Diskretna Matematika

DISKRETNA MATEMATIKA
Zoran Mitrović
Elektrotehnički fakultet u Banjaluci

2
Sadržaj
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 čvora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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 SADRŽAJ
5.7 Primarni i dualni problem . . . . . . . . . . . . . . . . . . . . . . 44

5.8 Simpleks metod . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6 Diskretna teorija vjerovatnoće 53

6.1 Pojam vjerovatnoće . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.2 Uslovna vjerovatnoća . . . . . . . . . . . . . . . . . . . . . . . . . 56
6.3 Bernulijeva šema . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.4 Diskretne slučajne promjenljive . . . . . . . . . . . . . . . . . . . 60
6.5 Slučajni procesi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
7 Literatura 67
Glava 1
Predgovor
5
6 GLAVA 1. PREDGOVOR
Glava 2
Elementi teorije brojeva
2.1 Uvod
Klasična teorija brojeva se bavi uglavnom proučavanjem prirodnih cijelih i
racionalnih brojeva.
Prvi problemi iz teorije brojeva zapisani su još u starom Babilonu i Egiptu
2000-3000 godina prije nove ere. Otkriće iracionalnih brojeva i osnovnih osobina
djeljivosti prirodnih brojeva sadržani su još u Euklidovim elementima.
Neki najpoznatiji riješeni i neriješeni problemi iz teorije brojeva su:
• Goldbachova hipoteza: Svaki se paran broj 2n, n ≥ 2, može izraziti kao
suma dva prosta prirodna broja.
Tvrdnja još nije dokazana. (Nagrada je 1 000 000 $).
• 10. Hilbertov problem 1900: Postoji li algoritam za nalaženje rješenja
Diofantske jednačine? (Negativan odgovor dao Matijaševič 1970.)
(a) Pelova jednačina: Najpoznatija Diofantska jednačina je
x2 − dy 2 = 1,
gdje je d prirodan broj koji nije kvadrat. Sva pozitivna cijela rješenja
(xn , yn ) ove jednačine su data sa
√ √
xn + dyn = (x0 + dy0 )n ,
gdje je (x0 , y0 ) najmanje rješenje Pelove jednačine u pozitivnim cije-

lim brojevima.
(b) Fermatov zadnji veliki teorem: Jednačina
xn + y n = z n ,
nema rješenja u nenegativnim cijelim brojevima gdje je n prirodan

broj veći od 2. (Tvrdnju je dokazao A. Wiles 1995.)
7
8 GLAVA 2. ELEMENTI TEORIJE BROJEVA
(c) Catalanova hipoteza 1843: Jedina rješenja jednačine
xu − y v = 1,
u prirodnim brojevima x, y, u, v su 32 − 23 = 1. (Tvrdnju je dokazao

Mihǎlescu 2003.)
• Teorema, Klaus Roth 1958, (Dobitnik Fieldsove medalje): Za

realan algebarski broj α nejednačina
¯ ¯
¯ ¯
¯α − p ¯ < 1 ,
¯ q ¯ q 2+²
gdje je ² > 0, ima konačno mnogo rješenja.
2.2 Djeljivost
Definicija 2.1. Neka su a i b cijeli brojevi. Kažemo da a dijeli b ako je a 6= 0
i postoji k ∈ Z tako da je b = ak. Pišemo a|b i čitamo ”a dijeli b”. Broj a
nazivamo djelitelj broja b, a broj b sadržilac broja a.
Osobine relacije biti djelitelj :
• Refleksivnost,
• Antisimetričnost,
• 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. Pokažimo prvo egzistenciju brojeva q i r. Konstruišimo 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. Pokažimo
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 što je nemoguće.
Pokažimo jedinstvenost brojeva q i r. Pretpostavimo da je b = aq1 + r1 i
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. Znači q1 = q2 i r1 = r2 .
Definicija 2.2. • Ako su a, b, ∈ Z takvi da je d|a i d|b onda d nazivamo

zajednički djelitelj od a i b.
2.2. DJELJIVOST 9
• Najveći zajednički djelitelj brojeva a i b označavamo sa (a, b).

• Najmanji prirodan broj čiji su a i b djelitelji nazivamo najmanji za-
jednički sadržilac i označavamo 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
n
Y n
Y
u v
a= pj j i b = pj j
j=1 j=1
tada je
n
Y n
Y
min{uj ,vj } max{uj ,vj }
(a, b) = pj i [a, b] = pj .
j=1 j=1
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 sličan način se može definisati (a1 , a2 , . . . , an ) i [a1 , a2 , . . . , an ],
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 znači da postoje cijeli
brojevi x0 i y0 takvi da je d0 = ax0 + by0 . Pokažimo da je
d0 |ax + by za sve x, y ∈ Z. (2.1)
Ako (2.1) ne bi vrijedilo postojali bi cijeli brojevi x1 i y1 takvi
d0 - ax1 + by1 .
Znači postoje brojevi q i r, 1 ≤ r < d0 , takvi da je
ax1 + by1 = qd0 + r,
pa je
a(x1 − qx0 ) + b(y1 − qy0 ) = r,
što je nemoguće, jer je d0 minimum skupa S. Dakle, vrijedi (2.1), pa za x = 1
i y = 0 imamo d0 |a, a za x = 0 i y = 1 imamo d0 |b, to znači d0 |(a, b). S druge
strane, (a, b)|a i (a, b)|b, pa (a, b)|ax0 +by0 to jest (a, b)|d0 . Znači d0 = (a, b).
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 jednačina 12x + 15y = 3 ima cjelobrojna rješenja.

Kako je (12, 15) = 3 na osnovu prethodne posljedice zaključujemo da jednačina
4x + 5y = 1 ima cjelobrojna rješenja, pa prema tome i jednačina 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 rješavanje linearne Diofantove
jednačine, ax + by = c, potrebno naći najveći zajednički djelilac brojeva a i
b.
Algoritam dat u sledećoj teoremi daje postupak za odredivanje najvećeg
zajedničkog djelioca dva broja.
Teorema 2.3. (Euklidov algoritam) Pretpostavimo da su a, b ∈ N i a < b.

Dalje, neka su q1 , q2 , . . . , qn+1 ∈ Z, r1 , r2 , . . . , rn ∈ N i 0 < rn < rn−1 < · · · <
r1 < a takvi da je
b = aq1 + r1
a = r1 q2 + r2
r1 = r2 q3 + r3
..
.
rn−2 = rn−1 qn + rn
rn−1 = rn qn+1 .
Tada je (a, b) = rn .
Dokaz. Pokažimo prvo da je (a, b) = (a, r1 ). Iz (a, b)|a, (a, b)|b i b = aq1 + r1
imamo (a, b)|r1 . Dakle, (a, b)|(a, r1 ). S druge strane, (a, r1 )|a i (a, r1 )|r1 , pa
kako je b = aq1 + r1 imamo (a, r1 )|b. Dakle, (a, r1 )|(a, b), pa je (a, b) = (a, r1 ).
Na sličan način imamo
(a, r1 ) = (r1 , r2 ) = · · · = (rn−1 , rn ).
Kako je
(rn−1 , rn ) = rn ,
dobijamo
(a, b) = rn .
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. Naći bar jedno rješenje jednačine 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),
zaključujemo da je x = −26 i y = 3, pa je (−26, 3) jedno rješenje jednačine
589x + 5111y = 19.
Primjedba 2.3. Ako je (x0 , y0 ) rješenje jednačine ax + by = c onda za svako

rješenje (xt , yt ) te jednačine vrijedi xt = x0 + bt, yt = y0 − at, gdje je t ∈ Z.
Dakle, koristeći Euklidov algoritam možemo riješiti svaku Diofantovu jednačinu
ax + by = 1, gdje je (a, b) = 1.
2.4 Prosti brojevi. Osnovna teorema aritmetike.

U ovoj sekciji izučavamo neke osobine prostih brojeva.
Definicija 2.3. Neka je a ∈ N i a > 1. Za broj a kažemo da je prost broj ako

su jedini njegovi djelitelji 1 i a. Ako broj nije prost kažemo da je složen.
Primjedba 2.4. Broj 1 nije ni prost ni složen.
Primjer 2.6. Za svaki prirodan broj k postoji k uzastopnih složenih brojeva.

Naime, ako stavimo n = k + 1 tada su
n! + 2, n! + 3, . . . , n! + n
složeni brojevi.
Teorema 2.4. Neka su a1 , a2 , . . . , an ∈ Z i p prost broj. Ako p|a1 · a2 · · · an

tada p|aj za neko j ∈ {1, . . . , n}.
Teorema 2.5. (Osnovna teorema aritmetike) Faktorizacija svakog prirodnog

broja n > 1 na proste faktore je jedinstvena.
Dokaz. Prvo ćemo 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 n1 i n2 takvi da je 2 ≤ n1 < n i 2 ≤ n2 < n i n = n1 ·n2 .
Zbog indukcijske pretpostavke n1 i n2 imaju reprezentacije preko proizvoda
prostih brojeva, pa prema tome takvu reprezentaciju ima i broj n.
Dokažimo sada jedinstvenost. Prepostavimo da je
0 0 0
n = p1 · p2 · · · · pr = p1 · p2 · · · ps ,
0 0 0 0
gdje su p1 ≤ p2 ≤ · · · ≤ pr , p1 ≤ p2 ≤ · · · ps prosti brojevi. Imamo p1 |p1 ·
0 0 0 0 0
p2 · · · ps , pa p1 |pi za neki i ∈ {1, . . . , s}. S druge strane p1 |p1 · p2 · · · · pr , pa p1 |pj
za neki j ∈ {1, . . . , r}. Dakle, imamo
0 0
p1 = pi ≥ p1 = pj ≥ p1 ,
0
pa je p1 = p1 . Sada je
0 0
p2 · · · · pr = p2 · · · ps ,
0
pa se na sličan način pokaže da je r = s i pi = pi , i = 1, . . . , r.
Posljedica 2.2. Neka je n prirodan broj. Tada postoje prosti brojevi p1 , . . . , pk
i prirodni brojevi α1 , . . . αk takvi da je
αk
n = pα
1 · · · pk .
1
(2.2)
Definicija 2.4. Reprezentacija (2.2) se naziva kanonska dekompozicija broja

n.
Teorema 2.6. (Euklid) Skup prostih brojeva je beskonačan.
Dokaz. Pretpostavimo suprotno. Neka su p1 < p2 < · · · < pk svi prosti brojevi.
Tada je na osnovu osnovnog teorema aritmetike broj n = p1 · p2 · · · pk + 1 djeljiv
sa pj za neko j ∈ {1, . . . , k}. Dakle, pj |n − p1 · p2 · · · pk , to jest pj |1 što je
nemoguće.
Sljedeća 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|ap − a.
Dokaz. Dokazaćemo teoremu koristeći indukciju po a. Za a = 1 tvrdnja je
trivijalna. Neka je a > 1 i stavimo a = b + 1. Tada je
µ ¶ µ ¶
p p
ap − a = (b + 1)p − (b + 1) = bp + bp−1 + · · · + b + 1 − b − 1.
1 p−1
2.5. MODULARNE ARITMETIKE 13
µ ¶ µ ¶
p p
= (bp − b) + bp−1 + · · · + b.
1 p−1
p
Po indukcijskoj
µ ¶ hipotezi b − b je djeljivo sa p. S druge strane, kako je p prost
p
to je p| , k = 1, · · · p − 1, pa je dokaz gotov.
k
Primjer 2.7. Pokazati da postoji prirodan broj k takav da je 1123 = 11 + 23 · k.
2.5 Modularne aritmetike

U ovoj sekciji, koristeći osobine prostih brojeva nastavljamo da izučavamo
relaciju ”a dijeli b”.
Definicija 2.5. Ako je n|a − b onda kažemo da je a kongruentno b modulo

n i to pišemo
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 8p2 + 1 prosti brojevi.

Prema prethodnom svaki se cijeli broj može zapisati u jednom od sljedeća
tri oblika :
n = 3k, n = 3k + 1 n = 3k − 1,
gdje je k cijeli broj. Ako je p 6= 3 onda je p oblika 3k ± 1, jer je p prost.
U oba slučaja je
8p2 + 1 = 3(24k 2 ± 16k + 3)
djeljivo sa. Dakle, ostaje jedino mogućnost da je p = 3 i u tom slučaju
imamo 8p2 + 1 = 73 što 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.

• Ako je a ≡ b(modn) onda je ak ≡ bk (modn) za svaki prirodan broj k.
• Ako je ac ≡ bc(modn) i (c, n) = 1 onda je a ≡ b(modn).
Dokažimo 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. Znači a ≡ b(modn).
Primjedba
³ 2.5. Može
´ se pokazati da je ac ≡ bc(modn) ako i samo ako je
n
a ≡ b mod (c,n) .
Primjer 2.9. Odrediti posljednju cifru u dekadnom zapisu broja 3400 .

Vrijedi 34 ≡ 1(mod10), pa je
3400 ≡ 1100 (mod10),
to jest
3400 ≡ 1(mod10).
Dakle, posljednja cifra broja 3400 je 1.
Primjedba 2.6. Malu Fermatovu teoremu možemo zapisati i na sljedeći način:

Ako je a prirodan broj i p prost onda je ap ≡ a(modp).
2.6 Eulerova funkcija

Definicija 2.6. Neka je ϕ(n) broj prirodnih brojeva koji nisu veći od n, a
uzajamno su prosti sa n. Definišimo ϕ(1) = 1. Na taj način je definisana
funkcija ϕ : N → N koja se naziva Ojlerova funkcija.
Primjer 2.10. Nekoliko prvih vrijednosti funkcije ϕ dato je sljedećom 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.
Daćemo 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 sljedećoj 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).
αk
Teorema 2.9. Ako je n = pα 1 α2
1 p2 · · · pk kanonska faktorizacija broja n onda
je µ ¶µ ¶ µ ¶
1 1 1
ϕ(n) = n 1 − 1− ··· 1 − .
p1 p2 pk
Dokaz. Ako je p prost broj onda u nizu
1, 2, . . . , p, . . . , 2p, . . . , pα−1 p
ima pα−1 brojeva djeljivih sa p, pa je ϕ(pα ) = pα − pα−1 . Odavde i iz prethodne

teoreme dobijamo
µ ¶ µ ¶ µ ¶
α1 α2 αk α1 1 α2 1 αk 1
ϕ(n) = ϕ(p1 )ϕ(p2 ) · · · ϕ(pk ) = p1 1 − p2 1 − · · · pk 1 − ,
p1 p2 pk
čime je dokaz završen.
Primjer 2.11.
ϕ(120) = ϕ(23 · 3 · 5) = 22 30 50 (2 − 1)(3 − 1)(5 − 1) = 32.
Teorema 2.10. (Gaussova formula) Za svaki prirodan broj n vrijedi

X
ϕ(d) = n.
d|n
αk
Dokaz. Neka je n = pα α2
1 · p2 · · · pk , gdje su pi različiti prosti brojevi. Tada je
1
X
ϕ(d) = (ϕ(1) + ϕ(p1 ) + · · · + ϕ(pα α2
1 )) (ϕ(1) + ϕ(p2 ) + · · · + ϕ(p2 ))
1
d|n
· · · (ϕ(1) + ϕ(pk ) + · · · + ϕ(pα k 2 α1 α1 −1

k )) = (1 + p1 − 1 + p1 − p1 + · · · + p1 − p1 )
(1+p2 −1+p22 −p2 +· · ·+pα α2 −1

2 −p2
2
) · · · (1+pk −1+p2k −pk +· · ·+pα αk −1
k −pk
k
)=
αk
= pα α2
1 · p2 · · · pk = n.
1
Teorema 2.11. (Eulerova teorema) Ako je (a, m) = 1 onda je
aϕ(m) ≡ 1(modm).
Dokaz. Neka su α1 , α2 , . . . , αϕ(m) različiti brojevi koji su uzajamno prosti sa m

i manji od m. Kako je (a, m) = 1 uzajamno prosti brojevi sa m su i
aα1 , aα2 , . . . , aαϕ(m) .
Iz osobina relacije ”biti kongruentan”imamo
aϕ(m) α1 α2 · · · αϕ(m) ≡ α1 α2 · · · αϕ(m) (modm).
Kako je (αi , m) = 1 imamo
aϕ(m) ≡ 1(modm).
Posljedica 2.3. (Mala Fermatova teorema) Ako je p prost broj i p ne dijeli a

onda je
ap−1 ≡ 1(modp).
Primjer 2.12. Ako su a i m uzajamno prosti prirodni brojevi, tada postoji
rješenje kongruencije
ax ≡ b(modm).
Naime, iz Eulerove teoreme imamo
b(aϕ(m)−1 − 1) ≡ 0(modm),
pa je rješenje, x = baϕ(m)−1 .
2
Primjer 2.13. Naći sve proste brojeve p za koje je broj 5p + 1 djeljiv sa p2 .
Očigledno je p 6= 5. Sada možemo primijeniti Eulerovu teoremu:
2
5ϕ(p )
≡ 1(modp2 ),
to jest
2
5p −p
≡ 1(modp2 ).
Dakle,
2 2
5p + 1 ≡ 5p · 5p −p
+ 1 ≡ 5p + 1(modp2 ).
Znači treba da je
5p + 1 ≡ 0(modp2 ).
Prema maloj Fermatovoj teoremi, je
5p ≡ 5(modp),
pa je
5p + 1 ≡ 5 + 1 ≡ 0(modp).
Dakle, p = 2 ili p = 3. Za p = 2 je 52 +1 ≡ 2(mod4), za p = 3 je 59 ≡ −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 rješavati neke kongruencije. Sljedeća
teorema daje potreban i dovoljan uslov kada sistem kongruencija ima rješenje.
Teorema 2.12. ( Kineska teorema o ostacima) Neka su m1 , . . . , mr po
parovima uzajamno prosti brojevi i neka su a1 , . . . , ar proizvoljni cijeli brojevi.
Tada postoji rješenje sistema kongruencija:
x ≡ a1 (modm1 )
..
.
x ≡ ar (modmr ).
Ako je x0 jedno rješenje gornjeg sistema, onda je x njegovo rješenje ako i samo
ako je x = x0 + km, gdje je k ∈ Z, a broj m = m1 · · · mr .
Dokaz. Stavimo m = m1 · · · mr , tada je
µ ¶
m
, mj = 1, j = 1, . . . , .
mj
Prema primjeru 2.12 za sve j postoji cijeli broj bj takav da je
m
· bj ≡ 1(modmj ).
mj
Jasno,
m
· bj ≡ 1(modmi ) za i 6= j.
mj
Stavimo
Xr
m
x0 = bj aj ,
j=1
mj
očigledno je
m
x0 ≡ bi ai ≡ ai (modmi ).
mi
Dakle, x0 je rješenje sistema.
Ako je x1 rješenje, imamo
x1 ≡ x0 (modmi ), i = 1, . . . , r,
pa je x1 = x0 + km za neko k ∈ Z. Osim toga x0 + km zadovoljava sistem, pa
je teorema dokazana.
Primjedba 2.7. Uslov da su mi po parovima uzajamno prosti je bitan, jer na
primjer sistem
x ≡ 0(mod2)
x ≡ 1(mod2),
nema rješenje.
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,
a1 = 5, a2 = 7, a3 = 3,
m1 = 7, m2 = 11, m3 = 13, m = 7 · 11 · 13 = 1001,
m m m
= 143, = 91, = 77.
m1 m2 m3
Odredimo b1 , b2 , b3 . Iz 143b1 ≡ 1(mod7), dobijamo 3b1 ≡ 1(mod7), pa je
b1 ≡ 3ϕ(7)−1 ≡ 36−1 ≡ 243 ≡ 5(mod7),
na sličan način, iz 3b2 ≡ 1(mod11) i 77b3 ≡ 1(mod13) dobijamo
b2 ≡ 3ϕ(11)−1 ≡ 4(mod11),
b3 ≡ (−1)ϕ(13)−1 ≡ −1(mod13).
Znači,
m m m
x0 = b1 a1 + b2 a2 + b3 a3 = 143 · 5 · 5 + 91 · 4 · 7 + 77 · (−1) · 3 = 5982.
m1 m2 m3
Kako je x0 = 5 · 1001 + 887, zaključujemo da je 887 najmanji prirodan broji koji
je rješenje sistema.
2.8 Zadaci
1. Dati su brojevi 125 i 962.
(a) Odrediti njihove kanonske dekompozicije.
(b) Naći (125, 962).
(c) Naći [125, 962].
2. Koristeći Euklidov algoritam riješiti Diofantsku jednačinu (210, 858) =
210x + 858y. Dati i opšte rješenje te jednačine.
3. Koristeći Eulerovu teoremu riješiti kongruencijsku jednačinu
22x ≡ 1(mod729).
4. Dokazati Gausovu formulu o Eulerovoj funkciji.

5. Riješiti sistem kongruencijskih jednačina
x ≡ 2(mod3)
x ≡ 3(mod5)
x ≡ 2(mod7).
Glava 3
Funkcije generatrise
3.1 Uvod
Ovde dajemo metod za rješavanje 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
beskonačno mnogo objekata vrši sa jednim objektom. Ova metoda potiče od L.
Eulera, J. Stirlinga i De Moivré-a iz 18. vijeka.
Definicija 3.1. Neka je {an } niz realnih ili kompleksnih brojeva. Funkcija
generatrisa (FG) datog niza je stepeni red
+∞
X
a(t) = an tn .
n=0
Eksponencijalna funkcija generatrisa (EFG) je stepeni red oblika

+∞
X an n
e(t) = t .
n=0
n!
P
+∞ P
+∞
Neka su f (t) = an tn i g(t) = bn tn dva stepena reda, to jest funkcije
n=0 n=0
generatrise za nizove {an } i {bn } redom. Tada vrijedi
• Pravilo jednakosti: Funkcije generatrise f i g su jednake ako i samo ako
su im odgovarajući koeficijenti jednaki, to jest
f = g ⇔ an = bn (∀n ≥ 0).
• Pravilo zbira: Suma f + g je stepeni red čiji je koeficijent uz tn jednak

sumi odgovarajućih koeficijenata, to jest
+∞
X
(f + g)(t) = f (t) + g(t) = (an + bn )tn .
n=0
19
20 GLAVA 3. FUNKCIJE GENERATRISE
• Pravilo proizvoda: Proizvod f · g je stepeni red čiji je koeficijent uz tn

jednak cn , pri čemu je
n
X
cn = ak bn−k , (∀n ≥ 0).
k=0
P
+∞
Dalje, ako je f (t) = an tn FG za niz {an } onda je derivacija
n=0
+∞
X
f 0 (t) = (n + 1)an+1 tn ,
n=0
pa je tf 0 (t) FG za niz {nan }.

S druge strane, integral daje
Z t +∞
X 1
f (x)dx = an−1 tn ,
0 n=1
n
to jest FG za niz { ann }.

Primjer 3.1. Odrediti FG za sljedeće nizove :
(a) 1, 1, 1, . . . , (b) 0, 1, 2, 3, . . . , n, . . . , (c) 0, 1, 4, 9, . . . , n2 , . . . .
Označimo redom sa f0 , f1 , f2 tražene funkcije generatrise. Tada je
1
(a) f0 (t) = 1 + t + t2 + · · · = 1−t (|t| < 1).
(b) Ako deriviramo obe strane prethodne jednakosti po t imamo
1
1 + 2t + 3t2 + · · · = ,
(1 − t)2
a odavde množenjem po t slijedi
t
t + 2t2 + 3t3 + · · · = .
(1 − t)2
(c) Na sličan način kao pod (b) dobijamo
t(1 + t)
f2 (t) = .
(1 − t)3
Na kraju ove sekcije navodimo jedan ilustrativan primjer.
Primjer 3.2. Na koliko se načina mogu 24 jabuke podijeliti izmedju četvero
djece tako da za svako dijete dobije barem 3, ali ne više od 8 jabuka.
Podjelu jabuka koje svako dijete može primiti možemo reprezentirati sa x3 +
x4 + · · · + x8 . Kako se radi o četvero djece odgovarajuća FG je f (x) = (x3 +
x4 + · · · + x8 )4 . Traži se koeficijent uz x24 od f (x). Kako je
µ ¶4
1 − x6
f (x) = x12 (1 + x + x2 + · · · + x5 )4 = x12 ,
1−x
3.2. PARTICIJE 21
treba odrediti koeficijent uz x12 od

µ ¶4 · µ ¶ µ ¶ ¸
1 − x6 4 4
= (1 − x6 )4 (1 − x)−4 = 1 − x6 + x12 − · · ·
1−x 1 4
·µ ¶ µ ¶ µ ¶ ¸
−4 −4 −4
+ (−x) + (−x)2 + · · · ,
0 1 2
a taj je jednak
·µ ¶ µ ¶µ ¶ µ ¶µ ¶¸
−4 12 4 −4 6 4 −4
(−1) − (−1) + .
12 1 6 2 0
Odavde zaključujemo da je traženi broj 125.
3.2 Particije
Uopštenje 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 označava sa p(n). Po definiciji je
p(0) = 0.
Teorema 3.1. FG za niz brojeva {p(n)} je data sa
+∞
Y 1
P (x) = .
1 − xk
k=1
U stvari, koeficijent uz xn u proizvodu

m
Y 1
, m ≥ n,
1 − xk
k=1
jednak je broju particija p(n) od n.

Dokaz. Kako je
1
= 1 + xk + x2k + x3k + · · · ,
1 − xk
imamo da je koeficijent uz xn u proizvodu
+∞
Y 1
1 − xk
k=1
jednak broju načina da se xn prikaže kao xk1 +2k2 +3k3 +···nkn , to jest broju načina
da se n prikaže kao suma k1 + 2k2 + 3k3 + · · · nkn , a to je broj particija broja
n.
Na sličan način se dokazuje i sljedeća teorema.
Teorema 3.2. Koeficijent uz xn razvoja u red od

1
(1 − xa )(1 − xb )(1 − xc ) · · ·
jednak je broju načina da se n napiše kao suma nekoliko a−ova b−ova, c−ova. . . .
Ako sa pk (n) označimo broj particija od n u kojima se javljaju samo brojevi
1, 2, . . . , k tada na osnovu prethodne teoreme dobijamo sljedeće tvrdjenje.
Posljedica 3.1. FG za niz {pk (n)} je
1
.
(1 − x)(1 − x2 ) · · · (1 − xk )
Na kraju dajemo jednu aproksimaciju za broj p(n).
Iz
+∞
Y 1
P (x) =
1 − xk
k=1
dobijamo
ln P (x) = − ln(1 − x) − ln(1 − x2 ) − ln(1 − x3 ) − · · · .
Zbog Taylorovog razvoja funkcije t 7→ ln(1 − t) imamo

µ ¶ µ ¶ µ ¶
x2 x3 2 x4 x6 3 x3 x9
ln P (x) = x + + + ··· + x + + + ··· + x + + + ···
2 3 2 3 2 3
x 1 x2 1 x3
+··· = + 2
+ + ··· .
1−x 21−x 3 1 − x3
Ako je 0 < x < 1 vrijedi
1 xn 1 x xn−1 1 x
n
= · · 2 n−1
< 2· .
n1−x n 1 − x 1 + x + x + ···x n 1−x
Dakle, µ ¶
x 1 1
ln P (x) < 1 + 2 + 2 + ··· .
1−x 2 3
Kako je
1 1 π2
1+ + + · · · = ,
22 32 6
dobijamo
π2 x
ln P (x) < .
6(1 − x)
S druge strane P (x) je veći od svakog člana, pa je P (x) > p(n)xn . Zbog toga
dobijamo
π2 x
ln p(n) < ln P (x) − n ln x < − n ln x.
6(1 − x)
3.3. REKURZIVNE RELACIJE 23
Kako je
x−1
ln x > , za sve x ∈ (0, 1),
x
vrijedi
π2 x 1−x
ln p(n) < +n .
6(1 − x) x
Ako ovdje stavimo √
n
x= √
n+1
dobijamo µ ¶
π2 √
ln p(n) < +1 n,
6
π2 √
+1 n
p(n) < e 6
.
Primjedba 3.1. G. Hardy i S. Ramanujan su pokazali da je
1 √ 2n
p(n) ∼ √ eπ 3 .
4 3n
3.3 Rekurzivne relacije

Funkcije generatrise su pogodne za rekurzivne relacije. Naime, takva funkcija
zamjenjuje čitav niz zadan rekurzivno. Ovde navodimo neke primjere.
Primjer 3.3. (Fibonaccijev niz) Odrediti FG i naći eksplicitni izraz za Fn ako
je F0 = 0, F1 = 1 i Fn+2 = Fn+1 + Fn , n ≥ 0.
Neka je
+∞
X
F (x) = Fn xn .
n=0
Iz relacije Fn+2 = Fn+1 + Fn množeći sa xn+2 i sumiranjem po n dobijamo

X X X
Fn+2 xn+2 = Fn+1 xn+2 + Fn xn+2 .
n=0 n=0 n=0
Odavde je
F (x) − F0 − F1 x = xF (x) + x2 F (x).
Dakle,
F (x) − x = xF (x) + x2 F (x),
pa je
x
F (x) = .
1 − x − x2
Rastavljanjem funkcije F na parcijalne razlomke dobijamo
µ ¶
1 1 1
F (x) = √ − ,
5 1 − αx 1 − βx
√ √
1+ 5 1− 5
gdje je α = 2 , β= 2 . Sada rastavljanjem u geometrijski red, dobijamo
1
F (x) = √ (1 + αx + α2 x2 + · · · − 1 − βx − β 2 x2 − · · · ).
5
Odavde zaključujemo da je koeficijent uz xn , to jest Fn dat sa
1
Fn = √ (αn − β n ).
5
Primjer 3.4. (Problem dijagonalnih triangulacija n-terokuta) Neka je a1 = 1 i
za svako n ≥ 2, an = a1 an−1 + a2 an−2 + · · · + an−1 a1 . Odrediti eksplicitno an .
P
+∞
Neka je f (x) = an xn . Kvadriranjem dobijamo
n=1
+∞ n−1
X X
f (x)2 = ak an−k xn ,
n=2 k=1
pa zbog relacije
an = a1 an−1 + a2 an−2 + · · · + an−1 a1 ,
je
f (x)2 = f (x) − x,
to jest
f (x)2 − f (x) + x = 0.
Odavde dobijamo
√ √
1− 1 − 4x 1 + 1 − 4x
f (x) = ili f (x) = .
2 2
Kako je po definiciji f (0) = 0, zaključujemo
√
1 − 1 − 4x
f (x) = .
2
Sada koristeći Taylorov razvoj dobijamo
+∞
X µ ¶
1 2n
f (x) = xn+1 .
n + 1 n
n=0
Dakle, µ ¶
1 2n − 2
an = .
n n−1
Primjedba 3.2. Broj µ ¶
1 2n − 2
n n−1
se naziva Catalanov broj.
3.4. KOMPOZICIJSKI INVERZ 25
Na kraju navodimo primjer koji pokazuje da se i neki sistemi rekurzija mogu

rješavati koristeći funkcije generatrise.
Primjer 3.5. Neka je a0 = 1, b0 = 0 i
an+1 = 2an + bn
bn+1 = an + bn .
Odrediti an i bn .
Neka su f i g FG za nizove {an } i {bn } redom. U tom slučaju je
f (x) − a0 = 2xf (x) + xg(x)
g(x) − b0 = xf (x) + xg(x).

Odavde dobijamo
1−x x
f (x) = , g(x) = 2 .
x2 − 3x + 1 x − 3x + 1
Sada iz Taylorovog razvoja imamo
√ Ã √ !n+1 √ Ã √ !n+1
5− 5 3+ 5 5+ 5 3− 5
an = + ,
10 2 10 2
√ Ã √ !n+1 √ Ã √ !n+1
3 5−5 3+ 5 3 5+5 3− 5
bn = − .
10 2 10 2
Primjedba 3.3. Prethodni primjer daje model za širenje neutrona visoke i niske
energije nakon njihovog sudara s jezgrama fisijske materije.
3.4 Kompozicijski inverz

Definicija 3.2. Za funkciju f kažemo da je kompozicijski inverz funkcije g
na skupu D ako vrijedi f (g(x)) = g(f (x)) = x za sve x ∈ D.
Sljedeća teorema daje potreban i dovoljan uslov kada FG ima kompozicijski
inverz.
Teorema 3.3. Funkcija generatrisa f (x) = a1 x + a2 x2 + · · · ima jedinstveni
kompozicijski inverz f −1 (x) ako i samo ako je a1 6= 0.
Dokaz. Neka je g(x) = b1 x + b2 x2 + · · · tako da je f (g(x)) = 1. U tom slučaju
vrijedi
a1 (b1 x + b2 x2 + · · · ) + a2 (b1 x + b2 x2 + · · · )2 + a3 (b1 x + b2 x2 + · · · )3 · · · = x.
Na osnovu toga dobijamo beskonačan sistem jednačina
a1 b1 = 1
a1 b2 + a2 b21 = 0
a1 b3 + 2a1 b1 b2 + a3 b31 = 0
..
.
Prvu jednačinu možemo jednoznačno riješiti po b1 ako i samo ako je a1 =
6 0.
Tada možemo i drugu jednačinu riješiti po b2 i treću po b3 itd. Dakle g(x)
postoji i jedinstven je ako i samo ako je a1 6= 0.
P
+∞
xn
P
+∞
Primjer 3.6. Ako je y = n! odrediti niz {an } takav da je x = an y n .
n=1 n=1
Kako je y = ex − 1, zadatak se svodi na odredjivanje kompozicijskog inverza od
ex − 1. Jednostavno se vidi da je (ex − 1)−1 = ln(1 + x). Kako je
+∞
X (−1)n−1 n
ln(1 + x) = x ,
n=1
n
(−1)n−1
zaključujemo da je an = n .
3.5 Zadaci
1. Imamo 8 novčanica od 1 KM, 6 od 2 KM i 4 od 5 KM. Na koliko načina
se može isplatiti suma od 14 KM?
µ ¶
2n 1
2. Pokazati da je FG za niz an = , n ≥ 0 jednaka (1 − 4x)− 2 .
n
3. Pokazati da je
n
X µ ¶ µ ¶
2k + 1 2k (2n + 2)(2n + 3) 2n + 2
= .
22k k 3 · 4n+1 n+1
k=0
1 3 5
(Koristiti FG i (1 − 4x)− 2 · (1 − 4x)− 2 = (1 − 4x)− 2 .)
4. Neka je {an } niz za koji je a0 = 0, a1 = 1, a2 = −1, a za n ≥ 3 je
an + an−1 − 16an−2 + 20an−3 = 0.
Odrediti FG za {an } i opšti član niza {an }.

P
+∞
xn
P
+∞
5. Ako je y = n odrediti niz {an } takav da je x = an y n .
n=1 n=1
Glava 4
Grafovi
4.1 Uvod
Prije nego damo definiciju grafa navešćemo jedan primjer. Naime, graf
možemo shvatiti kao objekat koji se sastoji od čvorova i ivica koje spajaju neke
od čvorova.
Primjer 4.1. Graf
ima čvorove 1, 2, 3, 4, 5, dok ivice možemo označiti sa {1, 2}, {1, 3}, {4, 5}.
Dakle, vrhove možemo opisati kao podskupove od skupa čvorova koji se sastoje
od 2 elementa.
Definicija 4.1. Graf je uredjeni par G = (V, E), gdje je V konačan podskup
i E je familija 2-članih poskupova od V . Elementi od V se nazivaju čvorovi
(vrhovi) a elementi od E grane (ivice) grafa G. Za vrhove x, y ∈ kažemo 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 možemo reprezentirati i njegovom tabelom incidencije
1 2 3 4 5
2 1 1 5 4
3
Primjer 4.3. Neka je n ∈ N. Graf Wn = (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 točak. Taj graf se može reprezentovati sa sljedećom 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 W4 možemo prikazati na sljedeći način
Primjer 4.4. Graf Kn = (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 različitih
čvorova povezan. Na primjer K4 možemo ilustrovati sljedećom slikom
Definicija 4.2. Za graf G1 = (V1 , E1 ) kažemo da je podgraf grafa G2 =

(V2 , E2 ) ako vrijedi V1 ⊆ V2 i E1 ⊆ E2 .
Primjer 4.5. Graf na slici
je podgrafa na slici
Definicija 4.3. Za dva grafa G1 = (V1 , E1 ) i G2 = (V2 , E2 ) kažemo da su

izomorfmni ako postoji funkcija α : V1 → V2 koja ipunjava sljedeće uslove :
(GI1) α : V1 → V2 je injekcija,
(GI2) α : V1 → V2 je sirjekcija,
(GI3) Za sve x, y ∈ V1 , {x, y} ∈ E1 ako i samo ako {α(x), α(y)} ∈ E2 .
4.2. STEPEN ČVORA 29
Primjer 4.6. Grafovi na sljedećoj slici su izomorfni.
Možemo uzeti na primjer α(a) = 2, α(b) = 1, α(c) = 3 i α(d) = 4.
4.2 Stepen čvora

Definicija 4.4. Neka je dat graf G = (V, E) i v ∈ V čvor od G. Stepen čvora
v je broj
δ(v) = |{e ∈ E : v ∈ e}|,
to jest broj grana od G koji sadrže čvor v.
Primjer 4.7. Za graf W4 vrijedi δ(0) = 4 i δ(v) = 3 za svaki v ∈ {1, 2, 3, 4}.
Primjer 4.8. Za svako kompletan graf Kn je δ(v) = n − 1 za svaki v ∈ V.
Teorema 4.1. Neka je dat graf G = (V, E). Tada vrijedi
X
δ(v) = 2|E|.
v∈V
Dokaz. Dokaz slijedi iz činjenice da svaka grana kao krajnje tačke ima dva čvora.
Definicija 4.5. Za čvor grafa G = (V, E) kažemo da je neparan (paran) ako je

stepen čvora δ(v) neparan (paran).
Teorema 4.2. Broj neparnih čorova nekog grafa G = (V, E) je paran.
Dokaz. Neka Vp i Vn označavaju familije parnih i neparnih čvorova grafa G
respektivno. Tada iz teoreme 4.1 slijedi
X X
δ(v) + δ(v) = 2|E|.
v∈Vp v∈Vn
P
Kako je δ(v) paran broj za svaki v ∈ Vp to zaključujemo da je broj δ(v)
v∈Vn
paran. Broj δ(v) je neparan za svaki v ∈ Vn , pa broj |Vn | mora biti paran.
Primjer 4.9. Za svaki n ∈ N za koji vrijedi n ≥ 3 ciklični graf je Cn = (V, E),
gdje je V = {1, . . . , n} i E = {{1, 2}, {2, 3}, . . . , {n − 1, , n}, {n, 1}}. Kod ovog
grafa svaki čvor ima stepen 2.
Primjer 4.10. Za graf G = (V, E) kažemo da je regularan sa stepenom
regularnost r ako vrijedi δ(v) = r za svaki v ∈ V . Specijalno, kompletan graf
Kn je regularan sa stepenom n − 1.
Primjedba 4.1. Stepen čvora se može koristiti kao test izmorofnosti dva grafa.
Nije teško vdjeti da ako je sa α : V1 → V2 dat izomorfizam grafova G1 = (V1 , E1 )
i G2 = (V2 , E2 ), da je tada δ(v) = δ(α(v)) za svaki v ∈ V1 .
30 GLAVA 4. GRAFOVI
4.3 Povezani grafovi

Definicija 4.6. Šetnja u grafu G = (V, E) je niz čvorova
v 0 , v 1 , . . . , vk ∈ V
takav da za svaki i = 1, . . . , k, {vi−1 , vi } ∈ E. U tom slučaju kažemo da se radi

o šetnji od v0 do vk . Ako su svi vrhovi različiti kažemo da se radi o putu. Ako
su svi vrhovi različiti sem v0 = vk , kažemo da se radi o ciklusu. Za graf koji
ne sadrži ciklus kažemo da je acikličan.
Primjedba 4.2. Šetnju možemo prikazati i preko grana na sljedeći način
{v0 , v1 }, {v0 , v1 }, . . . , {v0 , v1 }.
Primjer 4.11. Neka je dat graf W4 ,
tada je 0, 1, 2, 0, 3, 4, 3 šetnja ali nije put ni ciklus. Šetnja 0, 1, 2, 3, 4 je

put, dok je šetnja 0, 1, 2, 0 ciklus.
Pretpostavimo da je dat graf G = (V, E). Definišimo relaciju ∼ na sljedeći

način. Pretpostavimo da je x, y ∈ V . Tada pišemo x ∼ y kada postoji šetnja
v 0 , v 1 , . . . , vk ∈ V
tako da je x = v0 i y = vk . Relacija ∼ je relacija ekvivalencije na V . Neka je
V = V1 ∪ V2 ∪ · · · ∪ Vr ,
unija različitih klasa ekvivalencije. Za svaki i = 1, . . . , r, neka je
Ei = {{x, y} ∈ E : x, y ∈ Vi },
drugim riječima Ei označava familiju svih grana iz E čiji su krajnji čvorovi iz

Vi .
Definicija 4.7. Za svaki i = 1, . . . , r, grafovi Gi = (Vi , Ei ), gdje su Vi i Ei

definisani kao ranije se nazivaju komponente grafa G. Ako graf G ima samo
jednu komponentu kažemo da je povezan.
Primjedba 4.3. Graf G = (V, E) je povezan ako za svaki par različitih čvorova
x, y ∈ V , postoji šetnja 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 Kn je povezan.
4.4 Stabla
Definicija 4.8. Stablo (drvo) je povezani aciklički graf.
Primjedba 4.4. Aciklički graf se zove i šuma. Komponente povezanosti šume

su stabla.
Teorema 4.3. Svaka dva čvora u stablu su povezana tačno jednim putem.
Dokaz. Neka je G = (V, E) stablo i neka su P1 = (V1 , E1 ) i P2 = (V2 , E2 ) dva

različita puta koja povezuju čvorove u i v. Kako je P1 6= P2 to postoji grana
{x, y} ∈ E1 tako da {x, y} ∈ / E2 . Sada imamo da je graf P = (W, F ), gdje
je W = V1 ∪ V2 i F = (E1 ∪ E2 ) \ {x, y} povezan, pa sadrži put koji povezuje
čvorove x i y. Prema tome graf C = (V1 ∪V2 , E1 ∪E2 ∪{x, y}) je ciklus i sadržan
je u grafu G = (V, E) što je nemoguće.
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 čvor čiji je
stepen 1.
Dokaz. Počnimo od nekog čvora v1 . Ako je δ(v1 ) = 1 dokaz je gotov. U suprot-

nom je δ(v1 ) > 1, pa postoji čvor v2 povezan sa čvorom v1 . Ako je δ(v1 ) = 1
dokaz je gotov, ako je δ(v2 ) > 1 produžimo dalje do čvora v3 . Na taj način
dolazimo do puta v1 v2 v3 . . .. Čvorovi tog puta se ne ponavljaju jer bi inače
imali ciklus. Kako čvorova ima konačno mnogo postoji posljednji čvor 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 čvor i
granu koja je incidentna sa v. Tada dobivamo opet stablo G1 = (V1 , E1 ) za koje
je χ(G1 ) = χ(G). Nastavljajući ovaj proces na kraju dobijamo stablo samo sa
jednim čvorom, a njegova Eulerova karakteristika je 2.
32 GLAVA 4. GRAFOVI
Posljedica 4.1. (a) Za svako stablo G = (V, E) vrijedi

X
δ(v) = 2|V | − 2.
v∈V
(b) Svako netrivijalno stablo ima bar dva čvora stepena 1.

Dokaz. (a) Kako je X
δ(v) = 2|E|
v∈V
na osnovu prethodnog teorema imamo

X
δ(v) = 2|V | − 2.
v∈V
(b) Ako je G netrivijalno stablo onda je δ(v) ≥ 1 za svaki čvor v, pa sada tvrdnja
slijedi iz (a).
4.5 Eulerovi i Hamiltonovi grafovi

Definicija 4.10. Eulerova šetnja je graf G = (V, E) koji je šetnja i koji sadrži
svaku granu tačno jednom. Graf je Eulerov ako sadrži Eulerovu šetnju.
Definicija 4.11. Hamiltonov ciklus je graf G = (V, E) koji je ciklus i koji
sadrži sve vrhove od V . Graf je Hamiltonov ako sadrži Hamiltonov ciklus.
Primjer 4.14. (Problem Kenigsberških mostova) Stari pruski grad Königsberg
(sadašnji Kalinjgrad) smješten je na rijeci Pregel. Dio grada je smješten na dva
ostrva koji su povezani sa kopnom sa sedam mostova kao na slici
Problem se sastoji u tome da se obavi šetnja u kojoj će se svaki most obići tačno
jednom. Drugim riječima pitanje je da li postoji Eulerova šetnja na grafu kao
na slici
Negativan odgovor na ovo pitanje je dao Euler 1736. god.

Primjer 4.15. (Problem trgovačkog putnika, W. Hamilton 1856) Trgovački put-
nik treba obići neke gradove i vratiti se na mjesto polaska tako da u toku puto-
vanja kroz svaki grad prodesamo jednom. Drugim riječima traži se potreban i
dovoljan uslov kada je graf Hamiltonov. To je jedan od najvećih neriješenih
problema teorije grafova.
4.6. ZADACI 33
Teorema 4.5. Neka je dat graf G = (V, E). Ako je min δ(v) ≥ 2 onda G sadrži
v∈V
ciklus.
Dokaz. Pretpostavimo suprotno, to jest da graf G nema ciklusa. Neka je H

komponenta povezanosti čvora v za koji je δ(v) ≥ 2. H je stablo. Ako je H
netrivijalan onda postoje bar dva čvora u H sa stepenima 1, što je nemoguće.
Ako je H trivijalan onda ima ciklus, što je opet nemoguće.
Teorema 4.6. Povezan graf G je Eulerov ako i samo ako svi čvorovi imaju
paran stepen.
Teorema 4.7. Povezani graf ima Eulerovu šetnju ako i samo ako ima najviše
dva vrha neparnog stepena.
Primjedba 4.5. Na osnovu prethodne teoreme zaključujemo da graf mostova u
Königsbergu nema Eulerove staze.
Primjer 4.16. Plan Pariza sa granama na Seni izgleda kao na slici.
Da li se Pariz može obići tako da preko svakog mosta predemo samo jednom?
Pripadni graf izgleda kao na slici, pa taj graf ima Eulerovu šetnju jer ima samo
dva vrha neparnog stepena.
4.6 Zadaci
1. Odrediti broj grana kompletnog grafa Kn .
2. Konstruisati graf koji ima sljedeću 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 Kn ima Ojlerovu šetnju?
4. Odrediti šest neizomorfnih stabala sa 6 čvorova.
5. Pretpostavimo da je graf G = (V, E) stablo kod koga je |V | ≥ 2. Pokazati
da graf G ima bar dva čvora sa stepenom 1.
34 GLAVA 4. GRAFOVI
Glava 5
Optimizacija
5.1 Neki problemi

U ovoj sekciji dajemo neke probleme koji se rješavaju metodama opimizacije.
1. Neka je dato
p prehrambenih proizvoda (hljeb, mesom mlijeko, krompir, . . . ) i
m korisnih sastojaka (mast, vitamini, ugljeni hidrati, proteini, . . . ).
Uvedimo parametre
aij : koiličina i−tog sastojka u jedinici j−tog proizvoda,
cj : cijena jedinice j−tog proizvoda
bi : potreba (mjesečna) za i−tim sastojkom
xj : količina j−tog proizvoda.
Posmatra se problem minimizacije
min c1 x1 + · · · + cn xn
uz uslove
x≥ 0, i = 1, . . . , n
a11 x1 + a12 x2 + · · · + a1n xn ≥ b1

..
.
am1 x1 + am2 x2 + · · · + amn xn ≥ bm .

Ovo je problem ishrane koji se rješava na primjer u ekonomiji i vojnoj
industriji.
2. Neka je
ai : količina robe u i−tom skladištu,
bj : potrebe kod j− tog potrošača,
cij : cijena prevoza iz i i j,
35
36 GLAVA 5. OPTIMIZACIJA
xij : količina tovara prevezenog iz i u j.

Od interesa je mimizirati troškove prevoza, to jest odrediti
m X
X n
min cij xij
i=1 j=1
uz uslove
m
X
xij = bj , j = 1, . . . , n,
i=1
m
X
xij ≤ ai , i = 1, . . . , m,
i=1
xij ≥ 0.
Ovo je primjer transportnog problema.
Primjedba 5.1. Transportni problem i problem ishrane su primjeri za-
dataka linearnog programiranja.
3. Naći pravougli trougao najveće površine, ako je suma dužina kateta zadan
broj. (Zadatak Fermata).
4. Naći rastojanje tačke od elipse (parabole, hiperbole).
5. Naći tačku u ravni da suma rastojanja od nje do tri zadane tačke bude
minimalna.
5.2 Osnovni pojmovi

Neka je data funkcija f : Rn → R i skup S ⊆ Rn . Opšti zadatak opti-
mizacije je
min f (x), x ∈ S.
U slučaju da je S = Rn radi se o bezuslovnoj optimizaciji. U drugom slučaju
(uslovna) skup S je opisan sa
S = {x ∈ Rn : gi (x) ≤ 0, i ∈ I, hj (x) = 0, j ∈ J},
gdje je I = {1, . . . , m}, J = {1, . . . , p}.

Ako je I = ∅ kažemo da se radi o zadatku klasične optimizacije (vezani
ekstremi).
Ako je I 6= ∅ i j = ∅ onda razlikujemo problem linearnog programiranja
(LP) i problem nelinearnog programiranja (NP).
Kod problema linearnog programiranja imamo
f (x) = cT x, c = [c1 , . . . , cn ]T ,
g(x) = Ax − b, A = [aij ]m×n , b = [bj ].

5.3. KONVEKSNI SKUPOVI 37
U slučaju da je jedna od funkcija f , gi 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 ∩ Z2 dobijamo cjelobrojno programiranje
(CP).
U optimizaciji se obično koriste sljedeći nazivi :
f − funkcija cilja,
x0 ∈ G− dopustiva tačka,
G− dopustiv skup,
x? ∈ G- optimalna tačka minimizacije (maksimizacije) ako vrijedi (∀x ∈
G)f (x) ≥ f (x? )(f (x) ≤ f (x? )),
G? - skup svih optimalnih tačaka.
Primjedba 5.2. Dovoljno je baviti se rješavanjem 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 Rn kažemo da je konveksan ako vrijedi
λx + (1 − λ)y ∈ C za sve x, y ∈ C, λ ∈ [0, 1].
Očigledno su prazan skup, jednočlan skup i cijeli prostor Rn konveksni

skupovi.
Primjer 5.1. (a) U R2 prava, ravan, krug i unutrašnjost trougla su koveksni
skupovi.
(b) U R2 dvočlani skup, komplement kruga, unutrašnjost trougla bez jedne un-
utrašnje tačke su primjeri skupova koji nisu konveksni.
Unija dva konveksna skupa ne mora da bude konveksan skup. Skupovi
C = {(x, y) : x2 + 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 1
x+ y ∈
/ C ∪ D.
2 2
Teorema 5.1. Ako je F familija konveksnih skupova u Rn tada je D = ∩{C :
C ∈ F } konveksan skup.
Dokaz. Slijedi direktno iz definicije konveksnog skupa.

Definicija 5.2. Neka je a ∈ Rn , a 6= 0 i b ∈ R. Skup
{x ∈ Rn : ha, xi = b},
definisan sa jednačinom
a1 x1 + a2 x2 + · · · + an xn = b,
nazivamo hiperravan u Rn . Skup
{x ∈ Rn : ha, xi ≤ b},
nazivamo zatvoreni poluprostor u Rn . Komplement zatvorenog poluprostora

nazivamo otvoreni poluprostor i možemo ga zapisati u sljedećoj formi
{x ∈ Rn : ha, xi > b}.
Teorema 5.2. Svaki poluprostor u Rn je konveksan.

Dokaz. Pretpostavimo da je dat poluprostor
S = {x ∈ Rn : ha, xi ≤ b}.
Neka su x, y ∈ S i λ ∈ [0, 1]. Tada iz definicije skalarnog proizvoda imamo
ha, λx + (1 − λ)yi = λha, xi + (1 − λ)ha, yi.
Kako je λ ∈ [0, 1], ha, xi ≤ b i ha, yi ≤ b vrijedi
ha, λx + (1 − λ)yi ≤ λb + (1 − λ)b = b.
Posljedica 5.1. Svaka hiperravan u Rn je konveksan skup.

Posljedica 5.2. Prvi ortant {x ∈ Rn : xi ≥ 0, i = 1, . . . , n} je konveksan.
Dokaz. Dokaz slijedi iz činjenice da je xi ≥ 0 ako i samo ako je hei , xi ≥ 0.
Primjedba 5.3. Ako je x ∈ Rn tada pišemo x ≥ 0 ako i samo ako je xi ≥ 0 za
sve i = 1, . . . , n.
Definicija 5.3. Neka je dat skup S u Rn . Konveksni omotač skupa S je
presjek svih konveksnih skupova koji sadrže skup S. Konveksni omotač skupa
S označavamo sa coS.
Teorema 5.3. Neka je C konveksan podskup od Rn . Ako je xi ∈ C, λi ≥ 0, i =
P
k P
k
1, . . . , k i λi = 1 tada konveksna kombinacija λi xi ∈ C.
i=1 i=1
5.4. POLITOPI 39
Dokaz. Indukcijom po k.
Teorema 5.4. Neka je S neprazan podskup od Rn . Tada x ∈ coS ako i samo ako
P
k P
k
postoje xi ∈ S, λ1 ≥ 0, i = 1, . . . , k, gdje je λi = 1, takvi da je x = λi xi .
i=1 i=1
P
k
Dokaz. Ako xi ∈ S i λ1 ≥ 0, i = 1, . . . , k, gdje je λi = 1, tada x ∈ S na
i=1
osnovu prethodne teoreme.
Obrnuto. Definišimo skup
k
X k
X
C={ λi xi : xi ∈ S, λi ≥ 0, i = 1, . . . , k, λi = 1}.
i=1 i=1
Skup C je konveksan i sadrži skup S. Osim toga svaki konveksan skup koji
sadrži S sadži i skup C, pa je C = coS.
5.4 Politopi
Definicija 5.4. Konveksan omotač konačno monogo tačaka nazivamo politop,
to jest za skup C kažemo da je politop ako postoji konačan skup S takav da je
C = coS.
Primjer 5.2. Primjeri politopa u R2 je duž i trougao, dok prava i krug nisu
politopi.
Definicija 5.5. Neka je C neprazan podskup od Rn i x ∈ C. Za tačku x kažemo
da je vrh (ekstremna tačka) skupa C ako ne postoji linijski segment sadržan
u C, a čija je unutrašnja tačka 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 može pirkazati
kao konveksan omotač svojih vrhova. Znači 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, 14 e1 + 14 e2 , e1 , e2 } ima vrhove 0, e1 , e2 i može se
opisati sa co{0, e1 , e2 }.
Definicija 5.6. Neka su x0 , x1 , . . . , xn tačke takve da su vektori
x1 − x0 , x2 − x0 , . . . , xn − x0
linearno nezavisne. Simpleks nad vrhovima x0 , x1 , . . . , xn je konveksni omotač

nad tim vrhovima. Broj n se naziva dimenzija simpleksa.
Primjedba 5.4. Simpleks je specijalan slučaj politopa.
Primjer 5.4. Tetraedar co{0, e1 , e2 , e3 } je simpleks u R3 .
Ako c ∈ Rn , funkcija f : Rn → R definisana sa

n
X
f (x) = hc, xi = ci xi
i=1
se naziva linearna forma (linearni funkcional) na Rn .

Teorema 5.5. Ako je C konveksan politop u Rn i f linearna forma na Rn tada
se min f (x) i max f (x) dostižu na nekom od vrhova politopa C.
x∈C x∈C
Dokaz. Neka je C = coV , gdje je V = {v1 , v2 , . . . , vk } konačan skup vrhova od

C. Ako x ∈ C tada je
k
X k
X
x= λi vi za neke λi ≥ 0, i = 1, . . . , k, λi = 1.
i=1 i=1
Prema tome, vrijedi

k
X k
X
f (x) = hc, xi = λi hci , vi i = λf (vi ).
i=1 i=1
Neka su vr i vs vrhovi iz V za koje vrijedi

f (vr ) ≤ f (vi ) ≤ f (vs ), i = 1, . . . , k.
Tada imamo
k
X k
X k
X
f (vr ) = f (vr ) λi ≤ λi f (vi ) ≤ f (vs ) λi = f (vs ).
i=1 i=1 i=1
Dakle,
f (vr ) ≤ f (x) ≤ f (vs ).
Primjer 5.5. Odrediti min f (x), gdje je C konveksan politop u R2 sa vrhovima

µ ¶ µ ¶ µ ¶ x∈C µ ¶
1 2 2 4
, , , i f (x) = 2x1 − 3x2 .
1 0 2 1
5.5 Konveksne funkcije

Neka je data funkcija f : C → Rn , gdje je C ⊆ Rn . Ako definišemo funkciju
F : Rn → Rn sa ½
f (x), x ∈ C,
F (x) =
+∞, x ∈ Rn \ C,
tada vrijedi
min{f (x) : x ∈ C} = min{F (x) : x ∈ Rn }.
Dakle, pri izučavanju problema optimizacije možemo posmatrati funkcije defin-
isane na skupu Rn sa vrijednostima u [−∞, +∞].
5.5. KONVEKSNE FUNKCIJE 41
Definicija 5.7. Neka je data funkcija f : Rn → [−∞, +∞]. Skup
epif = {(x, a) : x ∈ Rn , a ∈ R, f (x) ≤ a}
nazivamo epigraf funkcije f . Podskup
domf = {x ∈ Rn : f (x) < +∞}
skupa Rn nazivamo efektivni domen funkcije f .
Efektivni domen funkcije f se može definisati i sa Rn \ {x ∈ Rn : f (x) =

+∞}. Na primjer, ako je


 −∞, x ≤ −3,
 2
x + 2x, −3 < x < 1,
f (x) =

 5, x = 1,

+∞, x > 1,
tada je domf = (−∞, 1].
Definicija 5.8. Za funkciju f kažemo da je konveksna funkcija ako je epif

konveksan podskup od Rn+1 (f je konkavna funkcija ako je −f konveksna
funkcija).
Primjer 5.6. Funkcija

½
0, x ≤ −1,
f (x) =
x2 , x > 1,
nije konveksna, dok je funkcija
g(x) = x2 , x ∈ R,
konveksna.
Primjedba 5.5. Ako je f : Rn → [−∞, +∞] konveksna funkcija onda je domf

konveksan skup.
Sledeća 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
Xk k
X
f( λi x i ) ≤ λi f (xi ),
i=1 i=1
P
k
gdje je xi ∈ domf , λi ≥ 0 i λi = 1.
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 kažemo da je f strogo
konveksna funkcija.
Primjer 5.7. (i) Linearni funkcional je konveksna funkcija,
(ii) Neka je data norma || · || u Rn , funkcije x 7→ ||x|| i x 7→ ||x||2 su konveksne.
Primjedba 5.7. Ako je konveksna funkcija f : R → R diferencijabilna u tački x0
tada vrijedi
f (x) ≥ f (x0 ) + (x − x0 )f 0 (x0 ), za sve x ∈ R.
Definicija 5.9. Za vektor s ∈ Rn kažemo da je subgradijent konveksne
funkcije f u tački x0 (u odnosu na skup C) ako za sve x ∈ C vrijedi
f (x) ≥ f (x0 ) + hx − x0 , si.
Skup svih subgradijenata funkcije f u tački x0 nazivamo subdiferencijal funkcije

f u tački x0 i označamo sa ∂f (x0 ), to jest
∂f (x0 ) = {s ∈ Rn : f (x) ≥ f (x0 ) + hx − x0 , si(∀x ∈ C)}.
Primjer 5.8. Ako je f (x) = |x|, x ∈ R tada je


 {1}, x > 0,
∂f (x) = [-1, 1], x = 0,

{−1}, x < 0,
Iz definicije subdiferencijala dobijamo da vrijedi sljedeća teorema.

Teorema 5.7. Tačka 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 tačka x? = 0
tačka minimuma funkcije f (x) = |x|, jer 0 ∈ ∂f (0). Primijetimo da f nije
diferencijabilna, pa ovaj zaključak ne možemo izvesti na osnovu diferencijalnog
računa.
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) jednočlan za svaki x onda je ∂f (x) = {∇f (x)},
gdje je
 ∂f 
∂x1
 .. 
∇f (x) =  . 
∂f
∂xn
5.6. LEKSIKOGRAFSKO UREDENJE VEKTORA 43
gradijent funkcije f u tački x i

∂f f (x1 , . . . , xi + h, . . . , xn ) − f (x1 , . . . , xi , . . . , xn )
(x) = lim ,
∂xi h→0 h
parcijalni izvodi.
∂2f
Na sličan način se definiše i ∂xi ∂xj , to jest
∂f
∂2f ∂ ∂x j
(x)
(x) = .
∂xi ∂xj ∂xi
Matricu · ¸
∂2f
Hf (x) = (x)
∂xi ∂xj n×n
nazivamo Hamiltonova matrica funkcije f .

Teorema 5.9. (Kriterij preko drugih izvoda) Funkcija f je konveksna ako i
samo ako je matrica Hf (x) semidefinitna, to jest hHf (x)v, vi ≥ 0, (∀v ∈ Rn ).
5.6 Leksikografsko uredenje vektora

Definicija 5.10. Parcijalno uredenje ρ na Rn je relacija za koju vrijedi
(i) refleksivnost, ako x ∈ Rn tada xρx,
(ii) antisimetričnost, ako x, y ∈ Rn tada (xρy i yρx) ⇒ x = y,
(iii) tranzitivnost, ako x, y, z ∈ Rn tada (xρy i yρz) ⇒ xρz.
Parcijalno uredenje je vektorsko uredenje ako još vrijedi i
(iv) xρy ⇒ (x + z)ρ(y + z) ako x, y ∈ Rn ,
(v) (xρy i α ≥ 0) ⇒ (αx)ρ(αy) ako x, y ∈ Rn 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 koristeći
(iii), je (x + w)ρ(y + w). Lako se pokaže da ako x, y ∈ Rn sljedeći uslovi su
ekvivalentni:
(a) xρy, (b) 0ρ(y − x), (c) (x − y)ρ0.
Ako je ρ parcijalno uredenje na Rn tada je ono i totalno uredenje, jer uvijek
xρy ili yρx.
Obično uredenje ≥ na Rn se definiše sa x ≥ 0 ako i samo ako je xi ≥ 0, i =
1, . . . , n. Ekvivalentno x ≥ y ako i samo ako je xi ≥ yi , i = 1, . . . , n. (Piše se
još i x ≤ y ako i samo ako je y ≥ x.) Vektorsko uredenje osim u slučaju n = 1
nije totalno uredenje. Na primjer u R2 , e2 e1 i e1 e2 . Ako x, y ∈ M(1, n)
tada xT , y T ∈ Rn i vrijedi x ≥ y ako i samo ako xT ≥ y T .
Teorema 5.10. Ako x, y ∈ Rn i x ≥ 0, y ≥ 0 tada je broj xT y nenegativan.
P
n
Dokaz. Slijedi neposredno iz xT y = hx, yi = xi yi .
i=1
Posljedica 5.3. Ako x, y, z ∈ Rn , x ≥ y i z ≥ 0 tada je z T x ≥ z T y.

Definicija 5.11. Ako x, y ∈ Rn pišemo x B y ako i samo ako je za neki j ∈
{1, . . . , n}, xi ≥ yi , i = 1, . . . , j i xj > yj . Pišemo x D y ako i samo ako je x B y
ili x = y. Uredenje B se naziva leksikografsko uredenje na Rn .
Uredenje D je totalno uredenje. Ako je dat konačan skup u Rn onda taj
skup u odnosu na leksikografsko uredenje ima maksimum i minimum.
Primjer 5.9. Skup vektora u R2 ,
½µ ¶ µ ¶ µ ¶ µ ¶¾
−2 0 1 1
, , ,
1 1 0 −2
je ureden na sljedeći način

µ ¶ µ ¶ µ ¶ µ ¶
−2 0 1 1
C C C .
1 1 −2 0
µ ¶ µ ¶
1 −2
Dakle, maksimalni elemenat je , a minimalni .
0 1
Teorema 5.11. (i) Ako x, y ∈ Rn tada x ≥ y ⇒ x D y ali obrnuto ne vrijedi u
opštem slučaju.
(ii) Ako x, y, z ∈ Rn tada (x ≥ y i y B z) ⇒ x B z
i (x B y i y ≥ z) ⇒ x B z.
Dokaz. (i) Prvi dio slijedi iz definicije, do drugi slijedi iz primjera, e1 B e2 i
e1 e2 .
(ii) Dokazaćemo prvi dio.
Neka je xi ≥ yi , i = 1, . . . , n. Ako je za neki j ∈ {1, . . . , n}, yi ≥ zi , i =
1, . . . , j i yj > zj tada je xi ≥ yi ≥ zi . Dakle, xi ≥ zi , i = 1, . . . , j i
xj ≥ yj > zj , pa je xj > zj . Znači, x B z.
5.7 Primarni i dualni problem

Neka je dat problem linearnog programiranja. Tada se njemu može pridružiti
drugi problem koji se naziva dualni. U tom slučaju prvi problem se naziva i
primarni.
Pretpostavimo da je dat primarni problem u standardnoj formi
min f (x) = cT 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 ≤ cT . (5.5)
Primjetimo da se kod dualnog problema ne traži uslov y ≥ 0, kao i da se uslov
(5.5) može pisati u obliku AT y ≤ c, a funkcija g(y) u obliku bT y.
Primjer 5.10. Neka je dat problem linearnog programiranja
min 2x1 + 6x2 − 7x3 + 2x4 + 4x5
4x1 − 3x2 + 8x3 − x4 = 12

−x2 + 12x3 − 3x4 + 4x5 = 20
xi ≥ 0, i = 1, . . . , 5.
µ ¶
4 −3 8 −1 0
Ovde je x ∈ R5 , cT = (2, 6, −7, 2, 4), bT = (12, 20) i A = .
0 −1 12 −3 4
Dualni problem je
max 12y1 + 20y2
4y1 ≤ 2
−3y1 − y2 ≤ 6
8y1 + 12y2 ≤ −7
−y1 − 3y2 ≤ 2
4y2 ≤ 4.
Dualni problem je dvodimenzionalni i lako se vidi da je dopustivi skup trougao,
sa vrhovima ( 41 , − 34 )T , (−2, 0)T i (− 65 27 T
28 , 28 ) . Na osnovu teoreme 5.5, maksimum
se dostiže na vrhovima. Jednostavmnim računom se vidi da je maksimum − 60 7
i dostiže se na vrhu (− 65 27 T
28 , 28 ) .
Teorema 5.12. (i) (Slaba dualnost) Ako je x dopustivo rješenje (5.3) i y do-
pustivo rješenje (5.5) tada je g(y) ≤ f (x).
(ii) Ako su x0 , y0 dopustiva rješenja (5.3), (5.5) respektivno i g(y0 ) = f (x0 )
tada su x0 , y0 optimalna rješenja (5.2), (5.4) respektivno.
Dokaz. (i) Kako je x ≥ 0 i y T A ≤ cT imamo da je (y T A)x ≤ cT x. Osim toga,

vrijedi Ax = b, pa je y T (Ax) = y T b. Prema tome, g(y) = y T b ≤ cT x = f (x).
(ii) Neka su x, y dopustiva rješenja (5.3), (5.5) respektivno. Tada je zbog (i),
g(y) ≤ f (x0 ) = g(y0 ). Dakle, y0 je optimalna tačka za (5.4). Kako je f (x0 ) =
g(y0 ) ≤ f (x), to je x0 optimalna tačka za (5.2).
Posljedica 5.4. Ako je f (x) neograničena odozdo za dopustive x tada (5.5)

nema dopustivo rješenje.
Posljedica 5.5. Ako je g(y) neograničena odozgo za dopustive y tada (5.3)

nema dopustivo rješenje.
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) možemo zapisati u obliku
− min(−y)T b
(−y)T A ≥ (−c)T .
Napišimo −y = u − v, gdje je u ≥ 0 i v ≥ 0. Imamo

³ u ´T µ b ¶
(−y)T b =
v −b
i
³ u ´T µ A ¶
(−y)T A = .
v −A
Dakle, (5.4) − (5.5) možemo pisati u obliku
µ ¶T ³ ´
b u
− min
−b v
³u´
(AT | − AT ) ≥ −c
v
³u´
≥ 0.
v
Dualni problem ovog problema je
− max z T (−c)
z T (AT | − AT ) ≤ (bT | − bT ), z ≥ 0.
Ovo je ekvivalentno sa
min cT z
Az = b, z ≥ 0,
a ovo je primarni problem.

5.8. SIMPLEKS METOD 47
5.8 Simpleks metod

Prije nego izložimo simpleks metod uvedimo neke oznake.
Neka je dat matrica A ∈ M(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 označavamo sa
Aij . Sa Ai? označavamo i−tu vrstu matrice A,
(Ai? )j = Aij , j = 1, . . . , n.
Slično A?j označava j−tu kolonu matrice A,
(A?j )i = Aij , i = 1, . . . , m.
Primjer 5.11. Neka je A ∈ M(2, 3) data sa

µ ¶
1 2 −1
A= .
−1 3 0
µ ¶
−1
Ovde je na primjer, A13 = −1, A1? = (1, 2, −1), A?3 = .
0
Ako je A ∈ M(m, n) i B ∈ M(n, p) tada je
(AB)ij = Ai? Bj? , i = 1, . . . , m, j = 1, . . . , p.
Rang matrice A označavamo sa r(A). Matrica B je bazna matrica matrice

A ∈ M(m, n) ( r(A) = m, m < n) ako je ona kvadratna (invertibilna) matrica
čije se kolone sastoje od m linearno nezavisnih kolona matrice A.
 
4 1 0
Primjer 5.12. Matrica B =  2 1 1  , je bazna matrica matrice A =
  5 1 1  
4 1 0 5 4 1 5
 2 1 1 3 , dok to nije slučaj sa matricom C =  2 1 3  .
5 1 1 6 5 1 6
Posmatrajmo problem linearnog programiranja u standardnoj formi (5.2) −
(5.3), to jest
min f (x) = cT x
Ax = b, x ≥ 0.
Pretpostavimo da je ispunjen sljedeći inicijalni uslov : A ima baznu matricu B
takvu da je za i = 1, . . . , m,
((B −1 b)i |(B −1 )i? ) B 0. (5.6)

³ ´
Napišimo A u obliku (B|F ) i x pridružimo xxB F
. Kako je Ax = b vrijedi
BxB + F xF = b,
pa je
xB = B −1 b − B −1 F xF ,
to jest bazne promjenljive³ izražene
´ su preko nebaznih promjenljivih. Vektoru
cilja c pridružimo vektor ccB
F
, tada je
µ ¶
¡ ¢ xB
f (x) = cT x = cTB |cTF = cTB xB + cTF xF ,
xF
f (x) = cTB B −1 b − (cTB B −1 F − cTF )xF , (5.7)

pa smo funkciju cilja izrazili preko nebaznih promjenljivih.
¡ ¢ ³ −1 ´
Korak 1. Zbog (5.6), je B −1 b ≥ 0 i x = x0B = B 0 b je inicijalno bazno
dopustivo rješenje od (5.3), ovdje je f (x) = cTB B −1 b, pošto je xF izabrano
kao nula u (5.7). Definišimo test vektor t(B), (označimo ga sa t) na
sljedeći način:
tT = cTB B −1 A − cT = (0|cTB B −1 F − cTF ).

³ −1 ´
Lema 5.1. Ako je t ≤ 0 tada je B 0 b optimalno rješenje za (5.2)−(5.3).
Osim toga, y T = cTB B −1 je optimalno rješenje za (5.4) − (5.5) i zajednička
optimalna vrijednost je cB T B −1 b.
Dokaz. Neka je y T = cB T B −1 , imamo y T A = cTB B −1 A ≤ cT , jer je t ≤ 0.

Dakle, y je dopustivo rješenje za (5.5).
Dalje,
µ −1 ¶ µµ −1 ¶¶
T T −1 T B b B b
g(y) = y b = cB B b = c =f .
0 0
Sada dokaz slijedi iz teoreme 5.12.
Korak 2. Ako je t(B) ≤ 0 tada je inicijalno rješenje optimalno i postupak je

završen.
Primjer 5.13. U primjeru 5.10 je

µ ¶
4 0
B = (A?1 A?5 ) = .
0 4
Vrijedi µ ¶ µ ¶
1
0 3
B −1 = 4
1 , B −1 b = ≥0
0 4
5
i
(B −1 b)i > 0, i = 1, 2
je ispunjeno. Ovdje je
xTB = (x1 , x5 ), cTB = (2, 4).
Korak 1.
µ ¶
3
xT = (3, 0, 0, 0, 5), f (x) = cTB B −1 b = (2, 4) = 26
5
i µ ¶
−1 1 − 34 2 − 14 0
B A= .
0 − 14 3 − 34 1
Korak 2.
5 17
tT = CB
T −1
B A − cT = (2, − , 16, − , 4) − (2, 6, −7, 2, 4) =
2 2
17 11
= (0, −
, 23, − , 0)
0,
2 2
pa nije zadovoljen uslov t(B) ≤ 0 optimalnosti inicijalnog baznog dopus-
tivog rješenja.
Pretpostavimo da je t(B)
0. U tom slučaju postupak nastavljamo bez
koraka 2.
Lema 5.2. Ako je za neki j broj tj > 0 i kolona (B −1 A)?j ≤ 0, tada
problem nema optimalnog rješenja.
Dokaz. Neka je β realan i α poztivan realan broj. Definišimo x ∈ Rn na

sljedeći način

 (B −1 b − α(B −1 A)?j )i , i = 1, . . . , m,
xi = α, i = j,

0, inače
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 rješenje. Dalje,
f (x) = cTB (B −1 b − α(B −1 A)?j ) + cj α = cTB B −1 b − tj α
i kako je tj > 0, ako izaberemo α dovoljno veliko imamo f (x) ≤ β. Dakle,

vidimo da je f (x) neograničena odozdo.
Korak 3. Ako je za neki j, tj > 0 i vektor kolona (B −1 A)?j ≤ 0, tada problem

nema optimalnog rješenja.
−1
Primjer
µ ¶ 5.14. U primjeru 5.10 samo je t3 = 23 pozitivan i (B A)?3 =
2

0, pa nije ispunjen uslov za nepostojanje optimalnog rješenja.
3
Korak 4. Odaberimo indeks kolone l, gdje je tl najveći (ne obavezno i poziti-

van). Ako ima više izbora za indeks l, izaberimo najveći od tih indeksa.
Korak 5. Izaberimo indeks vrste r na sljedeći način : Za i = 1, . . . , m, izračuna-

(B −1 b)i
jmo βi = (B −1 A)
il
ako je i−ti elemenat (B −1 A)il od l−te kolone (B −1 A)?l
pozitivan, inače stavimo βi = ∞. Tada izaberimo βk = min{β1 , β2 , . . . , βk }.
Ako k nije jedinstveno odredeno, izaberimo ga izmedu k1 do ks tako da je
−1
B −1 Bj?
vrsta (B −1k?A)kl minimalna u odnosu na uredenje D od vrsta (B −1 A)jl , j=
k 1 , . . . , ks .
Korak 6. Pivot (stožer) je (B −1 A)kl . Izbacimo k−tu kolonu iz B i zamijenimo

je sa l−tom. Označimo novu baznu matricu sa B(1). U tom slučaju
imamo ½
−1 (B −1 b)i − βk (B −1 A)il , i 6= k,
(B(1) b)i = (5.8)
βk , i = k.
Sada, zbog izbora k i l je B(1)−1 b ≥ 0. Vektor B(1)−1 b možemo pisati i

sa B −1 b − βk (B −1 A)?l + βk ek .
Primjer 5.15. U primjeru 5.10 je
17 11
tT = (0, − , 23, − , 0).
2 2
Korak 4. Izaberimo l = 3 ½
jer je t3 = 23 najveće. ½
−1 2 > 0, i = 1, 3, i = 1,
Korak 5. (B A)i3 = i (B −1 b)i =
3 > 0, i = 2, 5, i = 2.
Prema tome,
½ 3
(B −1 b)i 2 , i = 1,
= 5
(B −1 A)i3 3 , i = 2,
sa minimumom 32 , pa izaberimo k = 1.
Korak 6. Pivot je (B −1 A)kl = (B −1 A)13 , i
1 - 43 2? - 14 0 3
0 - 14 3 - 43 1 5
pa dobijamo
1
2 - 38 1 - 81 0 3
2
− 32 7
8 0 - 83 1 1
2.
Sada izbacimo iz bazne matrice prvu kolonu (k = 1), zamijenimo je sa

trećom kolonom (l = 3) i ponovimo sve korake na novi test vektor t
0 i
sljedećeg pivota. Ponavljajući postupak više puta dobijamo
µ ¶
T 79 18 1
t = − , 0, 0, − , − ≤ 0,
7 7 7
pa dobijamo optimalno rješenje. Naime,

µ ¶
4 12 60
xT0 = 0, , , 0, 0 i f (x0 ) = − .
7 7 7
Glava 6
Diskretna teorija
vjerovatnoće
6.1 Pojam vjerovatnoće

Uslovi koji se mogu ponavljati beskonačno mnogo puta i koji ne dovode
do jednaznačno odedenog ishoda zovemo slučajnim eksperimentom (eksper-
imentom). Svakom eksperimentu pridružujemo skup Ω svih mogućih ishoda
tog eksperimenta i zovemo ga prostor elementarnih dogadaja, a njegove
elemente elementarne dogadaje.
Primjer 6.1. Novčić se baca dva puta. Za elementarne dogadaje možemo uzeti
sledeće ishode eksperimenta :
P P − u oba bacanja je palo pismo,
P G− 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 = {P P, P G, GP, GG}.
Primjer 6.2. Bacaju se novčić i kocka za igru. Skup elementarnih dogadaja je
Ω = {P 1, P 2, P 3, P 4, P 5, P 6, G1, G2, G3, G4, G5, G6}.
Definicija 6.1. Neka je Ω prostor elementarnih dogadaja nekog eksperimenta.

Svaki podskup A skupa Ω zove se slučajan dogadaj (dogadaj). Dogadaj Ω se
naziva siguran dogadaj, a dogadaj ∅ nemoguć dogadaj.
Na dogadaje se mogu primjenjivati operacije i relacije kao i sa skupovima.
Ako je A ⊂ B onda kažemo da dogadaj A povlači dogadaj B.
Ako je A = B kažemo 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 VJEROVATNOĆE
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 piše se i AB.

(ii) Ako je AB = ∅ kažemo da su dogadaji A i B disjunktni ili da se medusobno
isključuju.
Definicija 6.2. Neka je Ω = {ω1 , ω2 , . . . , ωn } prostor elementarnih dogadaja.

Za svako k ∈ {1, 2, . . . , n} pridružimo ishodu ωk broj pk tako da vrijede sljedeći
uslovi :
1. nenegativnost, pk ≥ 0,
2. normiranost, p1 + p2 + · · · + pn = 1.
Broj pk se zove vjerovatnoća elementarnog dogadaja ωk . Neka je
A = {ωj1 , ωj2 , . . . , ωjk , 1 ≤ j1 < j2 < · · · jk ≤ n.
Vjerovatnoća dogadaja A je broj P (A) = pj1 + pj2 + · · · + pjk
U prethodnoj definiciji odredena je funkcija P : F → R, gdje je F ⊆ Ω.

Uredena trojka (Ω, F, P ) naziva se prostor vjerovatnoća.
Primjedba 6.2. Ako je
1
p1 = p2 = · · · = pn =
,
n
kažemo da se radi o klasičnoj vjerovatnoći. U tom slučaju vjerovatnoća
dogadaja A jednaka je količniku broja ishoda povoljnih za dogadaj A i broja
svih mogućih ishoda.
Primjer 6.3. Dato je 10 kuglica numerisanih brojevima 1, 2, . . . , 10. Slučajno

se biraju tri kuglice odjednom. Pretpostavimo da sve 3−kombinacije imaju istu
vjerovatnoću da budu izabrane. Kolika je vjerovatnoća dogadaja A da je tačno
jedna od izabranih kuglica označena
µ parnim
¶ brojem?
10
Broj mogućih ishoda jednak je , a broj povoljnih ishoda jednak je
µ ¶µ 3
¶
5 5
, pa je tražena vjerovatnoća
1 2
µ ¶µ ¶
5 5
1 2
P (A) = µ ¶ .
10
3
6.1. POJAM VJEROVATNOĆE 55
Teorema 6.1. (Osobine vjerovatnoće)

1. Za svaki dogadaj A važi 0 ≤ P (A) ≤ 1.
2. Vjerovatnoća 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. Vjerovatnoća nemogućeg dogadaja je P (∅) = 0.
6. Ako je A ⊂ B onda je P (A) ≤ P (B).
Dokaz. Osobine 1. i 2. slijede neposredno iz definicije vjerovatnoće dogadaja.
3. Neka su A = {σ1 , σ2 , . . . , σm } i B = {τ1 , τ2 , . . . , τk } isjunktni dogadaji. Tada
je
A ∪ B = {σ1 , σ2 , . . . , σm , τ1 , τ2 , . . . , τk }.
Ako je p(ω) oznaka za vjerovatnoću dogadaja ω onda je
P (A∪B) = p(σ1 )+p(σ2 )+· · ·+p(σm )+p(τ1 )+p(τ2 )+· · ·+p(τk ) = 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 čemu su A i AB disjunktni. Koristeći

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 važi
A ∪ B = AB ∪ AB ∪ AB, A = AB ∪ AB, B = AB ∪ AB.
Koristeći osobinu aditivnosti vjerovatnoće 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).

6.2 Uslovna vjerovatnoća

U nekim situacijama potrebno je izračunati vjerovatnoću odredenog dogadaja
B, ako je poznato da se realizovao neki drugi dogadaj A. Na taj način dolazimo
do uslovne vjerovatnoće.
Primjer 6.5. Neka se u kutiji nalazi jedna bijela i dvije crne kuglice. Izvučena
je jedna kuglica bez vraćanja i konstatovano je da je bijela. Kolika je vjerovatnoća
da je druga izvučena kuglica crna?
Ovde je
Ω = {(b, c1 ), (b, c2 ), (c1 , b), (c2 , b), (c1 , c2 ), (c2 , c1 )},
A = {(b, c1 ), (b, c2 )}, B = {(b, c1 ), (b, c2 )},
pa je P = 1. Inače, da nije izvučena prva kuglica vjerovatnoća je P = 13 .
Definicija 6.3. Uslovna vjerovatnoća dogadaja B pri uslovu A je broj koji

označavamo sa P (B|A) i koji je odreden sa
P (AB)
P (B|A) = ,
P (A)
pri čemu 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 B1 B2 = ∅ onda je P (B1 ∪ B2 |A) = P (B1 |A) + P (B2 |A),
4. P (B|A) = 1 − P (B|A).
Dokaz. Slijedi iz definicije uslovne vjerovatnoće i osobina vjerovatnoće.
Dokazaćemo sada jednu jednostavnu ali važnu formulu poznatu pod nazivom
formula potpune vjerovatnoće.
Teorema 6.3. Neka su A1 , A2 , . . . , An medusobno disjunktni dogadaji sa poz-

itivnim vjerovatnoćama. Ako za neki dogadaj B važi B ⊂ A1 ∪ A2 ∪ · · · ∪ An
onda je
X n
P (B) = P (Aj )P (B|Aj ).
j=1
Dokaz. Iz uslova
B ⊂ A1 ∪ A2 ∪ · · · ∪ An
slijedi
B = BA1 ∪ BA2 ∪ · · · ∪ BAn ,
6.2. USLOVNA VJEROVATNOĆA 57
pa kako su dogadaji A1 , A2 , . . . , An medusobno disjunktni takvi su i BA1 , BA2 ,

. . . , BAn . Koristeći osobinu aditivnosti vjerovatnoće i definiciju uslovne vjerovatno-
će dobijamo
X n
P (B) = P (Aj )P (B|Aj ).
j=1
Primjedba 6.3. Ako za medusobno disjunktne dogadaje A1 , A2 , . . . , An vrijedi
A1 ∪ A2 ∪ · · · ∪ An = Ω,
onda kažemo da dogadaji A1 , A2 , . . . , An čine potpun skup dogadaja (hipoteze).
Primjer 6.6. U prvoj kutiji se nalaze tri bijele i dvije crne kuglice, a u drugoj
jedna bijela i četiri crne kuglice. Prvo se slučajno bira kutija, a zatim se iz
kutije slučajno bira kuglica. Odrediti vjerovatnoću da je izabrana bijela kuglica.
Neka je A1 (A2 ) dogadaj da je izabrana prva (druga) kutija, a B dogadaj da je
izabrana bijela kuglica. Vrijedi
1 3 1
P (A1 ) = P (A2 ) = , P (B|A1 ) = , P (B|A2 ) = ,
2 5 5
pa na osnovu formule potpune vjerovatnoće dobijamo
1 3 1 1 2
P (B) = · + · = .
2 5 2 5 5
Neka su A1 , A2 , . . . , An medusobno disjunktni dogadaji sa pozitivnim vjerovatnoćama
i dogadaj B takode sa pozitivnom vjerovatnoćom za koji vrijedi
B ⊂ A1 ∪ A2 ∪ · · · ∪ An .
Iz definicije uslovne vjerovatnoće imamo da za svako j ∈ {1, 2, . . . , n} vrijedi
P (Aj B) = P (Aj )P (B|Aj ) = P (B)P (Aj |B),
odakle slijedi
P (Aj )P (B|Aj )
P (Aj |B) = .
P (B)
Koristeći formulu potpune vjerovatnoće dobijamo
P (Ak )P (B|Ak )
P (Ak |B) = P
n . (6.1)
P (Aj )P (B|Aj )
j=1
Formula (6.1) je poznata kao Bajesova formula.

Primjer 6.7. Neka važe uslovi iz primjera 6.6. Pretpostavimo da je izabrana

bijela kuglica. Odredimo vjerovatnoću da je izabrana iz prve kutije.
Na osnovu Bajesove formule imamo
1 3
P (A1 )P (B|A1 ) 2 · 5 3
P (A1 |B) = = 2 = .
P (B) 5
4
Definicija 6.4. Dogadaji A i B su nezavisni ako vrijedi
P (AB) = P (A)P (B).
Za dogadaje koji nisu nezavisni kažemo 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
1 1 1
P (A) = , P (B) = , P (C) = ,
2 3 2
1
P (AB) = = P (A)P (B),
6
1
P (BC) = 6= P (B)P (C),
3
1
P (CA) = 6= P (C)P (A).
2
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 šema

Neka je Ω prostor elementarnih dogadaja i A ⊂ Ω. Za niz niz eksperimenata
u kojima je vjerovatnoća realizacije dogadaja ista i nezavisna od ostalih eksperi-
menata kažemo da čini Bernulijevu šemu. Sa Sn označavamo broj realizacija
dogadaja A u Bernulijvoj šemi. Broj Snn nazivamo frekvencija (relativna
učestalost) dogadaja A u n ponovljenih eksperimenata.
Primjer 6.10. Kocka se baca tri puta. Odediti vjerovatnoću da se dva puta
pojavio broj šest.
Neka 1 znači da je pao broj 6, a 0 da nije pao broj 6. Tada je
{S3 = 2} = {(x1 , x2 , x3 ) : xi ∈ {0, 1} tačno dva broja od xi su 1},
pa je µ ¶
3 1 5 15
P (S3 = 2) = · = 3.
2 2
6 6 6
6.3. BERNULIJEVA ŠEMA 59
Slično kao u prethodnom primjeru zaključujemo da je sa

µ ¶
n
P (Sn = k) = pk (1 − p)n−k , k ∈ {0, 1, . . . , n}, (6.2)
k
data vjerovatnoća da će se dogadaj A, čija je vjerovatnoća pojavljivanja u jed-
nom opitu p, pojaviti k puta u n nezavisnih opita.
Za velike n vrijednosti P (Sn = k) date formulom (6.2) nije jednostavno odrediti.
Obično se koriste formule date sledećim teoremama.
λ
Teorema 6.4. (Puasonova aproksimacija) Neka je P (A) = n, λ > 0 i neka λ
ne zavisi od n. Tada za svaki k ∈ N ∪ {0} vrijedi
λk −λ
lim P (Sn = k) = e .
n→+∞ k!
Dokaz. Zbog (6.2) imamo
µ ¶ µ ¶k µ ¶n−k
n λ λ
P (Sn = k) = 1− .
k n n
Dalje je
µ ¶n µ ¶−k
λk λ n! 1 λ
P (Sn = k) = 1− 1 − ,
k! n (n − k)! nk n
to jest
µ ¶n µ ¶µ ¶ µ ¶µ ¶−k
λk λ k−1 k−2 1 λ
P (Sn = k) = 1− 1− 1− ··· 1 − 1− ,
k! n n n n n
pa
λk −λ
P (Sn = k) → e , n → +∞.
k!
Primjedba 6.4. (i) Prethodna teorema vrijedi i ako se pretpostavi da je

P (A) = pn i da je lim npn = λ.
n→+∞
(ii) Praksa je pokazala da Puasonova aproksimacija daje dobre rezultate za

np < 10. Ako je np ≥ 10 koristi se normalna aproksimacija data sledećom
Muavr-Laplasovom teoremom.
Teorema 6.5. (Normalna aproksimacija) Neka je p ∈ (0, 1) vjerovatnoća dogadaja
u svakom od n nezavisnih ekperimenata i neka postoje a, b ∈ R takvi da je
k − np
a≤ √ ≤ b za sve k, n ∈ N i k ∈ {0, 1, . . . , n}, q = 1 − p.
npq
Tada vrijedi
P (Sn = k)
lim (k−np)2
= 1.
n→+∞
√ 1
2πnpq
e− 2npq
Na osnovu prethodne teoreme može se dokazati i sledeća poznata kao inte-

gralna Muavr-Laplasova teorema.
Teorema 6.6. Pri uslovima prethodne teoreme vrijedi
b−np
√
Znpq
1 t2
lim P (a ≤ Sn ≤ b) ∼ √ e− 2 dt.
n→+∞ 2π
a−np
√
npq
Primjer 6.11. Vjerovatnoća proizvodnje neispravnog proizvoda je 0.02. Naći

vjerovatnoću da u seriji od 2500 proizvoda broj neispravnih bude izmedu 36 i
57.
Ovde je np = 2500 · 0.02 = 50, pa koristimo normalnu aproksimaciju
Z1
1 t2
P (36 ≤ S2500 ≤ 57) ∼ √ e− 2 dt ≈ 0.818.
2π
−2
Primjedba 6.5. Vrijednosti funkcije

Zx
1 t2
Φ(x) = √ e− 2 dt
2π
0
date su tablicama.
6.4 Diskretne slučajne promjenljive

Prilikom eksperimenta se svakom ishodu može pridružiti realan broj, to jest
možemo posmatrati preslikavanje sa Ω u skup R.
Primjer 6.12. Neka se baca novčić. Svakom ishodu možemo pridružiti 1 ili 0
u zavisnosti da li je pao grb ili pismo.
U ovom slučaju skup Ω se preslikava na {0, 1}.
Definicija 6.5. Neka je (Ω, F, P ) prostor vjerovatnoća sa konačno mnogo ishoda.
Funkcija X : Ω → R zove se slučajna promjenljiva (veličina).
Raspodjela vjerovatnoća slučajne promjenljive je odredena ako su poz-
nate vrijednosti x1 , x2 , . . . , xn koje može uzeti ta slučajna promjenljiva i vjerovatno-
će p1 , p2 , . . . , pn sa kojima uzima te vrijednosti. Koristi se zapis
pk = P (X = xk ) = P ({ω : X(ω) = xk }, k = 1, 2, . . .
Raspodjela vjerovatnoća slučajne promjenljive X se označava i sa
µ ¶
x1 x2 · · · xn
X: ,
p1 p2 · · · pn
pri tome je p1 + p2 + · · · + pn = 1.
6.4. DISKRETNE SLUČAJNE PROMJENLJIVE 61
Primjer 6.13. Dato je 10 kuglica numerisanih brojevima 1, 2, . . . , 10. Slučajno

se biraju odjedno četiri kuglice. Neka je X broj izabranih kuglica koje su označene
brojem djeljivim sa tri. Odrediti raspodjelu slučajne promjenljive X.
Neposrednim računom dobijamo
µ ¶
0 1 2 3
X: 1 1 3 1 .
6 2 10 30
Definicija 6.6. Neka je X slučajna promjenljiva. Funkcija FX : R → R data

sa
FX (x) = P {ω : X(ω) ≤ x} = P (X ≤ x)
zove se funkcija raspodjele slučajne promjenljive X.
Primjer 6.14. Slučajna promjenljiva X data sa

µ ¶
1 0
X: , p ∈ (0, 1),
p 1−p
se naziva Bernulijeva slučajna promjenljiva. Za njenu funkciju raspodjele vrijedi


 0, x < 0,
F (x) = 1 − p, 0 ≤ x < 1,

1, x ≥ 1.
Osobine funkcije raspodjele su date sledećom teoremom.
Teorema 6.7. Neka je F funkcija raspodjele slučajne promjenljive X. Tada

vrijedi:
(i) 0 ≤ F (x) ≤ 1, (∀x ∈ R),
(ii) F je neopadajuća funkcija,
(iii) lim F (x) = 1, lim F (x) = 0,

x→+∞ x→−∞
(iv) F je neprekidna s lijeva.
Nezavisnost slučajnih promjenljivih uvodimo analogno kao i nezavisnost

dogadaja.
Definicija 6.7. Slučajne promjenljive X i Y su nezavisne ako vrijedi
P (X = xi , Y = yj ) = P (X = xi ) · P (Y = yj )
za sve xi i yj iz skupa vrijednosti slučajnih promjeljivih X i Y .

Primjer 6.15. Novčić se baca dva puta. Neka X označava broj registrovanih
pisama, a Y broj grbova. Raspodjele vjerovatnoća slučajnih promjenljivih X i
Y su date tabelom :
X=0 X=1 X=2 qj
1 1
Y =0 0 0 4 4
1 1
Y =1 0 2 0 2
1 1
Y =2 4 0 0 4
1 1 1
pi 4 2 4
Slučajne promjenljive X i Y nisu nezavisne, jer na primjer

1
P (X = 0, Y = 0) = 0 6= = P (X = 0) · P (Y = 0).
16
Primjetimo da su ove slučajne promjenljive linearno zavisne, jer je X + Y = 2.
µ ¶
x1 x2 · · · xn
Neka je Ω = {ω1 , . . . , ωk }, k ∈ N i X : .
p1 p2 · · · pn
Matematičko očekivanje E(X) slučajne promjenljive X se definiše sa
X(ω1 ) + X(ω2 ) + · · · + X(ωk )

E(X) = .
k
Neka je
Ai = {ω : X(ω) = xi }, i = 1, . . . , n,
ki
i označimo sa ki broj elemenata skupa Ai . Vrijedi P (Ai ) = k , s druge strane
je P (Ai ) = pi , pa imamo
E(X) = x1 p1 + x2 + p2 + · · · + xk pk .
Ako je X diskretna slučajna promjenljiva i f : R → R proizvoljna funkcija tada

je f (X) takode slučajna promjenljiva i vrijedi
Ef (X) = f (x1 )p1 + f (x)p2 + · · · + f (xk )pk .
Primjer 6.16. Neka je X slučajna promjenljiva koja označava broj na gornjoj

strani kocke. Odrediti E(X) i E(X 2 ).
P6 P
6
E(X) = i · 61 = 3.5, E(X 2 ) = i2 · 16 = 91
6 .
i=1 i=1
Primjedba 6.6. Na osnovu prethodnog primjera vidimo da ne mora biti E(X) ∈

X(Ω).
Osnovne osobine matematičkog očekivanja su :
1. Ako je C ∈ R tada je E(C) = C.
2. Ako je C ∈ R i X slučajna promjenljiva tada je E(CX) = CE(X).
3. Ako su X i Y slučajne promjenljive onda je E(X + Y ) = E(X) + E(Y ).
6.5. SLUČAJNI PROCESI 63
4. Ako su X i Y nezavisne slučajne promjenljive onda je E(XY ) = E(X)E(Y ).

Matematičko očekivanje ne opisuje slučajnu promjenljivu u potpunosti, pa je
potrebno posmatrati i odstupanje slučajne 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) slučajne 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 slučajna promjenljiva onda je V ar(CX) = C 2 V ar(X).
5. Ako su X i Y nezavisne slučajne promjenljive onda je V ar(X + Y ) =
V ar(X) + V ar(Y ).
Primjer 6.17. Neka je A dogadaj. Slučajna promjenljiva IA definisana sa
½
1, ω ∈ A,
IA (ω) =
0, ω ∈ / A,
zove se indikator slučajnog dogadaja A. Ako je P (A) = p, vrijedi

µ ¶
0 1
IA : ,
1−p p
2
E(IA ) = p, V ar(IA ) = E(IA ) = (E(IA ))2 = p − p2 .
6.5 Slučajni procesi

Neka je (Ω, F, P ) prostor vjerovatnoća i T skup vrijednosti parametra t.
Slučajni proces je familija slučajnih promjenljivih {Xt }, t ∈ T. Indeks t se
občno 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 slučajni
proces možemo reći da je funkcija, koja pri svakom fiksiranom t ∈ T je slučajna
promjenljiva X(t, ω) = X(t), ω ∈ Ω. Ako je ω = ω0 fiksirano , tada je X(t, ω0 )
neslučajna funkcija i zove se realizacija ili trajektorija procesa. Ako je T
prebrojiv skup, tada se radi o slučajnom nizu, a ako je T neprebrojiv tada
imamo slučajni proces.
Neka je data funkcija raspodjele slučajnog vektora
(X(t1 ), X(t2 ), . . . , X(tn )).

Slučajni proces kod koga su sve konačnodimenzionalne raspodjele normalne

nazivamo Gaussovim slučajnim procesom.
Neslučajna funkcija
m(t) = E(X(t))
je matematičko očekivanje slučajnog procesa,
K(t, s) = E(X(t) − m(t))(X(s) − m(s))
je njegova korelaciona funkcija.
U daljem posmatraćemo slučajne procese kod kojih je skup T prebrojiv. Neka
je dat niz slučajnih promjenljivih (Xn ), kod koga sve slučajne promjenljive
imaju iste konačne ili prebrojive skupove vrijednosti (skupove stanja). Sma-
traćemo da je skup vrijednosti {0, 1, . . . , } ili neki njegov podskup. Ako vrijed-
nost koju je postigla slučajna promjenljiva Xn potpuno odredjuje zakon raspod-
jele slučajne promjenljive Xn+1 i taj zakon raspodjele ne zavisi od vrijednosti
koje su postigle slučajne promjenljive Xk , k < n, tada za niz (Xn ) kažemo da
čini lanac Markova. Dakle, niz (Xn ) slučajnih promjenljivih je lanac Markova
ako vrijedi
P (Xn = xn |Xk1 = xk1 , . . . , Xkr = xkr ) = P (Xn = xn |Xk1 = xk1 )
za sve proizvoljne prirodne brojeve n > k1 > k2 > . . . > kr .
Ova osobina govori o tome da vjerovatnoća da se dati sistem u trenutku n + 1
nalazi u datom stanju, ako je poznato njegovo stanje u trenutku n, ne zavisi od
ponašanja tog sistema u prošlosti to jest prije trenutka n.
Vjerovatnoća da se slučajna promjenljiva Xn+1 nadje u stanju j, ako je poznato
da se Xn nalazi u stanju i naziva se vjerovatnoća prelaza. Imamo
pn,n+1
ij = P (xn+1 = j|Xn = i).
Ako vjerovatnoće pn,n+1

ij ne zavise od n lanac je homogen.
Označimo sa pij (n) vjerovatnoće prelaza iz stanja i u stanje j za n koraka.
Matrice Mn = [pij (n)] se zovu matrice vjerovatnoća prelaza za n koraka.
Kod njih su svi elementi nenegativni i zbir u svakoj vrsti je 1.} Koristeći teoremu
o totalnoj vjerovatnoći imamo da je za 1 ≤ m ≤ n,
X
pij (n) = pik (m)pkj (n − m).
k
To su jednačine Kormogorova-Čepmena. Matrični oblik je

Mn = Mm Mn−m ,
odavde je
Mn = M1n .
Ako postoji prirodan broj n tako da su svi elementi matrice Mn strogo pozitivni,
tada za svako j = 1, 2, . . . , postoji granična vrijednost
lim pij (n) = p∗j ,
n→+∞
6.5. SLUČAJNI PROCESI 65
koja ne zavisi od i. Brojevi p∗j zovu se finalne vjerovatnoće. Finalne vjerovatnoće

se mogu dobiti iz sistema jednačina:
X X
p∗j = 1, p∗k pkj = p∗j , j = 1, 2, . . .
j k
Lanac koji ima finalne vjerovatnoće zove se ergodičan.

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. Cvetković, D., Simić, S., Diskretna matematika, Naučna knjiga, Beograd,
1990.
4. Ćelić, M., Jovanović, M.,Matematika III, Naučna knjiga, Beograd, 1991.
5. Knutt and other, Concrete Mathematics,...
6. Lovász, L., Vesztergombi, K., Discrete Mathematics, Lecture Notes, Yale

University, 1999.
7. Merkle, M., Vasić, P. Verovatnoća i statistika, Akademska misao, Beograd,
2001.
8. Mladenović, P., Elementaran uvod u verovatnoću i statistiku, Društvo

matematičara Srbije, Beograd, 1998.
67

Diskretna Matematika

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Diskretna Matematika

Uploaded by

Copyright:

Available Formats

DISKRETNA MATEMATIKA

Elektrotehnički fakultet u Banjaluci

2 Elementi teorije brojeva 7

5.7 Primarni i dualni problem . . . . . . . . . . . . . . . . . . . . . . 44

6 Diskretna teorija vjerovatnoće 53

Elementi teorije brojeva

gdje je (x0 , y0 ) najmanje rješenje Pelove jednačine u pozitivnim cije-

nema rješenja u nenegativnim cijelim brojevima gdje je n prirodan

(c) Catalanova hipoteza 1843: Jedina rješenja jednačine

u prirodnim brojevima x, y, u, v su 32 − 23 = 1. (Tvrdnju je dokazao

• Teorema, Klaus Roth 1958, (Dobitnik Fieldsove medalje): Za

gdje je ² > 0, ima konačno mnogo rješenja.

Osobine relacije biti djelitelj :

Teorema 2.1. Neka je a ∈ N i b ∈ Z tada postoje jedinstveni cijeli brojevi q i

Dokaz. Pokažimo prvo egzistenciju brojeva q i r. Konstruišimo skup

Skup S je neprazan podskup skupa N ∪ {0}, pa ima najmanji elemenat. Neka je

Definicija 2.2. • Ako su a, b, ∈ Z takvi da je d|a i d|b onda d nazivamo

• Najveći zajednički djelitelj brojeva a i b označavamo sa (a, b).

Primjer 2.3. Odrediti (460, 200) i [460, 200].

Posljedica 2.1. Ako su a i b relativno prosti brojevi to jest (a, b) = 1 tada

Primjer 2.4. Pokazati da jednačina 12x + 15y = 3 ima cjelobrojna rješenja.

Primjedba 2.2. Iz dokaza teoreme 2.2. vidimo da je

(a, b) = min{ax + by > 0 : x, y ∈ Z}.

2.3 Euklidov algoritam

Teorema 2.3. (Euklidov algoritam) Pretpostavimo da su a, b ∈ N i a < b.

(a, r1 ) = (r1 , r2 ) = · · · = (rn−1 , rn ).

Primjer 2.5. 1. Odrediti (589, 5111).

2. Naći bar jedno rješenje jednačine 589x + 5111y = 19.

589x + 5111y = 19.

Primjedba 2.3. Ako je (x0 , y0 ) rješenje jednačine ax + by = c onda za svako

2.4 Prosti brojevi. Osnovna teorema aritmetike.

Definicija 2.3. Neka je a ∈ N i a > 1. Za broj a kažemo da je prost broj ako

Primjedba 2.4. Broj 1 nije ni prost ni složen.

Primjer 2.6. Za svaki prirodan broj k postoji k uzastopnih složenih brojeva.

Teorema 2.4. Neka su a1 , a2 , . . . , an ∈ Z i p prost broj. Ako p|a1 · a2 · · · an

Teorema 2.5. (Osnovna teorema aritmetike) Faktorizacija svakog prirodnog

Definicija 2.4. Reprezentacija (2.2) se naziva kanonska dekompozicija broja

Primjer 2.7. Pokazati da postoji prirodan broj k takav da je 1123 = 11 + 23 · k.

2.5 Modularne aritmetike

Definicija 2.5. Ako je n|a − b onda kažemo da je a kongruentno b modulo

Osobine relacije ”biti kongruentan modulo n”:

• Relacija ”biti kongruentan modulo n”je relacija ekvivalencije na skupu

– klasu brojeva oblika 3k koji su djeljivi sa 3, odnosno kongruentni su

Primjer 2.8. Odrediti prirodan broj p ako su p i 8p2 + 1 prosti brojevi.

• Ako je a ≡ b(modn) i c ≡ d(modn) onda je a ± c ≡ b ± d(modn) i

• 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.

• Ako je a ≡ b(modn) onda je ak ≡ bk (modn) za svaki prirodan broj k.

• Ako je ac ≡ bc(modn) i (c, n) = 1 onda je a ≡ b(modn).

Dokažimo na primjer posljednju osobinu.

Primjer 2.9. Odrediti posljednju cifru u dekadnom zapisu broja 3400 .

3400 ≡ 1100 (mod10),

Primjedba 2.6. Malu Fermatovu teoremu možemo zapisati i na sljedeći način:

2.6 Eulerova funkcija

Primjer 2.10. Nekoliko prvih vrijednosti funkcije ϕ dato je sljedećom tabelom:

Definicija 2.7. Funkcija f : N → N je multiplikativna ako je f (mn) = f (m)f (n)

Daćemo neke osobine Eulerove funkcije.

Teorema 2.8. Ojlerova funkcija je multiplikativna.

Dokaz. Ako je p prost broj onda u nizu

ima pα−1 brojeva djeljivih sa p, pa je ϕ(pα ) = pα − pα−1 . Odavde i iz prethodne

čime je dokaz završen.

ϕ(120) = ϕ(23 · 3 · 5) = 22 30 50 (2 − 1)(3 − 1)(5 − 1) = 32.

Teorema 2.10. (Gaussova formula) Za svaki prirodan broj n vrijedi