile precedente devin: AT Y c ;
t t
AX b ; cT X bT Y ; X,Y, t 0 ; AT Y X c ; AX Y b ; cT X bT Y 1. De aici
rezultă că X, Y sunt soluţii posibile ale problemei primale respectiv duale. Ele sunt chiar soluţii
optime. Înmulţind AX b cu Y 0 obţinem Y AX b Y şi înmulţind Y A c cu
T T T T T
1
X 0 obţinem bT Y cT X . Dar mai sus am găsit că cT X=bT Y aşa că deci pentru X X ,
t
1
f cT X îşi atinge minimul şi pentru Y Y , g bT Y îşi atinge maximul şi aceste extreme
t
coincid, X, Y fiind deci soluţii optime. Cazul 1) al teoremei este demonstrat.
79
b) t 0 . În acest caz relaţiile precedente devin: AT Y 0 ; AX 0 ; cT X bT Y ;
X ,Y 0 ; X AT Y ; Y AX ; cT X bT Y . De aici rezultă că primala şi duala nu au
simultan soluţii posibile. În adevăr, dacă prin absurd primala ar avea soluţia posibilă X ' iar duala
ar avea soluţia posibilă Y ' am avea: AX' b ; X' 0 şi A Y' c ; Y' 0 deci cu relaţiile de
T
bT Y AX' Y X'T AT Y 0
T
mai sus, am obţine: şi respectiv
bT Y cT X AT Y' X (Y')T AX 0 deci o contradicţie. Dacă primala şi duala nu
T
au simultan soluţii posibile, avem subcazurile:
b) Una din problemele duale are soluţii posibile iar cealaltă nu are. Fie de exemplu situaţia
când primala are soluţia posibilă X ' iar duala nu are soluţie posibilă. În acest caz şi
X' λX cu λ 0 este soluţie posibilă a primalei: X ,X',λ 0 implică X' λX 0 şi
în plus A X' λX AX' λAX b deoarece AX' b şi de mai sus avem:
AX 0 . Avem de mai sus : cT X bT Y AX' Y X'T ATY 0 deoarece
T
X'T 0 şi AT Y 0 deci funcţia-obiectiv f cT X' λX cT X' λcT X tinde la
pentru λ deci primala are optim infinit. Cazul 2) este demonstrat.
b") Nici primala nici duala nu au soluţii posibile. Cazul 3) este demonstrat. Q.E.D.
Teorema 2.2 (a ecarturilor complementare)
Fie X soluţie posibilă a problemei primale:
AX b
X0
f c T X min im
şi fie Y soluţie posibilă a problemei duale:
AT Y c
Y0
f bT Y max im
X, Y sunt soluţii optime pentru primală respectiv pentru duală dacă şi numai dacă:
a) YT AX b 0 şi
b) c A Y X 0
T
Demonstraţie:
Dacă X, Y sunt soluţii optime pentru primală respectiv pentru duală, atunci conform teoremei de
A Y
T
dualitate 2.1 cazul 1), avem: c X b Y şi cum
T T T
YT A şi bT Y YT b , rezultă:
YT AX b c AT Y X 0 .
T
Însă AX b ; AT Y c ; X, Y 0 aşa că:
YT AX b 0 şi c AT Y X 0 deci în final YT AX b 0 şi c AT Y X 0 .
T T
80
AX b 0 c A Y
T
Reciproc, dacă Y
T
şi
T
X 0 prin adunare, după reducerea lui
YT AX AT Y X şi cu YT b bT Y, rezultă că cT X bT Y 0 deci cT X bT Y aşa că
T
conform punctului a) din demonstraţia teoremei de dualitate 1.1, rezultă că X, Y sunt soluţii optime
pentru primală respectiv duală. Q.E.D.
Observaţie:
Relaţiile din teorema ecarturilor complementare 6.2, numite şi condiţiile Kuhn-Tucker se scriu:
a) AiT X bi yi 0 i 1, ... , m
b) YT A j c j x j 0 j 1, ... , n
În adevăr, relaţiile din teorema ecarturilor complementare1.2, se scriu:
y1 A1T X b1 ... yn ATmX bm 0;
x1 c1 yT A1 ... xn cn YT An 0.
şi cum termenii din cele două sume sunt mai mari sau egali cu zero, rezultă că toţi termenii trebuie
să fie zero:
yi AiT X bi 0 i 1, ... , m
x j c j YT A j 0 j 1, ... , n
de unde rezultă cele afirmate în enunţul din observaţie.
Teorema 2.3
Fie X o soluţie optimă a primalei:
AX b
X0
f c T X min im
şi fie Y o soluţie optimă a dualei:
AT Y c
Y0
g bT Y max im
Avem relaţiile:
g
a) xj j 1, ... , n
c j
f
b) yi i 1, ... , m
bi
Demonstraţie:
Modificăm componentele lui b în b ' b b astfel ca, componentele bazice ale lui X să
rămână aceleaşi, modificându-se doar valoarea lor deci obţinem o nouă soluţie optimă X
81
corespunzătoare tot lui Y. Conform teoremei de dualitate 2.1, cazul 1) avem: c X b Y ;
T T
f
cT X'= b+b Y aşa că f cT X' cT X= b Y deci: Y
T T
adică pe componente:
b
T
f
yi i 1, ... , m
bi
g
Relaţiile x j j 1, ... , n se demonstrează în mod analog.
c j
În concluzie, variabilele yi măsoară variaţia funcţiei-obiectiv a primalei Δf provocată de
variaţia unitară a limitelor de restricţie Δbi = 1. Din această cauză variabilele duale y i se numesc
preţuri-umbră sau costuri de oportunitate.
Interpretarea variabilelor primale xi este analoagă. Q.E.D.
2.3 Găsirea soluţiilor optime pentru modelele primal şi dual cu metoda simplex
Din cele prezentate în secţiunea 1.5 rezultă că, cunoaşterea soluţiilor bazice optime permite
găsirea oricărei soluţii optime. De regulă modelele liniare au o singură soluţie optimă care este
N N 1 ... N M 1
obligatoriu bazică. Numărul soluţiilor bazice este cel mult: C N
M
1 2...M
De exemplu pentru modelul raţiei furajere optime ca şi pentru modelul structurii optime a
20 19 18 17
20 C20
C16 4845 soluţii bazice în timp ce pentru
4
culturilor avem cel mult:
1 2 3 4
modelul rotaţiei optime a culturilor avem cel mult C13 23 C23 1144066 soluţii bazice.
10
Căutarea exhaustivă a soluţiei bazice optime este laborioasă, de aceea a fost elaborată o
metodă mai rapidă de optimizare numită metoda simplex. Această metodă pleacă de la o soluţie
bazică iniţială pe care o schimbă cu una mai bună (pentru care funcţia f se apropie de optimul ei), pe
aceasta o schimbă cu una mai bună etc. până se ajunge la o soluţie bazică optimă.
Prin aceasta se evită inspectarea soluţiilor bazice mai puţin bune ca soluţia bazică iniţială; în
plus la trecerea de la o soluţie bazică la alta mai bună, se schimbă o componentă bazică cu acea
componentă nebazică care asigură cea mai mare variaţie a funcţiei f, deci se micşorează în mod
semnificativ volumul de calcul.
1) Probleme de optimizare cu soluţie bazică iniţială
Fie problema de optimizare de forma:
a11 x1 ... a1 p x p b1
am1 x1 ... amp x p bp
x1 ,..., x p 0
f c1 x1 ... c p x p max im
Forma standard a problemei este:
82
a11 x1 ... a1 p x p x p 1 b1
am1 x1 ... amp x p ...... x p m bp
x1 ,..., x p ; x p 1,..., x p m 0
f c1 x1 ... c p x p 0 x p 1 ... 0 x p m max im
Această problemă are soluţia bazică particulară iniţială:
X x1 0,...x p 0; x p1 b1,..., x pm bp
0
Notăm mai departe p m n şi aranjăm datele problemei în tabelul simplex iniţial de mai
jos. Coloana C B conţine coeficienţii din f ai variabilelor bazice, coloana VB conţine variabilele
bazice iar coloana X B valorile variabilelor bazice. În restul tabelului se trec coeficienţii
c1, ... , c p , c p1, ... , cn ai variabilelor din f pe linia C f şi coeficienţii aij ai matricii
A B/ E din restricţiile formei standard.
Pe ultima linie a tabelului se găsesc valoarea iniţială a funcţiei f CB b şi diferenţele
CB A c CBB c; 0 .
Cf c1 -------- cp Cp+1 -------- cn
CB VB XB x1 -------- xp Xp+1 -------- xn
cp+1 xp+1 b1 a11 -------- a1p 1 -------- 0
--------
--------
--------
--------
--------
--------
--------
B E
cn xn bp ap1 -------- app 0 -------- 1
f 1 -------- p 0 -------- 0 k
Forma finală din ultimul tabel simplex a soluţiei bazice optime a primalei va fi:
X B1b; 0 , a soluţei bazice optime a dualei va fi: Y 0; CBB1 , a matricii va fi:
A E / B1 .
Deasemenea valoarea optimă a funcţiei va fi: f max g min CBB1b iar diferenţele
0; CBB1 c Y c . De aici rezultă Y C deci soluţia bazică optimă a dualei se
obţine din ultimul tabel simplex, adunând diferenţele Δ din acest ultim tabel cu coeficienţii c de
deasupra primului tabel, aflaţi în dreptul variabilelor bazice ale primului tabel simplex.
Trecerea de la un tabel simplex la tabelul următor se face conform teoremei:
Teorema 2.4 (Criteriul de optim)
Avem cazurile:
I Toate diferenţele Δ sunt 0 în probleme de maxim (toate diferenţele Δ sunt 0 în probleme
de minim). În acest caz soluţia bazică corespunzătoare este optimă.
83
II Există diferenţe 0 în probleme de maxim (există diferenţe 0 în probleme de
minim). Fie k diferenţa cea mai negativă în probleme de maxim ( k diferenţa cea mai pozitivă în
probleme de minim). Această alegere a lui k asigură cea mai rapidă apropiere a lui f de optimul
său.
Avem subcazurile:
a) Toate elementele coloanei lui k sunt: a1k 0,..., a pk 0 . În acest caz problema are
optim infinit.
xi x
b) Există pe coloana lui k elemente aik 0 . În acest caz, notând: θ min h , ahk
aiK 0 a ahk
ik
se numeşte pivot şi se încercuieşte în tablou.
Ca pivoţi se aleg totdeauna elemente strict pozitive pentru ca f să se apropie de optimul ei
(dacă pivotul ar fi zero, θ ar fi infinit iar dacă pivotul ar fi negativ, am avea θ 0 deci f s-ar depărta
de optimul ei).
Variabila xh de pe linia pivotului devine nebazică şi variabila xk de pe coloana pivotului
devine bazică, marcându-se cu săgeţi această schimbare. Soluţia bazică cu componentele nenule din
coloana X B se îmbunătăţeşte, transformând întregul tablou cu regula dreptunghiului:
1) elementele de pe linia pivotului se împart la pivot;
2) elementele de pe celelalte linii se înmulţesc cu pivotul, din produs se scade produsul
elementelor diagonalei a II a a dreptungiului iar diferenţa obţinută se împarte la pivot.
Aplicând regula dreptungiului pentru valoarea funcţiei f avem relaţia: f ' f θ hk .
Tot regula dreptunghiului se aplică şi pentru calculul diferenţelor Δ.
Demonstraţie:
Cazul I)
Fie X x1 ,..., xn soluţia bazică din enunţ şi X' x1 ,..., xn o altă soluţie bazică.
' '
Să arătăm că pentru o problemă de maxim, în condiţiile cazului I) avem c X' C X deci X este
T T
soluţie bazică optimă. Avem:
A1 a11A p 1 ... a p1A n
A a A ... a A
p 1p p 1 pp n
unde A1 ,...,A p , A p1,...,A n sunt vectorii-coloană ai matricii A. De asemenea avem:
b x p1A p1 ... xn An deoarece x1 ... x p 0 (componente nebazice). Însă:
b x1' A1 ... x 'p A p x 'p 1A p 1 ... xn' A n
x1' a11A p 1 a p1A n ... xn' a1 p A p 1 a pp A n x 'p 1A p 1 ... xn' A n
a11 x1' ... a1 p x 'p x 'p 1 A p 1 ... a p1 x1' ... a pp x 'p xn' A n
Egalând cele două valori ale lui b şi ţinând cont că A p1 , ... , An formează o bază în Rm, rezultă:
84
a11x1' ... a p1x 'p x 'p1 x p1
a x' ... a x ' x ' x
1p 1 pp p n n
Vom avea:
CT X c p 1 x p 1 ... cn xn
c p 1 a11 x1' ... a1 p x 'p x 'p 1
cn a p1 x1' ... a pp x 'p xn'
x1' c p 1a11 ... cn a p1
x 'p c p 1a1 p ... cn a pp
x 'p 1c p 1 ... xn' cn
1 c p 1a11 ... cn a p1 c1 0
Dar: aşa că rezultă:
p c p 1a1 p ... cn a pp c p 0
CT X x1' c1 ... x'pc p x'p1c p1 ... xn' cn CT X'
Cazul II a)
Avem: b x p1A p1 ... xn An şi ak a1k Ap1 ... apk An deci pentru orice λ 0 avem:
b x p1 λa1k A p1 ... xn λapk An λa1k A p1 ... λapk A n deci avem şi
x j λa jk , j p 1,..., n
soluţia posibilă X' x1 ,..., xn
' '
cu x j λ
'
, jk
0 , j 1,..., p, j k
Avem:
85
CT X' λck x p+1 λa1k c p1 ... xn λamk cn
x p 1c p 1 ... xn cn λ c p 1a1k ... cn a pk ck
Cum k c p1a1k ... cn a pk ck 0 pentru o problemă de maxim, rezultă că pentru
suficient de mare, C X' poate fi oricât de mare deci problema are optim infinit.
T
Cazul II b)
Xh a
După aplicarea regulei dreptunghiului: X k
'
; xi xi ik X h
'
i k obţinem o nouă
ahk ahk
soluţie bazică X' x1 ,..., xn . În adevăr, xh 0 , ahk 0 deci X'k 0 . Deasemenea
' '
Xi X h
Xi ,Xh 0 , ahk 0 deci dacă aik 0 avem din definiţia lui θ: deci din nou
aik ahk
xi' 0 i k . În plus AX' b deoarece: x1' A1 ... xk' Ak ... xn' An b adică:
a1k x a
x1 xh A1 ... h Ak ... xn nk xh A n b
ahk ahk ahk
sau:
xh
x1A1 ... xn A n A k a1k A1 ... ank A n x1A1 ... xn A n b
ahk
deoarece Ak a1k A1 ... ank An . Pentru noua soluţie bazică găsită X ' avem:
a x a
CT X ' c1 x1' ... ck xk' ... cn xn' c1 x1 1k xh ... ck h ... cn xn nk xh
ahk ahk ahk
x x
c1 x1 ... cn xn h c1a1k ... cn ank ck CT X h k
ahk ahk
adică: f ' f θ k
În cazul problemei de maxim avem θ 0 , k 0 deci f ' f aşa că soluţia se
îmbunătăţeşte.
În cazul problemei de minim avem θ 0 ; k 0 deci f ' f aşa că soluţia se
îmbunătăţeşte. Q.E.D.
Exemplu:
Fie problema de optimizare:
4 x1 x2 4
2 x1 3x2 6
x1 , x2 0
f 6 x1 7 x2 max im
Forma standard a problemei este:
86
4 x1 xe1 4
2 x1 3xe2 6
x1 , x2 ; xe1 , xe2 0
f 6 x1 7 x2 0 xe1 0 xe2 max im
Problema are soluţia bazică iniţială: X
0
x1 0; x2 0; xe1 4; xe6 6 iar valoarea
iniţială a funcţiei-obiectiv este f 0 0 . Avem trei tablouri simplex rezultate din aplicarea teoremei
2.4:
↓ ↓
Cf 6 7 0 0
CB VB XB x1 x2 xe1 xe2
0 xe1 4 4 1 1 0 6
7
→ 0 xe2 6 2 3 0 1 min
3
Δ f1 = 14 -6 -7 0 0 Δk = -7
6
→ 0 xe1 2
10
0 1
1 min
3 3 10
2 1
7 x2 2 1 0 3
3 3
4
Δ f0 = 0
4
0 0
7 k
3 3 3
6 3 1
6 x1 1 0
10 10 10
16 2 4
7 x2 0 1
10 10 10
4 22
Δ f2 = 14.8 0 0 0
10 10
Soluţia bazică optimă a primalei: x1 0.6 ; x2 1.6
Valoarea maximului f max im 14.8
Problema duală are forma:
87
4y1 2y 2 6
y1 3y 2 7
y1 , y 2 0
g 4y1 6y 2 min im
Soluţia bazică optimă a dualei este:
4
y1 3 c3 0 0.4
10
22
y 2 4 c4 0 2.2
10
Valoarea minimă a funcţiei-obiectiv duale este gmin im 14.8 f max im
2) Problema de optimizare fără soluţie bazică iniţială
Dacă problema de optimizare sub forma standard nu are o soluţie bazică iniţială, se adaugă
în membrul I al restricţiilor care nu conţin variabile bazice, variabile auxiliare care sunt şi bazice şi
se minimizează suma h a variabilelor auxiliare.
Dacă acest minim este zero, nici o variabilă auxiliară nu mai este bazică şi avem o soluţie
bazică iniţială care se optimizează în raport cu funcţia-obiectiv f.
Exemplu:
Fie problema de optimizare:
x1 2 x2 3x3 12
3x1 x2 4 x3 8
x1 , x2 , x3 0
f 6 x1 7 x2 10 x3 max im
Nici una din restricţii nu conţine variabile bazice deci vom adăuga în membrul I al restricţiilor,
variabilele auxiliare xa1 , xa2 care sunt şi bazice şi vom minimiza funcţia h xa1 xa2 :
x1 2 x2 3x3 xa1 12
3x1 x2 4 x3 xa2 8
x1 , x2 , x3 ; xa1 , xa2 0
h xa1 xa2 min im
↓
Cf 0 0 0 1 1
CB VB XB x1 x2 x3 xa1 xa2
12
1 xa1 12 1 2 3 1 0
3
8
→ 1 xa2 8 3 1 4 0 1 min
4
Δ h0 = 20 4 3 7 0 0 Δk = 7
5 5 3 24
1 xa1 6 0 1 min
4 4 4 5
88
3 1 1
0 x3 2 1 0 8
4 4 4
5 5 7 5
Δ h1 = 6 0 0 k
4 4 4 4
24 4 3
0 x2 -1 1 0
5 5 5
4 1 2
0 x3 1 0 1
5 5 5
Δ h2 = 0 0 0 0 -1 -1 0
Ultimul tabel simplex de mai sus furnizează o soluţie bazică iniţială care se optimizează tot
cu metoda simplex faţă de funcţia-obiectiv f:
↓
Cf 6 7 10
CB VB XB x1 x2 x3
24
7 x2 -1 1 0
5
4 4
→ 10 x3 1 0 1 min
5 5
Δ f0 = 41.6 -3 0 0 Δk = -3
28
7 x2 0 1 1
5
4
6 x1 1 0 1
5
Δ f1 = 44 0 0 3 0
4 28
Soluţia bazică optimă a primalei este: X x1 ; x2 ; x3 0 şi f max 44
5 5
Problema de optimizare duală are forma:
y1 3y 2 6
2y1 y 2 7
3y1 4y 2 10
y1 , y 2 oarecare
g 12y1 8y 2 min im
Soluţia bazică optimă a dualei este: Y y3 3; y2 1 ; gmin 44 f max
89
Implementarea metodei simplex se face prin mai multe procedee:
1) Program direct de calcul într-un limbaj de programare.
Exemplu: Programul OPTIMF (vezi Anexa 1 din lucrarea autorului [53]) în unul din
limbajele GWBASIC, QBASIC, QUICKBASIC 4.5 (QB)
2) Programe de firmă specializate pe cercetări operaţionale ca MS, QM, MSS, WINQSB.
3) Produse informatice care lucrează cu tabele de calcul precum EXCEL sau QUATTRO.
4) Produse informatice profilate pe calcul matricial precum MATLAB.
Programul OPTIMF poate fi rulat cu QUICKBASIC (lansat cu QB) precum şi cu versiunile
mai vechi GWBASIC (lansat cu GWBASIC) şi QBASIC (lansat cu QBASIC). Datele necesare
pentru programul OPTIMF sunt:
a) Parametrii modelului liniar L, E, G, P, Z;
b) Matricea A de tip M x P a coeficienţilor din membrul I al restricţiilor;
c) Vectorul b de lungime M al membrului II din restricţii;
d) Vectorul c de lungime P al coeficienţilor funcţiei-obiectiv;
e) (Opţional) Dacă există şi alte funcţii, asemănătoare cu funcţia-obiectiv, trebuie declarat
numărul lor apoi se cer coeficienţii acestor funcţii; programul OPTIMF calculează valorile
acestor funcţii auxiliare pentru soluţia bazică optimă a primalei.
Dacă de exemplu funcţia-obiectiv este venitul, funcţiile auxiliare pot fi cheltuielile, profitul
şi rata profitului. În final soluţia bazică optimă pentru care venitul este maxim, va da şi cheltuielile,
profitul şi rata profitului aferente acestui optim.
Exemplu:
Să se rezolve problema de programare liniară primală următoare cu programul OPTIMF şi
cu SOLVER din EXCEL:
4x1 + x2 ≤ 5
3x1 + 2x2 = 7
2x1 + 3x2 ≥ 10
x1, x2 ≥ 0
-----------------------
f = 6x1 + 3x2 = maxim
Funcţia auxiliară fa = 5x1 + 8x2
Soluţie:
Problema duală are forma (vezi secţiunea 2.2 exemplul 1):
4y1 + 3y2 + 2y3 ≥ 6
y1 + 2y2 + 3y3 ≥ 3
y1 ≥ 0; y2 = oarecare; y3 ≤ 0
------------------------------------
g = 5y1 + 7y2 + 10y3 = minim
Prin indroducerea de variabile de egalizare, problemele primală şi duală capătă forma
standard (au numai restricţii egalităţi).
Această operaţie o face programul!
Aceste forme standard sunt:
Primala:
4x1 + x2 + xe1 = 5
3x1 + 2x2 + xe2 = 7
2x1 + 3x2 - xe3 = 10
x1, x2, xe1, xe2, xe3 ≥ 0
-----------------------
f = 6x1 + 3x2 + 0.xe1 + 0.xe2 + 0.xe3 = maxim
cu soluţii de forma: X = (x1, x2, xe1, xe2, xe3) din R5
90
Duala:
4y1 + 3y2 + 2y3 – ye1 = 6
y1 + 2y2 + 3y3 – ye2 = 3
y1 ≥ 0; y2 = oarecare; y3 ≤ 0; ye1, ye2 ≥ 0
----------------------------------------------------
g = 5y1 + 7y2 + 10y3 + 0.ye1 + 0.ye2 = minim
cu soluţii de forma Y = (ye1, ye2; y1, y2, y3) din R5
Pentru computer este suficient să se dea elementele problemei primale sub forma iniţială
(nestandard) şi se calculează soluţiile bazice optime primală X(0) şi duală Y(0), ambele din R5
precum şi valoarea comună a optimului: fmaxim = gminim.
1) Rezolvarea cu programul OPTIMF din Anexa 1 a lucrării autorului [53]
Datele pentru programul OPTIMF au forma:
10 REM “DATE DE INTRARE ÎN PROGRAM“
20 REM “NUMĂRUL INECUAŢIILOR DE TIP ≤ este L“
30 L = 1
40 REM “NUMĂRUL ECUAŢIILOR DE TIP = ESTE E“
50 E = 1
60 REM “NUMĂRUL INECUAŢIILOR DE TIP ≥ ESTE G“
70 G = 1
80 REM “NUMĂRUL VARIABILELOR PROPRII ESTE P“
90 P = 2
100 REM “TIPUL FUNCŢIEI: MAXIM (Z = 1); MINIM (Z = -1)“
110 Z = 1
120 REM “MATRICEA A, LINIE CU LINIE:“
130 DATA 4,1,3,2,2,3
140 REM “VECTORUL b:“
150 DATA 5,7,10
160 REM “VECTORUL c:“
170 DATA 6,3
180 REM “NUMĂRUL FUNCŢIILOR AUXILIARE ESTE NF“
190 NF = 1
200 REM “COEFICIENŢII FUNCŢIILOR AUXILIARE ESTE NF“
210 DATA 5,8
Instrucţiunile cu comentariile REM nu trebuie tastate, fiind ignorate de program şi având
rol explicativ pentru utilizator.
După execuţia programului OPTIMF avem soluţiile bazice optime căutate:
SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ
1) VPP (Variabile primale proprii) 3) VDE (Variabile duale de egalizare)
x1 = 0.2 ye1 = 0
x2 = 3.2 ye2 = 0
2) VDE (Variabile primale de egalizare) 4) VDP (Variabile duale proprii)
xe1 = 1 y1 = 0
→ xe2 = 0 → y2 = 2.4
→ xe3 = 0 → y3 = - 0.6
fmax = gmin = 10.8
Valoarea funcţiei auxiliare este 26.6
91
2) Rezolvarea cu SOLVER din EXCEL:
Problema primală din enunţ se plasează în foaia EXCEL cu numele OPTIML:
A1 B C D E F G H I
2 PROGRAM LINIAR(OPTIML)
3 SOLUŢIA OPTIMĂ COEF. F-CŢIE - OB. VALOARE COEF. VALOARE
f F-CŢIE -OB. fa fa
4 X1 X2 C1 C2 f : D1 D2
5 0.2 3.2 6 3 10.8 5 8 26.6
6 RESTRICŢII: SEMN
7 X1 X2 MEMBRU RESTR MEMBRU
STÂNG: ICŢIE: DREPT:
8 4 1 4 < 5
9 3 2 7 = 7
10 2 3 10 > 10
FORMULE:
F5: = $B$5 * $D$5 + $C$5 * $E$5
I5: = $B$5 * $G$5 + $C$5 * $H$5
D8: = $B$5 * $B$8 + $C$5 * $C$8
D9: = $B$5 * $B$9 + $C$5 * $C$9
D10: = $B$5 * $B$10 + $C$5 * $C$10
Se deschide meniul Tools (ALT T) şi se alege în fereastra TOOLS, opţiunea SOLVER.
Apare fereastra Solver Parameters cu aspectul de mai jos:
În căsuţa din dreapta opţiunii Set Target Cell se scrie adresa absolută $F$5 în care se găsesc
valorile succesive ale funcţiei-obiectiv f a problemei primale, ultima valoare fiind cea optimă.
Sub această căsuţă se face opţiunea Max în butonul radio din stânga, deoarece problema
primală este de maxim.
În căsuţa de sub opţiunea By Changing Cells se dau adresele absolute $B$5, $C$5 în care se
găsesc valorile succesive ale variabilelor x1, x2, primele valori putând fi luate egale cu zero iar
ultimele valori fiind cele optime.
Se activează opţiunea Add care deschide fereastra Add Constraint în care se scriu cele trei
restricţii ale problemei primale $D$8 <= $F$8; $D$9 = $F$9; $D$10 >= $F$10 după cum urmează:
în fereastra Cell Reference se scrie membrul stâng al restricţiei, din lista ascunsă se alege semnul
restricţiei iar în fereastra Constraint se scrie membrul drept al restricţiei.
92
După terminarea scrierii fiecărei restricţii, se activează opţiunea Add pentru a introduce
restricţia următoare.
Int
int
bin
După închiderea cu OK a acestei ferestre, restricţiile precedente apar în căsuţa de sub
opţiunea Subject to the Constraints din fereastra Solver Parameters de mai sus.
Dacă ulterior dorim să modificăm sau să ştergem unele restricţii, le selectăm şi folosim
opţiunile Change sau Delete.
Activând opţiunea Solve din fereastra Solver Parameters, apare fereastra Solver Results de
mai jos:
În căsuţa de sub opţiunea Reports selectăm opţiunile Answer, Sensitivity şi Limits care vor
ataşa foii de calcul trei rapoarte cu rezultate: soluţiile optime primală şi duală, valoarea optimului şi
intervalele pentru componentele vectorilor b şi c care nu necesită reoptimizare. Dealtfel variabilele
primale proprii x1 şi x2 ale soluţiei bazice optime primale şi valoarea optimă a funcţiei-obiectiv f
apar şi în foaia EXCEL iniţială în celulele $B$5, $C$5 respectiv $F$5.
În celula $I$5 apare şi valoarea funcţiei auxiliare fa.
Reoptimizarea modelelor liniare
Valorile coeficienţilor unui model liniar suferă modificări în timp. Cele mai frecvente
modificări sunt:
a) Modificarea valorilor coeficienţilor c1,…, cP ai funcţiei-obiectiv f în care caz se pune problema
dacă soluţia optimă primală existentă a modelului mai rămâne optimă (nu necesită reoptimizare).
b) Modificarea valorilor termenilor liberi b1,…, bM ai restricţiilor în care caz se pune problema
dacă soluţia optimă duală existentă a modelului mai rămâne optimă (nu necesită reoptimizare).
Răspunsul la aceste întrebări este dat de raportul Limits din fereastra Solver Results a
produsului EXCEL (vezi secţiunea 2.3)
Exemplu:
Fie problema rezolvată mai sus:
4x1 + x2 ≤ 5
3x1 + 2x2 = 7
2x1 + 3x2 ≥ 10
x1, x2 ≥ 0
-----------------------
f = 6x1 + 3x2 = maxim
93
pentru care am găsit soluţiile optime primală şi duală:
SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ
3) VPP (Variabile primale proprii) 3) VDE (Variabile duale de egalizare)
x1 = 0.2 ye1 = 0
x2 = 3.2 ye2 = 0
4) VDE (Variabile primale de egalizare) 5) VDP (Variabile duale proprii)
xe1 = 1 y1 = 0
→ xe2 = 0 → y2 = 2.4
→ xe3 = 0 → y3 = - 0.6
fmax = gmin = 10.8
a) Dacă c1 = 6 (4.5; +∞), c2 = 3 (0; 4), soluţia optimă primală de mai sus rămâne optimă.
b) Dacă b1 = 5 (4; +∞), b2 = 7 (6.67; 7.5); b3 = 10 (9; 10.5), soluţia optimă duală de mai sus
rămâne optimă.
Modele de optimizare cu funcţie-scop
Funcţia-obiectiv a unui model liniar de optimizare f poate fi înlocuită cu funcţia-scop care
urmăreşte:
A) minimizarea diferenţei între valoarea funcţiei-obiectiv f = c1x1 +…+ cpxp şi o valoare dată f0. În
acest caz adăugăm restricţia c1x1 +…+ cpxp + xen+1 = f0 dacă se cere f maxim şi c1x1 +…+ cpxp - xen+1
= f0 dacă se cere fminim şi în ambele cazuri minimizăm pe xen+1: h = xen+1 = minim.
B) minimizarea diferenţei între cantitatea consumată din resursa cu numărul i: ai1x1 +…+ ainxn şi
cantitatea disponibilă din această resursă bi adică chiar valoarea variabilei de egalizare xei: h = xei =
minim. Dacă resursele cu numărul i şi j au aceeaşi unitate de măsură se poate minimiza şi h = xei +
xej .
Exemplu
Fie problema de optimizare:
x1 2
x2 3
4x1 + x2 4
x1, x2 0
------------------
f = 6x1 + 7x2 = maxim
Avem forma standard:
x1 + xe1 = 2
x2 + xe2 = 3
4x1+ x2 – xe3 = 4
x1, x2, xe1, xe2, xe3 0
A) Fie f0 = 15 .Ataşăm formei standard restricţia 6x1 + 7x2 +xe4 = 15 şi minimizăm funcţia h = xe4
= minim. Găsim soluţia x1 = 13/22; x2 = 36/22; xe1 = 31/22; xe2 = 30/22; xe3 = 0; xe4 = h minim = 0
B) Ataşăm formei standard funcţia h1 = xe1 = minim şi găsim soluţia optimă:
x1 = 2, x2 = 0; xe1 = 0, xe2 = 3, xe3 = 4 şi h1 are valoarea minimă 0
Ataşăm formei standard funcţia h2 = xe2 = minim şi găsim soluţia optimă:
x1 = 0.25, x2 = 3; xe1 = 1.75, xe2 = 0, xe3 = 0 şi h2 are valoarea minimă 0
Ataşăm formei standard funcţia h3 = xe1 + xe2 = minim şi găsim soluţia optimă:
x1 = 2, x2 = 3; xe1 = 0, xe2 = 0, xe3 = 7 şi h3 are valoarea minimă 0
94
Soluţii optime pentru modelele din secţiunea 2.1, găsite cu metoda simplex
Cifrele de mai jos sunt oferite de computer iar cuvintele sunt scrise de cel care a alcătuit
modelul liniar de optimizare.
Săgeţile din tabele marchează componentele nebazice nule pentru soluţia bazică optimă
primală, respectiv componentele bazice nenule pentru soluţia bazică optimă duală.
A. STRUCTURA CULTURILOR
Modelul V (Venit maxim cu cheltuieli limitate) din tabelul 3 are soluţiile:
SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ
1) VPP (Suprafeţe cultivate) 3) VDE (Surplus de venit mil. lei/ha cultură)
x1 = 40 ha grâu ye1 = 0 lei surplus de venit/ha grâu
x2 = 44.44 ha porumb ye2 = 0 lei surplus de venit/ha porumb
x3 = 10 ha floarea soarelui ye3 = 0 lei surplus de venit/ha floarea soarelui
x4 = 5.56 ha sfeclă de zahăr ye4 = 0 lei surplus de venit/ha sfeclă de zahăr
2) VPE (Diferenţe între resursele 4) VDP (Venituri marginale)
consumate şi limitele lor)
→xe1 = 0 ha grâu deficit →y1 = 100 lei creştere venit/al 41-lea ha grâu
xe2 = 15.56 ha porumb deficit y2 = 0 lei creştere venit/al 61-lea ha porumb
xe3 = 10 ha floarea soarelui deficit y3 = 0 lei creştere venit/al 21-lea ha fl. soare
xe4 = 4.44 ha sfeclă de zahăr deficit y4 = 0 lei creştere venit/al 11-lea ha sfeclă
xe5 = 88.89 litri motorină neconsumaţi y5 = 0 lei creştere venit/încă 1 litru motorină
xe6 = 1.78 lei necheltuiţi cu BBD y6 = 0 lei creştere venit/încă 1 leu chelt. BBD
xe7 = 77.78 Kg NPK neconsumate y7 = 0 lei creştere venit/încă 1 Kg NPK
→xe8 = 0 lei necheltuiţi →y8 = 3.333 lei creştere venit/încă 1 leu chelt.
→xe9 = 0 ha teren necultivate →y9 = - 1700 lei creştere venit/încă 1 ha teren
xe10 = 10 ha grâu surplus y10 = 0 lei creştere venit/al 31-lea ha grâu
xe11 = 4.44 ha porumb surplus y11 = 0 lei creştere venit/al 41-lea ha porumb
→xe12 = 0 ha floarea soarelui surplus →y12 = - 400 lei creştere venit/al 11-lea ha fl. soare
xe13 = 1.56 ha sfeclă de zahăr surplus y13 = 0 lei creştere venit/al 5-lea ha sfeclă zahăr
fmaxim = gminim = 136667 lei
Pentru soluţiile optime de mai sus avem valorile optime Vm = 136667 lei = maxim;
Cm = 92000 lei; Pm = 44667 lei; RPm = 0.485
Structura în procente a venitului maxim fmaxim = 136667 lei este: s1 = (1200*40*100)/136667
= 35.1% (contribuţia grâului); s2 = (1500 * 44.44 * 100)/136667 = 48.8% (contribuţia porumbului);
s3 = (1200 * 10 * 100)/13667 = 8.8% (contribuţia florii soarelui); s4 = (1800 * 5.56 * 100)/136667
= 7.3% (contribuţia sfeclei de zahăr).
Indicatori economici ai modelului liniar V:
I) Rata medie a profitului RMP = 0.485 mil. lei profit/1 mil. lei cheltuit
II) Rata marginală a profitului RDP = y11 – 1 = 2.333 lei creştere de profit/1 leu creştere de
cheltuieli.
III) Elasticitatea ratei profitului ERP = RDP/RMP = 4.8% creştere de profit/1% creştere de
cheltuieli.
Reoptimizare
a) În modelul V al structurii optime a culturilor, soluţia optimă primală existentă a modelului
rămâne optimă dacă c1 = 1200 lei/ha grâu (1100 lei/ha grâu; +); c2 = 1500 lei/ha porumb (900
95
lei/ha porumb; 1542.86 lei/ha porumb); c3 = 1200 lei/ha floarea soarelui (0 lei/ha floarea
soarelui;1600 lei/ha floarea soarelui);c4 = 1800 lei/ha sfeclă de zahăr (1725 lei/ha sfeclă de zahăr;
+).
b) În modelul V al structurii optime a culturilor, la modificarea limitei de cheltuieli b8, soluţia
optimă duală existentă a modelului rămâne optimă dacă b8 = 92000 lei (91860 lei; 92175 lei).
Modelul VI (Cheltuieli minime cu venit garantat) din tabelul 4 are soluţiile:
SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ
1) VPP (Suprafeţe cultivate) 3) VDE (Deficit de chelt. mil. lei/ha cultură)
x1 = 40 ha grâu ye1 = 0 lei deficit de chelt./ha grâu
x2 = 45 ha porumb ye2 = 0 lei deficit de chelt./ha porumb
x3 = 10 ha floarea soarelui ye3 = 0 lei deficit de chelt./ha floarea soarelui
x4 = 5 ha sfeclă de zahăr ye4 = 0 lei deficit de chelt./ha sfeclă de zahăr
2) VPE (Diferenţe între resursele 4) VDP (Cheltuieli marginale)
consumate şi limitele lor)
→xe1 = 0 ha grâu deficit →y1 = - 30 lei creştere chelt./al 41-lea ha grâu
xe2 = 15 ha porumb deficit y2 = 0 lei creştere chelt./al 61-lea ha porumb
xe3 = 10 ha floarea soarelui deficit y3 = 0 lei creştere chelt./al 21-lea ha [Link]
xe4 = 5 ha sfeclă de zahăr deficit y4 = 0 lei creştere chelt./al 11-lea ha sfeclă
xe5 = 100 litri motorină neconsumaţi y5 = 0 lei creştere chelt./încă 1 litru motorină
xe6 = 200 lei necheltuiţi cu BBD y6 = 0 lei creştere chelt./încă 1 leu chelt. Cu BBD
xe7 = 200 Kg NPK neconsumate y7 = 0 lei creştere chelt./încă 1 Kg NPK
→xe8 = 0 ha teren necultivate →y8 = 510 lei creştere chelt./încă 1 ha teren
→xe9 = 0 lei surplus de venit →y9 = 0.3 lei creştere chelt./încă 1 leu venit
xe10 = 10 ha grâu surplus y10 = 0 lei creştere chelt./al 31-lea ha grâu
xe11 = 5 ha porumb surplus y11 = 0 lei creştere chelt./al 41-lea ha porumb
→xe12 = 0 ha floarea soarelui surplus →y12 = 120 lei creştere chelt./al 11-lea ha fl. soare
xe13 = 1 ha sfeclă de zahăr surplus y13 = 0 lei creştere chelt./al 5-lea ha sfeclă zahăr
fminim = gmaxim =91950 lei
Pentru soluţiile optime de mai sus avem valorile optime Vm = 136500 lei; Cm = 91950 lei =
minim; Pm = 44550 lei; RPm = 0.326
Structura în procente a cheltuielilor minime fminim = 91950 lei este: s1 = 36.5% (contribuţia
grâului); s2 = 47% (contribuţia porumbului); s3 = 10.8% (contribuţia florii soarelui); s4 = 5.7%
(contribuţia sfeclei de zahăr).
Indicatori economici ai modelului liniar VI:
I) Rata medie a profitului RMP = 0.326 mil. lei profit/1 mil. lei cheltuit
II) Rata marginală a profitului RDP = (1/y9 – 1) = 2.333 lei creştere de profit/1 leu creştere de
cheltuieli.
III) Elasticitatea ratei profitului ERP = RDP/RMP = 7.2% creştere de profit/1% creştere de
cheltuieli.
Reoptimizare
În modelul VI al structurii optime a culturilor soluţia optimă primală existentă a modelului
rămâne optimă dacă c1 = 840 lei/ha grâu (0 lei/ha grâu; 870 lei/ha grâu); c2 = 960 lei/ha porumb
(945 lei/ha porumb; 1020 lei/ha porumb); c3 = 990 lei/ha floarea soarelui (870 lei/ha floarea
soarelui; +); c4 = 1050 lei/ha sfeclă de zahăr (960 lei/ha sfeclă de zahăr; 1080 lei/ha sfeclă de
zahăr).
96
În modelul VI al structurii optime a culturilor, la modificarea garanţiei de venit b9, soluţia
optimă duală existentă a modelului rămâne optimă dacă b9 = 136500 lei (136200 lei; 137250 lei).
B. RAŢIA FURAJERĂ
Modelul II (Cheltuieli minime) din tabelul 5 are soluţiile:
SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ
1) VPP (Cantităţi de furaje în raţie) 3) VDE (Deficit de cheltuieli lei/Kg furaj)
x1 = 10 Kg fân lucernă ye1 = 0 lei deficit de cheltuieli/Kg fân
x2 = 15 Kg porumb siloz ye2 = 0 lei deficit de cheltuieli/Kg porumb
x3 = 10 Kg sfeclă furajeră ye3 = 0 lei deficit de cheltuieli/Kg sfeclă
x4 = 2.53 Kg tărâţe grâu ye4 = 0 lei deficit de cheltuieli/Kg tărâţe
2) VPE (Diferenţe între resursele 4) VDP (Cheltuieli marginale)
consumate şi limitele lor)
xe1 = 5 Kg fân deficit y1 = 0 lei creştere chelt./al 16-lea Kg fân
xe2 = 10 Kg porumb deficit y2 = 0 lei creştere chelt./al 26-lea Kg porumb
xe3 = 5 Kg sfeclă deficit y3 = 0 lei creştere chelt./al 16-lea Kg sfeclă
xe4 = 0.47 Kg tărâţe deficit y4 = 0 lei creştere chelt./al 4-lea Kg tărâţe
xe5 = 2.47 Kg furaj deficit y5 = 0 lei creştere chelt./al 41-lea Kg furaj
xe6 = 0.43 Kg SU surplus y6 = 0 lei creştere chelt./încă 1 Kg SU
→xe7 = 0 UN surplus →y7 = 0.78 lei creştere chelt./încă 1 UN
xe8 = 708.5 g PD surplus y8 = 0 lei creştere chelt./încă 1 g PD
→xe10 = 0 kg fân surplus →y10 = 0.15 lei creştere venit/al 11-lea Kg fân
→xe11 = 0 Kg porumb surplus →y11 = 0.01 lei creştere chelt./al 16-lea Kg porumb
→xe12 = 0 Kg sfeclă surplus →y12 = 0.09 lei creştere chelt./al 11-lea Kg sfeclă
xe13 = 1.53 Kg tărâţe surplus y13 = 0 lei creştere chelt./al 2-lea Kg tărâţe
fminim = gmaxim = 11.52 lei
Structura în procente a cheltuielilor minime fminim = 11.52 lei este: s1 = 45.2% (contribuţia
fânului); s2 = 26% (contribuţia porumbului); s3 = 15.6% (contribuţia sfeclei); s4 = 13.2% (contribuţia
tărâţelor).
Reoptimizare
În modelul II al structurii optime a raţiei furajere, soluţia optimă primală existentă a
modelului rămâne optimă dacă c1 = 0.52 lei/Kg fân lucernă (0.37 lei/Kg fân lucernă; +); c2 =
0,20 lei/Kg porumb siloz (0.19 lei/Kg porumb siloz; +); c3 = 0.18 lei/Kg sfeclă furajeră (0.09
lei/Kg sfeclă furajeră; +); c4 = 0.60 lei/Kg tărâţe (0 lei/Kg tărâţe; 0.62 lei/Kg tărâţe).
C. ROTAŢIA CULTURILOR
Modelul V (Venit maxim cu cheltuieli limitate) din tabelul 5 are soluţiile:
SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ
1) VPP (Suprafeţe cultivate cu 3) VDE (Surplus de venit mil. lei/ha cultură)
succesoare după premergătoare)
x1 = 45 ha porumb după grâu ye1 = 0 lei surplus de venit/ha P după G
→x2 = 0 ha sfeclă zahăr după grâu →ye2 = 400 lei surplus de venit/ha SZ după G
x3 = 35 ha grâu după porumb ye3 = 0 lei surplus de venit/ha G după P
x4 = 15 ha sfeclă de zahăr după porumb ye4 = 0 lei surplus de venit/ha SZ după P
97
x5 = 0 ha grâu după soia ye5 = 0 lei surplus de venit/ha G după S
x6 = 5 ha porumb după soia ye6 = 0 lei surplus de venit/ha P după S
x7 = 0 ha sfeclă zahăr după soia ye7 = 0 lei surplus de venit/ha SZ după S
2) VPE (Diferenţe între resursele 4) VDP (Venituri marginale)
consumate şi limitele lor)
xe1 = 15 ha grâu deficit y1 = 0 lei creştere venit/al 51-lea ha grâu
xe2 = 10 ha porumb deficit y2 = 0 lei creştere venit/al 61-lea ha porumb
→xe3 = 0 ha sfeclă de zahăr deficit →y3 = 250 lei creştere venit/al 16-lea ha sfeclă zahăr
→xe4 = 0 lei necheltuiţi →y4 = 1.5 lei creştere venit/încă un mil. lei chelt.
→xe5 = 0 ha teren necultivate →y5 = 250 lei creştere venit/al 101-lea ha teren
→xe6 = 0 ha grâu premerg. necultivate →y6 = - 250 lei creştere venit/al 46-lea ha G premerg.
→xe7 = 0 ha porumb premerg. necultivate →y7 = - 250 lei creştere venit/al 51-lea ha P premerg.
xe8 = 0 ha soia premerg. necultivate y8 = 0 lei creştere venit/al 6-lea ha S premerg.
xe9 = 5 ha grâu surplus y9 = 0 mil. lei creştere venit/al 31-lea ha grâu
xe10 = 10 ha porumb surplus y10 = 0 lei creştere venit/al 41-lea ha porumb
xe11 = 11 ha sfeclă zahăr surplus y11 = 0 lei creştere venit/al 5-lea ha sfeclă zahăr
fmaxim = gminim = 146000 lei
Prescurtări: G = grâu; P = porumb; S = soia; SZ = sfeclă de zahăr
Pentru soluţiile optime de mai sus avem valorile optime Vm = 146000 lei = maxim;
Cm = 94000 lei; Pm = 52000 lei; RPm = 0.553
Structura în procente a venitului maxim fmaxim = 146000 lei este: s1 = 46.2% (contribuţia
porumbului după grâu); s3 = 28.8% (contribuţia grâului după porumb); s4 = 19.5% (contribuţia sfeclei
de zahăr după porumb); s6 = 5.5% (contribuţia porumbului după soia).
Indicatori economici ai modelului liniar V:
I) Rata medie a profitului RMP = 0.553 lei profit/1 leu cheltuit
II) Rata marginală a profitului RDP = y4 – 1 = 0.5 lei creştere de profit/1 leu creştere de
cheltuieli
III) Elasticitatea ratei profitului ERP = RDP/RMP = 0.9% creştere de profit/1% creştere de
cheltuieli.
Reoptimizare
a) În modelul V al rotaţiei optime a culturilor, soluţia optimă primală existentă a modelului
rămâne optimă dacă c1 = 1500 lei/ha porumb după grâu (1100 lei/ha porumb după grâu; +); c2 =
1800 lei/ha sfeclă de zahăr după grâu (0 lei/ha sfeclă de zahăr după grâu; 2200 lei/ha sfeclă de
zahăr după grâu); c3 =1200 lei/ha grâu după porumb (0 lei/ha grâu după porumb;1500 lei/ha grâu
după porumb);c4 = 1900 lei/ha sfeclă de zahăr după porumb (1600 lei/ha sfeclă de zahăr după
porumb; +); c5 = 1300 lei/ha grâu după soia (0 lei/ha grâu după soia; 1600 lei/ha grâu după
soia); c6 = 1600 lei/ha porumb după soia (1300 lei/ha porumb după soia; +); c7 = 2000 lei/ha
sfeclă de zahăr după soia (0 lei/ha sfeclă de zahăr după soia; 2300 lei/ha sfeclă de zahăr după
soia).
b) În modelul V al structurii optime a culturilor, la modificarea limitei de cheltuieli b4, soluţia
optimă duală existentă a modelului rămâne optimă dacă b4 = 94000 lei (94000 lei; +).
98
Modelul VI (Cheltuieli minime cu venit garantat) din tabelul 6 are soluţiile:
SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ
1) VPP (Suprafeţe cultivate cu 3) VDE (Deficit de chelt. mil. lei/ha cultură)
succesoare după premergătoare)
x1 = 45 ha porumb după grâu ye1 = 0 lei deficit de chelt./ha P după G
→x2 = 0 ha sfeclă zahăr după grâu →ye2 = 71.43 lei deficit de chelt./ha SZ după G
x3 = 41.43 ha grâu după porumb ye3 = 0 lei deficit de chelt./ha G după P
x4 = 8.57 ha sfeclă zahăr după porumb ye4 = 0 lei deficit de chelt./ha SZ după P
x5 = 5 ha grâu după soia ye5 = 0 lei deficit de chelt./ha G după S
→x6 = 0 ha porumb după soia →ye6 = 71.43 lei deficit de chelt./ha P după S
x7 = 0 ha sfeclă zahăr după soia ye7 = 0 lei deficit de chelt./ha SZ după S
2) VPE (Diferenţe între resursele 4) VDP (Cheltuieli marginale)
consumate şi limitele lor)
xe1 = 3.57 ha grâu deficit y1 = 0 lei creştere chelt./al 51-lea ha grâu
xe2 = 15 ha porumb deficit y2 = 0 lei creştere chelt./al 61-lea ha porumb
xe3 = 6.43 ha sfeclă de zahăr deficit y3 = 0 lei creştere chelt./al 16-lea ha sfeclă zahăr
xe4 = 0 ha necultivate y4 = 0 lei creştere chelt./al 101-lea ha teren
→xe5 = 0 ha grâu premerg. necultivate →y5 = 357.14 lei creştere chelt./al 46-lea ha G premerg.
→xe6 = 0 ha porumb premerg. necultivate →y6 = 285.71 lei creştere chelt./al 51-lea ha P premerg.
→xe7 = 0 ha soia premerg. necultivate →y7 = 142.86 lei creştere chelt./al 6-lea ha S premerg.
→xe8 = 0 lei venit surplus →y8 = 0.43 lei creştere chelt./încă un mil. venit
xe9 = 16.43 ha grâu surplus y9 = 0 lei creştere venit/al 31-lea ha grâu
xe10 = 5 ha porumb surplus y10 = 0 lei creştere venit/al 41-lea ha porumb
xe11 = 4.57 ha sfeclă zahăr surplus y11 = 0 lei creştere venit/al 5-lea ha sfeclă zahăr
fminim = gmaxim = 91071.43 lei
Prescurtări: G = grâu; P = porumb; S = soia; SZ = sfeclă de zahăr
Pentru soluţiile optime de mai sus avem valorile optime Vm = 140000 lei; Cm = 91071.43 lei
= min; Pm = 48928.57 lei; RPm = 0.537
Structura în procente a cheltuielilor minime fminim = 91071.43 lei este: s1 = 49.4% (contribuţia
porumbului după grâu); s3 = 36.4% (contribuţia grâului după porumb); s4 = 10.4% (contribuţia
sfeclei de zahăr după porumb); s5 = 3.8% (contribuţia grâului după soia).
Indicatori economici ai modelului liniar VI:
I) Rata medie a profitului RMP = 0.351 lei profit/1 leu cheltuit
II) Rata marginală a profitului RDP = (1/y8) – 1 = 1.331 lei creştere de profit/1 leu creştere de
cheltuieli
III) Elasticitatea ratei profitului ERP = RDP/RMP = 3.8% creştere de profit/1% creştere de
cheltuieli.
Reoptimizare
a) În modelul VI al rotaţiei optime a culturilor, soluţia optimă primală existentă a modelului
rămâne optimă dacă c1 = 1000 lei/ha porumb după grâu (0 lei/ha porumb după grâu; 1071.43
lei/ha porumb după grâu); c2 = 1200 lei/ha sfeclă de zahăr după grâu (1128.57 lei/ha sfeclă de
zahăr după grâu; +); c3 = 800 lei/ha grâu după porumb (800 lei/ha grâu după porumb;1100
lei/ha grâu după porumb);c4 = 1100 lei/ha sfeclă de zahăr după porumb (800 lei/ha sfeclă de
zahăr după porumb; 1100 lei/ha sfeclă de zahăr după porumb); c5 = 700 lei/ha grâu după soia (0
99
lei/ha grâu după soia; 700 lei/ha grâu după soia); c6 = 900 lei/ha porumb după soia (828.57 lei/ha
porumb după soia; +); c7 = 1000 lei/ha sfeclă de zahăr după soia (1000 lei/ha sfeclă de zahăr
după soia; +).
b) În modelul VI al structurii optime a culturilor, la modificarea garanţiei de venit b8, soluţia
optimă duală existentă a modelului rămâne optimă dacă b8 = 140000 lei (137500 lei;144500 lei).
2.4 Modele de optimizare tip transport şi de repartiţie (assignment)
De la furnizorii F1,…, Fm la beneficiarii B1,…, Bn trebuie transportate produse; fie cij
cheltuielile/veniturile pe unitatea de produse (tonă, bucată) când acestea se repartizează de la Fi la Bj.
De exemplu în cazul transportului, cheltuielile cij (lei/tonă) se obţin înmulţind costul unic
(lei/tonă.Km) cu distanţa (Km) de la Fi la Bj.
Din această cauză asemenea modele se numesc modele tip transport.
Fie a1,…, am ofertele în tone ale furnizorilor F1,…, Fm şi b1,…, bn cererile în tone ale
beneficiarilor B1,…, Bn.
Presupunem că modelul tip transport este echilibrat adică oferta totală este egală cu cererea
totală.
OT = a1 +…+ am = b1 +…+ bn = CT
Datele se aranjează în tabelul:
F / B B1 . . . . . Bn Oferte
F1 c11 . . . . . c1n a1
. . . .
. . . .
. . . .
Fn cm1 . . . . . cmn am
Cereri b1 .. . . . . bn CT = OT
Fie xij cantitatea de produse (tone) care se va repartiza de la Fi la Bj.
Problema de optimizare tip transport are forma:
x11 +… x1n = a1
……………..
xm1 +… xmn = am
……………..
x11 +… xm1 = b1
.…………….
x1n +… xmn = bn
xij ≥ 0
------------------------------
m n
f cij x ij max/ min
i 1 j1
Problemele de optimizare tip transport pot fi rezolvate cu metoda simplex prin transformarea
matricii coeficienţilor C = (cij) de tip mxn în şirul (c11,…,c1n,…,cm1,…,cmn) de lungime m.n şi a
matricii necunoscutelor X = (xij) de tip mxn în şirul (x11,…,x1n,…,xm1,…,xmn) de lungime m.n
Ele pot fi rezolvate şi printr-o metodă matricială numită metoda potenţialelor (Vezi
secţiunea 2.3 din lucrarea autorului “Matematică şi biometrie” Fascicola I, AMD, Litografiat,
1979).
100
Problemele tip transport au totdeauna soluţie bazică iniţială cu m + n – 1 componente xij
nenule, care poate fi găsită prin diverse metode: căsuţa (i, j) de Nord-Vest, căsuţa (i, j) de cost optim
pe linii sau pe coloane sau pe ansamblul tabelului.
Modelul tip transport dual are forma:
ui + vj ≥ (≤)cij (1 ≤ i ≤ m¸ 1 ≤ j ≤ n)
ui, vj = oarecare
----------------------------------------------
g = (a1u1 +… amum) + (b1v1 +…+ bnvn) = minim (maxim)
Dacă avem gminim atunci în restricţii punem semnul ≥ iar dacă avem gmaxim atunci în restricţii
punem semnul ≤.
ui (lei/tonă) reprezintă cota-parte din cij (lei/tonă) care revine lui Fi iar vj (lei/tonă) reprezintă
cota-parte din cij (lei/tonă) care revine lui Bj.
Funcţia-obiectiv duală g reprezintă în lei suma cotelor- părţi ce revin tuturor furnizorilor şi
beneficiarilor pentru ofertele respectiv cererile acestora.
Problemele neechilibrate (cu OT ≠ CT) trebuie echilibrate astfel:
a) Dacă OT = a1 +…+ am > b1 +…+ bn = CT, introducem un beneficiar fictiv Bn+1* cu coeficienţii
c1,n+1 = …= cm,n+1 = 0 şi cu cererea OT - CT
b) Dacă OT = a1 +…+ am < b1 +…+ bn = CT, introducem un furnizor fictiv Fm+1* cu coeficienţii
cm+1,1 = …= cm+1,n = 0 şi cu oferta CT – OT.
Exemple:
1) Fie problema de maxim cu doi furnizori şi doi beneficiari:
F \ B B1 B2 Oferte
F1 2 3 14
F2 5 4 9
OT = 23
Cereri 10 8 CT = 18
Deoarece OT = 23 tone > 18 tone = CT, introducem un beneficiar fictiv B3* cu cererea b3* =
OT – CT = 5 tone şi cu c13 = c23 = 0 iar problema devine echilibrată.
F \ B B1 B2 B3* Oferte
F1 2 3 0 14
F2 5 4 0 9
Cereri 10 8 5 23
Transformăm acest tabel pentru a aplica metoda simplex:
F F1 F2
B B1 B2 B3* B1 B2 B3* Semn Limite
Restric. x1 x2 x3 x4 x5 x6
F1 1 1 1 1 1 1 = 14
F2 0 0 0 1 1 1 = 9
B1 1 0 0 1 0 0 = 10
B2 0 1 0 0 1 0 = 8
B3* 0 0 1 0 0 1 = 5
F 2 3 0 5 4 0 MAXIM
101
După rezolvare avem:
Soluţie bazică optimă primală Soluţie bazică optimă duală
I) VPP (cantităţi transportate) III) VDP (Surplus de venit/tonă)
x1 = 1 tonă de la F1 la B1 ye1 = 0 surplus de venit/tonă de la F1 la B1
x2 = 8 tone de la F1 la B2 ye2 = 0 surplus de venit/tonă de la F1 la B2
x3* = 5 tone rămân la F1 ye3 = 0 surplus de venit/tonă de la F1 la B3*
x4 = 9 tone de la F2 la B1 ye4 = 0 surplus de venit/tonă de la F2 la B1
→x5 = 0 tone de la F2 la B2 →ye5 = 2 surplus de venit/tonă de la F2 la B2
→x6 = 0 tone rămân la F2 →ye6 = 3 surplus de venit/tonă de la F2 la B3*
II) VPE (Diferenţe între cantităţile IV) VDP (Venituri marginale)
transportate şi limite)
xe1 = 0 tone de la F1 y1 = u1 = 0 creştere venit/încă 1 t de la F1
→xe2 = 0 tone de la F2 →y2 = u1 = 3 creştere venit/încă 1 t de la F2
→xe3 = 0 tone la B1 →y3 = v1 = 2 creştere venit/încă 1 t la B1
→xe4 = 0 tone la B2 →y4 = v2 = 3 creştere venit/încă 1 t la B2
xe5 = 0 tone la B3* y5 = v3* = 0 creştere venit/încă 1 t la B3*
fmaxim = gminim = 71 unităţi băneşti
2) Fie problema de minim cu doi furnizori şi doi beneficiari:
F \ B B1 B2 Oferte
F1 5 1 10
F2 4 2 12
OT = 22
Cereri 15 8 CT = 23
Deoarece OT = 22 tone < 23 tone = CT, introducem un furnizor fictiv F3* cu oferta a3* =
CT – OT = 1 tonă şi cu c31 = c32 = 0 iar problema devine echilibrată.
F \ B B1 B2 Oferte
F1 5 1 10
F2 5 4 12
F3* 0 0 1
Cereri 15 8 23
Transformăm acest tabel pentru a aplica metoda simplex:
F F1 F2 F3* Semn Limite
B B1 B2 B1 B2 B1 B2
Restric. x1 x2 x3 x4 x5* x6*
F1 1 1 0 0 0 0 = 10
F2 0 0 1 1 0 0 = 12
F3* 0 0 0 0 1 1 = 1
B1 1 0 1 0 1 0 = 15
B2 0 1 0 1 0 1 = 8
F 5 1 4 2 0 0 MINIM
102
După rezolvare cu metoda simplex avem:
Soluţie bazică optimă primală Soluţie bazică optimă duală
I) VPP (cantităţi transportate) III) VDP (Deficit de venit/tonă)
x1 = 2 tone de la F1 la B1 ye1 = 0 deficit de venit/tonă de la F1 la B1
x2 = 8 tone de la F1 la B2 ye2 = 0 deficit de venit/tonă de la F1 la B2
x3 = 12 tone de la F2 la B1 ye3 = 0 deficit de venit/tonă de la F2 la B1
→x4 = 0 tone de la F2 la B2 →ye4 = 2 deficit de venit/tonă de la F2 la B2
x5* = 1 tonă nu ajunge la B1 ye5* = 0 deficit de venit/tonă de la F3* la B1
→x6* = 0 tone nu ajung la B2 →ye6* = 4 deficit de venit/tonă de la F3* la B2
II) VPE (Diferenţe între cantit. IV) VDP (Venituri marginale)
transportate şi limite)
→ xe1 = 0 tone de la F1 →y1 = u1 = 1 creştere venit/încă 1 t de la F1
xe2 = 0 tone de la F2 y2 = u1 = 0 creştere venit/încă 1 t de la F2
→ xe3 = 0 tone de la F3* →y3 = u3* = 4 creştere venit/încă 1 t la F3*
→ xe4 = 0 tone la B1 →y4 = v1 = 4 creştere venit/încă 1 t la B1
xe5 = 0 tone la B2 y5 = v2 = 0 creştere venit/încă 1 t la B2
fminim = gmaxim = 66 unităţi băneşti
Probleme tip transport cu unele rute interzise
Dacă problema primală este de maxim, în rutele interzise luăm costuri cij negative, mult mai
mici ca restul costurilor din căsuţele neinterzise.
În soluţia bazică optimă primală aceste căsuţe interzise nu apar, contribuţia lor la fmaxim fiind
neglijabilă.
Dacă problema primală este de minim, în rutele interzise luăm costuri cij pozitive, mult mai
mari ca restul costurilor din căsuţele neinterzise.
În soluţia bazică optimă primală aceste căsuţe interzise nu apar, contribuţia lor la fminim fiind
prea mare.
Probleme tip transport cu centre intermediare
În acest caz între furnizorii F1,…, Fm şi beneficiarii B1,…, Bn se interpun centrele de tranzit
T1,…, Tp care pot fi angrouri, depozite etc. în care produsele sosesc de la furnizori şi pleacă mai
departe la beneficiari. Vom echilibra oferta totală a furnizorilor cu cererea totală a beneficiarilor
prin introducerea unui furnizor/beneficiar fictiv iar la restricţii adăugăm condiţiile de tranzitare a
produselor prin centrele T1,…, Tp: cantitatea totală de produse care soseşte în fiecare centru de
tranzit este egală cu cantitatea totală de produse care pleacă din acest centru de tranzit.
Exemplu:
Fie problema de minim cu tabelele de date:
Tabel 1
T T1 T2 Oferte
F
F1 5 10 50 t
F2 8 6 30 t
80 t
Tranzit 200 t 300 t 500 t
103
Tabel 2
B B1 B2 Tranzit
T
T1 7 4 200 t
T2 2 9 300 t
500 t
Cereri 60 t 40 t 100 t
Echilibrăm oferta totală OT = 80 t din tabelul 1 cu cererea totală CT = 100 t prin adăugarea
în tabelul 1 a unui furnizor fictiv F3* cu oferta CT – OT = 20 t şi costurile de transport nule deci
obţinem Tabelul 3:
Tabel 3
..................T T1 T2 Oferte
F
F1 5 10 50 t
F2 8 6 30 t
F3* 0 0 20 t
80 t
Tranzit 200 t 300 t 500 t
Din liniile tabelului 3 rezultă ecuaţiile:
X11 + X12 = 50
X21 + X22 = 30
X31 + X32 = 20
iar din coloanele tabelului 2 rezultă ecuaţiile:
X41 + X51 = 60
X42 + X52 = 40
Condiţiile de tranzit pentru T1 şi T2 se extrag din coloanele tabelului 3 şi din liniile tabelului 2:
X11 + X21 + X31 = X41 + X42
X12 + X22 + X32 = X51 + X52
Funcţia-obiectiv este:
f = 5.X11 + 10.X12 + 8.X21 +6.X22 + 0.X31 + 0.X32 + 7.X41 + 4.X42 + 2X51 + 9X52 = minim
Transferăm datele precedente în tabelul 4 pentru a aplica metoda simplex:
Tabel 4
*
Rute F1 F2 F3 T1 T2
T1 T2 T1 T2 T1 T2 B1 B2 B1 B2 Semn Limite
Restricţii X1 X2 X3 X4 X5 X6 X7 X8 X9 X1
0
F1 1 1 0 0 0 0 0 0 0 0 = 50 t
F2 0 0 1 1 0 0 0 0 0 0 = 30 t
F3 * 0 0 0 0 1 1 0 0 0 0 = 20 t
B1 0 0 0 0 0 0 1 0 1 0 = 60 t
B2 0 0 0 0 0 0 0 1 0 1 = 40 t
T1 1 0 1 0 1 0 -1 -1 0 0 = 0
T2 0 1 0 1 0 1 0 0 -1 -1 = 0
Cheltuieli 5 10 8 6 0 0 7 4 2 9 MINIM
104
Soluţiile bazice optime primală şi duală vor fi:
Soluţia bazică optimă primală Soluţia bazică optimă duală
I. VPP (cantităţi transportate) III. VDE (deficit de cheltuieli lei/t)
x1 = 50 t de la F1 la T1 ye1 = 0 lei/t de la F1 la T1
x2 = 0 t de la F1 la T2 ye2 = 0 lei/t de la F1 la T2
x3 = 0 t de la F2 la T1 ye3 = 7 lei/t de la F2 la T1
x4 = 30 de la F2 la T2 ye4 = 0 lei/t de la F2 la T2
x5 = 0 t lipsesc la T1 ye5 = 5 lei/t rămase la T1
x6 = 20 t lipsesc la T2 ye6 = 0 lei/t rămase la T2
x7 = 10 t de la T1 la B1 ye7 = 0 lei/t de la T1 la B1
x8 = 40 t de la T1 la B2 ye8 = 0 lei/t de la T1 la B2
x9 = 50 t de la T2 la B1 (din care lipsesc 20 t) ye9 = 0 lei/t de la T2 la B1
x10 = 0 t de la T2 la B2 ye10 = 10 lei/t de la T2 la B1
II. VPE (diferenţe între cantităţi transportate şi IV. VDP (cheltuieli marginale)
limite) y1 = 9 lei creştere chelt./a 51-a tonă
xe1 = 0 t rămase la F1 y2 = 5 lei creştere chelt./a 31-a tonă
xe2 = 0 t rămase la F2 y3 = - 1 leu creştere chelt./a 21-a tonă
xe3 = 0 t rămase la F3 *
y4 = 3 lei creştere chelt./a 61-a tonă
xe4 = 0 t neprimite la B1 (neprimite 20 t) y5 = 0 lei creştere chelt./a 41-a tonă
xe5 = 0 t neprimite la B2 y6 = - 4 lei creştere chelt./1 tonă la T1
xe6 = 0 t rămase la T1 y7 = 1 lei creştere chelt./1 tonă la T2
xe7 = 0 t rămase la T2
Fminim = gmaxim 760 unităţi băneşti
Probleme de repartiţie (assignment)
Aceste probleme sunt de tip transport în care F1,…, Fm sunt solicitanţi de slujbe iar B1,…, Bn
sunt angajatorii. Coeficienţii cij sunt valori economice ale solicitantului Fi la angajatorul Bj.
xij sunt variabile bivalente: xij = 1 dacă Fi este angajat de Bj şi 0 în caz contrar.
În plus a1 =…= am = 1 şi b1 =…= bn = 1
Exemplu:
Fie problema de repartiţie de maxim a trei solicitanţi Fi pentru două posturi Bj pe care o
echilibrăm:
F \ B B1 B2 B3* Oferte
F1 30 10 0 1
F2 40 60 0 1
F3 50 50 0 1
Cereri 1 1 1 3
Transformăm problema pentru a aplica metoda simplex şi o rezolvăm ca problemă de
optimizare cu necunoscute întregi adăugând şi restricţiile xi ≤ 1:
105
F F1 F2 F3 Semn Limite
B B1 B2 B3 B1 B2 B3 B1 B2 B3
Restricţii * * *
x1 x2 x3 x4 x5 x6 x7 x8 x9
F1B1 1 0 0 0 0 0 0 0 0 ≤ 1
F1B2 0 1 0 0 0 0 0 0 0 ≤ 1
F1B3* 0 0 1 0 0 0 0 0 0 ≤ 1
F2B1 0 0 0 1 0 0 0 0 0 ≤ 1
F2B2 0 0 0 0 1 0 0 0 0 ≤ 1
F2B3* 0 0 0 0 0 1 0 0 0 ≤ 1
F3B1 0 0 0 0 0 0 1 0 0 ≤ 1
F3B2 0 0 0 0 0 0 0 1 0 ≤ 1
F3B3* 0 0 0 0 0 0 0 0 1 ≤ 1
F1 1 1 1 0 0 0 0 0 0 = 1
F2 0 0 0 1 1 1 0 0 0 = 1
F3 0 0 0 0 0 0 1 1 1 = 1
B1 1 0 0 1 0 0 1 0 0 = 1
B2 0 1 0 0 1 0 0 1 0 = 1
B3* 0 0 1 0 0 1 0 0 1 = 1
F 30 10 0 40 60 0 50 50 0 MAXIM
Soluţia optimă bivalentă este:
x1 = 0; x2 = 0; x3 = 1; x4 = 0; x5 = 1; x6 = 0; x7 = 1; x8 = 0; x9 = 0 cu fmaxim = 110
Rezultă că F1 nu va fi angajat, F2 va fi angajat de B2 iar F3 va fi angajat de B1.
2.5 Drumuri de lungime optimă în reţele
Un graf este un ansamblu format dintr-o mulţime V de vârfuri şi o mulţime U (inclusă în
produsul cartezian V x V) de arce care unesc aceste vârfuri.
Vârfurile vi se marchează prin puncte iar arcele uj se marchează prin linii care unesc unele
din aceste puncte.
Lungimea lij a unui arc se specifică pe acest arc.În caz contrar se consideră că arcul are
lungimea 1.
Un arc poate fi orientat (prin săgeată) sau neorientat (muchie).
Un graf este orientat sau neorientat dacă toate arcele sale sunt orientate respectiv
neorientate.
Două vârfuri sunt adiacente dacă există măcar un arc care le uneşte iar un arc este incident
în vârfurile de la extremităţi.
Unui graf i se asociază matricea de adiacenţă A = (aij) unde aij = 1 dacă vârfurile vi, vj sunt
adiacente şi aij = 0 în rest.
Unui graf i se asociază matricea de incidenţă B = (bij) unde bij = 1 dacă arcul ui este incident
în vârful vj şi aij = 0 în caz contrar.
Un graf parţial se obţine dintr-un graf dat dacă se înlătură o parte din arce iar un subgraf se
obţine dintr-un graf dacă se înlătură o parte din vârfuri şi arcele incidente în ele.
Dăm şi alte noţiuni care apar în grafuri orientate (neorientate).
Un drum (lanţ) care uneşte două vârfuri vi, vj ale grafului este o succesiune de alte vârfuri şi
arce care le unesc astfel că parcurgându-le, se poate ajunge de la vi la vj sau invers.
Un drum (lanţ) este simplu dacă nu foloseşte de două ori acelaşi arc şi este elementar dacă
nu foloseşte de două ori acelaşi vârf.
Orice drum (lanţ) simplu este elementar.
106
Un drum (lanţ) închis se numeşte circuit (ciclu). Circuitul (ciclul) cu un singur arc se
numeşte buclă.
Un graf este tare conex (conex) dacă pentru orice două vârfuri, există un drum (lanţ) care le
uneşte.
Un drum (lanţ) este hamiltonian dacă trece odată prin toate vârfurile grafului şi este eulerian
dacă trece odată prin toate arcele (muchiile) grafului.
Reţeaua este un graf orientat tare conex, fără bucle, care are un vârf iniţial v1 (în care nu
soseşte niciun drum) şi un vârf final vn (de unde nu pleacă niciun drum).
Arborele este un graf neorientat, conex, fără cicluri.
Multe modele de optimizare în grafuri se reduc la găsirea într-o reţea a drumului optim (de
lungime minimă sau maximă) de la vârful iniţial v1 la vârful final vn.
1) Determinarea drumului de lungime minimă.
Fiecărui vârf vi i se ataşează distanţa minimă di de la v1 la vi calculată astfel: d1 = 0 şi dj =
minim (di + lij) pentru toate arcele care sosesc în vj. i
Arcele care dau minimul se marchează cu o liniuţă.
Drumul de lungime minimă are toate arcele marcate dacă este parcurs de la vn la v1 în sens
invers săgeţilor.
Exemplu:
Să se determine drumul de lungime minimă de la v1 la v6 în reţeaua:
Soluţie:
Avem tabelul:
Vârful di Arc marcat
v1 0 -
v2 min (0 + 3) = 3 A3
v3 min (0 + 2; 3 + 6) = 2 B2
v4 min (2 + 8; 2+ 5; 3 + 2) = 5 D2
v5 min (3 + 4; 3 + 5; 5 + 1) = 6 I1
v6 min (6 + 6; 5 + 8) = 12 K6
107
Drumul optim este succesiunea de vârfuri şi arce v1A3v2D2v4I1v5K6v6, cu toate arcele
marcate, dacă este parcurs de la v6 la v1, în sens invers săgeţilor. Acest drum are lungimea minimă
12.
2) Determinarea drumului de lungime maximă.
Fiecărui vârf vi i se ataşează distanţa maximă Di de la v1 la vi calculată astfel : D1 = 0 şi Dj =
maxim (Di + lij) pentru toate arcele care sosesc în vj . i
Arcele care dau maximul se marchează cu o liniuţă.
Drumul de lungime maximă are toate arcele marcate dacă este parcurs de la vn la v1 în sens
invers săgeţilor.
Exemplu:
Să se determine drumul de lungime maximă de la v1 la v6 în reţeaua:
Soluţie:
Avem tabelul:
Vârful di Arc marcat
V1 0 -
V2 max (0 + 3) = 3 A3
V3 max (0 + 2; 3 + 6) = 9 C6
V4 max (3 + 2; 9+ 5; 9 + 8) = 17 F8
V5 max (3 + 4; 3 + 5; 17 + 1) = 18 I1
V6 max (18 + 6; 17 + 8) = 25 J8
Drumul optim este succesiunea de vârfuri şi arce v1A3v2C6v3F8v4J8v6, cu toate arcele
marcate, dacă este parcurs de la v6 la v1, în sens invers săgeţilor. Acest drum are lungimea maximă
25.
Problema drumului optim în reţele se poate formula ca model liniar de optimizare cu
variabile bivalente.
108
Exemplu:
Pentru drumul de lungime minimă şi cel de lungime maximă de mai sus avem modelul
liniar cu variabile bivalente:
Activităţi → A B C D E F G H I J K Semn Limite
Restricţii ↓ x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
v1 -1 -1 0 0 0 0 0 0 0 0 0 = -1
v2 1 0 -1 -1 0 0 -1 -1 0 0 0 = 0
v3 0 1 1 0 -1 -1 0 0 0 0 0 = 0
v4 0 0 0 1 1 1 0 0 -1 -1 0 = 0
v5 0 0 0 0 0 0 1 1 1 0 -1 = 0
v6 0 0 0 0 0 0 0 0 0 1 1 = 1
Lungimi arce 3 2 6 2 5 8 4 5 1 8 6 OPTIM
Semnificaţia variabilelor:
x1 = 1 dacă activitatea A este pe drumul optim şi x1 = 0 în caz contrar.
Pentru x2,…, x11 semnificaţia este analoagă.
Semnificaţia restricţiilor:
Arcele care pleacă dintr-un vârf, au coeficienţii - 1 iar cele care sosesc într-un vârf, au
coeficienţii + 1.
În vârful iniţial v1 nu soseşte niciun arc, deci toţi coeficienţii în restricţia sa sunt egali cu - 1
iar membrul doi este - 1 deci există un arc care pleacă din v1 pe drumul optim.
În vârfurile intermediare v2 - v5, suma variabilelor care intră în vârf este egală cu suma
variabilelor pe arcele care ies din vârf (membrul doi este zero) deoarece dacă drumul optim intră
într-un vârf, trebuie să şi iasă din acel vârf.
Din vârful final v6 nu pleacă niciun arc deci toţi coeficienţii sunt egali cu 1 iar membrul doi
este 1 deci există un arc care soseşte în v6 pe drumul optim.
Semnificaţia funcţiei-obiectiv:
Suma lungimilor arcelor de pe drumul optim este maximă sau minimă.
Rezolvarea acestei probleme de optimizare liniară cu variabile bivalente, se face cu
produsele
informatice EXCEL, QUATTRO, QM, MSS, WINQSB etc.
Pentru drumul de lungime maximă, avem soluţia optimă x1 = x3 = x6 = x10 = 1 şi restul
variabilelor nule iar funcţia este fmax = 25.
Este posibil să existe mai multe drumuri optime într-o reţea; metoda simplex din secţiunea
2.3 permite găsirea tuturor soluţiilor bazice care dau aceste drumuri optime.
Fluxuri optime în reţele
Fie o reţea, adică un graf orientat, conex în care există vârful iniţial V0 în care nu soseşte
niciun arc şi vârful final Vn din care nu pleacă niciun arc. Pentru fiecare arc u al reţelei ataşăm un
număr raţional c(u) ≥ 0 numit capacitatea arcului u.
Un flux f în reţea este o funcţie f care ataşează fiecărui arc u al reţelei fluxul arcului f(u) ≥ 0,
care îndeplineşte două condiţii:
a) f(u) ≤ c(u) pentru orice arc u al reţelei;
b) Pentru orice vârf Vi diferit de V0 şi Vn, suma f(V) a fluxurilor arcelor care sosesc în V este egală
cu suma fluxurilor arcelor care pleacă din V.
109
Dacă ω - (V) este mulţimea arcelor care sosesc în vârful V şi ω + (V) este mulţimea arcelor
care pleacă din vârful V, determinarea fluxului optim se formulează astfel:
Pentru orice arc u al reţelei să se găsească fluxul său f(u) astfel că:
0 f(u) c(u)
f (u)
f (u) , V V0 ;V Vn
u (V)
-
u (V)
f (u)
f (u)
f (u) Maxim
u (V) u (V)
Un arc u se numeşte arc saturat dacă f(u) = c(u) iar un flux f al reţelei se numeşte flux saturat
dacă orice drum de la V0 la Vn conţine un arc saturat.
Pentru orice mulţime A de vârfuri ale reţelei (exclusiv V0), vom numi tăietură ω(A),
mulţimea de arce care intră în vârfurile din A, şi vom numi capacitatea tăieturii c [ω(A)] suma
fluxurilor arcelor tăieturii ω(A).
Din teorema de dualitate 6.1 din secţiunea 2.2 rezultă:
Teorema Ford-Fulkerson
Pentru orice reţea, valoarea maximă a fluxului reţelei este egală cu capacitatea minimă a
tăieturilor mulţimilor A de vârfuri (exclusiv V0) ale reţelei.
Pentru a găsi fluxul maxim într-o reţea, se poate aplica algoritmul Ford-Fulkerson:
1) Se defineşte fluxul iniţial nul: f(u) = 0 pentru orice arc u al reţelei
2) Orice drum de la V0 la Vn se poate satura astfel:
a) Se marchează vârful V0 cu “+”
b) Vârful Vi fiind marcat, se va marca cu “+Vi“ orice vârf nemarcat Vj pentru care arcul u care
uneşte pe Vi cu Vj este nesaturat adică f(u) < c(u) şi se va marca cu “+Vi“ orice vârf
nemarcat Vj pentru care arcul u care uneşte pe Vi cu Vj are flux nenul adică f(u) > 0.
Dacă prin acest procedeu de marcare nu se etichetează Vn, fluxul obţinut este maxim.
Dacă marcajul ajunge la Vn, fluxul obţinut nu este maxim; fie în acest caz un drum etichetat
e de la V0 la Vn. Fie e+ mulţimea arcelor de la Vi la Vj ale lui e în care Vj are marcajul “+Vi“ şi fie e-
mulţimea arcelor de la Vi la Vj ale lui e în care Vj are marcajul “–Vi“. Fie:
Minim Minim
c(u) f (u) ;Minim
ue
f (u) ue
Mărim cu ε fluxul f(u) pentru fiecare arc u e+ şi micşorăm cu fluxul f(u) pentru fiecare
arc u e-.
3) Se repetă pasul 2 până se obţine un flux maxim.
Mulţimea arcelor care unesc vârfurile marcate cu cele nemarcate este o tăietură de capacitate
minimă.
Problema fluxului optim în reţele se poate rezolva cu computerul prin programarea liniară.
Exemplu:
Fie graful din exemplul I) de mai sus în care pe arce sunt capacităţile acestora.
Avem modelul liniar :
110
ARCE A B C D E F G H I J K SEMN LIMITE
RESTR x1 x2 x3 x4 x5 x6 x7 X8 X9 x10 x11
Amax 1 0 0 0 0 0 0 0 0 0 0 ≤ 3
Bmax 0 1 0 0 0 0 0 0 0 0 0 ≤ 2
Cmax 0 0 1 0 0 0 0 0 0 0 0 ≤ 6
Dmax 0 0 0 1 0 0 0 0 0 0 0 ≤ 2
Emax 0 0 0 0 1 0 0 0 0 0 0 ≤ 5
Fmax 0 0 0 0 0 1 0 0 0 0 0 ≤ 8
Gmax 0 0 0 0 0 0 1 0 0 0 0 ≤ 4
Hmax 0 0 0 0 0 0 0 1 0 0 0 ≤ 5
Imax 0 0 0 0 0 0 0 0 1 0 0 ≤ 1
Jmax 0 0 0 0 0 0 0 0 0 1 0 ≤ 8
Kmax 0 0 0 0 0 0 0 0 0 0 1 ≤ 6
V2 -1 0 1 1 0 0 1 1 0 0 0 = 0
V3 0 -1 -1 0 1 1 0 0 0 0 0 = 0
V4 0 0 0 -1 -1 -1 0 0 1 1 0 = 0
V5 0 0 0 0 0 0 -1 -1 1 0 1 = 0
FLUX 0 0 0 0 0 0 0 0 0 1 1 MAXIM
Modelul primal are soluţia bazică optimă:
x1 = 3 (cantitatea de produse care tranzitează arcul A)
x2 = 2 (cantitatea de produse care tranzitează arcul B)
x3 = 1 (cantitatea de produse care tranzitează arcul C)
x4 = 2 (cantitatea de produse care tranzitează arcul D)
x5 = 3 (cantitatea de produse care tranzitează arcul E)
x10 =5 (cantitatea de produse care tranzitează arcul J)
Restul necunoscutelor xi (pe celelalte arce) sunt zero.
Modelul dual are soluţia bazică optimă:
y1 = y2 = y12 = y13 = y14 = y15 = 1 iar restul variabilelor duale yI sunt zero.
fmaxim = gminim = 5 (fluxul maxim al cantităţii de produse care tranzitează reţeaua)
Cu ajutorul fluxului optim într-o reţea se poate optimiza orice problemă tip transport sau de
assignment prezentată în secţiunea 6.4
n reţeaua de transport având ca vârfuri m furnizori F1,…, Fm şi n beneficiari B1,…, Bn se
mai adaugă vârful iniţial V0 şi vârful final Vn.
Capacităţile arcelor (V0, Fi) sunt ofertele ai ale lui Fi iar capacităţile arcelor (Bj, Vn) sunt
cererile bj ale beneficiarilor Bj. Toţi furnizorii FI se unesc prin arce cu toţi beneficiarii Bj (cu
excepţia rutelor interzise).
În probleme de assignment Fi sunt persoane policalificate solicitante de posturi iar Bj sunt
locuri de muncă vacante. În acest caz ai = bj = 1 şi unim pe Fi cu Bj dacă Fi poate îndeplini sarcinile
locului de muncă Bj.
Dacă fiecare Fi poate ocupa cel puţin un loc de muncă Bj, găsirea fluxului maxim asigură
cea mai bună repartiţie a persoanelor pe locurile de muncă.
2.6 Eşalonarea optimă a activităţilor unui proiect agricol prin metoda
drumului critic
Proiectul unui sistem agricol este un complex de activităţi cu anumite durate.
Din punct de vedere al eşalonării în timp, activităţile proiectului se împart în simultane sau
consecutive.
Scopul eşalonării optime a activităţilor proiectului agricol este minimizarea timpului total de
execuţie a proiectului.
111
Pentru aceasta întregul proiect se reprezintă printr-o reţea astfel:
Vârfurile reţelei sunt stadii de execuţie ale proiectului (v1 este stadiul iniţial iar vn este
stadiul final) iar arcele care le unesc, sunt activităţile proiectului cu duratele lor înscrise pe arce.
Un drum de lungime maximă între vârful iniţial v1 şi vârful final vn, se numeşte drum critic.
Am văzut în secţiunea 2.5 că problema găsirii drumului critic se formulează şi se rezolvă ca
o problemă de optimizare liniară cu variabile bivalente.
Conform teoremei de dualitate 2.1 din secţiunea 2.2, timpul total minim de execuţie a
proiectului este egal cu lungimea maximă a drumului critic.
Activităţile de pe drumul critic se vor numi activităţi critice deoarece ele trebuie executate
una după alta fără pauze, pentru a menţine timpul total de execuţie a proiectului la valoarea sa
minimă.
Activităţile din afara drumului critic se numesc activităţi necritice, ele având rezerve de
timp fără afectarea valorii minime a timpului total de execuţie a proiectului.
În concluzie, drumul critic reprezintă coloana vertebrală a proiectului agricol.
Duratele activităţilor se calculează după normele de deviz astfel: durata tij a unei activităţi
care pleacă din stadiul vi şi soseşte în stadiul vj, este: tij = (Volumul activităţii în zile-om sau ore-
agregat)/(numărul de muncitori sau utilaje x norma unui muncitor sau utilaj).
Varianta deterministă a drumului critic se numeşte CPM (Critical Path Method) şi foloseşte
duratele constante tij ale activităţilor calculate ca mai sus.
Pentru găsirea drumului critic, procedăm astfel:
Pentru fiecare vârf vi al reţelei se calculează intervalul său de fluctuaţie [ti; ti*].
Mărimea ti reprezintă intervalul de timp minim de la începerea execuţiei proiectului până se
ajunge în stadiul vi de execuţie a proiectului, adică până se execută toate activităţile pe toate
drumurile din reţea care pleacă din v1 şi sosesc în vi.
Mărimea ti* reprezintă intervalul de timp maxim de la începerea execuţiei proiectului până
se ajunge în stadiul vi de execuţie a proiectului, astfel ca timpul total de execuţie a proiectului să
rămână la nivelul său minim.
Mărimile ti se calculează de la v1 la vn astfel: t1 = 0, iar pentru situaţia:
vi vj
o-------------→------------o
ti tij tj
dacă s-a calculat ti, avem tj = maxim (ti + tij) pentru toate arcele care sosesc în vârful vj.
Arcele care dau acest maxim, se marchează cu o liniuţă.
Mărimile ti* se calculează de la vn la v1 astfel: tn* = tn, iar pentru situaţia:
vi vj
o-------------→------------o
t i* tij t j*
dacă s-a calculat tj, avem ti* = minim (tj - tij) pentru toate arcele care pleacă din vârful vi.
Arcele care dau acest minim, se marchează cu o liniuţă.
Drumul de la v1 la vn cu dublu marcaj pe toate arcele sale, va fi drumul critic.
Pe acest drum pentru toate vârfurile sale vi avem ti = ti* ceea ce justifică denumirea de
activităţi critice dată activităţilor de pe drumul critic.
Drumul critic conţine în mod obligatoriu vârfurile v1, vn şi doar o parte din vârfurile
intermediare v2,…, vn-1.
Activităţile necritice au următoarele rezerve de timp:
Rezerva totală Rt (vi, vj) = tj* - ti - tij desemnează situaţia că am ajuns cel mai devreme în
stadiul vi şi vrem să ajungem cel mai târziu în stadiul vj.
Rezerva liberă Rl (vi, vj) = tj - ti - tij desemnează situaţia că am ajuns cel mai devreme în
stadiul vi şi vrem să ajungem cel mai devreme în stadiul vj.
Rezerva intermediară Ri (vi, vj) = tj* – ti* - tij desemnează situaţia că am ajuns cel mai târziu
în stadiul vi şi vrem să ajungem cel mai târziu în stadiul vj.
112
Rezerva sigură Rs (vi, vj) = tj – ti* - tij desemnează situaţia că am ajuns cel mai târziu în
stadiul vi şi vrem să ajungem cel mai devreme în stadiul vj.
Evident avem Rt ≥ Rl ≥ Rs şi Rt ≥ Ri ≥ Rs.
Pentru activităţi critice avem ti = ti* şi tj = tj* aşa că Rt = Rl = Ri = Rs = 0 ceea ce în cuvinte
înseamnă că activităţile critice nu au niciun fel de rezerve de timp, executându-se una după alta fără
pauze.
Rezerva de timp intermediară Ri a unei activităţi necritice, poate fi folosită pentru
eliminarea timpilor morţi ai forţei de muncă şi utilajelor.
Astfel prelungirea duratei tij ai unei activităţi necritice cu rezerva sa intermediară Ri (vi, vj)
permite degrevarea de la această activitate a unui procent egal cu Ri (vi, vj)/(tij + Ri (vi, vj)) din forţa
de muncă şi utilajele repartizate iniţial activităţii necritice de la vi la vj.
În acest caz graful proiectului trebuie reexaminat căci pot apare noi drumuri critice.
În proiecte complexe, acestea se împart în subproiecte mai simple Pi cu grafuri proprii şi
care au durate de execuţie minime Ti găsite cu metoda drumului critic ca mai sus.
În graful coordonator al proiectului complex, subproiectul Pi devine o activitate cu durata Ti.
Din graful coordonator se determină cu metoda drumului critic durata totală minimă T de execuţie
a proiectului complex.
Metoda PERT se aplică atunci când durata tij a unei activităţi nu mai este constantă ci este
cuprinsă într-un interval: aij ≤ tij ≤ bij.
Mărimea aij se numeşte durata optimistă iar bij se numeşte durata pesimistă a activităţii
respective.
Aceste durate aij şi bij se stabilesc în raport de starea forţei de muncă şi a utilajelor, de
aprovizionarea cu materii prime, materiale şi combustibil necesare pentru execuţia activităţii
respective.
Valoarea medie a duratei tij este dată de relaţia: tmij = (aij + [Link] + bij)/6 iar abaterea-standard
a lui tij este: sij = (bij – aij)/6.
Conform teoremei limită-centrală, suma T a unui număr mare de variabile aleatoare
independente tij cu mediile tmij şi abaterile-standard sij este o variabilă aleatoare normală cu media
TMmin = Σ tmij şi abaterea – standard ST = (Σ sij2)1/2 (în aceste sume se includ doar activităţile
critice).
(T – TMmin)/ST este variabilă N(0, 1) deci:
(1) P (T < Tcontract) = F ((Tcontract - TMmin)/ST) = 1 - α
Dacă se dă Tcontract, din relaţia (1) se poate afla probabilitatea de a nu-l depăşi.
Din relaţia (1) rezultă:
(2) Tcontract = TMmin + u α .sT
deci se poate calcula Tcontract care poate fi respectat cu probabilitatea 1 – α şi depăşit cu riscul α.
Pentru α = 5% avem u0.05 = 1.65; pentru α = 1% avem u0.01 = 2.33 iar pentru α = 0.1% avem
u0.001 = 3.08
Varianta deterministă CPM se poate obţine din varianta aleatoare PERT pentru aij = tij = bij
deci tmij = tij şi sij = 0.
Programele specializate QM, MSS, WINQSB calculează drumul critic pentru ambele
variante CPM şi PERT.
Programul DCRITIC elaborat de autor, se găseşte în Anexa 1 a lucrării [53] şi calculează
dumul critic după metoda de mai sus, fiind necesare datele:
a) Numărul n de vârfuri;
b) Numărul maxim p de arce care unesc direct două vârfuri vi şi vj ale reţelei.
c) Semimatricea cu cele p durate ale activităţilor care unesc vârful vi cu toate vârfurile vj (j > i)
pentru i = 1,…, n-1.
Programul livrează un tabel cu intervalele de fluctuaţie ale vârfurilor vi, un tabel cu
activităţile critice şi necritice ale proiectului şi un tabel cu rezervele de timp Rt, Rl, Rs ale
activităţilor necritice.
113
Exemplu:
Fie proiectul agricol al campaniei de recoltare orz-grâu care conţine activităţile cu durate
din tabelul de mai jos.
Calculăm duratele medii tmij şi abaterile-standard sij cu formulele de mai sus.
Se cere drumul critic, durata minimă Tmin pentru varianta CPM respectiv Tcontract cu
încrederea 95% pentru varianta PERT şi rezervele de timp ale activităţilor necritice.
Soluţie:
Avem tabloul cu activităţi ale proiectului:
Cod Denumire activitate Activit a ij tij bij tmij sij
activit. Anter.
A Recoltat orz - 4 5 6 5 0.33
B Transport boabe orz A 3 4 4 3.83 0.17
C Balotat paie orz A 5 6 6 5.83 0.17
D Transport baloţi paie orz C 3 3 3 3 0
E Construit şiră paie orz D 4 5 8 5.33 0.67
F Arat şi grăpat după orz D 5 5 8 5.5 0.5
G Recoltat grâu D 7 8 9 8 0.33
H Transport paie grâu G 6 6 6 6 0
I Balotat paie grâu G 6 8 8 7.67 0.33
J Transport baloţi paie grâu I 4 4 4 4 0
K Construit şiră paie grâu J 4 5 8 5.33 0.67
L Condiţionat orz-grâu sămânţă H 4 4 4 4 0
M Treierat orz-grâu staţionar H 3 3 3 3 0
N Arat şi grăpat după grâu J 5 6 6 5.83 0.17
O Pregătit terenul pentru porumb masă verde F, N 2 2 2 2 0
P Însămânţat porumb masă verde O 3 3 3 3 0
1) Lucrăm în varianta CPM cu duratele constante tij ale activităţilor.
Mai întâi construim graful proiectului pe baza coloanei cu activităţi anterioare din tabelul
anterior.
114
Pe baza grafului precizăm datele pentru programul DCRITIC:
a) n = 10 vârfuri;
b) p = 2 arce = numărul maxim de arce care unesc direct două vârfuri oarecare;
c) Semimatricea cu duratele de la fiecare vârf vi la vârfurile vj care urmează după el (j > i).
v2 v3 v4 v5 v6 v7 v8 v9 v10
v1 5,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
v2 4,6, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
v3 3,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
v4 8,0, 0,0, 0,0, 5,0, 0,0, 5,0
v5 6,8, 0,0, 0,0, 0,0, 0,0
v6 4,0, 0,0, 0,0, 4,3
v7 6,0, 0,0, 5,0
v8 2,0, 0,0
v9 3,0
În tabelul care urmează se calculează intervalele de fluctuaţie ale vârfurilor v1 – v10:
Vârf vI ti ↓ Arc marcat t i* ↑ Arc marcat
v1 0 - 5–5=0 A
v2 0+5=5 A min (11 - 4; 11 - 6) = 5 C
v3 max (5 + 4; 5 + 6) = 11 C 14 - 3 = 11 D
v4 11 + 3 = 14 D min (22 - 8; 40 - 5; 45 - 5) = 14 G
v5 14 + 8 = 22 G min (30 + 6; 30 + 8) = 22 I
v6 max (22 + 6; 22 + 8) = 30 I min (45 - 4; 45 - 3; 34 - 4) = 30 J
v7 30 + 4 = 34 J Min (45 - 5; 40 - 6) = 34 N
v8 max (34 + 6; 14 + 5) = 40 N 42 - 2 = 40 O
v9 40 + 2 = 42 O 45 – 3 = 42 P
v10 max (30 + 4; 30 + 5; 34 + 5; P 45 -
42 + 3; 14 + 5) = 45
Urmează tabelul cu activităţi critice şi necritice:
Cod ACTIVITATE ÎNCEPUT SFÂRŞIT Stare Critică
activit. PLECARE SOSIRE RUTA Iminim Imaxim Sminim Smaxim
A v1 v2 1 0 0 5 5 Critică
B v2 v3 1 5 7 9 11 -
C v2 v3 2 5 5 11 11 Critică
D v3 v4 1 11 11 14 14 Critică
E v4 v10 1 14 40 19 45 -
F v4 v8 1 14 35 19 40 -
G v4 v5 1 14 14 22 22 Critică
H v5 v6 1 22 24 28 30 -
I v5 v6 2 22 22 30 30 Critică
J v6 v7 1 30 30 34 34 Critică
K v7 v10 1 34 40 39 45 -
L v6 v10 1 30 41 34 45 -
M v6 v10 2 30 42 33 45 -
N v7 v8 1 34 34 40 40 Critică
O v8 v9 1 40 40 42 42 Critică
P v9 v10 1 42 42 45 45 Critică
115
Drumul critic este v1 A v2 C v3 D v4 G v5 I v6 J v7 N v8 O v9 P v10 cu lungimea maximă de
45 zile egală cu durata minimă a proiectului agricol.
În tabelul următor avem rezervele de timp ale activităţilor necritice.
Cod ACTIVITATE Rt Rl Ri Rs tij + Ri
activit. PLECARE SOSIRE RUTA
B v2 v3 1 2 2 2 2 6
E v4 v10 1 26 26 26 26 31
F v4 v8 1 21 21 21 21 26
H v5 v6 1 2 2 2 2 8
K v7 v10 1 6 6 6 6 11
L v6 v10 1 11 11 11 11 15
M v6 v10 2 12 12 12 12 15
Dacă f este volumul forţei de muncă pentru durata tij iar f* este volumul forţei de muncă
pentru durata tij + Ri, avem tij.f = (tij + Ri). f* deci f*/f = tij/(tij + Ri).
De exemplu pentru activitatea B raportul între volumul noii forţe de muncă f* şi volumul
vechii forţe de muncă f este f*/f = 4/6 = 67%.
2)Lucrăm în varianta PERT cu duratele medii tmij şi cu abaterile-standard sij ale activităţilor.
Graful proiectului este acelaşi dar duratele arcelor au valorile tmij .
Drumul critic este acelaşi dar cu lungimea minimă TM min 44.33 zile .
Avem s T sij2 pentru activităţi critice deci :
s T 0.332 0.17 2 0 2 0.332 0.332 0 2 0.17 2 0 2 0 2 0.62 zile
aşa că pentru =5% avem u 0.05 1.65 deci Tcontract TM min u 0.05 s T
44.33 1.65 0.62 45.33 zile cu o încredere de 95%.
În final avem graficul calendaristic în care activităţile critice sunt încercuite .
116
Problema minimizării timpului total de execuţie a unui proiect agricol se poate formula
direct ca problemă de programare liniară.
Exemplu:
Pentru proiectul agricol al campaniei de recoltare orz-grâu de mai sus, avem macheta
modelului liniar:
Vârfuri V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 Semn Limite
Activităţi x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 (zile)
A -1 1 0 0 0 0 0 0 0 0 5
B 0 -1 1 0 0 0 0 0 0 0 4
C 0 -1 1 0 0 0 0 0 0 0 6
D 0 0 -1 1 0 0 0 0 0 0 3
E 0 0 0 -1 0 0 0 0 0 1 5
F 0 0 0 -1 0 0 0 1 0 0 5
G 0 0 0 -1 1 0 0 0 0 0 8
H 0 0 0 0 -1 1 0 0 0 0 6
I 0 0 0 0 -1 1 0 0 0 0 8
J 0 0 0 0 0 -1 1 0 0 0 4
K 0 0 0 0 0 0 -1 0 0 1 5
L 0 0 0 0 0 -1 0 0 0 1 4
M 0 0 0 0 0 -1 0 0 0 1 3
N 0 0 0 0 0 0 -1 1 0 0 6
O 0 0 0 0 0 0 0 -1 1 0 2
P 0 0 0 0 0 0 0 0 -1 1 3
Timp exec. -1 0 0 0 0 0 0 0 0 1 MINIM
Variabila xi (i = 1,…, 10) reprezintă timpul maxim scurs de la data începerii proiectului
până se ajunge în stadiul Vi, în presupunerea că s-au efectuat toate activităţile de pe toate drumurile
care sosesc în Vi.
Restricţiile referitoare la activităţile A – P ale proiectului specifivă faptul că pentru orice
activitate care pleacă din Vi şi ajunge în Vj (i, j = 1,…, 10, i < j) şi care are durata ti j, această durată
trebuie respectată deci avem restricţia xj xi + ti j adică - xi + xj ti j.
Funcţia-obiectiv a modelului este durata totală de execuţie a proiectului f = x10 – x1 = minim.
Modelul dual are necunoscutele proprii y1,…, y16 cu semnificaţia: yi = 1 dacă activitatea
corespunzătoare este critică şi yi = 1 în caz contrar.
Modelul dual are restricţiile pe coloanele machetei de mai sus, toate fiind egalităţi iar
funcţia-obiectiv duală g are coeficienţii pe ultima coloană cu limite a machetei precedente şi se
caută gmaxim adică drumul critic cu lungimea maximă de la V1 la V10.
Dealtfel un asemenea model ca cel dual, a fost formulat în secţiunea 2.4 pentru găsirea
drumului de lungime maximă într-o reţea.
Soluţia optimă a modelului primal de mai sus este: x1 = 0; x2 = 5; x3 = 11; x4 = 14; x5 = 22;
x6 = 30; x7 = 34; x8 = 40; x9 = 42; x10 = 45 adică chiar valorile t*i (i = 1,…, 10) găsite mai sus.
Variabilele de egalizare primale xe1,…, xe16 sunt chiar rezervele intermediare Ri ale celor
16
activităţi A - P ale proiectului, care au fost calculate mai sus în tabelul cu rezerve de timp ale
activităţilor necritice. Avem fminim = 45 zile.
Soluţia optimă a modelului dual este: y1= y3 = y4 = y7 = y9 = y10 = y14 = y15 = y16 = 1, iar
restul de variabile duale sunt nule. Variabilele duale nenule corespund activităţilor critice A, C, D,
G, I, J, N, O, P găsite mai sus iar lungimea maximă a drumului critic este gmaxim = 45.
117
2.7 Rezumat
În acest capitol se prezintă trei modele de optimizare a producţiei agricole, se studiază
dualitatea acestor modele urmată de optimizarea lor cu metoda simplex cu calculatorul. Capitolul se
încheie cu metoda drumului critic pentru eşalonarea optimă a activităţilor unui proiect agricol.
2.8 Întrebări
1. Care sunt părţile componente ale unui model liniar de optimizare a producţiei agricole?
2. Cum se formulează dualul unui model liniar de optimizare?
3. În ce constă metoda de optimizare simplex?
4. Ce este drumul critic într-o reţea?
2.9 Bibliografie
1. Stănăşilă O.: “Analiză liniară şi geometrie” Vol. I - II, Editura ALL, 2000 - 2001
2. Cenuşă Gh. şi col.: “Matematici pentru economişti”, Editura CISON, 2000
3. Cenuşă Gh. şi col.: “Matematici pentru economişti – culegere de probleme”, Editura CISON,
2000
4. Ene D.: “Matematici (I)”, Editura CERES, 2004
5. Gogonea S., Ene D.: “Analiză numerică”, Editura Cartea Universitară, 2005
6. Ene D., Gogonea S.: “Metode numerice”, Editura Cartea Universitară, 2005
7. Ene D., Ioniţescu E.: “Cercetări operaţionale în agricultură”, USAMV-ID, 2006
8. Ene D.: “Matematică aplicată în agricultură”, Editura CERES, 2006
118
CAPITOLUL 3. ANALIZĂ MATEMATICĂ
Obiective: Însuşirea de către studenţi a rolului derivatelor de ordinul întâi şi doi în studiul
funcţiilor reale de o variabilă reală şi găsirea extremelor acesteia, a rolului derivatelor parţiale de
ordin unu şi doi în studiul funcţiei reale de n variabile reale şi mai ales a găsirii extremelor libere
sau cu legături ale funcţiei.
Cuprins:
3.1 Calcul diferenţial pentru funcţii de o variabilă reală
3.1.1 Funcţii elementare şi aplicaţii
3.1.2 Rolul derivatelor de ordinul unu şi doi în studiul funcţiilor de o variabilă reală
3.1.3 Optimele funcţiilor de o variabilă reală şi aplicaţii
3.1.4 Funcţii cumulate în timp cu ajutorul integralei
3.2 Calcul diferenţial pentru funcţii de n variabile reale
3.2.1 Rolul derivatelor parţiale de ordinul unu şi doi în studiul funcţiilor de n
variabile reale
3.2.2 Extreme libere ale funcţiilor de n variabile reale
3.2.3 Extreme cu legături ale funcţiilor de n variabile reale
3.3 Rezumat
3.4 Întrebări
3.5 Bibliografie
Cuvinte-cheie: funcţie reală de o variabilă reală, derivate de ordin întâi şi doi, maximele şi
minimele unei funcţii, funcţie reală de n variabile reale, derivate parţiale de ordinul unu şi doi,
maximele şi minimele libere sau condiţionate ale unei funcţii.
3.1 CALCUL DIFERENŢIAL PENTRU FUNCŢII DE O VARIABILĂ
REALĂ
3.1.1 Funcţii elementare şi aplicaţii
O funcţie reală de variabilă reală definită pe A R cu valorile în B R , este o
corespondenţă care asociază fiecărui element x A , un element unic y f x B .
Dacă x este factor sau sursă fizică (consum) sau sursă valorică (cheltuieli) iar y este
producţie fizică sau valorică (venit, profit, rată profit) atunci funcţia f se numeşte funcţie de
producţie.
Cheltuielile pentru resurse sunt egale cu consumurile de resurse înmulţite cu costurile
resurselor iar venitul din produse este egal cu producţia fizică înmulţită cu preţul de vânzare al
produselor.
Cheltuielile au drept componente cheltuielile materiale, cele cu forţa de muncă şi cele
neproductive (taxe, impozite, TVA). Profitul este diferenţa între venituri şi cheltuieli iar rata
profitului este raportul între profit şi cheltuieli. Funcţii de producţie concrete găsite din datele reale,
sunt funcţiile de regresie din statistică.
Din definiţia funcţiei rezultă că dacă x1 x2 avem y1 f x1 f x2 y2 şi că f(A) = {y
există cel puţin un x A cu y = f(x)} B.
119
Dacă f(x1) = f(x2) implică x1 = x2, funcţia f se numeşte injectivă iar dacă f(A) = B, funcţia se
numeşte surjectivă. O funcţie injectivă şi surjectivă, se numeşte bijectivă. O funcţie reală se
precizează prin expresia analitică y = f(x) şi mulţimile A, B sau prin tabel de valori:
X x1 ------------------- xn
Y y1 ------------------- yn
cu legea de corespondenţă yi f xi ; i 1,..., n şi A x1 ,..., xn , B y1 ,..., yn .
Orice funcţie se poate reprezenta grafic într-un sistem de axe ortogonale printr-o curbă
plană în care orice paralelă la Ox prin y0 f A taie graficul lui f cel puţin într-un punct şi orice
paralelă la Oy prin x0 A , taie graficul lui f exact într-un punct. Dacă funcţia f este bijectivă, orice
paralelă la Ox prin y0 f A taie graficul lui f exact într-un punct.
Fie o funcţie f : a, b R pentru care nu se cunoaşte expresia analitică dar se cunosc
valorile lui f în n puncte ale diviziunii: a x1 x2 ... xn1 xn b şi anume:
(1) yi f xi 1 i n
O funcţie cu expresia analitică cunoscută care îndeplineşte condiţiile (1) este polinomul de
interpolare Lagrange de grad n-1 cu expresia:
n
x x1 ... x xi 1 x xi 1 ... x xn
y Pn 1 x yi
i 1 xi x1 ... xi xi 1 xi xi 1 ... xi xn
Clase de funcţii elementare:
1. Funcţia liniară y B0 B1 x ; A B R
2. Funcţia polinomială y B0 B1 x ... Bm x m ; ABR
B0 B1 x ... Bm x
m
3. Funcţia cât de polinoame y ; A R \ x C0 C1x ... Cn x n 0 ;
C0 C1 x ... Cn x n
BR
4. ABR
Funcţia putere y x a ;
5. Funcţia exponenţială y a x ; A R , B 0; a 0, a 1
6. Funcţia logaritmică y log a x , B R , A 0; a 0, a 1
7. Funcţiile trigonometrice directe:
a) y sin x , A = R; B = [-1; 1]
b) y cos x , A = R; B = [-1; 1]
2k 1 π
c) y tg x , A R \ x x ,k Z ; B = R
2
8. Funcţiile trigonometrice inverse:
π π
d) y arcsin x , A 1; 1 ; B ;
2 2
π
e) y arccos x , A 1; 1 ; B 0;
2
π π
f) y arctg x , A R ; B ;
2 2
Funcţiile 1), 4) – 6), 8 d) – f) sunt bijective.
120
Teorema 3.1
1) Fie valorile lui x în progresie aritmetică. Avem y B0 B1 x dacă şi numai dacă valorile lui y
sunt în progresie aritmetică.
2) Fie valorile lui x în progresie geometrică. Avem y b0 x B1 dacă şi numai dacă valorile lui y
sunt în progresie geometrică.
3) Fie valorile lui x în progresie aritmetică. Avem y b0 eB1x dacă şi numai dacă valorile lui y
sunt în progresie geometrică.
4) Fie valorile lui x în progresie geometrică. Avem y ln b0 x B1 dacă şi numai dacă valorile lui
y sunt în progresie aritmetică.
Demonstraţie:
1) Fie valorile lui x în progresie aritmetică: x1, x2 x1 r ,..., xn x1 n 1 r ,...
Valorile luiy B0 B1x sunt tot în progresie aritmetică: y1 B0 B1x1 ,
y2 B0 B1 x1 r B0 B1 x1 B1r y1 rB1 ,..., yn
B0 B1 x1 n 1 r B0 B1 x1 n 1 rB1,...
Reciproc, dacă valorile lui y sunt în progresie aritmetică:
y1, y2 y1 t ,..., yn y1 n 1 r ,... pentru a avea yn B0 B1xn pentru orice n N, trebuie
ca y1 n 1 t B0 B1 x1 n 1 r de unde prin identificarea coeficienţilor lui n şi a
termenilor liberi din ambii membri rezultă y1 B0 B1 x1 ; t B1r
2) Valorile lui x sunt în progresie geometrică dacă şi numai dacă valorile lui log x sunt în
progresie aritmetică. În adevăr, dacă avem x1, x2 x1q,..., xn x1q n1,... atunci avem
ln x1,ln x2 ln x1 ln q,...,ln xn ln x1 n 1ln q,...
Reciproc, dacă avem ln x1 ,ln x2 ln x1 p,...,ln xn ln x1 n 1 p,... atunci avem
x1, x2 x1e p ,..., xn x1 e p
n1
,...
y b0 x B1 devine prin logaritmare log y = B1 log x + B0 unde B0 = log b0.
Dacă valorile lui x sunt în progresie geometrică atunci valorile lui log x sunt în progresie
aritmetică deci conform punctului 1) avem ln y B1 ln x B0 dacă şi numai dacă valorile lui
ln y sunt în progresie aritmetică ceea ce se întâmplă dacă şi numai dacă valorile lui y sunt în
progresie geometrică.
3) y b0e 1 devine prin logaritmare log y B1 x B0 unde B0 = log b0.
Bx
Dacă valorile lui x sunt în progresie aritmetică, conform punctului 1) avem log y
B1x B0 dacă şi numai dacă valorile lui log y sunt în progresie aritmetică şi aceasta se întâmplă
dacă şi numai dacă valorile lui y sunt în progresie geometrică.
4) y ln b0 x
B1
devine y B ln x B 1 0 unde B0 lnb0 .
Dacă valorile lui x sunt în progresie geometrică atunci valorile lui log x sunt în progresie
aritmetică deci conform punctului 1) avem y B1 ln x B0 dacă şi numai dacă valorile lui y sunt
în progresie aritmetică.
În concluzie, transformările progresiilor aritmetică şi geometrică se fac cu ajutorul funcţiilor
liniară, putere, exponenţială şi logaritmică după schema:
121
Progresie Funcţia liniară Progresie
aritmetică aritmetică
Fu
nc ică
ţia itm
gar
lo
ex
p on
a
ncţi en
ţia
Fu lă
Progresie Funcţia putere Progresie
geometrică geometrică
Q.E.D.
Aplicaţii ale funcţiilor elementare
A).Funcţia exponenţială negativă
Fie y0 = f(0) şi P plafonul funcţiei.
1) y0 < P deci P este plafon superior pentru f(x)
Funcţia este:
Pentru b > e avem logistica, crescătoare de la y0 la P, cu punctul de inflexiune xi = (ln b)/a şi
cu graficul:
Pentru b≤ e avem curba de saturaţie, crescătoare de la y0 la P şi cu graficul:
2) y0 > P deci P este plafon inferior pentru f(x)
Funcţia este:
122
(y0 P )(b 1)
y=P+
e ax b
Pentru b > e avem logistica, descrescătoare de la y0 la P, cu punctul de inflexiune xi = (ln b) /a
şi cu graficul:
Pentru b ≤ e avem curba de saturaţie, descrescătoare de la y0 la P şi cu graficul:
B). Funcţia de concentrare/diluare
1) Funcţia de concentrare este y = y0 + xa .e- bx unde y0 = f(0).
Ea are punctul de maxim x0 = b/a şi punctele de inflexiune:
a a a a
x1 şi x2
b b
Graficul are forma:
2) Funcţia de diluare este y = y0 - xa .e- bx unde y0 = f(0).
Ea are punctul de maxim x0 = b/a şi punctele de inflexiune:
123
a a a a
x1 şi x2
b b
Graficul are forma:
C). Funcţia seismică asimetrică
I .Unda putere :
4h-2 x r x
M.( 4h-3 . a ) .sin (2h 1). . a pentru 0 x a
y =
M.( 4k-2 . b x ) r .sin (2k 1). . b x pentru a x b
4k-3 b a b a
II .Unda exponenţială :
ax
4h-2 r 1 x
M.( ). .sin (2 h 1). . pentru 0 x a
4h-3 r 1 a
y =
bbax
M.( 4k-2 r 1 b x
). .sin (2 k 1). . pentru a x b
4k-3 r 1 b a
Parametrii din expresiile precedente au semnificaţia următoare:
a = momentul mijlocului undei maxime absolute (separă unda ascendentă de cea descendentă);
b = momentul încetării undei;
h = numărul de maxime ale undei ascendente;
k = numărul de minime ale undei descendente;
x1 = ((4h - 3)/(4h - 2)).a este punctul de maxim absolut al undei iar valoarea maximă absolută este M;
x2 = ((4k - 1)/(4k - 2)).a este punctul de minim absolut al undei iar valoarea minimă absolută este M;
r = parametru de undă (r > 1);
De exemplu pentru h = 2 şi k = 3 avem graficul:
124
4) Calculul concentraţiei pe termen lung
În administrarea îngrăşămintelor, ierbicidelor, insecticidelor, vaccinurilor etc., concentraţia
acestora se calculează astfel: vom presupune că materialele precedente se administrează în doze
egale cu d la intervale de timp egale cu x.
1 e x x e x e 2 x
Doza 1: d d d ; Concentraţia reziduală 1: r d e d
1 e x 1 e x
1 1 1
1 e x x e x e 3 x
Doza 2 : d 2 r1 d d ; Concentraţia reziduală 2: r d e d
1 e x 1 e x
2 2
e x e
n 1 x
1 e nx x
Doza n : d d n 1 d d ; Concentraţiareziduală n: r d e d
1 e x 1 e x
n n n
1 e x
Avem lim d n d ; lim r d deci după un număr mare de administrări
n 1 e x n n 1 e x
ale dozei constante d la intervale de timp egale cu x, concentraţia aparţine intervalului:
e x 1
d 1 e x ; d 1 e x de lungime d.
Grafic, valorile concentraţiei y în raport cu lungimea x a intervalului de timp între două
administrări succesive, sunt cuprinse în aria haşurată de înălţimea d:
0 ln2 x
Exemplu:
Un ierbicid se administrează în doze constante egale cu d 5mg / m2 la intervale de timp
egale cu x 2 luni. Să se afle intervalul de variaţie al concentraţiei ierbicidului după un număr
mare de administrări.
125
Soluţie:
Pentru d 5 ; x 2 avem:
e x e2
d 5 0.78mg / m2
1 e x 1 e2
1 1
d x
5 5.78mg / m2
1 e 1 e2
5) Calculul dobânzilor
a) Dobânda simplă
Fie y0 suma împrumutată de la bancă şi care trebuie restituită în x ani cu dobânda anuală
d % . Suma împrumutată y0 este rambursată în x ani în rate anuale de y0/x lei. La aceste rate se
adaugă dobânzile anuale în lei pentru debitele existente în anul respectiv.
y y
În primul an debitul este y0 0 lei deci dobânda este y0 0 d lei.
x x
-------------------------------------------------------------
x 1 y
În al x - lea an, debitul este y0 y0 lei deci dobânda este y0 x 1 0 d lei.
x x
Dobânda totală în x ani în lei va fi:
y y yd
T y0 d y0 0 d ... y0 x 1 0 y0 xd 0 1 2 ... x 1
x x x
y0 d x 1 x x 1
y0 xd y0 d
x 2 2
T x 1
Dobânda anuală pe x ani în procente este D
y0
2
d % deci o funcţie liniară de x.
Suma totală ce se restituie în x ani este: y y0 1 D . Dobânda D ajunge egală cu P %
2P
dacă rambursarea se face în 1 ani.
d
Exemplu:
O asociaţie agricolă împrumută de la bancă suma de y0 = 12000 lei, care vor fi rambursaţi în
x 10 ani cu dobânda anuală d 5% . Se cere dobânda totală D % şi suma totală y ce trebuie
restituită în x 10 ani. În câţi ani avem D 50% ?
Soluţie:
x 1 10 1
D d de unde D 0.05 27,5%
2 2
y y0 1 D de unde y = 15300 lei.
2P
P 50% în 1 19 ani
d
b) Dobânda compusă
Fie y0 suma depusă la bancă în momentul zero pentru care se adaugă dobânda anuală d %
.
În primul an, depozitul este y0 deci valoarea dobânzii este y0 d lei.
În al doilea an, depozitul este y0 1 d deci valoarea dobânzii este y0 1 d d lei.
126
-------------------------------------------------------------
În al x-lea an, depozitul este y0 1 d deci valoarea dobânzii este y0 1 d d lei.
x 1 x 1
Dobânda totală pe x ani în lei va fi:
T y0 d y0 1 d d ... y0 1 d d y0 d 1 1 d ... 1 d
x 1 x 1
1 d 1
x
y0 d y0 1 d 1
x
d
Dobânda totală pe x ani în procente este: D 1 d 1 adică o funcţie exponenţială de x.
x
Suma totală acumulată după x ani este: y y0 1 D
log 1 P
Dobânda ajunge egală cu P % după trecerea a ani
log 1 d
Exemplu:
Un fermier depune la bancă anual suma y0 = 500 lei pentru care se acordă dobânda anuală
d 5% . Se cere dobânda totală D % şi suma totală acumulată y după x 10 ani. În câţi ani
avem D 100% ?
Soluţie:
Avem D 1 d 1 de unde D 1 0.05 1 63%
x 10
Avem y y0 1 D de unde y = 815 lei
log 1 P
P 100% în 14 ani
log 1 d
6) Evaluarea numărului de fructe pe pom
Date necesare:
NF = Numărul de flori pe pom = 2542
F = Proporţia de flori viabile = 0.9
S = Numărul de ovule pe floare = 10
0 = Proporţia de ovule fertile pe floare = 0.6
= Numărul de vizite ale insectelor pe oră şi pe floare = 0.4
= Probabilitatea ca o vizită de insectă să fecundeze un ovul dat într-o floare = 0.1
Parametrii perioadei de polenizare efectivă: α 0.5 şi β 3
δ k = viteza de cădere a fructelor cu k seminţe k 0,1,...,S
St
= factor de stress = 0.99
P t
Rezultate:
1)Numărul de fructe cu k seminţe pe pom la momentul zero este:
β
S!θ0n j μ
j nk
S k
M k 0 N f θ F 1 θ0 1 1 1 1 θ
S n
n k j 0 S n ! n k ! k j ! j ! α
2)Numărul de fructe cu zero seminţe pe pom la momentul zero este:
β
S n μ
n
S
S!
M0 0 N f 1 θ F N f θ F θ0n 1 θ0 1 1 1 θ
n 0 S n !n ! α
127
3)Numărul de fructe cu k seminţe pe pom la momentul t este:
S a
M k t M k 0 exp δk t 1 du ; k 0,1,...,S
0
P a
S
4)Numărul de fructe total pe pom la momentul t este: M t M k t
k 0
Diferenţa între numărul de fructe pe pom la momentele 0 şi t este numărul de fructe căzute
din pom (cu sau fără seminţe).
3.1.2 Rolul derivatelor de ordinul unu şi doi în studiul funcţiilor de o
variabilă reală
Fie funcţia reală de o variabilă reală y f x , f : A R B R şi fie x0 A .
Numărul real L este limita funcţiei f în x0 (Notaţie L lim f x ) dacă pentru orice ε 0
x x0
există δ ε 0 astfel că dacă x x0 δ ε să avem f x L 0
Pentru ca f să aibă limita L în x0 , trebuie ca L să existe, să fie unică şi finită.
O definiţie echivalentă pentru limită este: L lim f x dacă pentru orice şir de numere
x x0
reale xn A cu xn x0 , să avem şirul de numere reale yn f xn convergent către
L . Notaţie : yn L . Limita L a funcţiei f în x0 există, este finită şi unică dacă şi numai dacă
limitele laterale LS lim f x , Ld lim f x există, sunt finite şi egale.
x x0 x x0
x x0 x > x0
Proprietăţi ale funcţiilor reale
1) Funcţia reală f este continuă în x0 A dacă există, este unică şi finită L lim f x şi în plus
x x0
L f x0 .
2) Funcţia reală f este derivabilă în x0 A dacă există, este unică şi finită limita:
f x f x0
f ' x0 lim
x x0 x x0
f ' x0 se numeşte valoarea derivatei f ' x a funcţiei f(x) în x0 şi este egală cu panta tangentei
în x0 la graficul lui f: f ' x0 tg α
y
y0
0 x0 x
Ecuaţia acestei tangente este: y f x0 f ' x0 x x0
128
Corespondenţax0 f ' x0 defineşte o nouă funcţie y f ' x0 cu
f ': D A R B R , numită derivata întâi a funcţiei f. Mărimea df x0 f ' x0 dx se
numeşte diferenţiala de ordinul întâi a lui f în x0.
Derivata derivatei întâia se numeşte derivata a doua a funcţiei f : f '' x f ' x ' .
Mărimea d 2 f x0 f '' x0 dx se numeşte diferenţiala de ordinul doi a funcţiei f.
2
Mai general, derivata de ordin n a lui f se defineşte inductiv fxn fxn1 ' .
x x x0 este creşterea valorică a variabilei x iar x/x0 este creşterea procentuală a
variabilei x.
y y y0 este creşterea valorică a funcţiei y f x iar y/y0 este creşterea
procentuală a funcţiei y f x .
y y x
f ' x0 lim este derivată valorică în timp ce E x0 lim / este derivată
x x0 x x x0
0
y x0
x0 f ' x0
procentuală şi se numeşte elasticitatea funcţiei f în x0. Avem E x0
f x0
Fie x1 x0 . Conform teoremei Lagrange, există x2 x1 astfel că
y f x2 f x1 y x x0
f ' x0 şi deci : f ' x0 E x0 .
x x2 x1 y0 x0 y0
y M2
M1 M0
0 x1 x0 x2 x
În adevăr, M2 este intersecţia graficului cu coarda M1M2 paralelă cu tangenta M0T iar x2
y
este abcisa lui M2. În concluzie, derivata instantanee f ' x0 este egală cu derivata medie iar
x
x y x
elasticitatea instantanee E x0 0 f ' x0 este egală cu elasticitatea medie : calculate pe
y0 y0 x0
un interval convenabil ales x1 , x2 care conţine pe x0 .
Formule de derivare pentru funcţii elementare
1. C' 0
2. ( xa ) = axa-1 (a R)
x
3. (ax) = a ln a ; (ex) = ex
1 1
4. log a x ' ; ln x '
x ln a x
5. sin x ' cos x
129
6. cos x ' sin x
1
7. tg x '
cos 2 x
1
8. arcsin x '
1 x2
1
9. arccos x '
1 x2
1
10. arctg x ' 2
x 1
Formule de derivare în operaţii cu funcţii:
I. f x g x ' f ' x g ' x
II. f x g x ' f ' x g x f x g ' x
f x f ' x g x f x g ' x
III. '
g x g x
2
Formulele 1. – 10. şi I. – III. le admitem fără demonstraţie.
Derivata logaritmică a funcţiei f în x0 este fL’(x0), dată de relaţia:
n f(x)- n f (x 0 )
n f L' (x 0 ) lim
x x 0 x x0
1
f ' (x 0 )
f(x) x - x0
Re zultă f (x 0 ) lim
'
L =e f (x 0 )
x x 0 f(x )
0
Exemple
n
1) f ( x ) x f ( x ) e
n '
L
x
2) f ( x ) e x f L' ( x ) e
1
3) f ( x ) n x f ( x ) e
'
L
x n x
4) f ( x ) sin x f L' ( x ) e ctg x
5) f ( x ) cos x f L' ( x ) e tg x
3) Funcţia reală f este crescătoare pe A R dacă pentru orice x1 , x2 A cu x1 x2 rezultă
f x1 f x2 . În mod analog se defineşte funcţia descrescătoare pe A R :
x1 x2 f x1 f x2 . O funcţie reală care este fie crescătoare fie descrescătoare pe A se
numeşte funcţie monotonă pe A.
130
4) Funcţia reală f este convexă pe A R dacă pentru orice x1 , x2 A cu x1 x2 rezultă
x x2 f x1 f x2
f 1 . Graficul unei funcţiei convexe pe A are deschiderea în direcţia
2 2
pozitivă a axei 0y iar coarda care uneşte două puncte ale graficului, este deasupra graficului:
y
C x x f x1 f x2
AB f 1 2 AC
2 2
A
0 x1 x1 + x2 x2 x
2
O definiţie echivalentă a convexităţii este: pentru orice x0 A şi orice x1 x0 avem
f x1 f x0 f ' x0 x1 x0 adică ordonata tangentei în x0 la graficul lui f este sub acest
grafic:
y
C
y = f(x) AB f x0 f ' x0 x1 x0 f x1 AC
B
A
0 x0 x1 x
În mod asemănător se defineşte funcţia concavă pe A:
x x2 f x1 f x2
x1 x2 f 1 , respectiv x0 x1 f x1 f x0 f ' x0 x1 x0
2 2
5) Funcţia reală f este mărginită pe A dacă există m, M R astfel că m f x M pentru orice
xA.
6) Funcţia reală f este periodică pe A dacă există T 0 astfel că f x T f x pentru orice
xA.
Exemple:
Funcţiile y sin x , y cos x sunt periodice cu perioada T 2π 360 iar funcţia
y tg x este periodică cu perioada T π 180
Fie f : A R B R , x0 A , ε 0 .
Rolul derivatelor de ordin I şi II în studiul funcţiei reale f, este dat de:
Teorema 3.2
131
1) Dacă f ' x 0 pe intervalul x0 ε; x0 ε atunci f x este crescătoare pe intervalul
x0 ε; x0 ε . f ' x 0 pe intervalul x0 ε; x0 ε atunci f x este
Dacă
descrescătoare pe intervalul x0 ε; x0 ε .
2) Dacă f '' x 0 pe intervalul x0 ε; x0 ε atunci f x este convexă pe intervalul
x0 ε; x0 ε . Dacă f '' x 0 pe intervalul x0 ε; x0 ε atunci f x este concavă pe
intervalul x0 ε; x0 ε .
Demonstraţie:
Dacă f este funcţie cu derivate de toate ordinele continue pe intervalul x0 ε; x0 ε
atunci pentru orice x x0 ε; x0 ε avem formula Taylor (fără demonstraţie):
f ' x0 f '' x0 fx0
n
f x f x0 x x0 x x0 ... x x0 R n x unde
2 n
1! 2! n!
Rn x
lim 0.
x x0
x x0 n
f ' x0
1) Avem formula Taylor pentru n 1: f x f x0 x x0 R1 x cu
1!
R1 x
lim 0 . Pentru x suficient de aproape de x0 , ultimul termen din membrul II este
x x0
x x0 2
f ' x0
neglijabil faţă de cei precedenţi deci f x f x0 şi x x0 au acelaşi semn. Dacă
1!
f ' x0 0 atunci x x0 implică f x f x0 deci f este crescătoare pe x0 ε; x0 ε .
2) Avem formula Taylor pentru n 2 :
f ' x0 f '' x0 R2 x
f x f x0 x x0 x x0 R 2 x cu xlim
2
0.
x x0
x0 2
1! 2!
Pentru x suficient de aproape de x0 , ultimul termen din membrul doi este neglijabil faţă de
f ' x0 f '' x0
cei precedenţi, deci f x f x0 x x0 şi x x0 au acelaşi semn.
2
1! 2!
f ' x0
Dacă f '' x0 0 atunci x1 x0 implică f x1 f x0 x1 x0 deci f este
1!
convexă x0 ε; x0 ε . Dacă f '' x0 0
pe atunci x1 x0 implică
f ' x0
f x1 f x0 x1 x0 deci f este concavă pe x0 ε; x0 ε .Q.E.D.
1!
132
3.1.3 Optimele funcţiilor monofactoriale şi aplicaţii
Funcţia reală f : A R B R are un maxim relativ (local) în x0 A dacă pentru
orice x x0 ε, x0 avem f x f x0 şi pentru orice x x0 , x0 ε avem
f x f x0 , deci pe intervalul x0 ε, x0 ε valoarea f x0 este cea mai mare.
Funcţia reală f : A R B R are un minim relativ (local) în x0 A dacă pentru
orice x x0 ε, x0 avem f x f x0 şi pentru orice x x0 , x0 ε avem
f x f x0 , deci pe intervalul x0 ε, x0 ε valoarea f x0 este cea mai mică.
Punctele de maxim sau minim relative (local) se numesc cu un cuvânt puncte de extreme
relative (locale).
Dacă funcţia f are cel puţin un maxim relativ, cel mai mare maxim relativ se numeşte
maxim absolut (global).
Dacă funcţia f are cel puţin un minim relativ, cel mai mic minim relativ se numeşte minim
absolut (global).
Teorema 3.3 (Fermat)
Fie funcţia f : A R B R şi x0 A . Dacă f este derivabilă în x0 şi x0 este punct
de maxim sau minim relativ, atunci f ' x0 0 .
Demonstraţie:
Fie de exemplu x0 = punct de maxim relativ. Pentru x x0 ε, x0 avem
f x f x0
f x f x0 deci 0 şi la limită pentru x x0 avem f ' x0 0 . Pentru
x x0
f x f x0
x x0 , x0 ε avem f x f x0 deci 0 şi la limită pentru x x0
x x0
avem f ' x0 0 . Rezultă f ' x0 0 .Q.E.D.
Punctele x0 A cu f ' x0 0 se numesc puncte staţionare pentru că în aceste puncte
tangenta la grafic este orizontală (valorile funcţiei staţionează în x0 având viteza de variaţie
f ' x0 nulă).
Condiţia din teorema 3.3 este necesară dar nu suficientă pentru puncte de maxim sau minim
relativ, adică nu orice punct staţionar este punct de maxim sau minim relativ. Conform teoremei
3.2, x0 este punct de maxim relativ dacă f ' x0 0 şi în plus f ' x 0 deci f x =
crescătoare pentru x x0 ε, x0 iar f ' x 0 deci f x = descrescătoare pentru
x x0 , x0 ε .
De asemenea x0 este punct de minim relativ dacă f ' x0 0 şi în plus f ' x 0 deci
f x = descrescătoare pentru x x0 ε, x0 şi f ' x 0 deci f x = crescătoare pentru
x x0 , x0 ε .
133
Dacă f ' x0 0 dar f ' x 0 pentru orice x x0 ε, x0 ε respectiv f ' x 0
pentru orice x x0 ε, x0 ε atunci x0 este punct de inflexiune cu tangentă orizontală. O
condiţie suficientă de maxim sau minim relativ este dată de:
Teorema 2.4
Fie funcţia reală f cu derivate continue de toate ordinele în x0 A şi cu f ' x0 0 . Fie
numărul natural minim k 2 , astfel că f '' x0 ... f x 0 dar f x 0 . Dacă k este
k 1 k
0 0
număr par, avem situaţiile:
fx0 0 în care caz x0 este punct de minim relativ.
k
a)
fx0 0 în care caz x0 este punct de maxim relativ.
k
b)
Dacă k este număr impar, x0 este punct de inflexiune cu tangentă orizontală.
Demonstraţie:
fx0
k
În condiţiile din enunţ, formula Taylor devine: f x f x0 x x0 R k x0 cu
k
k!
R k x0
lim 0 . Pentru x suficient de aproape de x0 , ultimul termen din membrul doi se poate
x x0
x x0 k
k
neglija în raport cu primul termen. Dacă k este număr par, f x f x0 şi f x au acelaşi semn
0
şi avem subcazurile:
fx0 0 pentru orice x x0 ε, x0 ε f x f x0 pentru orice
k
a) deci şi
x x0 ε, x0 ε adică x0 este punct de minim relativ.
fx0 0 pentru orice x x0 ε, x0 ε f x f x0 pentru orice
k
b) deci şi
x x0 ε, x0 ε adică x0 este punct de maxim relativ.
k
Dacă k este număr impar, fie de exemplu f x 0 deci f x f x0 şi x x0 au
0
acelaşi semn.
Dacă x x0 avem f x f x0 iar dacă x x0 avem f x f x0 deci x0 este
punct de inflexiune cu tangentă orizontală căci f ' x0 0 .Q.E.D.
Exemple:
1) Să se calculeze unghiul optim de ramificaţie între două vase sanguine de raze r1 şi r2 .
Soluţie:
Vasul sanguin AD are raza secţiunii r1 iar vasul sanguin DC are raza secţiunii r2 .
134
Rezistenţa la înaintarea sângelui este direct proporţională cu lungimea vasului şi invers
proporţională cu raza secţiunii sale.
d1 d
Rezistenţa totală a porţiunii ADC va fi: R k k 2 unde k este o constantă care
r1 r2
depinde de vâscozitatea şi densitatea sângelui.
ctg ctg x cosec x
Avem d1 d0 ctg α ctg x ; d 2 d0 cosec x deci R x kd0
r1 r2
cos x 1 r2
R ' x kd0 2
2 0 are soluţia x0 arccos r . Avem R '' x0 0 deci
r1 sin x r2 sin x 1
r
x0 este punct de minim. Valoarea minimului este R x0 . De exemplu pentru r2 1 avem
2
x0 60 .
2) La ce înălţime trebuie plasată o sursă de lumină într-o baterie pentru păsări astfel ca intensitatea
iluminării pardoselii să fie maximă?
Soluţie:
Fie A punctul cel mai depărtat al pardoselii de verticala sursei luminoase SN.
Fie AN a ; SA r ; ASN α . Intensitatea luminoasă în punctul A este
k cosα
I k cons tan tă .
r2
135
x kx
Avem r x a şi cosα deci: I x
2 2 2
.
x2 a2 x 2
a
2 3
2 x 2 a 2 a 2
Avem I' x 0 cu rădăcina x0 deci α arctg2 55
x a2
2
2 5
Avem I'' x0 0 deci x0 este punct de maxim. Valoarea maximului este
2k
I x0
3 3a 2
3) Să se confecţioneze o adăpătoare de beton cu secţiune trapezoidală astfel ca volumul adăpătorii
să fie maxim.
Soluţie:
Lungimea adăpătorii fiind constantă, trebuie să maximizăm aria secţiunii.
x a x
b b
a
Baza mică a secţiunii este a, cea mare este a 2 x iar înălţimea secţiunii este b2 x 2
a 2x a 2
deci aria trapezului va fi: A x b x 2 x a b2 x 2
2
2 x 2 ax b 2 a a 2 8b 2
A' x 0 are rădăcina pozitivă x0 . Avem
b x
2 2 4
A'' x0 0 deci x0 este punct de maxim. Valoarea maximului este A x0 .
Cazuri particulare
b
a) a b deci x0 aşa că α 30
2
b 2
b) a 0 deci x0 aşa că α 45
2
4) Să se dimensioneze un canal trapezoidal deschis pentru irigaţii astfel ca, costul săpării lui să fie
minim.
Soluţie:
a
Fie raportul x între lăţimea fundului canalului a şi adâncimea canalului h.
h
136
x a x
b b
a
Costul săpăturii canalului este direct proporţional cu aria secţiunii deoarece lungimea
canalului şi costul săpăturii (lei/m3) este constantă.
Trebuie să minimizăm aria secţiunii în raport cu x astfel ca pe canal să fie asigurat un debit
Q dat de apă. Fie m = tg panta taluzului.
a a 2h m
Aria secţiunii este: S h a hm h . Dar a h x deci
2
S x m h2
h se determină cu condiţia să se asigure pe canal debitul Q, panta fundului canalului este i
iar n este rugozitatea pereţilor şi fundului canalului la curgerea apei (n = 0.025 pentru canale de
pământ şi n = 0.014 pentru canale dalate cu beton).
3
n
8 1
x 2m
4 5
Avem relaţia: h x 2 1 m 2 8
Q
i
3
n
1 8
Rezultă: S x K x m x 2m
5 4
8
x 2 1 m2 unde K Q este
i
o constantă hidraulică a canalului. Trebuie să avem: S' x 0 adică:
1 1
5 5
x 2m x m x 2m 8 x 2 1 m 2
4 13 4
8
x 2 1 m 2
8
5 13
1
x m x 2m 8 x 2 1 m2
4
0
4
deci după efectuarea calculelor obţinem:
5 x 2 x 17m 6 1 m2 4m2 22m 1 m2 0 cu punctul de minim:
1
x0 17m 6 1 m 245m 236m 1 m 36
2 2 2
10
În locul minimizării volumului săpăturii se mai pot minimiza:
a) costul apei pierdute prin infiltraţii pe fundul şi pereţii canalului;
b) profitul pierdut anual de pe suprafaţa scoasă din circuitul agricol de către canal.
5) Dintr-o foaie dreptunghiulară din fier sau carton cu lungimea a şi lăţimea b se taie în fiecare colţ
câte un pătrat de latură x iar marginile rămase se îndoaie, obţinând o cutie paralelipipedică fără
capac de tip lădiţă de fructe. Să se afle x astfel ca volumul cutiei să fie maxim.
137
Soluţie:
Avem V x a 2 x b 2 x x . V'' x 12 x 4 a b x ab 0 are rădăcina:
2
a b a 2 b2 ab
x0
6
Avem V'' x0 0 deci x0 este punct de maxim. Valoarea maximului este V x0 .
l
Pentru a b l avem x0 .
6
6) Optimizarea nivelului preţului de vânzare al unui produs agricol
Se urmăreşte maximizarea venitului din vânzarea produsului agricol, a stimulării
consumului de produse agricole ca o cale principală de relansare a producţiei agricole.
Fie x preţul de vânzare variabil (lei/Kg) al unui produs agricol, fie y cantitatea variabilă din
produs, vândută într-un interval de timp de lungime T, la preţul de vânzare x şi fie z = x.y valoarea
variabilă în lei a cantităţii vândute la preţul de vânzare x.
Fie xc preţul de vânzare curent al produsului, fie yc cantitatea vândută la preţul de vânzare
curent xc şi fie zc = [Link] valoarea în lei a cantităţii vândute la preţul de vânzare curent xc.
Fie xp un preţ de vânzare de probă pentru testarea pieţii, pentru care avem în acelaşi interval
de timp de lungime T, cantitatea de produs vândută yp şi valoarea în lei a cantităţii vândute zp la
preţul de vânzare xp.
Este clar că avem funcţia y = f(x) descrescătoare în raport cu x, datorită limitării puterii
de cumpărare a cumpărătorilor potenţiali. Avem z = x.f(x).
Dorim să calculăm preţul de vânzare economic xe pentru care valoarea în lei a cantităţii
vândute ze = xe.f(xe) este maximă.
a) Cazul produselor de necesitate nespecificată
În acest caz cantitatea de produs y scade direct proporţional odată cu creşterea preţului de
vânzare x, deci cantitatea de produs vândută are forma y = a.x + 2.b cu a < 0.
Coeficienţii a, b se găsesc din condiţiile:
yc = [Link] + 2.b; yp = [Link] + 2.b deci a = (yp – yc)/(xp – xc) şi b = ([Link] – [Link])/2.(xp – xc)
Avem z = x.y = a.x2 + 2.b.x deci z = maxim pentru z’ = 2a.x + 2.b = 0 aşa că xe = b/-a deci
ye = b şi ze = [Link] = maxim.
138
Exemplu:
Un vânzător a vândut la piaţă cu preţul curent xc = 2.5 lei/Kg în T = 10 ore o cantitate yc = 8
kg fasole boabe pentru care a primit suma zc = 20 lei.
A doua zi a vândut la aceeaşi piaţă cu preţul de probă xp = 3 lei tot în T = 10 ore o cantitate
yp = 6 Kg fasole boabe pentru care a primit suma zp = 18 lei. Din formulele de mai sus rezultă preţul
de vânzare economic xe = 2.25 lei/Kg cu care în T = 10 ore, s-ar vinde cantitatea ye = 9 Kg fasole
boabe şi s-ar primi suma maximă ze = 20.25 lei.
b) Cazul produselor de necesitate mare
În acest caz cantitatea de produs y scade lent odată cu creşterea preţului de vânzare x, deci
cantitatea de produs vândută are forma y = a.x2 + b cu a <0.
Coeficienţii a, b se găsesc din condiţiile: yc = a.xc2 + b; yp = a.xp2 + b
Avem z = x.y = a.x3 + b.x deci z = maxim pentru z’ = 3a.x2 + b = 0 aşa că xe = (b/(- 3a))1/2
deci ye = 2b/3 şi ze = [Link] = maxim.
Trebuie să avem b/(- 3a) > 0 şi cum a < 0, trebuie ca să avem b >0, condiţie totdeauna
îndeplinită pentru că funcţia f este descrescătoare.
139
Exemplu:
Un vânzător a vândut la piaţă cu preţul curent xc = 1 leu/Kg în T = 10 ore o cantitate yc = 60
kg cartofi pentru care a primit suma zc = 60 lei.
A doua zi a vândut la aceeaşi piaţă cu preţul de probă xp = 1.2 lei tot în T = 10 ore o cantitate
yp = 50 Kg cartofi pentru care a primit suma zp= 60 lei.
Din formulele de mai sus rezultă preţul de vînzare economic xe = 1.1015 lei/Kg cu care în T
= 10 ore, s-ar vinde cantitatea ye = 55.15 Kg cartofi şi s-ar primi suma maximă ze = 60.7502 lei.
c) Cazul produselor de necesitate mijlocie
În acest caz cantitatea de produs y scade mai întâi lent apoi brusc odată cu creşterea preţului
de vânzare x, deci cantitatea de produs vândută are forma y = 1/(a.x2 + b) cu punctul de inflexiune
xi = (b/3a)1/2.
Coeficienţii a, b se găsesc din condiţiile: 1/yc = a.xc2 + b; 1/yp = a.xp2 + b
Avem z = x.y = x/(a.x2 + b) deci z = maxim pentru z’ = (- a.x2 + b)/(a.x2 + b)2 = 0 aşa că xe
= (b/a)1/2 deci ye = 1/2b şi ze = [Link] = maxim.
Trebuie să avem b/a > 0 de unde xp > xc.(yc/yp)1/2.
Dacă această condiţie nu este îndeplinită, trebuie să alegem alt xp.
Exemplu:
Un vânzător a vândut la piaţă cu preţul curent xc = 2 lei/Kg în T = 10 ore o cantitate yc = 10
kg conopidă pentru care a primit suma zc = 20 lei.
A doua zi a vândut la aceeaşi piaţă cu preţul de probă xp = 2.5 lei/Kg, tot în T = 10 ore, o
cantitate yp = 8 Kg conopidă pentru care a primit suma zp = 20 lei.
Condiţia xp > xc.(yc/yp)1/2 este îndeplinită.
Din formulele de mai sus rezultă preţul de vânzare economic xe = 2.2361 lei/Kg cu care în
T = 10 ore, s-ar vinde cantitatea ye = 9 Kg conopidă şi s-ar primi suma maximă ze = 20.1246 lei.
140
d) Cazul produselor de necesitate mică
În acest caz cantitatea de produs y scade brusc odată cu creşterea preţului de vânzare x, deci
cantitatea de produs vândută are forma y = 1/(a.x + b)2
Coeficienţii a, b se găsesc din condiţiile: 1/yc = ([Link] + b)2; 1/yt = ([Link] + b)2
Avem z = x.y = x/(a.x + b)2 deci z = maxim pentru z’ = (b – a.x)/(a.x + b)3 = 0 aşa că xe =
b/a deci ye = 1/2b şi ze = [Link] = maxim.
Exemplu:
Un vânzător a vândut la piaţă cu preţul curent xc = 3 lei/Kg în T = 10 ore o cantitate yc = 10
kg căpşuni pentru care a primit suma zc = 30 lei.
A doua zi a vândut la aceeaşi piaţă cu preţul de probă xp = 4 lei/Kg, tot în T = 10 ore, o
cantitate yp = 7 Kg căpşuni pentru care a primit suma zp = 28 lei.
Din formulele de mai sus rezultă preţul de vânzare economic xe = 2.1222 lei/Kg cu care în
T = 10 ore, s-ar vinde cantitatea ye = 14.56 Kg căpşuni şi s-ar primi suma maximă ze = 30.9077 lei.
7) Fie x = cheltuieli de producţie şi y = venitul anual la cultura porumbului (lei).
Avem y A0 x 1 deci profitul este P x A0 x 1 x 0 B1 1 . Profitul este
B B
1
maxim dacă P' x 0 deci A0B1 x
B1 1
1 0 cu soluţia xe A0B1 1B1 şi profitul maxim
P xe A0 xeB1 xe . Avem p '' x A0B1 B1 1 x B1 2 0 deoarece 0 B1 1 .
8) Înlocuirea optimă a echipamentelor
Echipamentele suferă în timpul utilizării uzură fizică deci necesită cheltuieli de întreţinere
şi reparare.
Apariţia de echipamente noi provoacă uzura morală a celor vechi care trebuie înlocuite.
Momentul optim al înlocuirii echipamentelor vechi are ca scop minimizarea cheltuielilor
medii de întreţinere şi reparare luând în calcul şi cheltuielile de cumpărare şi instalare şi valoarea
de recuperare prin revânzare sau casare (valorificarea materialelor refolosibile şi recondiţionarea
pieselor vechi) a acestor echipamente.
A. Modele discrete de înlocuire optimă a echipamentelor
Fie C0 cheltuielile de cumpărare şi instalare a unui echipament la momentul 0 şi fie C1,…, Cn
cheltuielile de întreţinere şi reparare a echipamentului la momentele de timp 1,…, n.
Fie Vn valoarea de recuperare prin revânzare sau casare a echipamentului la momentul de
timp n.
Cheltuielile medii pe perioada de timp 0; n sunt: f(n) = (C0 – Vn) + (C1 +…+ Cn)/n care
trebuie să fie minime la momentul optim n0 cu f(n0 – 1) > f(n0) < f(n0 + 1).
141
În cazul în care dorim actualizarea cheltuielilor, fie d rata dobânzii şi = 1/(1 + d)
coeficientul de actualizare (0 < < 1).
În acest caz cheltuielile medii pe perioada de timp 0; n vor fi: g(n) = (C0 – n. Vn) + (C1 +
.C2 +…+ n – 1 .Cn)/n care trebuie să fie minime la momentul optim n0 cu g(n0 – 1) > g(n0) < g(n0 + 1).
Pentru d = 0 deci = 1 reobţinem modelul fără actualizarea cheltuielilor.
Exemplu:
Fie un echipament cu C0 = 50 unităţi monetare şi valorile descrescătoare V1,…, Vn şi
respectiv crescătoare C1,…, Cn în aceleaşi unităţi monetare, date de tabelul următor penztru n = 10
ani:
N 1 2 3 4 5 6 7 8 9 10
Vn 30 25 22 18 15 10 8 7 5 0
Cn 2 5 8 14 21 25 28 30 34 38
a) Se cere momentul optim n0 al înlocuirii echipamentului fără actualizarea cheltuielilor;
b) Se cere momentul optim n0 al înlocuirii echipamentului cu actualizarea cheltuielilor la o rată a
dobânzii d = 5% deci = 0.95.
Soluţie:
a) Calculele se exprimă în tabelul de mai jos.
N Vn Cn C0 – Vn C1 +…+ Cn (C0 - Vn) + (C1 +…+ Cn) f(n)
1 30 2 20 2 22 22
2 25 5 25 7 32 16
3 22 8 28 15 43 14.33
4 18 14 32 29 61 15.25
5 15 21 35 50 85 17
6 10 25 40 75 115 19.17
7 8 28 42 103 145 20.71
8 7 30 43 133 176 22
9 5 34 45 167 212 23.55
10 0 38 50 205 255 25.5
Avem n0 = 3 ani cu cheltuieli medii minime f(n0) = 14.33 unităţi monetare.
b) Calculele se exprimă în tabelul de mai jos.
N Vn Cn [Link] C0 – [Link] n – [Link] C1+…+ n – 1. Cn (C0 - Vn )+(C1+…+ n – [Link]) f(n)
1 30 2 28.50 21.50 2 2 22 22
2 25 5 22.56 27.44 4.45 6.75 32 16
3 22 8 18.26 31.14 7.22 13.97 43 14.33
4 18 14 14.66 35.34 12 25.97 61 15.25
5 15 21 11.61 38.39 17.10 43.07 85 17
6 10 25 7.35 42.65 19.34 62.41 115 19.17
7 8 28 5.59 44.41 20.58 82.99 145 20.71
8 7 30 4.64 45.36 20.95 103.94 176 22
9 5 34 3.15 46.85 22.56 126.50 212 23.55
10 0 38 0 50 23.95 150.45 255 25.5
Avem n0 = 3 ani cu cheltuieli medii minime actualizate f(n0) = 15.04 unităţi monetare.
142
B. Modele continue de înlocuire optimă a echipamentelor
Fie C0 cheltuielile de cumpărare şi punere în funcţiune a unui echipament la momentul de
timp t = 0.
Fie (t) funcţia de depreciere a echipamentului în intervalul de timp 0; t; ea este o funcţie
descrescătoare cu (0) = 1 şi (t) 0 pentru t ∞.
Valoarea de recuperare prin revânzare sau casare a echipamentului va fi C0. (t).
Fie C(t) cheltuielile de întreţinere şi reparare a echipamentului la momentul de timp t deci
cheltuielile cumulate de întreţinere şi reparare a echipamentului în intervalul de timp 0; t vor fi
t
(t) C(s)ds
0
Avem β(0) = 0 şi β(t) este crescătoare pe [0; +∞].
Cheltuielile medii pe perioada de timp [0; t] sunt f(t) = {C0. [1 – α(t)] + β(t)}/t care trebuie
să fie minime la momentul de timp t0 care este rădăcina pozitivă a ecuaţiei f‘(t) = 0.
Deoarece f‘’ (t0 ) > 0, t0 va fi valoare de minim a cheltuielilor medii f(t). Cheltuielile medii
minime vor fi f0 = f(t0).
În cazul în care dorim actualizarea cheltuielilor, fie d rata dobânzii şi δ(t) = 1/(1 + d)t funcţia
de actualizare a cheltuielilor.
În acest caz cheltuielile medii pe perioada de timp [0; t] vor fi: g(t) = {C0. [1 – α(t). δ(t)] +
β(t). δ(t)}/t care trebuie să fie minime la momentul de timp t0 care este rădăcina pozitivă a ecuaţiei
g‘(t) = 0.
Deoarece f ‘’(t0 ) > 0, t0 va fi valoare de minim a cheltuielilor medii actualizate g(t).
Cheltuielile medii minime vor fi f0 = f(t0).
Pentru d = 0 deci δ = 0 reobţinem modelul continuu fără actualizarea cheltuielilor.
Exemplu:
Fie un echipament cu α(t) = b/(at + b) care îndeplineşte condiţiile (0) = 1 şi (t) 0
pentru t ∞.
Fie C(t) = C.t deci β(t) = C.t2/2 care verifică condiţiile β(0) = 0 şi β(t) este crescătoare pe [0; +∞].
Avem f(t) = {C0[1 - b/(at + b)] + C.t2/2}/t adică f(t) = (aC0)/(at + b) + (C.t)/2 aşa că: f‘(t)
=- (a .C0)/(at + b)2 + C/2 = 0 cu soluţia pozitivă t0 = (2C0/C)1/2 – b/a.
2
Cum f’’(t0) > 0, t0 este punct de minim al cheltuielilor medii f(t), iar f0 = f(t0) sunt
cheltuielile medii minime.
În cazul actualizării cheltuielilor cu rata dobânzii d, avem funcţia de actualizare a
cheltuielilor δ(t) = 1/(1 + d)t deci cheltuielile medii au forma:
b 1 Ct 2 1
C0 1 t
at b (1 d) 2 (1 d) t
g(t)=
t
t0 va fi soluţia pozitivă a ecuaţiei g’(t) = 0. Cum g‘’(t0) > 0, t0 va fi punct de minim iar valoarea
cheltuielilor medii actualizate minime este g0 = g(t0).
3.1.4 Aplicaţiile integralelor la funcţii cumulate în timp
Fie o funcţie reală f continuă pe intervalul x0 , x R .
Funcţia cumulată asociată funcţiei f este:
F x f s ds
x
(1)
x0
143
Reciproc, cunoscând funcţia cumulată F x , avem f x F' x .
Un exemplu de funcţie cumulată este funcţia de repartiţie F x asociată densităţii de
probabilitate f x a unei variabile aleatoare. Dacă x este timpul, în agricultură apar funcţii de
producţie pentru care trebuie calculată funcţia cumulată.
Exemple:
1) Fondul de acumulare al unei societăţi agricole pe un număr de ani.
2) Rezerva cumulată de apă în sol pe perioada de vegetaţie şi în afara ei.
3) Consumul cumulat de apă al plantelor pe toată perioada lor de vegetaţie.
4) Consumul cumulat de furaje al animalelor pe perioada lor de exploatare.
5) Producţia cumulată de lapte de vacă pe lactaţia normală (305 zile).
6) Sporul în greutate cumulat pe durata unei serii în producţia de carne.
În afară de calculul funcţiei cumulate cu relaţia (1) apare şi problema calculului momentului
de timp x1 la care funcţia cumulată F x atinge o valoare dată P. Acest moment x x1 se
calculează din relaţia:
f s ds P
x
(2)
x0
Exemplu:
x = timpul în luni în perioada de vegetaţie (1 aprilie – 30 septembrie) deci x 4;9 .
f x = volumul lunar mediu al precipitaţiilor la Bucureşti (medii în perioada 1901 – 1990) în
m3/ha.
g x = consumul lunar mediu de apă la porumb (m3/ha).
Date experimentale
x 4 5 6 7 8 9
F(x) 444 681 860 578 512 391
G(x) 450 558 1180 1922 1736 900
Găsim funcţiile de regresie:
f x 577.6667 10.1036sin x 206.8333cos x 49.3634sin 2 x 47.8333cos2 x
g x 1124.3330 764.9891sin x 142.3339cos2 x 22.5166sin 2 x 84.3335cos2 x
Se cer valorile cumulate pentru volumul precipitaţiilor şi pentru consumul de apă la porumb
pe perioada de vegetaţie.
Soluţie:
Volumul de precipitaţii cumulat va fi:
49.3634
VPC f x dx 577.6667 x 10.1036 cos x 206.8333sin x
9
cos 2 x
4
2
9
47.8333
sin 2 x
2 4
144
Folosim valorile următoare cu argumentele în radiani:
sin 4 0.7568 ; cos4 0.6536 ; sin8 0.9894 ; cos8 0.1455 respectiv
sin9 0.4121; cos9 0.9111; sin18 0.7510 ; cos18 0.6603
Găsim VPC F 9 F 4 5103 2481 2622 m / ha
3
Consumul de apă la porumb cumulat va fi:
22.5166
CPC g x dx 1124.3330x 764.9891cos x 142.3339sin x
9
cos 2 x
4
2
9
84.3335
sin 2 x
2 4
Găsim CPC G 9 G 4 9388 4065 5323 m / ha
3
Deficitul de apă la porumb pe perioada de vegetaţie este
CPC VPC 5323 2622 2701 m3 / ha şi va fi completat prin irigaţii.
3.2 CALCUL DIFERENŢIAL PENTRU FUNCŢII DE n VARIABILE REALE
3.2.1 Rolul derivatelor parţiale de ordinul unu şi doi în studiul funcţiilor
de n variablile reale
Fie mulţimea de vectori A Rn şi mulţimea de scalari B R.
Se spune că s-a definit o funcţie reală de n variabile reale dacă oricărui vector X A îi
corespunde numărul real unic y = f (X) B.
Dacă X = (x1,…, xn), funcţia f se va scrie: y = f (x1,…, xn).
Un sistem de m funcţii reale de n variabile reale este mulţimea de funcţii:
y1 = f1 (x1,…, xn)
………………..
ym = fm (x1,…, xn)
definite pe A Rn cu valori în B R.
Un asemenea sistem de funcţii reale este în fond o funcţie vectorială de variabilă vectorială,
definită pe Rn cu valori în Rm, care asociază vectorului X = (x1,…, xn) A Rn un vector unic Y
= (y1,…, ym) B Rm.
Asemenea funcţii sunt operatorii liniari definiţi pe Rn cu valori în Rm.
Caz particular:
Pentru n = 2 funcţia y = f(x1, x2) reprezintă o suprafaţă în spaţiul R3 iar sistemul de funcţii y
= f 1(x1, x2); y = f2 (x1, x2) reprezintă o intersecţie de suprafeţe în R3 deci o curbă spaţială în R3.
De exemplu funcţia y = b0 + b1 x1 + b2 x2 reprezintă un plan în spaţiul R3 iar sistemul de
funcţii y = b0 + b1 x1 + b2 x2; y = c0 + c1 x1 + c2 x2 reprezintă fie o dreaptă în spaţiul R3 fie o pereche
de plane paralele în R3.
Funcţia y = b0 + b1x1 + b2x2 + c1x12 + c2x1x2 + c3x22 reprezintă de asemenea o suprafaţă în
spaţiul R3.
O funcţie reală de n variabile reale y = f (x1,…, xn) se numeşte funcţie de producţie dacă
x1,…, xn sunt factori (resurse) pentru cultura plantelor sau creşterea animalelor iar y este producţie
fizică sau valorică în agricultură.
Unei funcţii reale de n variabile y = f (x1,…, xn) i se asociază funcţiile ajutătoare:
a) Funcţiile parţiale de o variabilă reală:
y = f (x10,…, xi – 1,0, xi, xi+1,0, …, xn 0) = fi (xi)
Aici doar xi este variabilă, restul argumentelor fiind constante.
145
Graficele funcţiilor parţiale pentru diferite valori concrete ale variabilelor, se numesc
izocuante.
b) Funcţia izovalorică:
y0 = f (x1,…, xn)
Aici este fixată valoarea y deci cunoscând valorile a n – 1 dintre variabilele xi,se poate
calcula valoarea celei de a n-a variabile, astfel că y = y0.
Graficele funcţiilor izovalorice pentru diferite valori concrete ale lui y, se numesc grafice
izovalorice.
Fie funcţia reală y = f (x1,…, xn), f: A Rn R şi fie vectorul fixat x(0) = (x10,…, xn0) A.
Limita funcţiei f în punctul x(0) este numărul unic şi finit L astfel că pentru orice > 0 există
() > 0 astfel că pentru orice x = (x1,…, xn) A cu x – x(0) < rezultă f(x) – L < . Dacă în plus
L= lim f (x) f(x (0) )
x x
(0)
se spune că funcţia f este continuă în x(0) în raport cu ansamblul variabilelor x1,…, xn.
În acest caz funcţiile parţiale y = fi (xi ) sunt şi ele continue în raport cu variabilele lor.
Funcţia reală y = f (x1,…, xn) este diferenţiabilă în x(0) A dacă există constantele C1,…, Cn
astfel că pentru orice x A cu x – x(0) < , avem: f (x1,…, xn) = f (x10,…, xn0) + C1.(x1 – x10)
+…+ Cn.(xn - xn0) + (x1,…, xn). x – x(0), unde (x1,…, xn) 0 pentru x x(0).
Funcţia reală y = f (x1,…, xn) are derivate parţiale în x(0) A dacă funcţiile parţiale y = fi
(xi) sunt derivabile în xi 0 şi au derivatele:
f (x (0) )
y = fi' (x i 0 )
x i
Dacă f este diferenţiabilă în x A, atunci f are derivate parţiale în x(0) A.
(0)
Dacă funcţia f are derivate parţiale continue în x(0) A, atunci ea este diferenţiabilă în x(0)
[Link]:
f (x (0) ) f (x (0) )
Gradf (x ) (
(0)
,..., )
x1 x n
se numeşte gradientul funcţiei f în x(0).
Diferenţiala de ordinul întâi a lui f în x(0) este polinomul omogen cu variabilele dx1,…, dxn:
f (x (0) ) f (x (0) )
d f(x (0) ) dx1 ... dx n
x1 x n
El este produsul scalar între vectorul Grad f (x(0)) şi vectorul-deplasare dx = (dx1,…, dxn)
Derivatele parţiale ale lui y = f (x1,…, xn) sunt şi ele funcţii reale de n variabile reale:
f
y f x' i (x1 ,...,x n )=
(x1 ,...,x n )
x i
Dacă aceste derivate au la rândul lor derivate parţiale în raport cu x1,…, xn, se spune că
funcţia f are derivate parţiale de ordinul doi:
2f f
( (x1 ,..., x n ))
x i x j x j x i
Dacă derivatele parţiale de ordinul doi sunt continue atunci derivatele mixte sunt egale:
146
2f 2f
=
xi x j x j xi
Derivatele parţiale de ordinul doi ale lui f formează în punctul x(0) = (x10,…, xn 0) A o
matrice numerică numită matricea Hessiană a lui f:
2 f (x (0) )
H f (x )
(0)
; (1 i,j n)
x i x j
Diferenţiala de ordin doi a lui f este polinomul omogen de grad doi în variabilele
dx1,…,dxn:
n n
2 f (x (0) )
d 2 f (x (0) ) dx i dx j (dx) H f (x (0) ) (dx)T
i 1 j1 x i x j
unde dx = (dx1,…, dxn) este vectorul-deplasare iar (dx)T este transpusul său.
Diferenţiala de ordinul doi a lui f se numeşte pozitiv-definită dacă pentru orice vector-
deplasare dx Rn, avem: d2f (x(0)) = (dx).Hf(x(0)).(dx)T > 0.
Cu notaţiile:
2 f (x (0) )
hij
x i x j
conform criteriului lui Sylvester, d2f (x(0)) este pozitiv-definită dacă Hf(x(0)) este matrice pozitiv-
definită adică dacă:
h11 h12
1 h11 0, 2 0,..., n Det(H f (x (0) ) 0
h 21 h 22
adică toţi minorii principali sunt strict pozitivi în x(0).
Diferenţiala de ordinul doi a lui f se numeşte negativ-definită dacă pentru orice vector-
deplasare dx Rn, avem: d2f (x(0)) = (dx).Hf(x(0)).(dx)T < 0.
Conform criteriului lui Sylvester, d2f (x(0)) este negativ-definită dacă Hf(x(0)) este matrice
negativ-definită adică dacă:
h11 h12
1 h11 0, 2 0,..., (1) n n (1) n Det(H f (x (0) ) 0
h 21 h 22
adică minorii principali de ordin impar sunt strict negativi în x(0) iar toţi minorii principali de ordin
par sunt pozitivi în x(0).
3.2.2 Extreme libere ale funcţiilor de n variabile reale
Funcţia reală de n variabile reale y = f(x1,…, xn), f: A Rn B R are în x(0) = (x10,…, xn0)
A un maxim relativ dacă pentru orice x A cu x – x(0) < avem f(x) < f(x(0)) deci în sfera cu
centrul x(0) şi raza , valoarea f(x(0)) este cea mai mare.
Funcţia reală de n variabile reale y = f(x1,…, xn) are în x(0) = (x10,…, xn0) A un minim
relativ dacă pentru orice x A cu x – x(0) < avem f(x) > f(x(0)) deci în sfera cu centrul x(0) şi
raza , valoarea f(x(0)) este cea mai mică.
Dacă funcţia f are cel puţin un maxim relativ, cel mai mare maxim relativ se numeşte
maxim absolut pentru funcţia f.
Dacă funcţia f are cel puţin un minim relativ, cel mai mic minim relativ se numeşte minim
absolut pentru funcţia f.
Dacă funcţia f are un minim absolut şi un maxim absolut, ea se numeşte mărginită.
147
Fie funcţia reală de n variabile reale y = f(x1,…, xn), f: A Rn B R şi fie x(0) = (x10,…, xn0)
A.
Dacă f are derivate parţiale continue de ordinul doi în sfera {x A x – x(0) < } (deci
este diferenţiabilă în această sferă) atunci pentru orice x = (x1,…, xn) în sfera precedentă avem
formula Taylor:
1 f (x (0) ) f (x (0) )
f (x1 ,..., x n ) f (x10 ,..., x n 0 ) .(x1 x10 ) ... .(x n x n 0 )
1! x1 x n
1 n n 2 f (x (0) ) R 2 (x1 ,..., x n )
(x i x i0 )(x j x j0 ) R 2 (x1 ,..., x n ) unde l i m 0
2! i 1 j1 x i x j x x (0)
xx (0) 2
Pentru funcţii reale de n variabile reale are loc o teoremă asemănătoare cu teorema 2.3 şi
anume:
Teorema 3.5
Dacă funcţia f are derivate parţiale continue în sfera {x A x – x(0) < } şi x(0) este un
punct de maxim sau de minim relativ, avem:
f(x (0) )
0 ; (i = 1,...,n) deci df(x (0) ) 0
x i
Demonstraţie:
Fie de exemplu x(0) = (x10,…, xn0) A punct de maxim relativ pentru f deci x10 este punct
de maxim relativ pentru funcţia parţială y = f1(x1) = f(x1, x20,…, xn0) deci conform teoremei 3.3
avem f(x(0))/x1 = 0. Raţionamentul este analog pentru variabilele x2,…, xn. Q.E.D.
Punctele x(0) A Rn cu f(x(0))/x1 = 0,…, f(x(0))/xn = 0, se numesc puncte staţionare
ale funcţiei f pentru că în aceste puncte planul tangent la graficul funcţiei f este orizontal (valorile
funcţiei f staţionează în x(0) având viteza de variaţie Gradf (x(0) nulă). În punctele staţionare x(0)
vectorii Gradf (x(0); I dx) = (dx1,…, dxn) sunt ortogonali.
Condiţia din teorema 3.5 este necesară dar nu suficientă pentru puncte de maxim sau de
minim relativ, adică nu orice punct staţionar este punct de maxim sau de minim relativ.
O condiţie suficientă de maxim sau de minim relativ este dată de:
Teorema 3.6
Fie funcţia reală de n variabile reale y = f(x1,…, xn) cu derivate parţiale de ordinul doi
continue în sfera {x A x – x(0) < } unde x(0) A este punct staţionar pentru funcţia f adică
f(x(0))/xi = 0; (i = 1,…, n).
Dacă matricea hessiană Hf(x(0)) este pozitiv-definită, atunci x(0) este punct de maxim relativ
pentru f.
Dacă matricea hessiană Hf(x(0)) este negativ-definită, atunci x(0) este punct de minim relativ
pentru f.
În celelalte cazuri x(0) nu este punct de extrem relativ pentru f.
Demonstraţie:
Dacă x(0) este punct staţionar pentru funcţia f, formula Taylor de mai sus, se scrie:
148
1 n n 2 f (x (0) )
f (x1 ,..., x n ) f (x10 ,..., x n 0 ) (x i x i0 )(x j x j0 ) R 2 (x1 ,..., x n )
2! i 1 j1 x i x j
R 2 (x1 ,..., x n )
unde l i m 2
0
x x
x x (0)
(0)
Notând = x – x(0), din această relaţie avem:
2 n n
2 f (x (0) ) (x i x i0 ) (x j x j0 ) 2R 2 (x)
f (x) f (x (0) )
2 i 1 j1 x i x j 2
Fie sfera-unitate S = {x Rn x12 +…+ xn2 = 1}.
Avem ((x1-x10)/,…, (xn – xn0)/) S.
Pentru suficient de mic, termenul R2(x)/(2) se poate neglija deci f(x) – f(x(0)) are acelaşi
semn cu:
n n 2 f (x (0) ) (x i x i0 ) (x j x j0 ) x-x (0) x-x (0) T
(0)
= H (x ) ( ) =H 0 (x)
i 1 j1 x i x j f
Dacă Hf(x(0)) este pozitiv-definită, pentru orice x cu x – x(0) < avem H0(x) > 0, deci f(x)
> f(x ) adică x(0) este punct de minim relativ pentru f.
(0)
Dacă Hf(x(0)) este negativ-definită, pentru orice x cu x – x(0) < avem H0(x) < 0, deci f(x)
< f(x ) adică x(0) este punct de maxim relativ pentru f.
(0)
În restul cazurilor, pentru unii vectori x cu x – x(0) < avem f(x) > f(x(0)) iar pentru alţi
vectori x cu x – x(0) < avem f(x) < f(x(0)) deci x(0) nu este punct de extrem relativ ci punct-şa.
Q.E.D.
Exemplu:
Să se afle extremele funcţiei y = - 4x13 – 9x23 – x33 + 12x1 + 27x2 + 12x3
Soluţie:
a) Anulăm derivatele parţiale de ordinul unu ale funcţiei f pentru a găsi punctele ei staţionare:
y/x1 = - 12x12 + 12 = 0
y/x2 = - 27x22 + 27 = 0
y/x3 = - 3x12 + 12 = 0
Sistemul are 8 soluţii de forma (x10 = ± 1, x20 = ± 1, x30 = ± 2) adică 8 puncte staţionare.
b) Derivăm parţial în raport cu x1, x2, x3 fiecare derivată parţială de ordinul unu de la punctul a) şi
obţinem Hessiana:
24x1 0 0
H(x1 , x 2 , x 3 ) 0 -54x 2 0
0 0 -6x 3
Avem minorii principali: Δ1 = - 24x1; Δ2 = 1296x1x2; Δ3 = - 7776x1x2x3.
Numai pentru punctul staţionar M1(1, - 1,2) avem Δ1 <0; Δ2 >0; Δ3 <0 deci M1 este singurul
punct de maxim relativ pentru f.
Numai pentru punctul staţionar M2(-1, 1, -2) avem Δ1 >0; Δ2 > 0; Δ3 >0 deci M2 este
singurul punct de minim relativ pentru f.
Celelalte 6 puncte staţionare nu sunt puncte de extrem relativ pentru f.
149
Aplicaţii:
1) Dreapta de regresie în statistică
Fie în planul R2 punctele M1(x1, y1),…, Mn(xn, yn). Se cere ecuaţia dreptei y = B0 + B1.x
pentru care funcţia de două variabile este minimă: f(B0, B1) = (y1 - B0 - B1.x1)2 +…+ (yn - B0 -
[Link])2 = minim
(Metoda celor mai mici pătrate)
Soluţie:
Aflăm punctele staţionare ale funcţiei f, anulând derivatele parţiale de ordinul unu ale lui f
în raport cu B1, B0:
∂f/∂B1 = 2(y1-B0 – B1x1).(-x1) +…+ 2(yn-B0 – B1xn).(-xn) = 0
∂f/∂B0 = 2(y1-B0 – B1x1).(-1) + … + 2(y1-B0 – B1x1).(-1) = 0
Acest sistem liniar se numeşte sistem de ecuaţii normale şi are forma:
n n n
B1 x i2 B0 x i x i yi
i 1 i 1 i 1
n n
B1 x i B0 n yi
i 1 i 1
cu soluţia (punctul staţionar):
n n n
n x i yi x i yi
1 n 1 n
B1 i 1
n
i 1
n
i 1
; B0 = yi -B1 x i
n x i2 ( x i ) 2
n i=1 n i=1
i 1 i 1
Derivatele parţiale de ordinul doi ale funcţiei f sunt:
2f n
2f n
2f
B12
2
i 1
x 2
i ;
B1B0
2
i 1
x i ;
B02
2n
Matricea hessiană este:
n 2 n
2 xi 2 xi
H f i n1 i=1
2 xi 2n
i 1
Avem în punctul staţionar:
n
n n
1 2 x i2 0 ; 2 Det(H f ) 4 n x i2 ( x i ) 2
i 1 i 1 i 1
n n
1
4 (x i x j ) 2 0
i 1 n j1
deci avem un punct de minim.
B1 se numeşte coeficient de regresie liniară iar B0 se numeşte termen liber al regresiei.
150
2) Stocuri optime cu cerere constantă
Un stoc este o acumulare de bunuri materiale care urmează să fie folosite în producţie sau
valorificate în consum.
Intensitatea aprovizionării cu bunuri materiale nu poate fi totdeauna egală cu intensitatea
cererii acestor bunuri pentru producţie/consum deci se impune necesitatea stocării lor.
Exemple de stocuri în agricultură
- Stocuri de produse agricole vegetale în silozuri;
- Stocuri de produse zootehnice în depozite;
- Stocuri de îngrăşăminte, insecticide, ierbicide la furnizori;
- Stocuri de carburanţi şi piese de schimb în atelierele mecanice;
- Stocuri de seminţe pentru semănat la unităţile producătoare de seminţe;
- Stocuri de material seminal pentru însămânţări artificiale la animale la unităţile de profil;
Stocarea bunurilor materiale, numite convenţional şi articole, presupune comandarea şi
transportarea lor în stoc cu costul de aprovizionare ca (lei/serie); aceste bunuri materiale sunt
imobilizate în stoc, lipsind din procesul de producţie/consum şi trebuind ferite de depreciere sau
sustragere, deci ele comportă un cost de stocare cs (lei/[Link] de timp).
Dacă intensitatea cererii pentru producţie/consum de articole, depăşeşte intensitatea stocării
acestora, numărul de articole din stoc poate deveni zero, creându-se penurie de articole cu costul de
penurie cp (lei/[Link] de timp).
A. Stocuri cu aprovizionare instantanee
Cu privire la modul de aprovizionare cu articole, vom presupune că aprovizionarea se face
instantaneu cu un număr r de articole, r fiind acelaşi pentru perioade de timp egale, de lungime t
între două aprovizionări consecutive adică stocurile sunt cu cerere constantă.
Fie perioada de timp totală de lungime T pentru care există cererea totală de N articole.
În prima perioadă de timp de lungime t se aduc în stoc r = m articole faţă de n articole
planificate (m ≤ n); aceste m articole consumându-se în procesul de producţie/consum, în
următoarea perioadă de timp de lungime t se aduc alte m articole etc.
La sfârşitul perioadei de timp totale de lungime T, cererea totală de N articole este integral
satisfăcută iar volumul stocului este zero.
Datorită condiţiei m ≤ n, rezultă că există subperioade de timp de lungime t – u la sfârşitul
perioadelor de timp de lungime t, în care volumul stocului ajunge zero (penurie de n – m articole)
deci apare costul de penurie cp (lei/[Link] de timp).
În ipoteza consumului liniar de articole din stoc, volumul stocului evoluează astfel: în
subperioadele de timp [it; it + u] stocul scade de la m articole la zero articole iar pe subperioadele
de timp [it +u; (i + 1)t] există penurie de n – m articole, urmată de o nouă aprovizionare cu m
articole (i = 0, 1,…, k-1). Aici k este numărul de aprovizionări în serii de câte m articole.
Intensitatea stocării planificate este = (n/t) articole/unitate de timp iar a celei realizate este
’
= (m/u) articole/unitate de timp.
Intensitatea cererii este λ = (N/T) articole/unitate de timp.
Vom presupune că = ’ = λ adică n/t = m/u = N/T şi că avem k aprovizionări în serii de
câte m articole în subintervale de timp de lungime u, aşa că vom avea: k = T/t = N/n; T/u = N/m
Costul aprovizionării cu o serie de m articole este ca (lei/serie), costul stocării acestei serii
este (m/2).[Link] unde m/2 este volumul mediu de articole stocate pe perioada de timp de lungime u
iar costul penuriei a n – m articole este ((n - m)/2). (t - u).cp unde (n – m)/2 este numărul mediu de
articole care lipsesc din stoc pe subperioada de timp de lungime t – u de la sfârşitul perioadei de
timp de lungime t.
Costul total al aprovizionării, stocării şi penuriei pentru cele N articole necesare în perioada
de timp totală de lungime T, va fi:
151
m nm
C(n,m)=k ca u cs (t u) c p
2 2
Dar k = N/n; u = m.(T/N) şi t - u = (n - m).(T/N) aşa că vom minimiza funcţia de variabilele
n, m a costului total de aprovizionare, stocare şi penurie:
1 m2 (n m)2
C(n,m)= N ca [Link] T cp
n 2n 2n
Derivăm parţial în raport cu n şi m:
C 1 m2 n 2 m2
2 N c a 2 T cs T cp 0
n n 2n 2n 2
C m nm
T cs T cp 0
m n n
Cu notaţia ρ = cp/(cs + cp) deci 0 < ρ < 1 acest sistem are soluţia (punctul staţionar):
N ca 1
n0 2 ; m0 n 0
T cs
Se verifică condiţiile:
2C 2C
2C n 2 nm
1 2 0 ; 2 2 0 pentru n = n 0 şi m = m0
n C 2C
mn m 2
deci în adevăr avem un minim.
Valoarea minimului este C(n0, m0) = [Link].m0
Numărul optim de aprovizionări cu n0 articole planificate va fi: k0 = N/n0.
Lungimea optimă a intervalelor de timp între două aprovizionări va fi: t0 = T/k0
Durata optimă a subperioadelor de timp fără penurie va fi: u0 = ρ.t0.
Dacă cs este neglijabil în raport cu cp, avem ρ → 1 deci m0 → n0 şi penuria dispare
(stocurile sunt cu articole suficiente).
În acest caz avem:
N ca N T
n0 2 m0 ; C(n 0 ) T cs n 0 ; k 0 ; t0 u0
T cs n0 k0
Exemplu:
La o fermă zootehnică, necesarul anual de furaje concentrate este de N = 200 tone pentru
T = 365 zile. Costul de aprovizionare este ca = 100 lei/serie iar cel de stocare este cs = 5 lei/tonă.zi.
Absenţa furajelor concentrate duce la cheltuieli suplimentare astfel că costul de penurie este
cp = 3.5 lei/tonă.zi.
Se cer valorile optime n0, m0, C(n0, m0), k0, t0, u0.
152
Soluţie:
Avem ρ = cp/(cs + cp) = 0.875. Rezultă:
n0 = [([Link])/([Link])]1/2 . (1/ρ1/2) = 15.83 tone planificate pe serie.
m0 = ρ.no = 13.85 tone realizate pe serie.
C(n0, m0) = [Link].m0 = 2527.625 lei.
k0 = N/n0 = 12.63 serii.
t0 = T/k0 = 28.9 zile între două aprovizionări succesive.
u0 = ρ.t0 = 25.29 zile fără penurie.
B. Stocuri optime cu aprovizionare treptată
Intensitatea ofertei este de articole/unitate de timp iar intensitatea cererii este de
articole/unitate de timp. Presupunem că > pentru a putea constitui stocul. Fie = cp/(cs + cp)
0; 1.
Avem t1 = s; t2 = s + u; t3 = s + u + t; t4 = s + u + t + r.
În intervalul de timp 0; t1 de lungime s, se oferă s articole şi se cer s articole deci
stocul conţine ( - )s articole.
În intervalul de timp t1; t2 de lungime u se consumă în totalitate stocul de ( - )s articole
deci:
(1) ( - )s = u
În intervalul de timp t2; t3 de lungime t se creează deficitul de stoc de t articole.
În intervalul de timp t3; t4 de lungime r se reia oferta de r articole şi se cer r articole
până la lichidarea deficitului de stoc aşa că:
(2) t = ( - )r
Cheltuielile pe intervalul total de timp 0; t4 de lungime r + t + u + s sunt formate din:
a) Cheltuieli de lansare a producţiei ca (lei);
b) Cheltuieli medii de stocare egale cu cs. ( - )s . (u + s)/2 pe intervalul de timp 0; t2 de
lungime u + s.
c) Cheltuieli medii de penurie cp.t.(r + t)/2 pe intervalul de timp t2; t4 de lungime r + t.
Cheltuielile totale pe unitatea de timp sunt:
f(s, u, t, r) = ca + cs . ( - )s . (u + s)/2 + cp.t.(r + t)/2/(r + t + u + s)
Din relaţiile (1) şi (2) rezultă: s = u/( - ) şi r = t/( - ) aşa că avem:
(3) f(u, t) = ca ( - ) + (cs.u2 + cp.t2)/2/(u + t)
153
Anulând derivatele parţiale f/u = 0; f/t = 0 găsim soluţia care se dovedeşte a fi punct de
minim:
2ca ( ) c u 0 t 0
(4) u0 ; t 0 s u 0 deci s 0 ; r0
cs cp
Cheltuielile totale minime pe unitatea de timp sunt f0 = f(u0, t0).
În cazul când cs este neglijabil în raport cu cp deci 0, penuria dispare deci avem t = r =
0 aşa că f(u) = ca( - ) + .cpt2/2/() iar f’(u) = 0 are soluţia:
2ca ( )
u0
cs
care este punct de minim. Valoarea minimului este f0 = f(u0)
Exemplu:
La o fermă zootehnică avem costul de lansare a bazei furajere ca = 1200 lei, cel de stocare
este cs = 0.5 lei/tonă.zi iar cel de penurie este cp = 3.5 lei/tonă.zi. Avem = 0.5 tone/zi şi = 0.4
tone/zi.
Se cer valorile optime u0, t0, s0, r0 şi f0.
Soluţie:
Avem = cp/(cs + cp) = 0.875 deci din relaţiile (4) rezultă: u0 = 45.8 zile; t0 = 6.55 zile; s0 =
183.2 zile; r0 = 26.2 zile.
Valoarea f0 = f(u0, t0) rezultă din relaţia (3).
Avem t1 = s0 = 183.2 zile; t2 = s0 + u0 = 229 zile; t3 = s0 + u0 + t0 = 235.55 zile şi t4 = s0 + u0
+ t0 + r0 = 261.75 zile.
În intervalul 0; 183.2 zile se oferă s0 = 96 tone furaje şi se consumă s0 = 73.28 tone
furaje deci în a 183.2 zi avem stocul de 22.72 tone furaje.
În intervalul 183.2 zile; 229 zile se consumă în întregime stocul de 22.72 tone furaje.
În intervalul 229 zile; 235.55 zile se creează un deficit de stoc de t0 = 26.2 tone de furaje.
În intervalul 235.55 zile; 261.75 zile se reia oferta de r0 = 13.1 tone furaje şi se consumă
r0 = 10.48 tone furaje iar deficitul de furaje dispare în a 261.75 zi.
În continuare procesul de ofertă şi consum se reia cu aceiaşi parametri optimi.
C. Stocuri optime cu cerere aleatoare
În modelul stocurilor optime cu cerere constantă de la punctul 2) s-a presupus că cererea de
r articole pentru a fi depuse în stoc este constantă şi egală fie cu numărul n de articole planificate
pentru stocuri cu articole suficiente fie cu numărul m ≤ n de articole realizate pentru stocuri cu
penurie de articole.
Vom presupune mai departe că cererea r este o variabilă aleatoare pe fiecare perioadă de
timp de lungime t cu densitatea de probabilitate p(r).
Cererea fiind variabilă, în orice perioadă de timp de lungime t sunt posibile cazurile: r ≤ m
sau r > m.
Cazul r ≤ m, ilustrat în figura 1, duce la scăderea liniară a stocului de la m la m – r articole
deci avem stocul mediu: [m + (m - r)t]/(2t) = m – (r/2)
154
Cazul r > m, ilustrat în figura 2, duce la scăderea liniară a stocului de la m la 0 pe subperioada
de timp [0; u] de lungime u deci avem stocul mediu (mu)/(2t) = (m2)/(2r) căci din asemănarea
triunghiurilor dreptunghice OAB şi ACD din figura 2, rezultă u/t = m/r deoarece AC = r.
Pe subperioada de timp [u; t] de lungime t – u avem penurie de n – m articole deci penuria
medie este [(r - m).(t - u)]/(2t) = (r - m)2/(2r) deoarece din relaţia de asemănare u/t = m/r rezultă (t -
u)/t = (r - m)/r.
Costul mediu de aprovizionare-stocare-penurie pe perioada de timp de lungime t este:
m
r n
m2 n
(r m)2
C(m) ca cs (m ) p(r) cs p(r) c p p(r)
r 0 2 r m 1 2r r m 1 2r
Valoarea optimă m0 a lui m este dată de dubla inegalitate:
C (m – 1) > C (m) < C (m + 1)
Dar:
1 n
p(r)
C(m 1) C(m) (cs c p ) P(r m) (m )
2 r m1 r
deci cu notaţia:
155
1 n p(r)
L(m) P(r m) (m
2 r m1 r
relaţia C(m) < C(m + 1) devine: cp < (cs + cp).L(m) şi cum = cp/(cs + cp) rezultă: < L(m).
În mod analog avem:
1 n p(r)
C(m 1) C(m) (cs c p ) P(r m 1) (m )
2 r m r
deci relaţia C(m – 1) > C(m) devine: cp > (cs + cp).L(m - 1) adică > L(m - 1).
Am demonstrat:
Teorema 3.7
m0 este acea valoare a lui m care satisface dubla inegalitate: L(m - 1) < < L(m).
Exemplu:
Un depozit trebuie să stocheze îngrăşăminte chimice pentru un anumit timp.
Cererea de îngrăşăminte chimice (tone/lună ) este variabila aleatoare X cu repartiţia:
0 1 2 3 4
X:
0.40 0.22 0.18 0.12 0.08
Avem ca = 200 lei/lună; cs = 4 lei/tonă.lună; cp = 36 lei/tonă.lună.
Se cere volumul optim m0 al unei serii de aprovizionare realizate şi cheltuielile medii
minime C(m0) de aprovizionare, stocare şi penurie.
Soluţie:
Avem n = 4; = 360000/400000 = 0.9
Avem tabelul de calcul:
M r p(r) p(r)/r S P(r ≤ m) L(m)
0 0 0.40 - 0.37 0.40 0.585
1 1 0.22 0.22 0.15 0.62 0.845
2 2 0.18 0.09 0.06 0.80 0.950
3 3 0.12 0.04 0.02 0.92 0.990
4 4 0.08 0.02 0 1 1
Aici am folosit notaţia:
4
p(r)
S=
r=m+1 r
2
r 4
22
C(2) 2000000 40000 (2 ) p(r) 40000 p(r)
r 0 2 r 3 2r
4
(r 2)2
360000 p(r)
r 3 2r
Avem L(1) =0.845 < ρ = 0.9 < L(2) = 0.950 deci m0 = 2 tone/serie realizate, adică C(2) =
212.2 lei = minim.
156
3) Funcţii Douglas-Cobb
Fie x1 = cheltuieli materiale anuale; x2 = cheltuieli cu forţa de muncă; y = venitul anual,
toate la cultura porumbului în lei.
Avem y = A0 x1B1x2B2 cu 0 ≤ B1, B2 ≤ 1 şi B1 + B2 ≠ 1.
Profitul anual este: P(x1, x2) = A0 x1B1x2B2 – x1 – x2 şi trebuie să fie maxim.
Anulăm derivatele parţiale ale lui P în raport cu x1, x2:
P
A 0 B1 x1B1 1 x 2B2 1 0
x1
P
A 0 B2 x1B1 x 2B2 1 1 0
x 2
Rezultă:
A0 B1x1B1 1x 2B2 A0 B2 x1B1 x B2 2 1
adică x1/B1 = x2/B2 de unde x2 = (B2/B1). x1 şi prima ecuaţie a sistemului dă:
1
x10 A0 B 1B2
1 B
B2
2
1B1 B2
şi x20 = (B2/B1).x10 adică:
1
x 20 A0 B B
B1
1
1B1
2
1B1 B2
Profitul maxim este Pmax = A0 x10B1x20B2 – x10 – x20.
Ca şi în exemplul 1) se verifică faptul că avem un punct de maxim.
4) Optimizarea nivelului preţurilor de vânzare a n produse agricole
Se urmăreşte maximizarea venitului din vânzarea produselor agricole, a stimulării
consumului de produse agricole ca o cale principală de relansare a producţiei agricole.
Optimizarea separată a câte unui produs agricol care a fost prezentată în secţiunea 2.1.3,
punctul 6
În această secţiune vom maximiza venitul din vânzarea a n produse concurenţiale în aceeaşi
piaţă de desfacere.
Pentru simplificare vom aborda numai cazul în care cele n produse sunt toate de necesitate
nespecificată (vezi punctual a) al exemplului 6) din secţiunea 2.1.3)
Fie x1,…, xn preţurile de vânzare ale celor n produse.
Valoarea în lei a cantităţilor vândute din cele n produse este:
n n n
z d ijxixj + c i xi
i 1 j 1 i 1
Fie D= [dij] (1 i n; 1 j n) matricea simetrică de ordin n a coeficienţilor termenilor de
grad 2 din z, fie c = (ci) (1 i n) vectorul-coloană cu n componente al coeficienţilor termenului
de grad 1 din z şi fie X = (xi) (1 i n) vectorul-coloană cu n componente al necunoscutelor.
157
Despre matricea D se presupune a fi negativ definită deci are toate valorile proprii strict
negative (vezi secţiunea 1.1.2, punctul D) deci funcţia y are un maxim pentru vectorul-coloană cu n
componente strict pozitive X0 = - (1/2).D-1.c adică vectorul preţurilor celor n produse, care asigură
cea mai mare valoare în lei a vânzărilor.
Pentru matricea D presupunem a fi îndeplinite şi condiţiile: dii < 0; (i = 1,…, n) (cele n
produse sunt autoconcurenţiale). Pentru dij (i ≠ j) avem cazurile:
dij < 0 dacă produsele cu numerele i şi j sunt concurenţiale (de exemplu legume diferite);
dij > 0 dacă produsele cu numerele i şi j sunt complementare (de exemplu legume şi fructe);
dij = 0 dacă produsele cu numerele i şi j sunt independente (de exemplu pâine şi legume).
Fie r numărul coeficienţilor dij ≠ 0 deci în funcţia z avem m = n + r coeficienţi necunoscuţi dij,
ci necunoscuţi care se vor determina experimental alegând m seturi de preţuri de probă (x1i,…, xni); (i
= 1,…, m) (inclusiv setul de preţuri curente) care vor aduce m valori ale valorii vânzărilor z1,…, zm.
Se obţine astfel un sistem liniar de m ecuaţii cu m necunoscute nenule dij, ci.
Desigur pentru a rezolva sistemul liniar vom transforma matricea necunoscutelor dij în
vector (vezi Secţiunea 1.1.2, B, transformarea 1)
Exemplu:
Fie două produse concurenţiale: mere ionatan şi mere golden.
Un vânzător a vândut într-o piaţă cu preţul curent xc = 2.5 lei/Kg în T = 3 zile, o cantitate yc
= 30 kg mere ionatan pentru care a primit suma zc = 75 lei.
În continuare a vândut la aceeaşi piaţă cu preţul de probă xp = 3 lei/Kg tot în T = 3 zile, o
cantitate yp = 25 Kg mere ionatan pentru care a primit suma zp = 75 lei. Din formulele din
secţiunea 2.1.3, punctul 6a) rezultă a = -10; b = 27.5 deci preţul de vânzare economic xe = 2.75
lei/Kg cu care în T = 3 zile, s-ar vinde cantitatea ye = 27.5 Kg mere ionatan şi s-ar primi suma
maximă ze = 75.625 lei.
Un alt vânzător a vândut în altă piaţă cu preţul curent xc = 3 lei/Kg în T = 3 zile, o cantitate
yc = 20 kg mere golden pentru care a primit suma zc = 60 lei.
În continuare a vândut la aceeaşi piaţă cu preţul de probă xp = 3.5 lei/Kg tot în T = 3 zile, o
cantitate yp = 17 Kg mere golden pentru care a primit suma zp= 59.5 lei. Din formulele din
secţiunea 2.1.3, punctul 6a) rezultă a = - 6; b = 19 deci preţul de vânzare economic xe = 3.17 lei/Kg
cu care în T = 3 zile, s-ar vinde cantitatea ye = 19 Kg mere golden şi s-ar primi suma maximă ze =
60.17 lei.
Dacă cei doi vânzători ar vinde produsele lor în aceeaşi piaţă, merele ionatan şi golden fiind
produse concurenţiale, valoarea totală a vânzărilor celor două soiuri de mere este mai mică decât
valoarea vânzărilor pentru fiecare soi în parte adică z1 = (-10x12 + 55 x1) şi respectiv z2 = (- 6x22 +
39 x2), având forma:
(1) z = (-10x12 + 55 x1) + (- 6x22 + 39 x2) + (2 a12 x1x2) cu a12 < 0.
Dacă cele două produse ar fi fost complementare (de exemplu mere şi pere) am fi avut a12 >
0.
Valoarea coeficientului de concurenţă a12 se determină astfel:
Cei doi vânzători vând soiurile lor de mere în aceeaşi piaţă cu preţurile x1c = 2.5 lei/Kg
mere ionatan şi respectiv x2c = 3 lei/Kg mere golden timp de T = 3 zile şi volumul vânzărilor
împreună este zc = 115.05 lei. Înlocuim pe x1 cu 2.5, x2 cu 3 şi z cu 115.05 în relaţia (1) şi găsim
a12 = -1.33 deci valoarea vânzărilor ambelor soiuri de mere în aceeaşi piaţă are forma:
(2) z = (-10x12 + 55 x1) + (- 6x22 + 39 x2) + (- 2.66 x1x2)
Anulăm derivatele parţiale ale lui z în raport cu x1 şi x2:
z/x1 = -20x1 + 55 – 2.66x2 = 0; z/x2 = -12x2 + 38 – 2.66x1 = 0
Soluţia acestui sistem liniar este x1e = 2.4 lei/Kg mere ionatan; x2e = 2.64 lei/Kg mere
golden.
Această soluţie este punct de maxim pentru funcţia z deoarece:
z/x12 = - 20 < 0; 2z/x22 = -12 < 0 şi 2z/x1x2 = -2.66 deci:
2
158
= (2z/x12). (2z/x22) – [(2z/x1x2)]2 = (-20).(-12)- (-2.66)2 > 0.
Valoarea maximă a volumului vânzărilor pentru cele două soiuri de mere împreună, se
obţine din relaţia (2), înlocuind pe x1 cu 2.4 şi pe x2 cu 2.64 şi găsim ze = 118.69 lei = Maxim.
Valoarea volumului vânzărilor pentru merele ionatan este z1 = (-10x12 + 55 x1) + (-
1.33x1x2) iar valoarea volumului vânzărilor pentru merele golden este z2 = (- 6x22 + 39x2) + (-
1.33x1x2)
Pentru x1 = 2.4 şi x2 = 2.64 avem z1e = 65.97 lei şi z2e = 52.72 lei iar ze = z1e + z2e =118.69
lei.
Volumul vânzărilor pentru merele ionatan este y1 = (-10x1 + 55) + (- 1.33x2) iar volumul
vânzărilor pentru merele golden este y2 = (- 6x2 + 39) + (- 1.33x1). Pentru x1 = 2.4 şi x2 = 2.64
obţinem valorile optime ale volumelor vânzărilor: y1e = 27.49 Kg mere ionatan; y2e = 19.97 Kg
mere golden.
3.2.3 Extreme cu legături ale funcţiilor de n variabile reale
Fie funcţia reală de n variabile reale y = f(x1,…, xn), f: A Rn B R şi fie funcţiile
auxiliare y = φi(x1,…, xn); φi: A Rn R; (i = 1,…, m). Se presupune că funcţiile f; φ1,…, φm (m
≤ n) au derivate parţiale continue pe A.
În plus funcţiile auxiliare φi se presupun funcţional independente pe A adică matricea lor
Jacobi J = [∂φi/∂xj](x) cu m linii şi n coloane, are rangul m pentru orice vector x A.
Fie D A mulţimea vectorilor x = (x1,…, xn) care anulează cele m funcţii auxiliare:
φ1 (x1,…, xn) = 0
……………….. (1)
m (x1,…, xn) = 0
Vectorul x(0) = (x10,…, xn0) A Rn se numeşte punct de extrem condiţionat pentru
funcţia f cu legăturile date de relaţia (1), dacă el maximizează/minimizează funcţia f şi în plus
verifică legăturile (1) adică x(0) D.
Dacă de exemplu în matricea Jacobi J de rang m, este nenul minorul: = Det i/xj; (1
i, j m), atunci din legăturile (1) putem afla pe x1,…, xm în funcţie de xm+1,…, xn:
x1 = 1 (xm+1,…, xn)
…………………….. (2)
xm = m (xm+1,…, xn)
În acest caz funcţia iniţială y = f(x1,…, xn) devine:
f(x1,…, xn) = f 1 (xm+1,…, xn),…, m (xm+1,…, xn); xm+1,…, xn = g (xm+1,…, xn).
x este punct de extrem condiţionat pentru funcţia f cu legăturile (1) dacă şi numai dacă x(0) =
(0)
(1(xm+1,0,…, xn,0),…, m (xm+1,0,…, xn,0); xm+1,0 ,…, xn,0) este punct de extrem necondiţionat pentru
funcţia g (xm+1,…, xn).
Din păcate, obţinerea explicită a relaţiilor (2) din relaţiile (1) este în general foarte
laborioasă deci vom înlocui funcţia g(xm+1,…, xn) cu funcţia Lagrange:
L(x1,…, xn) = f(x1,…, xn) - 1.1 (x1,…, xn) - … - m . m (x1,…, xn)
Sunt valabile următoarele afirmaţii:
1) Orice punct de extrem condiţionat x(0) al funcţiei f cu legăturile (1) este punct staţionar al
funcţiei Lagrange adică:
L f m
i i ; (j=1,...,n) (3)
x j x j i 1 x j
159
Se procedează prin reducere la absurd: dacă relaţiile (3) nu sunt îndeplinite pentru X(0) =
(x10,…, xn0), atunci x(0) nu este punct de extrem condiţionat pentru funcţia f cu legăturile (1).
Punctele staţionare ale funcţiei Lagrange se află din sistemul de ecuaţii (3) + (1) adică n + m
ecuaţii cu n + m necunoscute: x1,…, xn; 1,…, m.
Valorile 1,…, m se numesc multiplicatori Lagrange şi din relaţiile (3) rezultă:
f i df
i / (4)
x j x j di
Valoarea multiplicatorului Lagrange i este egală cu variaţia funcţiei-obiectiv df provocată
de variaţia funcţiei din legătura numărul i cu o unitate: di = 1.
Din acest motiv multiplicatorii Lagrange 1,…, m se numesc preţuri-umbră sau costuri de
oportunitate prin analogie cu variabilele duale proprii yi din programarea liniară (Vezi cap. 6)
2) Un vector x(0) Rn – m este punct staţionar al funcţiei g (xm+1,…, xn) dacă şi numai dacă x(0)
Rn este punct staţionar al funcţiei Lagrange.
Afirmaţiile (1) şi (2) dau condiţia necesară ca x(0) să fie punct de extrem condiţionat pentru
funcţia f cu legăturile (1) şi anume x(0) trebuie să fie punct staţionar al funcţiei Lagrange.
Urmează să stabilim o condiţie suficientă ca x(0) trebuie să fie punct staţionar al funcţiei
Lagrange.
Din legăturile (1) obţinem prin diferenţiere:
1 1
dx1 ... 1 dx m dx m 1 ... 1 dx n 0
x1 x m x m 1 x n
........................................................................................... (5)
m m
dx1 ... m dx m dx m 1 ... m dx n 0
x1 x m x m 1 x n
Relaţiile (5) constituie un sistem de m ecuaţii independente cu n necunoscute: dx1,…, dxm,
dxm+1,…, dxn, coeficienţii fiind elemente ale matricii Jacobi de rang maxim egal cu m.
Dacă avem minorul nenul: = Det i/xj 0; (1 i, j m), din sistemul (5) putem afla
pe dx1,…, dxm în raport cu dxm+1,…, dxn:
dx1 = 1 (dxm+1,…, dxn)
……………………….. (6)
dxm = m (dxm+1,…, dxn)
Soluţiile din relaţiile (6) verifică şi relaţia:
f f f f
dx1 ... dx m dx m1 ... dx n 0 (7)
x1 x m x m1 x n
Condiţiile suficiente de extrem condiţionat pentru funcţia f cu legăturile (1) sunt echivalente
cu condiţiile de extrem necondiţionat pentru funcţia g şi acestea sunt:
a) x(0) Rn – m trebuie să fie punct staţionar pentru funcţia g adică:
g(x (0) ) g(x (0) )
dg(x ) (0)
dx m 1 ... dx n 0
x m 1 x n
g(x (0) )
respectiv dx h 0 ; (h = m+1,...,n)
x h
160
b) Diferenţiala de ordinul doi a lui g în x(0):
n
2 g(x (0) )
n
d g(x )
2 (0)
dx h dx k
h m 1 k m 1 x h x k
trebuie să fie pozitiv definită pentru ca x(0) să fie punct de minim şi respectiv negativ definită pentru
ca x(0) să fie punct de maxim.
Mai departe, condiţiile a), b) pentru funcţia g se transferă funcţiei Lagrange L astfel:
Conform afirmaţiei 2) condiţia a) devine pentru funcţia Lagrange L:
c) x Rn trebuie să fie punct staţionar al funcţiei Lagrange adică:
(0)
m n
f (x (0) ) m n
(x (0) )
dL(x (0) ) df (x (0) ) i di (x (0) ) dx j i [ i dx j ] 0
i 1 j1 x j i 1 j1 x j
adică relaţiile (3):
f (x (0) ) m i (x (0) )
i 0 ; (j=1,...,n)
x j i 1 x j
la care se asociază legăturile (1) deci avem n + m relaţii satisfăcute de n + m soluţii: x(0) = (x10,…,
xn0) şi (0) = (10,…, m0).
Pentru a transfera condiţia b) pentru funcţia g în condiţia d) pentru funcţia Lagrange L,
trebuie să diferenţiem legăturile (1) pentru a obţine relaţiile (5), pe care le rezolvăm în raport cu
dx1,…, dxm obţinând relaţiile (6) şi în final înlocuim pe dx1,…, dxm date de relaţiile (6) în
diferenţiala de ordinul al doilea a lui L.
Avem:
n n
2 L(x (0) )
d 2 L(x (0) ) dx i dx j
i 1 j1 x i x j
care după înlocuirea lui dx1,…, dxm devine:
n n
2 L(x (0) )
d 2 L(x (0) )
h m 1 k m 1 x h x k
dx h dx k
Condiţia b) devine:
d) Diferenţiala d2L(x(0)) cu variabilele dxm+1,…, dxn, trebuie să fie pozitiv definită pentru ca x(0)
să fie punct de minim şi respectiv să fie negativ definită pentru ca x(0) să fie punct de maxim.
Exemple:
1) Se cere extremul funcţiei f = - x12 – 2x22 – 3x32 + 2x1 + 4x2 + 6x3 cu legătura: 1 = x1 + 2x2 +
3x3 – 12 = 0
Soluţie:
Avem funcţia Lagrange L = f - .1
a) Anulăm derivatele parţiale ale lui L în raport cu x1, x2, x3 şi adăugăm legătura:
L/x1 = - 2x1 + 2 - = 0
L/x2 = - 4x2 + 4 - 2 = 0
L/x3 = - 6x3 + 6 - 3 = 0
x1 + 2x2 + 3x3 – 12 = 0
161
Din primele trei ecuaţii aflăm pe x1, x2, x3 în funcţie de şi îi înlocuim în a patra ecuaţie.
Obţinem 0 = -2 de unde x10 = x20 = x30 =2 adică punctul staţionar al funcţiei Lagrange L.
Avem diferenţiala de ordinul întâi a lui L: dL = (- 2x1 + 2 - )dx1 + ( - 4x2 + 4 - 2)dx2 +
(-6x3 + 6 - 3)dx3 0 pentru valorile 0 = -2 şi x10 = x20 = x30 =2.
b) Diferenţiala de ordinul doi a lui L este: d2L = - 2dx12 – 4dx22 – 6dx32
Diferenţiem legătura: dx1 + 2dx2 + 3dx3 = 0 de unde dx1 = -2dx2 - 3dx3 pe care îl înlocuim
în d L şi obţinem: d2L = - 12dx22 – 24dx2dx3 – 24dx32 cu Hessiana în x(0):
2
12 - 12
H(x10 , x 20 , x 30 )
-12 - 24
Avem minorii principali: 1 = -12 < 0; 2 = Det(H) = 144 > 0 deci avem un maxim.
Interpretarea lui 0 = -2
Pentru x1 variabil şi x20 = x30 = 2 avem f = - x12 + 2x1 şi 1 = x1 – 2
Avem f/x1 = - 2x1 + 2; 1/x1 =1 deci pentru x1 = x10 = 2 obţinem: (f/x1)0 = -2 şi
(1/x1)0 =1 iar raportul acestor mărimi este chiar 0 = -2.
2) Se cere extremul funcţiei f = - x12 – 4x22 – 9x32 + 2x1 + 8x2 + 18x3 cu legăturile:
1 = x1 + 2x2 + 3x3 + 3 = 0; 2 = 6x1 + 2x2 + 3x3 + 30.5 = 0
Soluţie:
Avem funcţia Lagrange L = f - 1.1 - 2.2
a) Anulăm derivatele parţiale ale lui L în raport cu x1, x2, x3 şi adăugăm legăturile:
L/x1 = - 2x1 + 2 - 1 - 62 = 0
L/x2 = - 4x2 + 8 -21 - 22 = 0
L/x3 = 18x3 + 18 - 31 - 32 = 0
x1 + 2x2 + 3x3 + 3 = 0
x1 + 2x2 + 3x3 + 30.5 = 0
Din primele trei ecuaţii aflăm pe x1, x2, x3 în funcţie de 1 şi 2 şi îi înlocuim în a patra şi a
cincea ecuaţie.
Obţinem 10 = 1; 20 = 2 de unde x10 = - 5.5; x20 = 0.5; x30 =0.5 adică punctul staţionar al
funcţiei Lagrange L.
Avem diferenţiala de ordinul întâi a lui L:
dL = (- 2x1 + 2 - 1 - 62)dx1 + (- 4x2 + 8 - 21 - 22)dx2 + (18x3 + 18 - 31 - 32 = 0)dx3
0 pentru valorile 10 = 1; 20 = 2 şi x10 = - 5.5; x20 = 0.5; x30 =0.5
b) Diferenţiala de ordinul doi a lui L este: d2L = - 2dx12 – 4dx22 + 18dx32
Diferenţiem legăturile: dx1 + 2dx2 + 3dx3 = 0 şi 6dx1 + 2dx2 + 3dx3 = 0 de unde aflăm pe
dx1 şi dx2 în raport cu dx3: dx1 = 0; dx2 = -1.5 dx3 pe care le înlocuim în d2L şi obţinem: d2L =
9dx32.
Cum 1 = 9 > 0 avem un minim.
Interpretarea lui 0 = -2
Pentru x1 variabil şi x20 = 0.5; x30 = 0.5 avem f = - x12 + 2x1 + 19.5 şi 1 = x1 + 5.5; 2 = 6x1
+ 33
Avem f/x1 = - 2x1 + 2; 1/x1 =1; 2/x1 = 6 deci pentru x1 = x10 = 5.5 obţinem:
(f/x1)0 = 13 şi (1/x1)0 = 1; (2/x1)0 = 6 deci se verifică relaţia: (f/x1)0 = 10. (1/x1)0 +
20. (2/x1)0 adică 13 = 1 x 1 + 2 x 6.
162
Aplicaţii:
1) Cilindrul optim
i) Problema primală:
Dintr-o foaie de tablă de suprafaţă dată S = S0 să se confecţioneze o cutie cilindrică pentru
conserve, de volum maxim.
Soluţie:
Fie x1 raza bazei şi x2 generatoarea cilindrului. Suprafaţa totală a cilindrului este S =
2x1(x1 + x2) iar volumul cilindrului este V = x12x2.
Avem problema de extrem cu legături primală:
V = x12x2 = maxim;
S = 2x1(x1 + x2) = S0
Funcţia Lagrange este L = x12x2 - .2x1(x1 + x2) - S0
Anulăm derivatele parţiale ale lui L în raport cu x1 şi x2, şi ataşăm legătura:
L/x1 = 2x1x2 - 2(2x1 + x2) = 0
L/x2 = x12 - 2x1 = 0
2x1(x1 + x2) - S0 = 0
Rezolvând acest sistem avem 0 = (S0/24)1/2 şi punctul staţionar cu componente pozitive:
x10 = (S0/6)1/2; x20 = 2x10.
Ca şi în exemplul 1 ) de mai sus se arată că acest punct staţionar este punct de maxim.
Avem Vmax = (S03/54)1/2 de unde se verifică relaţia 0 = dV/dS0.
ii) Problema duală:
Dintr-o foaie de tablă de volum dat V0 să se confecţioneze o cutie cilindrică pentru
conserve, de arie totală minimă.
Soluţie:
Avem problema de extrem cu legături duală:
S = 2x1(x1 + x2) = minim
V = x12x2 = V0
Formăm funcţia Lagrange L = 2x1(x1 + x2) - .(x12x2 - V0)
Anulăm derivatele parţiale ale lui L în raport cu x1 şi x2, şi ataşăm legătura:
L/x1 = 2(2x1 + x2) - 2 .x1 x2 = 0
L/x2 = 2x1 - x12 = 0
x12x2 - V0 = 0
Rezolvând acest sistem avem 0 = (16/V0)1/3 şi punctul staţionar cu componente pozitive:
x10 = (V0/2)1/3; x20 = 2x10.
Ca şi în exemplul 1) de mai sus se arată că acest punct staţionar este punct de minim.
Avem Smin = (54V02)1/3 de unde se verifică relaţia 0 = dS/dV0.
În ambele probleme de optimizare avem x20 = 2x10 deci cutia cilindrică optimă are diametrul
bazei cilindrului egal cu generatoarea cilindrului.
2) Grinda dreptunghiulară optimă
Dintr-un buştean cilindric cu secţiunea circulară de diametru D trebuie cioplită o grindă cu
secţiunea dreptunghiulară.
Să se afle dimensiunile x1, x2 ale secţiunii dreptunghiulare astfel ca rezistenţa sa să fie
maximă.
163
Soluţie:
Rezistenţa grinzii este R = kx1x22 unde x1 este lungimea pe orizontală a seţiunii
dreptunghiulare iar x2 este înălţimea pe verticală a secţiunii dreptunghiulare.
Avem legătura: x12 + x22 = D2.
Problema de extrem cu legături are forma:
R = kx1x22 = maxim
x12 + x22 - D2 = 0
Funcţia Lagrange este: L = kx1x22 - .(x12 + x22 - D2)
Anulăm derivatele parţiale de ordinul întâi ale lui L în raport cu x1, x2 şi ataşăm legătura:
L/x1 = kx22 - 2x1 = 0
L/x2 = 2kx1x2 - 2x2 = 0
x12 + x22 - D2 = 0
Din primele două ecuaţii avem: x1 = /k; x2 = 21/2/k care se înlocuiesc în a treia ecuaţie şi
rezultă: 0 = (3)1/2kD/3 deci avem punctul staţionar :x10 = (3)1/2D/3; x20 = (6)1/2D/3.
Ca şi în exemplul 1) de mai sus se verifică faptul că avem un punct de maxim.
Valoarea rezistenţei maxime este Rmax = 2(3)1/2kD3/9.
Se vede că între dimensiunile secţiunii dreptunghiulare optime există relaţia: x20 = (2)1/2x10.
3) Funcţia Douglas-Cobb cu legături
Fie x1 cheltuielile materiale anuale la cultura porumbului (lei); x2 cheltuielile cu forţa de
muncă anuale la cultura porumbului (lei) şi y venitul anual la cultura porumbului (lei). Avem
funcţia Douglas-Cobb y = A0x1B1x2B2, unde 0 B1, B2 1 şi B1 + B2 1. B1 şi B2 sunt elasticităţile
venitului y în raport cu cheltuielile x1, x2.
Problema de optimizare primală:
Să se maximizeze venitul cu încadrarea cheltuielilor de producţie în suma C0.
Avem problema de extrem cu legături:
y = A0x1B1x2B2 = maxim;
x1 + x2 – C0 = 0
Avem funcţia Lagrange: L = A0x1B1x2B2 - (x1 + x2 – C0)
Anulăm derivatele parţiale de ordinul întâi ale lui L în raport cu x1 şi x2 şi ataşăm legătura:
L
A 0 B1 x1B1 1 x B2 2 0
x1
L
A 0 B2 x1B1 x 2B2 1 0
x 2
Din primele două ecuaţii rezultă x1/B1 = x2/B2 şi împreună cu ecuaţia a treia dau:
x10 = (B1C0)/(B1 + B2); x20 = (B2C0)/(B1 + B2), aşa că:
B1 B2 1B 1 B2 dy
0 A 0 B1B B2B (
1 2
)
C0 dC0
C0
y max A 0 B1B1 B2B2 ( ) B1 B2
B1 B2
Ca şi în exemplul 1) de mai sus se arată că în adevăr avem un punct de maxim.
164
Problema de optimizare duală:
Să se minimizeze cheltuielile cu garantarea venitului în valoare de cel puţin V0.
Avem problema de extrem cu legături:
y = x1 + x2 = minim
A0x1B1x2B2 = V0
Avem funcţia Lagrange: L = x1 + x2 - (A0x1B1x2B2 – V0)
Anulăm derivatele parţiale de ordinul întâi ale lui L în raport cu x1 şi x2 şi ataşăm legătura:
L
1 A 0 B1 x1B1 1 x 2B2 0
x1
L
1 A 0 B2 x1B1 x 2B2 1 0
x 2
A0 x1B1 x 2B2 V0
Din primele două ecuaţii rezultă x1/B1 = x2/B2 şi împreună cu ecuaţia a treia dau:
1 B2 1 B1
V B1 B2 B B1 B2 V B1 B2 B B1 B2
x10 0 1 ; x 20 0 2
A0 B2 A0 B1
1
0 B1 1 B1
; y min x10 x 20
A 0 B1 x10 x 20
Ca şi în exemplul 1) de mai sus se arată că în adevăr avem un punct de minim.
3.3 Rezumat
În acest capitol se defineşte funcţia reală de o variabilă reală, se enumeră proprietăţile ei, se
prezintă rolul derivatelor de ordinul unu şi doi în studiul funcţiei, în special la găsirea maximelor şi
minimelor funcţiei.
În continuare se defineşte funcţia reală de n variabile reale, se prezintă rolul derivatelor
parţiale de ordinul unu şi doi în studiul funcţiei, în special la găsirea maximelor şi minimelor libere
sau cu legături ale funcţiei.
3.4 Întrebări
1. Care este rolul derivatei de ordinul unu în studiul funcţiei de o variabilă reală?
2. Care este rolul derivatei de ordinul doi în studiul funcţiei de o variabilă reală?
3. Cum se găsesc maximele şi minimele unei funcţii de o variabilă reală?
4. Ce aplicaţii au în agricultură maximele şi minimele unei funcţii de o variabilă reală?
5. Care este rolul derivatelor parţiale de ordinul unu în studiul funcţiei de n variabile reale?
6. Care este rolul derivatelor parţiale de ordinul doi în studiul funcţiei de n variabile reale?
7. Cum se găsesc maximele şi minimele libere sau cu legături ale unei funcţii de n variabile reale?
8. Ce aplicaţii au stocurile în agricultură?
9. Cum se cumulează funcţiile în timp cu ajutorul integralei?
10. Cum se stabilesc preţurile optime de vânzare ale produselor agricole?
165
3.5 Bibliografie
1. Stănăşilă O.: “Analiză liniară şi geometrie” Vol. I - II, Editura ALL, 2000 - 2001
2. Cenuşă Gh. şi col.: “Matematici pentru economişti”, Editura CISON, 2000
3. Cenuşă Gh. şi col.: “Matematici pentru economişti – culegere de probleme”, Editura CISON, 2000
4. Ene D.: “Matematici (I)”, Editura CERES, 2004
5. Gogonea S., Ene D.: “Analiză numerică”, Editura Cartea Universitară, 2005
6. Ene D., Gogonea S.: “Metode numerice”, Editura Cartea Universitară, 2005
7. Ene D.: “Matematici aplicate în agricultură”, Editura CERES, 2006
166
CAPITOLUL 4 Modele neliniare de alocare optimă a resurselor în
agricultură
Obiective: Însuşirea de către studenţi a metodelor de optimizare a consumului de resurse în
agricultură precum şi elaborarea/rezolvarea modelelor de optimizare cu restricţii liniare şi funcţie-
obiectiv pătratică.
Cuprins
4.1 Producţii, indicatori economici şi aporturi
4.1.1 Producţii fizice şi valorice
4.1.2 Indicatori economici ai producţiei suplimentare
4.2 Optimele producţiei suplimentare şi aporturile factorilor
4.2.1 Optimele producţiei suplimentare
4.2.2 Aporturile factorilor
4.3 Exemple
4.3.1 Doi factori şi un produs
4.3.2 Un factor şi două produse
4.4 Modele cu restricţii liniare şi funcţie-obiectiv pătratică
4.4.1 Cazul când toate restricţiile sunt ecuaţii
4.4.2 Cazul când toate restricţiile sunt inecuaţii
4.4.3 Modele de optimizare pătratică în agricultură
A. Model pătratic de alocare a resurselor în producţia vegetală
B. Model pătratic de maximizarea venitului din raţia furajeră
4.5 Rezumat
4.6 Întrebări
4.7 Bibliografie
Cuvinte-cheie: optim marginal, de echilibru, economic, tehnic, maxim de venit cu
cheltuieli limitate, minim de cheltuieli cu venit garantat, rate ale substituirii factorilor, rate de
valorificare a unui factor prin produse diferite.
4.1 Producţii, indicatori economici şi aporturi
4.1.1 Producţii fizice şi valorice
Modelul neliniar care urmează, are ca scop alocarea optimă a N factori variabili pentru M
produse agricole.
Factorii constanţi se cumulează separat în realizarea producţiilor-martor ale produselor.
Exemple de factori variabili:
a) La producţia vegetală: densitatea plantelor, cantităţile de forţă de muncă, forţă mecanizată,
energie, îngrăşăminte, apă de irigaţie etc.
b) La producţia zootehnică: densitatea animalelor în spaţiul de cazare, cantităţile de forţă de
muncă, forţă mecanizată, energie, furaje, medicamente etc.
Produsele vegetale sunt date de producţiile fizice ale plantelor de pe suprafeţele cultivate iar
produsele animaliere sunt date de producţiile raselor de animale şi grupelor de animale cu efectivele
existente.
Observăm că avem M.N factori nedistincţi pentru M produse deoarece fiecare din cei N
factori se aplică pentru fiecare din cele M produse în doze diferite.
167
Nivelul variabil al factorului J alocat pentru produsul I este de X(I, J) unităţi de factor J pe
ha sau pe cap de animal (I = 1,…, M; J = 1,…, N) iar nivelul variabil al producţiei fizice a
produsului I este de Y(I) unităţi de produs I pe ha sau pe cap de animal.
Legăturile celor M produse cu cei N factori sunt date de M funcţii de producţie de tip
polinomial-cubic, fiecare de câte N variabile:
N N N N
Y(I) Y0 (I) Y1 (I, J).X(I, J) Y2 (I, J, K).X(I, J)X(I, K) Y3 (I, J).X(I, J)3
J 1 J 1 K 1 J 1
Coeficienţii Y0(I), Y1(I, J), Y2(I, J, K), Y3(I, J) sunt daţi pe baza datelor experimentale cu
ajutorul programului de regresie cubică cu interacţiuni COREGCUB (vezi lucrarea 39, Apendix).
Semnificaţia acestor coeficienţi este următoarea:
a) Y0(I) este producţia-martor în unităţi de produs I pe ha sau pe cap de animal, realizată cu
factorii constanţi, fără cei N factori variabili.
b) Y1(I, J) este producţia suplimentară în unităţi de produs I pe ha sau pe cap de animal, datorată
unităţii de factor variabil J.
c) Y2(I, J, K) este viteza de creştere a producţiei suplimentare a produsului I când factorii variabili
J şi K cresc cu câte o unitate.
d) Y3(I, J) < 0 este acceleraţia de scădere a producţiei suplimentare a produsului I când factorul J
creşte cu o unitate.
Această acceleraţie negativă se datorează limitei biologice a producţiei agricole
vegetale/animale în raport cu creşterea nivelului factorilor variabili, după principiul: în agricultură
dublarea efortului nu atrage după sine dublarea efectului.
Pentru calculul cheltuielilor, venitului şi profitului, sunt necesare următoarele date:
1) Cheltuielile constante CC(I) ale produsului I în lei pe ha sau pe cap de animal.
Aceste cheltuieli include toate cheltuielile productive (materiale şi manoperă) şi neproductive
(taxe, impozite, TVA şi cheltuieli neprevăzute) cu factorii constanţi, fără cheltuielile cu cei N
factori variabili şi fără cheltuielile cu recoltarea şi transportul producţiei vegetale/animale
suplimentare a produsului I, realizată pe baza celor N factori variabili.
2) Costurile factorilor variabili CF(J) în lei pe unitate de factor J.
Aceste costuri acoperă cumpărarea, transportul şi aplicarea la plante/animale a factorului
variabil J.
3) Costurile recoltării şi transportului produselor CR(I) exprimate în lei pe unitatea de produs I.
Aceste costuri acoperă recoltarea şi transportul producţiei-martor sau suplimentare a
produsului I, realizată pe baza factorilor constanţi respectiv acelor N factori variabili.
4) Preţurile de vânzare ale produselor PV(I) în lei pe unitate de produs I.
5) Suprafeţele în ha pentru culturi vegetale respectiv efectivele de animale domestice, notate
S(I), pe care se realizează produsul I.
1. Producţii fizice
Y0(I) este producţia-martor a produsului I în unităţi de produs pe ha sau pe cap de animal,
realizată numai cu factorii constanţi, fără cei N factori variabili.
Dacă măcar unul din cei N factori variabili este esenţial pentru produsul I, atunci Y0(I) = 0.
Acesta este cazul factorului variabil densitate plante/ha respectiv densitate animale în
spaţiul de cazare.
Notăm cu YS(I, J) producţia suplimentară a produsului I în unităţi de produs pe ha sau pe
cap de animal, realizată pe baza factorului variabil J.
Avem relaţiile:
N
YS(I, J) Y1 (I, J).X(I, J) Y2 (I, J).X(I, J).X(I, K) Y3 (I, J).X(I, J)3
K 1
168
Notăm cu TYS(I) producţia suplimentară a produsului I în unităţi de produs pe ha sau pe
cap de animal, realizată pe baza celor N factori variabili. Avem relaţiile:
N N N N
TYS(I) YS(I, J) Y1 (I, J).X(I, J) Y2 (I, J, K).X(I, J).X(I, K)
J 1 J 1 J 1 K 1
N
Y3 (I, J).X(I, J)3
J 1
Partea din TYS(I) în care apare X(I, J) este:
N N N N
TYS(I) YS(I, J) Y1 (I, J).X(I, J) Y2 (I, J, K).X(I, J).X(I, K)
J 1 J 1 J 1 K 1
N
Y3 (I, J).X(I, J)3
J 1
Cantitatea Y(I) = Y0(I) + TYS(I) este producţia produsului I în unităţi de produs pe ha sau
pe cap de animal în raport cu toţi factorii constanţi sau variabili.
Pentru toate suprafeţele/efectivele de animale, notate cu S(I), producţia-martor a produsului
I, realizată pe baza factorilor constanţi este SY0(I) = Y0(I).S(I), producţia suplimentară a produsului
I, realizată pe baza celor N factori variabili, este SYS(I) = TYS(I).S(I), adică:
N
PYS(I, J) Y1 (I, J).X(I, J) 2. Y2 (I, J, K).X(I, K) .X(I, J)
K 1
Y2 (I, J, J).X(I, J) Y3 (I, J).X(I, J)
2 3
şi producţia totală a produsului I, realizată pe baza factorilor constanţi şi variabili, este:
SY(I) = SY0(I) + SYS(I) = Y(I).S(I)
2. Venituri
V0(I) = PV(I).Y0(I) este venitul-martor al produsului I în lei pe ha sau pe cap de animal,
realizat pe baza factorilor constanţi, fără cei N factori variabili.
VS(I, J) = PV(I).YS(I, J) este venitul suplimentar al produsului I în lei pe ha sau pe cap de
animal, realizat prin utilizarea factorului variabil J.
Notăm cu TVS(I) venitul suplimentar al produsului I, realizat prin utilizarea celor N factori
variabili.
Avem relaţiile:
N
TVS(I) VS(I, J) PV(I).TYS(I)
J 1
Partea din TVS(I) în care apare X(I, J) este PVS(I) = PV(I).PYS(I)
Pentru toate suprafeţele/efectivele de animale, notate cu S(I), venitul-martor pentru toate
produsele, realizat pe baza factorilor constanţi, este:
M M
SV0 V0 (I).S(I) PV(I).Y0 (I).S(I)
I 1 I 1
Venitul suplimentar pentru toate produsele, realizat pe baza celor N factori variabili, este:
169
M M N
SVS TVS(I).S(I) S(I).PV(I).YS(I, J)
I 1 I 1 J 1
iar venitul total pentru toate produsele, realizat pe baza tuturor factorilor constanţi şi variabili, este
SV = SV0 + SVS
3. Cheltuieli
C0(I) = CC(I) + CR(I).Y0(I) sunt cheltuielile-martor pentru produsul I, în lei pe ha sau pe
cap de animal, necesare pentru utilizarea factorilor constanţi, fără cei N factori variabili.
Notăm cu CS(I, J) cheltuielile suplimentare pentru produsul I, în lei pe ha sau pe cap de
animal, necesare pentru utilizarea factorului J.
Avem relaţiile: CS(I, J) = CR(I).YS(I, J) + CF(J).X(I, J)
Notăm cu TCS(I) cheltuielile suplimentare pentru produsul I, în lei pe ha sau pe cap de
animal, necesare pentru utilizarea celor N factori variabili.
Avem relaţiile:
N N
TCS(I) CS(I, J) CR(I).TYS(I) CF(J).X(I, J)
J 1 J 1
Partea din TCS(I) în care apare X(I, J) este: PCS(I) = CR(I).PVS(I, J) + CF(J).X(I, J)
Pentru toate suprafeţele/efectivele de animale, notate cu S(I), cheltuielile-martor pentru
toate produsele, necesare pentru utilizarea factorilor constanţi, sunt:
M M
SC0 C0 (I).S(I) CC(I) CR(I).Y0 (I) .S(I)
I 1 I 1
cheltuielile suplimentare pentru toate produsele, necesare pentru utilizarea celor N factori variabili,
sunt:
M M N
CF(J)
SCS TCS(I).S(I) S(I).CR(I).[(Y1 (I, J) ).X(I, J)
I 1 I 1 J 1 CR(I)
N
Y2 (I, J, K).X(I, J).X(I.K) Y3 (I, J).X(I, J) 3 ]
K 1
iar cheltuielile totale pentru toate produsele, necesare pentru utilizarea tuturor factorilor constanţi şi
variabili, sunt SC = SC0 + SCS
Mărimile SC0, SCS, SC se exprimă în lei.
4. Profituri
P0(I) = V0(I) – C0(I) = [PV(I) – CR(I)].Y0(I) – CC(I) este profitul-martor al produsului I în
lei pe ha sau pe cap de animal, realizat pe baza utilizării factorilor constanţi, fără cei N factori
variabili.
Notăm cu PS(I, J) profitul suplimentar al produsului I în lei pe ha sau pe cap de animal,
realizat prin utilizarea factorului variabil J.
Avem relaţiile:
PS(I, J) = VS(I, J) – CS(I, J) = [PV(I) – CR(I)].YS(I, J) – CF(J).X(I, J)
Notăm cu TPS(I) profitul suplimentar al produsului I în lei pe ha sau pe cap de animal,
realizat prin utilizarea celor N factori variabili.
170
N
TPS(I) TVS(I) TCS(I) [PV(I) CR(I)].TYS(I) CF(J).X(I, J)
J 1
Partea din TPS(I) în care apare X(I, J) este:
PPS(I, J) = PVS(I, J) – PCS(I, J) = [PV(I) – CR(I)].PYS(I) – CF(J).X(I, J)
Pentru toate suprafeţele/efectivele de animale, notate cu S(I), profitul-martor pentru toate
produsele, realizate pe baza factorilor constanţi, este:
M
SP0 SV0 SC0 {[PV(I) CR(I)].Y0 (I) CC(I)}.S(I)
I 1
profitul suplimentar pentru toate produsele, realizat pe baza celor N factori variabili, este:
M M N
SPS TPS(I).S(I) SVS SCS S(I).(PV(I) CR(I)).[(Y1 (I, J)
I 1 I 1 J 1
N
CF(J)
).Y(I, J) Y2 (I, J).X(I, J).X(I, K) Y3 (I, J).X(I, J)3 ]
PV(I) CR(I) K 1
iar profitul total pentru toate produsele, realizat pe baza tuturor factorilor constanţi şi variabili, este
SP = SP0 + SPS
5. Ratele profitului
RP0(I) = P0(I)/C0(I) este rata profitului-martor pentru produsul I, realizată pe baza factorilor
constanţi, fără cei N factori variabili. Avem:
[PV(I) CR(I)].Y0 (I) CC(I)
RP0 (I)
CC(I) CR(I).Y0 (I)
RPS(I, J) = PS(I, J)/CS(I, J) este rata profitului suplimentar pentru produsul I, realizată pe baza
factorului variabil J. Avem relaţiile:
[PV(I) CR(I)].YS(I, J) CF(J).X(I, J)
RPS(I, J)
CR(I).YS(I, J) CF(J).X(I, J)
adică:
PV(I) CR(I)
RPS(I, J) .
CR(I)
N
CF(J)
[Y1 (I, J) ].X(I, J) Y2 (I, J, K).X(I, J).X(I, K) Y3 (I, J).X(I, J)3
PV(I) CR(I) K 1
. N
CF(J)
[Y1 (I, J) ].X(I, J) Y2 (I, J, K).X(I, J).X(I, K) Y3 (I, J).X(I, J)3
CR(I) K 1
Rata profitului-martor pentru toate produsele, realizată pe baza factorilor constanţi, fără cei
N factori variabili, este:
171
M
SP [(PV(I) CR(I)).Y (I) CC(I)]
0
RTP0 0 I 1
M
[CC(I) CR(I).Y (I)]
SC0
0
I 1
RTPS = SPS/SCS este rata profitului suplimentar pentru toate produsele, realizată pe baza
celor N factori variabili.
RTP = SP/SC este rata profitului pentru toate produsele, realizată pe baza factorilor
constanţi şi a celor N factori variabili.
4.1.2 Indicatori economici ai producţiei suplimentare
6. Indicatori între produse şi factori variabili
A. Indicatori medii ai produsului I în raport cu factorul variabil J
Producţia medie este YM(I, J) = PYS(I, J)/X(I, J) adică:
N
YM(I, J) Y1 (I, J) 2. Y2 (I, J, K).X(I, K) Y2 (I, J).X(I, J) Y3 (I, J).X(I, J) 2
J 1
Venitul mediu este VM(I, J) = PVS(I, J)/X(I, J) adică VM(I, J) = PV(I).YM(I, J)
Cheltuielile medii sunt: CM(I, J) = PCS(I, J)/X(I, J) adică CM(I, J) =CR(I).YM(I, J) + CF(J)
Profitul mediu este PM(I, J) = PPS(I, J)/X(I, J) adică PM(I, J) = [PV(I) – CR(I)].YM(I, J) –
CF(J)
Aceşti indicatori prezintă producţia/venitul/cheltuielile/profitul suplimentar al produsului I
care corespunde unităţii factorului variabil J.
B. Indicatori marginali ai produsului I în raport cu factorul variabil J
Producţia marginală este derivata parţială YD(I, J) = ∂PYS(I, J)/∂X(I, J), adică:
N
YD(I, J) Y1 (I, J) 2. Y2 (I, J, K).X(I, K) 3.Y3 (I, J).X(I, J)2
K 1
Venitul marginal este derivata parţială CD(I, J) = ∂PVS(I, J)/∂X(I, J), adică:CD(I, J) =
CR(I).YD(I, J) + CF(J)
Profitul marginal este derivata parţială PD(I, J) = ∂PPS(I, J)/∂X(I, J) adică: PD(I, J) =
[PV(I) – CR(I)].YD(I, J) – CF(J)
Aceşti indicatori reprezintă variaţia producţiei/venitului/cheltuielilor/profitului suplimentar
din produsul I, provocată de variaţia factorului variabil J cu o unitate.
C. Indicatori de elasticitate ai produsului I în raport cu factorul variabil J
Elasticitatea producţiei este EY(I, J) = YD(I, J)/YM(I, J)
Elasticitatea venitului este EV(I, J) = VD(I, J)/VM(I, J) adică EV(I, J) = EY(I, J)
Elasticitatea cheltuielilor este EC(I, J) = CD(I, J)/CM(I, J) adică:
CR(I).YD(I, J) CF(J)
EC(I, J)
CR(I).YM(I, J) CF(J)
Elasticitatea profitului este: EP(I, J) = PD(I, J)/PM(I, J), adică:
172
[PV(I) CR(I)].YD(I, J) CF(J)
EP(I, J)
[PV(I) CR(I)].YM(I, J) CF(J)
Aceşti indicatori reprezintă variaţia procentuală a producţiei/venitului/cheltuielilor
/profitului suplimentar al produsului I, provocată de variaţia factorului variabil J cu 1%.
7. Indicatori între profit şi cheltuieli
D. Rata medie a profitului din produsul I în raport cu factorul variabil J
Este RM(I, J) = PPS(I, J)/PCS(I, J) = PM(I, J)/CM(I, J), adică:
[PV(I) CR(I)].YM(I, J) CF(J)
RM(I, J)
CR(I).YM(I, J) CF(J)
Acest indicator reprezintă profitul suplimentar în lei din produsul I, realizat pe baza
factorului variabil J, ce corespunde la un leu cheltuit de produsul I în raport cu factorul variabil J.
E. Rata marginală a profitului din produsul I în raport cu factorul variabil J
Este RD(I, J) = ∂PPS(I, J)/∂PCS(I, J) = PD(I, J)/CD(I, J), adică:
[PV(I) CR(I)].YD(I, J) CF(J)
RD(I, J)
CR(I).YD(I, J) CF(J)
Acest indicator reprezintă variaţia profitului suplimentar din produsul I în raport cu factorul
variabil J, provocată de variaţia cu un leu a cheltuielilor suplimentare ale produsului I în raport cu
factorul variabil J.
F. Elasticitatea ratei profitului din produsul I în raport cu factorul variabil J
Este ER(I, J) = RD(I, J)/RM(I, J), adică:
[PV(I) CR(I)].YD(I) CF(J) CR(I).YM(I) CF(J)
ER(I, J)
[PV(I) CR(I)].YM(I) CF(J) CR(I).YD(I) CF(J)
Acest indicator reprezintă variaţia procentuală a profitului suplimentar din produsul I în
raport cu factorul variabil J, provocată de variaţia cu 1% a cheltuielilor suplimentare ale produsului
I în raport cu factorul variabil J.
8. Indicatori de substituire a factorilor
G. Rata medie a substituirii factorului variabil J cu factorul variabil K
Este RMS(I, J, K) = PM(I, J)/PM(I, K)
Acest indicator reprezintă cantitatea de unităţi de factor variabil K care corespunde unei
unităţi de factor J, în realizarea aceluiaşi profit suplimentar din produsul I.
H. Rata marginală a substituirii factorului variabil J cu factorul variabil K
Este RDS(I, J, K) = PD(I, J)/PD(I, K)
Acest indicator reprezintă cantitatea de unităţi cu care trebuie să crească doza de factor
variabil K, dacă doza de factor variabil J creşte cu o unitate, astfel ca profitul suplimentar din
produsul I să crească cu aceeaşi sumă.
173
I. Elasticitatea ratei substituirii factorului variabil J cu factorul variabil K
Este ERS(I, J, K) = RDS(I, J)/RDS(I, K)
Acest indicator reprezintă procentele cu care trebuie să crească doza de factor variabil K,
dacă doza de factor variabil J creşte cu 1%, astfel ca profitul suplimentar din produsul I să crească
cu acelaşi procent.
9. Indicatori de valorificare a factorilor prin produse.
J. Rata medie a valorificării factorului variabil K, prin produsul I faţă de produsul H
Este RMV(I, H, K) = PM(I, K)/PM(H, K)
Acest indicator reprezintă numărul de unităţi ale produsului H care corespunde la o unitate
de produs I, care dau acelaşi profit din utilizarea factorului variabil K.
K. Rata marginală a valorificării factorului variabil K, prin produsul I faţă de produsul H
Este RMV(I, H, K) = PM(I, K)/PM(H, K)
Acest indicator reprezintă numărul de unităţi cu care trebuie să crească produsul H atunci
când produsul I creşte cu o unitate, astfel ca profitul suplimentar din utilizarea factorului variabil K
să crească cu aceeaşi sumă.
L. Elasticitatea ratei valorificării factorului variabil K, prin produsul I faţă de produsul H
Este ERV(I, H, K) = RDV(I, H, K)/RMV(I, H, K)
Acest indicator reprezintă numărul de procente cu care trebuie să crească produsul H atunci
când produsul I creşte cu 1%, astfel ca profitul suplimentar din utilizarea factorului variabil K să
crească cu acelaşi procent.
4.2 Optimele producţiei suplimentare şi aporturi
4.2.1 Optimele producţiei suplimentare
I. OPTIMUL MARGINAL
În acest caz avem producţia suplimentară marginală YD(I, J) = maxim, deci avem derivatele
parţiale nule ∂ YD(I, J)/∂ X(I, J) = 0, adică: 2.Y2(I, J, J) + 6.Y3(I, J).X(I, J) = 0 cu soluţia:
(1) XD(I, J) = [Y2(I, J, J)/(- 3.Y3(I, J)]
Acestea sunt dozele optime ale alocării factorului variabil J pentru produsul I, pentru care
YD(I, J) = maxim.
În acest caz sunt maxime VD(I, J), CD(I, J), PD(I, J) conform relaţiilor din secţiunea 4.2.1 B.
Este deasemenea maximă RD(I, J) conform relaţiilor de la punctul 4.1.2 E.
II. OPTIMUL DE ECHILIBRU
În acest caz avem producţia suplimentară medie YM(I, J) = maximă, deci avem derivatele
parţiale nule ∂ YM(I, J)/∂ X(I, J) = 0, adică: Y2(I, J, J) + 2.Y3(I, J).X(I, J) = 0 cu soluţia:
(2) XM(I, J) = [Y2(I, J, J)]/[- 2.Y3(I, J)]
adică dozele optime ale alocării factorului variabil J pentru produsul I pentru care YM(I, J) =
maximă.
În acest caz sunt maxime VM(I, J), CM(I, J), PM(I, J) conform relaţiilor din secţiunea 4.2.1 A.
174
Dacă egalăm mărimea YM(I, J) de la punctul 10.1 A. cu mărimea YD(I, J) de la punctul
4.2.1 B. găsim:
- Y2(I, J, J).X(I, J) = 2.Y3(I, J).X(I, J), deci:
X(I, J) = [Y2(I, J, J)]/[- 2.Y3(I, J)], adică exact valorile din relaţia (2).
Rezultă că pentru dozele de echilibru din relaţia (2) avem:
YM(I, J) = maxim = YD(I, J), aşa că EY(I, J) = 1
Din relaţiile de la punctele 4.1.1 A. şi 4.1.1 B. rezultă că pentru dozele de echilibru din
relaţia (2) avem:
VM(I, J) = maxim = VD(I, J), aşa că EV(I, J) = 1;
CM(I, J) = maxim = CD(I, J), aşa că EC(I, J) = 1;
PM(I, J) = maxim = PD(I, J), aşa că EP(I, J) = 1.
Această situaţie justifică denumirea optimului de echilibru:
O creştere a factorului variabil J cu 1% atrage după sine o creştere a producţiei/venitului/
cheltuielilor/profitului suplimentar din produsul I, datorată factorului variabil J, tot cu 1% (egalitate
între creşterea procentuală de efort fizic şi creşterea procentuală de efect financiar).
De la punctul 4.1.2 D. avem:
YM(I, J )
PV (I)
RM(I, J )) X(I, J )
X(I, J ) [CR (I) YM(I) CF(J )]2
deci dacă ∂ YM(I, J)/∂ X(I, J) = 0, adică dacă profitul mediu YM(I, J) = maxim, atunci ∂ RM(I, J)
/∂ X(I, J) = 0, deci atunci rata medie a profitului RM(I, J) = maximă.
Din relaţiile de la punctele 4.1.2 D. şi 4.1.2 E. rezultă că relaţia YM(I, J) = maxim = YD(I, J)
implică RM(I, J) = maxim = RD(I, J), deci ER(I, J) = 1.
În cuvinte, la optimul de echilibru, o creştere cu 1% a cheltuielilor cu factorul variabil J,
faţă de valoarea existentă a acestor cheltuieli, atrage după sine o creştere a profitului suplimentar al
produsului I, datorată factorului variabil J, tot cu 1% (egalitate între creşterea procentuală de efort
financiar şi creşterea procentuală de efect financiar).
III. OPTIMUL ECONOMIC
În acest caz avem profitul suplimentar total SPS = maxim deci avem derivatele parţiale nule
∂ SPS(I, J)/∂ X(I, J) = 0, adică PD(I, J) =0 sau: [PV(I) – CR(I)].YD(I, J) – CF(J) =0, de unde
obţinem relaţiile (3):
N
CF(J )
[3.Y3 (I, J ) X(I, J) 2 ] [2. Y2 (I, J, K ) X(I, K )] [Y1 (I, J) ]0
K 1 PV(I) CR(I)
(I = 1,…, M; J = 1,…, N)
Relaţiile (3) constituie M sisteme pătratice de N ecuaţii cu N necunoscute X(I, J).
Aceste sisteme pătratice se rezolvă cu programul SISPAT dând soluţiile XE(I, J).
Pentru dozele de optim economic XE(I, J) avem şi EP(I, J) = 0 conform relaţiilor 4.2.1 C.,
precum şi RD(I, J) = 0 conform relaţiilor 4.1.2 D.
IV. OPTIMUL TEHNIC
În acest caz avem producţiile fizice suplimentare SYS(I) = maxime, deci avem derivatele
parţiale nule ∂ SYS(I)/∂ X(I, J) = 0, adică YD(I, J) =0, de unde obţinem relaţiile (4):
175
N
[3 Y3 (I, J) X(I, J) 2 ] [2. Y2 (I, J, K) X(I, K)] [Y1 (I, J)] 0
K 1
(I 1,..., M ; J=1,...,N)
Relaţiile (4) constituie M sisteme pătratice de N ecuaţii cu N necunoscute X(I, J).
Aceste sisteme pătratice se rezolvă cu programul SISPAT dând soluţiile XT(I, J).
Venitul suplimentar pentru toate produsele este dat de relaţia:
M
SVS PV(I) SYS(I)
I 1
deci dacă SYS(I) = maxime, rezultă SVS = maxim pentru dozele XT(I, J).
Pentru dozele de optim tehnic XT(I, J), din relaţiile de la punctele 10.1.1 B. şi 10.1.1 C.
rezultă VD(I, J) = 0, CD(I, J) = - CF(J) respectiv EY(I, J) = EV(I, J) = 0.
Din relaţia de la punctul 4.1.1 B., pentru YD(I, J) = 0, rezultă PD(I, J) = - CF(J) iar din
relaţia de la punctul 4.1.2 E. rezultă RD(I, J) = - 1.
În intervalele [XT(I, J); +∞) există valorile X(I, J) care anulează profitul suplimentar total:
SPS = 0 ceea ce se realizează dacă au loc relaţiile (5):
N
CF(J)
[Y3 (I, J) X(I, J) 2 ] [ Y2 (I, J, K) X(I, K)] [Y1 (I, J) ]0
K 1 PV(I) CR(I)
(I 1,..., M ; J=1,...,N)
Relaţiile (6) constituie M sisteme pătratice de N ecuaţii cu N necunoscute care se rezolvă cu
programul SISPAT dând soluţiile XR(I, J).
V. OPTIMUL DE VENIT CONDIŢIONAT DE CHELTUIELI
În acest caz avem venitul suplimentar din toate produsele: SVS = maxim condiţionat de
limitarea cheltuielilor suplimentare pentru toate produsele: SCS = SC0 (limită de cheltuieli).
Cum SPS = SVS - SCS = SVS – SC0, dacă SVS = maxim condiţionat rezultă SPS = maxim
condiţionat; deasemenea rata profitului suplimentar pentru toate produsele RPS = SPS/SCS = SPS/
SC0 = maxim condiţionat odată cu SPS.
Funcţia Lagrange a optimului condiţionat de mai sus, are forma: L = SVS – LV.(SCS – SC0),
unde LV este multiplicatorul Lagrange.
Avem condiţiile necesare de optim: ∂ L/∂ X(I, J) =0 (I = 1,…, M, J = 1,…, N), SCS = SC0,
adică: VD(I, J) – LV. CD(I, J) = 0, SCS = SC0, de unde rezultă: [PV(I) – [Link](I)].YD(I, J) –
[Link](J) = 0, SCS = SC0, deci obţinem relaţiile (6):
N
CF(J )
[3 Y3 (I, J ) X(I, J ) 2 ] [2 Y2 (I, J, K ) X(I, K )] [Y1 (I, J ) ]0
PV (I)
K 1
CR (I)
LV
M N
CF(J )
S(I) CR(I) [(Y1 (I, J)
I 1 CR (I)
) X(I, J ) Y2 (I, J, K ) X(I, J ) X(I, K )
K 1
Y3 (I, J ) X(I, J )3 ] SC0
Pentru fiecare valoare a multiplicatorului Lagrange LV ≥ 1, relaţiile (6) constituie un sistem
pătratic de MN ecuaţii cu MN necunoscute X(I, J) care se rezolvă cu programul SISPAT dând
soluţiile XC(I, J).
176
Interpretarea multiplicatorului Lagrange LV: avem LV = VD(I, J)/CD(I, J) adică LV
este egal cu creşterea de venit suplimentar al produsului I din factorul variabil J, când creşterea
cheltuielilor suplimentare ale produsului I din factorul variabil J peste valoarea limită SC0, este de o
unitate monetară.
Avem RD(I, J) = LV – 1 pentru orice I = 1,…, M şi orice J = 1,…, N.
Pentru LV = 1 avem optim economic iar pentru LV = 0 avem optim tehnic.
Deoarece LV ≥ 0 avem:
CF(J ) CF(J )
Y1 (I, J ) Y1 (I, J ) Y1 (I, J )
PV (I) PV (I) CR (I)
CR (I)
LV
VI. OPTIMUL DE CHELTUIELI CONDIŢIONAT DE VENIT
În acest caz avem cheltuielile suplimentare pentru toate produsele: SCS = minim,
condiţionate de garantarea venitului suplimentar pentru toate produsele: SVS = SV0 (garanţie de
venit).
Cum SPS = SVS - SCS = SV0 – SCS, dacă SCS = minim condiţionat rezultă SPS = maxim
condiţionat; deasemenea rata profitului suplimentar pentru toate produsele RPS = SPS/SCS =
maxim condiţionat căci SPS = maxim condiţionat şi SCS = minim condiţionat.
Funcţia Lagrange a optimului condiţionat de mai sus, are forma: L = SCS – LC.(SVS –
SV0), unde LC este multiplicatorul Lagrange.
Avem condiţiile necesare de optim: ∂ L/∂ X(I, J) =0 (I = 1,…, M, J = 1,…, N), SVS = SV0,
adică: CD(I, J) – [Link](I, J) = 0, SVS = SV0, de unde rezultă: [CR(I) – [Link](I)].YD(I, J) –
CF(J) = 0, SVS = SV0, deci obţinem relaţiile (7):
N
CF(J )
[3 Y3 (I, J ) X(I, J ) 2 ] [2 Y2 (I, J, K ) X(I, K )] [Y1 (I, J ) ]0
K 1 PV (I) LC CR (I)
M N
S(I) PV(I) [(Y (I, J) X(I, J) Y (I, J, K ) X(I, J) X(I, K )
I 1
1
K 1
2
Y3 (I, J ) X(I, J )3 ] SV0
Pentru fiecare valoare a multiplicatorului Lagrange LC ≤ 1, relaţiile (7) constituie un sistem
pătratic de MN ecuaţii cu MN necunoscute X(I, J) care se rezolvă cu programul SISPAT dând
soluţiile XV(I, J).
Interpretarea multiplicatorului Lagrange LC: avem LC = CD(I, J)/VD(I, J) adică LC
este egal cu creşterea de cheltuieli suplimentare ale produsului I, din factorul variabil J, când
creşterea venitului suplimentar al produsului I, din factorul variabil J peste valoarea garantată SV0,
este de o unitate monetară.
Avem RD(I, J) = (1/LC) – 1 pentru orice I = 1,…, M şi orice J = 1,…, N.
Pentru LC = 1 avem optim economic iar pentru LC = ∞ avem optim tehnic.
Deoarece LV ≤ 1, avem:
CF(J ) CF(J )
Y1 (I, J ) Y1 (I, J ) Y1 (I, J )
PV(I) LC CR(I) PV(I) CR(I)
Optimele de la punctele 4.2.1 - 4.2.6 şi ratele medie şi marginală ale profitului oricărui
produs în raport cu orice factor, se prezintă grafic astfel:
177
178
În acest desen apar în mod clar următoarele intervale de valori ale factorului:
I. Intervalul de creştere accelerată [0; XD] în care venitul, profitul, rata medie şi cea marginală a
profitului cresc iar rata marginală a profitului este mai mare ca rata medie a profitului (elasticitatea
ratei profitului este > 1).
II. Intervalul de creştere încetinită [XD; XM] în care venitul, profitul, rata medie a profitului cresc,
rata marginală a profitului scade iar rata marginală a profitului este mai mare ca rata medie a
profitului (elasticitatea ratei profitului este > 1).
III. Intervalul de creştere saturată [XM; XE] în care venitul, profitul cresc rata medie şi cea
marginală a profitului scad iar rata marginală a profitului este mai mică ca rata medie a profitului
(elasticitatea ratei profitului este cuprinsă între 0 şi 1).
IV. Intervalul de declin economic [XE; XT] în care venitul creşte, profitul, rata medie şi cea
marginală scad iar rata marginală a profitului este negativă şi mai mare ca - 1 (elasticitatea ratei
profitului este < 0).
V. Intervalul de declin tehnico-economic [XT; XR] în care venitul, profitul, rata medie şi cea
marginală scad iar rata marginală a profitului este negativă şi mai mică ca - 1 (elasticitatea ratei
profitului este < 0).
VI. Intervalul de faliment economic [XR; +∞] în care profitul este negativ.
4.2.2 Aporturile factorilor
A. APORTURI PENTRU PRODUCŢII
Dacă X [0, X0] este un factor variabil iar Y = Y0 + f(x) este un produs cu valoarea martor
Y0, valoarea medie a lui Y este dată de relaţia (7):
X
1 0
X0 0
MY Y0 f ( X)dX
Fie XO(I, J) doza curentă a factorului variabil J, alocat produsului I şi fie Y(I) nivelul
variabil al producţiei fizice a produsului I pe ha sau pe cap de animal.
Avem:
N
Y(I) [Y0 (I)] [ (Y1 (I, J ) X(I, J ) Y2 (I, J, J ) X(I, J ) 2 Y3 (I, J ) X(I, J) 3 )]
J 1
N N
[ Y2 (I, J, K ).X(I, J ) X(I, K )]
J 1 K 1
K J
Conform formulei (7) valoarea medie a producţiei fizice a produsului I pe intervalul [0; XO(I, J)] va fi:
N XO ( I , J ) XO ( I , J )
1
MYT(I ) [Y0 (I )] [ ( Y1 (I, J ) X(I, J )dX(I, J ) Y2 (I, J ) X(I, J ) 2 dX(I, J )
J 1 XO(I, J ) 0 0
XO ( I , J ) XO ( I , J )
0
Y1 (I, J ) X(I, J )dX(I, J )
0
Y3 (I, J ) X(I, J )3 dX(I, J )]
N N XO ( I , J )
[ Y2 (I, J, K ) X(I, J ) X(I, K )dX(I, J )]
J 1 K 1 0
K J
179
adică relaţia (8):
N
Y1 (I, J ) Y (I , J , J ) Y (I , J )
MYT(I) [Y0 (I )] [ ( XO(I, J ) 2 XO(I, J ) 2 3 XO(I, J )3 )]
J 1 2 3 4
N N
Y2 (I, J, K )
[ XO(I, J ) XO(I, K )]
J 1 K 1 2
K J
a) Valoarea medie martor a produsului I, datorată factorilor constanţi, este: MYO(I) = Y0(I)
b) Valoarea medie a produsului I, datorată factorilor variabili, este:
N
Y (I, J ) Y (I, J, J ) Y (I, J )
MYX(I) ( 1 XO(I, J ) 2 XO(I, J ) 2 3 XO(I, J )3
J 1 2 3 4
c) Valoarea medie a produsului I, datorată interacţiunii factorilor variabili, este:
N
Y (I , J , K )
MYIX(I) 2 XO(I, J ) XO(I, K )
J 1 K 1 2
K J
Relaţia (8) devine: MYT(I) = MYO(I) + MYX(I) + MYIX(I)
Aporturile în procente ale factorilor constanţi şi variabili la producţia fizică a produsului I sunt:
d) Aportul factorilor constanţi: AYO(I) = MYO(I)/MYT(I)
e) Aportul factorilor variabili: AYX(I) = MYX(I)/MYT(I)
f) Aportul interacţiunilor factorilor variabili: AYIX(I) = MYIX(I)/MYT(I) = 1 - AYO(I) - AYX(I)
B. APORTURI PENTRU VENIT
Printr-un calcul similar cu cel de la punctul 4.2.2 A, găsim valorile medii:
a) MVO(I) = PV(I).MYO(I) şi pentru toate produsele:
M
MVOT MVO(I)
I 1
b) MVX(I) = PV(I).MYX(I) şi pentru toate produsele:
M
MVXT MVX(I)
I 1
c) MVIX(I) = PV(I).MYIX(I) şi pentru toate produsele:
M
MVIXT MVIX(I)
I 1
d) MVT(I) = PV(I).MYT(I) şi pentru toate produsele:
M
MVTT MVT(I)
I 1
Avem relaţia: MVTT = MVTO + MVXT + MVIXT
Aporturile în procente ale factorilor constanţi şi variabili la venitul din toate produsele, sunt:
e) Aportul factorilor constanţi: AVO(I) = MVO(I)/MVT(I)
f) Aportul factorilor variabili: AVX(I) = MVX(I)/MVT(I)
g) Aportul interacţiunilor factorilor variabili: AVIX(I) = MVIX(I)/MVT(I) = 1 - AVO(I) - AVX(I)
180
C. APORTURI PENTRU CHELTUIELI
Printr-un calcul similar cu cel de la punctul 4.2.2 A, găsim valorile medii:
a) MCO(I) = C0 (I) = CC(I) + CR(I).Y0(I) şi pentru toate produsele:
M
MCOT MCO(I)
I 1
b) MCX(I) = CR(I).MYX(I) + (CF(J)/2).XO(I, J) şi pentru toate produsele:
M
MCXT MCX(I)
I 1
c) MCIX(I) = CR(I).MYIX(I) şi pentru toate produsele:
M
MCIXT MCIX(I)
I 1
d) MCT(I) = MCO(I) + MCX(I) + MCIX(I) şi pentru toate produsele:
M
MCTT MCT(I)
I 1
Avem relaţia: MCTT = MCTO + MCXT + MCIXT
Aporturile în procente ale factorilor constanţi şi variabili la venitul din toate produsele, sunt:
e) Aportul factorilor constanţi: ACO(I) = MCO(I)/MCT(I)
f) Aportul factorilor variabili: ACX(I) = MCX(I)/MCT(I)
g) Aportul interacţiunilor factorilor variabili: ACIX(I) = MCIX(I)/MCT(I) = 1 - ACO(I) - ACX(I)
D. APORTURI PENTRU PROFIT
Printr-un calcul similar cu cel de la punctul 4.2.2 A, găsim valorile medii:
a) MPO(I) = P0(I) = [PV(I) – CR(I)].Y0(I) – CC(I)] şi pentru toate produsele:
M
MPOT MPO(I)
I 1
b) MPX(I) =[PV(I) – CR(I)].MYX(I) – (CF(J)/2).XO(I, J) şi pentru toate produsele:
M
MPXT MPX(I)
I 1
c) MPIX(I) = [PV(I) – CR(I)].MYIX(I) şi pentru toate produsele:
M
MPIXT MPIX(I )
I 1
d) MVT(I) = PV(I).MYT(I) şi pentru toate produsele:
M
MPTT MPT(I)
I 1
Avem relaţia: MPTT = MPTO + MPXT + MPIXT
Aporturile în procente ale factorilor constanţi şi variabili la venitul din toate produsele, sunt:
e) Aportul factorilor constanţi: APTO(I) = MPTO(I)/MPTT(I)
f) Aportul factorilor variabili: APXT(I) = MPXT(I)/MPTT(I)
g) Aportul interacţiunilor factorilor variabili: APIXT(I) = MPIXT(I)/MPTT(I) = 1 - APTO(I) - APXT(I)
181
Calculul aporturilor de la punctele A-D se poate face atât pentru dozele curente XO(I, J) cât şi
pentru dozele celor şase optime din secţiunea 4.2.1 şi anume XD(I, J), XM(I, J), XE(I, J), XT(I, J).
Toate calculele din acest capitol le face programul FPCUB.
4.3 Exemple
4.3.1 Doi factori şi un produs
A. Date de intrare:
1) M = 1 produs (Porumb)
2) N = 2 factori (NPK şi apă de irigaţie)
3) Y = {3000} + {[4X1 + 0.002X12 – 0.00003X13] + [0.8X2 + 0.00008X22 - 0.0000001X23] +
2.[0.0001X1X2]}
Aici X1 este cantitatea de NPK (Kg/ha de porumb), X2 este cantitatea de apă de irigaţie (m3
apă/ha de porumb) iar Y este producţia de porumb (Kg/ha).
În prima acoladă se găseşte producţia-martor de porumb (Kg/ha), nefertilizat chimic şi
neirigat.
În a doua acoladă se găsesc:
- în prima paranteză pătrată se găseşte producţia suplimentară de porumb (Kg/ha) datorată
fertilizării chimice;
- în a doua paranteză pătrată se găseşte producţia suplimentară de porumb (Kg/ha) datorată
irigării;
- în a treia paranteză pătrată se găseşte producţia suplimentară de porumb (Kg/ha) datorată
interacţiunii NPK x apă de irigaţie;
4) Cheltuieli constante: CC = 800 lei/ha
Aceste cheltuieli includ toate cheltuielile productive şi neproductive cu trei excepţii:
- cheltuielile cu fertilizarea chimică;
- cheltuielile cu irigarea;
- cheltuielile cu recoltarea şi transportul producţiei suplimentare de porumb datorată fertilizării
chimice şi irigării.
5) Costurile factorilor: CF1 = 0.8 lei/Kg NPK; CF2 = 0.09 lei/m3 apă.
6) Cheltuieli cu recoltarea şi transportul porumbului: CR = 0.04 lei/Kg porumb
7) Preţul de vânzare al porumbului: PV = 0.7 lei/Kg porumb
8) Suprafaţa cultivată: S = 20 ha
B. REZULTATE:
a) Producţii-martor
Producţia fizică-martor Y0 = 60000 kg porumb;
Venitul-martor V0 = 42000 lei;
Cheltuielile-martor C0 = 18400 lei;
Profitul-martor P0 = 23600 lei;
Producţia unitară-martor YU0 = 3000 Kg porumb boabe/Ha.
Cheltuielile unitare-martor CY0 = 0.31 lei cheltuieli/1 Kg porumb boabe
Rata profitului martor RP0 = 1.283 lei profit/1 leu cheltuit
b) Optime în alocarea de resurse:
I. OPTIMUL MARGINAL
Se realizează pentru x1 = 22 Kg NPK/ha şi x2 = 266 m3 apă/ha.
182
Rezultă producţia suplimentară YS = 6157 Kg porumb boabe; venitul suplimentar VS =
4310 lei; cheltuielile suplimentare CS = 1081.8 lei şi profitul suplimentar PS = 3228.2 lei. Aceste
valori se adaugă celor de la martor de la punctul a).
Producţia fizică unitară totală este YUT = 3307 Kg porumb boabe/ha.
Cheltuielile unitare totale sunt CYT = 0.2945 lei cheltuieli/1 Kg porumb boabe.
Rata profitului total este RPT = 1.377 lei profit/1 leu cheltuit.
Deoarece YUT > YU0, CYT < CY0 şi RPT > RP0, merită să folosim dozele optimului
marginal.
Tabel cu indicatorii economici ai optimului marginal
Indicatori Profit suplimentar Rata profit Rata substituire
economici suplimentar factori
Medii 1.8947 lei 1.967 lei 4.21
0.4503 lei 3.669 lei
Marginali 1.9045 lei = Maxim 1.976 lei = Maxim 4.19
0.4550 lei = Maxim 3.698 lei = Maxim
Elasticităţi 1.005 % 1.005 % 0.99 %
1.010 % 1.008 %
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar:
Fiecare din cele 22 Kg NPK/ha a adus un profit suplimentar de 1.8947 lei.
Fiecare din cei 266 m3 apă/ha a adus un profit suplimentar 0.4503 lei.
Al 23-lea Kg NPK/ha ar creşte profitul suplimentar cu valoarea maximă de 1.9045 lei.
Al 267-lea m3 apă/ha ar creşte profitul suplimentar cu valoarea maximă de 0.4550 lei.
Creşterea dozei de 22 Kg NPK/ha cu încă 1% ar creşte profitul suplimentar cu încă 1.005%.
Creşterea dozei de 266 m3 apă/ha cu încă 1% ar creşte profitul suplimentar cu încă 1.010%.
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică din suma de 1081.8 lei a adus un profit
suplimentar de 1.967 lei.
Fiecare leu cheltuit cu irigarea din suma de 1081.8 lei a adus un profit suplimentar de 3.669 lei.
Încă un leu cheltuit cu fertilizarea chimică peste suma de 1081.8 lei ar creşte profitul
suplimentar cu valoarea maximă de 1.976 lei.
Încă un leu cheltuit cu irigarea peste suma de 1081.8 lei ar creşte profitul suplimentar cu
valoarea maximă de 3.698 lei.
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1% peste suma de 1081.8 lei ar creşte
profitul suplimentar cu încă 1.005%.
Creşterea cheltuielilor cu irigarea cu încă 1% peste suma de 1081.8 lei ar creşte profitul
suplimentar cu încă 1.008%.
3) Coloana ratei substituirii factorilor
4.21 m3 apă/ha din cei 266 m3 apă/ha au adus acelaşi profit ca 1 Kg NPK/ha din cei 22 Kg
NPK/ha.
4.19 m3/ha creştere apă faţă de cei 266 m3 apă/ha şi 1 Kg/ha creştere NPK faţă de cei 22 Kg
NPK/ha ar creşte profitul cu aceeaşi sumă.
0.99% creştere apă faţă de cei 266 m3 apă/ha şi 1% creştere NPK faţă de cei 22 Kg NPK/ha,
ar creşte profitul cu acelaşi număr de procente.
II. OPTIMUL DE ECHILIBRU
Se realizează pentru x1 = 33 Kg NPK/ha şi x2 = 400 m3 apă/ha.
Rezultă producţia suplimentară YS = 9270 Kg porumb boabe; venitul suplimentar VS =
6489.2 lei; cheltuielile suplimentare CS = 1624.1 lei şi profitul suplimentar PS = 4865.1 lei. Aceste
valori se adaugă celor de la martor de la punctul a).
183
Producţia unitară totală este YUT = 3463 Kg porumb boabe/ha.
Cheltuielile unitare totale sunt CYT = 0.2890 lei cheltuieli/1 Kg porumb boabe.
Rata profitului total este RPT = 1.421 lei profit/1 leu cheltuit.
Deoarece YUT > YU0, CYT < CY0 şi RPT > RP0, merită să folosim dozele optimului de
echilibru.
Tabel cu indicatorii economici ai optimului de echilibru
Indicatori Profit suplimentar Rata profit Rata substituire
economici suplimentar factori
Medii 1.9148 lei 1.985 lei =Maxim 4.23
0.4529 lei 3.685 lei = Maxim
Marginali 1.9148 lei 1.985 lei = Maxim 4.23
0.4529 lei 3.685 lei = Maxim
Elasticităţi 1% 1% 1%
1% 1%
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar:
Fiecare din cele 33 Kg NPK/ha a adus un profit suplimentar maxim de 1.9148 lei.
Fiecare din cei 400 m3 apă/ha a adus un profit suplimentar maxim de 0.4529 lei.
Al 34-lea Kg NPK/ha ar creşte profitul suplimentar tot cu 1.9148 lei.
Al 401-lea m3 apă/ha ar creşte profitul suplimentar tot cu 0.4529 lei.
Creşterea dozei de 33 Kg NPK/ha cu încă 1% ar creşte profitul suplimentar tot cu 1%
(creşterea procentuală de efort fizic pentru factorul NPK este egală cu creşterea procentuală de efect
pentru profit).
Creşterea dozei de 400 m3 apă/ha cu încă 1% ar creşte profitul suplimentar tot cu 1%
(creşterea procentuală de efort fizic pentru factorul Apă este egală cu creşterea procentuală de efect
pentru profit).
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică din suma de 1624.1 lei a adus un profit
suplimentar maxim de 1.985 lei.
Fiecare leu cheltuit cu irigarea din suma de 1624.1 lei a adus un profit suplimentar maxim
de 3.685 lei.
Încă un leu cheltuit cu fertilizarea chimică peste suma de 1624.1 lei ar creşte profitul
suplimentar tot cu 1.985 lei.
Încă un leu cheltuit cu irigarea peste suma de 1624.1 lei ar creşte profitul suplimentar tot cu
3.685 lei.
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1% peste suma de 1624.1 lei ar creşte
profitul suplimentar tot cu 1% (creşterea procentuală de efort financiar pentru factorul NPK este
egală cu creşterea procentuală de efect pentru profit).
Creşterea cheltuielilor cu irigarea cu încă 1% peste suma de 1624.1 lei ar creşte profitul
suplimentar tot cu 1% (creşterea procentuală de efort financiar pentru factorul NPK este egală cu
creşterea procentuală de efect pentru profit).
3) Coloana ratei substituirii factorilor
4.23 m3 apă/ha din cei 400 m3 apă/ha au adus acelaşi profit ca 1 Kg NPK/ha din cei 33 Kg
NPK/ha.
4.23 m3/ha creştere apă faţă de cei 400 m3 apă/ha şi 1 Kg/ha creştere NPK faţă de cei 33 Kg
NPK/ha ar creşte profitul cu aceeaşi sumă.
1% creştere apă faţă de cei 400 m3 apă/ha şi 1% creştere NPK faţă de cei 33 Kg NPK/ha, ar
creşte profitul cu acelaşi număr de procente (creşterea procentuală de efort fizic pentru factorul
NPK este egală cu creşterea procentuală de efort fizic pentru Apă sub aspectul aceleiaşi creşteri
valorice a profitului).
184
III. OPTIMUL ECONOMIC
Se realizează pentru x1 = 210 Kg NPK/ha şi x2 = 1823 m3 apă/ha.
Rezultă producţia suplimentară YS = 36925 Kg porumb boabe; venitul suplimentar VS =
25847.9 lei; cheltuielile suplimentare CS = 8130.4 lei şi profitul suplimentar maxim PS = 17717.5
lei. Aceste valori se adaugă celor de la martor de la punctul a).
Producţia unitară totală este YUT = 4846 Kg porumb boabe/ha.
Cheltuielile unitare totale minime sunt CYT = 0.2737 lei cheltuieli/1 Kg porumb boabe.
Rata profitului total maximă este RPT = 1.558 lei profit/1 leu cheltuit.
Deoarece YUT > YU0, CYT < CY0 şi RPT > RP0, merită să folosim dozele optimului
economic.
Tabel cu indicatorii economici ai optimului economic
Indicatori Profit suplimentar Rata profit Rata substituire
economici suplimentar factori
Medii 1.4798 lei 1.577 lei 4.32
0.3426 lei 2.948 lei
Marginali 0 lei 0 lei 0
0 lei 0 lei
Elasticităţi 0% 0% 0%
0% 0%
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar:
Fiecare din cele 210 Kg NPK/ha a adus un profit suplimentar de 1.4798 lei.
Fiecare din cei 1823 m3 apă/ha a adus un profit suplimentar 0.3426 lei.
Al 211-lea Kg NPK/ha ar creşte venitul suplimentar cu aceeaşi sumă cu care ar creşte şi
cheltuielile deci profitul din fertilizare ar creşte cu 0 lei, fiind deja maxim.
Al 1824-lea m3 apă/ha ar creşte venitul suplimentar cu aceeaşi sumă cu care ar creşte şi
cheltuielile deci profitul din irigare ar creşte cu 0 lei, fiind deja maxim.
Creşterea dozei de 210 Kg NPK/ha cu încă 1% ar creşte venitul suplimentar cu acelaşi
număr de procente cu care ar creşte şi cheltuielile deci profitul suplimentar din fertilizare ar creşte
cu 0%, fiind deja maxim.
Creşterea dozei de 1823 m3 apă/ha cu încă 1% ar creşte venitul suplimentar cu acelaşi număr
de procente cu care ar creşte şi cheltuielile deci profitul suplimentar din irigare ar creşte cu 0% fiind
deja maxim.
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică din suma de 8130.4 lei a adus un profit
suplimentar de 1.577 lei.
Fiecare leu cheltuit cu irigarea din suma de 8130.4 lei a adus un profit suplimentar de 2.948 lei.
Încă un leu cheltuit cu fertilizarea chimică peste suma de 8130.4 lei ar creşte venitul
suplimentar tot cu un leu deci profitul suplimentar din fertilizare ar creşte cu 0 lei, fiind deja maxim.
Încă un leu cheltuit cu irigarea peste suma de 8130.4 lei ar creşte venitul suplimentar tot cu
un leu deci profitul suplimentar din irigare ar creşte cu 0 lei, fiind deja maxim.
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1% peste suma de 8130.4 lei ar creşte
venitul suplimentar cu acelaşi număr de procente cu care ar creşte şi cheltuielile, deci profitul din
fertilizare ar creşte cu 0%, fiind deja maxim.
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1% peste suma de 8130.4 lei ar creşte
venitul suplimentar cu acelaşi număr de procente cu care ar creşte şi cheltuielile, deci profitul din
fertilizare ar creşte cu 0%, fiind deja maxim.
3) Coloana ratei substituirii factorilor
4.32 m3 apă/ha din cei 1823 m3/ha au adus acelaşi profit ca 1 Kg NPK/ha din cei 210 Kg
NPK/ha.
185
Orice creştere valorică a apei faţă de cei 1823 m3/ha şi orice creştere valorică a NPK faţă de
cei 210 Kg NPK/ha ar creşte profitul cu 0 lei, fiind deja maxim.
Orice creştere procentuală a apei faţă de cei 1823 m3/ha şi orice creştere procentuală a NPK
faţă de cei 210 Kg NPK/ha ar creşte profitul cu 0%, fiind deja maxim.
IV. OPTIMUL TEHNIC
Se realizează pentru x1 = 244 Kg NPK/ha şi x2 = 1969 m3 apă/ha.
Rezultă producţia suplimentară maximă YS = 37546 Kg porumb boabe; venitul suplimentar
maxim VS = 26282.8 lei; cheltuielile suplimentare CS = 8956.2 lei şi profitul suplimentar PS =
17326.6 lei. Aceste valori se adaugă celor de la martor de la punctul a).
Producţia unitară totală maximă este YUT = 4877 Kg porumb boabe/ha.
Cheltuielile unitare totale sunt CYT = 0.2804 lei cheltuieli/1 Kg porumb boabe.
Rata profitului total este RPT = 1.496 lei profit/1 leu cheltuit.
Deoarece YUT > YU0, CYT < CY0 şi RPT > RP0, merită să folosim dozele optimului
tehnic.
Tabel cu indicatorii economici ai optimului tehnic
Indicatori Profit suplimentar Rata profit Rata substituire
economici suplimentar factori
Medii 1.2408 lei 1.343 lei 3.9
0.3181 lei 2.773 lei
Marginali - 0.8 lei - 1 leu 8.9
- 0.09 lei - 1 leu
Elasticităţi - 0.64 % - 0.74 % 2.28 %
- 0.28 % - 0.36 %
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar :
Fiecare din cele 244 Kg NPK/ha a adus un profit suplimentar de 1.2408 lei.
Fiecare din cei 1969 m3 apă/ha a adus un profit suplimentar 0.3181 lei.
Al 245-lea Kg NPK/ha ar creşte venitul suplimentar cu 0 lei, fiind deja maxim iar
cheltuielile ar creşte cu 0.8 lei (costul celui de al 245-lea Kg NPK/ha) deci profitul din fertilizare ar
scade cu 0.8 lei.
Al 1970-lea m3 apă/ha ar creşte venitul suplimentar cu 0 lei, fiind deja maxim iar cheltuielile
suplimentare ar creşte cu 0.09 lei (costul celui de al 1970-lea m3 apă/ha) deci profitul din irigare ar
scade cu 0.09 lei.
Creşterea dozei de 244 Kg NPK/ha cu încă 1% ar creşte venitul suplimentar cu 0%, fiind
deja maxim iar cheltuielile suplimentare ar creşte cu 0.64% deci profitul suplimentar din fertilizare
ar scade cu 0.64%.
Creşterea dozei de 1969 m3 apă/ha cu încă 1% ar creşte venitul suplimentar cu 0% iar
cheltuielile suplimentare ar creşte cu 0.28% deci profitul suplimentar din irigare ar scade cu 0.28%.
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică din suma de 8956.2 lei a adus un profit
suplimentar de 1.343 lei.
Fiecare leu cheltuit cu irigarea din suma de 8956.2 lei a adus un profit suplimentar de 2.773 lei.
Încă un leu cheltuit cu fertilizarea chimică peste suma de 8956.2 lei ar creşte venitul
suplimentar cu 0 lei, fiind deja maxim iar cheltuielile ar creşte cu un leu deci profitul suplimentar
din fertilizare ar scade cu un leu.
Încă un leu cheltuit cu irigarea peste suma de 8956.2 lei ar creşte venitul suplimentar tot cu 0
lei, fiind deja maxim iar cheltuielile suplimentare ar creşte cu un leu deci profitul suplimentar din
irigare ar scade cu un leu.
186
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1% peste suma de 8956.2 lei ar creşte
venitul suplimentar cu 0% şi cheltuielile ar creşte cu 1% deci profitul din fertilizare ar scade cu 1%.
Creşterea cheltuielilor cu irigarea cu încă 1% peste suma de 8956.2 lei ar creşte venitul
suplimentar cu 0% şi cheltuielile suplimentare ar creşte cu 1% deci profitul din fertilizare ar scade
cu 1%.
3) Coloana ratei substituirii factorilor
3.9 m3 apă/ha din cei 1969 m3 apă/ha au adus acelaşi profit ca 1 Kg NPK/ha din cei 244 Kg
NPK/ha.
8.9 m3/ha creştere apă faţă de cei 1969 m3 apă/ha şi 1 Kg/ha creştere NPK faţă de cei 244
Kg NPK/ha ar scade profitul cu aceeaşi sumă.
2.28% creştere apă faţă de cei 1969 m3 apă/ha şi 1% creştere NPK faţă de cei 244 Kg
NPK/ha, ar scade profitul cu acelaşi număr de procente.
V. MAXIM DE VENIT CU CHELTUIELI LIMITATE (7595.8 lei)
Se realizează pentru x1 = 189 Kg NPK/ha şi x2 = 1736 m3 apă/ha.
Rezultă producţia suplimentară maximă condiţionată YS = 35964 Kg porumb boabe;
venitul suplimentar maxim condiţionat VS = 25175.2 lei; cheltuielile suplimentare date CS =
7595.8 lei şi profitul suplimentar maxim condiţionat PS = 17579.8 lei. Aceste valori se adaugă
celor de la martor de la punctul a).
Producţia fizică unitară totală este YUT = 4798 Kg porumb boabe/ha.
Cheltuielile unitare totale sunt CYT = 0.2708 lei cheltuieli/1 Kg porumb boabe.
Rata profitului total este RPT = 1.584 lei profit/1 leu cheltuit.
Deoarece YUT > YU0, CYT < CY0 şi RPT > RP0, merită să folosim dozele maximului de
venit cu cheltuieli limitate.
Tabel cu indicatorii economici ai maximului de venit cu cheltuieli limitate
Indicatori Profit suplimentar Rata profit Rata substituire
economici suplimentar factori
Medii 1.6086 lei 1.700 lei 4.5
0.3556 lei 3.039 lei
Marginali 0.4375 lei 0.500 lei 8.9
0.0492 lei 0.500 lei = Maxim
Elasticităţi 0.27 % 0.29 % 1.98 %
0.14 % 0.16 %
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar:
Fiecare din cele 189 Kg NPK/ha a adus un profit suplimentar de 1.6086 lei.
Fiecare din cei 1736 m3 apă/ha a adus un profit suplimentar 0.3556 lei.
Al 190-lea Kg NPK/ha ar creşte profitul suplimentar cu valoarea de 0.4375 lei.
Al 1737-lea m3 apă/ha ar creşte profitul suplimentar cu valoarea de 0.0492 lei.
Creşterea dozei de 189 Kg NPK/ha cu încă 1% ar creşte profitul suplimentar cu încă 0.27%.
Creşterea dozei de 1736 m3 apă/ha cu încă 1% ar creşte profitul suplimentar cu încă 0.14%.
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică din suma dată de 7595.8 lei a adus un profit
suplimentar de 1.700 lei.
Fiecare leu cheltuit cu irigarea din suma dată de 7595.8 lei a adus un profit suplimentar de
3.039 lei.
Încă un leu cheltuit cu fertilizarea chimică peste suma dată de 7595.8 lei ar creşte profitul
suplimentar cu valoarea de 0.5 lei.
Încă un leu cheltuit cu irigarea peste suma de 7595.8 lei ar creşte profitul suplimentar cu
valoarea maximă de 0.5 lei.
187
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1% peste suma de 7595.8 lei ar creşte
profitul suplimentar cu încă 0.29%.
Creşterea cheltuielilor cu irigarea cu încă 1% peste suma de 7595.8 lei ar creşte profitul
suplimentar cu încă 0.16%.
3) Coloana ratei substituirii factorilor
4.5 m3 apă/ha din cei 1736 m3 apă/ha au adus acelaşi profit ca 1 Kg NPK/ha din cei 189 Kg
NPK/ha.
8.9 m3/ha creştere apă faţă de cei 1736 m3 apă/ha şi 1 Kg/ha creştere NPK faţă de cei 189
Kg NPK/ha ar creşte profitul cu aceeaşi sumă.
1.98% creştere apă faţă de cei 1736 m3 apă/ha şi 1% creştere NPK faţă de cei 189 Kg
NPK/ha, ar creşte profitul cu acelaşi număr de procente.
VI. MINIM DE CHELTUIELI CU VENIT GARANTAT (24548.7 lei)
Se realizează pentru x1 = 174 Kg NPK/ha şi x2 = 1678 m3 apă/ha.
Rezultă producţia suplimentară dată YS = 35069 Kg porumb boabe; venitul suplimentar dat
VS = 24548.7 lei; cheltuielile suplimentare minime condiţionate CS = 7216.8 lei şi profitul
suplimentar maxim condiţionat PS = 17331.8 lei. Aceste valori se adaugă celor de la martor de la
punctul a).
Producţia fizică unitară totală este YUT = 4753 Kg porumb boabe/ha.
Cheltuielile unitare totale sunt CYT = 0.2695 lei cheltuieli/1 Kg porumb boabe.
Rata profitului total este RPT = 1.598 lei profit/1 leu cheltuit.
Deoarece YUT > YU0, CYT < CY0 şi RPT > RP0, merită să folosim dozele minimului de
cheltuieli cu venit garantat.
Tabel cu indicatorii economici ai maximului de venit cu cheltuieli limitate
Indicatori Profit suplimentar Rata profit Rata substituire
economici suplimentar factori
Medii 1.6989 lei 1.776 lei 4.6
0.3636 lei 3.095 lei
Marginali 0.7133 lei 0.800 lei 8.9
0.0802 lei 0.800 lei
Elasticităţi 0.42 % 0.45 % 1.93 %
0.22 % 0.26 %
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar:
Fiecare din cele 174 Kg NPK/ha a adus un profit suplimentar de 1.6889 lei.
Fiecare din cei 1678 m3 apă/ha a adus un profit suplimentar 0.3636 lei.
Al 175-lea Kg NPK/ha ar creşte profitul suplimentar cu valoarea de 0.7133 lei.
Al 1679-lea m3 apă/ha ar creşte profitul suplimentar cu valoarea de 0.0802 lei.
Creşterea dozei de 174 Kg NPK/ha cu încă 1% ar creşte profitul suplimentar cu încă 0.42%.
Creşterea dozei de 1678 m3 apă/ha cu încă 1% ar creşte profitul suplimentar cu încă 0.22%.
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică din suma minimă de 7216.8 lei a adus un profit
suplimentar de 1.776 lei.
Fiecare leu cheltuit cu irigarea din suma minimă de 7216.8 lei a adus un profit suplimentar
de 3.095 lei.
Încă un leu cheltuit cu fertilizarea chimică peste suma minimă de 7216.8 lei ar creşte
profitul suplimentar cu valoarea de 0.8 lei.
Încă un leu cheltuit cu irigarea peste suma minimă de 7216.8 lei ar creşte profitul
suplimentar cu valoarea de 0.8 lei.
188
Creşterea cheltuielilor cu fertilizarea chimică cu încă 1% peste suma de 7216.8 lei ar creşte
profitul suplimentar cu încă 0.45%.
Creşterea cheltuielilor cu irigarea cu încă 1% peste suma de 7216.8 lei ar creşte profitul
suplimentar cu încă 0.26%.
3) Coloana ratei substituirii factorilor
4.6 m3 apă/ha din cei 1678 m3 apă/ha au adus acelaşi profit ca 1 Kg NPK/ha din cei 174 Kg
NPK/ha.
8.9 m3/ha creştere apă faţă de cei 1678 m3 apă/ha şi 1 Kg/ha creştere NPK faţă de cei 174
Kg NPK/ha ar creşte profitul cu aceeaşi sumă.
1.93% creştere apă faţă de cei 1678 m3 apă/ha şi 1% creştere NPK faţă de cei 174 Kg
NPK/ha, ar creşte profitul cu acelaşi număr de procente.
VII. DOZELE DE RENTABILITATE (CU PROFIT NUL)
Sunt x1 = 304 Kg NPK/ha; x2 = 2576 m3 apă/ha.
4.3.2 Un factor şi două produse
[Link] de intrare:
1) M = 2 produse: (Grâu şi Porumb)
2) N = 1 factor (NPK).
3) Y1 = [2000] + [3X1 + 0.015X12 – 0.00002X13]
Y2 = [3000] + [4X2 + 0.002X22 – 0.0003X23]
Aici X1 este cantitatea de NPK (Kg/ha de grâu), X2 este cantitatea de NPK (Kg/ha de
porumb) iar Y1 este producţia de grâu (Kg/ha), Y2 este producţia de porumb (Kg/ha).
În prima paranteză pătrată din membrul doi al lui Y1 se găseşte producţia-martor de grâu
(Kg/ha), nefertilizat chimic.
În a doua paranteză pătrată din membrul doi al lui Y1 se găseşte producţia suplimentară de
grâu datorată fertilizării.
Semnificaţia celor două paranteze pătrate din membrul doi al lui Y2 este analoagă pentru
porumb.
1) Cheltuieli constante: CC = (780 lei/ha grâu; 800 lei/ha porumb)
Aceste cheltuieli includ toate cheltuielile productive şi neproductive cu două excepţii:
- cheltuielile cu fertilizarea chimică;
- cheltuielile cu recoltarea şi transportul producţiei suplimentare de grâu respectiv porumb
datorată fertilizării chimice.
2) Costul factorului: CF = 0.8 lei/Kg NPK
3) Cheltuieli cu recoltarea şi transportul: CR1 = 0.045 lei/Kg grâu; CR2 = 0.04 lei/Kg porumb.
4) Preţurile de vânzare ale produselor: PV1 = 0.6 lei/Kg grâu; PV2 = 0.7 lei/Kg porumb.
5) Suprafeţe cultivate: S1 = 10 ha grâu; S2 = 20 ha porumb
B. Rezultate
a) Producţii-martor
Producţia fizică-martor de grâu Y10 = 20000 kg;
Producţia fizică-martor de porumb Y20 = 60000 kg;
Venitul-martor V0 = 54000 lei;
Cheltuielile-martor C0 = 27100 lei;
Profitul-martor P0 = 26900 lei;
Producţiile unitare-martor: YU10 = 2000 Kg grâu/ha; YU20 = 3000 Kg porumb/ha
Cheltuielile unitare-martor: CY10 = 0.4350 lei/Kg grâu; CY20 = 0.3067 lei/Kg porumb
Rata profitului martor RP0 = 0.992 lei profit/1 leu cheltuit
b) Optime în alocarea de resurse:
189
I. OPTIMUL MARGINAL
Se realizează pentru x1 = 25 Kg NPK/ha grâu şi x2 = 22 Kg NPK/ha porumb.
Rezultă producţiile suplimentare YS1 = 756 Kg grâu, YS2 = 1790 Kg porumb; venitul
suplimentar VS = 1707.4 lei; cheltuielile suplimentare CS = 661.2 lei din care CS1 = 234 lei pentru
fertilizarea grâului şi CS2 = 427.2 lei pentru fertilizarea porumbului; profitul suplimentar PS =
1046.2 lei. Aceste valori se adaugă celor de la martor de la punctul a).
Producţiile unitare totale sunt YUT1 = 2076 Kg grâu/ha; YUT2 = 3090 Kg porumb/ha.
Cheltuielile unitare totale sunt CYT1 = 0.4304 lei cheltuieli/1 Kg grâu şi CYT2 = 0.3047 lei
cheltuieli/1 Kg Porumb.
Rata profitului total este RPT = 1.006 lei profit/1 leu cheltuit.
Deoarece YUTi > YUi 0, CYTi < CYi 0 şi RPT > RP0, merită să folosim dozele optimului
marginal.
Tabel cu indicatorii economici ai optimului marginal
Indicatori Profit suplimentar Rata profitului suplimentar Rata valorificare
economici factor
Medii 0.8788 lei 1.8595 lei 0.939 lei 1.934 lei 0.472
Marginali 0.8858 lei 1.8693 lei 0.945 lei 1.943 lei 0.474
= Maxim = Maxim = Maxim = Maxim
Elasticităţi 1.008 % 1.006 % 1.008 % 1.004 % 1.002 %
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar:
Fiecare din cele 25 Kg NPK/ha grâu a adus un profit suplimentar de 0.8788 lei.
Fiecare din cei 22 Kg NPK/ha porumb a adus un profit suplimentar 1.8595 lei.
Al 26-lea Kg NPK/ha grâu ar creşte profitul suplimentar cu valoarea maximă de 0.8858 lei.
Al 23-lea Kg NPK/ha porumb ar creşte profitul suplimentar cu valoarea maximă de 1.8693 lei.
Creşterea dozei de 25 Kg NPK/ha grâu cu încă 1% ar creşte profitul suplimentar cu încă
1.008%.
Creşterea dozei de 22 Kg NPK/ha porumb cu încă 1% ar creşte profitul suplimentar cu încă
1.006%.
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică a grâului din suma de 234 lei a adus un profit
suplimentar de 0.939 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma de 427.2 lei a adus un
profit suplimentar de 1.934 lei.
Încă un leu cheltuit cu fertilizarea chimică a grâului peste suma de 234 lei ar creşte profitul
suplimentar cu valoarea maximă de .945 lei.
Încă un leu cheltuit cu fertilizarea chimică a porumbului peste suma de 427.2 lei ar creşte
profitul suplimentar cu valoarea maximă de 1.943 lei.
Creşterea cheltuielilor cu fertilizarea chimică a grâului cu încă 1% peste suma de 234 lei ar
creşte profitul suplimentar cu încă 1.008%.
Creşterea cheltuielilor cu fertilizarea chimică a porumbului cu încă 1% peste suma de 427.2
lei ar creşte profitul suplimentar cu încă 1.004%.
3) Coloana ratei substituirii factorilor:
0.472 Kg NPK/ha porumb din cei 22 Kg NPK/ha porumb au adus acelaşi profit ca 1 Kg
NPK/ha grâu din cei 25 Kg NPK/ha porumb.
0.474 Kg/ha porumb creştere NPK faţă de cele 22 Kg NPK/ha porumb şi 1 Kg/ha grâu
creştere NPK faţă de cele 25 Kg NPK/ha grâu ar creşte profitul cu aceeaşi sumă.
1.002% creştere NPK faţă de cele 22 Kg NPK/ha porumb şi 1% creştere NPK faţă de cele
25 Kg NPK/ha grâu, ar creşte profitul cu acelaşi număr de procente.
190
II. OPTIMUL DE ECHILIBRU
Se realizează pentru x1 = 37 Kg NPK/ha grâu şi x2 = 33 Kg NPK/ha porumb.
Rezultă producţiile suplimentare YS1 = 1135 Kg grâu; YS2 = 2688 Kg porumb; venitul
suplimentar VS = 2563.6 lei; cheltuielile suplimentare CS = 992 lei din care CS1 = 351.1 lei pentru
fertilizarea grâului şi CS2 = 640.9 lei pentru fertilizarea porumbului; profitul suplimentar PS =
1571.6 lei. Aceste valori se adaugă celor de la martor de la punctul a).
Producţiile unitare totale sunt YUT1 = 2114 Kg grâu/ha; YUT2 = 3134 Kg porumb/ha.
Cheltuielile unitare totale sunt CYT1 = 0.4282 lei cheltuieli/1 Kg grâu şi CYT2 = 0.3134 lei
cheltuieli/Kg porumb.
Rata profitului total este RPT = 1.013 lei profit/1 leu cheltuit.
Deoarece YUT > YU0, CYT < CY0 şi RPT > RP0, merită să folosim dozele optimului de
echilibru.
Tabel cu indicatorii economici ai optimului de echilibru
Indicatori Profit suplimentar Rata profitului suplimentar Rata valorificare
economici factor
Medii 0.8806 lei = 1.8620 lei 0.940 lei 1.937 lei 0.473
Maxim = Maxim = Maxim = Maxim
Marginali 0.8806 lei 1.8620 lei 0.940 lei 1.937 lei 0.473
Elasticităţi 1% 1% 1% 1% 1%
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar:
Fiecare din cele 37 Kg NPK/ha grâu a adus un profit suplimentar maxim de 0.8806 lei.
Fiecare din cei 33 Kg NPK/ha porumb a adus un profit suplimentar maxim de 1.8620 lei.
Al 38-lea Kg NPK/ha grâu ar creşte profitul suplimentar tot cu 0.8806 lei.
Al 34-lea Kg NPK/ha porumb ar creşte profitul suplimentar tot cu 1.8620 lei.
Creşterea dozei de 33 Kg NPK/ha grâu cu încă 1% ar creşte profitul suplimentar tot cu 1%
(creşterea procentuală de efort fizic pentru factorul NPK la grâu este egală cu creşterea procentuală
de efect pentru profit din grâu).
Creşterea dozei de 33 Kg NPK/ha porumb cu încă 1% ar creşte profitul suplimentar tot cu
1% (creşterea procentuală de efort fizic pentru factorul NPK la porumb este egală cu creşterea
procentuală de efect pentru profit din porumb).
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică a grâului din suma de 351.1 lei a adus un profit
suplimentar maxim de 0.940 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma de 640.9 lei a adus un
profit suplimentar maxim de 1.937 lei.
Încă un leu cheltuit cu fertilizarea chimică a grâului peste suma de 351.1 lei ar creşte profitul
suplimentar tot cu 0.940 lei.
Încă un leu cheltuit cu fertilizarea chimică a porumbului peste suma de 640.9 lei ar creşte
profitul suplimentar tot cu 1.937 lei.
Creşterea cheltuielilor cu fertilizarea chimică a grâului cu încă 1% peste suma de 351.1 lei ar
creşte profitul suplimentar tot cu 1% (creşterea procentuală de efort financiar pentru factorul NPK
la grâu este egală cu creşterea procentuală de efect pentru profitul din grâu).
Creşterea cheltuielilor cu fertilizarea chimică a porumbului cu încă 1% peste suma de 640.9
lei ar creşte profitul suplimentar tot cu 1% (creşterea procentuală de efort financiar pentru factorul
NPK la porumb este egală cu creşterea procentuală de efect pentru profitul din porumb).
3) Coloana ratei substituirii factorilor
0.473 Kg NPK/ha porumb din cele 33 Kg NPK/ha porumb au adus acelaşi profit ca 1 Kg
NPK/ha grâu din cele 37 Kg NPK/ha grâu.
191
0.473 Kg/ha porumb creştere NPK faţă de cele 33 Kg NPK/ha porumb şi 1 Kg/ha grâu
creştere NPK faţă de cele 37 Kg NPK/ha grâu ar creşte profitul cu aceeaşi sumă.
1% creştere NPK faţă de cele 33 Kg NPK/ha porumb şi 1% creştere NPK faţă de cei 37 Kg
NPK/ha grâu, ar creşte profitul cu acelaşi număr de procente (creşterea procentuală de efort fizic
pentru factorul NPK la grâu este egală cu creşterea procentuală de efort fizic pentru NPK la porumb
sub aspectul aceleiaşi creşteri procentuale a profitului).
III. OPTIMUL ECONOMIC
Se realizează pentru x1 = 190 Kg NPK/ha grâu şi x2 = 199 Kg NPK/ha porumb.
Rezultă producţiile suplimentare YS1 = 4871 Kg grâu; YS2 = 12790 Kg porumb; venitul
suplimentar VS = 11876.5 lei; cheltuielile suplimentare CS = 5445.8 lei din care CS1 = 1740.3 lei
pentru fertilizarea grâului şi CS2 = 3705.6 lei pentru fertilizarea porumbului; profitul suplimentar
maxim PS = 6430.7 lei. Aceste valori se adaugă celor de la martor de la punctul a).
Producţiile unitare totale sunt YUT1 = 2487 Kg grâu/ha şi YUT2 = 3640 Kg porumb/ha.
Cheltuielile unitare totale minime sunt CYT1 = 0.4198 lei cheltuieli/1 Kg grâu şi CYT2 =
3037 lei/Kg porumb.
Rata profitului total maximă este RPT = 1.024 lei profit/1 leu cheltuit.
Deoarece YUT > YU0, CYT < CY0 şi RPT > RP0, merită să folosim dozele optimului
economic.
Tabel cu indicatorii economici ai optimului economic
Indicatori Profit suplimentar Rata profitului suplimentar Rata
economici valorificare
factor
Medii 0.6220 lei 1.3144 lei 0.679 lei 1.417 lei 0.473
Marginali 0 lei 0 lei 0 lei 0 lei 0
Elasticităţi 0% 0% 0% 0% 0%
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar:
Fiecare din cele 190 Kg NPK/ha grâu a adus un profit suplimentar de 0.6220 lei.
Fiecare din cei 199 Kg NPK/ha porumb a adus un profit suplimentar 1.3144 lei.
Al 191-lea Kg NPK/ha grâu ar creşte venitul suplimentar cu aceeaşi sumă cu care ar creşte şi
cheltuielile deci profitul din fertilizare ar creşte cu 0 lei, fiind deja maxim.
Al 200-lea Kg NPK/ha porumb ar creşte venitul suplimentar cu aceeaşi sumă cu care ar
creşte şi cheltuielile, deci profitul din irigare ar creşte cu 0 lei, fiind deja maxim.
Creşterea dozei de 190 Kg NPK/ha grâu cu încă 1% ar creşte venitul suplimentar cu acelaşi
număr de procente cu care ar creşte şi cheltuielile, deci profitul suplimentar din fertilizarea grâului
ar creşte cu 0%, fiind deja maxim.
Creşterea dozei de 199 Kg NPK/ha porumb cu încă 1% ar creşte venitul suplimentar cu
acelaşi număr de procente cu care ar creşte şi cheltuielile, deci profitul suplimentar din fertilizarea
porumbului ar creşte cu 0% fiind deja maxim.
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică a grâului din suma de 1740.3 lei a adus un profit
suplimentar de 0.679 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma de 3705.6 lei a adus un
profit suplimentar de 1.417 lei.
Încă un leu cheltuit cu fertilizarea chimică a grâului peste suma de 1740.3 lei ar creşte
venitul suplimentar tot cu un leu deci profitul suplimentar din fertilizarea grâului ar creşte cu 0 lei,
fiind deja maxim.
192
Încă un leu cheltuit cu fertilizarea chimică a porumbului peste suma de 3705.6 lei ar creşte
venitul suplimentar tot cu un leu deci profitul suplimentar din irigare ar creşte cu 0 lei, fiind deja
maxim.
Creşterea cheltuielilor cu fertilizarea chimică a grâului cu încă 1% peste suma de 1740.3 lei
ar creşte venitul suplimentar cu acelaşi număr de procente cu care ar creşte şi cheltuielile deci
profitul din fertilizarea grâului ar creşte cu 0%, fiind deja maxim.
Creşterea cheltuielilor cu fertilizarea chimică a porumbului cu încă 1% peste suma de
3705.6 lei ar creşte venitul suplimentar cu acelaşi număr de procente cu care ar creşte şi cheltuielile
deci profitul din fertilizarea porumbului ar creşte cu 0%, fiind deja maxim.
3) Coloana ratei substituirii factorilor:
0.473 Kg NPK/ha porumb din cei 199 Kg NPK/ha grâu au adus acelaşi profit ca 1 Kg
NPK/ha grâu din cei 190 Kg NPK/ha grâu.
Orice creştere valorică a NPK faţă de cele 199 m3/ha porumb şi orice creştere valorică a
NPK faţă de cei 190 Kg NPK/ha grâu ar creşte profitul cu 0 lei, fiind deja maxim.
Orice creştere procentuală a NPK faţă de cele 199 Kg NPK/ha porumb şi orice creştere
procentuală a NPK faţă de cele 190 Kg NPK/ha grâu ar creşte profitul cu 0%, fiind deja maxim.
IV. OPTIMUL TEHNIC
Se realizează pentru x1 = 251 Kg NPK/ha grâu şi x2 = 234 Kg NPK/ha porumb.
Rezultă producţiile suplimentare maxime YS1 = 5312 Kg grâu; YS2 = 13222 Kg porumb;
venitul suplimentar maxim VS = 12443.1 lei; cheltuielile suplimentare CS = 6524.7 lei din care
CS1 = 2248.4 lei pentru fertilizarea grâului şi CS2 = 4276.2 lei pentru fertilizarea porumbului;
profitul suplimentar PS = 5918.5 lei. Aceste valori se adaugă celor de la martor de la punctul a).
Producţiile unitare totale maxime sunt YUT1 = 2531 Kg grâu/ha şi YUT2 = 3661 Kg
porumb/ha.
Cheltuielile unitare totale sunt CYT1 = 0.4325 lei cheltuieli/1 Kg grâu şi CYT2 = 3097 lei
cheltuieli/1 Kg porumb.
Rata profitului total este RPT = 0.976 lei profit/1 leu cheltuit.
Deoarece YUT > YU0, CYT < CY0 şi RPT > RP0, merită să folosim dozele optimului
tehnic.
Tabel cu indicatorii economici ai optimului tehnic
Indicatori Profit suplimentar Rata profitului Rata valorificare
economici suplimentar factor
Medii 0.3738 lei 1.0630 lei 0.417 lei 1.165 lei 0.351
Marginali - 0.8 lei - 0.8 lei - 1 leu - 1 leu 1.022
Elasticităţi - 2.2 % - 0.75 % - 2.45 % - 0.86 % 2.91 %
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar:
Fiecare din cele 251 Kg NPK/ha grâu a adus un profit suplimentar de 0.3738 lei.
Fiecare din cele 234 Kg NPK/ha porumb a adus un profit suplimentar 1.0630 lei.
Al 252-lea Kg NPK/ha grâu ar creşte venitul suplimentar cu 0lei, fiind deja maxim iar
cheltuielile ar creşte cu 0.8 lei (costul celui de al 252-lea Kg NPK/ha), deci profitul din fertilizare ar
scade cu 0.8 lei.
Al 235-lea Kg NPK/ha porumb ar creşte venitul suplimentar cu 0 lei, fiind deja maxim iar
cheltuielile suplimentare ar creşte cu 0.8 lei (costul celui de al 235-lea Kg NPK/ha porumb), deci
profitul din irigare ar scade cu 0.8 lei.
Creşterea dozei de 252 Kg NPK/ha grâu cu încă 1% ar creşte venitul suplimentar cu 0%,
fiind deja maxim iar cheltuielile suplimentare ar creşte cu 2.2% deci profitul suplimentar din
fertilizare ar scade cu 2.2%.
193
Creşterea dozei de 234 Kg NPK/ha porumb cu încă 1% ar creşte venitul suplimentar cu 0%
iar cheltuielile suplimentare ar creşte cu 0.75%, deci profitul suplimentar din irigare ar scade cu
0.75%.
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică a grâului din suma de 2248.4 lei a adus un profit
suplimentar de 0.417 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma de 4276.2 lei a adus un
profit suplimentar de 1.165 lei.
Încă un leu cheltuit cu fertilizarea chimică a grâului peste suma de 2248.4 lei ar creşte
venitul suplimentar cu 0 lei, fiind deja maxim iar cheltuielile ar creşte cu 1 leu, deci profitul
suplimentar din fertilizarea grâului ar scade cu un leu.
Încă un leu cheltuit cu fertilizarea porumbului peste suma de 4276.2 lei ar creşte venitul
suplimentar tot cu 0 lei, fiind deja maxim iar cheltuielile suplimentare ar creşte cu 1 leu, deci
profitul suplimentar din fertilizarea porumbului ar scade cu 1 leu.
Creşterea cheltuielilor cu fertilizarea chimică a grâului cu încă 1% peste suma de 2248.4 lei
ar creşte venitul suplimentar cu 0% şi cheltuielile ar creşte cu 1%, deci profitul din fertilizarea
grâului ar scade cu 1%.
Creşterea cheltuielilor cu fertilizarea porumbului cu încă 1% peste suma de 4276.2 lei ar
creşte venitul suplimentar cu 0% şi cheltuielile suplimentare ar creşte cu 1%, deci profitul din
fertilizarea porumbului ar scade cu 1%.
3) Coloana ratei substituirii factorilor:
0.351 Kg NPK/ha porumb din cele 234 Kg NPK/ha porumb au adus acelaşi profit ca 1 Kg
NPK/ha grâu din cei 251 Kg NPK/ha.
1.022 Kg/ha porumb creştere NPK faţă de cele 234 Kg NPK/ha porumb şi 1 Kg/ha creştere
NPK faţă de cei 251 Kg NPK/ha porumb ar scade profitul cu aceeaşi sumă.
2.91% creştere NPK faţă de cele 234 Kg NPK/ha porumb şi 1% creştere NPK faţă de cei
251 Kg NPK/ha grâu, ar scade profitul cu acelaşi număr de procente.
V. MAXIM DE VENIT CU CHELTUIELI LIMITATE (4230.5 lei)
Se realizează pentru x1 = 116 Kg NPK/ha grâu şi x2 = 167 Kg NPK/ha porumb.
Rezultă producţiile suplimentare maxime condiţionate YS1 = 3390 Kg grâu; YS2 = 11691
Kg porumb; venitul suplimentar maxim condiţionat VS = 10218.1 lei; cheltuielile suplimentare
date CS = 4230.5 lei din care CS1 = 1087.2 lei pentru fertilizarea grâului şi CS2 = 3143.4 lei pentru
fertilizarea porumbului; profitul suplimentar maxim condiţionat PS = 5987.6 lei. Aceste valori se
adaugă celor de la martor de la punctul a).
Producţiile unitare totale sunt YUT1 = 2339 Kg grâu/ha şi YUT2 = 3585 Kg porumb/ha.
Cheltuielile unitare totale sunt CYT1 = 0.4184 lei cheltuieli/1 Kg grâu şi CYT2 = 0.3005 lei
cheltuieli/1 Kg porumb.
Rata profitului total este RPT = 1.049 lei profit/1 leu cheltuit.
Deoarece YUTi > YUi 0, CYTi < CYi 0 şi RPT > RP0, merită să folosim dozele maximului de
venit cu cheltuieli limitate.
Tabel cu indicatorii economici ai maximului de venit cu cheltuieli limitate
Indicatori Profit suplimentar Rata profitului suplimentar Rata valorificare
economici factor
Medii 0.8107 lei 1.5070 lei 0.871 lei 1.603 lei 0.538
Marginali 0.6050 lei 0.6202 lei 0.662 lei 0.700 lei 0.976
Elasticităţi 0.75 % 0.41 % 0.76 % 0.44 % 1.81 %
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar:
Fiecare din cele 116 Kg NPK/ha grâu a adus un profit suplimentar de 0.8107 lei.
194
Fiecare din cei 167 Kg NPK/ha porumb a adus un profit suplimentar 1.5070 lei.
Al 117-lea Kg NPK/ha grâu ar creşte profitul suplimentar cu valoarea de 0.6050 lei.
Al 168-lea Kg NPK/ha porumb ar creşte profitul suplimentar cu valoarea de 0.6202 lei.
Creşterea dozei de 116 Kg NPK/ha grâu cu încă 1% ar creşte profitul suplimentar cu încă
0.75%.
Creşterea dozei de 167 Kg NPK/ha porumb cu încă 1% ar creşte profitul suplimentar cu încă
0.41%.
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică a grâului din suma dată de 1087.2 lei a adus un
profit suplimentar de 0.871 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma dată de 3143.4 lei a adus
un profit suplimentar de 1.603 lei.
Încă un leu cheltuit cu fertilizarea chimică a grâului peste suma dată de 1087.2 lei ar creşte
profitul suplimentar cu valoarea de 0.662 lei.
Încă un leu cheltuit cu fertilizarea chimică a porumbului peste suma de 3143.4 lei ar creşte
profitul suplimentar cu valoarea maximă de 0.700 lei.
Creşterea cheltuielilor cu fertilizarea chimică a grâului cu încă 1% peste suma de 1087.2 lei
ar creşte profitul suplimentar cu încă 0.76%.
Creşterea cheltuielilor cu fertilizarea chimică a porumbului cu încă 1% peste suma de
3143.4 lei ar creşte profitul suplimentar cu încă 0.44%.
3) Coloana ratei substituirii factorilor:
0.538 Kg NPK/ha porumb din cele 167 Kg NPK/ha porumb au adus acelaşi profit ca 1 Kg
NPK/ha grâu din cei 116 Kg NPK/ha grâu.
0.976 Kg/ha creştere NPK faţă de cele 167 Kg/ha porumb şi 1 Kg/ha creştere NPK faţă de
cei 116 Kg NPK/ha grâu ar creşte profitul cu aceeaşi sumă.
1.81% creştere NPK faţă de cei 167 Kg NPK/ha porumb şi 1% creştere NPK faţă de cei 116
Kg NPK/ha grâu, ar creşte profitul cu acelaşi număr de procente.
VI. MINIM DE CHELTUIELI CU VENIT GARANTAT (11370.5 lei)
Se realizează pentru x1 = 164 Kg NPK/ha grâu şi x2 = 186 Kg NPK/ha porumb.
Rezultă producţiile suplimentare date YS1 = 4448 Kg grâu; YS2 = 12430 Kg porumb;
venitul suplimentar dat VS = 11370.5 lei; cheltuielile suplimentare minime condiţionate CS =
5002.1 lei din care CS1 = 1515.1 lei pentru fertilizarea grâului şi CS2 = 3487 lei pentru fertilizarea
porumbului; profitul suplimentar maxim condiţionat PS = 6368.3 lei. Aceste valori se adaugă celor
de la martor de la punctul a).
Producţiile unitare totale sunt YUT1 = 2445 Kg grâu/ha şi YUT2 = 3622 Kg porumb/ha.
Cheltuielile unitare totale sunt CYT1 = 0.4187 lei cheltuieli/1 Kg grâu şi CYT2 = 3022 lei
cheltuieli/1 Kg porumb.
Rata profitului total este RPT = 1.037 lei profit/1 leu cheltuit.
Deoarece YUTi > YUi 0, CYTi < CYi 0 şi RPT > RP0, merită să folosim dozele minimului de
cheltuieli cu venit garantat.
Tabel cu indicatorii economici ai maximului de venit cu cheltuieli limitate
Indicatori Profit suplimentar Rata profitului suplimentar Rata valorificare
economici factor
Medii 0.7019 lei 1.3953 lei 0.761 lei 1.496 lei 0.503
Marginali 0.2389 lei 0.2592 lei 0.271 lei 0.300 lei 0.922
Elasticităţi 0.34 % 0.19 % 0.36 % 0.20 % 1.83 %
195
COMENTARIU ASUPRA TABELULUI:
1) Coloana profitului suplimentar:
Fiecare din cele 164 Kg NPK/ha grâu a adus un profit suplimentar de 0.7019 lei.
Fiecare din cele 186 Kg NPK/ha porumb a adus un profit suplimentar 1.3953 lei.
Al 165-lea Kg NPK/ha grâu ar creşte profitul suplimentar cu valoarea de 0.2389 lei.
Al 187-lea Kg NPK/ha porumb ar creşte profitul suplimentar cu valoarea de 0.2592 lei.
Creşterea dozei de 164 Kg NPK/ha grâu cu încă 1% ar creşte profitul suplimentar cu încă
0.34%.
Creşterea dozei de 186 Kg NPK/ha porumb cu încă 1% ar creşte profitul suplimentar cu încă
0.19%.
2) Coloana ratei profitului suplimentar:
Fiecare leu cheltuit cu fertilizarea chimică a grâului din suma minimă de 1515.1 lei a adus
un profit suplimentar de 0.761 lei.
Fiecare leu cheltuit cu fertilizarea chimică a porumbului din suma minimă de 3487 lei a
adus un profit suplimentar de 1.496 lei.
Încă 1 leu cheltuit cu fertilizarea chimică a grâului peste suma minimă de 1515.1 lei ar
creşte profitul suplimentar cu valoarea de 0.271 lei.
Încă 1 leu cheltuit cu fertilizarea chimică a porumbului peste suma minimă de 3487 lei ar
creşte profitul suplimentar cu valoarea de 0.300 lei.
Creşterea cheltuielilor cu fertilizarea chimică a grâului cu încă 1% peste suma de 1515.1 lei
ar creşte profitul suplimentar cu încă 0.36%.
Creşterea cheltuielilor cu fertilizarea chimică a porumbului cu încă 1% peste suma de 3487
lei ar creşte profitul suplimentar cu încă 0.20%.
3) Coloana ratei substituirii factorilor:
0.503 Kg NPK/ha grâu din cei 186 Kg NPK/ha grâu au adus acelaşi profit ca 1 Kg NPK/ha
grâu din cei 164 Kg NPK/ha grâu.
0.922 Kg/ha creştere NPK faţă de cei 186 Kg NPK/ha porumb şi 1 Kg/ha creştere NPK faţă
de cei 164 Kg NPK/ha grâu ar creşte profitul cu aceeaşi sumă.
1.83% creştere NPK faţă de cei 186 Kg NPK/ha porumb şi 1% creştere NPK faţă de cei 164
Kg NPK/ha grâu, ar creşte profitul cu acelaşi număr de procente.
VII. DOZELE DE RENTABILITATE (CU PROFIT NUL)
Sunt x1 = 279 Kg NPK/ha grâu; x2 = 304 Kg NPK/ha porumb.
4.4 Modele cu restricţii liniare şi funcţie-obiectiv pătratică
În capitolul 2 am prezentat modele cu restricţii liniare şi funcţii-obiectiv liniare. Ele au fost
rezolvate prin îmbunătăţiri succesive ale unei soluţii bazice iniţiale cu metoda simplex până se
ajunge la soluţia bazică optimă.
În secţiunea 4.2.1 punctele A şi B, am prezentat două modele cu o restricţie neliniară şi
funcţie-obiectiv cubică (venit maxim cu cheltuieli limitate şi respectiv cheltuieli minime cu venit
garantat) care au fost rezolvate cu metoda multiplicatorilor lui Lagrange.
În acestă secţiune vom prezenta un model intermediar cu restricţii liniare şi funcţie-obiectiv
pătratică.
4.4.1 Cazul când toate restricţiile sunt ecuaţii
Modelul are forma:
196
a11 x1 ... a1n x n b1
(1) ..............................
a x ... a x b
m1 1 mn n m
(2) x1 ,..., x n 0
n n n
(3) f=2 ci x i d jk x j x k optim
i=1 j1 k 1
Fie notaţiile :
a11 ......a1n x1
A ............. cu m < n şi rang(A)= m ; X= ...
a .....a x
m1 mn n
b1 c1 d11 .......d1n
b= ... ; c= ... ; D= ............... ; D=matrice simetrică cu rang(D)=n
b c d ......d
m n m1 mn
Modelul capătă forma matricială:
(4) A.X = b
(5) X≥0
(6) f = [Link].X + XT.D.X = optim
Funcţia pătratică f are punctul staţionar X0 care anulează derivatele parţiale de ordinul unu:
∂f/∂x1 = 2.(c1 + d11x1 +…+ d1nxn) = 0
………………………………………
∂f/∂xn = 2.(cn + dn1x1 +…+ dnnxn) = 0
adică matricial:
(7) X0 = - D-1.c
X0 este punct de minim pentru f dacă matricea D este pozitiv definită, adică minorii ei principali
sunt pozitivi:
d11 d12
1 d11 0, 2 0,..., n det(D) 0
d 21 d 22
X0 este punct de maxim pentru f dacă matricea D este negativ definită, adică minorii ei principali
sunt negativi:
Δ1 > 0; Δ2 < 0,…, (-1)n.Δn > 0
X0 satisface restricţiile (4) + (5) dacă A.X0 = b şi X0 ≥ 0, deci dacă:
(8) A.D-1.c + b = 0; X0 ≥ 0
Există cazurile:
I. Punctul staţionar X0 = - D-1.c este punct de minim sau de maxim pentru f şi verifică
restricţiile (4) + (5), adică satisface relaţia (8).
În acest caz X0 este soluţie optimă pentru problema de optimizare (4) – (6).
197
II. Punctul staţionar X0 fie nu este punct de minim sau de maxim pentru f, fie este punct de
minim sau de maxim pentru f, dar nu verifică restricţiile (4) + (5) deci nu satisface relaţia (8).
În acest caz soluţia optimă a problemei de optimizare (4) – (6), notată cu Xp, trebuie să
satisfacă restricţiile (4) + (5) deci este un vector pe frontiera mulţimii convexe a soluţiilor pentru (4)
+ (5) (nu neapărat vector bazic pentru (4) + (5)), pentru care f ia valoarea minimă sau maximă.
Soluţia optimă Xp trebuie să fie punct staţionar pentru funcţia Lagrange:
L = [Link].X – XT.D.X - Y.(A.X/b)
unde Y = (y1,…, ym)T este vectorul-coloană al multiplicatorilor Lagrange.
Condiţia de punct staţionar a lui Xp pentru L se scrie după transpunere:
(9) 2.c + [Link] – AT.Y = 0
(10) [Link] = b; Xp ≥ 0
Din relaţia (9), avem:
[Link] = (1/2).AT.Y – c, aşa că Xp = (1/2).[Link].Y – D-1.c, adică:
(11) Xp = (1/2).[Link].Y + X0
Relaţia (10) devine: (1/2).[Link].Y + A.X0 = b, de unde:
(12) Y = - 2.([Link])-1.(A.X0 – b)
După aflarea lui X0 din relaţia (7), relaţia (12) dă vectorul-coloană Y al multiplicatorilor
Lagrange y1,…, ym.
Relaţia (11) devine:
(12) Xp = X0 – [Link].([Link])-1.(A.X0 - b)
După aflarea lui X0 din relaţia (7), relaţia (13) dă vectorul Xp al soluţiei optime a modelului
(4) – (6).
Exemplu:
Fie modelul cu restricţii liniare de tip ecuaţii şi funcţie-obiectiv pătratică:
2x1 + 3x2 + 4x3 = 10
4x1 + x2 + 5x3 = 12
x1, x2, x3 ≥ 0
……………………..
f = (- 4x1 – 2x2 – 6x3) + (x12 + x22 + x32) = minim
Se cere soluţia optimă a acestui model.
Soluţie:
Avem:
- 2 1 0 0
2 3 4 10 - 1 ; D = 0 1 0
A ; b= 12 ; c =
4 1 5 - 3 0 0 1
Matricea simetrică D este pozitiv definită, deci conform relaţiei (7) funcţia f are punctul de minim:
198
2
1
X 0 D .c 1
3
9 29 31 T 1 1 42 - 31
Avem A.X 0 b ; A.D -1 .A T deci (A.D .A )
-1
;
12 31 42 257 31 29
288
1
D 1 .A T A T aşa că D 1 .A T (A.D-1 .A T ) 1 (A X 0 - b ) = 87 ;
257
369
226
1
Conform relaţiei (13) , soluţia optimă căutată este X p = 170
257
402
- 2 6
Vectorul multiplicatorilor lui Lagrange Y este dat de relaţia (12) : Y=
257 69
În concluzie, soluţia optimă Xp are componentele: xp1 = 226/257; xp2 = 170/257; xp3 =
402/257, iar multiplicatorii Lagrange sunt: y1 = (- 12)/257; y2 = (- 138)/257
Valoarea minimului este f(Xp) = - 10.57
Restricţiile dau trei soluţii bazice:
26 /10 1/ 3 0
X (1)
16 /10 ; X 0 ; X 2 /11
(2) (3)
0 8/3 26 /11
Avem Xp = α1.X(1) + α2.X(2) + α3.X(3), cu 0 ≤ αi ≤ 1 şi α1 + α2 + α3 = 1
În cazul nostru avem α1 = 0.4134; α2 = 0.5866; α3 = 0, deci Xp se găseşte pe segmentul care
uneşte soluţiile bazice (vârfurile) X(1) şi X(2).
4.4.2 Cazul când restricţiile sunt inecuaţii
Fie problema de optimizare pătratică:
n
(14) a
j=1
ij x j bi
(15) x1 ,..., x n 0
n n n
(16) f=2. c j x j d jk x j x k max im
j=1 j1 k 1
Se presupune că matricea simetrică D = (dij) este de rang n şi negativ definită, deci funcţia f
are un punct de maxim X0 = - D-1.c
199
Fie funcţia Lagrange :
n n n m n
L=2 c j x j d jk x j x k yi (bi a ij x j )
j=1 j1 k 1 i 1 j1
unde y1 ,..., y m sunt multiplicatorii Lagrange.
Fie variabilele de egalizare primale :
n
xei bi a ij x j 0 deci funcţia Lagrange capătă forma :
j1
m
L=f+ yi xei . Funcţia Lagrange L se mai poate scrie şi sub forma :
i=1
m n n n m n
L= bi yi d jk x j x k x j a ij yi 2c j 2. d jk x k
i=1 j1 k 1 j1 i 1 k 1
Fie var iabilele de egalizare duale :
m n
ye j a ij yi 2c j 2. d jk x k 0
i 1 k 1
m n n
şi funcţia-obiectiv duală g = bi yi d jk x j x k
i=1 j1 k=1
n
deci funcţia Lagrange capătă şi forma : L = g - x j ye j
j=1
Modelul pătratic dual pentru mod elul (13) (15) va avea forma :
m n
(17) a i=1
ij yi 2c j 2 d jk x k
k 1
(18) y1 ,..., y m 0
m n n
(19) g= bi yi d jk x j x k min im
i=1 j1 k 1
Pentru modelele pătratice primal (14) – (16) şi dual (17) – (19) rămâne valabilă teorema de
dualitate din capitolul 2. Şi aici optimele primal şi dual coincid: fmax = gmin.
Rămâne deasemenea valabilă teorema ecarturilor complementare din capitolul 2 care
exprimă condiţiile necesare şi suficiente ca X, Y să fie soluţii optime pentru modelul pătratic primal
respectiv dual
(Condiţiile Kuhn-Tucker):
a) [Link] = 0, (i = 1,…, m)
b) [Link] = 0, (j = 1,…, n)
Exemplu:
Fie modelul de optimizare pătratică:
x1 + x2 ≤ 3
4x1 + x2 ≤ 4
x1, x2 ≥ 0
---------------
f = (10x1 + 12x2) + (-0.5x12 + 0.1x1x2 + 0.1x2x1 - 0.4x22) = maxim
200
Modelul dual are forma:
y1 + 4y2 ≥ 10 + (- x1 + 0.2x2)
y1 + y2 ≥ 12 + (0.2x1 - 0.8x2)
y1, y2 ≥ 0
-----------------------------------
g = (3y1 + 4y2) – (-0.5x12 + 0.1x1x2 + 0.1x2x1 - 0.4x22) = minim
Rezolvarea cu SOLVER din EXCEL
Problema primală din enunţ se plasează în foaia EXCEL cu numele OPTIMP:
A1 B C D E F
2 PROGRAM PĂTRATIC (OPTIMP):
3 RESTRICŢII:
4 COEF. X1 COEF. X2 MEMBRUL I MEMBRUL II
5 4 1 4 4
6 1 1 3 3
7 FUNCŢIA F:
8 COEF. X1 COEF. X2 COEF. X1 ^ 2 COEF. X2 ^ 2 COEF. X1 * X2
9 10 12 - 0.5 - 0.4 0.2
10 REZULTATE:
11 VALOARE VALOARE VALOARE F
X1 X2
12 0.333 2.667 32.611
FORMULE:
D5: = $B$5 * $B$12 + $C$5 * $C$12
D6: = $B$6 * $B$12 + $C$6 * $C$12
D12: = B9 * $D$12 + C9 * $C$12 + D9 * $B$12 ^ 2 + E9 * $C$12 ^ 2 + F9 * $B$12 * $C$12
Se deschide meniul TOOLS (ALT T) şi se alege în fereastra TOOLS opţiunea SOLVER.
Apare fereastra Solver parameters cu aspectul de mai jos:
În căsuţa din dreapta opţiunii Set Target Cell se scrie adresa absolută $D$12 în care se
găsesc valorile succesive ale funcţiei-obiectiv f a problemei primale, ultima valoare fiind cea
optimă.
201
Sub această căsuţă se face opţiunea Max în butonul radio din stânga, deoarece problema
primală este de maxim.
În căsuţa de sub opţiunea By Changing Cells se dau adresele absolute $B$12, $C$12 în care
se găsesc valorile succesive ale variabilelor x1, x2, primele valori putând fi luate egale cu zero iar
ultimele valori fiind cele optime.
Se activează opţiunea Add care deschide fereastra Add Constraint în care se scriu cele
două restricţii ale problemei primale: $D$4 ≤ $E$4; $D$5 ≤ $E$5 după cum urmează:
int
bin
În fereastra Cell Reference se scrie membrul stâng al restricţiei, din lista ascunsă de la
mijloc se alege semnul restricţiei iar în fereastra Constraint se scrie membrul drept al restricţiei.
După terminarea scrierii fiecărei restricţii, se activează opţiunea Add pentru a introduce
restricţia următoare.
După închiderea cu Ok a acestei ferestre, restricţiile precedente apar în căsuţa de sub
opţiunea Subject to the Constraints din fereastra Solver Parameters de mai sus.
Dacă ulterior dorim să modificăm sau să ştergem unele restricţii, le selectăm şi folosim
opţiunile Change sau Delete ale ferestrei Solver Parameters.
Activând opţiunea Solve din fereastra Solver Parameters, apare fereastra Solver results de
mai jos:
În căsuţa de sub opţiunea Reports selectăm opţiunile Answer, Sensitivity şi Limits care vor
ataşa foii de calcul trei rapoarte cu rezultate: soluţiile optime primală şi duală, valoarea optimului şi
intervalele pentru componentele vectorilor b şi c, care nu necesită reoptimizare.
Dealtfel variabilele proprii x1 şi x2 ale soluţiei optime şi valoarea optimă a funcţiei-obiectiv f
apar şi în foaia EXCEL iniţială în celulele $B$12, $C$12 respectiv $D$12.
Soluţiile optime pentru modelele pătratice primal şi dual sunt:
Soluţia optimă primală Soluţia optimă duală
I. Variabile primale proprii: III. Variabile duale de egalizare:
X1 = 1/3 ye1 = 0
X2 = 8/3 ye2 = 0
II. Variabile primale de egalizare: IV. Variabile duale proprii:
Xe1 = 0 y1 = 886/90
Xe2 = 0 y2 = 8/90
fmax = gmin = 2935/90
202
4.4.3 Modele de optimizare patratică în agricultură
A. Model pătratic de alocare a resurselor în producţia vegetală
Alocări → NPK Apa
Grâu Porumb Grâu Porumb SEMN LIMITE
Restricţii ↓ X1(Kg/Ha) X2(Kg/Ha) X3(m3/Ha) X4(m3/Ha)
1. NPK – GRÂU MAX 1 0 0 0 ≤ 300 Kg/Ha
2. NPK – POR. MAX 0 1 0 0 ≤ 200 Kg/Ha
3. APA – GRÂU MAX 0 0 1 0 ≤ 1500 m3/Ha
4. APA – POR. MAX 0 0 0 1 ≤ 2000 m3/Ha
5. CHELTUIELI 0.8 0.8 0.09 0.09 ≤ 450
LEI/Kg Lei/Kg LEI/m3 LEI/m3 LEI/HA
6. NPK 40 Ha 60 Ha 0 0 ≤ 15000 Kg
7. APA 0 0 40 Ha 60 Ha ≤ 180000 m3
8. PROD. SUPLIM. 3 Kg GRÂU 0 0.6 Kg GRÂU 0 ≥ 1000 Kg/Ha
GRÂU /Kg NPK /m3 APĂ
9. PROD. SUPLIM. 0 5 Kg Por. 0 0.9 Kg Por. ≥ 1500 Kg/Ha
PORUMB /Kg NPK /m3 APĂ
10. NPK – GRÂU MIN 1 0 0 0 ≥ 80 Kg/Ha
11. NPK – POR. MIN 0 1 0 0 ≥ 50 Kg/Ha
12. APA – GRÂU MIN 0 0 1 0 ≥ 500 m3/Ha
13. APA – POR. MIN 0 0 0 1 ≥ 1000 m3/Ha
PARTE LINIARĂ 2.5 3 0.2 0.3
VENIT SUPLIM. LEI/Kg LEI/Kg LEI/m3 LEI/m3 MAXIM
PARTE PĂTRATICĂ - 0.002 - 0.002 - 0.0001 - 0.0001
VENIT SUPLIM.
Ca şi în exemplul precedent, cu produsul informatic EXCEL, se obţin soluţiile optime:
SOLUŢIA OPTIMĂ PRIMALĂ SOLUŢIA OPTIMĂ DUALĂ
I. VPP (Resurse alocate) III. VDP (Surplus de venit pe unitate resursă la ha)
x1 = 187.65 Kg NPK/ha grâu ye1 = 0 lei surplus venit/1 Kg NPK la ha grâu
x2 = 124.90 Kg NPK/ha porumb ye2 = 0 lei surplus venit/1 Kg NPK la ha porumb
x3 = 860.88 m3 Apă/ha grâu ye3 = 0 lei surplus venit/1 m3 apă la ha grâu
x4 = 1360.88 m3 Apă/ha porumb ye4 = 0 lei surplus venit/1 m3 apă la ha porumb
II. VPE (Diferenţe resurse consumate-limite) IV. VDP (Venituri marginale)
xe1 = 112.35 Kg NPK/ha grâu deficit y1 = 0 lei creştere venit/încă 1 Kg NPK la ha grâu
xe2 = 75.10 Kg NPK/ha porumb deficit y2 = 0 lei creştere venit/încă 1 Kg NPK la ha porumb
xe3 = 639.12 m3 Apă/ha grâu deficit y3 = 0 lei creştere venit/încă 1 m3 apă la ha grâu
xe4 = 639.12 m3 Apă/ha porumb deficit y4 = 0 lei creştere venit/încă 1 m3 apă la ha porumb
→xe5 = 0 lei necheltuiţi →y5 = 0.31 lei creştere venit/încă 1 leu la ha cheltuit
→xe6 = 0 Kg NPK neconsumate →y6 = 0.04 lei creştere venit/încă 1 Kg NPK
xe7 = 63911.79 m3 apă neconsumaţi y7 = 0 lei creştere venit/încă 1 m3 apă
xe8 = 79.49 Kg grâu surplus y8 = 0 lei creştere venit/încă 1 Kg grâu
xe9 = 349.98 Kg porumb surplus y9 = 0 lei creştere venit/încă 1 Kg porumb
xe10 = 107.65 Kg NPK/ha grâu surplus y10 = 0 lei creştere venit/încă 1 Kg NPK la ha grâu
xe11 = 74.90 Kg NPK/ha porumb surplus y11 = 0 lei creştere venit/încă 1 Kg NPK la ha porumb
xe12 = 360.88 m3 Apă/ha grâu surplus y12 = 0 lei creştere venit/încă 1 m3 apă la ha grâu
xe13 = 360.88 m3 Apă/ha porumb surplus y13 = 0 lei creştere venit/încă 1 m3 apă la ha porumb
fmaxim = gminim = 1063.33 lei
Pentru soluţiile optime de mai sus avem valorile optime Vm = 1063.33 lei/ha = maxim;
Cm = 450 lei/ha; Pm = 613.33 lei/ha; RPm = 1.363 lei profit la ha/1 leu cheltuit la ha
Structura în procente a profitului maxim fmaxim = 1063.33 lei este: s1 = 37.5% (contribuţia NPK la
ha grâu); s2 = 32.3% (contribuţia NPK la ha porumb); s3 = 9.2% (contribuţia apei la ha grâu);
203
s4 = 21% (contribuţia apei la ha porumb).
Indicatori economici ai modelului liniar:
I) Rata medie a profitului RMP = 1.363 lei profit la ha/1 leu cheltuit la ha
II) Rata marginală a profitului RDP = y5 – 1 = - 0.69 lei creştere de profit la ha/1 leu creştere de
cheltuieli la ha
III) Elasticitatea ratei profitului ERP = RDP/RMP = - 50.6% creştere de profit la ha/1% creştere
de cheltuieli la ha.
Reoptimizare
În modelul precedent, soluţia optimă primală existentă a modelului rămâne optimă dacă c1 =
2.5 lei/Kg NPK la grâu (2.25 lei/Kg NPK la grâu; 3 lei/Kg NPK la grâu); c2 = 3 lei/Kg NPK la
porumb (2.25 lei/Kg NPK la porumb; 3.38 lei/Kg NPK la porumb); c3 = 0.20 lei/m3 apă la grâu
(0.14 lei/m3 apă la grâu; 0.37 lei/m3 apă la grâu); c4 = 0.30 lei/m3 apă la porumb (0.24 lei/m3 apă
la porumb; 0.34 lei/m3 apă la porumb).
În modelul precedent, la modificarea pragului de cheltuieli b5, soluţia optimă duală existentă
a modelului rămâne optimă dacă b5 = 450 lei/ha (431.84 lei/ha; 478.85 lei/ha).
B. Model pătratic de maximizarea venitului din raţia furajeră
Pe baza datelor din secţiunea 2.1.2, alcătuim tabelul cu restricţii liniare şi venit pătratic
maxim:
Furaje Fân Porumb Sfeclă Tărâţe Semn Limite
lucernă siloz furajeră grâu
Restricţii X1 (kg) X2 (kg) X3 (kg) X4 (kg)
1. Fân MAX 1 0 0 0 15 kg
2. Porumb MAX 0 1 0 0 25 kg
3. Sfeclă MAX 0 0 1 0 15 kg
4. Tărâţe MAX 0 0 0 1 3 kg
5. Greutate 1 1 1 1 40 kg
6. Cheltuieli 0.52 0.20 0.18 0.60 12 lei
7. SU 0.84 0.25 0.13 0.86 15.2 kg
8. UN 0.48 0.25 0.12 0.77 11.7 UN
9. PD 122 9 10 108 1020 g
10. Fân MIN 1 0 0 0 10 kg
11. Porumb MIN 0 1 0 0 15 kg
12. Sfeclă MIN 0 0 1 0 10 kg
13. Tărâţe MIN 0 0 0 1 1 kg
Parte liniară venit 0.72 0.30 0.24 0.80 MAX
Parte pătratică venit - 0.01 - 0.008 - 0.005 - 0.01
204
Soluţia optimă primală şi duală este:
SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ
1) VPP (Cantităţi de furaje în raţie) 3) VDE (Surplus de venit lei/Kg furaj)
x1 = 10.38 Kg fân lucernă ye1 = 0 lei surplus de venit/Kg fân
x2 = 15 Kg porumb siloz ye2 = 0 lei surplus de venit/Kg porumb
x3 = 10 Kg sfeclă furajeră ye3 = 0 lei surplus de venit/Kg sfeclă
x4 = 3 Kg tărâţe grâu ye4 = 0 lei surplus de venit/Kg tărâţe
2) VPE (Diferenţe între resursele 4) VDP (Venituri marginale)
consumate şi limitele lor)
xe1 = 4.62 Kg fân deficit y1 = 0 lei creştere venit/al 16-lea Kg fân
xe2 = 10 Kg porumb deficit y2 = 0 lei creştere venit/al 26-lea Kg porumb
xe3 = 5 Kg sfeclă deficit y3 = 0 lei creştere venit/al 16-lea Kg sfeclă
→xe4 = 0 Kg tărâţe deficit →y4 = 0 lei creştere venit/al 4-lea Kg tărâţe
xe5 = 1.62 Kg furaj deficit y5 = 0 lei creştere venit/al 41-lea Kg furaj
→xe6 = 0 lei necheltuiţi →y6 = 0.99 lei creştere venit/încă 1 leu cheltuit
xe7 = 1.15 Kg SU surplus y7 = 0 lei creştere venit/încă 1 Kg SU
xe8 = 0.54 UN surplus y8 = 0 lei creştere venit/încă 1 UN
xe9 = 805.92 g PD surplus y9 = 0 lei creştere venit/încă 1 g PD
xe10 = 0.38 kg fân surplus y10 = 0 lei creştere venit/al 11-lea Kg fân
→xe11 = 0 Kg porumb surplus →y11 = 0 lei creştere venit/al 16-lea Kg porumb
→xe12 = 0 Kg sfeclă surplus →y12 = - 0.034 lei creştere venit/al 11-lea Kg sfeclă
xe13 = 2 Kg tărâţe surplus y13 = 0 lei creştere venit/al 2-lea Kg tărâţe
fmaxim = gminim = 13.31 lei
Pentru soluţiile optime de mai sus avem valorile optime Vm = 13.31 lei = maxim; Cm = 12 lei;
Pm = 1.31 lei; RPm = 0.109
Structura în procente a cheltuielilor minime fmaxim = 13.31 lei este: s1 = 48.1% (contribuţia fânului
lucernă); s2 = 20.3% (contribuţia porumbului siloz); s3 = 14.3% (contribuţia sfeclei furajere);
s4 = 17.3% (contribuţia tărâţelor).
Indicatori economici ai modelului liniar V:
I) Rata medie a profitului RMP = 0.109 lei profit/1 leu cheltuit
II) Rata marginală a profitului RDP = y6 – 1 = - 0.01 lei creştere de profit/1 leu creştere de
cheltuieli
III) Elasticitatea ratei profitului ERP = RDP/RMP = - 9.2% creştere de profit/1% creştere de
cheltuieli.
Reoptimizare
În modelul precedent, soluţia optimă primală existentă a modelului rămâne optimă dacă c1 =
0.72 lei/Kg fân lucernă (0.61 lei/Kg fân lucernă; 0.85 lei/Kg fân lucernă); c2 = 0.30 lei/Kg
porumb siloz (0 lei/Kg porumb siloz; 0.44 lei/Kg porumb siloz); c3 = 0.24 lei/Kg sfeclă furajeră
(0 lei/Kg sfeclă furajeră; 0.28 lei/Kg sfeclă furajeră); c4 = 0.80 lei/Kg tărâţe (0.65 lei/Kg tărâţe;
+∞)
În precedent, la modificarea pragului de cheltuieli b6, soluţia optimă duală existentă a
modelului rămâne optimă dacă b6 =12 lei (11.80 lei; 12.84 lei).
205
4.5 Rezumat
În acest capitol se prezintă un model neliniar de alocare optimă a resurselor în agricultură cu
funcţii-obiectiv diferite: optim marginal, de echilibru, economic, tehnic, maxim de venit cu
cheltuieli limitate, minim de cheltuieli cu venit garantat. Capitolul se încheie cu modele de
optimizare cu resticţii liniare şi funcţie-obiectiv pătratică.
4.6 Întrebări
1. Cum caracterizaţi optimul economic în alocarea de resurse?
2. Cum caracterizaţi optimul tehnic în alocarea de resurse?
3. Ce semnificaţie au ratele substituirii factorilor în realizarea unui produs?
4. Ce semnificaţie au ratele valorificării aceluiaşi factor de către produse diferite?
4.7 Bibliografie
1. Stănăşilă O.: “Analiză liniară şi geometrie” Vol. I - II, Editura ALL, 2000 - 2001
2. Cenuşă Gh. şi col.: “Matematici pentru economişti”, Editura CISON, 2000
3. Cenuşă Gh. şi col.: “Matematici pentru economişti – culegere de probleme”, Editura CISON, 2000
4. Ene D.: “Matematici (I) ” Editura CERES, 2004
5. Gogonea S., Ene D.: “Analiză numerică”, Editura Cartea Universitară, 2005
6. Ene D., Gogonea S.: “Metode numerice”, Editura Cartea Universitară, 2005
7. Ene D.: “Matematici aplicate în agricultură”, Editura CERES, 2006
206
CAPITOLUL 5. SISTEME AGRICOLE
Obiective: Însuşirea de către studenţi a conceptului modern de sistem agricol, proprietăţi,
exemple şi analiza lor tehnico-economică precum şi balanţa economică în sistemele agricole.
Conţinut:
5.1 Definiţia, clasificarea şi proprietăţile sistemelor
5.1.1 Definiţia sistemelor
5.1.2 Clasificarea sistemelor
5.1.3 Proprietăţile sistemelor
5.1.4 Sisteme liniare
5.2 Sisteme biologice
5.2.1 Sisteme biologice până la nivel de organism (biosisteme)
5.2.2 Sisteme biologice la nivel de populaţii (biocenoze)
5.2.3 Pădurile ca ecosisteme vegetale
5.3 Proprietăţi generale ale sistemelor agricole
5.3.1 Particularităţi ale sistemelor agricole
5.3.2 Intrări în sistemele agricole
5.3.3 Ieşiri din sistemele agricole
5.4 Analiza tehnico-economică a sistemelor agricole
5.4.1 Analiza tehnico-economică a sistemului producţiei vegetale
5.4.2 Analiza tehnico-economică a sistemului producţiei de lapte
5.4.3 Analiza tehnico-economică a sistemului producţiei de carne
5.4.4 Analiza tehnico-economică a sistemului comercializării produselor agricole
5.5 Balanţa legăturilor între ramuri
5.6 Concentrarea şi diversificarea producţiei agricole pe ramuri
5.7 Rezumat
5.8 Întrebări
5.9 Bibliografie
Cuvinte cheie: sistem, sistem agricol, analiză tehnico-economică, balanţă economică
5.1 Definiţia, clasificarea şi proprietăţile sistemelor
5.1.1 Definiţia sistemelor
Un sistem este o îmbinare armonioasă din punct de vedere structural şi funcţional a
următoarelor elemente:
1) Mulţimea de n intrări (inputs) de forma X = (X1,…, Xn) Rn
2) Mulţimea de p stări interne (internal states) de forma S = (S0,…, Sp-1) Rp
3) Mulţimea de m ieşiri (outputs) de forma Y = (Y1,…, Ym) Rm
Între elementele precedente există următoarele legături:
a) Ecuaţia de stare S’ = f (S, X)
Aici S’ este starea consecutivă stării S care este simultană cu intrarea X.
b) Ecuaţia de ieşire Y = g (S, X)
c) Ecuaţia de reglare cibernetică (feedback) Z = h (S, Y)
Aici Z este intrarea corectată care reglează intrarea X.
207
Un sistem se numeşte agricol dacă intrările/ieşirile sistemului au legătură cu plantele şi
animalele sau cu produsele agroalimentare.
Intrările unui sistem agricol se împart în următoarele categorii:
- mijloace fixe (terenuri, grajduri, spaţii de producţie)
- umane (forţa de muncă)
- mecanice (maşini agricole şi de prelucrare/conservare produse agroalimentare)
- materiale (consumuri de resurse fizice)
- energetice (consumuri de combustibili şi energie electrică)
- financiare (costurile unităţilor de resurse, cheltuieli materiale, manoperă şi neproductive)
- informaţionale (documentaţie tehnologică şi surse de finanţare)
Stările interne din sistemele agricole se împart în următoarele categorii:
- stadii de vegetaţie la plante anuale sau perene
- categorii de vârstă la animale
- gradul de uzură al maşinilor agricole şi al utilajelor de prelucrare a produselor agricole
- raportul între cererea şi oferta de produse agroalimentare
Ieşirile dintr-un sistem agricol se împart în următoarele categorii:
- producţii fizice principală şi secundară
- venit
- producţia fizică minimă care aduce profit (raportul între cheltuieli şi preţul de vânzare al
unităţii de producţie fizică)
- costul unităţii de producţie fizică (raportul între cheltuieli şi producţia fizică)
- profit (diferenţa între venit şi cheltuieli)
- rata profit (raportul între profit şi cheltuieli)
- bilanţul financiar-contabil
5.1.2 Clasificarea sistemelor
I. SISTEME BIOLOGICE PARŢIAL DIRIJATE
1) Sistemul florei spontane
- plante ierboase
- arbori/arbuşti
2) Sistemul faunei sălbatice
- animale ierbivore
- animale carnivore
- animale omnivore
II. SISTEME BIOLOGICE TOTAL DIRIJATE
3) Sistemul plantelor cultivate
- ferme de cereale, plante tehnice şi furajere
- ferme legumicole
- ferme pomicole
- ferme viticole
- parcuri şi spaţii verzi
- păduri şi pepiniere silvice
4) Sistemul animalelor domestice
- ferme de bovine pentru lapte şi carne
- ferme de porcine
- ferme de ovine şi caprine pentru lapte şi carne
- ferme de păsări pentru ouă şi carne
- ferme piscicole
208
- ferme sericicole
- stupine
III. SISTEME TEHNICE DE PRELUCRARE A PRODUSELOR AGRICOLE
5) Unităţi de prelucrare a produselor agricole vegetale
- mori de făină şi mălai
- fabrici de nutreţuri combinate
- fabrici de pâine
- fabrici de ulei
- fabrici de zahăr
- fabrici de legume şi fructe conservate
- fabrici de bere
- unităţi de vinificaţie
- fabrici de băuturi spirtoase
- unităţi de produse fitofarmaceutice
6) Unităţi de prelucrare a produselor agricole zootehnice
- fabrici de produse lactate
- abatoare şi carmangerii
- fabrici de mezeluri şi conserve din carne
- fabrici de conserve din peşte
IV SISTEME ECONOMICE DE COMERCIALIZARE ŞI SERVICII PENTRU
PRODUSE AGRICOLE BRUTE SAU PRELUCRATE
7) pieţe agroalimentare
8) angrouri de produse agroalimentare
9) târguri pentru animale vii
10) unităţi de alimentaţie publică
11) unităţi agroturistice
Cititorul poate uşor identifica intrările, stările interne şi ieşirile pentru sistemele enumerate
mai sus.
Pentru orice sistem agricol din cele enumerate mai sus, se asociază un sistem informaţional
economic care consemnează sub formă contabilă intrările, stările interne şi ieşirile din sistemul
agricol respectiv.
Intrările în sistemul informaţional sunt date de intrare necesare pentru calculul economic
respectiv; stările interne ale sistemului informaţional sunt etape de calcul şi rezultate intermediare
iar ieşirile sunt rezultate finale ale calculului economic. În prezent sistemele informaţionale
economice din agricultură sunt informatizate.
Sistemul informaţional economic nu coincide cu sistemul agricol pe care îl modelează:
cheltuielile sunt intrări în sistemul agricol dar sunt ieşiri în sistemul informaţional economic
asociat.
Exemple de sisteme neagricole:
- OMUL
- AUTOMOBILUL
- COMPUTERUL
- SISTEMUL SOLAR
- UNIVERSUL
Cititorul este invitat să recunoască intrările, stările interne şi ieşirile pentru aceste sisteme
neagricole.
Oservăm că omul este singurul sistem care poate percepe în mod conştient frumosul ca
valoare estetică.
209
5.1.3 Proprietăţile sistemelor
1) Integralitatea
Un sistem nu este o sumă de părţi ci îmbinarea armonioasă a acestor părţi din punct de
vedere structural şi funcţional.
2) Echilibrul dinamic
Orice sistem este amplasat în spaţiu şi evoluează în timp printr-un schimb permanent de
materie, energie şi informaţie cu mediul ambiant, realizându-se o reînoire continuă a sistemului.
Dacă sistemul este biologic, el se reînoieşte singur, în caz contrar reînoirea trebuie dirijată de om.
3) Reglarea cibernetică
Sistemul îşi menţine integralitatea şi echilibrul dinamic prin adaptarea continuă la
schimbările mediului, optimizându-şi evoluţia. Dacă sistemul este biologic, el se autoreglează, în
caz contrar reglarea trebuie creată şi dirijată de om.
4) Existenţa finită
Evoluţia sistemului are o stare iniţială şi o stare finală. Dacă sistemul este biologic, evoluţia
sa este dezvoltarea ontogenetică şi filogenetică marcată de naştere, reproducere şi moarte. În caz
contrar sistemul suferă în timp uzură fizică, amânată prin reparaţii periodice şi uzură morală, fiind
necesară casarea sa la un moment dat, considerat moment final al evoluţiei sistemului.
5) Ierarhizarea
Poate fi relaţională (pe orizontală) sau structurală (pe verticală). Ierarhizarea relaţională
apare când în relaţia între două sisteme, unul conduce sau coordonează iar celălalt este condus sau
este coordonat. În cazul coordonării, ierarhizarea este mai slabă decât în cazul conducerii.
Exemplu:
Orice exploataţie agricolă este coordonată de Direcţia agricolă judeţeană care la rândul ei
este coordonată de Ministerul Agriculturii.
Ierarhizarea structurală apare când un sistem este constituit din subsisteme interconectate şi
la rândul său este subsistem într-un alt sistem ierarhic superior.
Exemple:
a) Omul ca sistem biologic este constituit din câteva sisteme interconectate: sistemul nervos,
sistemul endocrin, sistemul circulator, sistemul respirator, sistemul digestiv, sistemul excretor,
sistemul reproducător, sistemul imunitar, sistemul ocular, sistemul auditiv etc.
Omul este la rândul său subsistem al sistemelor: familie, comunitate locală, naţiune, orientare
religioasă, partid politic, organizaţie profesională etc.
b) Computerul ca sistem tehnic este constituit din sisteme interconectate: unitate de comandă cu
microprocesor şi coprocesor, unitate de prelucrare date, monitor, imprimantă, memorii (hard,
floppy, compact disc, RAM) etc.
Computerul este subsistem pentru sistemele: reţea locală, reţea naţională, INTERNET etc.
Există un suprasistem care conţine toate celelalte sisteme: Universul.
Două subsisteme se pot conecta într-un sistem, în serie (amonte-aval), în paralel şi mixt.
Exemplu:
Sistemul culturii grâului este conectat în serie cu morile de măcinat făină. Sistemul culturii
grâului şi sistemul culturii porumbului sunt sisteme vegetale conectate în paralel iar sistemul
producţiei vegetale şi zootehnice sunt interconectate mixt (sistemul vegetal trimite furaje în sistemul
zootehnic iar sistemul zootehnic trimite gunoi de grajd sistemului vegetal).
210
Subsistemele unui sistem se împart în subsisteme esenţiale (fără de care sistemul nu poate
exista) şi subsisteme neesenţiale (lipsa lor se poate compensa de către subsistemele esenţiale).
Exemple:
1. Pentru sistemul om subsistemele nervos, circulator, digestiv, hepatopancreatic, renal sunt
exemple de subsisteme esenţiale iar subsistemele vizual, auditiv, locomotor sunt exemple de
subsisteme neesenţiale.
2. Pentru sistemul computer subsistemele microprocesor, hard disc, tastatură, monitor, memorii
externe (floppy disc/cd-rom/stick) sunt exemple de subsisteme esenţiale, iar imprimanta este
exemplu de subsistem neesenţial.
6) Controlabilitatea
Un sistem este controlabil la momentul t1 > t0 dacă pentru orice stare internă S(t0) şi orice
stare internă consecutivă S(t1), există o intrare X(t) cu t în intervalul [t0, t1] care transferă sistemul
din starea S(t0) în starea S(t1) în intervalul de timp Δt = t1 – t0.
7) Observabilitatea
Un sistem este observabil în momentul de timp t0 dacă pentru orice stare S(t0) există
momentul de timp t1 > t0 pentru care atunci când se cunosc intrările X(t) cu t în intervalul [t0, t1] şi
Y(t1), se poate determina starea S(t0).
8) Stabilitatea
Fie o stare internă posibilă S1(t) a sistemului. Această stare internă este stabilă dacă pentru
orice ε > 0, există δ(ε) > 0 astfel că pentru orice altă stare internă posibilă S2(t), din relaţia |S2(t0) –
S1(t0)| < δ(ε) rezultă|S2(t) – S1(t)| < ε pentru orice t > t0. Un sistem este stabil dacă toate stările sale
interne sunt stabile.
9) Memorie finită
Un sistem dinamic este cu memoria finită m dacă există maximum m momente de timp
t0, t1,…, tm cu intrările cunoscute X(t0), X(t1),…, X(tm) şi starea internă iniţială cunoscută S(t0),
astfel că la momentul de timp tm+1, avem:
a) S(tm + 1) = φ [S(t0); X(t0), X(t1),…, X(tm)]
b) Y(tm + 1) = ψ [S(t0); X(t0), X(t1),…, X(tm)]
5.1.4 Sisteme liniare
Sistemele liniare sunt definite prin ecuaţiile:
I. Ecuaţiile de stare:
S(t + h) = A(t).S(t) + B(t).X(t)
Aici S este vector-coloană cu p componente reale, X este vector-coloană cu n componente
reale, A este matrice pătratică de ordin p cu elemente reale iar B este matrice de tip p x n cu
elemente reale.
II. Ecuaţiile de ieşire:
Y(t) = C(t).S(t) + D(t).X(t)
Aici Y este vector-coloană cu m componente reale, C este matrice de tip m x p cu elemente
reale şi D este matrice de tip m x n cu elemente reale.
211
III. Ecuaţiile de reglare:
Z(t + h) = U(t).S(t) + V(t).Y(t)
Aici Z este vectorul-coloană al intrărilor reglate cu n componente reale, U este matrice de tip
n x p cu elemente reale iar V este matrice de tip n x m cu elemente reale.
Vom restrânge studiul la sisteme liniare staţionare în care matricile A, B, C, D, U, V nu
depind de timpul t, deci avem ecuaţiile:
S(t + h) = A.S(t) + B.X(t) (1)
Y(t) = C.S(t) + D.X(t) (2)
Z(t + h) = U.S(t) + V.Y(t) (3)
Înlocuim în relaţia (3) pe Y(t) din relaţia (2) şi obţinem:
Z(t + h) = (U + V.C).S(t) + (V.D).X(t) (4)
Fie intervalele de timp echidistante [h,2h); [2h, 3h),…, [(r - 1)h, rh]
Intervalul de timp total [h, rh] se numeşte serie şi are durata DS = (r – 1)h.
Ecuaţiile de stare (1) se scriu pentru t = h, 2h,…, (j - 1)h:
S(2h) = A.S(h) + B.X(h)
S(3h) = A.S(2h) + B.X(2h)
…………………………
S((j - 1)h) = A.S((j - 2)h)) + B.X((j - 2)h)
S(jh) = A.S((j - 1)h) + B.X((j - 1)h)
Înmulţim la stânga aceste relaţii în ordine cu Aj-2, Aj-3,…, A1, A0, le adunăm şi după
reducerea unor termeni, obţinem:
S(jh) = [Aj-2.S(h)] + [Aj-2.B.X(h) + Aj-3.B.X(2h) +…+ A.B.X((j - 2)h) + + A0.B.X((j - 1)h)] (5)
În cuvinte, starea finală a sistemului liniar staţionar la momentul de timp tj = jh, (1 ≤ j ≤ r),
depinde de starea sa iniţială S(h) şi de intrările în sistem în toate perioadele de timp, anterioare
celei din momentul tj.
Ecuaţia de ieşire (2) se scrie pentru t = jh: Y(jh) = C.S(jh) + D.X(jh), şi folosind relaţia (4)
rezultă:
Y(jh) = [[Link]-2.S(h)] + [[Link]-2.B.X(h) + [Link]-3.B.X(h) +…+ C.A.B.X((j - 2)h) + +
0
C.A .B.X((j - 1)h)] + C.D.X(jh) (6)
În cuvinte, ieşirea din sistemul liniar staţionar la momentul de timp tj = jh, (1 ≤ j ≤ r),
depinde de starea sa iniţială S(h) şi de intrările în sistem în toate perioadele de timp, inclusiv cea de
la momentul tj.
Ecuaţia de reglare (4) se scrie pentru t = h, 2h,…, (j - 1)h:
Z(2h) = (U + V.C).S(h) + (V.D).Y(h)
Z(3h) = (U + V.C).S(2h) + (V.D).Y(2h)
…………………………………………
Z((j - 1)h) = (U + V.C).S((j - 2)h)) + (V.D).Y((j - 2)h)
Z(jh) = (U+V.C).S((j - 1)h) + (V.D).Y((j - 1)h)
212
Înmulţim la stânga aceste relaţii în ordine cu (U + V.C)j-2, (U + V.C)j-3,…, (U + V.C)1, (U +
V.C)0, le adunăm şi după reducerea unor termeni, obţinem:
Y(jh) = [(U + V.C)j-2.S(h)] + [(U + V.C)j-2.(V.D).X(h) + (U + V.C)j-3.(V.D).X(2h) +
…+ (U + V.C).(V.D).X((j - 2)h) + (U + V.C)0.(V.D).X((j - 1)h)] (7)
În cuvinte, intrarea reglată a sistemului liniar staţionar la momentul de timp tj = jh, (1 ≤ j ≤ r),
depinde de starea sa iniţială S(h) şi de intrările în sistem în toate perioadele de timp, anterioare
celei din momentul tj.
Dacă la momentul tj = jh, (1 ≤ j ≤ r), sistemul liniar staţionar este perturbat faţă evoluţia sa
stabilă, în momentul tj+1 = (j + 1)h, înlocuim intrarea X((j + 1)h) cu intrarea reglată Z((j + 1)h).
Notă:
Ecuaţiile de stare sub forma diferenţială, au forma: S’(t) = A.S(t) + B.X(t), şi au soluţia
generală:
t
S(t) e .S(0) e A(t r) .B.X(r) d r
At
0
Fie sistemul liniar staţionar dat de ecuaţiile:
S‘ = A.S + B.X (8)
Y = C.S + D.X (9)
unde S’ este starea care urmează după S.
În ecuaţia (8), S şi S’ sunt vectori-coloană cu p componente reale, X este vector-coloană cu
n componente reale, A este matrice de numere reale de tip p x p şi B este matrice de numere reale p
x n.
În ecuaţia (9), S este vector-coloană cu p componente reale, X este vector-coloană cu n
componente reale, Y este vector-coloană cu m componente reale, C este matrice de numere reale de
tip m x p iar D este matrice de numere reale de tip m x n.
Se arată că sistemul liniar staţionar dat de ecuaţiile (8) şi (9) este controlabil dacă şi numai
dacă matricea G = [B A.B … Ap – 1.B] de tip p x (p.n) are rangul maxim p, adică matricea [A -
.I B] de tip p x (p + n) are rangul maxim p, pentru orice valoare proprie a matricii pătratice A.
În mod dual, se arată că sistemul liniar staţionar dat de ecuaţiile (8) şi (9) este observabil
dacă şi numai dacă matricea H de tip (m.p) x p de forma:
C
C . A
H
......
p 1
C . A
A .I
are rangul maxim p, adică matricea de tip (m + p) x p, are rangul maxim p pentru orice
C
valoare proprie a matricii pătratice A.
213
5.2 SISTEME BIOLOGICE
5.2.1 Sistemele biologice până la nivel de organism (biosisteme)
Pentru sisteme biologice sunt valabile toate proprietăţile sistemelor din secţiunea 5.1.3.
Dealtfel, sistemele biologice oferă modele care sunt imitate de sistemele tehnice şi chiar economice
(exemplu: biotehnologiile).
Sistemele biologice au următoarele nivele de ierarhizare (în paranteză sunt ştiinţele care le
abordează):
- nivelul atomic (biofizică)
- nivelul molecular (biochimie)
- nivelul celular (citologie)
- nivelul de ţesut (histologie)
- nivelul de organ (anatomie şi fiziologie)
- nivelul de organism (endocrinologie şi neurologie)
- nivelul de populaţie (ecologie)
Sistemele biologice până la nivel de organism le vom numi biosisteme, iar sistemele
biologice la nivel de populaţie le vom numi biocenoze.
În această secţiune ne vom ocupa de biosisteme.
Intrările şi ieşirile în biosisteme sunt materiale (hrană, apă, oxygen etc), energetice (căldură,
lumină, glucide din hrană etc) şi informaţionale (semnale).
Dacă un semnal are probabilitatea de apariţie P, informaţia dată de semnal este I = - log2 P.
Rezultă 1/P = 2I, deci I reprezintă numărul de cifre binare (0 sau 1) sau biţi cu care se codifică
semnalul.
Pentru P → 0, avem I → ∞ iar pentru P → 1, avem I → 0, deci semnalele care apar mai des,
se codifică mai scurt iar cele care apar mai rar, se codifică mai lung.
Dacă un semnal are n stări posibile, cu probabilităţile P1,…, Pn, atunci media aritmetică a
informaţiilor acestor stări, este entropia semnalului:
H = - P1. log2 P1 - …- Pn. log2 Pn
H reprezintă numărul mediu de cifre binare cu care se codifică semnalul.
Dacă Pi = 1 şi Pj = 0 pentru j ≠ I, atunci starea semnalului cu numărul i este sigură şi avem
entropia minimă H = 0.
Dacă P1 = … = Pn = 1/n, atunci toate stările sunt egal probabile şi avem entropia maximă H
= log2 n. Pentru exprimarea procentuală folosim Hp = H/log2 n.
Rezultă de aici că entropia H este o măsură a gradului de nedeterminare (dezorganizare) a
stărilor semnalului.
Exemplu:
Asupra unui animal poate acţiona un semnal de la mediu cu n = 3 stări: apariţia hranei cu
probabilitatea P1 = 0.50 = 50%; apariţia puiului cu probabilitatea P2 = 0.35 = 35% şi apariţia unui
duşman cu probabilitatea P3 = 0.15 = 15%.
Să se calculeze entropia semnalului.
Soluţie:
Din tabela 1 din Anexă avem: pentru P1 = 0.50 rezultă - P1log2 P1 = 0.5000, pentru P2 = 0.35
rezultă - P2log2 P2 = 0.5301 iar pentru P3 = 0.15 rezultă - P3log2 P3 = 0.4105, deci prin însumare
avem H = 1.4406 biţi. În procente Hp = H/log2 3 = 0.909 = 90.9%
Un sens opus entropiei îl are abaterea/standard a probabilităţilor P1,…, Pn:
214
2
n
Pi
Pi2 i1
n n
1
n P i
2
. Cum Pi 1 rezultă S =
n n
S i1 i=1
n 1 i 1 n 1
1
Avem S 0; deci în procente Sp n.S 0;1
n
S se numeşte coeficient de concentrare al semnalului deoarece pentru Pi = 1 şi Pj = 0 pentru
j ≠ i, apariţia stării i a semnalului este sigură şi S = 1/n1/2, iar pentru P1 =…= Pn = 1/n, toate stările
semnalului sunt egal probabile şi S = 0.
Rezultă de aici că coeficientul de concentrare S este o măsură a gradului de determinare
(organizare) a stărilor semnalului, invers faţă de entropia H.
În cazul exemplului de mai sus avem S = 0.174, deci în procente Sp = 31/2. S = 0.3 = 30%.
Semnalele primite sau transmise de un biosistem, sunt de natură mecanică, termică,
electromagnetică şi chimică.
Ele sunt decodificate sau codificate de biosistem sub aspectul intensităţii semnalelor, al
calităţii lor, al repartiţiei lor spaţiale şi al frecvenţei lor temporale.
Performanţele biosistemului privind semnalele se referă la viteza de recepţie sau emisie a
semnalului, la capacitatea de memorare a acestor semnale şi timpul de acces la memorie.
Astfel văzul omului poate recepţiona 3 x 106 biţi/secundă, auzul 3 x 104 biţi/secundă,
pipăitul 2 x 105 biţi/secundă, mirosul 50 biţi/secundă şi gustul 10 biţi/secundă.
Omul poate recepţiona sau transmite conştient 100 biţi/secundă şi inconştient 109
biţi/secundă. Din acest punct de vedere multe animale sunt superioare omului ca performanţe.
Creierul uman are o capacitate de memorare de 109 biţi şi un timp de acces de 0.01 secunde.
În ceea ce priveşte stările interne ale unui biosistem, evoluţia ontogenetică şi filogenetică a
materiei vii orientează biosistemul către starea internă optimă, celelalte stări interne fiind din ce în
ce mai puţin probabile, deci evoluţia determină o creştere a gradului de determinare (organizare) a
biosistemului, deci o scădere a entropiei H şi o creştere a coeficientului de concentrare S.
Elementul nou adus de cibernetica biologică în structura biosistemelor este capacitatea de
autoreglare a intrării în raport de starea internă şi de valoarea ieşirii prin conexiunea inversă
(feedback). Autoreglarea se manifestă la toate nivelele biosistemului, făcând posibilă existenţa
homeostaziei, adică a capacităţii biosistemului de a-şi menţine echilibrul biologic.
Conexiunea inversă pozitivă tinde să îndepărteze biosistemul de starea sa de echilibru
biologic în timp ce conexiunea inversă negativă caută să readucă biosistemul în starea de echilibru
biologic.
Aceste două tipuri de conexiuni sunt ilustrate în figurile care urmează.
215
În ambele bazine debitul robinetului de alimentare a bazinului este egal cu debitul
robinetului de evacuare a apei din bazin. Viteza de scurgere a lichidului este V = (19.6 h)1/2
m3/secundă unde h este înălţimea în metri a luciului apei deasupra robinetului de evacuare.
Din funcţionarea acestor modele hidraulice este clar că la deschiderea robinetului de
evacuare a apei din bazin, feedbackul negativ menţine constant nivelul apei în bazin ce
feedbackul pozitiv duce la creşterea continuă a apei din bazin.
În continuare vom trece în revistă câteva exemple de manifestare a feedbackului negativ la
biosisteme, în vederea autoreglării stărilor interne şi funcţiilor vitale ale acestora prin mecanismele
tampon fizico-chimice, mecanismele automate fiziologice şi mecanismele de coordonare şi
integrare neurohormonale.
1) Activitatea celulelor este autoreglată prin acizii nucleici, cei mai importanţi fiind AND şi
ARN. Cu ajutorul acestora din urmă se codifică informaţia genetică pe verticală de la părinţi la
descendenţi.
În activitatea curentă a celulei pe orizontală, metabolismul acesteia şi în special sinteza
proteinelor se autoreglează pe cale enzimatică. Deasemenea, vitezele reacţiilor metabolice celulare
se autoreglează prin retroacţiunea produselor rezultate din aceste reacţii.
2) Cantitatea de apă din organism se autoreglează prin ajustarea aportului de lichide la
pierderea de apă. Deshidratarea este semnalată de senzaţia de sete ca rezultat al stimulării
receptorilor speciali (osmoreceptori, baroreceptori) de către concentraţia mărită a sângelui.
Pierderea de lichide mai ales prin rinichi este sub controlul complexului hipo-
talamohipofizar prin secreţia hormonului antidiuretic şi al glandelor suprarenale prin secreţia de
aldosteron.
3) Cantitatea de energie biologică conţinută în hrană se autoreglează prin ajustarea
aportului de hrană la scăderea rezervelor energetice ale organismului în urma activităţii celulelor.
Scăderea acestor rezerve este semnalată de senzaţia de foame ca rezultat al stimulării
receptorilor speciali (glucoreceptori, liporeceptori) din hipotalamus de către penuria de hrană.
Completarea rezervelor energetice este controlată de centrul foamei şi centrul saţietăţii,
aflaţi în hipotalamus.
Forma curentă sub care celulele primesc energie este glucoza, nivelul sanguin al acesteia
fiind autoreglat prin reacţia glucoză-glicogen controlată de ficat şi reacţia glucoză-insulină
controlată de pancreas.
4) Temperatura organismului fiinţelor homeoterme (cu temperatură constantă) se
autoreglează prin ajustarea producerii de căldură (termogeneză) la pierderea de căldură (termoliză).
Modificarea temperaturii organismelor este semnalată de frisonul termic ca rezultat al
stimulării termoreceptorilor periferici şi centrali de către dezechilibrul termic.
Echilibrarea temică organism-mediu ambiant, este controlată de centrul pierderii de căldură
şi centrul producerii de căldură, aflaţi în hipotalamus.
216
Forme concrete ale pierderii de căldură sunt transpiraţia, radiaţia, convecţia şi conducţia iar
a producerii de căldură este intensificarea metabolismului.
5) Concentraţia ionilor de hidrogen (H+) în sânge (pH) se autoreglează prin neutralizarea
acizilor sau bazelor în exces. Echilibrarea acidobazică se realizează:
- printr-un mecanism respirator care constă în adaptarea ventilaţiei pulmonare la concentraţia
de CO2 din sânge, sub controlul centrului respirator bulbar;
- printr-un mecanism renal care constă în secreţia tubulară a ionilor de hidrogen
6) Cantitatea de oxigen din sânge (fixat prin hemoglobina din eritrocite) se autoreglează prin
ajustarea producerii de eritrocite (eritropoeza) la pierderea de eritrocite.
Stimularea eritropoezei în măduva oaselor se face prin eritropoetină cu contribuţia
rinichiului atunci când presiunea parţială a oxigenului în sânge scade.
Fixarea oxigenului în sânge se face de către fierul din hemoglobină, concentraţia acestuia în
sânge fiind autoreglată prin absorbţia fierului la nivelul celulei epiteliale intestinale sub formă de
transferină.
7) Tensiunea arterială se autoreglează prin ajustarea aportului de sânge (vasodilataţie şi
vasoconstricţie) acolo unde este nevoie şi când este nevoie.
Modificarea tensiunii arteriale este semnalată de presoreceptori şi controlată de centrul
coordonator vasomotor aflat în porţiunea inferioară a trunchiului cerebral.
Echilibrarea concretă a tensiunii arteriale se face prin intermediul nervilor vasomotori şi ai
glandelor suprarenale care secretă hormoni vasoactivi.
8) Secreţia endocrină este autoreglată prin ajustarea de hormoni la nevoie.
Un rol principal în constelaţia endocrină îl are hipofiza care activează secreţia altor glande
prin hormonii tropi: tiroida prin tireotrop, suprarenalele prin adenocorticotrop (ACTH) şi glandele
sexuale prin gonadotrop.
La rândul său, hipofiza este controlată de hipotalamus prin hormonii de echilibrare.
Desigur şi alte procese vitale sunt autoreglate cibernetic: adaptarea ochiului la lumină, a
urechii la zgomot, mişcarea etc.
Din cele de mai sus rezultă clar rolul central al creierului ca organ de comandă a autoreglării
cibernetice a organismelor.
Întreaga activitate de autoreglare a organismului de către creier este efectuată prin reflexe.
Reflexele necondiţionate autoreglează schimbul de materie, energie şi informaţie precum şi
funcţiile vegetative ale organismului.
Astfel reflexele integrative controlează ingestia de hrană, cele de coordonare controlează
circulaţia, respiraţia, temperatura proprie şi mişcarea, instinctele controlează comportamentul
vegetativ general al organismului în mediul ambiant.
La organismele superioare, creierul are şi o activitate nervoasă superioară care autoreglează
starea psihică a organismului.
Această autoreglare se realizează prin reflexele condiţionate care constituie baza gândirii ca
principală formă de manifestare a activităţii nervoase superioare.
5.2.2 Sistemele biologice la nivel de populaţii (biocenoze)
Biocenoza conţine spaţiul în care există populaţiile biologice (biotop), condiţiile
pedoclimatice ale biotopului, biomasa de origine vegetală şi populaţiile care ocupă acest spaţiu.
Autoreglarea populaţiilor biologice se face cantitativ şi calitativ, în spaţiu şi timp, prin lupta
pentru existenţă între indivizii unei specii sau între specii diferite.
Ca exemple de autoreglare cantitativă avem autoreglarea efectivelor totale, pe sexe şi pe
grupe de vârstă, autoreglarea structurii genetice, a mărimii corpului, a densităţii într-un biotop, a
numărului de urmaşi etc.
I. Evoluţia efectivului total al unei singure specii într-un biotop deschis cu resurse limitate de
hrană.
217
Fie X(t) efectivul total de indivizi ai speciei la momentul de timp t.
Fie I numărul de indivizi ai speciei care vin în biotop (imigrări) şi E numărul de indivizi ai
speciei care pleacă din biotop (emigrări).
Fie α (t) coeficientul de natalitate şi β (t) coeficientul de mortalitate al speciei.
Viteza de variaţie a efectivului total X(t) al speciei în timp va fi:
dX/dt = [α (t) - β (t)] . X(t) + I - E
Datorită limitării hranei, avem α (t) = α - a.X(t); β (t) = β – b.X(t)
γ = a + b se numeşte coeficient de competiţie pentru hrană.
Ecuaţia diferenţială de mai sus devine:
dX/dt = (α – β) .X – γ.X2 + I – E
Pentru I = E, avem soluţia:
.X(0)
X(t)
X(0) X(0) .e ( )t
Această funcţie are ca grafic curba de creştere (logistica) cu pragul de saturaţie (α – β)/γ:
Momentul t0 este soluţia ecuaţiei X’’ (t) = 0, adică:
n( 1)
.X( 0 )
t0
Momentul de timp t0 delimitează faza de expansiune a speciei când creşterea efectivului
este accelerată (X(t) şi dX/dt cresc) de faza de saturaţie a speciei când creşterea efectivului este
218
încetinită (X(t) creşte dar dX/dt scade). În momentul de timp t0 viteza de variaţie dX/dt a
efectivului va fi maximă iar valoarea efectivului X(t) în acest moment va fi: X(t) = (α – β)/2γ, adică
jumătate din valoarea pragului de saturaţie.
În particular pentru γ = 0 (hrană suficientă) avem: dX/dt = (α – β) .X, de unde X(t) =
X(0).e(α – β)t cu graficul o exponenţială care taie axa verticală în X(0).
II. Evoluţia efectivului pe sexe a unei singure specii într-un biotop închis cu resurse limitate de
hrană
Presupunem că la momentul de timp t, specia are X1(t) masculi cu coeficientul de natalitate
α1, de mortalitate β1 şi de competiţie pentru hrană γ1, şi specia are X2(t) femele cu coeficientul de
natalitate α2, de mortalitate β2 şi de competiţie pentru hrană γ2.
Vitezele de variaţie ale efectivelor pe sexe vor fi date de sistemul de ecuaţii diferenţiale:
dX1/dt = α1X2 - β1X1 - γ1X1(X1 + X2)
dX2/dt = (α2 – β2)X2 – γ2X2(X1 + X2)
X1(t) şi X2(t) oscilează în jurul unor valori de echilibru date de sistemul dX1/dt = dX2/dt = 0.
Efectivul total X1(t) + X2(t) are valoarea de echilibru (α2 – β2)/γ2 (plafonul femelelor).
Raportul efectivelor pe sexe X1(t)/X2(t) are valoarea de echilibru:
1
1
( 2 2 ) 1
2
Pentru calculul efectivelor pe sexe la momentele de timp t = 1, 2, 3,… în diferite cicluri de
reproducţie a speciei, cunoscând efectivele iniţiale pe sexe X1(t) şi X2(t), avem din sistemul de
ecuaţii precedent, sistemul recurent:
X1 (t + 1) = α1X2 (t) + (1 - β1)X1(t) - γ1X1(t)[X1(t) + X2(t)]
X2 (t + 1) = (1 + α2 – β2)X2 (t) – γ2X2(t) [X1(t) + X2(t)]
Programul EFECTIVE rezolvă numeric acest sistem recurent.
Exemplu:
În anii secetoşi când hrana se împuţinează, insectele fitofage depun ouă mai puţine (X(t)
scade) şi numărul femelelor scade (X1(t)/X2(t) creşte). În anii ploioşi are loc procesul invers.
219
III. Evoluţia efectivului pe grupe de vârstă a unei singure specii într-un biotop închis cu hrană
suficientă
Fie grupa prereproducătoare (tineret) cu efectivul X1(t), grupa reproducătoare (adulţi) cu
efectivul X2(t) şi grupa postreproducătoare(bătrâni) cu efectivul X3(t).
Evoluţia pe grupe de vârstă la două momente succesive de timp t şi t + 1 în două cicluri de
reproducţie a speciei, va fi dată de ecuaţiile:
X1(t + 1) = α X2(t)
X2(t + 1) = β1X1(t)
X3(t + 1) = β2X2(t)
În adevăr, din grupa reproducătoare, cu coeficientul de natalitate α, la momentul t, se vor
naşte urmaşi care vor constitui grupa prereproducătoare la momentul t + 1; grupa prereproducătoare
cu coeficientul de mortalitate β1 la momentul t, devine grupă reproducătoare la momentul t + 1;
grupa reproducătoare cu coeficientul de mortalitate β2 la momentul t, devine grupă
postreproducătoare la momentul t + 1 iar grupa postreproducătoare la momentul t dispare cu totul la
momentul t + 1.
Ecuaţiile precedente admit şi o scriere matricială:
X1 (t) 0 0
Dacă X(t)= X 2 (t) şi A= 1 0 0
X (t) 0
3 2
avem X(t + 1) = A.X(t), de unde pentru t = 0, 1,…, n,… găsim: X(1) = A.X(0), X(2) = A.X(1),…,
X(n) = A.X(n - 1), şi prin înmulţire obţinem: X(n) = An . X(0), de unde rezultă structura efectivului
pe grupe de vârstă astfel:
Pentru momente de timp t = numere pare, avem:
X1(n) = αn β1n-1X1(0)
X2(n) = αn-1 β1n X2(0)
X3(n) = αn-1 β1n-1 β2X1(0)
Pentru momente de timp t = numere impare, avem:
X1(n) = αn β1n-1X2(0)
X2(n) = αn-1 β1n X1(0)
X3(n) = αn-1 β1n-1 β2X2(0)
În ambele cazuri, rezultă concluziile:
a) Dacă αβ1 < 1, efectivele pe toate grupele de vârstă scad pentru n → ∞;
b) Dacă αβ1 > 1, efectivele pe toate grupele de vârstă cresc pentru n → ∞;
c) Dacă αβ1 = 1, efectivele pe toate grupele de vârstă sunt staţionare pentru n → ∞.
Exemplu:
În cazul peştilor avem α > β1, deci efectivul grupei prereproducătoare (puiet) creşte cel mai
repede. Reglarea acestui efectiv se face prin canibalism: de exemplu, bibanul consumă în mod
obişnuit propriul lui puiet.
În continuare vom analiza cazul unei biocenoze în care avem două specii existente într-un
biotop închis cu hrană limitată.
Autoreglarea cibernetică a biocenozei se realizează prin lupta pentru existenţă între specii.
220
IV. Competiţia pentru hrană între două specii fitofage
Fie X(t), Y(t) efectivele celor două specii la momentul de timp t.
Fie α şi β coeficienţii de natalitate respectiv mortalitate ai primei specii; γ şi δ coeficienţii de
natalitate respectiv mortalitate ai celei de a doua specii; μ şi ν coeficienţii de competiţie pentru
hrană ai celor două specii.
Vitezele de variaţie ale efectivelor celor două specii vor fi date de sistemul de ecuaţii
diferenţiale:
dX/dt = (α – β)X – μX.Y
dY/dt = (γ – δ)Y – νX.Y
X(t) şi Y(t) oscilează în jurul unor valori de echilibru date de sistemul de ecuaţii dX/dt = 0; dY/dt = 0,
de unde rezultă valoarea de echilibru a raportului X/Y al efectivelor celor două specii, egală cu
[(γ – δ)/ν]/[(α – β)/μ].
De aici rezultă concluziile:
a) Dacă (α – β)/μ < (γ – δ)/ν, dispare a doua specie din biocenoză;
b) Dacă (α – β)/μ > (γ – δ)/ν, dispare prima specie din biocenoză;
c) Dacă (α – β)/μ = (γ – δ)/ν, cele două specii rămân în echilibru.
Pentru calculul efectivelor celor două populaţii la momentele de timp t = 1, 2, 3,… în
diferite cicluri de reproducţie ale speciilor, cunoscând efectivele iniţiale X(0), Y(0), avem din
sistemul de ecuaţii precedent, sistemul recurent:
X(t + 1) = (1 + α – β)X(t) – μX(t).Y(t)
Y(t + 1) = (1 + γ – δ)Y(t) – νX(t).Y(t)
Programul EFECTIVE rezolvă numeric acest sistem recurent.
Exemplu:
Echilibrul între efectivele diferitelor specii de peşti fitofagi din acelaşi biotope se strică
uneori în favoarea unei specii: în unii ani echilibrul crap – caras în Delta Dunării s-a stricat în
favoarea carasului.
V. Competiţia pradă – prădător a unei specii fitofage cu una zoofagă.
Fie X(t), Y(t), α, β, γ, δ cu aceleaşi semnificaţii ca în secţinea IV cu γ < δ, μ este
coeficientul de decimare a prăzii iar ν este coeficientul de expansiune a prădătorului pe seama
prăzii.
X(t) şi Y(t) sunt date de sistemul de ecuaţii diferenţiale:
dX/dt = (α – β)X – μX.Y
dY/dt = (γ – δ)Y + νX.Y
De aici rezultă legile lui Volterra:
a) Legea ciclului periodic:
Efectivele prăzii X(t) şi prădătorului Y(t) sunt funcţii periodice de t cu perioada T = 2π/[(α –
β)(δ – γ)]1/2
b) Legea conservării valorilor medii:
Pe durata de timp a unei perioade T mediile efectivelor MX(t); MY(t) sunt independente de
condiţiile iniţiale şi depind numai de α – β, δ – γ, μ, ν.
c) Legea perturbării valorilor medii:
Dacă speciile sunt distruse uniform şi direct proporţional cu efectivele lor, atunci media prăzii
MX(t) creşte iar media prădătorului MY(t) scade.
221
Dacă este distrus prădătorul, media MX(t) creşte iar media MY(t) este constantă.
Dacă este distrusă prada, media MX(t) este constantă iar media MY(t) scade.
Rezultă că în toate cazurile este favorabilă prada.
Eliminând pe t între X(t) şi Y(t) şi reprezentând grafic în spaţiul fazelor, dependenţa între X
şi Y, avem:
Este clar că A, A’ sunt puncte de maxim respectiv minim al efectivului prăzii iar B, B’ sunt
puncte de maxim respectiv minim al efectivului prădătorului.
Aceste maxime şi minime alternează deoarece prădătorul decimând prada, îşi distruge baza
de existenţă ceea ce duce la micşorarea efectivului Y al prădătorului şi la renaşterea prăzii, al cărui
efectiv X creşte din nou.
În timp cele două efective au graficele:
Pentru calculul efectivelor celor două specii la momentele de timp t = 1, 2, 3,… în diferite
cicluri de reproducţie ale speciilor, cunoscând efectivele lor iniţiale X(0) şi Y(0), avem din sistemul
de ecuaţii precedent, sistemul recurent:
X(t + 1) = (1 + α – β)X(t) – μX(t).Y(t)
Y(t + 1) = (1 + γ – δ)Y(t) + νX(t).Y(t)
Programul EFECTIVE rezolvă numeric acest sistem recurent.
222
Exemplu:
O specie de rozători din America, numiţi Lemingi, sunt devoraţi de vulpi. Dacă numărul
lemingilor scade, scade şi numărul vulpilor care nu mai au hrană suficientă, fapt care duce la
recrudescenţa lemingilor, al cărui efectiv creşte din nou. Perioada din legea ciclului periodic a lui
Volterra este pentru aceste două specii T = 4 ani.
În cazul în care prada este un dăunător agricol, combaterea sa biologică se face prin
aducerea în biotopul său a unui prădător (entomofag, acarofag, pasăre sau mamifer insectivore).
Din cele prezentate mai sus, rezultă că efectivul X(t) al unei specii în competiţia pentru
hrană sau în lupta cu alte specii, poate să scadă, să rămână staţionar sau să crească.
Dacă efectivul X(t) al unei specii scade sub o anumită limită inferioară m, numită limită de
supravieţuire, atunci α – β scade vertiginos şi specia dispare.
Dacă efectivul X(t) al unei specii creşte peste o anumită limită superioară M, numită limită
de periclitare a echilibrului ecologic, aceasta duce la distrugerea hranei vegetale sau a altor specii.
Prin urmare este de dorit ca efectivul speciei să rămână staţionar cu oscilaţii periodice în
timp cu o perioadăT.
VI. Reglarea artificială a efectivelor populaţiilor, efectuată de către om
Lăsând la o parte cazul speciilor de animale domestice în care intervine numai în mică
măsură competiţia pentru hrană, datorată densităţii în grajduri, vom aborda reglarea artificială de
către om a efectivelor animalelor sălbatice folositoare pentru vânătoare şi pescuit precum şi
combaterea dăunătorilor agricoli.
a) În cazul vânătorii şi pescuitului, reglarea artificială are ca scop menţinerea efectivului
speciei vânate sau pescuite deasupra limitei de supravieţuire m.
Fie ε = (efectiv vânat sau pescuit)/(efectiv total).
Efectivul X(t) satisface ecuaţia diferenţială: dX/dt = (α – β – ε)X – γX2, cu soluţia:
.X(0)
X(t)
X(0) X(0) .e ( )
Această soluţie are ca grafic logistica de mai jos:
223
Aici punctul de inflexiune este:
ln( ) 1
.X(0)
t '0
( )
Trebuie să avem: (α – β – ε)/γ > m, de unde: ε > α – β – γ.m (1)
Exemplu:
Multe specii de vânat sau pescuit valoroase sunt ameninţate cu dispariţia, având efectivul
apropiat de limita de supravieţuire m. Cota de vânat sau pescuit ε este strict limitată prin lege,
conform condiţiei precedente.
b) În cazul unei specii de dăunători agricoli reglarea artificială a efectivului acestora constă în
decimarea pe cale chimică sau biologică a acestor dăunători.
1) Pe cale chimică:
Avem ε = (efectiv decimat chimic)/(efectiv total).
Efectivul X(t) al dăunătorilor satisface ecuaţia diferenţială: dX/dt = (α – β – ε)X – γX2
Pentru ca efectivul să scadă trebuie ca (dX/dt) < 0, deci: (α – β – ε).X – γ.X2 < 0 de unde:
ε < α – β – γ.X (2)
2) Pe cale biologică:
Se sterilizează o parte Xs(t) din numărul de masculi ceea ce duce la micşorarea
coeficienţilor de natalitate ai sexelor de la α1 la α1(1 – Xs/X1) la masculi şi de la α2 la α2(1 – Xs/X1)
la femele aşa că sistemul de ecuaţii diferenţiale de la punctul II, devine:
dX1/dt = α1 (1 – Xs/X1).X2 - β1X1 - γ1X1.(X1 + X2)
dX2/dt = [α2 (1 – Xs/X1) – β2].X2 – γ2X2.(X1 + X2)
Presupunem pentru simplificare α1 = α2 = α; β1 = β2 = β; γ1 = γ2 = γ, deci scăzând ecuaţiile
precedente obţinem: d(X1 - X2)/dt = - β(X1 – X2) aşa că X1 – X2 = e – βt, deci pentru t → ∞ avem
X1 = X2 = X/2 şi ecuaţiile precedente vor coincide cu ecuaţia: dX/dt = α (1 – Xs/X1) .X - βX – γX2
Pentru ca efectivul X(t) să scadă, trebuie ca dX/dt < 0, adică: α (1 – Xs/X1) .X - βX – γX2 < 0
şi notând ε = Xs/X1, rezultă: ε > 1 – β/α – (γ/α) .X (3)
Exemplu:
La decimarea chimică a gândacului de Colorado, cantitatea de insecticid şi concentraţia
acestuia (%) se stabilesc astfel ca cota decimată chimic ε să ducă la scăderea efectivului conform
relaţiei (2 ) de la punctul a).
Decimarea biologică prin sterilizare s-a aplicat în America la musca Cochliomy
Hominivorax care atacă animalele domestice, fapt care a dus la scăderea vertiginoasă a efectivului
acestei muşte, conform condiţiei (3) de la punctul b).
5.2.3 Pădurile ca ecosisteme vegetale
În epocile geologice înaintea apariţiei omului, pădurea a fost cel mai important sistem
biologic vegetal. Importanţa pădurii în prezent este la fel de mare pentru sănătatea planetei iar ca
sistem biologic şi tehnico-economic este controlată printr-o legislaţie strictă.
Calităţile principale ale pădurii sunt următoarele:
1) Este principala furnizoare de oxigen şi consumatoare de bioxid de carbon a planetei. Arborii
valorifică căldura şi lumina solară pe verticală, un arbore având o suprafaţă verde echivalentă
cu o mare suprafaţă ierboasă.
224
2) Este furnizoarea materiei prime lemnoase folosită pentru construcţii, mobilă şi combustibil.
Dealtfel pădurile preistorice sunt la originea formării zăcămintelor de cărbuni.
3) Este principalul factor de îmbunătăţire a microclimatului prin atragerea ploilor, de combatere a
pulberilor şi gazelor poluante, de stabilizare a terenurilor în pantă.
4) Este un habitat ideal pentru multe specii de animale sălbatice în special cele arboricole.
5) Are valenţe turistice incontestabile ca loc de recreere şi odihnă.
6) Are valenţe fitoterapeutice mari prin substanţele conţinute în arbori, unele insuficient cunoscute
şi studiate de medicină.
7) Implică cheltuieli specifice mai mici faţă de plantele de cultură în raport cu veniturile pe care le
aduc.
Din păcate în prezent suprafeţele împădurite scad continuu mai ales în ţările în curs de
dezvoltare cu consecinţe catastrofale pentru mediu la scară mică şi la scară mare. Cele mai nefaste
consecinţe sunt accentuarea poluării globale, deşertificarea şi alunecările de teren. Exploatarea
iraţională a fondului forestier neînsoţită de o replantare corespunzătoare, este principala cauză a
scăderii suprafeţelor împădurite. Un arbore mare se taie în câteva minute dar se reface în câţiva zeci
de ani. În multe locuri, pădurile au fost defrişate pentru a face loc terenurilor arabile, care
exploatate intensiv, s-au degradat.
Politicile naţionale şi internaţionale faţă de păduri trebuie să stopeze fenomenele negative
semnalate mai sus, pentru a repune în drepturi acest aur verde al planetei.
Din cele prezentate mai sus reies şi componentele pădurii ca ecosistem vegetal.
Sistemul silvic are următoarele componente:
a) Intrări: oxigen, bioxid de carbon, energie solară gratuită, apă, substanţe minerale din sol,
resturi vegetale reciclate, îngrăşăminte naturale de la animalele sălbatice şi altele.
b) Stări interne: starea de vegetaţie este legată de vârsta arborilor, de densitatea şi de efectul
nefavorabil al poluării şi furtunilor. Între arbori de diferite vârste şi talii există o luptă acerbă
pentru lumină şi căldură. Starea pădurilor este obiectul de activitate al unor organisme
specializate şi trebuie urmărită cu stricteţe.
c) Ieşiri: oxigen, masă lemnoasă, biomasă, fructe de pădure, hrană pentru animale sălbatice, spaţii
de recreere şi parcuri dendrologice şi altele.
Un calcul economic arată că pădurea este un sistem rentabil dacă se respectă cerinţele şi
dezideratele enumarate mai sus.
5.3 PROPRIETĂŢI GENERALE ALE SISTEMELOR AGRICOLE
5.3.1 Particularităţi ale sistemelor agricole
În secţiunea 5.1.2 s-au clasificat sistemele agricole în patru categorii principale:
I. Sisteme biologice parţial dirijate
II. Sisteme biologice total dirijate
III. Sisteme tehnice de prelucrare a produselor agricole
IV. Sisteme economice de comercializare a produselor agricole brute sau prelucrate
Sistemele biologice parţial dirijate au fost tratate în secţiunea 5.2
Sistemele biologice total dirijate relative la plantele cultivate şi animale domestice vor fi
tratate în secţiunea 5.4
Sistemele tehnice de prelucrare a produselor agricole, aflate în aval faţă de sistemele
biologice total dirijate, au un caracter tehnico-economic foarte accentuat şi ies din cadrul acestui
Curs.
Sistemele economice de comercializare a produselor agricole brute sau prelucrate vor fi
tratate în secţiunea 5.5
225
A) Particularităţi ale sistemului plantelor cultivate
Plantele cultivate sunt necesare omului ca hrană vegetală brută sau prelucrată, ca sursă de
materii prime pentru industria alimentară şi nealimentară, ca hrană furajeră pentru animale etc.
Sistemul plantelor cultivate are un triplu caracter: biologic, tehnologic şi economic. Fiind un
mijloc de existenţă şi nu un hobby, acest sistem este o afacere, deci preponderent este caracterul său
economic.
Particularităţile sistemului plantelor cultivate sunt următoarele:
1) Producerea de seminţe/material săditor este controlată de om pe baza geneticii şi ameliorării
soiurilor de plante. Seminţele/materialul săditor de calitate superioară trebuie să genereze plante de
mare productivitate, cu rezistenţă mare la buruieni, boli şi dăunători, adaptabile la condiţiile locale
de mediu, să răspundă la o tehnologie adecvată, să genereze profit, să aibă căutare pe pieţele de
produse agricole interne şi externe etc.
2) Tehnologia de cultivare a plantelor urmăreşte completarea până la confortul biologic a
cerinţelor plantelor faţă de mediu: cerinţe faţă de sol, faţă de climă, faţă de apă, îngrăşăminte
chimice şi organice, combaterea buruienilor, bolilor şi dăunătorilor etc.
Principiul de bază al tehnologiei este că resursele alocate de om la plantele cultivate trebuie
dozate în cantităţi optime şi aplicate în intervale de timp optime.
Condiţiile de mediu sunt foarte diferite de la un loc la altul şi de la un an la altul, deci în
alocarea de către om a resurselor pentru plantele cultivate, nu există şabloane.
3) Rentabilitatea culturilor agricole este asigurată dacă fermierii deţin informaţii despre
cantităţile de produse agricole pe care le va cere piaţa internă şi cele externe, despre standardele de
calitate care asigură vandabilitatea produselor agricole brute sau prelucrate şi stabilesc categoriile
de culturi şi suprafeţele pe care acestea trebuie să le ocupe în raport de cerinţele pieţii.
4) Protecţia mediului reclamă găsirea unor alternative de combatere biologică nepoluantă a
buruienilor, bolilor şi dăunătorilor, fertilizarea organică, combaterea sărăturării, a distrugerii
humusului etc.
5) Cultura plantelor este un domeniu economic cu risc asumat, deci este necesar un sistem
eficient de asigurare a recoltelor faţă de calamităţi: secete, exces de umiditate, inundaţii, alunecări
de teren, îngheţuri, grindine, invazii de lăcuste etc.
Asigurarea recoltelor se poate face prin societăţi de asigurări sau prin constituirea unui fond
de risc pentru calamităţi.
B) Particularităţi ale sistemului animalelor domestice
Animalele domestice sunt necesare omului ca hrană de origine animală brută sau prelucrată,
ca sursă de materii prime pentru industria alimentară şi nealimentară, ca furnizoare de gunoi de
grajd pentru fertilizarea ecologică a solului etc.
Se spune că acolo unde există fermă vegetală trebuie să existe şi animale domestice pentru a
valorifica partea furajeră a plantelor cultivate.
Punctele 1) - 5) din secţiunea A) de mai sus rămân valabile şi pentru plantele furajere dar
apar unele deosebiri între producţia vegetală şi cea zootehnică.
6) Plantele cultivate îşi prepară singure hrana prin fotosinteză cu bioxid de carbon din
atmosferă, cu apă şi substanţe nutritive din sol, folosind sursa energetică (lumină şi căldură)
gratuită de la soare, în timp ce animalele domestice sunt hrănite de către om (furajare la păşune
vara pentru rumegătoare şi furajare în adăposturi iarna).
7) Plantele cultivate sunt asistate de om în perioada lor de vegetaţie iar animalele în tot anul
calendaristic.
Durata de asistenţă a plantelor de către om egală cu durata lor de vegetaţie este de
aproximativ 6 luni pentru culturi anuale de primăvară, 9 luni pentru păioasele de toamnă, câţiva ani
pentru plantele perene, pomi şi vie.
Durata de asistenţă a animalelor domestice de către om depinde de specie (2 luni la puii de
carne, 240 zile la porci, 7 - 9 ani la vaci cu lapte etc). Aceste durate se prelungesc pentru animalele
domestice din gospodăriile ţărăneşti.
226
8) Producţia zootehnică este în mare măsură tributară producţiei vegetale, deoarece ponderea
cea mai mare a cheltuielilor în zootehnie o ocupă cheltuielile cu furajarea.
În perioadele de secetă are de suferit şi producţia vegetală şi cea zootehnică.
9) Produsele vegetale sunt inferioare ca valoare nutritivă pentru om, faţă de cele zootehnice,
dar mai puţin perisabile ca acestea din urmă, deci necesită mai puţine cheltuieli pentru
păstrare/conservare.
10) În ultimii ani medicina recomandă schimbări în structura alimentară a hranei omului prin
scăderea ponderii produselor din carne, a făinoaselor şi dulciurilor înalt rafinate şi creşterea
ponderii lactatelor, legumelor, fructelor, făinoaselor integrale, a produselor din soia, într-un cuvânt
promovarea hranei naturiste.
5.3.2 Intrări în sistemele agricole
După natura lor, intrările în sistemele agricole sunt: materiale, energetice, financiare şi
informaţionale.
După modul de aplicare în timp, intrările în sistemele agricole pot fi intrări eşalonate şi
intrări-bloc.
Vom nota intrările eşalonate cu X(t) iar pe cel bloc cu XT.
Exemple de intrări eşalonate la plante cultivate: îngrăşăminte chimice, apa de irigaţie.
Exemple de intrări-bloc la plante cultivate: arat, semănat, ierbicidat, combatere boli şi
dăunători.
Exemple de intrări eşalonate la animale domestice: furajare, adăpare.
Exemple de intrări-bloc la animale domestice: populare, reproducere, combatere boli.
Tehnologia agricolă vegetală sau zootehnică transformă în mod curent intrările eşalonate în
intrări-bloc şi invers.
Exemple:
1) Îngrăşămintele chimice se aplică la plantele cultivate în două tranşe.
2) Furajele pentru animalele domestice se stochează în baza furajeră în sezonul de iarnă.
Fie o serie tehnologică la plante cultivate/animale domestice în intervalul de timp de forma
[0; DS], unde DS este durata seriei în unităţi de timp.
Funcţia intrării eşalonate X(t) se cumulează în timp.
Funcţia intrării cumulate va fi:
t
XC(t) X(r)dr (1)
0
Intrarea-bloc XT va avea forma :
DS
XT=XC(DS)= X(r)dr
0
(2)
Relaţia (2) exprimă legătura între intrarea eşalonată X(t) şi intrarea-bloc XT.
Eşalonarea/cumularea şi controlul resurselor în agricultură
Fie o serie tehnologică la plante cultivate/animale domestice în intervalul de timp de forma
[0;DS], unde DS este durata seriei în unităţi de timp.
Funcţia resursei eşalonate X(t) se cumulează în timp.
Funcţia resursei cumulate va fi:
227
t
XC(t) X(r)dr (1)
0
Intrarea-bloc XT va avea forma :
DS
XT=XC(DS)= X(r)dr
0
(2)
Relaţia (2) exprimă legătura între resursa eşalonată X(t) şi resursa-bloc XT.
Fie NC numărul de controale ale resursei eşalonate X(t).
Intervalul de timp între două controale succesive este egal cu DS/NC unităţi de timp.
Rapoartele CX(j) = XT/X(tj) pentru tj = j.(DS/NC) (j = 1, 2,…, NC), se numesc coeficienţii
diversificaţi ai intrării X.
Pe baza valorii reale XR(tj) a intrării la data controlului numărul j, se poate calcula valoarea
aşteptată XTA(j) = XR(j).CX(j) care estimează pe XT la momentul j.
Clase de funcţii polinomiale de grad cel mult 3 care ajustează resursele agricole
1. Polinom convex simetric de grad 2
Forma funcţiei este: X(t) = X1.t + X2.t2; t [0; DS]; X1 > 0, X2 > 0
Graficul funcţiei are forma:
Funcţia are valoarea finală XF pentru t = DS. Fie XT cantitatea totală de resursă X
consumată în seria de timp [0; DS]. Impunem condiţiile:
DS
1) X(t) d t = XT
0
2)X(DS) XF
De aici rezultă coeficienţii X1, X2 ai funcţiei de consum resursă:
X1 = 2.([Link] – [Link])/DS2; X2 = 3.([Link] – [Link])/DS3
Pentru ca X1 > 0 şi X2 > 0 trebuie să alegem XT în intervalul: ([Link]/3; [Link]/2).
Funcţia consumului cumulat de resursă va fi: XC(t) = X1.t2/2 + X2.t3/3
Avem XT = XC(DS)
228
2. Polinomul concav simetric de grad 2
Forma funcţiei este: X(t) = X1.t + X2.t2; t [0; DS]; X1 > 0, X2 < 0
Graficul funcţiei are forma:
Funcţia are valoarea maximă pentru t = [Link] Fie XT cantitatea totală de resursă X
consumată în seria de timp [0; DS]. Impunem condiţiile:
DS
1) X(t) d t = XT
0
X1
2) [Link]
2.X 2
De aici rezultă coeficienţii X1, X2 ai funcţiei de consum resursă:
6m XT 3 XT 1
X1 . ; X2 . 3 ; ( m 1)
3m 1 DS2 3m 1 DS 3
Funcţia consumului cumulat de resursă va fi: XC(t) = X1.t2/2 + X2.t3/3.
Avem XT = XC(DS)
3. Polinom concav asimetric de grad 3
Forma funcţiei este: X(t) = X1.t + X2.t2 + X3.t3; t [0; DS]
Graficul funcţiei are forma:
229
Funcţia are valoarea maximă XM pentru t = [Link] (0 < m < 1). Fie XT producţia fizică
totală realizată în seria de timp [0; DS]. Impunem condiţiile:
DS
4) X(t) d t = XT
0
5) X1 2X 2 .([Link]) 3X3 .(m.DS2 ) 0 adică maximul lui X(t) este în [Link]
6) [Link] X 2 .DS2 X3 .DS3 0 adică la momentul de timp DS avem X(DS)=0.
12m(3m 2) XT
X1 .
6m 2 6m 1 DS2
12(3m 2 1) XT
X2 .
6m 2 6m 1 DS3
12(2m 1) XT
X3 .
6m 2 6m 1 DS4
deci m 0.22 ; m 0.79
De aici rezultă coeficienţii X1, X2, X3 ai funcţiei X(t):
Funcţia consumului cumulat de resursă va fi: XC(t) = X1.t2/2 + X2.t3/3 + X3.t4/4
Avem XT = XC(DS)
4. Polinom convex-concav de grad 3
Forma funcţiei este: X(t) = X1.t + X2.t2 + X3.t3; t [0; DS]; X1 ≥ 0, X2 >0, X3 < 0
Graficul funcţiei are forma:
Funcţia are valoarea maximă XM pentru t = DS şi are un punct de inflexiune pentru t =
[Link] (0 < m ≤ 0.5). Fie XT cantitatea totală de resursă X consumată în seria de timp [0; DS].
Impunem condiţiile:
230
DS
1) X(t) d t = XT
0
X2
2) [Link]
- 3X3
X 2 X 22 3X1X 3
3) DS
3X3
De aici rezultă coeficienţii X1, X2, X3 ai funcţiei de consum resursă:
12(2m 1) XT
X1 .
8m 5 DS2
12m XT
X2 .
8m 5 DS3
4 XT
X3 . 4 ; (0 < m 0.5)
8m 5 DS
Funcţia consumului cumulat de resursă va fi: XC(t) = X1.t2/2 + X2.t3/3 + X3.t4/4
Avem XT = XC(DS)
Aplicaţii numerice
a) X(t) = consumul de apă de irigaţie la porumb.
Alegem polinomul concav simetric de la punctul 2.
Avem DS = 150 zile, XT = 3000 m3 apă/ha iar punctul de inflexiune este [Link] = 120 zile,
deci α = 0.8
Din relaţiile de la punctul 2), obţinem: X1 = 0.457143; X2 = - 0.001905
Funcţia consumului de apă de irigaţie la porumb va fi: X(t) = 0.457143 t - 0.001905 t2
Funcţia consumului cumulat de apă de irigaţie la porumb va fi: XC(t) = 0.228571 t2 -
0.000635 t3
Avem XC(150) = XT =3000 m3 apă/ha.
Pentru NC = 10 controale la DS/NC = 15 zile, avem în tabelul 1 coeficienţii diversificaţi ai
consumului de apă de irigaţie la porumb: CX(j) = XT/X(tj), (tj = 15, 45, 60,…, 150)
Tabel 1
Nr. control Ziua control Rezultat Coef. diversificat
1 15 6.43 466.67
2 30 12 250
3 45 16.71 179.49
4 60 20.57 145.83
5 75 23.57 127.27
6 90 25.71 116.67
7 105 27 111.11
8 120 27.43 109.38
9 135 27 111.11
10 150 25.71 116.67
231
De exemplu dacă în ziua 90-a a controlului Nr. 6, avem consumul real de apă de irigaţie
XR(6) = 20 m3/ha, coeficientul diversificat la data acestui control fiind CX(6) = 116.6667, vom
avea XTA(5) = 20 x 116.6667 = 2333.334 m3/ha prin care se estimează la momentul t6 = 90 zile,
cantitatea XT = 3000 m3/ha.
b) X(t) = consumul de furaje concentrate la porci (Kg)
Alegem polinomul convex-concav de grad 3 de la punctul 4.
Avem DS = 240 zile, XT = 800 Kg/cap, iar punctul de inflexiune este [Link] = 120 zile, deci
m = 0.5
Din relaţiile de la punctul 4, obţinem: X1 = 0; X2 = 0.000347; X3 = - 0.000001
Funcţia consumului de furaje concentrate la porci va fi: X(t) = 0.000347 t2 - 0.000001 t3
Funcţia consumului cumulat de furaje concentrate la porci va fi: XC(t) = 0.000116 t3 -
0.0000002 t4
Avem XC(240) = XT =800 Kg furaj/cap.
Pentru NC = 8 controale la DS/NC = 30 zile, avem în tabelul 2 coeficienţii diversificaţi ai
consumului de furaje concentrate la porci: CX(j) = XT/X(tj), (tj = 0, 60, 90,…, 240):
Tabel 2
Nr. control Ziua control Rezultat Coef. diversificat
1 30 0.29 2972.73
2 60 1.04 768
3 90 2.11 379.26
4 120 3.33 240
5 150 4.56 175.54
6 180 5.63 142.22
7 210 6.38 125.39
8 240 6.67 120
De exemplu dacă în ziua 120-a a controlului Nr. 4, avem consumul real de furaje
concentrate XR(4) = 3 Kg/cap, coeficientul diversificat la data acestui control fiind CX(4) = 240,
vom avea XTA(4) = 3 x 240 = 720 Kg/cap prin care se estimează la momentul t6 = 120 zile,
cantitatea XT = 800 Kg/cap.
5.3.3 Ieşiri din sistemele agricole
În tot punctul 5.3.2 vom schimba resursele X cu producţiile Y.
După natura lor, ieşirile din sistemele agricole sunt: materiale, energetice, financiare şi
informaţionale.
După modul de obţinere în timp, ieşirile din sistemele agricole pot fi ieşiri eşalonate şi
ieşiri-bloc.
Vom nota ieşirile eşalonate cu Y(t) iar pe cel bloc cu YT.
Exemple de ieşiri eşalonate la plante cultivate: recolta de legume.
Exemple de ieşiri-bloc la plante cultivate: recolta de cereale, fructe, vie.
Exemple de ieşiri eşalonate la animale domestice: colectare producţie lape, ouă, miere.
Exemple de ieşiri-bloc la animale domestice: sacrificare animale pentru carne.
Tehnologia agricolă vegetală sau zootehnică transformă în mod curent ieşirile eşalonate în
ieşiri-bloc şi invers.
Fie o serie tehnologică la plante cultivate/animale domestice în intervalul de timp de forma
[0; DS], unde DS este durata seriei în unităţi de timp.
Funcţia ieşirii eşalonate Y(t) se cumulează în timp.
232
Funcţia ieşirii cumulate va fi:
t
YC(t) Y(r)dr (3)
0
Ieşirea-bloc YT va avea forma :
DS
YT=YC(DS)= Y(r)dr
0
(4)
Relaţia (4) exprimă legătura între ieşirea eşalonată Y(t) şi ieşirea-bloc YT.
Eşalonarea/cumularea şi controlul producţiilor în agricultură
Aplicaţii numerice
c) Y(t) = producţia de lapte de vacă (litri).
Alegem polinomul concav asimetric de grad 3 de la punctul 5.3.2 în care schimbăm peste
tot litera X cu litera Y.
Avem DS = 308 zile, YT = 5000 litri lapte iar punctul de maxim al producţiei de lapte este
[Link] = 123 zile, deci m = 0.4
Din relaţiile de la punctul 3. din secţiunea 3.2, obţinem: Y1 = 0.461280; Y2 = - 0.002438;
Y3 = 0.000003
Funcţia producţiei de lapte va fi: Y(t) = 0.461280 t – 0.002438 t2 + 0.000003 t3
Funcţia producţiei cumulate de lapte va fi: YC(t) = 0.23059 t2 – 0.000813 t3 + 0.00000076 t4
Avem YC(308) = YT = 5000 litri lapte.
Pentru NC = 11 controale la DS/NC = 28 zile, avem în tabelul 3 coeficienţii diversificaţi ai
producţiei de lapte: CY(j) = YT/Y(tj), (tj = 28, 56, 84,…, 308):
Tabel 3
Nr. control Ziua control Rezultat Coef. diversificat
1 28 11.07 451.74
2 56 18.72 267.16
3 84 23.34 214.19
4 112 25.36 197.19
5 140 25.16 198.76
6 168 23.14 216.05
7 196 19.72 253.52
8 224 15.29 326.91
9 252 10.26 487.15
10 280 5.03 993.79
11 308 1 5000
De exemplu dacă în ziua 140-a a controlului Nr. 5, avem producţia reală de lapte YR(5) =
22 litri/[Link], coeficientul diversificat la data acestui control fiind CY(5) =198.7631, vom avea
YTA(5) = 22 x 198.7631 = 4372.789 litri/vacă prin care se estimează la momentul t5 = 140 zile
cantitatea YT = 5000 litri lapte.
Experimental s-au stabilit pentru producţia de lapte de vacă din România la cele 11
controale, următorii coeficienţi diversificaţi:
Nr. 1 2 3 4 5 6 7 8 9 10 11
control
Coef. 237.3 236.7 250 261 280 295.7 327.1 357.6 398.3 456.3 518.5
diver-
sificaţi
233
d) Y(t) = sporul zilnic în greutate al puilor de carne (g)
Alegem polinomul concav simetric de grad 2 din secţiunea 5.3.2, în care schimbăm peste tot
litera X cu litera Y.
Avem DS = 56 zile, YT = 2500 grame iar punctul de maxim al sporului zilnic în greutate al
puilor este atins la [Link] = 56 zile, deci m = 1.
Din relaţiile de la punctul 2. din secţiunea 3.2, obţinem: Y1 = 2.391582; Y2 = - 0.021353.
Funcţia sporului zilnic în greutate la pui va fi: Y(t) = 2.391582 t - 0.021353 t2.
Funcţia sporului zilnic în greutate cumulat la pui va fi: YC(t) = 1.195791 t2 - 0.007118 t3.
Avem YC(56) = YT = 2500 grame.
Pentru NC = 8 controale la DS/NC = 7 zile, avem în tabelul 4 coeficienţii diversificaţi ai
sporului zilnic în greutate al puilor: CY(j) = YT/Y(tj), (tj = 7, 14, 21,…, 56):
Tabel 4
Nr. control Ziua control Rezultat Coef. diversificat
1 7 15.69 159.29
2 14 29.30 85.34
3 21 40.81 61.26
4 28 50.22 49.78
5 35 57.55 43.44
6 42 62.78 39.82
7 49 65.92 37.93
8 56 66.96 37.33
De exemplu dacă în ziua 28-a a controlului Nr. 4, avem sporul zilnic în greutate real YR(4)
= 50 g/cap, coeficientul diversificat la data acestui control fiind CY(4) = 49.7778, vom avea
YTA(4) = 50 x 49.7778 = 2488.889 g/cap prin care se estimează la momentul t4 = 28 zile cantitatea
YT = 2500 grame.
Deficit/exces de resursă în producţia agricolă
Fie intervalul de timp [0; DS] în care se desfăşoară o serie agricolă pentru plane/animale.
Fie XO(t) doza optimă de consum de resursă pe perioada [0; DS] pentru care la momentul
T = DS, producţia agricolă vegetală/zootehnică Y atinge optimul tehnic XT.
DS
Consumul total optim de resursă este XOT 0
XO(t ) .
Fie XR(t) doza reală de consum resursă pe perioada de timp [0; DS] pentru care la
momentul t = DS, producţia agricolă Y are valoarea reală YR < YT.
DS
Consumul total real de resursă este XRT
0
XR(t )dt .
Diferenţa ajustată între consumul real şi cel optim de resursă este (t) = t .[XR(t) - XO(t)].
(t) este cu atât mai mare cu cât diferenţa efectivă XR(t) - XO(t) este mai mare şi/sau cu cât timpul
t este mai mare.
Dacă (t) < 0 avem un deficit ajustat de consum de resursă, iar dacă (t) > 0 avem un exces
ajustat de consum de resursă.
DS
Diferenţa ajustată totală între consumul real şi cel optim de resursă este T
0
(t )dt .
Producţia agricolă reală are forma: YR = YT (1 - T/DC), unde DC este nivelul de
calamitate al lui T pentru care YR = 0.
234
Exemplu:
La o durată egală de timp a stagnării apei din precipitaţii pe suprafeţele cultivate (exces de
resursă), pierderile de recoltă (%) datorate excesului de umiditate sunt mai mari dacă stagnarea se
face mai târziu în perioada de vegetaţie, conform datelor din tabelul următor:
Pierderi de recoltă (%) la culturi agricole în funcţie de timpul de inundaţie (zile)
LUNA Nr. zile de Cereale Porumb Floarea Sfeclă de Cartofi
inundare toamnă soarelui zahăr
Decembrie 3 - - - - -
7 5% - - - -
11 10 % - - - -
15 20 % - - - -
Ianuarie 3 - - - - -
7 5% - - - -
11 10 % - - - -
15 15 % - - - -
Februarie 3 - - - - -
7 5% - - - -
11 10 % - - - -
15 20 % - - - -
Martie 3 5% - - 10 % 30 %
7 15 % - - 50 % 80 %
11 30 % - - 100 % 100 %
15 50 % - - 100 % 100 %
Aprilie 3 10 % 20 % 10 % 10 % 30 %
7 25 % 80 % 20 % 50 % 80 %
11 40 % 100 % 40 % 90 % 100 %
15 70 % 100 % 80 % 100 % 100 %
Mai 3 20 % 10 % 10 % 10 % 40 %
7 40 % 50 % 30 % 50 % 90 %
11 70 % 80 % 60 % 90 % 100 %
15 100 % 100 % 100 % 100 % 100 %
Iunie 3 20 % 10 % 10 % 10 % 50 %
7 50 % 45 % 40 % 40 % 100 %
11 70 % 75 % 80 % 90 % 100 %
15 100 % 100 % 100 % 100 % 100 %
Iulie 3 - - 10 % 10 % 50 %
7 - 10 % 40 % 40 % 100 %
11 10 % 50 % 60 % 90 % 100 %
15 20 % 80 % 80 % 100 % 100 %
August 3 - - - 10 % 30 %
7 - 10 % 10 % 40 % 100 %
11 - 40 % 30 % 90 % 100 %
15 - 60 % 50 % 100 % 100 %
Septembrie 3 - - - 10 % 20 %
7 - 10 % - 40 % 40 %
11 - 20 % - 90 % 60 %
15 - 30 % - 100 % 80 %
Octombrie 3 - - - - -
7 4% - - 10 % -
11 10 % 20 % - 30 % -
15 20 % 10 % - 50 % -
Noiembrie 3 - - - - -
7 5% - - - -
11 10 % - - - -
15 20 % - - - -
235
5.4 ANALIZA TEHNICO-ECONOMICĂ A SISTEMELOR AGRICOLE
5.4.1 Analiza tehnico-economică a sistemului producţiei vegetale
Vom analiza o plantă de cultură anuală de tip cereală sau plantă tehnică, de toamnă sau
primăvară, semănată în câmp într-o anumită zonă pedoclimatică.
I. DATE DE INTRARE
1). Suprafaţa cultivată (ha) = SC
2). Densitatea la recoltare (plante/ha) = DR [DR1; DR2]
3). Cost arat – pregătire teren (lei/ha) = CP [CP1; CP2]
4). Cost sămânţă – semănat (lei/ha) = CS [CS1; CS2]
5). Cost lucrări combatere buruieni-boli - dăunători (lei/ha) = CB [CB1; CB2]
6). Consum îngrăşăminte chimice (kg/ha) = QI [QI1; QI2]
7). Cost îngrăşăminte chimice (lei/kg) = CI [CI1; CI2]
8). Consum apă de irigaţie (m3/ha) = QA [QA1; QA2]
9). Cost apă de irigaţie (lei/m3) = CA [CA1; CA2]
10). Cost recoltare – transport producţie principală (lei/Kg) = CRP [CRP1; CRP2]
11). Cost recoltare – transport producţie secundară (lei/Kg) = CRS [CRS1; CRS2]
12). Consum motorină (litri/ha) = QC [QC1; QC2]
13). Consum curent electric (Kwh/tonă) = QE [QE1; QE2]
14). Cost combustibil (lei/litru) = CC [CC1; CC2]
15). Cost curent electric (lei/Kwh) = CE [CE1; CE2]
16). Consum forţă de muncă (zile-om/ha) = QZ [QZ1; QZ2]
17). Retribuţie medie forţă de muncă (lei/zi-om) = CZ [CZ1; CZ2]
18). Impozit pe mijloace fixe (lei/ha) = IM [IM1; IM2]
19). Prima de asigurare recoltă (lei/ha) = PA [PA1; PA2]
20). Producţie principală medie (Kg/plantă) = YPM [YPM1; YPM2]
21). Preţ vânzare producţie principală (lei/Kg) = PVP [PVP1; PVP2]
22). Producţie secundară medie (Kg/ha) = YSM [YSM1; YSM2]
23). Preţ vânzare producţie secundară (lei/Kg) = PVS [PVS1; PVS2]
REZULTATE
II. PRODUCŢII TOTALE PE PERIOADA DE VEGETAŢIE
24). Producţie principală totală (Kg): YPT = YPM * DR * SC
25). Producţie secundară totală (Kg): YST = YSM * SC
26). Venit total (lei): VT = YPT * PVP + YST * PVS = (YPM * DR * PVP + YSM * PVS) * SC,
din care:
a). Venitul principal total (lei): VPT = YPT * PVP cu ponderea VPT * 100/VT%
b). Venitul secundar total (lei): VST = YST * PVS cu ponderea VST * 100/VT%
27). Cheltuieli totale (lei): CT = CM + CO + CN din care:
c). Cheltuieli materiale (lei): CM = CTH + CEN + CRT cu ponderea CM * 100/CT% din
care:
c1). Cheltuieli tehnologice (lei): CTH = CP * SC + CS * SC + CB * SC + QI * SC *
CI + QA * SC *CA cu ponderea CTH * 100/CM%
c2). Cheltuieli energetice (lei): CEN = QC * SC * CC + YPT * QE * CE/1000 cu
ponderea CEN * 100/CM%
236
c3) Cheltuieli recoltare-transport (lei): CRT = YPT * CRP + YST * CRS cu
ponderea CRT * 100/CM
d). Cheltuieli cu forţa de muncă (lei): CO = QZ * SC * CZ cu ponderea CO * 100/CT%
e). Cheltuieli neproductive (lei): CN = (IM + PA) * SC + 0.16 * VT cu ponderea CN *
100/CT%
28). Profit total (lei): PT = VT – CT
III. INDICATORI MEDII AI PRODUCŢIEI
29). Producţia principală unitară (Kg/ha): YPU = YPM * DR
30). Producţia principală minimă (Kg/ha) care aduce profit: YPR = (CT – YST * PVS)/(SC * PVP)
31). Costul producţiei (lei/Kg producţie fizică principală): CPP = CT/YPT
IV. INDICATORI AI PROFITULUI
32). Rata medie a profitului (lei profit/1 leu cheltuit): RMP = PT/CT
33). Rata marginală a profitului (lei creştere sau scădere profit/1 leu creştere cheltuieli):
RDP = (V1 – 1 + 2 * V2 * CT)
34). Elasticitatea ratei profitului (procente creştere sau scădere profit/1% creştere cheltuieli):
ERP = RDP/RMP
Toate datele de intrare sunt cuprinse în intervale de valori, date de tehnologie, cu excepţia
suprafeţei cultivate de la punctul 1) care este constantă.
Pentru a calcula producţiile de la punctele 24) – 28) precum şi indicatorii economici de la
punctele 29) – 34), trebuie să alegem valori concrete în intervalele specificate pentru datele de
intrare de la punctele 2) – 23)
Calculul ratei marginale a profitului de la punctul 33).
Fie CTA = (CP1 + CS1 + CB1 + QI1 * CI1 + QA1 * CA1 + QC1 * CC1 + YPM1 * DR1 * QE1
* CE1/1000 + (YPM1 *DR1 * CRP1 + YSM1 * CRS1) * 1.16 + QZ1 * CZ1 + IM1 * PA1) *SC
valoarea minimă a cheltuielilor totale CT, obţinută pentru datele 2) –20), 22) la limita stângă a
intervalelor lor de valori şi fie CTB = (CP2 + CS2 + CB2 + QI2 * CI2 + QA2 * CA2 + QC2 * CC2 +
YPM2 * DR2 * QE2 * CE2/1000 + (YPM2 * DR2 * CRP2 + YSM2 * CRS2) * 1.16 + QZ2 * CZ2 +
IM2 * PA2) *SC valoarea maximă a cheltuielilor totale CT, obţinută pentru datele 3) –20), 22) la
limita dreaptă a intervalelor lor de valori.
Fie VTA = (YPM1 * DR1 * PVP1 + YSM1 * PVS1) * SC valoarea minimă a venitului total
VT, obţinută pentru datele de la punctele 2), 20) – 23) la limita stângă a intervalelor lor de valori şi
fie VTB = (YPM2 * DR2 * PVP2 + YSM2 * PVS2) * SC valoarea maximă a venitului total VT,
obţinută pentru datele de la punctele 2), 20) – 23) la limita dreaptă a intervalelor lor de valori .
Graficul funcţiei VT = V1 * (CT) + V2 * (CT)2 este o parabolă unde V1, V2 sunt soluţiile
sistemului liniar:
VTA = V1 * (CTA) + V2 * (CTA)2
VTB = V1 * (CTB) + V2 * (CTB)2
care exprimă faptul că parabola de ecuaţie VT = V 1.(CT) + V2.(CT)2 trece prin punctele
A(CTA; VTA) şi B(CTB, VTB):
237
Din sistemul liniar precedent găsim:
V1 = (VTA * CTB ^ 2 – VTB * CTA ^2)/(CTA * CTB ^ 2 – CTB * CTA ^ 2)
V2 = CTA * VTB – CTB * VTA)/(CTA * CTB ^ 2 – CTB * CTA ^ 2)
Profitul total este: PT = VT – CT, deci PT = (V1 - 1).(CT) + V2 .(CT)2
Rata marginală a profitului este derivata profitului total PT deci:
RDP = (V1 – 1) + 2 * V2 * (CT), adică chiar formula de la punctul 33).
Concluzii:
I. Rata marginală a profitului este egală cu zero în cazul optimului economic şi este egală cu
– 1, în cazul optimului tehnic.
II. Elasticitatea ratei profitului ERP este mai mare ca 1 în zona de expansiune a producţiei
agricole, este egală cu 1 în cazul optimului de echilibru şi este mai mică ca 1 în zona de saturaţie a
producţiei agricole.
Exemple:
1. CULTURA PORUMBULUI
Nr. Mărimea Minimă Aleasă Maximă
1 SC 20 20 20
2 DR 60000 65000 70000
3 CP 100 110 120
4 CS 60 65 70
5 CB 40 50 60
6 QI 120 150 150
7 CI 0.8 1 1
8 QA 2000 2200 2400
9 CA 0.05 0.06 0.06
10 CRP 0.04 0.06 0.06
11 CRS 0.01 0.01 0.012
12 QC 120 140 150
13 QE 5 6 7
14 CC 2.8 3.4 3.6
15 CE 0.2 0.24 0.24
16 QZ 5 6 7
17 CZ 12 14 14
18 IM 18 20 22
19 PA 80 100 120
20 YPM 0.04 0.06 0.08
21 PVP 1 1.2 1.4
22 YSM 800 900 1000
23 PVS 0.08 0.1 0.12
238
REZULTATE:
21). YPT = 91000 Kg boabe porumb
22). YST = 18000 Kg coceni
23). VT = 65140 lei
24). CM = 22708.12 lei
25). CO = 1560 lei
26). CH = 24268.2 lei
27). CT = 27180.3 lei
28). PT = 37959.71 lei
29).YPU = 4550 Kg porumb boabe/ha
30). YPR = 1838 Kg porumb boabe/ha aduc profit
31). CP = 0.2986 lei cheltuieli/un Kg porumb boabe
32). RMP = 0.1397 lei profit/1 leu cheltuit
33). RDP = 0.7487 lei creştere profit/1 leu creştere de cheltuieli
(V1 = - 3.220333; V2 = 2.158535 x 10– 4)
34). ERP = 5.36% creştere profit/1% creştere cheltuieli
Concluzie: această variantă tehnico-economică este în zona de expansiune a producţiei.
2. CULTURA GRÂULUI
Nr. Mărimea Minimă Aleasă Maximă
1 SC 10 10 10
2 DR 4500000 4800000 5000000
3 CP 90 100 120
4 CS 50 60 70
5 CB 40 50 60
6 QI 150 180 200
7 CI 0.7 0.8 0.9
8 QA 900 1000 1100
9 CA 0.05 0.06 0.07
10 CRP 0.04 0.05 0.06
11 CRS 0.01 0.011 0.012
12 QC 120 140 150
13 QE 5 6 7
14 CC 3.2 3.4 3.6
15 CE 0.2 0.22 0.24
16 QZ 4 5 6
17 CZ 12 13 14
18 IM 18 20 22
19 PA 80 100 120
20 YPM 0.0005 0.0006 0.0007
21 PVP 1 1.2 1.4
22 YSM 1200 1300 1400
23 PVS 0.07 0.08 0.09
REZULTATE:
21). YPT = 28800 Kg boabe grâu
22). YST = 13000 Kg paie grâu
23). VT = 21200 lei
24). CM = 9961.016 lei
25). CO = 650 lei
26). CH = 10611.02 lei
239
27). CT = 11884.34 lei
28). PT = 9315.662 lei
29). YPU = 2880 Kg grâu boabe/ha
30). YPR = 1549 Kg grâu boabe/ha aduc profit
31). CPP = 0.4126 lei cheltuieli/1 Kg boabe grâu
32). RMP = 0.7839 lei profit/1 leu cheltuit
33). RDP = 4.6727 lei creştere profit/1 leu creştere de cheltuieli
(V1 = - 1.697871; V2 = 3.100979 x 10– 4)
34). ERP = 5.96% creştere profit/1% creştere cheltuieli
Concluzie: această variantă tehnico-economică este în zona de creştere accelerară a
producţiei.
5.4.2 Analiza economică a sistemului producţiei de lapte
Vom analiza tandemurile vaci – viţei sugari de o anumită rasă, în anumite cicluri de lactaţie
şi aflate într-o anumită fermă.
I. DATE DE INTRARE
1. Suprafaţa spaţiului de cazare vaci (m2) = SC
2. Durata medie lactaţie vaci (zile) = DS [DS1; DS2]
3. Durata medie alăptare viţel (zile) = DV [DV; DV2]
4. Densitatea în spaţiul de cazare vaci (capete/m2) = DC [DC2; DC2]
5. Procent fertilitate vaci (%) = FE [FE1; FE2]
6. Procent reformă vaci (%) = RE [RE1; RE2]
7. Procent viabilitate viţei sugari (%) = VI [VI1; VI2]
8. Incidenţă îmbolnăvire vaci (%) = IA [IA1; IA2]
9. Cheltuieli veterinare medii pentru vaci (lei/cap vacă) = CVA [CVA1; CVA2]
10. Incidenţă îmbolnăvire viţei (%) = IV [IV1; IV2]
11. Cheltuieli veterinare medii pentru viţei sugari (lei/cap viţel sugar) = CVV [CVV1; CVV2]
12. Consum mediu zilnic de amestec de furaje pentru vacă (kg/cap vacă.zi) = QF [QF1; QF2]
13. Consum mediu zilnic de lapte integral pentru viţel sugar (litri lapte integral/cap viţel [Link])
= QV [QV1; QV2]
14. Cost mediu amestec de furaje pentru vacă (lei/kg) = CF [CF1; CF2]
15. Consum mediu zilnic de apă (adăpat plus consum tehnologic) (litri/[Link]) = QA [QA1; QA2]
16. Consum mediu zilnic de curent electric (Kwh/zi) = QE [QE1; QE2]
17. Consum mediu zilnic de combustibil (transport tehnologic) (litri/zi) = QC [QC1; QC2]
18. Cost apă (lei/litru) = CA [CA1; CA2]
19. Cost curent electric (lei/Kwh) = CE [CE1; CE2]
20. Cost combustibil (lei/litru) = CC [CC1; CC2]
21. Consum mediu forţă de muncă (zile-om/vacă plus viţel sugar) = QZ [QZ1; QZ2]
22. Retribuţia medie forţă de muncă (lei/zi-om) = CZ [CZ1; CZ2]
23. Impozit pe mijloace fixe (lei/m2 grajd) = IM [IM1; IM2]
24. Prima de asigurare vaci (lei/cap vacă) = PA [PA1; PA2]
25. Producţie medie zilnică de lapte integral (litri/cap vacă.zi) = YL [YL1; YL2]
26. Coeficient mediu zilnic de grăsime în lapte (%) = CG [CG1; CG2]
27. Coeficient mediu zilnic de proteină în lapte (%) = CP [CP1; CP2]
28. Preţ vânzare lapte integral (lei/litru) = PL [PL1; PL2]
29. Greutate medie adultă reformată (Kg) = GR [GR1; GR2]
30. Greutate medie viţel la înţărcarea sa (Kg) = GV [GV1; GV2]
31. Preţ vânzare în viu adultă reformată (lei/Kg) = PR [PR1; PR2]
240
32. Preţ vânzare în viu viţel la înţărcarea sa (lei/Kg) = PV [PV1; PV2]
33. Cantitate medie zilnică gunoi de grajd vacă plus viţel sugar (Kg/cap) = QG [QG1; QG2]
34. Preţ vânzare gunoi de grajd (lei/Kg) = PG [PG1; PG2]
REZULTATE:
II. PRODUCŢII TOTALE
35.a) Număr capete vaci la începutul lactaţiei: NAI = SC * DC
35.b) Număr capete vaci la sfârşitul lactaţiei: NAL = NAI * (1 – RE)
36.a) Număr capete viţei sugari la începutul lactaţiei: NVI = NAI * FE
36.b) Număr capete viţei sugari la înţărcarea lor: NVL = NVI * VI
37.a) Producţia totală de lapte (litri): YT = NAL * (DS * YL – DV * QV)
37.b) Producţia totală de unt (Kg): YU = YT * CG
37.c) Producţia totală de proteină (Kg): YP = YT * CP
37.d) Cantitate totală de gunoi de grajd (Kg): GT = NAL * QG * DS
38. Venit total (lei): VT = VL + VA + VG, din care:
a) Venit din vânzare lapte integral VL = YT * PL cu ponderea VL * 100/VT%;
b) Venit vânzare vaci reformate şi viţei înţărcaţi VA = NAI * RE * GR * PR + NVL * GV *
PV cu ponderea VA * 100/VT%;
c) Venit din vânzare gunoi de grajd VG = GT * PG cu ponderea VG * 100/VT%.
39. Cheltuieli totale (lei): CT = CM + CO + CNP din care:
a) Cheltuieli material (lei): CM = CFT + CVE + CEN cu ponderea CM * 100/CT% din care:
a1) Cheltuieli cu furajare vacă plus viţel sugar (lei): CFT = NAL * QF * DS * CF + NVL *
QV * DV * PL cu ponderea CFT * 100/CM%;
a2) Cheltuieli veterinare (lei): CVE = NAI * IA * CVA + NVI * IV * CVV cu ponderea
CVE * 100/CM%;
a3) Cheltuieli energetic (lei): CEN = QA * DS * CA + QE * DS * CE + QS * DS * CC cu
ponderea CEN * 100/CM%
b) Cheltuieli forţă de muncă (lei): CO = QZ * (NAL + NVL) * CZ cu ponderea CO * 100/CT%
c) Cheltuieli neproductive (lei): CNP = IM * SC + PA * SC * DC + 0.16 * VT cu ponderea
CNP * 100/CT%
40. Profit total (lei): PT = VT – CT
III. INDICATORI MEDII AI PRODUCŢIEI
41. Producţia principală unitară (litri lapte/cap de vacă): YTU = DS * YL – DV * QV
42. Producţia principală minimă (litri lapte/cap de vacă) care aduce profit:
YTZ = [(CT – NAI * RE * GR * PR – NVL * GV * PV – GT * PG)/(NAL * PL)]/DS
43. Costul producţiei (lei/litru lapte): CPP = CT/YT
IV. INDICATORI AI PROFITULUI
44. Rata medie a profitului (lei profit/1 leu cheltuit): RMP = PT/CT
45. Rata marginală a profitului (lei creştere sau scădere profit/1 leu creştere cheltuieli):
RDP = (V1 – 1 + 2 * V2 * CT)
46. Elasticitatea ratei profitului (procente creştere sau scădere profit/1% creştere cheltuieli):
ERP = RDP/RMP
Toate datele de intrare sunt cuprinse în intervale de valori, date de tehnologie, cu excepţia
suprafeţei spaţiului de cazare vaci plus viţei sugari de la punctul 1. care este constantă.
Pentru a calcula producţiile de la punctele 35.a) – 40. precum şi indicatorii economici de la
punctele 41. – 46., trebuie să alegem valori concrete în intervalele specificate pentru datele de
intrare de la punctele 2. – 34..
241
Calculul ratei marginale a profitului de la punctul 45.
Calculăm mărimile:
CFT1 = SC * DC1 * (1 - RE2) * QF1 * DS1 * CF1 + SC * DC1 * FE1 * VI1 * QV1 * DV1 * PL1
CFT1 = SC * DC2 * (1 - RE1) * QF2 * DS2 * CF2 + SC * DC2 * FE2 * VI2 * QV2 * DV2 * PL2
CVE1 = SC * DC1 * IA1 * CVA1 + SC * DC1 * IV1 * CVV1;
CVE2 = SC * DC2 * IA2 * CVA2 + SC * DC2 * IV2 * CVV2
CEN1 = QA1 * DS1 * CA1 + QE1 * DS1 * CE1 + QC1 * DS1 * CC1
CEN2 = QA2 * DS2 * CA2 + QE2 * DS2 * CE2 + QC2 * DS2 * CC2
CM1 = CFT1 + CVE1 + CEN1;
CM2 = CFT2 + CVE2 + CEN2
CO1 = QZ1 * SC * DC1 * CZ1 * (1 - RE2) * FE1 * VI1;
CO2 = QZ2 * SC * DC2 * CZ2 * (1 - RE1) * FE2 * VI2
CNP1 = IM1 * SC + PA1 * SC * DC1 + 0.16 * VT1;
CNP2 = IM2 * SC + PA2 * SC * DC2 + 0.16 * VT2
CTA = CM1 + CO1 + CNP1;
CTB = CM2 + CO2 + CNP2
şi respectiv:
VL1 = SC * DC1 * (1 - RE2) * (DS1 * YL1 - DV1 * QV1) * PL1;
VL2 = SC * DC2 * (1 - RE1) * (DS2 * YL2 - DV2 * QV2) * PL2
VA1 = SC * DC1 * RE2 * GR1 * PR1 + SC * DC1 * FE1 * VI1 * GV1 * PV1
VA2 = SC * DC2 * RE1 * GR2 * PR2 + SC * DC2 * FE2 * VI2 * GV2 * PV2
VG1 = SC * DC1 * (1 - RE2) * QG1 * DS1 * PG1;
VG2 = SC * DC2 * (1 - RE1) * QG2 * DS2 * PG2
VTA = VL1 + VA1 + VG1;
VTB = VL2 + VA2 + VG2
Ca şi în secţiunea 5.1 avem:
V1 = (VTA * CTB ^ 2 – VTB * CTA ^ 2)/(CTA *CTB ^ 2 – CTB * CTA ^ 2)
V2 = CTA * VTB – CTB * VTA)/(CTA * CTB ^ 2 – CTB * CTA ^ 2)
Venitul total este VT = V1 * (CT) + V2 * (CT)2, deci profitul total este: PT = VT – CT, deci
PT = (V1 - 1) * (CT) + V2 * (CT)2
Rata marginală a profitului este derivata profitului total PT, deci: RDP = (V1 – 1) +
2.V2.(CT), adică chiar formula de la punctul 45.
Exemplu:
VACI CU LAPTE PLUS VIŢEI SUGARI
Nr. Mărimea Minimă Aleasă Maximă
1 SC 2000 2000 2000
2 DS 290 308 310
3 DV 90 100 110
4 DC 0.1 0.1 0.2
5 FE 0.94 0.98 0.98
6 RE 0.03 0.04 0.05
7 VI 0.95 0.95 0.98
8 IA 0.04 0.05 0.06
9 CVA 40 50 60
10 IV 0.06 0.08 0.09
11 CVV 60 70 80
12 QF 40 45 50
242
13 QV 5 6 8
14 CF 0.18 0.2 0.25
15 QA 30 35 50
16 QE 18 20 22
17 QC 8 10 12
18 CA 0.025 0.03 0.035
19 CE 0.18 0.22 0.22
20 CC 3.2 3.4 3.6
21 QZ 9 11 11
22 CZ 14 16 16
23 IM 1.3 1.4 1.5
24 PA 110 120 130
25 YL 16 18 20
26 CG 0.03 0.04 0.04
27 CP 0.04 0.05 0.05
28 PL 1.6 1.8 1.8
29 GR 500 550 600
30 GV 80 90 90
31 PR 7 8 8
32 PV 9 10 10
33 QG 10 12 12
34 PG 0.02 0.03 0.04
REZULTATE:
19.a) NAI = 150 capete vaci la începutul seriei
19.b) NVI = 144 capete viţei la începutul seriei
20.a) NAL = 141 capete vaci la sfârşitul seriei
20.b) NVL = 132 capete viţei la sfârşitul seriei
21.a) YT = 723330 litri lapte = 7233.3 hectolitri lapte
21.b) YU = 28933 Kg unt
21.c) YP = 36166 Kg proteină
22. GT = 465300 Kg gunoi = 465.3 tone gunoi
23. VT = 1418775 lei
24.a). CFT = 402414.5 lei
24.b). CM = 418194.5 lei
25. CO = 41022 lei
26. CH = 459216.6 lei
27. CT = 523506.9 lei
28. PT = 895268.4 lei
29. YTU = 5130 litri lapte/cap de vacă
30. YTP = 1602 litri lapte/cap de vacă aduc profit
31. CPP = 0.7237 lei cheltuieli/1 litru lapte
32. RMP = 1.71 lei profit/1 leu cheltuit
33. RDP = 0.092 lei creştere profit/1 leu creştere de cheltuieli
(V1 = 3.344314; V2 = - 1.360042 x 10– 6)
34. ERP = 0.54% creştere profit/1% creştere cheltuieli
Concluzie: această variantă tehnico-economică este în zona de saturaţie a producţiei, în
stânga optimului economic.
243
5.4.3 Analiza economică a sistemului producţiei de carne
Vom analiza tăuraşii, porcii şi puii de carne de o anumită rasă, într-o anumită serie şi aflaţi
într-o anumită fermă.
I. DATE DE INTRARE
1. Suprafaţa spaţiului de cazare (m2) = SC
2. Durata medie a seriei (zile) = DS [DS1; DS2]
3. Densitatea în spaţiul de cazare (capete/m2) = DC [DC2; DC2]
4. Procent viabilitate (%) = VI [VI1; VI2]
5. Incidenţa îmbolnăvirii animalelor (%) = IA [IA1; IA2]
6. Cost igienizare (lei/m2) = CI [CI1; CI2]
7. Costuri veterinare medii (lei/cap) = CV [CV1; CV2]
8. Consum mediu zilnic de amestec de furaje (kg/[Link]) = QF [QF1; QF2]
9. Cost mediu amestec de furaje (lei/kg) = CF [CF1; CF2]
10. Consum mediu zilnic de apă (adăpat plus consum tehnologic) (litri/zi) = QA [QA1; QA2]
11. Consum mediu zilnic de curent electric (Kwh/zi) = QE [QE1; QE2]
12. Consum mediu zilnic de combustibil (transport tehnologic) (litri/zi) = QC [QC1; QC2]
13. Cost apă (lei/litru) = CA [CA1; CA2]
14. Cost curent electric (lei/Kwh) = CE [CE1; CE2]
15. Cost combustibil (lei/litru) = CC [CC1; CC2]
16. Consum forţă de muncă (zile-om/cap) = QZ [QZ1; QZ2]
17. Cost forţă de muncă (lei/zi-om) = CZ [CZ1; CZ2]
18. Impozit pe mijloace fixe (lei/m2 grajd) = IM [IM1; IM2]
19. Prima de asigurare animale (lei/cap de animal) = PA [PA1; PA2]
20. Spor mediu zilnic în greutate (Kg/[Link]) = SG [SG1; SG2]
21. Preţ vânzare carne în viu (lei/Kg) = PV [PV1; PV2]
22. Cantitate medie zilnică gunoi de grajd (Kg/[Link]) = QG [QG1; QG2]
23. Preţ vânzare gunoi de grajd (lei/Kg) = PG [PG1; PG2]
REZULTATE:
II. PRODUCŢII TOTALE
24. Număr capete la începutul seriei: NI = SC * DC
25. Număr capete livrate: NL = NI * VI
26.a) Greutate carne livrată în viu (Kg): GL = NL * SG * DS
26.b) Cantitate totală de gunoi de grajd (Kg): GT = NL * QG * DS
27. Venit total (lei): VT = VPT + VST, din care:
a) Venit principal total (lei): VPT = GL * PV cu ponderea VPT * 100/VT%;
b) Venit secundar total (lei): VST = GT * PG cu ponderea VST * 100/VT%
28. Cheltuielile totale (lei): CT = CM + CO + CN, din care:
a) Cheltuieli material (lei): CM = CFT + CVE + CEN cu ponderea CM * 100/CT%, din care:
a1) Cheltuieli cu furajarea (lei): CFT = NL * QF * DS * CF cu ponderea CFT * 100/CM%;
a2) Cheltuieli veterinare (lei): CVE = CI * SC + CV * NI * IA cu ponderea CVE *
100/CM%;
a3) Cheltuieli energetic (lei): CEN = (QA * CA + QE * CE + QC * CC) * SC cu ponderea
CEN * 100/CM%.
b) Cheltuieli forţă de muncă (lei): CO = QZ * NL * CZ cu ponderea CO * 100/CT;
c) Cheltuieli neproductive (lei): CN = IM * SC + PA * SC * DC + 0.16 * VT cu ponderea
CN * 100/CT%.
29. Profit total (lei): PT = VT – CT
244
III. INDICATORI MEDII AI PRODUCŢIEI
30. Greutatea individuală medie la livrare (Kg/cap): GML = SG * DS
31. Greutatea individuală minimă (Kg/cap) care aduce profit: GIL = (CT – GT * PG)/(NL * PV)
32. Costul producţiei (lei/Kg carne): CPP = CT/GL
IV. INDICATORI AI PROFITULUI
33. Rata medie a profitului (lei profit/1 leu cheltuit): RMP = PT/CT
34. Rata marginală a profitului (lei creştere sau scădere profit/1 leu creştere cheltuieli):
RDP = V1 – 1 + 2 * V2 * CT
35. Elasticitatea ratei profitului (procente creştere sau scădere profit/1% creştere cheltuieli):
ERP = RDP/RMP
Toate datele de intrare sunt cuprinse în intervale de valori, date de tehnologie, cu excepţia
suprafeţei spaţiului de cazare de la punctul 1. care este constantă.
Pentru a calcula producţiile de la punctele 24. – 29. precum şi indicatorii economici de la
punctele 30. – 32., trebuie să alegem valori concrete în intervalele specificate pentru datele de
intrare de la punctele 2. – 18.
Calculul ratei marginale a profitului de la punctul 34.
Calculăm mărimile:
CFT1 = NL1 * QF1 * DS * CF1;
CFT2 = NL2 * QF2 * DS * CF2
CVE1 = CI1 * SC + CV1 * NI1 * IA1;
CVE2 = CI2 * SC + CV2 * NI2 * IA2
CEN1 = (QA1 * CA1 + QE1 * CE1 + QC1 * CC1) * SC;
CEN2 = (QA2 * CA2 + QE2 * CE2 + QC2 * CC2) * SC
CM1 = CFT1 + CVE1 + CEN1;
CM2 = CFT2 + CVE2 + CEN2
CO1 = QZ1 * NL1 * CZ1;
CO2 = QZ2 * NL2 * CZ2
CN1 = IM1 * SC + PA1 * SC * DC1 + 0.16 * VT1;
CN2 = IM2 * SC + PA2 * SC * DC2 + 0.16 * VT2
CTA = CM1 + CO1 + CN1;
CTB = CM2 + CO2 + CN2
şi respectiv:
NI1 = DC1 * SC;
NI2 = DC2 * SC;
NL1 = NI1 * VI1;
NL2 = NI2 * VI2
GL1 = NL1 * SG1 * DS;
GL2 = NL2 * SG2 * DS;
GT1 = NL1 * QG1 * DS;
GT2 = NL2 * QG2 * DS
VPT1 = GL1 * PV1;
VPT2 = GL2 * PV2;
VST1 = GT1 * PG1;
VST2 = GT2 * PG2
VTA = VPT1 + VST1;
VTA = VPT2 + VST2
245
Ca şi în secţiunea 5.1 avem:
V1 = (VTA * CTB ^ 2 – VTB * CTA ^ 2)/(CTA * CTB ^ 2 – CTB * CTA ^ 2)
V2 = CTA * VTB – CTB * VTA)/(CTA * CTB ^ 2 – CTB * CTA ^ 2)
Venitul total este VT = V1 * (CT) + V2 * (CT)2, deci profitul total este: PT = VT – CT, deci
PT = (V1 - 1) * (CT) + V2 * (CT)2
Rata marginală a profitului este derivata profitului total PT, deci: RDP = (V1 – 1) +
2.V2.(CT), adică chiar formula de la punctul 34.
Exemple:
1. TĂURAŞI LA ÎNGRĂŞAT
Nr. Mărimea Minimă Aleasă Maximă
1 SC 1000 1000 1000
2 DS 700 750 800
3 DC 0.1 0.1 0.2
4 VI 0.92 0.95 0.96
5 IA 0.05 0.06 0.06
6 CI 1 1.2 1.2
7 CV 150 160 160
8 QF 18 20 22
9 CF 0.1 0.2 0.2
10 QA 50 60 70
11 QE 10 12 12
12 QC 12 14 14
13 CA 0.002 0.003 0.003
14 CE 0.18 0.2 0.2
15 CC 3.2 3.4 3.6
16 QZ 7 9 9
17 CZ 15 16 16
18 IM 1.2 1.4 1.4
19 PA 110 120 130
20 SG 0.7 0.8 0.9
21 PV 7 8 8
22 QG 8 10 10
23 PG 0.013 0.014 0.015
REZULTATE:
18. NI = 100 capete tăuraşi la începutul seriei
19. NL = 92 capete tăuraşi la sfârşitul seriei
20. GL = 41400 Kg carne în viu
21. GT = 621000 Kg gunoi = 621 tone gunoi
22. VT = 339273 lei
23. CFT = 193200 lei
24. CM = 232635 lei
25. CO = 11040 lei
26. CH = 243675 lei
27. CT = 272916 lei
28. PT = 66357 lei
29. GML = 450 Kg/cap
30. GIL = 359.84 Kg/cap aduc profit
31. CPP = 6.5922 lei cheltuieli/1 Kg carne în viu
246
32. RMP = 0.2431 lei profit/1 leu cheltuit
33. RDP = 0.1719 lei creştere profit/1 leu creştere de cheltuieli
(V1 = 1.43902; V2 = - 4.894493x 10– 7)
34. ERP = 0.71% creştere profit/1% creştere cheltuieli
Concluzie: această variantă tehnico-economică este în zona de saturaţie a producţiei, în
stânga optimului economic.
2. PORCI LA ÎNGRĂŞAT
Nr. Mărimea Minimă Aleasă Maximă
1 SC 2000 2000 2000
2 DS 230 240 250
3 DC 0.4 0.4 0.5
4 VI 0.80 0.85 0.86
5 IA 0.05 0.07 0.08
6 CI 1.5 1.6 1.8
7 CV 170 180 200
8 QF 3 3.5 4
9 CF 0.4 0.45 0.5
10 QA 25 30 35
11 QE 12 13 14
12 QC 10 11 12
13 CA 0.025 0.026 0.03
14 CE 0.18 0.22 0.22
15 CC 3.2 3.4 3.6
16 QZ 13 14 15
17 CZ 16 17 18
18 IM 1.3 1.4 1.5
19 PA 50 60 70
20 SG 0.4 0.5 0,6
21 PV 0.8 0.9 1
22 QG 2 3 4
23 PG 0.01 0.011 0.012
REZULTATE:
18. NI = 800 capete porci la începutul seriei
19. NL = 680 capete porci la sfârşitul seriei
20. GL = 81600 Kg carne în viu
21. GT = 489600 Kg gunoi = 489.6 tone gunoi
22. VT = 494985.7 lei
23. CFT = 257040 lei
24. CM = 270630 lei
25. CO = 40800 lei
26. CH = 311430 lei
27. CT = 348801.6 lei
28. PT = 146184 lei
29. GML = 120 Kg/cap porc
30. GIL = 84.17 Kg/cap porc aduc profit
31. CPP = 4.2745 lei cheltuieli/1 Kg carne în viu
32. RMP = 0.4191 lei profit/1 leu cheltuit
247
31. RDP = 0.4595 lei creştere profit/1 leu creştere de cheltuieli
(V1 = 1.347157; V2 = 1.611347 x 10– 7)
32. ERP = 1.1% creştere profit/1% creştere cheltuieli
Concluzie: această variantă tehnico-economică este în zona de expansiune a producţiei.
3. PUI DE CARNE
Nr. Mărimea Minimă Aleasă Maximă
1 SC 2000 2000 2000
2 DS 40 45 50
3 DC 10 12 15
4 VI 0.85 0.88 0.90
5 IA 0.08 0.1 0.12
6 CI 1 1.1 1.2
7 CV 0.9 1 1.1
8 QF 0.08 0.09 1
9 CF 0.4 0.45 0.5
10 QA 70 80 90
11 QE 19 20 21
12 QC 11 12 14
13 CA 0.002 0.003 0.003
14 CE 0.18 0.2 0.2
15 CC 3.2 3.4 3.6
16 QZ 9 10 11
17 CZ 17 18 19
18 IM 1.4 1.5 1.6
19 PA 0.4 0.5 0.6
20 SG 0.03 0.035 0.04
21 PV 8 9 10
22 QG 0.04 0.05 0.06
23 PG 0.01 0.011 0.012
REZULTATE:
18. NI = 24000 capete pui la începutul seriei
19. NL = 21120 capete pui la sfârşitul seriei
20. GL = 33264 Kg carne în viu
21. GT = 47520 Kg gunoi = 47.52 tone gunoi
22. VT = 193453.9 lei
23. CFT = 38491.2 lei
24. CM = 43238.3 lei
25. CO = 1837.44 lei
26. CH = 45075.74 lei
27. CT = 50484.83 lei
28. PT = 142969.1 lei
29. GML = 1.58 Kg/cap pui
30. GIL = 0.41 Kg/cap de pui aduc profit
31. CPP = 1.5177 lei cheltuieli/1 Kg carne în viu
32. RMP = 2.8319 lei profit/1 leu cheltuit
33. RDP = 2.0454 lei creştere profit/1 leu creştere de cheltuieli
(V1 = 4.161872; V2 = - 1.105736 x 10– 5)
34. ERP = 0.72% creştere profit/1% creştere cheltuieli
248
Concluzie: această variantă tehnico-economică este în zona de saturaţie a producţiei, în
stânga optimului economic.
5.4.4 Analiza economică a sistemului comercializării produselor agricole
Sistemul comercializării produselor agricole brute sau prelucrate este aflat în aval faţă de
toate sistemele agricole care au fost prezentate în secţiunea 5.2, intrările sale fiind de fapt ieşiri ale
celorlalte sisteme agricole.
Toate reuşitele/eşecurile biologice şi tehnico-economice ale celorlalte sisteme agricole, se
oglindesc în preţurile cerute de vânzători pe pieţele agroalimentare. Agricultura în ansamblu
comportă anumite riscuri legate de dezastre locale şi globale precum secete, inundaţii, alunecări de
teren, poluare globală, evoluţia preţurilor pe pieţele agroalimentare internaţionale, politici
protecţioniste în comerţul regional şi mondial, factori emoţionali la bursele de produse agricole etc.
Pe de altă parte produsele agroalimentare sunt produse de strictă necessitate şi de neînlocuit
pentru om, subnutriţia fiind o realitate în continuă extindere în ţările sărace.
O deosebire între produsele alimentare şi nealimentare este şi faptul că produsele alimentare
au uzură fizică amânată prin conservare sau congelare, în timp ce produsele nealimentare au şi
uzură fizică şi morală, uzura lor morală transformându-le în produse second-hand.
Rezultă că analiza economică a acestui sistem trebuie să aibă la bază date concrete din teren
care trebuie actualizate permanent cu mijloace informatizate.
Scopul acestei analize este obţinerea de prognoze rapide şi corecte de evoluţie a preţurilor,
de reglare cibernetică a preţurilor în funcţie de raportul cerere – ofertă, de asigurare a siguranţei
alimentare a populaţiei.
Vom aborda mai departe principalele produse agroalimentare brute şi semiprelucrate
autohtone, ale căror preţuri pot fi negociate în funcţie de raportul cerere-ofertă, şi a căror prelucrare
în formă consumabilă o fac cumpărătorii în bucătăria personală.
Aceste produse le vom grupa în următoarele grupe:
A) Cereale şi plante tehnice
A1) Grâu
A2) Secară
A3) Orz
A4) Orzoaică
A5) Porumb
A6) Floarea soarelui
A7) Fasole boabe
A8) Mazăre boabe
A9) Cartofi roz
A10) Cartofi albi
A11) Făină
A12) Mălai
A13) Tărâţe grâu
B) Legume
B1) Varză albă
B2) Varză roşie
B3) Conopidă
B4) Ceapă albă
B5) Ceapă roşie
B6) Praz
B7) Usturoi
B8) Tomate
B9) Vinete
249
B10) Ardei gras
B11) Ardei capia
B12) Ardei gogoşar
B13) Castraveţi
B14) Morcovi
B15) Ţelină
B16) Albitură
B17) Sfeclă roşie
B18) Salată
B19) Ridichi de lună
C) Fructe
C1) Mere
C2) Pere
C3) Prune
C4) Piersici
C5) Caise
C6) Cireşe
C7) Vişine
C8) Căpşuni
C9) Zmeură
C10) Pepeni verzi
C11) Pepeni galbeni
C12) Struguri albi
C13) Struguri roşii
C14) Vin alb
C15) Vin roşu
C16) Ţuică
D) Produse zootehnice
D1) Carne de vită
D2) Carne de mânzat în viu
D3) Carne de porc în viu
D4) Carne de oaie/capră în viu
D5) Carne de miel/ied în viu
D6) Carne de pasăre în viu
D7) Peşte
D8) Lapte de vacă integral
D9) Brânză dulce
D10) Smântână
D11) Telemea de vacă
D12) Telemea de bivoliţă
D13) Telemea de oi
D14) Ouă de găină
D15) Miere de salcâm
D16) Miere polifloră
Notă: În nomenclatorul precedent, nu s-au prevăzut produse de calitatea I şi II deoarece din
teren se culeg preţurile minim şi maxim ale produselor agricole, care acoperă toate calităţile.
250
Clasificarea produselor agricole după coeficientul de înlocuire
a) Produse de necesitate mare (cu coeficient mic de înlocuire)
Exemple: cartofi, varză albă, ceapă albă, tomate, ardei gras, morcovi, mere, struguri, lapte, ouă.
La produsele de necesitate mare, la creşterea preţului de vânzare, cantitatea vândută scade puţin.
b) Produse de necesitate mijlocie (cu coeficient mediu de înlocuire)
Exemple: făină, mălai, fasole boabe, vinete, ardei gogoşar, castraveţi, conopidă, ţelină, pere,
prune, piersici, căpşuni, pepeni, carne de vită, porc, pasăre.
La produsele de necesitate mijlocie, cu creşterea preţului de vânzare, cantitatea vândută
scade puţin apoi scade brusc.
c) Produse de necesitate mică (cu coeficient mare de înlocuire)
Exemple: usturoi, sfeclă roşie, ridichi, praz, carne de oaie şi miel, miere de salcâm.
La produsele de necesitate mică, cu creşterea preţului de vânzare, cantitatea vândută scade
brusc.
Clasificarea produselor agricole după timpul cât se află la vânzare:
1) Produse aflate permanent la vânzare
Exemple:
Toate cerealele de la punctul A)
Ceapa, usturoiul, morcovii, ţelina, albitura, sfecla roşie de la punctul B)
Merele, vinul, ţuica de la punctul C)
Toate produsele de la punctul D) cu excepţia cărnii de miel.
2) Produse aflate la vânzare câteva luni
Exemple:
Toate legumele de la punctul B) altele decât cele enumerate la punctul 1).
Toate fructele de la punctul C) altele decât cele enumerate la punctul 1) cu excepţia
căpşunilor şi zmeurii.
3) Produse aflate la vânzare câteva săptămâni
Exemple:
Căpşunile şi zmeura de la punctul C) şi carnea de miel/ied de la punctul D)
OFERTA PRODUCĂTORILR de produse agricole autohtone, brute sau semiprelucrate, conţine
pentru fiecare produs, următoarele componente principale, la nivel de unitate economică, judeţ,
ţară:
1. Suprafaţa cultivată/efectivul de animale vii;
2. Producţia medie pe ha/pe cap de animal;
3. Producţia totală vegetală/zootehnică din acelaşi judeţ cu locul comercializării;
4. Producţia totală vegetală/zootehnică adusă la locul comercializării din alte judeţe;
5. Costul de producţie (lei/tonă);
6. Distanţa de la locul de producţie la locul de vânzare;
7. Costul transportului (lei/tonă) de la locul de producţie la locul comercializării;
8. Adaosul comercial (lei/tonă);
9. Intrevalul de timp (zile) cât produsul se află la vînzare.
CEREREA CONSUMATORILOR de produse agricole autohtone, brute sau semiprelucrate,
conţine pentru fiecare produs, următoarele componente principale, la nivel de unitate economică,
judeţ, ţară:
10. Numărul consumatorilor care cumpără dintr-un loc de comercializare;
11. Venitul anual pe membru de familie (lei);
251
12. Consumul mediu anual pe membru de familie, din fiecare produs agricol (Kg)
13. Cheltuielile medii anuale pe membru de familie, pentru toate produsele agricole.
CAPACITATEA DE VÂNZARE – CUMPĂRARE de produse agricole autohtone, brute sau
prelucrate, conţine următoarele componente principale:
14. Numărul pieţelor dintr-o localitate sau judeţ;
15. Suprafaţa spaţiului de vânzare pentru fiecare grup de produse agricole enumerate la punctele
A) – D) la nivel de piaţă, localitate sau judeţ;
16. Ponderea (%) din suprafaţa de vânzare a unei pieţe, ocupată de produse agricole din import
(legume, fructe etc.)
17. Ponderea (%) din numărul de persoane care vând, a celor care nu au nicio legătură cu
producţia agricolă (intermediari en gros şi en detail)
18. Taxa medie (lei/m2) pentru spaţiile de vânzare;
19. Controlul sanitar-veterinar al produselor agricole expuse la vânzare, condiţiile igienico-sanitare
obligatorii ale spaţiilor de vânzare şi dotări corespunzătoare de păstrare-conservare a
produselor în ele.
Etape de analiză economică a sistemelor de comercializare a produselor agricole sunt
următoarele:
I. Culegerea de date privind cantităţile vândute şi preţurile de vânzare pentru fiecare produs din
cele de la punctele A) - D) se face săptămânal în câteva pieţe reprezentative din localităţile mai mari
ale judeţului, pe formulare tipizate de forma de mai jos.
A) CHESTIONAR PREŢURI CEREALE ŞI PLANTE TEHNICE
JUDEŢUL:
LOCALITATEA:
PIAŢA:
DATA: ZIUA: LUNA: ANUL:
NUME ŞI PRENUME RECENZOR:
PRODUSUL: PREŢ MIMIM: PREŢ FRECVENT: PREŢ MAXIM:
A1) Grâu
A2) Secară
A3) Orz
A4) Orzoaică
A5) Porumb
A6) Floarea soarelui
A7) Fasole boabe
A8) Mazăre boabe
A9) Cartofi roz
A10) Cartofi albi
A11) Făină
A12) Mălai
A13) Tărâţe grâu
252
B) CHESTIONAR PREŢURI LEGUME
JUDEŢUL:
LOCALITATEA:
PIAŢA:
DATA: ZIUA: LUNA: ANUL:
NUME ŞI PRENUME RECENZOR:
PRODUSUL: PREŢ MIMIM: PREŢ FRECVENT: PREŢ MAXIM:
B1) Varză albă
B2) Varză roşie
B3) Conopidă
B4) Ceapă albă
B5) Ceapă roşie
B6) Praz
B7) Usturoi
B8) Tomate
B9) Vinete
B10) Ardei gras
B11) Ardei capia
B12) Gogoşari
B13) Castraveţi
B14) Morcovi
B15) Ţelină
B16) Albitură
B17) Sfeclă roşie
B18) Salată
B19) Ridichii lună
C) CHESTIONAR PREŢURI FRUCTE
JUDEŢUL:
LOCALITATEA:
PIAŢA:
DATA: ZIUA: LUNA: ANUL:
NUME ŞI PRENUME RECENZOR:
PRODUSUL : PREŢ MIMIM: PREŢ FRECVENT: PREŢ MAXIM:
C1) Mere
C2) Pere
C3) Prune
C4) Piersici
C5) Caise
C6) Cireşe
C7) Vişine
C8) Căpşuni
C9) Zmeură
C10) Pepeni verzi
C11) Pepeni galbeni
C12) Struguri albi
C13) Struguri roşii
C14) Vin alb
C15) Vin roşu
C16) Ţuică
253
II. Organizarea electronică a datelor se face ca baze de date EXCEL sau ACCESS cu acces ON-
LINE şi pe INTERNET. Prezentarea grafică a datelor se face foarte sugestiv cu diagrame EXCEL.
III. Prelucrarea electronică a datelor relative la sistemele de comercializare a produselor agricole
constă în:Transformarea preţurilor reale în preţuri comparabile prin cursul de schimb leu-euro sau
leu-dolar.
Exemplu:
1. În 1990 un Kg cotlet porc costa P 1 = 37 lei la cursul C1 = 22.43 lei/1 dolar, iar în 2003 costa
P2 = 123 lei la cursul C2 = 3.32 lei/1 dolar. Preţul din 2003 comparabil cu 1990 este PC2 =
P1.(C2/C1) = 5.48 lei.
2. Calculul indicilor de dinamică şi teritoriali pe produse, pe grupe de produse şi pe ansamblu
(vezi secţiunea 7.3.1);
3. Ajustarea prin regresii neliniare (trend şi oscilaţii sezoniere) (vezi Capitolul 10) a evoluţiei
preţurilor în raport de raportul cerere-ofertă şi factorii conjuncturali (de risc, de evoluţie a
preţurilor pe piaţa mondială, de politicile de import – export de produse alimentare etc.).
Finalitatea acestor regresii este obţinerea unor prognoze ale preţurilor, cu marje de eroare
rezonabile.
4. Optimizarea nivelului preţurilor de vânzare sub aspectul maximizării venitului din vânzarea
produselor agricole, a stimulării consumului de produse agricole ca o cale principală de
relansare a producţiei agricole (vezi secţiunea 3.1.4, B)
5.5 Balanţa legăturilor între ramuri
Sistemele agricole reale sunt foarte rar omogene, ele conţin subsisteme care diferă între ele
ca intrări, stări interne sau ieşiri, fiind de fapt ramuri ale sistemului care le conţine.
Aceste ramuri trebuie să se coordoneze între ele pentru a maximiza profitul sistemului
căruia îi aparţin şi pentru a asigura un raport normal între cerere şi ofertă pe pieţele locale şi cea
naţională a produselor agricole.
De exemplu, ramura zootehniei este strâns dependentă de ramura vegetală prin producţia de
furaje şi trimite la rândul ei îngrăşăminte organice către ramura vegetală.
O metodă de studiere a acestor legături este metoda balanţelor intrări-ieşiri.
În practica agricolă se întocmesc balanţe furajere, ale forţei de muncă, balanţe energetice,
balanţe de venituri şi cheltuieli, balanţe ale fondului funciar, balanţe ale efectivelor de animale etc.
Balanţa legăturilor între ramuri este o metodă ştiinţifică de analiză şi planificare tehnico-
economică a producţiilor ramurilor unui sistem agricol în scopul dezvoltării economice armonioase
a acestuia.
Principiul fundamental al balanţei legăturilor între ramuri este obţinerea de venituri mai mari
pe baza realizării unor producţii agricole mai mari şi aceasta cu cheltuieli mai mari.
Privind rata profitului (raportul profit-cheltuieli), balanţa legăturilor între ramuri permite
stabilirea ritmului de dezvoltare precum şi a rentabilităţii diferitelor ramuri şi luarea de măsuri
corespunzătoare prin mecanizare, chimizare, electrificare, ridicarea calificării forţei de muncă etc.
Din punct de vedere structural, balanţa legăturilor între ramuri sub formă economică, are
rubricile:
254
Ramuri Cheltuieli productive Venituri finale (VF) Venituri (V)
consumat.→ interramuri (CI)
RC1………………..RCn Fond Fond
Ramuri producăt.↓ Dezvoltare Consum
(FD) (FC)
RP1 CI11………………..CI1n FD1 FC1 V1
. . . . . .
. . . . . .
. . . . . .
RPn CI1n………………..CInn FDn FCn Vn
Cheltuieli (C) C1……………………Cn FDT→
CT↓
Profituri (P) P1…………………….Pn FCT→
PT↓
Venituri (V) V1……………………Vn VT→
VT↓
În cadranul I este matricea cheltuielilor productive interramuri (CI) care includ ceea ce se
consumă în procesul de producţie în fiecare ramură atât pentru nevoile proprii (CI11,…, CInn) cât şi
pentru alte ramuri (CIij cu i ≠ j).
În cadranul II se găsesc veniturile finale (VF) care se descompun în coloana fondurilor de
dezvoltare (FD1,…, FDn) şi coloana fondurilor de consum (FC1,…, FCn) pentru ramuri producătoare
(RP). La sfârşitul liniilor pentru ramuri producătoare se află veniturile acestor ramuri (V1,…, Vn).
În cadranul III se găsesc cheltuielile (de producţie, forţă de muncă şi neproductive) (C1,…, Cn)
şi profiturile (P1,…, Pn) pe ramuri consumatoare (RC).
La sfârşitul coloanelor pentru ramuri consumatoare se află veniturile acestor ramuri
(V1,…, Vn).
Se consideră că ramurile unui sistem agricol au dublă calitate de ramuri producătoare şi
ramuri consumatoare.
În cadranul IV se găsesc: fondul de dezvoltare total (FDT), fondul de consum total (FCT) şi
venitul total (VT) pentru ramuri producătoare (RP) respectiv cheltuielile totale (CT), profitul total
(PT) şi venitul total (VT) pentru ramuri consumatoare (RC).
Dacă în balanţa economică precedentă înlocuim cheltuielile cu consumurile şi veniturile cu
producţiile fizice, obţinem o balanţă tehnică cu toţi coeficienţii exprimaţi în unităţi naturale (tone,
zile-om, ore-agregat, m3, litri, Kwh etc.)
După modul de urmărire a procesului de producţie în agricultură, balanţa este statică
(anuală) şi dinamică (multianuală).
În cazul balanţei dinamice, investiţiile se scot din sfera veniturilor finale şi se includ în sfera
producţiei ceea ce permite urmărirea procesului de dezvoltare a unităţii agricole în perspectivă.
Etapele de analiză şi planificare a balanţei economice de la un an agricol la altul, sunt
următoarele:
1) Încheierea balanţei în anul de referinţă
1. a) Pentru ramuri producătoare, sumele de pe linii sunt egale cu veniturile de la cap de
linie:
CI11 + … + CI1n + FD1 + FC1 = V1
…………………………………
CIn1 + … + CInn + FDn + FCn = Vn
Aceste relaţii permit calculul fondurilor de consum pe ramuri producătoare FC1,…, FCn ca
diferenţe:
FCi = Vi – (CIi1 + … + CIin + FDi), (i = 1,…, n)
255
1.b) Pentru ramuri consumatoare, sumele de pe coloane sunt egale cu veniturile de la cap
de coloană:
CI11 + … + CIn1 + C1 + P1 = V1
………………………………
CI1n + … + CInn + Cn + Pn = Vn
Aceste relaţii permit calculul profiturilor pe ramuri consumatoare P1,…, Pn ca diferenţe:
Pj = Vj – (CI1j + … + CInj + Cj), (j = 1,…, n)
1.c) Pentru întreaga unitate economică calculăm pe ansamblul ramurilor producătoare,
fondul de dezvoltare total: FDT = FD1 + … + FDn, fondul de consum total: FCT =
FC1 + … + FCn şi venitul total: VT = V1 + … + Vn.
Pentru întreaga unitate economică calculăm pe ansamblul ramurilor consumatoare,
cheltuielile totale: CT = C1 + … + Cn, profitul total: PT = P1 + … + Pn şi venitul
total: VT = V1 + … + Vn.
Balanţa este corectă dacă venitul total al ramurilor producătoare este egal cu venitul total al
ramurilor consumatoare.
2) Analiza economică a ramurilor în anul de referinţă
2.d) Pentru ramuri producătoare, se împarte fiecare linie a balanţei de referinţă la capul de
linie şi se obţine tabelul:
Ramuri Cheltuieli directe (AL) FDM FCM RMD
producătoare
RP1 AL11…….AL1n FDM1 FCM1 RMD1
. . . . . .
. . . . . .
. . . . . .
RPn ALn1……...ALnn FDMn FCMn RMDn
Am obţinut:
I. Matricea cheltuielilor directe pe linii (AL):
AL11 = CI11/V1,…, AL1n = CI1n/V1
……………………………………
ALn1 = CIn1/Vn,…, ALnn = CInn/Vn
II. Coloana fondurilor de dezvoltare medii (FDM):
FDM1 = FD1/V1,…, FDMn = FDn/Vn
III. Coloana fondurilor de consum medii (FCM):
FCM1 = FC1/V1,…, FCMn = FCn/Vn
Coloana ratelor medii de dezvoltare a ramurilor (RMD) se obţine astfel:
RMD1 = FD1/FC1,…, RMDn = FDn/FCn
Acea ramură producătoare cu rata medie a dezvoltării mai mare, se poate dezvolta în
continuare, deoarece s-a dovedit mai rentabilă în anul de referinţă.
2.e) Pentru ramuri consumatoare, se împarte fiecare coloană a balanţei de referinţă la
capul de coloană şi se obţine tabelul:
256
Ramuri consumatoare RC1…………………………………RCn
AC11………………………………..AC1n
. .
Cheltuieli directe (AC) . .
. .
ACn1………………………………..ACnn
CM CM1………………………………..CMn
PM PM1………………………………...PMn
RMP RMP1…..…………………………..RMPn
Am obţinut:
IV. Matricea cheltuielilor directe pe coloane (AC):
AC11 = CI11/V1,…, AC1n = CI1n/Vn
……………………………………
ACn1 = CIn1/V1,…, ACnn = CInn/Vn
V. Linia cheltuielilor medii (CM):
CM1 = C1/V1,…, CMn = Cn/Vn
VI. Linia profiturilor medii (PM):
PM1 = P1/V1,…, PMn = Pn/Vn
Linia ratelor medii ale profitului (RMP) se obţine astfel:
RMP1 = P1/C1,…, RMPn = Pn/Cn
Cea mai rentabilă ramură consumatoare în anul de referinţă este aceea cu rata medie a
profitului cel mai mare.
3) Planificarea balanţei legăturilor între ramuri pentru anul următor (balanţa-plan):
3.f) Matricea dezvoltării ramurilor producătoare este (E – A)-1.
Pentru calculul inversei vezi secţiunea 1.2.3 C din capitolul 1.
3g) Planificăm veniturile finale pe ramuri producătoare pentru anul următor:
VFP1,…, VFPn care trebuie să fie mai mari ca veniturile finale din anul de referinţă
notate cu VF1 = FD1 + FC1,…, VF1n = FDn + FCn
Deasemenea planificăm fondurile de dezvoltare pe ramuri producătoare pentru anul următor:
FDP1,…, FDPn care trebuie să fie mai mari ca fondurile de dezvoltare în anul de referinţă notate cu
FD1,…, FDn.
Fie VFPT = VFP1 + … + VFPn; FDPT = FDP1 + … + FDPn; FCPT = VFPT – FDPT
3.h) Calculăm veniturile planificate pe ramuri producătoare din ecuaţia balanţei:
VP = (E – AL)– [Link]
Aici VFP este vectorul-coloană cu n componente VFP1,…, VFPn.
VP va fi vector-coloană cu n componente VP1,…, VPn.
Fie VPT = VP1 + … + VPn.
3.i) Completăm balanţa planificată şi pentru ramurile consumatoare prin înmulţirea
coloanelor din matricea AC şi linia CM de la punctul 2.e) cu componentele
VP1,…, VPn calculate la punctul 3.h):
Cheltuielile productive interramuri planificate vor fi:
257
CIP11 = AC11.VP1,…, CIP1n = [Link]
…………………………………………
CIPn1 = ACn1.VP1,…, CIPnn = [Link]
Cheltuielile planificate vor fi: CP1 = CM1.VP1,…, CPn = [Link]
În acest moment balanţa planificată are completate aceleaşi rubrici ca şi balanţa de referinţă
înainte de începerea calculelor de la punctul 1).
Fie CPT = CP1 + … + CPn; PPT = VPT – CPT
4.j) Calculăm ratele dezvoltării unităţii economice pe ansamblul ramurilor
producătoare, astfel:
Rata medie a dezvoltării unităţii economice: RMDT = FDT/FCT
Mărimile FDT şi FCT au fost calculate la punctul 1.c).
RMDT reprezintă suma alocată pentru fondul de dezvoltare (lei) ce corespunde unui leu
alocat pentru fondul de consum, în balanţa de referinţă.
Rata medie a dezvoltării unităţii economice:
RDDT = (FDPT – FDT)/(FCPT + FCT)
RDDT reprezintă suma cu care ar creşte fondul de dezvoltare (lei) dacă fondul de consum ar
creşte cu 1 leu, în balanţa de referinţă.
Mărimile FDT, FCT au fost calculate la punctul 1.c) iar mărimile FDPT, FCPT au fost
calculate la punctul 3.g).
Elasticitatea ratei dezvoltării unităţii: ERDT = RDDT/RMDT.
ERDT reprezintă procentele cu care ar creşte fondul de dezvoltare, dacă fondul de consum
ar creşte cu 1%, în balanţa de referinţă.
4.k) Calculăm ratele profitului unităţii economice pe ansamblul ramurilor
consumatoare, astfel:
Rata medie a profitului unităţii economice: RMPT = PT/CT
Mărimile PT şi CT au fost calculate la punctul 1.c).
RMPT reprezintă suma din profit (lei) care corespunde unui leu cheltuit, în balanţa de
referinţă.
Rata marginală a profitului unităţii economice:
RDPT = (PPT – PT)/(CPT – CT)
Mărimile PT, CT au fost calculate la punctul 1.c) iar mărimile PPT, CPT au fost calculate la
punctul 3.i).
RDPT reprezintă suma cu care ar creşte profitul (lei) dacă cheltuielile ar creşte cu 1 leu, în
balanţa de referinţă.
Elasticitatea ratei profitului: ERPT = RDPT/RMPT.
ERPT reprezintă procentele cu care ar creşte profitul, dacă cheltuielile ar creşte cu 1%, în
balanţa de referinţă.
Exemplu:
Fie balanţa în anul de referinţă cu cifrele de lei pentru ramurile producătoare (RP): RP1
(Vegetală), RP2 (Zootehnie), RP3 (Semiindustrializare) care sunt şi ramuri consumatoare (RC):
RC→ CI VF
RP↓ RC1 RC2 RC3 FD FC V
RP1 2000 1000 500 2000 14500 20000
RP2 700 1500 900 1800 13100 18000
RP3 800 1200 3000 3500 21500 30000
C 8000 7500 10000 25500\7300
P 8500 6800 15600 30900\49100
V 20000 18000 30000 68000\68000
258
1. Încheierea balanţei în anul de referinţă:
a) FC1 = 20000 – (2000 + 1000 + 500 + 2000) = 14500 lei
FC2 = 18000 – (700 + 1500 + 900 + 1800) = 13100 lei
FC3 = 30000 – (800 + 1200 + 3000 + 3500) = 21500 lei
b) P1 = 2000 – (2000 + 700 + 800 + 8000) = 8500 lei
P2 = 18000 – (1000 + 1500 + 1200 + 7500) = 6800 lei
P3 = 3000 – (500 + 900 + 3000 + 10000) = 15600 lei
c) FDT = 2000 + 1800 + 3500 = 7300 lei
FCT = 14500 + 13100 + 21500 = 49100 lei
VT = 20000 + 18000 + 30000 = 68000 lei
PT = 8500 + 6800 + 15600 = 30900 lei
Mărimile calculate la punctele 1.a) – 1.c) au fost trecute în balanţa de referinţă cu cifre
îngroşate.
2. d) Se împarte fiecare linie pentru ramuri producătoare, la capul de linie:
RP AL FDM FCM RMD
RP1 0.100 0.050 0.025 0.100 0.725 0.138
RP2 0.039 0.083 0.050 0.100 0.728 0.137
RP3 0.027 0.040 0.101 0.117 0.717 0.163
Avem RMD1 = 2000/14500 = 0.138; RMD2 =1800/13100 = 0.137; RMD3 =3500/21500 = 0.163
Deci ramura producătoare de semiindustrializare are cea mai mare rată medie a dezvoltării
deci trebuie extinsă cu precădere în anul următor.
2. e) Se împarte fiecare coloană pentru ramuri consumatoare, la capul de coloană:
RC RC1 RC2 RC3
0.100 0.056 0.077
AC 0.035 0.083 0.030
0.040 0.067 0.100
CM 0.400 0.417 0.333
PM 0.425 0.378 0.520
RMP 1.063 0.907 1.560
Avem RMP1 = 8500/8000 = 1.063; RMP2 = 6800/7500 = 0.907; RMP3 = 15600/10000 =
1.560, deci ramura Semiindustrializare are cea mai mare rată medie a profitului fiind cea mai
rentabilă în anul de referinţă.
3. f) Avem:
0.900 - 0.050 - 0.025 1.115 0.062 0.034
- 0.050 ; E AL 0.049
1
E AL - 0.039 0.917 1.096 0.062
- 0.027 - 0.040 0.899 0.035 1.115
0.051
259
3. g)
RP AVEM: ALEGEM:
VF din care FD VFP din care FDP
RP1 16500 2000 18000 2500
RP2 14900 1800 16000 2000
RP3 25000 3500 27000 4000
TOTAL 56400 7300 61000 8500
3. h)
1.115 0.062 0.034 180 219.935
VP 0.049 1.096 0.062 . 160 201.083
0.035 1.115 270 315.454
0.051
3. i) Înmulţim coloanele tabelului 2.e) cu veniturile planificate găsite la punctul 3.h) şi astfel
completăm balanţa planificată, căreia îi aplicăm paşii 1.a) – 1.c):
RC→ CI VF
RP↓ RC1 RC2 RC3 FD FC V
RP1 0.100 x 0.056 x 0.017 x 2500 15500 21993.5
21993.5 20108.3 31545.4
RP2 0.035 x 0.083 x 0.030 x 2000 14000 20108.3
21993.5 20108.3 31545.4
RP3 0.040 x 0.067 x 0.100 x 4000 23000 31545.4
21993.5 20108.3 31545.4
C 0.400 x 0.417 x 0.333 x 27690.9\8500
21993.5 20108.3 31545.4
P 9347.2 7596.5 16403.6 33347.2\52500
V 21993.5 20108.3 31545.4 73647\73647
4. j) Calculăm ratele dezvoltării unităţii economice pe ansamblul ramurilor producătoare,
astfel:
Rata medie a dezvoltării unităţii economice: RMDT = FDT/FCT = 7300/49100 = 0.149 lei
au fost alocaţi pentru fondul de dezvoltare la fiecare leu care a fost alocat pentru fondul de consum
de lei care a fost alocată pentru fondul de consum în balanţa de referinţă.
Mărimile FDT = 7300 şi FCT = 49100 au fost calculate la punctul 1.c).
Rata marginală a dezvoltării unităţii economice:
RDDT = (FDPT – FDT)/(FCPT + FCT) = (8500 – 7300)/(52500 – 42100) = 0.353 lei ar fi
creşterea fondului de dezvoltare dacă fondul de consum ar creşte cu 1 leu în balanţa de referinţă.
Mărimile FDT = 7300, 0FCT = 42100 au fost calculate la punctul 1.c) iar mărimile FDPT =
8500, FCPT = 52500 au fost calculate la punctul 3.g).
Elasticitatea ratei dezvoltării unităţii: ERDT = RDDT/RMDT = 0.353/0.149 = 2.4, deci
fondul de dezvoltare ar creşte cu 2.4%, dacă fondul de consum ar creşte cu 1% în balanţa de
referinţă.
4. k) Calculăm ratele profitului unităţii economice pe ansamblul ramurilor consumatoare,
astfel:
260
Rata medie a profitului unităţii economice: RMPT = PT/CT = 30900/25500 = 1.212 lei este
profitul care corespunde la 1 leu cheltuieli în balanţa de referinţă.
Mărimile PT = 39000 şi CT = 25500 au fost calculate la punctul 1.c).
Rata marginală a profitului unităţii economice:
RDPT = (PPT – PT)/(CPT – CT) = (33347.2 – 30900)/(27690.9 – 25500) = 1.147 lei ar fi
creşterea profitului dacă cheltuielile ar creşte cu 1 leu în balanţa de referinţă.
Mărimile PT = 30900, CT = 25500 au fost calculate la punctul 1.c) iar mărimile PPT =
33347.2, CPT = 27690.9 au fost calculate la punctul 3.i).
Elasticitatea ratei profitului: ERPT = RDPT/RMPT = 1.147/1.212 = 0.9, deci profitul ar
creşte cu 0.9%, dacă cheltuielile ar creşte cu 1% în balanţa de referinţă.
Toate calculele de la punctele 1.a) – 4.k) le face programul BALANŢA din Anexă.
5.6 Concentrarea şi diversificarea producţiei agricole pe ramuri
Dacă avem ramurile producătoare RP1,…, RPn cu veniturile V1,…, Vn, cota-parte a ramurii
RPj la venitul unităţii economice VT = V1 +…+ Vn este fj = Vj/(V1 +… + Vn) [0; 1].
Avem vectorul de structură f = (f1,…, fn) cu 0 ≤ fj ≤ 1 şi f1 +…+ fn = 0.
Concentrarea producţiei agricole pe ramuri este tendinţa de dezvoltare a ramurilor mai
rentabile, inclusiv desfiinţarea unor ramuri mai puţin rentabile.
Concentrarea este maximă dacă rămâne o singură ramură j cu fj = 1 şi fi = 0 pentru j ≠ i. O
asemenea situaţie s-a întâlnit în unele ţări africane care aveau agricultura bazată pe monocultură.
Diversificarea producţiei agricole pe ramuri este tendinţa de dezvoltare armonioasă a tuturor
ramurilor, inclusiv înfiinţarea unor ramuri noi care se dovedesc rentabile.
Diversificarea este maximă dacă toate ramurile au aceeaşi parte la venitul unităţii agricole,
deci vectorul de structură are forma: f = (1/n,…, 1/n).
Pentru măsurarea gradului de concentrare a unei structuri pe ramuri, se poate folosi
coeficientul de concentrare structurală F = (f12 + … + fn2)1/2.
Teorema 5.1
1) Avem 1/n1/2 ≤ F ≤ 1. F = 1/n1/2 pentru concentrarea minimă şi F = 1 pentru concentrarea maximă.
2) Dacă n = constant, F creşte odată cu concentrarea.
3) Dacă n creşte, F scade iar dacă n scade, F creşte.
Demonstraţie:
1) Evident n.∑(fi – 1/n)2 = n. ∑fi2 – 1 ≥ 0, deci ∑fi2 ≥ 1/n aşa că F ≥ 1/n1/2.
Avem 1 = (∑ fi)2 = ∑fi2 + 2. ∑∑[Link] şi cum fj, fk ≥ 0 rezultă 2. ∑∑[Link] ≥ 0, deci ∑fi2 ≤ 1 aşa
că F ≤ 1.
Pentru concentrarea minimă avem f1 = … = fn = 1/n, deci ∑fi2 = ∑ 1/n1/2 = n. (1/n2) = 1/n,
aşa că F = 1/n1/2.
Pentru concentrarea maximă avem fi = 1 şi fj = 0 pentru j ≠ I, deci ∑fi2 = 1 aşa că F = 1.
2) Fie fi > fj şi fie fi’ = fi + t; fj’ = fj – t; (t > 0); fk’ = fk pentru orice k ≠ i, j deci concentrarea creşte
deoarece fi’ – fj’ = (fi – fj) + 2.t, deci fi’ – fj’ > fi – fj.
Deasemenea avem (fi’)2 = fi2 + [Link] + t2; (fj’)2 = fj2 + [Link] + t2, deci (fi’)2 + (fj’)2 = (fi2 + fj2)
+ 2.t.(fi – fj ) + 2.t2 şi cum fi - fj > 0, t > 0 rezultă: (fi’)2 + (fj’)2 > fi2 + fj2 şi (fk’)2 = fk2 pentr k ≠ i, j,
deci F creşte.
3) Dacă ramura k se separă în ramurile i şi j, f k se înlocuieşte cu f i + fj, iar fk2 = fi2 + fj2 + [Link].
fj > fi2 + fj2, deci F scade. Q.E.D.
261
Un indicator al concentrării producţiei agricole pe ramuri care este şi standardizat, este F* =
1/2
[(n ).F - 1]/[(n1/2) - 1]. Este vizibil că 0 ≤ F* ≤ 1.
Un indicator al diversificării structurii pe ramuri este 1 – F respectiv 1 – F*.
Un alt indicator al diversificării structurii pe ramuri este entropia structurii: H = - Σ fi.log2 fi.
Valorile lui - fi.log2 fi se obţin din tabela 1 de la sfârşitul lucrării.
H are proprietăţi inverse celor ale lui F:
1) 0 ≤ H ≤ log2 n
H = 0 pentru diversificarea minimă, adică concentrarea maximă: fi = 1; fj = 0 pentru j ≠ i.
H = log2 n pentru diversificarea maximă, adică concentrarea minimă: f1=…= fn = 1/n
2) Dacă n = constant, H creşte odată cu diversificarea.
3) Dacă n creşte, H scade iar dacă n scade, H creşte.
O măsură a diversificării, care este şi standardizată, este H* = H/(log2 n).
Evident 0 ≤ H* ≤ 1. Entropia H a fost prezentată şi în secţiunea 5.2.1
În cazul unui grup de m unităţi agricole a câte n ramuri fiecare, avem tabloul veniturilor
anuale:
Ramuri → R1 …………………………….Rn Sume pe unităţi agricole
Unităţi agricole ↓
U1 V11……………………………..V1n V1.
. . . .
. . . .
. . . .
Um Vm1……………………………..Vmn Vm.
Sume pe ramuri V.1 …………………………….V.n VT
Împărţind toate veniturile din tabel cu VT, avem cotele-părţi ale unităţilor agricole şi
ramurilor:
Ramuri → R1 …………………………….Rn Sume pe unităţi agricole
Unităţi agricole ↓
U1 f11………………………………f1n F1.
. . . .
. . . .
. . . .
Um fm1…………………………….fmn fm.
Sume pe ramuri f.1 …………………………….f.n 1
Avem următorii coeficienţi de concentrare a producţiei:
1) Coeficientul de concentrare a producţiei grupului, pe unităţi şi pe ramuri:
m n
Ft f
i 1 j1
2
ij
2) Coeficientul de concentrare a producţiei grupului, pe unităţi:
m
Fu f i 1
2
i.
262
3) Coeficientul de concentrare a producţiei grupului, pe ramuri:
n
Fr f
j1
2
.j
Avem 1/(m.n)1/2 ≤ Ft ≤ Fu, Fr ≤ 1
În cazul a două structuri pe ramuri cu vectorii de structură: f = (f1,…, fn); g = (g1,…, gn); 0 ≤ fi,
gi ≤ 1, ∑fi = ∑ gi = 1 şi cu coeficienţii de concentrare structurală: F = (f12 + … + fn2)1/2; G = (g12 + …
+ gn2)1/2, avem coeficientul de corelaţie a concentrării pe ramuri: C = (f1.g1 +… + [Link])1/2
Avem 0 ≤ C ≤ (F.G )1/2
Teorema 5.2
1) Avem: 0 ≤ C ≤ 1
C = 0 dacă corelaţia concentrării celor două structuri este minimă: fi ≠ 0 implică gi = 0 şi fi = 0
implică gi ≠ 0.
C = 1 dacă corelaţia concentrării este maximă: fi = gi = 1 şi fi= gi =0 pentru i≠j.
2) Dacă n = constant, C scade odată cu corelaţia concentrării.
3) Dacă n creşte, C scade şi dacă n scade, C creşte.
Demonstraţie:
1) Evident fi, gi ≥ 0, deci ∑[Link] ≥ 0, aşa că C ≥ 0.
Conform inegalităţii Cauchy – Schwartz, avem pentru fi, gi ≥ 0:
∑[Link] ≤ [∑fi2.∑gi2]1/2 ≤ 1 deci C ≤ 1.
C = 0 dacă fi ≠ 0 implică gi = 0 şi fi = 0 implică gi ≠ 0.
C = 1 dacă fi = gi = 1 şi fi = gi = 0 pentru i ≠ j.
2) Fie fi > gi şi fie fi’ = fi + t; gi’ = gi – t; (t > 0); fj’ = gj’ pentru orice j ≠ i.
În acest caz corelaţia concentrării scade deoarece fi’ – gi’ = (fi – gi) + 2.t, deci fi’ – gi’ > fi – gi
Deasemenea avem fi’.gi’ = (fi. gi) – t.(fi – gi) – t2 aşa că fi’.gi’ < fi. gi deoarece fi – gi > 0, t2 > 0
iar fj’.gj’ = fj. gj pentru j ≠ i, aşa că C scade.
3) Dacă ramura k se separă în ramurile i şi j, n creşte, fk se înlocuieşte cu fi + fj, gk se înlocuieşte cu
gi + gj iar fkgk = figi + fjgj + (figj + fjgi) şi cum figj + fjgI ≥ 0 rezultă fkgk ≥ figi + fjgj, deci C scade.
Q.E.D.
Dacă fi = gi, avem C = F deci coeficientul de concentrare este coeficient de corelaţie a
concentrării cu ea însăşi.
Pentru găsirea structurii optime a producţie pe ramuri, fie Hi = CMi = Ci/Vi cheltuielile
medii pe ramuri (i = 1,…, n). Aceste cheltuieli medii sunt funcţii pătratice de fi deoarece dacă fi este
prea mic sau prea mare, cheltuielile medii CMi cresc.
Prin urmare, avem CMi = ai.fi2 + [Link] unde ai > 0, bi < 0, cu un minim pentru fi0 = (- bi)/[Link];
(i = 1,…, n). În general avem ∑fi0 ≠ 1.
În mod analog, avem profiturile medii pe ramuri Hi = PMi = Pi/Vi.
Aceste profituri medii sunt funcţii pătratice de fi deoarece dacă fi este prea mic sau prea
mare, profiturile medii PMi cresc.
Prin urmare, avem PMi = ai.fi2 + [Link] unde ai < 0, bi > 0, cu un minim pentru fi0 = (- bi)/[Link];
(i = 1,…, n). În general avem ∑fi0 ≠ 1.
263
Teorema 5.3
Cheltuielile medii H i = CMi/Profiturile medii H i = PMi, însumate pentru toate ramurile:
HT = H1 + ….+ Hn = ∑ai.fi2 + ∑[Link] sunt minime/maxime, dacă cotele-părţi ale ramurilor sunt date
de relaţiile:
1 1 (f10 ... f n0 )
fic fi0 . ; ( 1 i n)
ai 1 1
...
a1 an
Demonstraţie:
Avem de optimizat funcţia HT = ∑ai.fi2 + ∑[Link] cu legătura f1 +…+ fn =1.
Formăm funcţia Lagrange: L = H – λ.(Σfi – 1)
Avem: ∂L/∂fi = [Link] + bi – λ = 0, (i = 1,…, n) aşa că fi = - (bi – λ)/([Link]) şi cum Σfj = 1,
rezultă:
n b
N 1
. 1 de unde rezultă :
j
2 J 1 a j j1 2a j
n b n b
1
j j
1
j1 2.a j bi 1 j1 2.a j
2. n
deci fic . n
; ( i= 1,...,n)
1 1
2.a i a i
j1 a j j1 a j
bi 1 1 (f10 ... f n0 )
Cum fi0 rezultă f ic f i0 . ; (i= 1,...,n)
2.a i ai 1 1
...
a1 an
adică coordonatele punctului staţionar fc = (f10,…, fn0) pentru funcţia Lagrange.
Se verifică faptul că fc este punct de minim/maxim pentru funcţia HT după cum ai > 0, bi < 0
respectiv ai < 0, bi > 0, (i = 1,…, n).
Termenul:
1 1 (f10 ... f n0 )
i .
ai 1 1
...
a1 an
este un termen de corecţie pentru fi0 pentru ca să avem: f1c +…+ fnc = 1 în timp ce f10 + … + fn0 ≠ 0.
Q.E.D.
Exemplu:
Fie ramurile din secţiunea 5.8: RP1 = Vegetală; RP2 = Zootehnie, RP3 = Semiindustrializare.
În anul de referinţă am avut veniturile pe ramuri: V1 = 20000 lei; V2 = 18000 lei; V3 =
30000 lei şi venitul total VT = 68000 de lei.
În anul de plan vom avea veniturile planificate pe ramuri: VP1 = 21933.5 lei; VP2 = 20108.3
lei; VP3 = 31545.4 lei şi venitul total planificat VPT = 73587.2 lei.
264
1) Să se afle coeficienţii de concentrare F în anul de referinţă şi G în anul de plan precum şi
coeficientul de corelaţie a concentrării C.
Fie cheltuielile medii ale ramurilor Hi = CMi, (i = 1, 2, 3) ca funcţii de cotele-părţi fi ale
ramurilor la structura unităţii agricole:
H1 = 10.f12 - 12.f1, cu punctul de minim f10 = 0.6;
H2 = 5.f22 - 3.f2, cu punctul de minim f20 = 0.3;
H3 = 20.f32 - 8.f3, cu punctul de minim f30 = 0.2.
2) Se cer cotele – părţi optime f1c, f2c, f3c pentru care H = H1 +…+ Hn = minim
Soluţie:
1) Avem f1 = 200/680 = 29.4%; f2 = 180/680 = 26.5%; f3 = 1 – f1 – f2 = 44.1%
Rezultă că F =(f12 + f22 + f32)1/2 = 59.3 % este gradul de concentrare a producţiei pe ramuri
în anul de referinţă.
Avem g1 = 219.335/735.872 = 29.8%; g2 = 201.083/735.872 = 27.3%; g3 = 1 – - g1 – g2 =
42.9%
Rezultă că G = (g12 + g22 + g32)1/2 = 58.9% este gradul de concentrare a producţiei pe ramuri
în anul de plan.
C = (f1.g1 + f2.g2 + f3.g3)1/2 = 59.1% este gradul de corelare a concentrării producţiei în anul
de bază cu anul de plan.
2) Cotele-părţi optime ale ramurilor pentru care Hi = CMi = Ci/Vi = minim, sunt:
f10 = (- b1)/(2.a1) = 0.6 = 60%; f20 = (- b2)/(2.a2) = 0.3 = 30%; f30 = (- b3)/(2.a3) = 0.2 = 20%. Din
păcate f10 + f20 + f30 = 1.1 = 110% ≠ 100%.
1 1 (f10 f 20 f 30 )
1 . 0.03 3% ;
a1 1 1 1
a1 a 2 a 3
1 1 (f10 f 20 f 30 )
2 . 0.06 6% ;
a2 1 1 1
a1 a 2 a 3
1 1 (f10 f 20 f 30 )
3 . 0.01 1%
a3 1 1 1
a1 a 2 a 3
Termenii de corecţie sunt: - 0.03 = - 3%; - 0.06 = - 6%; - 0.01 = - 1%.
Valorile corectate ale cotelor-părţi pentru care HT = H1 + H2 + H3 = minim, sunt:
f1c = f10 + δ1 = 57%; f2c = f20 + δ2 = 24%; f3c = f30 + δ3 = 19%.
Verificare: f1c + f2c + f3c = 1 = 100%.
5.7 Rezumat
În acest capitol se prezintă conceptul modern de sistem şi sistem agricol, cu exemple din
biologie şi agricultură. Se elaborează modele de analiză tehnico-economică pentru principalele
sisteme agricole. Se prezintă etapele de elaborare a balanţei economice şi se analizează problema
concentrării şi diversificării producţiei agricole pe ramuri.
265
5.8 Întrebări
1. Definiţi noţiunea de sistem, daţi exemple şi enumeraţi proprietăţile lor.
2. Care sunt etapele de analiză tehnico-economică a sistemelor agricole?
3. Care sunt etapele de elaborare a balanţei economice pe ramuri?
4. În ce constă concentrarea şi diversificarea producţiei agricole pe ramuri?
5.9 Bibliografie
1. Stănăşilă O.: “Analiză liniară şi geometrie” Vol. I - II, Editura ALL, 2000 - 2001
2. Cenuşă Gh. şi col.: “Matematici pentru economişti”, Editura CISON, 2000
3. Cenuşă Gh. şi col.: “Matematici pentru economişti – culegere de probleme”, Editura CISON,
2000
4. Ene D.: “Matematici (I)”, Editura CERES, 2004
5. Gogonea S., Ene D.: “Analiză numerică”, Editura Cartea Universitară, 2005
6. Ene D., Gogonea S.: “Metode numerice”, Editura Cartea Universitară, 2005
7. Ene D.: “Matematici aplicate în agricultură”, Editura CERES, 2006
266
BIBLIOGRAFIE GENERALĂ
1. Alecu I.N. şi col.: “Management în agricultură”, Ed. CERES, 1997
2. Alexe Gh.: “Curs de Algebră liniară”, Editura Didactică şi Pedagogică, 2004
3. Alekseev V.M., Galeev E.M., Tihomirov V.M.: “Sbornik zadaci po optimizaţii-teoria, primerâ,
zadaci”, (l. rusă). Izd. Nauka,1984
4. Andraşiu M. şi col.: “Metode de decizii multicriteriale”, Ed. Tehnică, 1986
5. Andrei N., Răsturnoiu C.: “Matrice rare şi aplicaţiile lor”, Ed. Tehnică, 1983
6. Armeanu I.: “Informatică aplicată cu WINDOWS 98”, Ed. Semne, 1998
7. Atanasiu Gh., Munteanu Gh., Postolache M.; “Algebră liniară, geometrie analitică şi
diferenţială, ecuaţii diferenţiale – culegere de probleme”, Ed. II, Editura ALL, 1998
8. Atiyah M.F., MacDonald I.G.: “Introduction to Commutative Algebra”, Addison-Wesley
Publishing Company, 1969, (l. rusă, 1972)
9. Bakelman [Link].: “Inversia”, (l. rusă), Izd. Nauka, 1966
10. Beklemişeva L.A., Petrovici [Link]., Ciubarov I.A.: “Sbornik zadaci po analiticeskoi geometrii i
lineinoi algebre”, (l. rusă), Izd. Nauka, 1987
11. Beu T.: “Analiză numerică în TURBOPASCAL”, Ed. Microinformatica, 1992
12. Borevici Z.I.: “Opredeliteli i matriţâ”, (l. rusă), Ed. III, Izd. Nauka, 1988
13. Bourbaki N.: “Algèbre-Chap. VII – IX”, Hermann & Cie, éditeurs, (l. rusă, 1966)
14. Bourbaki N.: “Algèbre Commutative - Chap. I - VII”, Hermann, 1961 - 1965, (l. rusă, 1971)
15. Cenuşă Gh. şi col.: “Matematici pentru economişti”, Editura CISON, 2000
16. Cenuşă Gh. şi col.: “Matematici pentru economişti – culegere de probleme”, Editura CISON,
2000
17. Cocan M., Vasilescu A.: “Programarea matematică folosind MS Excel SOLVER, Management
Scientist, MATHLAB”, Ed. Albastră, 1999
18. Coşniţă C.: “Geometrie analitică”, Ed. de stat Didactică şi Pedagogică, 1958
19. Craiu I., Mihoc Gh., Craiu V.: “Matematici pentru economişti”, Vol. I - III, Ed. Tehnică, 1971
20. Creţ F.: “Elemente de modelare şi matematici speciale”, Ed. Mirton, 2000
21. Crişan I., Lare A.: “Culegere de probleme de geometrie analitică”, Ed. Didactică şi
Pedagogică, 1971
22. Dieudonné J.: “Algèbre linéaire et géometrie élémentaire”, Ed. III, 1968, (l. rusă, 1972)
23. Efimov N.V., Rozendorn E.R.: “Lineinaia algebra i mnogomernaia geometria”, (l. rusă), Ed. II,
Izd. Nauka, 1974
24. Efimov A.V., Demidovici B.P.: “Sbornik zadaci po matematike dlia vtuzov - Lineinaia algebra
i osnovâ matematiceskovo analiza”, (l. rusă), Izd. Nauka, 1981
25. Eldén L., Wittmeyer-Koch L.: “Numerical Analysis - An Introduction”, Academic Press, 1990
26. Ene D.: “Algoritme pentru găsirea mulţimilor extern-stabile minimale într-un graf şi aplicaţii”,
Studii şi Cercetări Matematice ale Academiei R.S.R., vol. 23 (1971), Nr. 7, 1009 - 1016
27. Ene D.: “Asupra unor algoritme pentru găsirea clicilor într-un graf”, Studii şi Cercetări
Matematice ale Academiei R.S.R., vol. 23 (1971), Nr. 7, 1009 - 1016
28. Ene D.: “O problemă de programare liniară în numere întregi, cu aplicaţii în transportul
recoltei”, Lucrări Ştiinţifice IANB, Seria D, Vol. 14 (1971), 347 - 350
29. Ene D.: “Un model matricial al interacţiunii a două populaţii”, Lucrări Ştiinţifice IANB, Seria
D, Vol. 14 (1971), 351 - 356
30. Ene D.: “Aplicarea programării bivalente în organizarea unui transport al recoltei de cost
minim”, Lucrări Ştiinţifice IANB, Seria A, Vol. 15 (1971), 403 - 407
31. Ene D.: “Curs de matematici superioare (Culegere de probleme) pentru Facultatea de
Îmbunătăţiri Funciare”, Fascicola I, (litografiat), AMD,1972
32. Ene D.: “Curs de Matematici superioare pentru Facultăţile de Agronomie şi Zootehnie”,
Fascicola III, (litografiat), AMD, 1975, Coautor E. Andreescu
267
33. Ene D.: “Curs de matematici superioare (Culegere de probleme) pentru Facultatea de
Îmbunătăţiri Funciare”, Fascicola III, (litografiat), AMD,1976, Coautor C. Vasilescu
34. Ene D.: “Curs de matematică şi biometrie pentru Facultăţile de Zootehnie şi Medicină
Veterinară”, Fascicolele I, II, (litografiat), AMD, 1975
35. Ene D.: “Optimizarea producţiei agricole irigate în condiţiile economisirii energiei la nivelul
unui IEELIF”, Lucrări Ştiinţifice IANB, Seria E, Vol. 28 (1985), 71 - 77
36. Ene D.: “Optimizarea dimensiunii microfermelor cu întreţinere liberă pentru vaci cu lapte”,
Lucrări Ştiinţifice IANB, Seria D, Vol. 31 (1988), 37 - 41
37. Ene D.: “Optimizarea liniară cu calculatorul în agricultură”, Lucrări Ştiinţifice USAB, Seria E,
Vol. 37 (1994), 32 - 41
38. Ene D.: “Optimizarea pătratică cu calculatorul în agricultură”, Lucrări Ştiinţifice USAB, Seria
E, Vol. 37 (1994), 42 - 50
39. Ene D., Drăghici M., Alecu I.: “Statistică aplicată în agricultură”, Ed. CERES, 2003
40. Faith C.: “Algebra: Rings, Modules and Categories I”, Springer Verlag, 1973
41. Faith C.: “Algebra: Rings Theory II”, Springer Verlag, 1976
42. Gantmaher F.R.: “Teoria matriţ”, (l. rusă), Ed. IV, Izd. Nauka, 1988
43. Georgescu H., Bâscă O.: “Programe în limbajul FORTRAN”, Ed. Albatros, 1975
44. Ghiunter N.M., Kuzmin R.O.: “Culegere de probleme de matematici superioare”, Vol. I, Ed.
II, Ed. Tehnică, 1953
45. Golub G.H., Van Loan C.F.: “Matrix Computation”, Ed. II, The John Hopkins Univ. Press,
1989, (l. rusă, 1999)
46. Haimovici A.: “Grupuri de transformări”, Ed. Didactică şi Pedagogică, 1963
47. Halmoş P.R.: “Finite-dimensional Vector Spaces”, D. Van Nostrand Company, 1958, (l. rusă,
1963)
48. Haruţa D.E.: “Modelarea economico-matematică a proceselor de producere în gospodăria
sătescă a Moldovei”, Chişinău, 1990
49. Haruţa D.E.: “Modelarea proceselor economice şi tehnologice şi cercetarea operaţiilor”,
Chişinău, 1990
50. Iohvidov I.S.: “Gankelevâ i tepliţevâ matriţâ i formâ – algebraiceskaia teoria”, (l. rusă), Izd.
Nauka, 1974
51. Ion I.D., Radu N.: “Algebră”, Ed. Didactică şi Pedagogică, 1981
52. Ion I.D., Radu N., Niţă C., Popescu D.: “Probleme de algebră”, Ed. Didactică şi Pedagogică,
1981
53. Ionesc-Bujor Cl., Alexe Gh., Găzdaru A., Jijie Gh.: “Optimizări în lucrările de Îmbunătăţiri
funciare”, Ed. CERES, 1985
54. Iorga V. şi col.: “Programare numerică”, Ed. Teora, 1996
55. Hălmăjan V.: “Metode şi tehnici moderne de amplasare a culturilor în unităţile agricole”, Ed.
CERES, 1984
56. Horn R.A., Johnson C.R.: “Matrix Analysis”, Cambridge Univ. Press, 1986, (l. rusă, 1989)
57. Kasch F.: “Moduln und Ringe”, Teubner, 1977, (l. rusă, 1981)
58. Kopcenova N.V., Maron I.A.: “Vâcislitelnaia matematika v primerah i zadaceah”, (l. engleză),
Izd. Mir, 1975
59. Korn G.A., Korn T.M.: “Mathematical Handbook”, Ed. II, McGraw Hill Company, 1968,
(l. rusă, 1984)
60. Kostrikin A.I.: “Vvedenie v algebru”, (l. rusă), Izd. Nauka, 1977, (l. franceză, 1981)
61. Kravcenko R.G., Popov I.G., Tolpekin S.Z.: “Metode economico-matematice în organizarea şi
planificarea producţiei agricole”, (traducere din l. rusă), Ed. CERES, 1970
62. Kudriavţev E.M.: “Issledovanie operaţii v zadaceah, algoritmah i programah” (l. rusă), Izd.
Radio i sviazi, 1984
63. Lambek J.: “Lectures on Rings and Modules”, Blaisdell Publishing Company, 1966, (l. rusă,
1971)
64. Lang S.: “Algebra”, Addison-Wesley Publishing Company, 1965, (l. rusă, 1968)
268
65. Lankaster P.: “Theory of Matrices”, Academic Press, 1969, (l. rusă, 1978)
66. Lelong – Ferrand J.: “Les fondaments de la géométrie”, Presses Universitaires de France,
1985, (l. rusă, 1989)
67. Maliţa M., Zidăroiu C.: “Matematica organizării”, Ed. Tehnică, 1975
68. Malţev A.I.: “Osnovâ lineinoi algebrâ”, (l. rusă), Ed. III, Izd. Nauka, 1970
69. Marcus M., Mink H.: “A Survey of Matrix Theory and Matrix Inequalities”, Allyn and Bacon,
1964, (l. rusă, 1972)
70. Mateescu G.D., Mateescu I.C.: “Analiză numerică - Proiect de manual pentru Clasa XII-a,
Profil Informatică”, Ed. Petrion, 1995
71. Mănescu B., Frăţilă Gh., Lgadin N.: “Optimizarea producţiei de legume”, Ed. CERES, 1980
72. Mihoc Gh., Ştefănescu A.: “Programarea matematică”, Ed. Didactică şi Pedagogică, 1973
73. Mink H.: “Permanents”, Addison-Wesley Publishing Company, 1978, (l. rusă, 1982)
74. Murgulescu E., Donciu N.: “Culegere de probleme de geometrie analitică şi diferenţială”, Vol. I
(Algebră vectorială şi geometrie analitică plană), Ed. Didactică şi Pedagogică, 1971
75. Murgulescu E., Donciu N., Popescu V.: “Geometrie analitică în spaţiu şi geometrie
diferenţială – Culegere de probleme”, Ed. Didactică şi Pedagogică, 1973
76. Năstăsescu C., Niţă C., Brandiburu M., Joiţa D.: “Exerciţii şi probleme de algebră”, Ed.
Didactică şi Pedagogică, 1983
77. Năstăsescu C., Niţă C., Vraciu C.: “Bazele algebrei (I)”, Ed. Academiei R.S.R., 1986
78. Năstăsescu C., Ţena M., Andrei G., Otărăşanu I.: “Probleme de structuri algebrice”, Ed.
Academiei R.S.R., 1988
79. Nica S., Hera Cr., Alecu I., Toncea I., Croitoru C.: “Optimizarea sistemului de cultură a
plantelor în unităţile agricole”, Ed. CERES, 1983
80. Oancea M.: “Tratat de management în unităţile agricole”, Ed. CERES, 1999
81. Onete B., Colibaba D.: “Modelarea deciziei manageriale – Aplicaţii Excel ‘97”, Ed.
Economică, 1998
82. Otiman P., Rusovici A., Vrejbă S.: “Funcţia de planificare în unităţile agricole socialiste”, Ed.
CERES, 1981
83. Pop I., Neagu Gh.: “Algebră liniară şi geometrie analitică în plan şi în spaţiu”, Ed. Plumb,
1996
84. Popovici A.A.: “QUICK BASIC 4.5 – mediul de programare, limbajul, aplicaţii”, Ed.
Promedia Plus Computers, 1995
85. Postnikov M.M.: “Lekţii po geometrii - semestr 2 – lineinaia i differenţialnaia geometria”,
(l. rusă), Izd. Nauka, 1979, (l. engleză, 1982)
86. Proskuriakov I.V.: “Sbornik zadaci po lineinoi algebre”, (l. rusă), Ed. III, Izd. Nauka, 1967
87. Radu N.: “Curs de programare liniară pentru studenţii Facultăţii de Matematică - Anul univ.
1961 - 1962”, (Manuscris)
88. Raţiu-Suciu C. şi col.: “Modelarea şi simularea proceselor economice - Lucrări practice”, Ed.
Didactică şi Pedagogică, 1997
89. Rockafellar R.T.: “Convex Analysis”, Princeton Univ. Press, 1970, (l. rusă, 1973)
90. Rozenfeld B.A., Sergheeva N.D.: “Stereograficeskaia proekţia”, (l. rusă), Izd. Nauka, 1973
91. Sălăjan Gh., Mosolova L.: “Tehnica optimizării hranei la animalele de fermă”, Ed. CERES,
1994
92. “Sbornik naucinâh programm na FORTRANE - Matricinaia algebra i lineinaia algebra”,
(l. rusă), Izd. Statistica, 1974
93. Simionescu Gh.D.: “Noţiuni de algebră vectorială şi aplicaţii în geometrie”, Ed. Tehnică, 1982
94. Simionescu I., Dranga M., Moise V.: “Metode numerice în tehnică – aplicaţii în FORTRAN”,
Ed. Tehnică, 1995
95. Sipoş Gh., Scurtu D., Sin Gh., Moga I.: “Densitatea optimă a plantelor agricole”, Ed. CERES,
1981
96. Smaranda D., Soare N.: “Transformări geometrice”, Ed. Academiei R.S.R., 1988
97. Stănăşilă O.: “Analiză liniară şi geometrie” Vol. I, Editura ALL, 2000
269
98. Stihi T.: “Algebră liniară – teorie şi probleme rezolvate”, Editura ALL, 1999
99. Şerban M.: “QBASIC - Proiect de manual pentru gimnaziu”, Ed. Petrion, 1997
100. Teşu I., Baghinski V.: “Energia şi agricultura”, Ed. CERES, 1984
101. Tewarson R.P.: “Sparse Matrices”, Academic Press, 1973, (l. rusă, 1977)
102. Trandafir R., Leonte A.: “Principii şi structuri fundamentale – Algebră şi analiză matematică”,
Ed. Albatros, 1982
103. Ţuberbiller O.H.: “Zadaci i uprajnenia po analiticeskoi geometrii”, (l. rusă), Ed. XIII, Izd.
Nauka, 1970
104. Van der Waerden B.L.: “Algebra I”, Ed. VII, 1971, “Algebra II”, Ed. V, 1967, Springer
Verlag, (l. rusă, 1984)
105. Vasiu L.: “Aplicaţii în QBASIC”, Ed. Tehnică, 1994
106. Vlad A.I.: “BASIC – Programe de instruire”, Ed. Tehnică, 1989
107. Voevodin V.V.: “Lineinaia algebra”, (l. rusă), Ed. II, Izd. Nauka, 1980
108. Voevodin V.V., Kuzneţov Iu.A.: “Matriţâ i vâcislenia”, (l. rusă), Izd. Nauka, 1984
109. Vrănceanu [Link]., Mititelu Şt.: “Probleme de cercetare operaţională”, Ed. Tehnică, 1978
110. Zaharia C., Zaharia M.: “Să învăţăm să programăm - BASIC”, Ed. Tehnică, 1992
111. Zariski O., Samuel P.: “Commutative Algebra”, Vol. I, 1958, Vol. II, 1960, D. Van Nostrand
Company, (l. rusă, 1963)
112. Zăvoianu F., Zăvoianu C.: “GWBASIC”, Ed. Teora, 1995
270
TABEL 1. Valorile lui - P.log2P pentru calculul entropiei H
P 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 - 0.0644 0.1129 0.1518 0.1858 0.2161 0.2435 0.2686 0.2915 0.3127
0.1 0.3322 0.3503 0.3671 0.3826 0.3971 0.4105 0.4230 0.4346 0.4453 0.4552
0.2 0.4644 0.4728 0.4806 0.4877 0.4941 0.5000 0.5053 0.5100 0.5142 0.5179
0.3 0.5211 0.5238 0.5260 0.5278 0.5293 0.5301 0.5306 0.5307 0.5304 0.5298
0.4 0.5288 0.5274 0.5256 0.5236 0.5211 0.5184 0.5153 0.5120 0.5083 0.5043
0.5 0.5000 0.4954 0.4906 0.4854 0.4800 0.4744 0.4684 0.4623 0.4558 0.4491
0.6 0.4422 0.4350 0.4276 0.4199 0.4121 0.4040 0.3957 0.3871 0.3784 0.3694
0.7 0.3602 0.3508 0.3412 0.3314 0.3215 0.3113 0.3009 0.2903 0.2796 0.2687
0.8 0.2575 0.2462 0.2348 0.2231 0.2113 0.1993 0.1871 0.1748 0.1623 0.1496
0.9 0.1368 0.1238 0.1107 0.0974 0.0839 0.0703 0.0565 0.0426 0.0286 0.0140
271
S-ar putea să vă placă și
- Matematici Speciale, by Brinzanescu, Stanasila, 1998100% (16)Matematici Speciale, by Brinzanescu, Stanasila, 1998589 pagini
- Carte - Metode de Calcul Numeric in Automatic AÎncă nu există evaluăriCarte - Metode de Calcul Numeric in Automatic A177 pagini
- Algebră Liniară, Teorie Şi Probleme Rezolvate by Teodor Stihi PDF100% (1)Algebră Liniară, Teorie Şi Probleme Rezolvate by Teodor Stihi PDF159 pagini
- Probleme de Algebră, Geometrie Analitică Şi Ecuaţii Diferenţiale (Udrişte)100% (1)Probleme de Algebră, Geometrie Analitică Şi Ecuaţii Diferenţiale (Udrişte)326 pagini
- Optimizarea Proceselor Tehnologice LibreÎncă nu există evaluăriOptimizarea Proceselor Tehnologice Libre207 pagini
- Cap2 - Rezolvarea Numerica A Ecuatiilor AlgebriceÎncă nu există evaluăriCap2 - Rezolvarea Numerica A Ecuatiilor Algebrice32 pagini
- Teoria Sistemelor Și Reglare AutomatizataÎncă nu există evaluăriTeoria Sistemelor Și Reglare Automatizata142 pagini
- C4. Puncte de Extrem Local. Teorie Si Aplicatii Rezolvate100% (2)C4. Puncte de Extrem Local. Teorie Si Aplicatii Rezolvate23 pagini
- Algebra Liniara, Geometrie Analitica Si Diferentiala PDF100% (1)Algebra Liniara, Geometrie Analitica Si Diferentiala PDF124 pagini
- Introducere in Automatica. Suport de Curs100% (2)Introducere in Automatica. Suport de Curs238 pagini
- Badin Carpusca Ciurea Serban Algebra Liniara Culegere de Probleme 1999100% (1)Badin Carpusca Ciurea Serban Algebra Liniara Culegere de Probleme 1999123 pagini
- REZOLVAREA NUMERICĂ A ECUAŢIILOR ALGEBRICE ŞI TRANSCENDENTE (Metoda Bisectiei, Metoda Secantei, Metoda Substitutiilor Successive, Metoda Lui Newton)0% (1)REZOLVAREA NUMERICĂ A ECUAŢIILOR ALGEBRICE ŞI TRANSCENDENTE (Metoda Bisectiei, Metoda Secantei, Metoda Substitutiilor Successive, Metoda Lui Newton)7 pagini
- Algebra Liniara Geometrie Analitica Si DiferentialaÎncă nu există evaluăriAlgebra Liniara Geometrie Analitica Si Diferentiala302 pagini
- Probleme Rezolvate - Derivate Parţiale de Ordin Superior PDFÎncă nu există evaluăriProbleme Rezolvate - Derivate Parţiale de Ordin Superior PDF25 pagini
- Algebra Liniara Geometrie Analitica Si Elemente de Geometrie Diferentiala100% (3)Algebra Liniara Geometrie Analitica Si Elemente de Geometrie Diferentiala209 pagini
- Dependenta Si Independenta Liniara 4Încă nu există evaluăriDependenta Si Independenta Liniara 4144 pagini
- Algoritmi Numerici Prin Exercitii Si Implementari in Matlab - Gabriela Ciuprina Upb Elth (2013)Încă nu există evaluăriAlgoritmi Numerici Prin Exercitii Si Implementari in Matlab - Gabriela Ciuprina Upb Elth (2013)133 pagini
- Metoda Gauss-Jordan (Metoda Eliminării Totale) PDFÎncă nu există evaluăriMetoda Gauss-Jordan (Metoda Eliminării Totale) PDF4 pagini
- Rezolvarea Sistemelor de Ecuatii IÎncă nu există evaluăriRezolvarea Sistemelor de Ecuatii I17 pagini
- INTEGRAREA NUMERICA A ECUATIILOR DIFERENTIALE ORDINARE CU CONDITII LA LIMITA (Probleme Sturm-Liouville Sau Bilocale)Încă nu există evaluăriINTEGRAREA NUMERICA A ECUATIILOR DIFERENTIALE ORDINARE CU CONDITII LA LIMITA (Probleme Sturm-Liouville Sau Bilocale)6 pagini
- Culegere Analiza Matematica Integrale Multiple100% (2)Culegere Analiza Matematica Integrale Multiple198 pagini
- Plan Aparare Impotriva Seismelor Si Alunecari de Teren 2020Încă nu există evaluăriPlan Aparare Impotriva Seismelor Si Alunecari de Teren 202023 pagini
- Proiect La Amenajarea Agroturistică A Teritoriului: Departamentul Pentru Învăţământ La Distanţă Și Frecvență RedusăÎncă nu există evaluăriProiect La Amenajarea Agroturistică A Teritoriului: Departamentul Pentru Învăţământ La Distanţă Și Frecvență Redusă37 pagini
- CARTE UTILAJE TEHNOLOGICE - 2020-2021 - PLATFORMA-resintetizata PDFÎncă nu există evaluăriCARTE UTILAJE TEHNOLOGICE - 2020-2021 - PLATFORMA-resintetizata PDF93 pagini
- UNITATEA NR. 5 - Tipuri de Fundatii (Continuare)100% (1)UNITATEA NR. 5 - Tipuri de Fundatii (Continuare)6 pagini
- Economie Ii Id - Imapa - Seria I - Grupa 1 - Alexe (Tudorica) Alexandra IssabelaÎncă nu există evaluăriEconomie Ii Id - Imapa - Seria I - Grupa 1 - Alexe (Tudorica) Alexandra Issabela5 pagini
- UNITATEA NR. 2 - PrescripÈ Ii, Toleranè E, Metode de CalculÎncă nu există evaluăriUNITATEA NR. 2 - PrescripÈ Ii, Toleranè E, Metode de Calcul9 pagini
- Evaluarea Riscurilor de Accidentare Si Imbolnavire Profesionala Ale Operatorului CNC100% (1)Evaluarea Riscurilor de Accidentare Si Imbolnavire Profesionala Ale Operatorului CNC24 pagini