P. 1
DISKRETNA_MATEMATIKA

DISKRETNA_MATEMATIKA

|Views: 1,107|Likes:
Published by TeChFaNaTiK

More info:

Published by: TeChFaNaTiK on Oct 14, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/03/2015

pdf

text

original

Sections

  • Predgovor
  • Elementi teorije brojeva
  • 2.1 Uvod
  • 2.2 Djeljivost
  • 2.3 Euklidov algoritam
  • 2.4. PROSTI BROJEVI. OSNOVNA TEOREMA ARITMETIKE. 11
  • 2.4 Prosti brojevi. Osnovna teorema aritmetike
  • 2.5 Modularne aritmetike
  • 2.6 Eulerova funkcija
  • 2.7 Kineska teorema o ostacima
  • 2.8 Zadaci
  • Funkcije generatrise
  • 3.1 Uvod
  • 3.2 Particije
  • 3.3 Rekurzivne relacije
  • 3.4 Kompozicijski inverz
  • 3.5 Zadaci
  • Grafovi
  • 4.1 Uvod
  • 4.2 Stepen ˇcvora
  • 4.3 Povezani grafovi
  • 4.4 Stabla
  • 4.5 Eulerovi i Hamiltonovi grafovi
  • 4.6 Zadaci
  • Optimizacija
  • 5.1 Neki problemi
  • 5.2 Osnovni pojmovi
  • 5.3 Konveksni skupovi
  • 5.4 Politopi
  • 5.5 Konveksne funkcije
  • 5.6 Leksikografsko uredenje vektora
  • 5.7 Primarni i dualni problem
  • 5.8 Simpleks metod
  • 6.1 Pojam vjerovatno´ce
  • 6.2 Uslovna vjerovatno´ca
  • 6.3 Bernulijeva ˇsema
  • 6.4 Diskretne sluˇcajne promjenljive
  • 6.5 Sluˇcajni procesi

DISKRETNA MATEMATIKA

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

dy
n
= (x
0
+

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

α −
p
q

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

1
p

2
p

s
,
gdje su p
1
≤ p
2
≤ ≤ p
r
, p

1
≤ p

2
≤ p

s
prosti brojevi. Imamo p
1
[p

1

p

2
p

s
, pa p
1
[p

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

1
[p
1
p
2
p
r
, pa p

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

i
≥ p

1
= p
j
≥ p
1
,
pa je p
1
= p

1
. Sada je
p
2
p
r
= p

2
p

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

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

p
1

b
p−1
+ +

p
p −1

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

p
1

b
p−1
+ +

p
p −1

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

p
k

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

mod
n
(c,n)

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

1 −
1
p
1

1 −
1
p
2

1 −
1
p
k

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

1 −
1
p
1

p
α
2
2

1 −
1
p
2

p
α
k
k

1 −
1
p
k

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

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

m
m
j
, m
j

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

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

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

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

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

1 −x
6
1 −x

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

1 −x
6
1 −x

4
= (1 −x
6
)
4
(1 −x)
−4
=
¸
1 −

4
1

x
6
+

4
4

x
12

¸
−4
0

+

−4
1

(−x) +

−4
2

(−x)
2
+

,
a taj je jednak
¸
−4
12

(−1)
12

4
1

−4
6

(−1)
6
+

4
2

−4
0

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

x +
x
2
2
+
x
3
3
+

+

x
2
+
x
4
2
+
x
6
3
+

+

x
3
+
x
3
2
+
x
9
3
+

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

x
1 −x

x
n−1
1 +x +x
2
+ x
n−1
<
1
n
2

x
1 −x
.
Dakle,
ln P(x) <
x
1 −x

1 +
1
2
2
+
1
3
2
+

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

n

n + 1
dobijamo
ln p(n) <

π
2
6
+ 1


n,
p(n) < e

π
2
6
+1


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

3n
e
π

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

5

1
1 −αx

1
1 −βx

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

5
2
, β =
1−

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

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

5

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

1 −4x
2
ili f(x) =
1 +

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

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

2n
n

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

2n −2
n −1

.
Primjedba 3.2. Broj
1
n

2n −2
n −1

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

5
10

3 +

5
2

n+1
+
5 +

5
10

3 −

5
2

n+1
,
b
n
=
3

5 −5
10

3 +

5
2

n+1

3

5 + 5
10

3 −

5
2

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

2n
n

, n ≥ 0 jednaka (1 −4x)

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

2k
k

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

2n + 2
n + 1

.
(Koristiti FG i (1 −4x)

1
2
(1 −4x)

3
2
= (1 −4x)

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

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

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

)(f(x) ≤ f(x

)),
G

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

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

1
1

,

2
0

,

2
2

,

4
1

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

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

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

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

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

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

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

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

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

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

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

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

2
f
∂x
i
∂x
j
, to jest

2
f
∂x
i
∂x
j
(x) =

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

2
f
∂x
i
∂x
j
(x)

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

−2
1

,

0
1

,

1
0

,

1
−2

je ureden na sljede´ci naˇcin

−2
1

0
1

1
−2

1
0

.
Dakle, maksimalni elemenat je

1
0

, a minimalni

−2
1

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

4 −3 8 −1 0
0 −1 12 −3 4

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

u
v

T

b
−b

i
(−y)
T
A =

u
v

T

A
−A

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

b
−b

T
u
v

(A
T
[ −A
T
)

u
v

≥ −c

u
v

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

1 2 −1
−1 3 0

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

−1
0

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

¸
4 1 0
2 1 1
5 1 1
¸

, je bazna matrica matrice A =

¸
4 1 0 5
2 1 1 3
5 1 1 6
¸

, dok to nije sluˇcaj sa matricom C =

¸
4 1 5
2 1 3
5 1 6
¸

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

x
B
x
F

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

c
B
c
F

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

c
T
B
[c
T
F

x
B
x
F

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

x
B
0

=

B
−1
b
0

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

B
−1
b
0

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

B
−1
b
0

= f

B
−1
b
0

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

4 0
0 4

.
Vrijedi
B
−1
=

1
4
0
0
1
4

, B
−1
b =

3
5

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

3
5

= 26
i
B
−1
A =

1 −
3
4
2 −
1
4
0
0 −
1
4
3 −
3
4
1

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

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

2
3

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

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

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

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

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

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

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

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


79
7
, 0, 0, −
18
7
, −
1
7

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

0,
4
7
,
12
7
, 0, 0

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

10
3

, a broj povoljnih ishoda jednak je

5
1

5
2

, pa je traˇzena vjerovatno´ca
P(A) =

5
1

5
2

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

3
5
+
1
2

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

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

3
2

1
6
2

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

n
k

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

n
k

λ
n

k

1 −
λ
n

n−k
.
Dalje je
P(S
n
= k) =
λ
k
k!

1 −
λ
n

n
n!
(n −k)!
1
n
k

1 −
λ
n

−k
,
to jest
P(S
n
= k) =
λ
k
k!

1 −
λ
n

n

1 −
k −1
n

1 −
k −2
n

1 −
1
n

1 −
λ
n

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

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

2πnpq
e

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


b−np

npq

a−np

npq
e

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


1

−2
e

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


x

0
e

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

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

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

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

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

1 0
p 1 −p

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

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

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

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

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

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

0 1
1 −p p

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

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

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

j
= 1,
¸
k
p

k
p
kj
= p

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

2

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

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

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

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

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

Glava 1 Predgovor - 5 .

6 GLAVA 1. PREDGOVOR .

Glava 2

Elementi teorije brojeva
2.1 Uvod

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

8

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

> 0, ima konaˇno mnogo rjeˇenja. c s

2.2

Djeljivost

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

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

9

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

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

pj j i b =

pj j

tada je (a, b) =

n j=1

pj

min{uj ,vj }

i [a, b] =
j=1

pj

max{uj ,vj }

.

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

b) = (a. 15) = 3 na osnovu prethodne posljedice zakljuˇujemo da jednaˇina c c 4x + 5y = 1 ima cjelobrojna rjeˇenja. r2 . pa kako je b = aq1 + r1 imamo (a. q2 .1. . . dobijamo (a. qn+1 ∈ Z. b)|a. (a. (a.3 Euklidov algoritam U prethodnoj sekciji smo vidjeli da je za rjeˇavanje linearne Diofantove s jednaˇine. Pokazati da jednaˇina 12x + 15y = 3 ima cjelobrojna rjeˇenja. 2.4. Kako je (rn−1 . r1 )|b. Dalje. .10 GLAVA 2. (a. r1 . Algoritam dat u slede´oj teoremi daje postupak za odredivanje najve´eg c c zajedniˇkog djelioca dva broja. c s Kako je (12. b ∈ N i a < b. b) = rn . rn ). r1 )|r1 . Primjer 2. . . r1 )|a i (a. pa prema tome i jednaˇina 12x + 15y = 3. Iz (a. vidimo da je (a. b) = 1 tada postoje cijeli brojevi x i y takvi da je ax + by = 1. r1 )|(a. potrebno na´i najve´i zajedniˇki djelilac brojeva a i c c c c b. r1 ). (Euklidov algoritam) Pretpostavimo da su a. b) = rn . ax + by = c. . b)|b i b = aq1 + r1 z imamo (a. Dakle. pa je (a. Pokaˇimo prvo da je (a. b). . r1 ). r1 ) = (r1 . y ∈ Z}. neka su q1 . rn−2 = rn−1 qn + rn rn−1 = rn qn+1 . . rn ∈ N i 0 < rn < rn−1 < · · · < r1 < a takvi da je b = aq1 + r1 a = r1 q2 + r2 r1 = r2 q3 + r3 . . Ako su a i b relativno prosti brojevi to jest (a. (a.2. Dokaz. c Teorema 2. Tada je (a. r1 ). Iz dokaza teoreme 2. ELEMENTI TEORIJE BROJEVA Posljedica 2. rn ) = rn . b)|(a. s c Primjedba 2.3. b)|r1 .2. b) = (a. . r2 ) = · · · = (rn−1 . b) = min{ax + by > 0 : x. Dakle. S druge strane. Na sliˇan naˇin imamo c c (a. .

6. Odrediti (589. . . z Teorema 2. gdje je t ∈ Z. c s c Iz 19 = 399 − 190 · 2 = 399 − (589 − 399 · 1) · 2 = 589(−2) + 399 · 3 = 589(−2) + (5111 − 589 · 8) · 3 = 5111 · 3 + 589(−26). 5111). yt = y0 − at. Neka su a1 . 5111 = 589 · 8 + 399 589 = 399 · 1 + 190 399 = 190 · 2 + 19 190 = 19 · 10. y0 ) rjeˇenje jednaˇine ax + by = c onda za svako s c rjeˇenje (xt . . ako stavimo n = k + 1 tada su n! + 2. Za broj a kaˇemo da je prost broj ako z su jedini njegovi djelitelji 1 i a. Na´i bar jedno rjeˇenje jednaˇine 589x + 5111y = 19. .4.2. Za svaki prirodan broj k postoji k uzastopnih sloˇenih brojeva. Imamo 1. z Primjer 2. Broj 1 nije ni prost ni sloˇen. Dakle. . a2 . Osnovna teorema aritmetike.4. z Naime.3. . 3) jedno rjeˇenje jednaˇine c s c 589x + 5111y = 19. n! + 3. 2. Primjedba 2. . OSNOVNA TEOREMA ARITMETIKE. Primjer 2.5. an ∈ Z i p prost broj. n! + n sloˇeni brojevi. U ovoj sekciji izuˇavamo neke osobine prostih brojeva. s c Dakle. yt ) te jednaˇine vrijedi xt = x0 + bt. Ako broj nije prost kaˇemo da je sloˇen. Neka je a ∈ N i a > 1. z z Primjedba 2. (589. Ako p|a1 · a2 · · · an tada p|aj za neko j ∈ {1. 2. gdje je (a.4 Prosti brojevi. b) = 1.4. pa je (−26. Ako je (x0 . . 11 zakljuˇujemo da je x = −26 i y = 3. . koriste´i Euklidov algoritam moˇemo rijeˇiti svaku Diofantovu jednaˇinu c z s c ax + by = 1. . PROSTI BROJEVI. 5111) = 19. n}. . c Definicija 2.3. . .

Prepostavimo da je z n = p1 · p2 · · · · pr = p1 · p2 · · · ps .6. . Neka je n prirodan broj. (Euklid) Skup prostih brojeva je beskonaˇan. c Sljede´a teorema je poznata kao mala Fermatova teorema. Dokaˇimo sada jedinstvenost. . .12 GLAVA 2. k}. to jest pj |1 ˇto je s nemogu´e. pa prema tome takvu reprezentaciju ima i broj n. . pk i prirodni brojevi α1 . αk takvi da je n = pα1 · · · pαk . pa p1 |pj za neki j ∈ {1. Tada je na osnovu osnovnog teorema aritmetike broj n = p1 · p2 · · · pk + 1 djeljiv sa pj za neko j ∈ {1.2. . imamo p1 = pi ≥ p1 = pj ≥ p1 . . r.5. 1 k (2. pa je p1 = p1 . . pj |n − p1 · p2 · · · pk . . Imamo p1 |p1 · p2 · · · ps . r}.2) se naziva kanonska dekompozicija broja n. u suprotnom postoje prirodni brojevi n1 i n2 takvi da je 2 ≤ n1 < n i 2 ≤ n2 < n i n = n1 ·n2 . i = 1. Dokaz. Prepostavimo sada da je n > 2 i da svaki prirodan broj m za koji vrijedi 2 ≤ m < n ima reprezentaciju koja se sastoji od proizvoda prostih brojeva. s}. . . Neka je a > 1 i stavimo a = b + 1. (Osnovna teorema aritmetike) Faktorizacija svakog prirodnog broja n > 1 na proste faktore je jedinstvena. . c Dokaz. . . Reprezentacija (2. Dakle. Broj 2 ima reprezentaciju koja se sastoji od prostih brojeva. Tada postoje prosti brojevi p1 . . . Dakle. Neka su p1 < p2 < · · · < pk svi prosti brojevi.4. . Sada je p2 · · · · pr = p2 · · · ps . Zbog indukcijske pretpostavke n1 i n2 imaju reprezentacije preko proizvoda prostih brojeva. Tada je ap − a = (b + 1)p − (b + 1) = bp + p 1 bp−1 + · · · + p p−1 b + 1 − b − 1.2) Definicija 2. . . 1601-1655) Neka je a prirodan broj i p prost tada je p|ap − a. p1 ≤ p2 ≤ · · · ps prosti brojevi. c c Dokaz. Za a = 1 tvrdnja je trivijalna. . S druge strane p1 |p1 · p2 · · · · pr . . . . Prvo ´emo indukcijom pokazati da svaki prirodan broj n ≥ 2 ima reprec zentaciju koja se sastoji od proizvoda prostih brojeva. Pretpostavimo suprotno. pa p1 |pi za neki i ∈ {1. . gdje su p1 ≤ p2 ≤ · · · ≤ pr .7. (Pierre de Fermat. Ako je n prost broj tada je dokaz gotov. pa se na sliˇan naˇin pokaˇe da je r = s i pi = pi . Dokaza´emo teoremu koriste´i indukciju po a. c Teorema 2. c c z Posljedica 2. . ELEMENTI TEORIJE BROJEVA Teorema 2. Teorema 2.

ostaje jedino mogu´nost da je p = 3 i u tom sluˇaju c c imamo 8p2 + 1 = 73 ˇto je prost broj.7.5. Dakle. U oba sluˇaja je c 8p2 + 1 = 3(24k 2 ± 16k + 3) djeljivo sa. MODULARNE ARITMETIKE = (bp − b) + p 1 bp−1 + · · · + p p−1 b. • Ako je a ≡ b(modn). pa je dokaz gotov. – klasu brojeva oblika 3k + 2 koji prilikom dijljenja sa 3 daju ostatak 2. Ako je p = 3 onda je p oblika 3k ± 1. . odnosno kongruentni si jedinici po modulu 3. koriste´i osobine prostih brojeva nastavljamo da izuˇavamo c c relaciju ”a dijeli b”. jer je p prost. 2. gdje je k cijeli broj. · · · p − 1. k Primjer 2. S druge strane. Odrediti prirodan broj p ako su p i 8p2 + 1 prosti brojevi. odnosno kongruentni su broju 2 po modulu 3.5. n = 3k + 1 n = 3k − 1. • Ako je a ≡ b(modn) onda je ac ≡ bc(modn) za svaki prirodan broj c. Ako je n|a − b onda kaˇemo da je a kongruentno b modulo z n i to piˇemo s a ≡ b(modn).8. s • Ako je a ≡ b(modn) i c ≡ d(modn) onda je a ± c ≡ b ± d(modn) i ac ≡ bd(modn). Svi cijeli brojevi koji su kogruentni po datom modulu obrazuju jednu klasu brojeva.2. Primjer 2.5 Modularne aritmetike U ovoj sekciji. Definicija 2. 13 Po indukcijskoj hipotezi bp − b je djeljivo sa p. Prema prethodnom svaki se cijeli broj moˇe zapisati u jednom od sljede´a z c tri oblika : n = 3k. Osobine relacije ”biti kongruentan modulo n”: • Relacija ”biti kongruentan modulo n”je relacija ekvivalencije na skupu Z. Tako na primjer po modulu 3 imamo tri klase brojeva : – klasu brojeva oblika 3k koji su djeljivi sa 3. odnosno kongruentni su nuli po modulu 3. d ∈ N i d|n onda je a ≡ b(modd). k = 1. Pokazati da postoji prirodan broj k takav da je 1123 = 11 + 23 · k. kako je p prost p to je p| . – klasu brojeva oblika 3k + 1 koji prilikom dijeljenja sa 3 daju ostatak 1.

ELEMENTI TEORIJE BROJEVA • Ako je a ≡ b(modn) onda je ak ≡ bk (modn) za svaki prirodan broj k. n) = 1 onda je a ≡ b(modn).10. Da´emo neke osobine Eulerove funkcije. Vrijedi 34 ≡ 1(mod10). Funkcija f : N → N je multiplikativna ako je f (mn) = f (m)f (n) za sve prirodne brojeve m i n za koje je (m. . pa kako je (c.9. . Znaˇi a ≡ b(modn). Odrediti posljednju cifru u dekadnom zapisu broja 3400 . c z Primjedba 2. . Dokaz. ··· ··· ··· ··· k n+k .8. posljednja cifra broja 3400 je 1. Ojlerova funkcija je multiplikativna. Primjer 2. pa je 3400 ≡ 1100 (mod10). • Ako je ac ≡ bc(modn) i (c. Neka je ϕ(n) broj prirodnih brojeva koji nisu ve´i od n.n) . Dokaˇimo na primjer posljednju osobinu. z c c Primjedba 2. Primjer 2. 2 n+2 . 2. Nekoliko prvih vrijednosti funkcije ϕ dato je sljede´om tabelom: c n 1 2 3 4 5 6 7 8 9 10 11 12 ϕ(n) 1 1 2 2 4 2 6 4 6 4 10 4 Definicija 2. n) = 1. to jest 3400 ≡ 1(mod10).6 Eulerova funkcija Definicija 2. z Neka je ac ≡ bc(modn). Neka je (m. .7. mn (m − 1)n + 1 (m − 1)n + 2 . Na taj naˇin je definisana s c funkcija ϕ : N → N koja se naziva Ojlerova funkcija. n) = 1 to je n|a − b. a c uzajamno su prosti sa n. .6. .5.14 GLAVA 2. treba odrediti broj ϕ(mn) elemenata koji su uzajamno prosti sa mn u sljede´oj tabeli: c 1 n+1 . Malu Fermatovu teoremu moˇemo zapisati i na sljede´i naˇin: Ako je a prirodan broj i p prost onda je ap ≡ a(modp). Tada imamo n|c(a − b). . n) = 1.6. Definiˇimo ϕ(1) = 1. c Teorema 2. Moˇe se pokazati da je ac ≡ bc(modn) ako i samo ako je n a ≡ b mod (c. (m − 1)n + k ··· ··· ··· ··· n 2n . Dakle. .

(Eulerova teorema) Ako je (a. . p. gdje su pi razliˇiti prosti brojevi. ϕ(120) = ϕ(23 · 3 · 5) = 22 30 50 (2 − 1)(3 − 1)(5 − 1) = 32. pa je ϕ(pα ) = pα − pα−1 . Dokaz.2. m) = 1 onda je aϕ(m) ≡ 1(modm). Tada je c 1 2 k ϕ(d) = (ϕ(1) + ϕ(p1 ) + · · · + ϕ(pα1 )) (ϕ(1) + ϕ(p2 ) + · · · + ϕ(pα2 )) 2 1 d|n · · · (ϕ(1) + ϕ(pk ) + · · · + ϕ(pαk )) = (1 + p1 − 1 + p2 − p1 + · · · + pα1 − pα1 −1 ) 1 1 1 k (1+p2 −1+p2 −p2 +· · ·+pα2 −pα2 −1 ) · · · (1+pk −1+p2 −pk +· · ·+pαk −pαk −1 ) = k 2 2 2 k k = pα1 · pα2 · · · pαk = n. EULEROVA FUNKCIJA 15 U bilo kojoj koloni tabele su svi elementi uzajamno prosti sa n ili nijedan. Ako je p prost broj onda u nizu 1.6. n) = 1 u svakoj takvoj koloni ima ϕ(m) koji su uzajmno prosti sa m. Dakle ukupan broj elemenata koji su uzajamno prosti i sa m i sa n je ϕ(m)ϕ(n). pα−1 p ima pα−1 brojeva djeljivih sa p. 2. . Teorema 2. 2p. Teorema 2. Neka je n = pα1 · pα2 · · · pαk . p1 p2 pk Dokaz. . 1 2 k Teorema 2. . . . d|n 1− 1 p1 pα2 2 1− 1 p2 · · · pαk k 1− 1 pk . Kolona u kojoj su svi elementi uzajamno prosti sa n ima ϕ(n). .10. .11. Odavde i iz prethodne teoreme dobijamo ϕ(n) = ϕ(pα1 )ϕ(pα2 ) · · · ϕ(pαk ) = pα1 1 2 1 k ˇime je dokaz zavrˇen. . . . (Gaussova formula) Za svaki prirodan broj n vrijedi ϕ(d) = n.11. . Ako je n = pα1 pα2 · · · pαk kanonska faktorizacija broja n onda 1 2 k je 1 1 1 ϕ(n) = n 1 − 1− ··· 1 − . Kako je (m.9. . c s Primjer 2.

. . Neka su α1 .12. Prema tome p = 3.3. Na´i sve proste brojeve p za koje je broj 5p + 1 djeljiv sa p2 . p = 2 ili p = 3. −p 5p + 1 ≡ 5p · 5p 2 −p + 1 ≡ 5p + 1(modp2 ). Naime. Dakle. tada postoji rjeˇenje kongruencije s ax ≡ b(modm). Posljedica 2. . α2 . c Oˇigledno je p = 5. . Za p = 2 je 52 +1 ≡ 2(mod4). pa je 5p + 1 ≡ 5 + 1 ≡ 0(modp). m) = 1 uzajamno prosti brojevi sa m su i aα1 . iz Eulerove teoreme imamo b(aϕ(m)−1 − 1) ≡ 0(modm). Kako je (a. je 5p ≡ 5(modp). Kako je (αi . αϕ(m) razliˇiti brojevi koji su uzajamno prosti sa m c i manji od m. Primjer 2. (Mala Fermatova teorema) Ako je p prost broj i p ne dijeli a onda je ap−1 ≡ 1(modp). s Primjer 2. ≡ 1(modp2 ).13. Iz osobina relacije ”biti kongruentan”imamo aϕ(m) α1 α2 · · · αϕ(m) ≡ α1 α2 · · · αϕ(m) (modm). 5p + 1 ≡ 0(modp2 ). . aα2 . . Sada moˇemo primijeniti Eulerovu teoremu: c z 5ϕ(p to jest Dakle. za p = 3 je 59 ≡ −1(mod9). . aαϕ(m) . m) = 1 imamo aϕ(m) ≡ 1(modm). Prema maloj Fermatovoj teoremi. x = baϕ(m)−1 . . Znaˇi treba da je c 5p 2 2 2 2 ) ≡ 1(modp2 ). pa je rjeˇenje. Ako su a i m uzajamno prosti prirodni brojevi. ELEMENTI TEORIJE BROJEVA Dokaz. .16 GLAVA 2.

x ≡ ar (modmr ).2.12 vidjeli smo kako se mogu rjeˇavati neke kongruencije. s Ako je x1 rjeˇenje. . . . pa je teorema dokazana. . KINESKA TEOREMA O OSTACIMA 17 2. Primjedba 2. . .7. s Teorema 2. mj r Stavimo x0 = j=1 m bj aj . .7 Kineska teorema o ostacima U primjeru 2. ar proizvoljni cijeli brojevi. . mi x1 ≡ x0 (modmi ). Ako je x0 jedno rjeˇenje gornjeg sistema. gdje je k ∈ Z. Osim toga x0 + km zadovoljava sistem. Tada postoji rjeˇenje sistema kongruencija: s x ≡ a1 (modm1 ) . .12. ( Kineska teorema o ostacima) Neka su m1 . mj mj = 1. . nema rjeˇenje. onda je x njegovo rjeˇenje ako i samo s s ako je x = x0 + km. Dokaz. pa je x1 = x0 + km za neko k ∈ Z. . . jer na primjer sistem x ≡ 0(mod2) x ≡ 1(mod2). mj Jasno. Prema primjeru 2. . . . m · bj ≡ 1(modmi ) za i = j. Stavimo m = m1 · · · mr . . imamo s m bi ai ≡ ai (modmi ). r. i = 1.7. . . s . mj oˇigledno je c x0 ≡ Dakle. tada je m . Sljede´a s c teorema daje potreban i dovoljan uslov kada sistem kongruencija ima rjeˇenje.12 za sve j postoji cijeli broj bj takav da je m · bj ≡ 1(modmj ). Uslov da su mi po parovima uzajamno prosti je bitan. mr po parovima uzajamno prosti brojevi i neka su a1 . a broj m = m1 · · · mr . j = 1. . x0 je rjeˇenje sistema.

s s c 3. na sliˇan naˇin. 962]. ELEMENTI TEORIJE BROJEVA Primjer 2.14. 4. c (c) Na´i [125.12. m2 = 11. Dokazati Gausovu formulu o Eulerovoj funkciji. = 77. a2 = 7. 858) = 210x + 858y. c 1. . Rijeˇiti sistem kongruencijskih jednaˇina s c x ≡ 2(mod3) x ≡ 3(mod5) x ≡ 2(mod7). s 2. 5. Koriste´i Euklidov algoritam rijeˇiti Diofantsku jednaˇinu (210. (b) Na´i (125. m1 m2 m3 Odredimo b1 . Iz 143b1 ≡ 1(mod7). b3 ≡ (−1)ϕ(13)−1 ≡ −1(mod13). Uvedimo oznake kao u teoremi 2. m = 7 · 11 · 13 = 1001. m1 m2 m3 Kako je x0 = 5 · 1001 + 887. m1 = 7. pa je b1 ≡ 3ϕ(7)−1 ≡ 36−1 ≡ 243 ≡ 5(mod7).18 GLAVA 2. c m m m x0 = b1 a1 + b2 a2 + b3 a3 = 143 · 5 · 5 + 91 · 4 · 7 + 77 · (−1) · 3 = 5982. 962). c s c 2. zakljuˇujemo da je 887 najmanji prirodan broji koji c je rjeˇenje sistema. iz 3b2 ≡ 1(mod11) i 77b3 ≡ 1(mod13) dobijamo c c b2 ≡ 3ϕ(11)−1 ≡ 4(mod11). Znaˇi. Odrediti najmanji prirodan boj x za koji je x ≡ 5(mod17) x ≡ 7(mod11) x ≡ 3(mod13). b2 . a1 = 5. m3 = 13. dobijamo 3b1 ≡ 1(mod7). Dati i opˇte rjeˇenje te jednaˇine. Dati su brojevi 125 i 962. = 91. m m m = 143. b3 . Koriste´i Eulerovu teoremu rijeˇiti kongruencijsku jednaˇinu c s c 22x ≡ 1(mod729).8 Zadaci (a) Odrediti njihove kanonske dekompozicije. a3 = 3.

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

(b) 0. Traˇi se koeficijent uz x24 od f (x).2. . pri ˇemu je c n cn = k=0 +∞ n=0 ak bn−k . s Podjelu jabuka koje svako dijete moˇe primiti moˇemo reprezentirati sa x3 + z z x4 + · · · + x8 . n n=1 +∞ to jest FG za niz { an }. f1 . . . . ako je f (t) = an tn FG za niz {an } onda je derivacija +∞ f (t) = pa je tf (t) FG za niz {nan }. . 4. . Primjer 3. integral daje t (n + 1)an+1 tn . (∀n ≥ 0). 1. . 1. (b) Ako deriviramo obe strane prethodne jednakosti po t imamo 1 + 2t + 3t2 + · · · = a odavde mnoˇenjem po t slijedi z t + 2t2 + 3t3 + · · · = (c) Na sliˇan naˇin kao pod (b) dobijamo c c f2 (t) = t(1 + t) . 2. . f2 traˇene funkcije generatrise. Kako je z f (x) = x12 (1 + x + x2 + · · · + x5 )4 = x12 1 − x6 1−x 4 . Oznaˇimo redom sa f0 . FUNKCIJE GENERATRISE • Pravilo proizvoda: Proizvod f · g je stepeni red ˇiji je koeficijent uz tn c jednak cn . n=0 f (x)dx = 0 1 an−1 tn . . . n. . n Primjer 3. 1. (1 − t)3 t . n2 . S druge strane. . (1 − t)2 1 . . . ali ne viˇe od 8 jabuka. . . 1. 9. Kako se radi o ˇetvero djece odgovaraju´a FG je f (x) = (x3 + c c x4 + · · · + x8 )4 . . . Dalje. (1 − t)2 Na kraju ove sekcije navodimo jedan ilustrativan primjer. 3. . Tada je c z 1 (a) f0 (t) = 1 + t + t2 + · · · = 1−t (|t| < 1). . Odrediti FG za sljede´e nizove : c (a) 1.1. (c) 0. Na koliko se naˇina mogu 24 jabuke podijeliti izmedju ˇetvero c c djece tako da za svako dijete dobije barem 3.20 GLAVA 3. .

m ≥ n. c z 3. Odavde zakljuˇujemo da je traˇeni broj 125. a taj je jednak −4 12 (−1)12 − 4 1 −4 6 (−1)6 + 4 2 −4 0 .2. koeficijent uz xn u proizvodu m k=1 1 . a to je broj particija broja z n. Na sliˇan naˇin se dokazuje i sljede´a teorema.1. Kako je 1 = 1 + xk + x2k + x3k + · · · . 1 − xk U stvari. FG za niz brojeva {p(n)} je data sa +∞ P (x) = k=1 1 . Broj particija broja n se oznaˇava sa p(n).2 Particije Uopˇtenje primjera 3. Particija s broja n ∈ N je prikaz broja n kao zbira prirodnih brojeva (pri tome nije bitan poredak sabiraka). c c c . 1 − xk imamo da je koeficijent uz xn u proizvodu +∞ k=1 1 1 − xk jednak broju naˇina da se xn prikaˇe kao xk1 +2k2 +3k3 +···nkn .2 dovodi nas do problema particije broja. Dokaz. 1 − xk jednak je broju particija p(n) od n. PARTICIJE treba odrediti koeficijent uz x12 od 1 − x6 1−x 4 21 = (1 − x6 )4 (1 − x)−4 = 1 − −4 0 + −4 1 (−x) + 4 1 −4 2 x6 + 4 4 x12 − · · · (−x)2 + · · · . to jest broju naˇina c z c da se n prikaˇe kao suma k1 + 2k2 + 3k3 + · · · nkn . Po definiciji je c p(0) = 0. Teorema 3.3.

n 2 + · · · xn−1 n1−x n 1−x 1+x+x n 1−x Dakle. c s Ako sa pk (n) oznaˇimo broj particija od n u kojima se javljaju samo brojevi c 1. . (1 − x)(1 − x2 ) · · · (1 − xk ) Na kraju dajemo jednu aproksimaciju za broj p(n). Zbog toga c c dobijamo π2 x − n ln x. Zbog Taylorovog razvoja funkcije t → ln(1 − t) imamo ln P (x) = x+ x2 x3 x4 x6 x3 x9 + + · · · + x2 + + + · · · + x3 + + + ··· 2 3 2 3 2 3 +··· = Ako je 0 < x < 1 vrijedi 1 xn 1 x xn−1 1 x = · · < 2· .1.22 GLAVA 3. 6(1 − x) S druge strane P (x) je ve´i od svakog ˇlana. x 1 x2 1 x3 + + + ··· . c−ova. . ln P (x) < Kako je 1+ dobijamo ln P (x) < x 1−x 1+ 1 1 + 2 + ··· 22 3 . ln p(n) < ln P (x) − n ln x < 6(1 − x) . pa je P (x) > p(n)xn . c Posljedica 3. . . FG za niz {pk (n)} je 1 . 2.2. Koeficijent uz xn razvoja u red od 1 (1 − xa )(1 − xb )(1 − xc ) · · · jednak je broju naˇina da se n napiˇe kao suma nekoliko a−ova b−ova. Iz P (x) = k=1 +∞ 1 1 − xk dobijamo ln P (x) = − ln(1 − x) − ln(1 − x2 ) − ln(1 − x3 ) − · · · . 22 3 6 π2 x . 2 1−x 21−x 3 1 − x3 1 1 π2 + 2 + ··· = . FUNKCIJE GENERATRISE Teorema 3. k tada na osnovu prethodne teoreme dobijamo sljede´e tvrdjenje. . . .

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

1 n+1 n=0 +∞ 2n n xn+1 . pa zbog relacije an = a1 an−1 + a2 an−2 + · · · + an−1 a1 . GLAVA 3. Neka je f (x) = +∞ n=1 an xn .4. to jest Fn dat sa c 1 Fn = √ (αn − β n ).2. Kako je po definiciji f (0) = 0. 2n − 2 n−1 1 n 2n − 2 n−1 . Broj 1 n se naziva Catalanov broj.24 gdje je α = √ 1+ 5 2 . Sada rastavljanjem u geometrijski red. Kvadriranjem dobijamo +∞ n−1 f (x)2 = n=2 k=1 ak an−k xn . 5 Primjer 3. 2 2 f (x)2 = f (x) − x. dobijamo 1 F (x) = √ (1 + αx + α2 x2 + · · · − 1 − βx − β 2 x2 − · · · ). an = a1 an−1 + a2 an−2 + · · · + an−1 a1 . f (x) = 2 Sada koriste´i Taylorov razvoj dobijamo c f (x) = Dakle. zakljuˇujemo c √ 1 − 1 − 4x . 5 Odavde zakljuˇujemo da je koeficijent uz xn . an = Primjedba 3. Odrediti eksplicitno an . je to jest Odavde dobijamo f (x) = 1− √ √ 1 − 4x 1 + 1 − 4x ili f (x) = . FUNKCIJE GENERATRISE β= √ 1− 5 2 . . f (x)2 − f (x) + x = 0. (Problem dijagonalnih triangulacija n-terokuta) Neka je a1 = 1 i za svako n ≥ 2.

3.4 Kompozicijski inverz Definicija 3. Teorema 3. Odavde dobijamo f (x) = 1−x x .3.3. U tom sluˇaju c vrijedi a1 (b1 x + b2 x2 + · · · ) + a2 (b1 x + b2 x2 + · · · )2 + a3 (b1 x + b2 x2 + · · · )3 · · · = x. Neka su f i g FG za nizove {an } i {bn } redom.4.5. Za funkciju f kaˇemo da je kompozicijski inverz funkcije g z na skupu D ako vrijedi f (g(x)) = g(f (x)) = x za sve x ∈ D.2. Neka je g(x) = b1 x + b2 x2 + · · · tako da je f (g(x)) = 1. g(x) = 2 . U tom sluˇaju je c f (x) − a0 = 2xf (x) + xg(x) g(x) − b0 = xf (x) + xg(x). KOMPOZICIJSKI INVERZ 25 Na kraju navodimo primjer koji pokazuje da se i neki sistemi rekurzija mogu rjeˇavati koriste´i funkcije generatrise. Dokaz. Prethodni primjer daje model za ˇirenje neutrona visoke i niske s energije nakon njihovog sudara s jezgrama fisijske materije. Funkcija generatrisa f (x) = a1 x + a2 x2 + · · · ima jedinstveni kompozicijski inverz f −1 (x) ako i samo ako je a1 = 0. 3. n+1 √ 3 5−5 bn = 10 √ 3 5+5 − 10 . x2 − 3x + 1 x − 3x + 1 √ 3+ 5 2 √ 3+ 5 2 √ 5+ 5 10 √ 3− 5 2 √ 3− 5 2 Sada iz Taylorovog razvoja imamo an = √ 5− 5 10 n+1 n+1 + n+1 . Primjedba 3. b0 = 0 i an+1 = 2an + bn bn+1 = an + bn . Odrediti an i bn . Na osnovu toga dobijamo beskonaˇan sistem jednaˇina c c a1 b1 = 1 . Sljede´a teorema daje potreban i dovoljan uslov kada FG ima kompozicijski c inverz. s c Primjer 3. Neka je a0 = 1.

Kako je y = ex − 1.6. Na koliko naˇina c c se moˇe isplatiti suma od 14 KM? z 2. c z c s Tada moˇemo i drugu jednaˇinu rijeˇiti po b2 i tre´u po b3 itd. . a za n ≥ 3 je an + an−1 − 16an−2 + 20an−3 = 0. Odrediti FG za {an } i opˇti ˇlan niza {an }. n n=1 +∞ 3.5 Zadaci 1. n ≥ 0 jednaka (1 − 4x)− 2 . Imamo 8 novˇanica od 1 KM. Pokazati da je n k=0 2n n . a1 = 1. FUNKCIJE GENERATRISE a1 b2 + a2 b2 = 0 1 a1 b3 + 2a1 b1 b2 + a3 b3 = 0 1 . Neka je {an } niz za koji je a0 = 0. 1 2k + 1 22k 2k k 1 = (2n + 2)(2n + 3) 3 · 4n+1 3 2n + 2 n+1 5 . Primjer 3. Dakle g(x) z c s c postoji i jedinstven je ako i samo ako je a1 = 0.) 4. s c 5. zadatak se svodi na odredjivanje kompozicijskog inverza od ex − 1.26 GLAVA 3. . Prvu jednaˇinu moˇemo jednoznaˇno rijeˇiti po b1 ako i samo ako je a1 = 0. . Pokazati da je FG za niz an = 3. Kako je ln(1 + x) = zakljuˇujemo da je an = c (−1)n−1 . Jednostavno se vidi da je (ex − 1)−1 = ln(1 + x). Ako je y = +∞ n=1 xn n odrediti niz {an } takav da je x = +∞ n=1 an y n . Ako je y = +∞ n=1 xn n! odrediti niz {an } takav da je x = +∞ n=1 an y n . a2 = −1. n (−1)n−1 n x . 6 od 2 KM i 4 od 5 KM. (Koristiti FG i (1 − 4x)− 2 · (1 − 4x)− 2 = (1 − 4x)− 2 .

. ali nisu povezani jer {2. dok ivice moˇemo oznaˇiti sa {1.1 Uvod Prije nego damo definiciju grafa naveˇ´emo jedan primjer. c z c Dakle. {0. 2. .1. {n. . Za vrhove x. 2. n}. Naime. . Graf ima ˇvorove 1. 5}. Definicija 4. . 5} i E = {{1. 4.2. 3} ∈ E. imamo V = {1. U primjeru 4. {1. 5. . 2}. 2}. 3. y} ∈ E. . Graf je uredjeni par G = (V. y ∈ kaˇemo da su z povezani ako vrijedi {x. Neka je n ∈ N. 2. 2}. n}. {4. . 27 . 1}. Graf Wn = (V. vrhove moˇemo opisati kao podskupove od skupa ˇvorova koji se sastoje z c od 2 elementa. .3. n} i E = {{0. 3}. 3. E).1. Elementi od V se nazivaju ˇvorovi c c (vrhovi) a elementi od E grane (ivice) grafa G.Glava 4 Grafovi 4. 3}. {1. 4. {1. 5}}. . 2}. 1}}. 3}. Primjer 4. . gdje je V = {0. graf sc moˇemo shvatiti kao objekat koji se sastoji od ˇvorova i ivica koje spajaju neke z c od ˇvorova. {2. . / Graf moˇemo reprezentirati i njegovom tabelom incidencije z 1 2 3 2 1 3 1 4 5 5 4 Primjer 4.1. {4. {n − 1. E). gdje je V konaˇan podskup c i E je familija 2-ˇlanih poskupova od V . {0. Vrhovi 2 i 3 su takodje povezani preko vrha 1. c Primjer 4. 1.

y ∈ V1 . E2 ) ako vrijedi V1 ⊆ V2 i E1 ⊆ E2 . . α(y)} ∈ E2 .28 nazivamo toˇak. Primjer 4. . j) : 1 ≤ i < j ≤ n} nazivamo kompletan graf. (GI2) α : V1 → V2 je sirjekcija. Graf Kn = (V.2. Taj graf se moˇe c z cije 0 1 2 1 0 0 . 2 3 . {x. n n 1 GLAVA 4. . GRAFOVI reprezentovati sa sljede´om tabelom incidenc 3 0 4 2 ··· ··· ··· ··· n-1 0 n n-2 n 0 1 n-1 Na primjer W4 moˇemo prikazati na sljede´i naˇin z c c Primjer 4. U tom grafu je svaki par razliˇitih c ˇvorova povezan. n} i E = {(i. Na primjer K4 moˇemo ilustrovati sljede´om slikom c z c Definicija 4. E1 ) kaˇemo da je podgraf grafa G2 = z (V2 . 2. . gdje je V = {1. . E). Za dva grafa G1 = (V1 . (GI3) Za sve x. y} ∈ E1 ako i samo ako {α(x).4.5. E1 ) i G2 = (V2 .3. . Za graf G1 = (V1 . Graf na slici je podgrafa na slici Definicija 4. E2 ) kaˇemo da su z izomorfmni ako postoji funkcija α : V1 → V2 koja ipunjava sljede´e uslove : c (GI1) α : V1 → V2 je injekcija.

. to jest broj grana od G koji sadrˇe ˇvor v.5. 4}. E1 ) s i G2 = (V2 . . c z Primjedba 4. Primjer 4. pa broj |Vn | mora biti paran. . n} i E = {{1. Stepen ˇvora se moˇe koristiti kao test izmorofnosti dva grafa. 2}. . 2. Specijalno. E2 ).10. E). . δ(v) v∈Vn Kako je δ(v) paran broj za svaki v ∈ Vp to zakljuˇujemo da je broj c paran. . Tada vrijedi δ(v) = 2|E|.2. Tada iz teoreme 4.1. E) kaˇemo da je neparan (paran) ako je c z stepen ˇvora δ(v) neparan (paran). c Primjer 4. da je tada δ(v) = δ(α(v)) za svaki v ∈ V1 .4. 1}}. Teorema 4. c 29 Moˇemo uzeti na primjer α(a) = 2. Nije teˇko vdjeti da ako je sa α : V1 → V2 dat izomorfizam grafova G1 = (V1 . Grafovi na sljede´oj slici su izomorfni. α(c) = 3 i α(d) = 4. Neka je dat graf G = (V. Za svako kompletan graf Kn je δ(v) = n − 1 za svaki v ∈ V. Broj neparnih ˇorova nekog grafa G = (V. Neka je dat graf G = (V.9. {n − 1. v∈V c c c Dokaz. E) kaˇemo da je regularan sa stepenom z regularnost r ako vrijedi δ(v) = r za svaki v ∈ V . E) i v ∈ V ˇvor od G. Neka Vp i Vn oznaˇavaju familije parnih i neparnih ˇvorova grafa G c c respektivno. E). Za svaki n ∈ N za koji vrijedi n ≥ 3 cikliˇni graf je Cn = (V. Definicija 4. Kod ovog grafa svaki ˇvor ima stepen 2. Broj δ(v) je neparan za svaki v ∈ Vn .ˇ 4. Primjer 4. E) je paran. Stepen ˇvora c c v je broj δ(v) = |{e ∈ E : v ∈ e}|.2. z 4. Za ˇvor grafa G = (V. . 3}. z c Primjer 4. {2. n}. kompletan graf Kn je regularan sa stepenom n − 1. c Dokaz.2 Stepen ˇvora c Definicija 4. c Teorema 4.8. . Za graf G = (V. .6. . c gdje je V = {1. Za graf W4 vrijedi δ(0) = 4 i δ(v) = 3 za svaki v ∈ {1. Dokaz slijedi iz ˇinjenice da svaka grana kao krajnje taˇke ima dva ˇvora.1.7. {n. STEPEN CVORA Primjer 4.1 slijedi δ(v) + v∈Vp v∈Vn δ(v) = 2|E|. 3. α(b) = 1.

{v0 . v1 }. Primjer 4. . . Ako graf G ima samo jednu komponentu kaˇemo da je povezan. v 1 . Ako s c z su svi vrhovi razliˇiti sem v0 = vk . 2. Ei ). {v0 . . Setnja 0. y ∈ V . Relacija ∼ je relacija ekvivalencije na V . .3. Setnju moˇemo prikazati i preko grana na sljede´i naˇin z c c {v0 . 1. Definiˇimo relaciju ∼ na sljede´i s c naˇin.3 Povezani grafovi v 0 . v1 }. . Setnja u grafu G = (V. 3. unija razliˇitih klasa ekvivalencije. . 4 je s put. E) je povezan ako za svaki par razliˇitih ˇvorova x. . vi } ∈ E. . s Pretpostavimo da je dat graf G = (V. Za graf koji c z ne sadrˇi ciklus kaˇemo da je acikliˇan.12. 2. . neka je c Ei = {{x. . . 4. ˇ tada je 0. Neka je dat graf W4 . Graf prikazan na slici . kaˇemo da se radi o ciklusu.2. r. z c c Primjedba 4. . .11. Definicija 4. Neka je V = V1 ∪ V2 ∪ · · · ∪ Vr . Za svaki i = 1. 1. 3. dok je ˇetnja 0.30 GLAVA 4. y ∈ V . Ako su svi vrhovi razliˇiti kaˇemo da se radi o putu. 0 ciklus. drugim rijeˇima Ei oznaˇava familiju svih grana iz E ˇiji su krajnji ˇvorovi iz c c c c Vi . y ∈ Vi }. vk ∈ V ˇ Definicija 4.6. postoji ˇetnja od x do y. v1 }. Tada piˇemo x ∼ y kada postoji ˇetnja c s s v 0 . . . . . r. gdje su Vi i Ei definisani kao ranije se nazivaju komponente grafa G. Graf G = (V. . . U tom sluˇaju kaˇemo da se radi c z o ˇetnji od v0 do vk . 3 ˇetnja ali nije put ni ciklus. 2. z z c ˇ Primjedba 4. . E) je niz ˇvorova c takav da za svaki i = 1. . Pretpostavimo da je x. . . v 1 . grafovi Gi = (Vi . 0. Za svaki i = 1. GRAFOVI 4. s Primjer 4. 1. {vi−1 . vk ∈ V tako da je x = v0 i y = vk . k. y} ∈ E : x. E). .7.

E1 ∪E2 ∪{x.1. Svako netrivijalno stablo G = (V. Tada dobivamo opet stablo G1 = (V1 . E) ˇto je nemogu´e.4. Ako je G = (V. Za svaki n ∈ N kompletan graf Kn je povezan. y} ∈ E1 tako da {x. pa sadrˇi put koji povezuje z ˇvorove x i y. E) je χ(G) = |V | − |E| + 1. ako je δ(v2 ) > 1 produˇimo dalje do ˇvora v3 . Acikliˇki graf se zove i ˇuma.4. E) stablo onda je |E| = |V |−1. E) stablo i neka su P1 = (V1 . y} ∈ E2 . Ako je δ(v1 ) = 1 dokaz je gotov. Primjer 4. E1 ) za koje je χ(G1 ) = χ(G). a njegova Eulerova karakteristika je 2. Poˇnimo od nekog ˇvora v1 . . y}) je ciklus i sadrˇan c z je u grafu G = (V. c . Eulerova karakteristika stabla G = (V. Kako ˇvorova ima konaˇno mnogo postoji posljednji ˇvor koji c c c mora biti stepena 1. U suprotc c nom je δ(v1 ) > 1.4. STABLA ima dvije komponente.9.4. Lema 4. Na taj naˇin z c c ˇ dolazimo do puta v1 v2 v3 . .8. Prema lemi 4. y} povezan. Sada imamo da je graf P = (W. E2 ) dva razliˇita puta koja povezuju ˇvorove u i v. c c Dokaz.13. Teorema 4. 4. Primjedba 4. Kako je P1 = P2 to postoji grana c c {x. Svaka dva ˇvora u stablu su povezana taˇno jednim putem. dok je graf pirkazan na slici 31 povezan. s c Definicija 4.4 Stabla c Definicija 4. E1 ) i P2 = (V2 . Stablo (drvo) je povezani acikliˇki graf. Komponente povezanosti ˇume c s s su stabla.3. Dokaz. Cvorovi tog puta se ne ponavljaju jer bi inaˇe c imali ciklus. Prema tome graf C = (V1 ∪V2 . to jest χ(G) = 2. Nastavljaju´i ovaj proces na kraju dobijamo stablo samo sa c jednim ˇvorom. c Dokaz. F ).1 postoji v ∈ V za koji je δ(v) = 1. Neka je G = (V. pa postoji ˇvor v2 povezan sa ˇvorom v1 . Teorema 4. gdje / je W = V1 ∪ V2 i F = (E1 ∪ E2 ) \ {x.. E) (|V | > 1) ima ˇvor ˇiji je c c stepen 1. Izbacimo taj ˇvor i granu koja je incidentna sa v. Ako je δ(v1 ) = 1 c c dokaz je gotov.

4. Hamiltonov ciklus je graf G = (V. GRAFOVI (b) Svako netrivijalno stablo ima bar dva ˇvora stepena 1. W. c Dokaz. Eulerova ˇetnja je graf G = (V. Hamilton 1856) Trgovaˇki putc c nik treba obi´i neke gradove i vratiti se na mjesto polaska tako da u toku putoc vanja kroz svaki grad prodesamo jednom. Graf je Hamiltonov ako sadrˇi Hamiltonov ciklus. E) koji je ˇetnja i koji sadrˇi s s z svaku granu taˇno jednom.10. c z s Definicija 4. god. To je jedan od najve´ih nerijeˇenih c s problema teorije grafova.1. Drugim rijeˇima pitanje je da li postoji Eulerova ˇetnja na grafu kao c s na slici Negativan odgovor na ovo pitanje je dao Euler 1736. pa sada tvrdnja c slijedi iz (a).32 Posljedica 4. (a) Kako je δ(v) = 2|E| v∈V na osnovu prethodnog teorema imamo δ(v) = 2|V | − 2.5 Eulerovi i Hamiltonovi grafovi Definicija 4.14. Dio grada je smjeˇten na dva s s s ostrva koji su povezani sa kopnom sa sedam mostova kao na slici Problem se sastoji u tome da se obavi ˇetnja u kojoj ´e se svaki most obi´i taˇno s c c c jednom.15. z z Primjer 4.11. E) vrijedi δ(v) = 2|V | − 2. E) koji je ciklus i koji sadrˇi sve vrhove od V . (Problem trgovaˇkog putnika. . (a) Za svako stablo G = (V. v∈V GLAVA 4. v∈V (b) Ako je G netrivijalno stablo onda je δ(v) ≥ 1 za svaki ˇvor v. Graf je Eulerov ako sadrˇi Eulerovu ˇetnju. (Problem Kenigsberˇkih mostova) Stari pruski grad K¨nigsberg s o (sadaˇnji Kalinjgrad) smjeˇten je na rijeci Pregel. Drugim rijeˇima traˇi se potreban i c z dovoljan uslov kada je graf Hamiltonov. Primjer 4.

c s c Ako je H trivijalan onda ima ciklus. v∈V Dokaz. Za koje vrijednosti n ∈ N kompletan graf Kn ima Ojlerovu ˇetnju? s 4. o Primjer 4. Neka je H komponenta povezanosti ˇvora v za koji je δ(v) ≥ 2. s c Teorema 4.4.6 Zadaci 1. Povezan graf G je Eulerov ako i samo ako svi ˇvorovi imaju c paran stepen.5. Pretpostavimo da je graf G = (V. 2. c .5. Odrediti ˇest neizomorfnih stabala sa 6 ˇvorova. s c 5. pa taj graf ima Eulerovu ˇetnju jer ima samo s dva vrha neparnog stepena. ˇto je opet nemogu´e. to jest da graf G nema ciklusa. Povezani graf ima Eulerovu ˇetnju ako i samo ako ima najviˇe s s dva vrha neparnog stepena. Ako je H c netrivijalan onda postoje bar dva ˇvora u H sa stepenima 1. Pokazati da graf G ima bar dva ˇvora sa stepenom 1. Primjedba 4. Pretpostavimo suprotno. Ako je min δ(v) ≥ 2 onda G sadrˇi z ciklus.7. Odrediti broj grana kompletnog grafa Kn . 4. Plan Pariza sa granama na Seni izgleda kao na slici. ZADACI 33 Teorema 4. Neka je dat graf G = (V. Teorema 4. E) stablo kod koga je |V | ≥ 2. H je stablo. Da li se Pariz moˇe obi´i tako da preko svakog mosta predemo samo jednom? z c Pripadni graf izgleda kao na slici.6. ˇto je nemogu´e.6.16. Na osnovu prethodne teoreme zakljuˇujemo da graf mostova u c K¨nigsbergu nema Eulerove staze. Konstruisati graf koji ima sljede´u tabelu incidencije c 0 5 8 9 1 2 6 2 1 4 6 3 7 4 2 6 5 0 8 9 6 1 2 4 7 3 8 0 5 9 0 . E). 5 Koliko komponenata povezanosti ima dati graf? 3.

GRAFOVI .34 GLAVA 4.

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

cn ]T . . i=1 xij ≥ 0. .36 GLAVA 5. i = 1. i ∈ I. c c 5. Transportni problem i problem ishrane su primjeri zadataka linearnog programiranja. .1. to jest odrediti s m n min i=1 j=1 cij xij uz uslove m xij = bj . . c Od interesa je mimizirati troˇkove prevoza. j ∈ J}. i=1 m xij ≤ ai . J = {1. Opˇti zadatak optis mizacije je min f (x). Na´i taˇku u ravni da suma rastojanja od nje do tri zadane taˇke bude c c c minimalna. . . . . . . Ako je I = ∅ i j = ∅ onda razlikujemo problem linearnog programiranja (LP) i problem nelinearnog programiranja (NP). ako je suma duˇina kateta zadan broj. hiperbole). A = [aij ]m×n . . .2 Osnovni pojmovi Neka je data funkcija f : Rn → R i skup S ⊆ Rn . Kod problema linearnog programiranja imamo f (x) = cT x. . j = 1. . 4. g(x) = Ax − b. Ako je I = ∅ kaˇemo da se radi o zadatku klasiˇne optimizacije (vezani z c ekstremi). Na´i pravougli trougao najve´e povrˇine. . b = [bj ]. Na´i rastojanje taˇke od elipse (parabole. U sluˇaju da je S = Rn radi se o bezuslovnoj optimizaciji. Ovo je primjer transportnog problema. c = [c1 . m. . hj (x) = 0. . . . n. m}. . c c s z 3. U drugom sluˇaju c c (uslovna) skup S je opisan sa S = {x ∈ Rn : gi (x) ≤ 0. x ∈ S. gdje je I = {1. OPTIMIZACIJA xij : koliˇina tovara prevezenog iz i u j. 5. (Zadatak Fermata). Primjedba 5. . p}.

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

. .2. Kako je λ ∈ [0. λx + (1 − λ)y ≤ λb + (1 − λ)b = b. 1]. Posljedica 5. n} je konveksan. . . Definicija 5. Svaki poluprostor u Rn je konveksan. Skup {x ∈ Rn : a. a = 0 i b ∈ R. . Tada iz definicije skalarnog proizvoda imamo a.3. x ≤ b}. . Konveksni omotaˇ skupa z c S oznaˇavamo sa coS.2. y ∈ S i λ ∈ [0. . Slijedi direktno iz definicije konveksnog skupa. y . . λx + (1 − λ)y = λ a. a. y ≤ b vrijedi a. OPTIMIZACIJA Dokaz. nazivamo hiperravan u Rn . .2. k i k i=1 k λi = 1 tada konveksna kombinacija i=1 λi xi ∈ C. nazivamo zatvoreni poluprostor u Rn . λi ≥ 0. Komplement zatvorenog poluprostora nazivamo otvoreni poluprostor i moˇemo ga zapisati u sljede´oj formi z c {x ∈ Rn : a. Dokaz. Definicija 5.3.3. x > b}. . x + (1 − λ) a. . Neka je a ∈ Rn . Konveksni omotaˇ skupa S je c presjek svih konveksnih skupova koji sadrˇe skup S. x ≤ b i a.38 GLAVA 5. x = b}. Ako je xi ∈ C. x ≥ 0. Ako je x ∈ Rn tada piˇemo x ≥ 0 ako i samo ako je xi ≥ 0 za s sve i = 1. Pretpostavimo da je dat poluprostor S = {x ∈ Rn : a. x ≤ b}. Skup {x ∈ Rn : a. Svaka hiperravan u Rn je konveksan skup. Posljedica 5. definisan sa jednaˇinom c a1 x1 + a2 x2 + · · · + an xn = b. Dokaz. i = 1. c Primjedba 5. . Prvi ortant {x ∈ Rn : xi ≥ 0. Neka su x. . 1]. n.1. Dokaz slijedi iz ˇinjenice da je xi ≥ 0 ako i samo ako je ei . Teorema 5. c Teorema 5. i = 1. Neka je C konveksan podskup od Rn . Neka je dat skup S u Rn .

gdje je osnovu prethodne teoreme. .4. . . Primjer 5. k. . Simpleks nad vrhovima x0 .4. . Definicija 5. takvi da je x = k i=1 k i=1 λi xi . . c Primjer 5. e1 . . Skup C je konveksan i sadrˇi skup S. Neka su x0 .5. Tetraedar co{0. Od interesa je odrediti minimalan podskup S od C takav da je C = coS. . .4 Politopi Definicija 5. i=1 λi = 1}. λi ≥ 0. Politop co{0. Znaˇi ako je dat politop C i ako je V skup c c njegovih vrhova tada je C = coV . pa je C = coS. Primjeri politopa u R2 je duˇ i trougao.4. to jest ako y. e2 }. Broj n se naziva dimenzija simpleksa. Neka je S neprazan podskup od Rn . Tada x ∈ coS ako i samo ako postoje xi ∈ S. λ ∈ [0. . . tada x ∈ S na k C={ i=1 λi xi : xi ∈ S. dok prava i krug nisu z politopi. e2 i moˇe se z 4 4 opisati sa co{0. z ∈ C. . Indukcijom po k. . c c c to jest za skup C kaˇemo da je politop ako postoji konaˇan skup S takav da je z c C = coS. λ1 ≥ 0. e1 . Definiˇimo skup s k λi = 1. Iz definicije politopa i definicije vrha slijedi da se svaki politop moˇe pirkazati z kao konveksan omotaˇ svojih vrhova. Simpleks je specijalan sluˇaj politopa.3. POLITOPI Dokaz. 1] i x = λy+(1−λ)z c s c tada je x = y = z. Neka je C neprazan podskup od Rn i x ∈ C. Definicija 5. Osim toga svaki konveksan skup koji z sadrˇi S sadˇi i skup C. x1 . a ˇija je unutraˇnja taˇka x.6. .4. k. . e3 } je simpleks u R3 .2. . e2 } ima vrhove 0. . Obrnuto. xn − x0 linearno nezavisne. Ako xi ∈ S i λ1 ≥ 0. Primjer 5. . . k. xn taˇke takve da su vektori c x1 − x0 . . i = 1. 1 e1 + 1 e2 . i = 1. Konveksan omotaˇ konaˇno monogo taˇaka nazivamo politop. Dokaz. x2 − x0 . 39 Teorema 5. z z 5. . x1 . e2 .4. e1 . i = 1. . . .5. Za taˇku x kaˇemo c z da je vrh (ekstremna taˇka) skupa C ako ne postoji linijski segment sadrˇan c z u C. xn je konveksni omotaˇ c nad tim vrhovima. gdje je k i=1 λi = 1. e1 . . Primjedba 5.

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

Funkcija f (x) = nije konveksna. Definicija 5. y ∈ domf i λ ∈ [0.6. Skup epif = {(x. Ako je f konveksna funkcija tada je f (λx + (1 − λ)y) ≤ λf (x) + (1 − λ)f (y). KONVEKSNE FUNKCIJE Definicija 5. Podskup domf = {x ∈ Rn : f (x) < +∞} skupa Rn nazivamo efektivni domen funkcije f . gdje je x. x ∈ R. +∞] konveksna funkcija onda je domf konveksan skup. (5. 1].  2  x + 2x. c Teorema 5.5. Neka je data funkcija f : Rn → [−∞. a) : x ∈ Rn .1) f( i=1 λi x i ) ≤ i=1 λi f (xi ).7. −3 < x < 1.5.    +∞. x2 . Slede´a teorema se dokazuje jednostavno. x > 1. +∞].5. Primjer 5. Ako je f : Rn → [−∞. x ≤ −1.  −∞. 1]. 41 Efektivni domen funkcije f se moˇe definisati i sa Rn \ {x ∈ Rn : f (x) = z +∞}. f (x) = 5. x = 1. a ∈ R. dok je funkcija g(x) = x2 .8. Na primjer. (i) Ako je f konveksna funkcija tada vrijedi Jensenova nejednakost k k 0. . Primjedba 5. ako je  x ≤ −3. x > 1. f (x) ≤ a} nazivamo epigraf funkcije f . tada je domf = (−∞. konveksna. Za funkciju f kaˇemo da je konveksna funkcija ako je epif z konveksan podskup od Rn+1 (f je konkavna funkcija ako je −f konveksna funkcija).6.6. Primjedba 5.

(ii) Neka je data norma || · || u Rn . (ii) Ako su f i g konveksne funkcije takva je i funkcija f + g.   ∂f ∂xn .8. g) konveksna. Primjedba 5. U zadatku konveksnog programiranja skup G je konveksan skup. 1]. Primjer 5. Primjedba 5. OPTIMIZACIJA λi = 1. x = 0. x ∈ R tada   {1}. s .9. to jest c c ∂f (x0 ) = {s ∈ Rn : f (x) ≥ f (x0 ) + x − x0 .7.7. c Teorema 5.7. gdje je  ∂f   f (x) =  ∂x1 . [-1. .8. (v) Ako u relaciji (5. Ako je ∂f (x) jednoˇlan za svaki x onda je ∂f (x) = { f (x)}. Primjer 5. je x > 0. x < 0. Iz definicije subdiferencijala dobijamo da vrijedi sljede´a teorema.9. s (∀x ∈ C)}. c Teorema 5. za sve x ∈ R. pa ovaj zakljuˇak ne moˇemo izvesti na osnovu diferencijalnog c z raˇuna. (i) Linearni funkcional je konveksna funkcija.1) vrijedi stroga nejednakost onda kaˇemo da je f strogo z konveksna funkcija. Skup svih subgradijenata funkcije f u taˇki x0 nazivamo subdiferencijal funkcije c f u taˇki x0 i oznaˇamo sa ∂f (x0 ). funkcije x → ||x|| i x → ||x||2 su konveksne. Primijetimo da f nije c diferencijabilna. ∂f (x) =  {−1}. c Primjedba 5. jer 0 ∈ ∂f (0). Za vektor s ∈ Rn kaˇemo da je subgradijent konveksne z funkcije f u taˇki x0 (u odnosu na skup C) ako za sve x ∈ C vrijedi c f (x) ≥ f (x0 ) + x − x0 . Sada na osnovu prethodne teoreme vidimo da je taˇka x = 0 c taˇka minimuma funkcije f (x) = |x|.42 gdje je xi ∈ domf . Ako je konveksna funkcija f : R → R diferencijabilna u taˇki x0 c tada vrijedi f (x) ≥ f (x0 ) + (x − x0 )f (x0 ). Taˇka x je minimum konveksne funkcije f na skupu C ako i c samo ako vrijedi 0 ∈ ∂f (x ). . Ako je f (x) = |x|. Ako je f strogo konveksna onda je |G | ≤ 1. (iv) Ako su f i g konveksne onda je i max(f. Definicija 5.8. (iii) Ako je α ∈ R i funkcija f konveksna onda je i αf konveksna. λi ≥ 0 i k i=1 GLAVA 5.

.) Vektorsko uredenje osim u sluˇaju n = 1 s nije totalno uredenje. (v) (xρy i α ≥ 0) ⇒ (αx)ρ(αy) ako x. Na primjer u R2 . Ako x. s Obiˇno uredenje ≥ na Rn se definiˇe sa x ≥ 0 ako i samo ako je xi ≥ 0. Na sliˇan naˇin se definiˇe i c c s ∂2f ∂xi ∂xj . (c) (x − y)ρ0. jer uvijek xρy ili yρx. Navedimo neke osobine vektorskog uredenja. y T ∈ Rn i vrijedi x ≥ y ako i samo ako xT ≥ y T . Lako se pokaˇe da ako x. y ∈ Rn i α ∈ R. . . n. Ako je ρ parcijalno uredenje na Rn tada je ono i totalno uredenje. . n. Teorema 5. ali y + w = w + y. . Parcijalno uredenje ρ na Rn je relacija za koju vrijedi (i) refleksivnost. ako x ∈ Rn tada xρx. 43 to jest ∂f ∂ ∂xj (x) ∂2f (x) = . . i = 1. . (b) 0ρ(y − x). ako x. . to jest Hf (x)v. n) tada xT . . (Kriterij preko drugih izvoda) Funkcija f je konveksna ako i samo ako je matrica Hf (x) semidefinitna. . . y ∈ Rn i x ≥ 0. Teorema 5. y. . y ∈ M(1. . . xi . .9. ako x.6 Leksikografsko uredenje vektora Definicija 5. . . . h→0 ∂xi h parcijalni izvodi.10.6. . . 5. e2 e1 i e1 e2 . (Piˇe se s c joˇ i x ≤ y ako i samo ako je y ≥ x. xi + h. . pa koriste´i c (iii). y ∈ Rn tada (xρy i yρx) ⇒ x = y. xn ) (x) = lim . z ∈ Rn tada (xρy i yρz) ⇒ xρz. ako xρy i wρz tada (x + w)ρ(y + w) i (w + y)ρ(z + y) zbog (iv). c (iii) tranzitivnost. Na primjer. v ≥ 0. je (x + w)ρ(y + w). (ii) antisimetriˇnost. y ≥ 0 tada je broj xT y nenegativan. . Ako x. y ∈ Rn sljede´i uslovi su z c ekvivalentni: (a) xρy. (∀v ∈ Rn ). . Ekvivalentno x ≥ y ako i samo ako je xi ≥ yi . xn ) − f (x1 .10. Parcijalno uredenje je vektorsko uredenje ako joˇ vrijedi i s (iv) xρy ⇒ (x + z)ρ(y + z) ako x. i = c 1.5. LEKSIKOGRAFSKO UREDENJE VEKTORA gradijent funkcije f u taˇki x i c ∂f f (x1 . . ∂xi ∂xj ∂xi Matricu Hf (x) = ∂2f (x) ∂xi ∂xj n×n nazivamo Hamiltonova matrica funkcije f . . y ∈ Rn .

Tada se njemu moˇe pridruˇiti z z drugi problem koji se naziva dualni. −2 1 je ureden na sljede´i naˇin c c −2 1 Dakle. y. z ∈ Rn . j i xj ≥ yj > zj . . c 5. c Neka je xi ≥ yi . x ≥ 0. i = 1.11. . pa je xj > zj .3. j i xj > yj . Primjer 5.7 Primarni i dualni problem Neka je dat problem linearnog programiranja. . z) ⇒ x z y ali obrnuto ne vrijedi u Dokaz. 0 1 . 1 0 . xi ≥ zi . . . . U tom sluˇaju prvi problem se naziva i c primarni. .9. i = 1. Ako x. . Uredenje se naziva leksikografsko uredenje na Rn . . n. . y ∈ Rn piˇemo x y ako i samo ako je za neki j ∈ s {1. . n}. (5. Piˇemo x y ako i samo ako je x y s ili x = y. Skup vektora u R2 .2) (5. . (i) Prvi dio slijedi iz definicije. x z.11. 1 −2 Teorema 5. i = 1. Dakle.44 Dokaz. . . . . Pretpostavimo da je dat primarni problem u standardnoj formi min f (x) = cT x Ax = b. Uredenje je totalno uredenje. xi ≥ yi . . . Ako je dat konaˇan skup u Rn onda taj c skup u odnosu na leksikografsko uredenje ima maksimum i minimum. Definicija 5. OPTIMIZACIJA xi yi . do drugi slijedi iz primjera. maksimalni elemenat je 0 1 1 0 1 −2 . j i yj > zj tada je xi ≥ yi ≥ zi . n}. . Ako x. i = 1. e2 i (ii) Dokaza´emo prvi dio. . Posljedica 5.3) . . s c (ii) Ako x. z ∈ Rn tada (x ≥ y i y i (x y i y ≥ z) ⇒ x z. . (i) Ako x. . . . . yi ≥ zi . y ∈ Rn tada x ≥ y ⇒ x opˇtem sluˇaju. e1 e1 e2 . y = n i=1 GLAVA 5. Ako je za neki j ∈ {1. x ≥ y i z ≥ 0 tada je z T x ≥ z T y. y. Znaˇi. a minimalni 1 0 −2 1 . Slijedi neposredno iz xT y = x.

(i) Kako je x ≥ 0 i y T A ≤ cT imamo da je (y T A)x ≤ cT x. a funkcija g(y) u obliku bT y. 45 (5. Neka je dat problem linearnog programiranja min 2x1 + 6x2 − 7x3 + 2x4 + 4x5 4x1 − 3x2 + 8x3 − x4 = 12 −x2 + 12x3 − 3x4 + 4x5 = 20 xi ≥ 0. 2. . 1 sa vrhovima ( 4 . y dopustiva rjeˇenja (5.3). bT = (12. Osim toga. (i) (Slaba dualnost) Ako je x dopustivo rjeˇenje (5.5) tada je g(y) ≤ f (x). z Primjer 5. (ii) Neka su x. . Tada je zbog (i).5) moˇe pisati u obliku AT y ≤ c. g(y) = y T b ≤ cT x = f (x).3) i y dos pustivo rjeˇenje (5. Na osnovu teoreme 5. Dakle. (5. − 3 )T .5) c nema dopustivo rjeˇenje. Jednostavmnim raˇunom se vidi da je maksimum − 60 z c 7 27 i dostiˇe se na vrhu (− 65 . kao i da se uslov z (5. 0)T i (− 65 .5) Primjetimo da se kod dualnog problema ne traˇi uslov y ≥ 0.4) (5. . s Dokaz. s (ii) Ako su x0 . (5. (5. s 4 −3 8 0 −1 12 −1 0 −3 4 . 4). (−2. . Kako je f (x0 ) = c g(y0 ) ≤ f (x). −7. 5.4. c Posljedica 5.4). vrijedi Ax = b. Prema tome. 27 )T . 6. . y0 optimalna rjeˇenja (5.12. y0 je optimalna taˇka za (5. 20) i A = Dualni problem je max 12y1 + 20y2 4y1 ≤ 2 −3y1 − y2 ≤ 6 8y1 + 12y2 ≤ −7 −y1 − 3y2 ≤ 2 4y2 ≤ 4. y0 dopustiva rjeˇenja (5.2).5) respektivno.5) respektivno i g(y0 ) = f (x0 ) s tada su x0 . Ovde je x ∈ R5 .3). z 28 Teorema 5. s g(y) ≤ f (x0 ) = g(y0 ).4) respektivno. to je x0 optimalna taˇka za (5.5. maksimum 4 28 28 se dostiˇe na vrhovima. PRIMARNI I DUALNI PROBLEM Dualni problem tog problema je max g(y) = y T b y T A ≤ cT . Dualni problem je dvodimenzionalni i lako se vidi da je dopustivi skup trougao. cT = (2.2). 28 )T . pa je y T (Ax) = y T b.5. i = 1. Ako je f (x) neograniˇena odozdo za dopustive x tada (5.10.7.

2) − (5. Problem (5. Ako je g(y) neograniˇena odozgo za dopustive y tada (5. gdje je u ≥ 0 i v ≥ 0. Imamo s (−y)T b = i (−y)T A = u v T u v T b −b A −A .4) − (5.3) i njegov dualni (5.5) moˇemo zapisati u obliku z − min(−y)T b (−y)T A ≥ (−c)T . .5). Dokaz. OPTIMIZACIJA Posljedica 5. Teorema 5. Napiˇimo −y = u − v. a ovo je primarni problem. (5. Dakle. Ovo je ekvivalentno sa min cT z Az = b.46 GLAVA 5. s Primarni i dualni problem linearnog programiranja su involutivni u smislu da je dualni problem dualnog problema primarni.13. v Dualni problem ovog problema je − max z T (−c) z T (AT | − AT ) ≤ (bT | − bT ).4) − (5. Za svaki primarni problem linearnog programiranja dualni problem dualnog problema je primarni problem.5. Neka je dat primarni problem (5.5) moˇemo pisati u obliku z − min b −b T u v (AT | − AT ) u ≥ −c v u ≥ 0.4) − (5.3) c nema dopustivo rjeˇenje. z ≥ 0. z ≥ 0.

. Matrica B =  2 1 1  .6) BxB + F xF = b. m. . n) i B ∈ M(n. Kako je Ax = b vrijedi (5. A13 = −1. Rang matrice A oznaˇavamo sa r(A).11. . . . A1 = (1. . . p) tada je 3 (AB)ij = Ai Bj . n. . . c (Ai )j = Aij . = −1 0 . Neka je A ∈ M(2. n) ( r(A) = m. c   4 1 0 Primjer 5. . m. to jest min f (x) = cT x Ax = b. p. . . m < n) ako je ona kvadratna (invertibilna) matrica ˇije se kolone sastoje od m linearno nezavisnih kolona matrice A. . n). Matrica B je bazna matrica matrice c A ∈ M(m.12. . to jest matrica sa m vrsta i n kolona. j = 1. Pretpostavimo da je ispunjen sljede´i inicijalni uslov : A ima baznu matricu B c takvu da je za i = 1. i = 1. Sa Ai oznaˇavamo i−tu vrstu matrice A. 2. SIMPLEKS METOD 47 5. dok to nije sluˇaj sa matricom C =  2 1 3  . Primjer 5.8. m. . ((B −1 b)i |(B −1 )i ) Napiˇimo A u obliku (B|F ) i x pridruˇimo s z xB xF 0. c (A j )i = Aij . .2) − (5.3). . Ovde je na primjer. . A Ako je A ∈ M(m. 3) data sa A= 1 2 −1 3 −1 0 . −1). . . z Neka je dat matrica A ∈ M(m.5. j = 1. je bazna matrica matrice A = 5 1 1     4 1 0 5 4 1 5  2 1 1 3 . . . i = 1. x ≥ 0. Elemenat matrice A koji se nalazi u i−toj vrsti i j−toj koloni oznaˇavamo sa c Aij .8 Simpleks metod Prije nego izloˇimo simpleks metod uvedimo neke oznake. c 5 1 1 6 5 1 6 Posmatrajmo problem linearnog programiranja u standardnoj formi (5. Sliˇno A c j oznaˇava j−tu kolonu matrice A.

2)−(5. s Osim toga.7) f (x) = cT B −1 b − (cT B −1 F − cT )xF . Korak 2. Vektoru z cilja c pridruˇimo vektor cB . y je dopustivo rjeˇenje za (5. Zbog (5. 0 1 4 . s Primjer 5. s Dalje. imamo y T A = cT B −1 A ≤ cT . ovdje je f (x) = s b.10 je B = (A 1 A 5 ) = Vrijedi B −1 = i (B −1 b)i > 0.6).48 pa je GLAVA 5. 4 0 0 4 3 5 . B B F pa smo funkciju cilja izrazili preko nebaznih promjenljivih. i = 1. Definiˇimo test vektor t(B).12.5) i zajedniˇka s c optimalna vrijednost je cB T B −1 b. Ako je t ≤ 0 tada je T B −1 b 0 cT B B B −1 b 0 −1 je inicijalno bazno optimalno rjeˇenje za (5. U primjeru 5. to jest bazne promjenljive izraˇene su preko nebaznih promjenljivih.3). Neka je y T = cB T B −1 . poˇto je xF izabrano s kao nula u (5. (oznaˇimo ga sa t) na s c sljede´i naˇin: c c tT = cT B −1 A − cT = (0|cT B −1 F − cT ). g(y) = y T b = cT B −1 b = cT B Sada dokaz slijedi iz teoreme 5. B Dakle.13. OPTIMIZACIJA xB = B −1 b − B −1 F xF .7). y = je optimalno rjeˇenje za (5. B −1 b = ≥0 . je B −1 b ≥ 0 i x = xB 0 = dopustivo rjeˇenje od (5. F B B Lema 5.3).5).4) − (5. Dokaz.1. jer je t ≤ 0. B F (5. tada je z cF f (x) = cT x = cT |cT B F xB xF = cT xB + cT xF . Korak 1. Ako je t(B) ≤ 0 tada je inicijalno rjeˇenje optimalno i postupak je s zavrˇen. 2 0 1 4 cT B −1 B B −1 b 0 =f B −1 b 0 .

s = (0. − Pretpostavimo da je t(B) koraka 2. 23. i = 1. 5). vidimo da je f (x) neograniˇena odozdo. 17 11 . x ≥ 0. .8. − . cT = (2. α > 0 i (B −1 A) B −1 b − α(B −1 A) Dakle. B B Korak 1. 6. Dalje. m. Definiˇimo x ∈ Rn na s sljede´i naˇin c c   (B −1 b − α(B −1 A) j )i . − . Neka je β realan i α poztivan realan broj. 0) 0. Ovdje je xT = (x1 . α. pa je x dopustivo rjeˇenje. 2. 4) = 2 2 3 1 −4 1 0 −4 49 3 5 = 26 2 −1 4 3 −3 4 0 1 . Osim toga vrijedi Ax = B(B −1 b − α(B −1 A) j ) + A j α = b. SIMPLEKS METOD je ispunjeno. 0. f (x) = cT B −1 b = (2. 0. 5 17 T tT = CB B −1 A − cT = (2.5. xT = (3. xi =  0. . U tom sluˇaju postupak nastavljamo bez c ≤ 0. s j Dokaz. 4) B i B −1 A = Korak 2. 4). 0. i = j. 0. Dakle. . 16. c j j ≤ 0 slijedi ≥ B −1 b ≥ 0. . tada Lema 5. x5 ). s f (x) = cT (B −1 b − α(B −1 A) j ) + cj α = cT B −1 b − tj α B B i kako je tj > 0. −7. Ako je za neki j broj tj > 0 i kolona (B −1 A) problem nema optimalnog rjeˇenja. ako izaberemo α dovoljno veliko imamo f (x) ≤ β. − .2. . inaˇe c Zbog inicijalnog uslova. 2 2 pa nije zadovoljen uslov t(B) ≤ 0 optimalnosti inicijalnog baznog dopustivog rjeˇenja. 4) − (2.

Sada. i = 1. i = k. -3 8 7 8 1 0 0 1 . Pivot (stoˇer) je (B −1 A)kl . c 2 > 0. zbog izbora k i l je B(1)−1 b ≥ 0. i = 1. . Pivot je (B −1 A)kl = (B −1 A)13 . ks . (B(1)−1 b)i = (5. i 1 0 pa dobijamo 1 2 −3 2 3 -4 1 -4 2 3 -1 4 3 -4 1 -8 3 -8 0 1 3 5 3 2 1 2. U tom sluˇaju c c imamo (B −1 b)i − βk (B −1 A)il . 3 (B −1 b)i 2 . m. βk }. − . izaberimo ga izmedu k1 do ks tako da je k vrsta (B −1 A)kl minimalna u odnosu na uredenje k 1 . . j= z Korak 6. i = k. U primjeru 5. . − 17 11 .50 GLAVA 5. β2 . .15. Vektor B(1)−1 b moˇemo pisati i z sa B −1 b − βk (B −1 A) l + βk ek . U primjeru 5. pa izaberimo k = 1. i = 2.14. tj > 0 i vektor kolona (B −1 A) nema optimalnog rjeˇenja. Tada izaberimo βk = min{β1 . OPTIMIZACIJA j Korak 3. Ako je za neki j. .10 je tT = (0. i = 2. s ≤ 0. . Oznaˇimo novu baznu matricu sa B(1). 2 2 3. . . Izaberimo indeks vrste r na sljede´i naˇin : Za i = 1. 5. B −1 od vrsta −1 Bj (B −1 A)jl . Izaberimo l = 3 jer je t3 = 23 najve´e. Ako ima viˇe izbora za indeks l. s 3 Korak 4. izaberimo najve´i od tih indeksa. Izbacimo k−tu kolonu iz B i zamijenimo je sa l−tom. i = 2. pa nije ispunjen uslov za nepostojanje optimalnog rjeˇenja. 23. . 0). i = 1. (B A)i3 = 3 > 0. inaˇe stavimo βi = ∞. . gdje je tl najve´i (ne obavezno i pozitic van). s c Korak 5.10 samo je t3 = 23 pozitivan i (B −1 A) 3 = 2 0.8) βk . Primjer 5. Prema tome. Odaberimo indeks kolone l. −1 i (B −1 b)i = Korak 5. sa minimumom 3 . Korak 4. 2 Korak 6. izraˇunac c c (B −1 b)i −1 −1 jmo βi = (B −1 A)il ako je i−ti elemenat (B A)il od l−te kolone (B A) l pozitivan. . c Ako k nije jedinstveno odredeno. . = 5 −1 A) (B i3 3 . tada problem Primjer 5.

zamijenimo je sa tre´om kolonom (l = 3) i ponovimo sve korake na novi test vektor t 0 i c sljede´eg pivota. SIMPLEKS METOD 51 Sada izbacimo iz bazne matrice prvu kolonu (k = 1). 0. .8. pa dobijamo optimalno rjeˇenje. Ponavljaju´i postupak viˇe puta dobijamo c c s tT = − 79 18 1 . s xT = 0 4 12 0. − . 0. 0. 7 .5. − 7 7 7 ≤ 0. 0 7 7 i f (x0 ) = − 60 . . Naime.

52 GLAVA 5. OPTIMIZACIJA .

c Na dogadaje se mogu primjenjivati operacije i relacije kao i sa skupovima.2. a njegove elemente elementarne dogadaje. P 4. Dakle. P 6. Ω = {P P. GP − u prvom bacanju je pao grb. z Dogadaj A je suprotan dogadaju A i vrijedi A = {ω ∈ Ω : ω ∈ A}. G3. G5. GG}. a dogadaj ∅ nemogu´ dogadaj. Svaki podskup A skupa Ω zove se sluˇajan dogadaj (dogadaj). Bacaju se novˇi´ i kocka za igru.Glava 6 Diskretna teorija vjerovatno´e c 6. P 5.1. Primjer 6. P G. P 3. a u drugom grb. G1. P G− u prvom bacanju je palo pismo. Novˇi´ se baca dva puta. G6}. Dogadaj Ω se c naziva siguran dogadaj. Za elementarne dogadaje moˇemo uzeti cc z slede´e ishode eksperimenta : c P P − u oba bacanja je palo pismo. z c Ako je A = B kaˇemo da su dogadaji A i B ekvivalentni. / 53 . G4. Definicija 6. P 2. GG− u oba bacanja je palo pismo.1 Pojam vjerovatno´e c Uslovi koji se mogu ponavljati beskonaˇno mnogo puta i koji ne dovode c do jednaznaˇno odedenog ishoda zovemo sluˇajnim eksperimentom (eksperc c imentom). a u drugom pismo.1. GP. Neka je Ω prostor elementarnih dogadaja nekog eksperimenta. Ako je A ⊂ B onda kaˇemo da dogadaj A povlaˇi dogadaj B. Skup elementarnih dogadaja je cc Ω = {P 1. G2. Svakom eksperimentu pridruˇujemo skup Ω svih mogu´ih ishoda z c tog eksperimenta i zovemo ga prostor elementarnih dogadaja. Primjer 6.

. . ωn } prostor elementarnih dogadaja. . Neka je Ω = {ω1 . 2. nenegativnost. . .54 ´ GLAVA 6. Kolika je vjerovatno´a dogadaja A da je taˇno c c c jedna od izabranih kuglica oznaˇena parnim brojem? c 10 Broj mogu´ih ishoda jednak je c . Neka je c A = {ωj1 . p1 + p2 + · · · + pn = 1.1. 2. n kaˇemo da se radi o klasiˇnoj vjerovatno´i. . 2. a broj povoljnih ishoda jednak je 3 5 5 . Sluˇajno c se biraju tri kuglice odjednom. (i) Umjesto A ∩ B piˇe se i AB. 10. DISKRETNA TEORIJA VJEROVATNOCE Unija dogadaja A i B je dogadaj A ∪ B. (ii) Ako je AB = ∅ kaˇemo da su dogadaji A i B disjunktni ili da se medusobno z iskljuˇuju. gdje je F ⊆ Ω. .2. c 1 . Broj pk se zove vjerovatno´a elementarnog dogadaja ωk . Ako je P (A) = . P ) naziva se prostor vjerovatno´a. Vjerovatno´a dogadaja A je broj P (A) = pj1 + pj2 + · · · + pjk c U prethodnoj definiciji odredena je funkcija P : F → R. pa je traˇena vjerovatno´a z c 1 2 5 1 10 3 5 2 Primjedba 6. odreden sa A ∪ B = {ω ∈ Ω : ω ∈ A ili ω ∈ B}. ωj2 . . . Pretpostavimo da sve 3−kombinacije imaju istu vjerovatno´u da budu izabrane. Presjek dogadaja A i B je dogadaj A ∩ B. s Primjedba 6. F. . Dato je 10 kuglica numerisanih brojevima 1. . ω2 . c p1 = p2 = · · · = pn = Primjer 6. pk ≥ 0. . normiranost. U tom sluˇaju vjerovatno´a z c c c c dogadaja A jednaka je koliˇniku broja ishoda povoljnih za dogadaj A i broja c svih mogu´ih ishoda. .3. . . Za svako k ∈ {1. odreden sa A ∩ B = {ω ∈ Ω : ω ∈ A i ω ∈ B}. Uredena trojka (Ω. . 1 ≤ j1 < j2 < · · · jk ≤ n. c Definicija 6. .2. ωjk . n} pridruˇimo ishodu ωk broj pk tako da vrijede sljede´i z c uslovi : 1.

slijede neposredno iz definicije vjerovatno´e dogadaja. c 3. . POJAM VJEROVATNOCE Teorema 6. Na osnovu osobina 2. . σm } i B = {τ1 . 6. Vjerovatno´a sigurnog dogadaja je P (Ω) = 1. AB i AB su medusobno disjunktni i vaˇi z A ∪ B = AB ∪ AB ∪ AB.4. Ako je A ⊂ B onda je P (A) ≤ P (B). Ako je p(ω) oznaka za vjerovatno´u dogadaja ω onda je c P (A∪B) = p(σ1 )+p(σ2 )+· · ·+p(σm )+p(τ1 )+p(τ2 )+· · ·+p(τk ) = P (A)+P (B). Ako je AB = ∅ onda je P (A ∪ B) = P (A) + P (B). 4. Za svaki dogadaj A vaˇi 0 ≤ P (A) ≤ 1. σm . τ2 . Vjerovatno´a nemogu´eg dogadaja je P (∅) = 0. τk } isjunktni dogadaji.1. 5.´ 6. A = AB ∪ AB. . . Kako je Ω = ∅. c c 6. . i 3. Koriste´i c c 3.1. . 55 Dokaz. 5. . Ako je A ⊂ B onda je B = A ∪ AB pri ˇemu su A i AB disjunktni. τ1 . Za proizvoljne dogadaje A i B vrijedi P (A ∪ B) = P (A) + P (B) − P (AB). . z 2. (Osobine vjerovatno´e) c 1. c 3. . Neka su A = {σ1 . imamo P (B) = P (A) + P (AB) ≥ P (A). 4. τk }. Primjer 6. Koriste´i osobinu aditivnosti vjerovatno´e dobijamo c c P (A∪B) = P (AB)+P (AB)+P (AB) = P (B)−P (AB)+P (A)−P (AB)+P (AB) = = P (A) + P (B) − P (AB). imamo 1 = P (Ω) = P (A ∪ A) = P (A) + P (A). pa je P (A) = 1 − P (A). . . τ2 . . σ2 . dobijamo P (∅) = 1 − P (Ω) = 0. Za svaki dogadaj A je P (A) = 1 − P (A). . B = AB ∪ AB. i 4. Tada je A ∪ B = {σ1 . . i 2. . Dogadaji A i A su disjunktni i vrijedi A ∪ A = Ω. Osobine 1. σ2 . . Dogadaji AB. na osnovu 2. .

ako je poznato da se realizovao neki drugi dogadaj A. P (A) pri ˇemu se pretpostavlja da je P (A) > 0. c1 ). b). c2 )}. Neka je P (A) > 0. c2 ). pa je P = 1. An medusobno disjunktni dogadaji sa pozitivnim vjerovatno´ama. Kolika je vjerovatno´a c c da je druga izvuˇena kuglica crna? c Ovde je Ω = {(b. A = {(b.56 ´ GLAVA 6. c2 )}. c Primjer 6. c1 ). . . P (Ω|A) = 1. Neka su A1 . P (∅|A) = 0. B = {(b. (c2 . Ako je B1 B2 = ∅ onda je P (B1 ∪ B2 |A) = P (B1 |A) + P (B2 |A). Ako za neki dogadaj B vaˇi B ⊂ A1 ∪ A2 ∪ · · · ∪ An c z onda je n P (B) = j=1 P (Aj )P (B|Aj ). 3. . A2 . Neka se u kutiji nalazi jedna bijela i dvije crne kuglice. c c Dokaza´emo sada jednu jednostavnu ali vaˇnu formulu poznatu pod nazivom c z formula potpune vjerovatno´e. b). c Teorema 6. Slijedi iz definicije uslovne vjerovatno´e i osobina vjerovatno´e. P (A|A) = 1. .5. P (B|A) = 1 − P (B|A). 2. Tada vrijedi: 1. Inaˇe. 4. (c1 . c c c 3 c Definicija 6. Ako je A ⊂ B onda je P (B|A) = 1. (c1 . c2 ). .2 Uslovna vjerovatno´a c U nekim situacijama potrebno je izraˇunati vjerovatno´u odredenog dogadaja c c B. Na taj naˇin dolazimo c do uslovne vjerovatno´e. da nije izvuˇena prva kuglica vjerovatno´a je P = 1 . Dokaz. Iz uslova B ⊂ A1 ∪ A2 ∪ · · · ∪ An slijedi B = BA1 ∪ BA2 ∪ · · · ∪ BAn . c1 )}. c1 ). c Teorema 6. DISKRETNA TEORIJA VJEROVATNOCE 6. Izvuˇena c je jedna kuglica bez vra´anja i konstatovano je da je bijela. (c2 . (b. Dokaz. Uslovna vjerovatno´a dogadaja B pri uslovu A je broj koji oznaˇavamo sa P (B|A) i koji je odreden sa c P (B|A) = P (AB) .2. (b. (b.3.3.

. . An medusobno disjunktni takvi su i BA1 . . a zatim se iz c c kutije sluˇajno bira kuglica.´ 6. A2 . P (B) Koriste´i formulu potpune vjerovatno´e dobijamo c c P (Ak |B) = P (Ak )P (B|Ak ) n j=1 . . . . . . . A2 .6.3. Prvo se sluˇajno bira kutija. n} vrijedi c P (Aj B) = P (Aj )P (B|Aj ) = P (B)P (Aj |B). . Koriste´i osobinu aditivnosti vjerovatno´e i definiciju uslovne vjerovatnoc c ´e dobijamo c n P (B) = j=1 P (Aj )P (B|Aj ). An ˇine potpun skup dogadaja (hipoteze). onda kaˇemo da dogadaji A1 . . Odrediti vjerovatno´u da je izabrana bijela kuglica. z c Primjer 6. c c Neka je A1 (A2 ) dogadaj da je izabrana prva (druga) kutija.1) je poznata kao Bajesova formula. . A2 . An vrijedi A1 ∪ A2 ∪ · · · ∪ An = Ω. P (B|A1 ) = . . a u drugoj jedna bijela i ˇetiri crne kuglice. An medusobno disjunktni dogadaji sa pozitivnim vjerovatno´ama c i dogadaj B takode sa pozitivnom vjerovatno´om za koji vrijedi c B ⊂ A1 ∪ A2 ∪ · · · ∪ An . BAn . 2 5 5 pa na osnovu formule potpune vjerovatno´e dobijamo c P (B) = 1 3 1 1 2 · + · = . .1) P (Aj )P (B|Aj ) Formula (6. . 2 5 2 5 5 Neka su A1 . P (B|A2 ) = . 2. odakle slijedi P (Aj |B) = P (Aj )P (B|Aj ) . . USLOVNA VJEROVATNOCA 57 pa kako su dogadaji A1 . . a B dogadaj da je izabrana bijela kuglica. . . Vrijedi P (A1 ) = P (A2 ) = 1 3 1 . . . (6. . BA2 .2. Ako za medusobno disjunktne dogadaje A1 . . . . U prvoj kutiji se nalaze tri bijele i dvije crne kuglice. A2 . Primjedba 6. Iz definicije uslovne vjerovatno´e imamo da za svako j ∈ {1.

6 1 P (BC) = = P (B)P (C). P (B) = . dogadaji A i B su nezavisni.4. 2 3 2 1 = P (A)P (B).9. Pretpostavimo da je izabrana z bijela kuglica. 4 Definicija 6. Za niz niz eksperimenata u kojima je vjerovatno´a realizacije dogadaja ista i nezavisna od ostalih eksperic menata kaˇemo da ˇini Bernulijevu ˇemu. 3} i vrijedi P (A) = 1 1 1 . Tada je AB = {1}. 2.8. B = {1. 2}. 3 1 P (CA) = = P (C)P (A). 2 Dakle. Sa Sn oznaˇavamo broj realizacija z c s c dogadaja A u Bernulijvoj ˇemi. Neka vaˇe uslovi iz primjera 6. a 0 da nije pao broj 6. (b) A i B. 2. 6}.58 ´ GLAVA 6. 3}. dogadaji B i C zavisni. Odediti vjerovatno´u da se dva puta pojavio broj ˇest. 6.7. Tada je c {S3 = 2} = {(x1 . 5. 3. Broj Sn nazivamo frekvencija (relativna s n uˇestalost) dogadaja A u n ponovljenih eksperimenata. 2 6 6 6 . 1} taˇno dva broja od xi su 1}. Neka je A = {1. z Primjer 6. Baca se kocka za igru. a dogadaji C i A si takode nezavisni. c Na osnovu Bajesove formule imamo P (A1 |B) = P (A1 )P (B|A1 ) = P (B) 1 2 · 2 5 3 5 = 3 . 4. c pa je P (S3 = 2) = 3 2 15 1 5 · = 3. Kocka se baca tri puta. Dogadaji A i B su nezavisni ako vrijedi P (AB) = P (A)P (B). C = {1. P (AB) = Primjer 6. BC = {1. x3 ) : xi ∈ {0. takode nezavisni. Za dogadaje koji nisu nezavisni kaˇemo da su zavisni.10. c c Primjer 6.3 Bernulijeva ˇema s Neka je Ω prostor elementarnih dogadaja i A ⊂ Ω. (c) A i B. s Neka 1 znaˇi da je pao broj 6. Prostor elementarnih dogadaja je Ω = {1. DISKRETNA TEORIJA VJEROVATNOCE Primjer 6. x2 . 5}. CA = {1.6. 3. Ako su A i B nezavisni onda su i dogadaji (a) A i B. Odredimo vjerovatno´u da je izabrana iz prve kutije. P (C) = . 2}.

BERNULIJEVA SEMA Sliˇno kao u prethodnom primjeru zakljuˇujemo da je sa c c P (Sn = k) = n k pk (1 − p)n−k . Za velike n vrijednosti P (Sn = k) date formulom (6. .2) nije jednostavno odrediti. 1. n → +∞. Tada za svaki k ∈ N ∪ {0} vrijedi n→+∞ λ n.4. Obiˇno se koriste formule date slede´im teoremama. k! Primjedba 6. (Puasonova aproksimacija) Neka je P (A) = ne zavisi od n. λ > 0 i neka λ lim P (Sn = k) = λk −λ e . . Zbog (6. b ∈ R takvi da je k − np ≤ b za sve k. a≤ √ npq Tada vrijedi n→+∞ lim P (Sn = k) √ 1 e− 2πnpq (k−np)2 2npq = 1.ˇ 6. n→+∞ (ii) Praksa je pokazala da Puasonova aproksimacija daje dobre rezultate za np < 10. . (Normalna aproksimacija) Neka je p ∈ (0. pojaviti k puta u n nezavisnih opita. ˇija je vjerovatno´a pojavljivanja u jedc c c c nom opitu p. 1− k−1 n 1− ··· 1 − 1 n 1− λ n −k . λk −λ e . n}. 1. . . 1) vjerovatno´a dogadaja c u svakom od n nezavisnih ekperimenata i neka postoje a. n}.2) data vjerovatno´a da ´e se dogadaj A. . k ∈ {0. c c Teorema 6. n ∈ N i k ∈ {0.3. 59 (6. Ako je np ≥ 10 koristi se normalna aproksimacija data slede´om c Muavr-Laplasovom teoremom.5. . . −k λk k! 1− n! 1 (n − k)! nk k−2 n 1− λ n . (i) Prethodna teorema vrijedi i ako se pretpostavi da je P (A) = pn i da je lim npn = λ.2) imamo P (Sn = k) = Dalje je P (Sn = k) = to jest P (Sn = k) = pa P (Sn = k) → λk k! 1− λ n n n k λ n n λ n k 1− λ n . Teorema 6. . k! n−k Dokaz. q = 1 − p.4.

6. Neka je (Ω. . . pri tome je p1 + p2 + · · · + pn = 1. P ) prostor vjerovatno´a sa konaˇno mnogo ishoda. .5. −2 t2 Primjedba 6. Vjerovatno´a proizvodnje neispravnog proizvoda je 0. F. Neka se baca novˇi´.60 ´ GLAVA 6. . z Primjer 6. . x e− 2 dt 0 t2 6. c c Funkcija X : Ω → R zove se sluˇajna promjenljiva (veliˇina). Na´i c c vjerovatno´u da u seriji od 2500 proizvoda broj neispravnih bude izmedu 36 i c 57. pa koristimo normalnu aproksimaciju P (36 ≤ S2500 1 ≤ 57) ∼ √ 2π 1 e− 2 dt ≈ 0. U ovom sluˇaju skup Ω se preslikava na {0. pn sa kojima uzima te vrijednosti.02.818. Pri uslovima prethodne teoreme vrijedi b−np √ npq n→+∞ 1 lim P (a ≤ Sn ≤ b) ∼ √ 2π e− 2 dt.5. Koristi se zapis c pk = P (X = xk ) = P ({ω : X(ω) = xk }.11.4 Diskretne sluˇajne promjenljive c Prilikom eksperimenta se svakom ishodu moˇe pridruˇiti realan broj. .02 = 50. c Definicija 6. . 2. Raspodjela vjerovatno´a sluˇajne promjenljive X se oznaˇava i sa c c c X: x1 p1 x2 p2 ··· ··· xn pn . Teorema 6. to jest z z moˇemo posmatrati preslikavanje sa Ω u skup R.12. 1}. . Svakom ishodu moˇemo pridruˇiti 1 ili 0 cc z z u zavisnosti da li je pao grb ili pismo. . c c Raspodjela vjerovatno´a sluˇajne promjenljive je odredena ako su pozc c nate vrijednosti x1 . . xn koje moˇe uzeti ta sluˇajna promjenljiva i vjerovatnoz c ´e p1 . . p2 . . Vrijednosti funkcije 1 Φ(x) = √ 2π date su tablicama. Ovde je np = 2500 · 0. DISKRETNA TEORIJA VJEROVATNOCE Na osnovu prethodne teoreme moˇe se dokazati i slede´a poznata kao intez c gralna Muavr-Laplasova teorema. a−np √ npq t2 Primjer 6. x2 . k = 1.

Y = yj ) = P (X = xi ) · P (Y = yj ) za sve xi i yj iz skupa vrijednosti sluˇajnih promjeljivih X i Y . (∀x ∈ R). F (x) =  1.14. c Neposrednim raˇunom dobijamo c X: 0 1 6 1 1 2 2 3 10 3 1 30 . Tada c vrijedi: (i) 0 ≤ F (x) ≤ 1. Funkcija FX : R → R data c sa FX (x) = P {ω : X(ω) ≤ x} = P (X ≤ x) zove se funkcija raspodjele sluˇajne promjenljive X. se naziva Bernulijeva sluˇajna promjenljiva.ˇ 6.7. Nezavisnost sluˇajnih promjenljivih uvodimo analogno kao i nezavisnost c dogadaja. c (iii) x→+∞ lim F (x) = 1. 1). Odrediti raspodjelu sluˇajne promjenljive X. . 1 − p. 2. Neka je X sluˇajna promjenljiva. (ii) F je neopadaju´a funkcija. Definicija 6. c c Primjer 6. x ≥ 1.13. Dato je 10 kuglica numerisanih brojevima 1.7. c . Sluˇajno c se biraju odjedno ˇetiri kuglice. Sluˇajne promjenljive X i Y su nezavisne ako vrijedi c P (X = xi . 10. Neka je X broj izabranih kuglica koje su oznaˇene c c brojem djeljivim sa tri. DISKRETNE SLUCAJNE PROMJENLJIVE 61 Primjer 6.4. Osobine funkcije raspodjele su date slede´om teoremom. . Za njenu funkciju raspodjele vrijedi c  x < 0. .6. (iv) F je neprekidna s lijeva. Sluˇajna promjenljiva X data sa X: 1 0 p 1−p . x→−∞ lim F (x) = 0. 0 ≤ x < 1. c Teorema 6. . Neka je F funkcija raspodjele sluˇajne promjenljive X. p ∈ (0.  0. Definicija 6.

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

vrijedi c IA : 0 1 1−p p . Ako je T diskretan podskup.5. t ∈ T. 0. V ar(X) = E(X 2 ) − E 2 (X). 3. tada se radi o sluˇajnom nizu. Umjesto c izraza |X −E(X)| posmatra se izraz (X −E(X))2 koji je jednostavniji za analizu. Ako su X i Y nezavisne sluˇajne promjenljive onda je E(XY ) = E(X)E(Y ). P ) prostor vjerovatno´a i T skup vrijednosti parametra t. . Ako je T c prebrojiv skup. . ω ∈ Ω. ω0 ) nesluˇajna funkcija i zove se realizacija ili trajektorija procesa. Osnovne osobine varijanse su: 1. . ω ∈ A. koja pri svakom fiksiranom t ∈ T je sluˇajna z c c promjenljiva X(t. Indeks t se c c obˇno interpretira kao vrijeme.5 Sluˇajni procesi c Neka je (Ω. Sluˇajna promjenljiva IA definisana sa c IA (ω) = 1. c Sluˇajni proces je familija sluˇajnih promjenljivih {Xt }. c Matematiˇko oˇekivanje ne opisuje sluˇajnu promjenljivu u potpunosti. tada se radi o procesu sa diskretnim vremenom. 2 E(IA ) = p. tada je X(t. a za skup T se uzima skup (0. Neka je A dogadaj. Varijansa (disperzija) V ar(X) sluˇajne promjenljive X je c V ar(X) = E(X − E(X))2 . 2. Za sluˇajni c proces moˇemo re´i da je funkcija. . a u protivnom imamo proces sa neprekidnim vremenom. Ako su X i Y nezavisne sluˇajne promjenljive onda je V ar(X + Y ) = V ar(X) + V ar(Y ). c c 5. Ako je ω = ω0 fiksirano . Ako je C ∈ R i X sluˇajna promjenljiva onda je V ar(CX) = C 2 V ar(X). Primjer 6. pa je c c c potrebno posmatrati i odstupanje sluˇajne promjenljive od E(X). +∞) ili neki njegov c podskup. 6. X(tn )).ˇ 6. X(t2 ). c Neka je data funkcija raspodjele sluˇajnog vektora c (X(t1 ). ω ∈ A. ω) = X(t). a ako je T neprebrojiv tada c imamo sluˇajni proces. V ar(IA ) = E(IA ) = (E(IA ))2 = p − p2 . Ako je C ∈ R onda je V ar(C) = 0. SLUCAJNI PROCESI 63 4. . / zove se indikator sluˇajnog dogadaja A. F. V ar(X) ≥ 0.17. Ako je P (A) = p. 4.

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

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

66 ´ GLAVA 6. DISKRETNA TEORIJA VJEROVATNOCE .

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->