Professional Documents
Culture Documents
EKONOMETRII
z elementami
algebry liniowej
Eligiusz W. Nowakowski
PODSTAWY
EKONOMETRII
z elementami
algebry liniowej
Recenzent
prof. dr hab. Wiesaw Sasin
Redakcja tekstu
Bogumi Paszkiewicz
Projekt graficzny i typograficzny
Krystyna Bukowczyk
Skad i amanie
Agencja KUBA
Spis treci
WPROWADZENIE ..................................................................................
Rozdzia 1
ELEMENTY ALGEBRY LINIOWEJ ....................................................
1.1. PRZESTRZE WEKTOROWA (LINIOWA) ...........................
1.2. MACIERZE I DZIAANIA NA NICH ......................................
1.2.1. Dodawanie macierzy .............................................................
1.2.2. Mnoenie macierzy ...............................................................
1.2.3. Wyznacznik ...........................................................................
1.2.4. Macierz odwrotna .................................................................
Rozdzia 2
MODELE EKONOMETRYCZNE .........................................................
2.1. ZADANIA EKONOMETRII .......................................................
2.2. POSTA MODELU ......................................................................
2.3. KLASYFIKACJA ZMIENNYCH WYSTEPUJCYCH
W MODELU ..................................................................................
2.4. KLASYFIKACJA MODELI EKONOMETRYCZNYCH ........
2.5. METODA EKONOMETRII ........................................................
2.6. ESTYMACJA PARAMETRW STRUKTURALNYCH
JEDNORWNANIOWEGO MODELU
EKONOMETRYCZNEGO .........................................................
2.7. WERYFIKACJA JEDNORWNANIOWEGO MODELU
EKONOMETRYCZNEGO .........................................................
2.7.1. Werykacja merytoryczna ...................................................
2.7.2. Badanie koincydencji ............................................................
2.7.3. Wspczynnik determinacji R2 ............................................
2.7.4. Werykacja statystyczna jednorwnaniowego modelu
ekonometrycznego ................................................................
2.7.5. Autokorelacja skadnika losowego ......................................
ZADANIA DO ROZDZIAU 2 ..........................................................
7
10
10
15
17
19
20
27
35
35
36
38
39
47
50
60
60
61
62
65
68
70
Rozdzia 3
PROGRAMOWANIE LINIOWE ........................................................... 75
3.1. WPROWADZENIE ...................................................................... 75
3.2. ZADANIE PROGRAMOWANIA LINIOWEGO ..................... 76
5
WPROWADZENIE
Ekonometria zajmuje si zastosowaniem metod ilociowych do mierzenia, analizy i prognozowania zjawisk i relacji gospodarczych, przez
co zalicza si do szeroko rozumianych nauk spoecznych. Mona okreli ekonometri, jako t dziedzin, ktra wykorzystujc aparat statystyki i matematyki wprowadza metody ilociowe do nauk spoecznych,
a zwaszcza ekonomii. Dziki temu pozwala ona nada aspekt ilociowy wielu zjawiskom. Od ekonometrii mona oczekiwa potwierdzenia wielu hipotez, stawianych przez badaczy. Wyniki modeli dostarczaj rwnie informacji, ktre wskazuj na si zalenoci oraz ich kierunek i ewentualne opnienie w czasie. Dlatego ekonometria potwierdza wiele badanych praw spoecznych czy ekonomicznych. Dodatkowo ekonometria daje narzdzia wykorzystywane w wielu dziedzinach
ycia. Bardzo czsto uytkownik rozmaitych informacji nie zdaje sobie
nawet sprawy z faktu, e s one dostarczone przez oszacowany wczeniej model ekonometryczny.
Ekonometria moe by rozumiana na dwa sposoby. Pierwszy dotyczy wskiego rozumienia narzdzi ekonometrycznych, gwnie modeli
procesw i zjawisk gospodarczych. Rozumiejc ekonometri w wskim
sensie, mona uzna, e jest to nauka pozwalajca modelowa zjawiska
zachodzce w rzeczywistoci i werykowa hipotezy ekonomiczne dotyczce tych zjawisk, a take umoliwiajca prognozowanie wynikw
dziaalnoci gospodarczej na podstawie oszacowanych modeli.
Drugie szersze rozumienie ekonometrii uwzgldnia stosowany
aparat statystyczny nie tylko do analiz modeli. W tym przypadku chodzi
bardziej o optymalizacj procesw i podejmowanych decyzji. W takim
znaczeniu jest ona czci nauk zarzdzania, a zwaszcza bada operacyjnych. Szczeglnie czsto wwczas kojarzona jest z programowaniem liniowym, czy szerzej programowaniem matematycznym (kwadratowym, nieliniowym).
Zastosowanie bada operacji jest atwo widoczne w procesach optymalizacji logistyki. Ta cz procesu dostawy towaru od producenta do
7
odbiorcy moe by w stosunkowo prosty sposb optymalizowana, a czsto olbrzymie koszty dostaw mog by kontrolowane przez uytkownikw modeli. Niniejsza praca zawiera jedynie cz szerokiego obszaru
sucego optymalizacji logistyki, ogranicza si mianowicie do zagadnienia programowania transportowego.
Ekonometria jak to ju zaznaczono jest dziedzin, ktra suy dostarczeniu informacji i potwierdzeniu wielu stawianych hipotez. Dziki niej mona zbada si zalenoci i na tej podstawie podejmowa decyzje, zarwno w skali makro, jak i mikro. Wspczesne metody ekonometryczne umoliwiaj budow modeli, odpowiadajcych zjawiskom
gospodarczym tak w skali kraju, jak i gospodarstwa domowego. wiadcz o tym przyznane przed kilku laty nagrody Nobla wanie dla badaczy zjawisk w skali mikro, obejmujcych przede wszystkim optymalizacj budetw domowych.
Niniejsza ksika to szersza, uaktualniona i poprawiona wersja pracy
Wstp do ekonometrii z zadaniami. Stanowi ona efekt wieloletniej pracy
dydaktycznej ze studentami studiw dziennych i zaocznych. W pracy
rozszerzono przede wszystkim praktyczn stron tematu. Przedstawiono te przykady zada wraz z rozwizaniami, a do niektrych zada, po
zakoczeniu kadego rozdziau, przedstawiono odpowiedzi lub wskazwki do ich rozwizania. W pewnych przypadkach zwaszcza zada trudniejszych pokazano cae rozwizania. Dlatego te podrcznik
moe stanowi podstawow pomoc dla studiujcych ekonometri na
wyszych uczelniach. Oczywicie, osoby studiujce ekonometri jako
gwny kierunek, znajd bogat literatur, rwnie w jzyku polskim.
Niniejsza praca moe by wstpem, dajcym podstawy do bardziej
zaawansowanych studiw. Z drugiej strony, dla studentw kierunkw
zwizanych z nansami, zakres pracy jest wystarczajcy do poznania
i pynnego wykorzystywania instrumentw ekonometrii. Zakres tematw oraz sposb ich omwienia wskazuj, e podrcznik adresowany
jest przede wszystkim do studentw, dla ktrych ekonometria nie jest
podstawowym kierunkiem studiw; pozwala jedynie na zapoznanie si
z t dziedzin w sposb podstawowy. Ksika prezentuje najwaniejsze
metody estymacji, a take wybrane metody werykacji uzyskanych wynikw w trakcie modelowania i estymacji parametrw strukturalnych
modeli. Daje podstawow wiedz w zakresie ekonometrii.
Koniecznym warunkiem do studiowania zawartego w ksice materiau jest znajomo w co najmniej podstawowym stopniu matema8
Rozdzia 1
ELEMENTY ALGEBRY LINIOWEJ
Algebra liniowa jest t czci matematyki wyszej, ktra znajduje zastosowanie w szacowaniu parametrw strukturalnych modeli ekonometrycznych. Ju samo zbieranie danych, na podstawie ktrych szacowane s pniej parametry, odbywa si za pomoc macierzy. Kolejne
przeksztacenia, mnoenia czy odwracanie macierzy to dziaania nalece do algebry. Dlatego warunkiem poznania metod ekonometrycznych jest wczeniejsze poznanie, czy waciwie przypomnienie sobie
zasad algebry. Do materiau ekonometrii objtego niniejsz ksik wystarczaj podstawy algebry. Zostay one przedstawione poniej.
1.1. PRZESTRZE WEKTOROWA (LINIOWA)
Niepusty zbir, ktrego elementami s wektory i na ktrym okrelone s dwa dziaania:
dodawanie kadej parze wektorw jest przyporzdkowany pewien
wektor nalecy do tej przestrzeni zwany ich sum,
mnoenie wektora przez liczb rzeczywist kadej parze wektora,
liczba przyporzdkowany jest pewien wektor nalecy do tej przestrzeni, zwany iloczynem wektora i liczby nazywamy przestrzeni
wektorow.
Rwnowany z powyszym zapisem jest zapis mwicy, e przestrzeni wektorow n-wymiarow nazywamy n-wymiarow przestrze
arytmetyczn, na ktrej elementach zostay okrelone dwa dziaania: dodawanie i mnoenie przez liczb rzeczywist. Elementy n-wymiarowej
przestrzeni arytmetycznej, na ktrych zostao okrelone dodawanie
i mnoenie przez liczb rzeczywist, nazywamy wektorami1.
Wektory bdziemy oznacza maymi literami pgrubymi w odrnieniu od liczb, zwanych skalarami. Elementami wektora s liczby, dla1
Wektory bdziemy oznacza maymi literami alfabetu aciskiego, pisane tustym (pogrubionym)
drukiem a, b. Wektor, dopki nie bdzie na nim wykonana operacja transpozycji, bdzie uwaany za
wektor kolumnowy.
11
tego te s one przedstawiane zwyk czcionk. Wektor a bdziemy zapisywa w postaci jednej kolumny (wektor kolumnowy), a jego transpozycj (oznaczan literT) w postaci wiersza. Transponowanie oznacza zamian kolumny na wiersz. Pokazuje to przykadowy zapis wektora trzyelementowego:
& 2#
a = $$3!!
$%1 !"
oraz
aT =
[2 3 1]
&1 #
b = $$0!!
$%2!"
& 2 ' 1#
c = $$ 3 ' 0 !!
$%4 ' 2!"
& 3#
czyli c = $$3!! .
$%6!"
Wektor ten ma take n wsprzdnych, bdcych sumami odpowiednich wsprzdnych wektorw dodawanych.
Iloczynem liczby rzeczywistej i wektora aT = (a1, a2, ..., an) nazywamy wektor
aT = (a1, a2, ..., an) = (a1, a2, ..., an),
ktrego wsprzdne s rwne iloczynowi odpowiednich wsprzdnych wektora a przez liczb .
PRZYKAD 1.2. Wylicz wektor b, bdcy iloczynem liczby 10
i wektora wierszowego aT = (2, 3, 4).
12
& 2#
a = $$3!! ,
$%4!"
!=10
Wektorem zerowym nazywamy wektor, ktrego wszystkie wsprzdne s rwne zero. Oznaczamy go 0. Bardzo wane, zwaszcza z punktu
widzenia zastosowania w metodzie SIMPLEX s macierze jednostkowe, ktrych skadowymi s wektory jednostkowe. Std wektorem jednostkowym bdziemy nazywa wektor, ktrego elementami s zera,
poza jednym elementem, ktry ma warto 1. Poniej pokazano trzy
wektory jednostkowe w przestrzeni 3-wymiarowej
&1#
e1 = $$0!!
$%0!"
&0 #
e2 = $$1!!
$%0!"
&0 #
e3 = $$0!! .
$%1!"
&1 0 0#
A = $$0 1 0!! .
$%0 0 1!"
Innym wanym pojciem w algebrze jest iloczyn skalarny. Jest on
iloczynem dwch wektorw, pierwszego w postaci transponowanej
i drugiego w postaci kolumnowej. Iloczyn taki jest sum iloczynw poszczeglnych par elementw obu wektorw. Pokazane zostao to poniej.
Niech
aT = (a1, a2, ..., an), bT = (b1, b2, ..., bn).
Iloczynem skalarnym wektorw a i b nazywamy liczb
n
aT b = ! ai bi ,
i "1
czyli
aT b = a1b1 + a2 b2, +...+ anbn
13
jest liczb (skalarem). W ekonometrii wykorzystywane s czsto iloczyny skalarne wektorw obserwacji zmiennych objanianych i objaniajcych. Std warto zapamita, e iloczyn skalarny aT a jest sum kwadratw elementw wektora.
PRZYKAD 1.3. Wylicz iloczyn skalarny wektora a i wektora b,
gdzie wektory w postaci wierszowej maj posta
aT = (2, 3, 4) i bT = (1, 0, 2).
&1 #
&1 #
$
!
T
b = $0! a ich iloczyn a b = [2 3 4] $$0!! = 2 1 + 3 0 +4 2 = 10.
$%2"!
%$2"!
& 2#
a = $$3!!
%$4"!
!# a
i "1
=0
Dopiero po tym wstpie mona zdeniowa wektory liniowo niezalene. Ukad wektorw (a1, a2, ..., ak) nazywamy liniowo niezalenym,
gdy
14
!# a
i "1
= 0,
& 2#
&1 # &0 #
$
!
!1a + !2b = !1 $3! + !2 $$0!! = $$0!! .
$%4!"
$%2!" $%0!"
Jak atwo wida jednoczenie powyszy ukad trzech rwna z dwiema niewiadomymi speniaj jedynie 1 oraz 2 jednoczenie rwne zerom. Oznacza to, e te dwa wektory s liniowo niezalene.
PRZYKAD 1.5. Wyka, e wektory a, b i c, s liniowo zalene, gdzie
wektory w postaci wierszowej maj posta aT = (2, 3, 4) i bT = (1, 0, 2),
cT = (1, 3, 2).
Podobnie jak poprzednio wektory mnoymy przez liczby 1, 2 oraz
3 i szukamy dla jakich 1, 2 oraz 3 ich kombinacja liniowa jest rwna
wektorowi zerowemu:
&1 # &0 #
& 2#
&1 #
!1a + !2b + !3c = !1 $$3!! + !2 $$0!! + !3 $$3!! = $$0!! .
$%2!" $%0!"
$%4!"
$%2!"
Ponownie atwo wida, e powyszy ukad jest speniony rwnie
dla innych 1, 2 oraz 3, ni wszystkie jednoczenie rwne zero. Takim
przykadem jest ukad: 1 = 1, 2 = 1 oraz 3 = 1. Dla tych liczb kombinacja jest rwna wektorowi zerowemu. Mona zatem potwierdzi, e
wektory s liniowo zalene. Kady z nich mona przedstawi jako kombinacj liniow dwch pozostaych. W szczeglnoci wektor c jest rwny rnicy pomidzy wektorem a i wektorem b.
15
TWIERDZENIE 1.1. Ukad wektorw (a1, a2, ..., ak) jest liniowo zaleny wtedy i tylko wtedy, gdy przynajmniej jeden z tych wektorw jest
liniow kombinacj pozostaych.
TWIERDZENIE 1.2. Kady ukad n + 1 wektorw przestrzeni Rn
jest liniowo zaleny.
Dowd drugiego twierdzenia jest automatyczny, jeeli wiemy, e
baz przestrzeni wektorowej Rn nazywamy kady ukad n liniowo niezalenych wektorw tej przestrzeni. Baza rozpina przestrze. Kady wektor tej przestrzeni mona przedstawi, jako kombinacj liniow
wektorw tej bazy.
1.2. MACIERZE I DZIAANIA NA NICH
Ukad m x n liczb (lub funkcji) aij zapisany w postaci tablicy
& a11 a12
$ a 21 a 22
$
$ ... ...
$
%am1 am 2
...
...
...
...
a1 n #
a 2 n !!
... !
!
amn "
16
natomiast
&2 0 #
AT = $$3 ' 2!!
$%1 5 "!
ma wymiary 3 x 2.
Pierwsza kolumna macierzy A jest pierwszym wierszem macierzy
transponowanej, druga kolumna drugim wierszem i trzecia kolumna trzecim wierszem.
17
&5 2#
B= $
!,
%3 4"
&3 ' 5#
$
2!
C = $1
!,
3
$5 0 !
%
"
&2 2 4#
D = $$1 2 4!! ,
$%4 5 1 !"
&2 2 0#
E = $$0 3 4!! ,
$%0 0 1 !"
&2 0 0#
F = $$0 3 0!! ,
$%0 0 1!"
gdzie cztery kolumny macierzy A odpowiadaj czterem wierszom macierzy B, a w wyniku mnoenia otrzymujemy macierz C3x5 o liczbie
wierszy macierzy A i liczbie kolumn macierzy B.
Niech A = [aij], B = [bij], C = [cij] bd macierzami o wymiarach m x n.
Macierz C jest sum macierzy A i B, co zapisujemy A + B = C, wtedy i tylko wtedy, gdy wszystkie cij = aij + bij, dla kadego i = 1,2, ..., m,
j = 1,2, ..., n.
PRZYKAD 1.9. Niech bd dane macierze:
&0 1 4 #
A= $
!,
%3 1 5 "
&5 2#
B= $
!,
%3 4"
& 2 0 2#
C= $
!,
%4 3 0"
2 1 6
7 4 5
19
&2 0 #
B = $$3 ' 2!!
$%1 5 !"
&0 1 4 #
A= $
!,
%3 1 5 "
&0 3#
C = 2 $$1 1!! + (-1)
$%4 5!"
Macierzy D nie mona wyliczy, poniewa dodawanie wymaga takich samych wymiarw obu macierzy. W przykadzie A i B maj rne wymiary.
1.2.2. Mnoenie macierzy
Jeeli macierz A= [aij] ma wymiary m x k, a macierz B = [bpr] ma
wymiary k x n, to macierz A moemy pomnoy przez macierz B. Mnoenie macierzy (w odrnieniu od mnoenia liczb) nie jest przemienne.
Wewntrzne wymiary mnoonych macierzy s tu jednakowe i rwne
k. Wynik mnoenia bdzie mia wymiary zewntrzne macierzy, to jest
m x n.
Iloczynem A B macierzy nazywamy tak macierz C = [cir] o wymiarach m x n, ktrej elementy s okrelone wzorami
! a ij bjr
j "1
dla i = l, 2, ..., m oraz r =1, 2, , n. Zauwamy, e elementy cir macierzy C s iloczynami skalarnymi i-tego wiersza macierzy A przez k-t
kolumn macierzy B. Zgodnie z poprzednio dokonan obserwacj moemy stwierdzi, e na og A B B A.
PRZYKAD 1.11. Wykonamy mnoenie macierzy A i B, gdy
&2 3 #
A = $$1 ' 2!! ,
$%0 4 !"
20
&a b #
B= $
!
%c d "
Zapiszmy wymiary danych macierzy w postaci: A(3 x 2), B(2 x 2). Liczba
kolumn w A jest rwna liczbie wierszy w B, mnoenie jest wic wykonalne.
&2 3 #
&2a ( 3c 2b ( 3d #
&a b #
!
$
= $$ a ' 2c b ' 2d !!
AB = $1 ' 2! $
!
c d"
$%0 4 !" %
$% 4c
4d !"
1.2.3. Wyznacznik
Przed wprowadzeniem samego wyznacznika konieczne jest poznanie kilku poj, ktre s wykorzystywane przy liczeniu wyznacznikw z
macierzy. Do takich poj naley rzd macierzy, operacja elementarna,
czy dopenienie algebraiczne.
Rzdem macierzy A o wymiarach m x n nazywamy maksymaln liczb liniowo niezalenych wierszy lub kolumn w tej macierzy. Liczb t
oznaczamy przez rz(A). Rzd macierzy kwadratowej, ktra czsto wystpuje w ekonometrii (np.: XTX) powinien by rwny wymiarowi tej
macierzy. W przeciwnym przypadku nie jest bowiem moliwe wyliczenie macierzy odwrotnej.
Operacj elementarn na macierzy nazywamy kade z nastpujcych przeksztace:
a) mnoenie przez dowoln liczb rn od zera wszystkich elementw dowolnego wiersza (kolumny) macierzy,
b) dodawanie do elementw dowolnego wiersza (kolumny) odpowiednich elementw innego wiersza (kolumny) macierzy,
c) zamiana miejscami (przestawienie) dwch dowolnych wierszy (kolumn) macierzy.
Operacje te odpowiadaj mnoeniu przez pewne nieosobliwe (majce rzd rwny liczbie wierszy i kolumn, macierzy kwadratowe) macierze, przy czym dziaania na wierszach odpowiadaj mnoeniu lewostronnemu a dziaania na kolumnach mnoeniu prawostronnemu.
Operacje elementarne nie zmieniaj rzdu macierzy. Dziki operacjom elementarnym mona macierz zredukowa do postaci skadajcej si tylko z liniowo niezalenych wierszy lub kolumn i w ten sposb
mona bardzo atwo wyznaczy rzd tej macierzy.
PRZYKAD 1.12. Znajd wynik dokonania operacji elementarnej,
polegajcej na pomnoeniu macierzy A przez macierz E, gdzie
21
&5 2#
A= $
!,
%3 4"
&0 1 #
E= $
!.
%1 0"
det A =
gdzie: k1, k2, ..., kn jest permutacj liczb 1, 2, ... n, liczba jest liczb
inwersji2 w tej permutacji natomiast sumowanie odbywa si wzgldem
wszystkich n! permutacji liczb 1, ..., n.
PRZYKAD 1.13. Na podstawie denicji obliczymy wyznacznik
macierzy kwadratowej drugiego stopnia
22
&5 2#
A= $
!.
%3 4"
Mamy tu macierz stopnia drugiego. Zatem w macierzy
&a
A = $ 11
%a 21
a12 #
a 22 !"
a12 #
= (1)0 a11a22 + (1)1a12a21 = a11a22 a12a21.
!
a 22 "
&5 2#
det A = $
! = 5 4 3 2 = 20 6 = 14
%3 4"
Wyznacznik macierzy wynosi 14.
Podobnie prosto z denicji mona policzy wyznacznik macierzy
trzeciego stopnia.
PRZYKAD 1.14. Na podstawie denicji obliczymy wyznacznik
macierzy
& 2 1 0#
A = $$0 2 3!!
$%2 1 1!"
Jest to wyznacznik macierzy stopnia trzeciego, a wic macierzy postaci oglnej:
23
& a11
A = $$a 21
$% a31
a12
a 22
a32
a13 #
a 23 !!
a33 !"
Wszystkich permutacji wskanikw stojcych przy elementach macierzy, czyli liczb 1, 2, 3 mamy 3! = 6. Wypiszmy je i obliczmy liczb
inwersji w kadej permutacji:
1, 2, 3, k1 = 0,
1, 3, 2, k2= 1 (liczba 3 poprzedza liczb 2),
3, 1, 2, k3= 2 (liczba 3 poprzedza liczby 1 i 2),
2, 1, 3, k4= 1 (liczba 2 poprzedza liczb 1),
2, 3, 1, k5= 2 (liczby 2 i 3 poprzedzaj liczb 1),
3, 2, 1, k6= 3 (liczba 2 i 3 poprzedzaj liczb 1 oraz 3 poprzedza 2).
Dlatego te
& a11
$a
$ 21
$ a31
$
$ a11
$%a 21
a12
a 22
a32
a12
a 22
a13 #
a 23 !!
a33 ! ,
!
a13 !
a 23 !"
ktrej elementy uoone w iloczyny trjkowe w d dodajemy a iloczyny trjkowe do gry odejmujemy. Suma tak wyliczonych iloczynw
daje w wyniku wyznacznik macierzy.
PRZYKAD 1.15. Na podstawie pokazanej metody obliczymy ponownie wyznacznik macierzy
& 2 1 0#
A = $$0 2 3!!
$%2 1 1!"
W tym celu dopisujemy na dole macierzy dwa pierwsze wiersze
i mnoymy, piszc u dou z plusem a u gry z minusem:
0 6 0
2
0
2
0
0
3
1
0
2 3
1
2
1
1
+4+0+6
W wyniku dodania 6 + 10 trzymamy wyznacznik rwny 4.
Wyznaczniki macierzy wyszych stopni mona oblicza poprzez
rozwinicie Laplace`a macierzy wedug ktrego wiersza, zwykle tego,
w ktrym jest najwicej elementw zerowych. Naley pozna pojcie
minoru elementu aij. Jest to wyznacznik macierzy powstaej poprzez
wykrelenie i-tego wiersza i j-tej kolumny macierzy. Kofaktorem elementu aij nazywamy minor pomnoony przez (1)i+j. Wwczas wy25
& 2 1 0#
A = $$0 2 3!!
$%2 1 1!"
Przyjmijmy i=2, gdy w wierszu tym wystpuje zero, co pozwoli
na to, by nie liczy wszystkich wyznacznikw. Wybralimy wic drugi
wiersz danej macierzy. Zatem
2 1
2 0
1 0
+ 2 (1)2+2
+ 3 (1)2+3
=
2 1
1 1
2 1
= 0 + 2(2) + 3(1)(2 2) = 4
det A = 0 (1)2+1
aik Aik
lub
k "1
aik Aik
i "1
(1)
aik Aik
k "1
albo
(2)
aik Aik
i "1
gdzie: i lub k jest jedn z liczb: 1, 2, ..., n. Wzory (1), (2) s zwane wzorami Laplace.
PRZYKAD 1.17.Aby obliczy wyznacznik macierzy
0
&2
$ 1 '2
A= $
$2
5
$
%' 1 2
0
0
0
3
0#
0!!
3!
!
1"
wybieramy wiersz pierwszy, poniewa w wierszu tym s 3 elementy zerowe. Dziki temu wyznacznik macierzy danej jest rwny iloczynowi
elementu 2 (a11) pomnoonemu przez wyznacznik pozostaej macierzy.
Ponownie, tym razem do wyznacznika macierzy trzeciego stopnia warto wzi jej wiersz pierwszy. Obok liczby 2 ma dwa pozostae elementy zerowe. Oznacza to, e wyznacznik tej macierzy wyniesie:
&0 3#
det A = 2 ! (2) $
! = 2 ! (2) ! (9) = 36
%3 1"
3. Wyznacznik macierzy o jednakowych dwu wierszach (lub kolumnach) jest rwny zero.
4. Jeeli w macierzy A pomnoymy elementy jednego wiersza (lub
kolumny), przez liczb , to wyznacznik otrzymanej macierzy
jest rwny det A.
5. Jeeli do elementw pewnego wiersza (lub kolumny) macierzy
A dodamy odpowiednie elementy innego wiersza (lub kolumny)
tej macierzy pomnoone przez dowoln sta, to otrzymamy macierz, ktrej wyznacznik jest rwny det A.
6. Wyznacznik macierzy zawierajcej wiersz wektor zerowy (kolumn-wektor zerowy) jest rwny zero.
7. Wyznacznik macierzy diagonalnej lub trjktnej jest rwny iloczynowi elementw na gwnej przektnej.
1.2.4. Macierz odwrotna
Jeeli A jest macierz kwadratow i jej wyznacznik jest rny od
zera, to A nazywamy macierz nieosobliw. W przeciwnym razie macierz kwadratow o wyznaczniku zero nazywamy macierz osobliw.
Macierz nieosobliwa to macierz, ktrej rzd jest rwny liczbie wierszy
(kolumn). aden z wierszy (kolumn) nie moe zosta przedstawiony
jako kombinacja liniowa innych wierszy. Oczywicie w macierzy osobliwej wiersz lub kolumna jest kombinacj liniow pozostaych wierszy
lub kolumn.
PRZYKAD 1.18. Sprawd, czy podane poniej macierze s nieosobliwe.
&1 2 3#
&1 2 #
& 2 2 2#
A= $
,
B= $
,
C = $$0 1 2!!
!
!
% 2 4"
%1 0 3 "
%$0 0 1 !"
Macierz A jest macierz kwadratow, ale det A = 1 4 2 2 = 4 4=
= 0. Macierz A nie jest nieosobliwa. Jest macierz osobliw. Wiersz
lub kolumna jest kombinacj liniow drugiego wiersza lub drugiej kolumny. Druga kolumna jest dwukrotnoci kolumny pierwszej. Drugi
wiersz jest dwukrotnoci wiersza pierwszego.
Macierz B take nie jest nieosobliwa, poniewa nie jest macierz
kwadratow.
28
&2 5#
A= $
!,
%1 3"
jest macierz
& 3 ' 5#
A-1 = $
!,
%' 1 2 "
Zgodnie z denicj, iloczynem macierzy A i macierzy do niej odwrotnej jest macierz jednostkowa. Wanie z takim przypadkiem mamy
do czynienia, gdy:
29
&1 2 3 #
C = $$0 1 2!!
$%2 1 1 !"
w macierz jednostkow I trzeciego stopnia. Macierz ta ma 3 wiersze,
oznaczone dalej jako w1, w2, w3. Macierz jest nieosobliwa, mona wic
j przeksztaci w macierz I. Poniej pokazano jeden z kilku sposobw:
Opis operacji na wierszach
Wiersz
w1
w2
w3
1 2 3
0 1 2
2 1 1
w1
1 2 3
w2
0 1 2
w3 2w1
0 3 5
1 0 1
w1 2w2
0 1 2
w2
w3 + 3w2
0 0 1
w1 + w3
1 0 0
w2 2w3
0 1 0
=I
w3
0 0 1
Zgodnie z podanym wczeniej opisem, operacje elementarne na
wierszach, s lewostronnym mnoeniem macierzy przez pewn macierz
nieosobliw Ei reprezentujc wanie i-t operacj elementarn. Kocowy wynik jest iloczynem wszystkich dokonanych mnoe. atwo zauway, e
C=
& 1 0 0#
E1 = $$ 0 1 0!! , E2 =
$%' 2 0 1!"
&1 ' 2 0#
$0 1 0 ! , E =
! 3
$
$%0 3 1!"
&1 0 1 #
$0 1 ' 2 !
!
$
$%0 0 1 !"
A iloczynem tych trzech macierzy jest macierz odwrotna do macierzy C. Wykonujc bowiem mnoenie E3E2E1C otrzymano macierz jednostkow. Mona zatem nawisa nastpujcy wniosek:
Wniosek 1.
Dla nieosobliwej macierzy An mona skonstruowa macierz
B(n x 2n) = [An In]. Wykonujc na wierszach tej macierzy cig odpo30
&1 2 2 #
C = $$1 1 2!!
$%2 1 1 !"
Wykonujemy cig operacji elementarnych na macierzy [CI] tak,
aeby w miejsce macierzy C otrzyma I:
C=
1
1
2
2
1
1
2
2
1
1
0
0
0
1
0
0
0
1
w1
w2 w1
w3 2w1
1 2 2
0 1 0
0 3 3
1 0 0
1 1 0
2 0 1
w1 + 2w2
w2
w3 3w2
1
0
0
1
0
0
1 2 0
1 1 0
1 3 1
1/3 0 2/3
1 1 0
1/3 1 1/3
C-1
w1 + 2/3 w3
w2
1/3 w3
Sprawdzenie :
0 2
1 0
0 3
0 0
1 0
0 1
I3
31
A-1 =
(3)
1
[ Aij]T ,
det A
0 2
1 2
=4,
= 1,
C12 = (1)1+2
2 1
1 1
0 1
= 2,
C13 = (1)1+3
2 1
C11 = (1)1+1
C21 = (1)2+1
2 3
= 1,
1 1
C23 = (1)2+3
C22 = (1)2+2
1 3
= 5,
2 1
1 2
= (14) = 3
2 1
2 3
1 3
= 1,
C32 = (1) 3+2
= 2 ,
1 2
0 2
1 2
=1
C33 = (1)3+3
0 1
C31 = (1)3+1
C -1
1 #
&'1 1
$ 4 ' 5 ' 2! .
!
$
$%' 2 3
1 !"
32
1 ,
det B-1
e) (kB)-1 =
1 -1
B ,
k
gdy k ! 0.
&2 5#
A= $
!,
%1 3"
&2 3#
B= $
!,
%4 5"
Ad . a)
C12 = 14,
C-1 = (AB)-1 =
1
2
C22 = 24,
& 3 ' 5#
A-1 = $
!,
%' 1 2 "
& 5
'
B-1 A-1 = $ 2
$ 2
%
C21 = 31,
B-1 =
5
1 & 5 ' 3# &'
$
=
2
2 $%' 4 2 !" $ 2
%
3#
2 !,
' 1!"
&2 1#
T -1
AT = $
! , (A ) =
5
3
%
"
& 3 ' 1#
-1 T
$' 5 2 ! , (A ) =
%
"
& 3 ' 1#
$' 5 2 ! ,
%
"
33
czyli (AT)-1 = (A -1 )T .
Ad. c)
& 3 ' 5#
A-1 = $
!,
%' 1 2 "
det A-1 = 1,
& 2 5#
(A -1 )-1 = $
!.
%1 3"
& 5
'
B = $ 2
$ 2
%
-1
& 5
'
det B = $ 2
$ 2
%
3#
2 !,
' 1!"
-1
3#
5
1
2! = -3= ;
2
' 1!" 2
&2 3#
det B = $
! = 10 12 = 2
%4 5"
1
Zatem det B-1 =
det B
Ad. e)
&2k 3k #
C = kB = $
!,
% 4 k 5k "
C11 = 5k,
C12 = 4k,
C-1 = (kB)-1 =
B-1 =
1
2
1 & 5k
$
2k 2 % ' 4k
& 5 ' 3#
$' 4 2 !
%
"
Zatem (kB)-1 =
34
1 -1
B .
k
C22 = 2k,
' 3k #
1 & 5 ' 3#
.
=
!
2k "
2k $%' 4 2 !"
Rozdzia 2
MODELE EKONOMETRYCZNE
2.1. ZADANIA EKONOMETRII
Arthut S. Goldberger1 we wstpie do pierwszego rozdziau Teorii
ekonometrii napisa, e gwnym celem ekonometrii jest wyposaenie teorii ekonomii w tre empiryczn. Stwierdzenie to jest najwaniejszym zadaniem ekonometrii. Ekonometria dysponuje szerok skal metod umoliwiajcych osignicie tego celu. Ekonomia stawia hipotezy,
ktre mona w sposb stosunkowo atwy potwierdzi lub podway za
pomoc ekonometrii. Poznanie tych waciwoci ekonometrii daje moliwo wykorzystania jej w praktyce gospodarczej, czyli w polityce gospodarczej, ktra bazuje na potwierdzonych prawach ekonomicznych.
To potwierdzenie, zarwno co do kierunku zalenoci jak i jej siy jest
moliwe dziki ekonometrii.
Obszerny program nauczania ekonometrii obejmuje teori ekonomii,
matematyk, statystyk matematyczn, metodologi bada spoecznych
i analiz empiryczn. W kadym przypadku, przy tworzeniu modeli odzwierciedlajcych zalenoci czy prawa ekonomiczne naley pamita
o cechach i specyce praw ekonomicznych2. Istnieje bowiem zasadnicza rnica pomidzy statystyk matematyczn a ekonometri analizujc zalenoci ekonomiczne, ktre nie s wynikiem powtarzalnych
kontrolowanych eksperymentw.
Podstawowym narzdziem wykorzystywanym w ekonometrii
w skim jej znaczeniu - jest model ekonometryczny. Model przedstawia
wybrane zalenoci ekonomiczne w formie zwykle wielu rwna, chocia czasami rwnie w postaci jednego rwnania. Celem analizowanego rwnania jest przedstawienie w uproszczonej formie tych zalenoci, ktre s najbardziej istotne i pozwalaj najlepiej pozna rodzaj i si
zalenoci.
1
2
35
Model, bdc zasadniczym uproszczeniem zalenoci, musi uwzgldnia zalenoci pozostae a take elementy probabilistyczne. Praktyczna
ekonomia - realizowana poprzez konkretne dziaania ludzi, na przykad
poprzez nabywanie dbr, nie musi pokrywa si z teori ekonomii. Decyzje ludzi zawieraj elementy dziaa, ktre mog nie odpowiada poznanym prawom ekonomicznym. Moemy stwierdzi, e rzeczywisto
ekonomiczna jest w znacznym stopniu losowa. Taka te jest rzeczywisto badana przez modele ekonometryczne. Std znaczenie takich nauk
jak rachunek prawdopodobiestwa czy statystyka matematyczna.
Model ekonometryczny to jedno lub wiele rwna, z ktrych co najmniej jedno zawiera skadnik losowy. Mwic o modelu ekonometrycznym jakiego zjawiska, mylimy o uproszczonym opisie rzeczywistoci.
Uproszczenie oznacza, e w modelu nie wystpuj wszystkie zmienne,
jakie w rzeczywistoci opisuj analizowane zjawisko. Rzeczywisto
jest znacznie bardziej skomplikowana, ni skadajcy si z wielu rwna
model. Dlatego te, w przypadku ekonometrii mamy do czynienia z modelem zawierajcym rwnania stochastyczne i z tego powodu bdziemy do modeli ekonometrycznych stosowa narzdzia statystyki matematycznej a nie po prostu rozwizywa ukad rwna matematycznych.
2.2. POSTA MODELU
Przedmiotem tej czci ksiki jest ekonometryczny model jednorwnaniowy. Jest to model, ktry wyjania zachowanie jednej zmiennej,
zwanej zmienn objanian lub zalen. Wikszo modeli wykorzystywanych praktycznie do analiz ma jednak wicej ni jedno rwna.
Wwczas mamy do czynienia z modelem wielorwnaniowym.
Oglna posta modelu wielorwnaniowego wyglda nastpujco:
gdzie:
Y1t = !0 + !1Y2t + ... + !m-1Ymt
...
...
...
...
...
...
...
...
...
...
...
Ymt = $0 + $1Y1t + ... + $m-1Ym-1,t + $m+1X1t + $m+2X2t + ... + $m+kXkt + "mt
38
zawieraj biece3 i opnione zmienne objaniane przez model, podczas gdy zmienne egzogeniczne to biece i opnione zmienne nie objaniane przez model, czyli majce cech objaniajc a nie bdce wyjanianymi przez model. Jak atwo wida, adna ze zmiennych nie moe
by nieobjanian i objanian jednoczenie. Std stwierdzenie, e zbiory te musz by rozczne.
W przypadku modeli wielorwnaniowych zmienne dzielimy dodatkowo na zbiory:
E zmienne cznie wspzalene,
F zmienne z gry ustalone.
Zmienne cznie wspzalene to wymienione wczeniej zmienne
endogeniczne ale nieopnione, czyli majce subskrypt t. Natomiast
zmienne z gry ustalone to zmienne egzogeniczne i opnione zmienne
endogeniczne. Podobnie atwo stwierdzi, e rwnie te zbiory s rozczne.
PRZYKAD 2.2. Znajd zbiory A,B, C, D, E, F dla zmiennych wystpujcych w modelu z Przykadu 2.1.
Zgodnie z podanymi powyej denicjami moemy zapisa, e w modelu pokazanym w Przykadzie 2.1 wystpuj nastpujce zbiory zmiennych:
A = {PSt, PBt, CBt},
B = {Dt, Dt-1, CBt, PSt + PSt-1, PSt},
C = {PSt, PBt, CBt},
D = {Dt, Dt-1, PSt + PSt-1},
E = {PSt, PBt, CBt},
F = {Dt, Dt-1, PSt + PSt-1}.
Jak wida w przykadzie tym nie wystpuj opnione zmienne objaniane, co oznacza, e zbiory A, C i E zawieraj te same elementy. Podobnie rwne s zbiory D i F.
2.4. KLASYFIKACJA MODELI EKONOMETRYCZNYCH
Klasykacji modeli mona dokona na wiele sposobw. Stosowane kryteria pozwalaj na wybr metod estymacji modeli. Oznacza to,
3
Zmienne biece wystpuj w czasie t, co zapisujemy przykadowo jako CBt. Zmienne opniona
wystpuje w okresach wczeniejszych. Na przykad s to dane dla danego zjawiska, wystpujce przed
rokiem, co zapisujemy w postaci subskryptu CBt-1 i odpowiednio np. zmienna CBt-1 reprezentuje warto
tej zmiennej przed dwoma laty.
39
e wrd modeli stosowanych w praktyce konieczne jest okrelenie modelu, przeprowadzenie waciwego postpowania, ktrego celem jest
przygotowanie do estymacji, i wreszcie wykorzystanie waciwej metody estymacji modelu. W niektrych przypadkach konieczne jest przeprowadzenie dodatkowych testw, ktre pomog dostosowa dane do
modelu, bd te zwerykuj suszno stosowanej metody estymacji.
Ta ksika, majc charakter podrcznika wstpnego do nauki ekonometrii, ogranicza si jedynie do modeli jednorwnaniowych i liniowych. Pominite zostan sposoby estymacji modeli wielorwnaniowych. Rwnie wikszo testw nie zostanie tu nawet wspomniana.
Dla czytelnika chccego zgbi wybrane zagadnienia nie powinno by
problemu ze znalezieniem prac bardziej zaawansowanych4.
Zwykle modele ekonometryczne klasykujemy ze wzgldu na pi
kryteriw. Poniej przedstawiono opis tych kryteriw wraz z ilustrujcymi je przykadami.
KRYTERIUM 1. Liczba rwna w modelu.
- modele jednorwnaniowe, opisujce zachowanie si jednej zmiennej,
- modele wielorwnaniowe, w ktrych kade rwnanie objania jedn zmienn.
PRZYKAD 2.3. Dokonaj klasykacji modelu wystpujcego
w przykadzie 2.1. Zaproponuj posta jednorwnaniowego modelu ekonometrycznego opisujcego popyt na samochody.
W przykadzie 2.1. wystpuj 3 rwnania. Opisuj one ksztatowanie
si trzech zmiennych objanianych:
PSt efektywny popyt na samochody (faktyczna sprzeda samochodw) w roku t,
CBt cena benzyny w roku t,
PBt efektywny popyt na benzyn (faktyczna sprzeda benzyny w tonach) w roku t.
Model ten czy w sobie znany z teorii ekonomii efekt popytu na do4
W tej pracy nie bdziemy analizowa ju metod doboru zmiennych do modelu. Jest to bardzo wana
cz nauki, pozwala bowiem na zwikszenie informacji, ktrej dostarcza model. W tym przypadku
warto sign do prac profesora Z. Hellwiga. Rwnie praca zbiorowa M. Gruszczyskiego, M.
Kolupy, E. Leniewskiej, G. Napirkowskiej: Miary zgodnoci, metody doboru zmiennych, problemy
wspliniowoci, PWN, Warszawa, 1979, zawiera opis metod doboru zmiennych do modelu. Ponadto
w pracy tej pokazane s spotykane w modelach problemy wspliniowoci i metody eliminacji tego
zjawiska.
40
Dobra wystpujce razem (samochd i benzyna, aparat cyfrowy i pami) w odrnieniu od dbr
substytucyjnych (maso i margaryna).
W ekonometrii wystpuje rwnie analiza rwna wyjtych, czyli analizowane jest jedno rwnanie
wyjte z modelu wielorwnaniowego.
Cobb C.W., Douglas P.H.: A Theory of Production, American Economic Review Supplement, 1928.
Szczegowy opis tej funkcji znajduje si w pracy: Dunajewski H.: Struktura i stosowalno funkcji
produkcji typu Cobb-Douglasa, Ekonomista, 1962, Nr 3.
41
W rozumieniu Hicksa. Por. Allen R.G.D.: Teoria makroekonomiczna, PWN, Warszawa, 1975, s. 247
i nastpne.
Jest to jeden z pierwszych modeli ekonomicznych dotyczcych stabilnego wzrostu, uzaleniajc go od
decyzji inwestycyjnych.
42
43
& 1
$' )
B= $ 1
$ ...
$
%' (1
' *1
1
...
'(2
&Y1 #
$Y !
$ 2!
$' !
$ !
%Ym " mx1
44
Szerzej o szacowaniu parametrw za pomoc PMNK pisze: B. Borkowski w pracy Ekonometria, PWN,
2003 na s. 236 i nastpnych. Tame znale mona przykad wykorzystania PMNK i 2MNK.
46
& 1
$ 0
$
$%' ( 1
#
!
!
!
Dt '1 !
!
% PS t 'PS t ' 1"
1
Dt
& + 1t #
= $+ 2 t !
$ !
$%+ 3t "!
Warto w tym miejscu zauway, e zmienna PSt + PSt-1 reprezentuje przyrost zmiennej objanianej w
roku t. Nie jest zatem przyrost objaniany w adnym rwnaniu.
47
49
Niektre z nich mona znale w pracy zbiorowej pod redakcj naukow M. Podgrskiej: Ekonometria,
SGH. Wznowienia tego popularnego podrcznika dla studentw studiw ekonomicznych dokonywane s
prawie corocznie.
50
- rok budowy,
- metoda budowy (wielka pyta, cega tradycyjna, nowe technologie)
- odlego od stacji metra.
atwo sobie wyobrazi, e cena jest uwarunkowana ponadto gr popytu i poday, gdy kade mieszkanie podlega prawom rynku. Istotn
zatem zmienn jest zmienna zerojedynkowa wiadczca o przewadze
popytu (przybiera warto 1) lub poday (przybiera warto 0). Mona zatem zaproponowa posta modelu ekonometrycznego, na podstawie ktrego wyliczona zostanie cena mieszkania, bdcego przedmiotem marze.
PRZYKAD 2.8. Przedstaw posta jednorwnaniowego, liniowego modelu ekonometrycznego wyjaniajcego ksztatowanie si cen
mieszka w rdmieciu Warszawy.
Uwzgldniajc cz zmiennych wyliczonych wczeniej model moe
mie posta:
CMt = 0 + 1PMt + 2LPt + 3PKt + 4PPt + t
gdzie:
CMt cena mieszkania w PLN (t oznacza numer transakcji, mwimy
cena t-tego mieszkania),
PMt powierzchnia mieszkania w metrach kwadratowych,
LPt liczba pokoi w mieszkaniu,
PKt powierzchnia kuchni (w m2),
PPt zmienna zerojedynkowa, przyjmujca warto 1, gdy zauwaalna jest przewaga popytu na mieszkania oraz 0, gdy przewaa poda mieszka,
t skadnik losowy reprezentujcy wszystkie pozostae zmienne.
W dalszej czci, po poznaniu estymatora uzyskanego Klasyczn
Metod Najmniejszych Kwadratw, pokazany zosta przykad uwzgldniajcy niektre z podanych zmiennych, oszacowany na przykadzie danych z jednej z gazet, publikujcych dane z rynku nieruchomoci.
Najoglniej jednorwnaniowy liniowy model ekonometryczny mona przedstawi rwnaniem:
Y = 0 + 1 X1 + 2 X2 + + k Xk + ,
gdzie:
51
52
'1
%1
X= %
%...
%
&1
x11
x 21
x12
x 22
...
x1 n
...
x2n
xk 1 $
macierz
xk 2 ""
zaobserwowanych warto!ci
... "
zmiennych ob"a!nia"#cych
"
xkn # nx ( k !1)
#
!
!
!
!
"
oraz
(! 0 %
&! 1 #
& #
& )) #
! = & # wektor szukanych parametrw
& )) #
strukturalnych modelu.
&'!k #$
( k "1) x1
W takim przypadku, korzystajc z zapisu macierzowego moemy jednorwnaniowy model zapisa w postaci:
y = X +
T posta modelu bdziemy wykorzystywa w dalszych obliczeniach wielokrotnie. Poniej zostanie ona wykorzystana do znalezienia
estymatora parametrw strukturalnych modelu za pomoc Klasycznej
Metody Najmniejszych Kwadratw [KMNK]. Warto przypomnie z nauki statystyki15, e podanymi waciwociami estymatorw s:
- zgodno, to jest zbieno stochastycznie do ;
15
Por. np. J. Jwiak, J. Podgrski: Statystyka od podstaw, PWE, 2001, s. 202 i nastpne. Opisane tam s
zarwno pojcie, jak i podstawowe wasnoci estymatorw.
53
54
Wartoci teoretyczne uzyskane na podstawie modelu bdziemy w odrnieniu od wartoci rzeczywistych, zaobserwowanych, oznacza znakiem dach. Teoretyczne wartoci po oszacowaniu modelu uzyskamy
na podstawie:
= Xa.
Oczywicie w postaci szczegowej, okrelajcej warto teoretyczn zmiennej dla danych z okresu t, tak warto teoretyczn reprezentuje rwnanie:
t = a0 + a1x1t + a2x2t + + akxkt .
Rnic pomidzy wartoci rzeczywist a wartoci teoretyczn
uzyskan na podstawie modelu okrela bdziemy jako reszta. Oznacza
to, e reszt dla okresu t moemy zapisa:
et = yt t,
a reszt takich jest oczywicie n (t = 1, 2, , n ). S one rwne kolejnym
rnicom elementw poniszych wektorw:
& y1#
$' !
Y= $ !
$' !
$ !
% yn "
& y 1#
$' !
oraz ! = $ !
$' !
$ !
% y n "
&e1 #
$' !
e = Y ! = $ !
$' !
$ !
%en "
Po podstawieniu w miejsce postaci modelu uzyskamy zapis:
e = Y = Y Xa.
Metoda najmniejszych kwadratw polega na wyznaczeniu takiego
wektora oszacowa a wektora parametrw , dla ktrego wielko bdca sum kwadratw wszystkich elementw wektora reszt (eTe) osiga
minimum. Interesuje nas zatem minimalizacja wartoci:
eTe = (y Xa)T (y Xa)
55
19
Naley pamita, e wielko ta jest skalarem, co oznacza, e yTXa jest rwne aTXTy
56
1
2
3
4
5
6
7
8
9
10
Cena za mieszkanie
780 000
550 000
800 000
745 000
615 000
485 000
820 000
900 000
550 000
680 000
Powierzchnia
mieszkania w m2
85
55
80
70
65
55
80
100
65
85
Liczba pokoi
6
3
4
4
4
2
5
3
4
2
Do oszacowania parametrw strukturalnych wykorzystamy estymator uzyskany Klasyczn Metod Najmniejszych Kwadratw. Zgodnie z
pokazan powyej postaci estymatora naley wyliczy wektor parametrw, korzystajc z wzoru: a = (XTX)-1 XTy. Model bdzie mia posta:
CMt = 0 + 1PMt + 2LPt + t ,
gdzie:
CMt cena w transakcji t,
PMt powierzchnia mieszkania w transakcji t
LPt liczba pokoi w mieszkaniu z transakcji t,
0 , 1 , 2 parametry strukturalne
t skadnik losowy.
Warto jest zauway, e poszczeglne macierze obserwacji wygldaj nastpujco:
- wektor obserwacji na zmiennej objanianej (cena mieszkania):
780 000
550 000
800 000
745 000
CM = 615 000
485 000
820 000
900 000
550 000
680 000
57
X X=
T
740
56 650
2 775
37
2 775
151
oraz
3,37628560
0,03585839
0,16831487
(X X) =
T
-1
0,03585839 0,16831487
0,00055775 0,00146361
0,00146361 0,07476266
i
6 925 000
528 500 000
26 300 000
X y=
T
58
-1
60
Sgn (ac. signum) oznacza znak, czyli interesuje nas znak przed parametrem (minus, plus).
Ta cz, czyli liczenie wspczynnikw korelacji czy kowariancji, jest znana z zaj statystyki i dlatego
w tej pracy pominiemy wzory na liczenie tych wspczynnikw.
61
W przypadku modelu opisanego w przykadzie 2.9 wspczynniki korelacji zmiennej objaniajcej zarwno ze zmienn metra jak
i liczba pokoi s dodatnie. Model jest zatem koincydentny.
2.7.3. Wspczynnik determinacji R2
Metoda najmniejszych kwadratw ma na celu znalezienie takich parametrw strukturalnych modelu, ktre minimalizuj sum kwadratw
rnic pomidzy wartociami teoretycznymi a empirycznymi. Oznacza
to, e w przypadku ukadu wsprzdnych znajdujemy wartoci ustalajce prostej. Na prostej le wartoci teoretyczne. Rnice pomidzy
miejscami faktycznie zaobserwowanymi a miejscami na prostej, podniesione do kwadratu i zsumowane daj minimaln warto, gdy stosujemy wanie estymator KMNK.
Dla przestrzeni wyszego rzdu znajdujemy zamiast prostej wanie
paszczyzny (hiperpaszczyzny w przestrzeni Rk+1). Dobry model bdzie
plasowa wartoci teoretyczne blisko wartoci empirycznych. Dokadno dopasowania hiperpaszczyzny do danych empirycznych mierzy
si wanie wspczynnikiem determinacji.
PRZYKAD 2.10. Znajd sum kwadratw rnic dla modelu opisanego w przykadzie 2.9.
Zgodnie z danymi uzyskanymi jako wynik zastosowania KMNK do
danych z przykadu 2.9 uzyskano model:
Mt = 2 940 + 7 960 PMt + 27 161 LPt
Poniej przedstawiono w kolejnych kolumnach: y dane rzeczywiste, dane teoretyczne, wyliczone poprzez wstawienie faktycznych
wartoci zmiennych objaniajcych.
62
y
780 000
550 000
800 000
745 000
615 000
485 000
820 000
900 000
550 000
680 000
842 534
522 241
748 410
668 807
629 005
495 080
775 571
880 456
629 005
733 890
suma
yt t
-62 534
27 759
51 590
76 193
-14 005
-10 080
44 429
19 544
-79 005
-53 890
0
(yt t)2
3 910 454 058
770 567 527
2 661 496 673
5 805 394 106
196 144 014
101 608 473
1 973 926 832
381 952 752
6 241 812 526
2 904 178 145
24 947 535 107
63
! ( y
R2 =
t "1
n
!(y
t "1
=1
" y)2
=1
" y)
!(y
t "1
n
!(y
t "1
T
" y t ) 2
=
" y)
e Te
y y " aT X T y
=
1
y T y " ny 2
y T y " ny 2
Dla liniowego modelu ekonometrycznego z wyrazem wolnym warto wspczynnika R2 naley do przedziau [0,1]. Wielko R2 = 1
oznacza, e model wyjania w 100% wszystkie wahania zmiennej objaniajcej, natomiast R2 bliskie zeru oznacza, e przydatno modelu jest
niewielka lub adna. Zwykle, dla modeli oszacowanych na podstawie
duych prb, R2 nie powinno by nisze ni 0,9. Wwczas mwimy
o bardzo dobrym modelu, wyjaniajcym ponad 90% waha zmiennej
objanianej.
PRZYKAD 2.11. Wylicz wspczynnik determinacji dla modelu z
przykadu 2.9.
Zastosujmy do wyliczenia wspczynnika determinacji wyraenie:
R2 = 1 !
e Te
y T y ! ny 2
64
yt
780 000
550 000
800 000
745 000
615 000
485 000
820 000
900 000
550 000
680 000
yt2
608 400 000 000
302 500 000 000
640 000 000 000
555 025 000 000
378 225 000 000
235 225 000 000
672 400 000 000
810 000 000 000
302 500 000 000
462 400 000 000
4 966 675 000 000
Z poprzednich oblicze wiemy, e rednie y (cena redniego mieszkania) wynosio 692 500 z. Kwadrat tej liczby wynosi 479 556 250 000.
Oczywicie n rwna si 10 (liczbie transakcji). Mamy zatem obliczenie:
R2 = 1 (24 947 535 107) / ( 4 966 675 000 000 10 479 556 250 000),
co oznacza, e R2 = 0,854. Mona zatem stwierdzi, e model zosta
bardzo dobrze oszacowany, gdy wahania cen mieszka a w 85% wyjaniane s za pomoc dwch zmiennych: metrau mieszkania i liczby
pokoi w tyme mieszkaniu. Identyczne wyniki uzyskamy obliczajc R2
z innych postaci tego wzoru.
Podana powyej interpretacja wspczynnika determinacji moe by
stosowana, tylko wtedy, gdy zaleno pomidzy zmienn objanian a
zmiennymi objaniajcymi jest liniowa a parametry modelu oszacowano metod najmniejszych kwadratw oraz model ekonometryczny zawiera wyraz wolny. W przypadku braku wyrazu wolnego zwykle suma
reszt nie jest rwna zero.
2.7.4. Werykacja statystyczna jednorwnaniowego modelu
ekonometrycznego
Czwartym krokiem w werykacji modelu ekonometrycznego jest
jego werykacja statystyczna. Ze wzgldu na zakres niniejszego podrcznika zajmiemy si jedynie liczeniem standardowych bdw szacowanych parametrw strukturalnych oraz istotnoci zmiennych w oparciu o test t-Studenta.
Podczas werykacji statystycznej gwnym przedmiotem zainteresowania jest wektor reszt
&e1 #
$ !
e = Y ! = $'('(' ! ,
$e !
% n"
65
S2 =
eT e
yT y ! aT X T y
"
n ! (k ! 1)
n ! (k ! 1)
zerowa H0: j = 0 przy hipotezie alternatywnej H1: j 0. Zmienna losowa t = |aj|/Saj ma rozkad t-Studenta z n - (k + 1) stopniami swobody25.
Hipoteza H0 oznacza brak wpywu zmiennej Xj na Y. Nawet jeeli parametr ma du warto nominalnie, to w przypadku, gdy jego udzia w
rednim bdzie szacunku jest niszy od wartoci krytycznej rozkadu tStudenta, naley przyj hipotez H0. Mwimy wwczas, e zmienna Xj
jest nieistotna dla rozpatrywanego modelu..
PRZYKAD 2.12. Sprawd istotno zmiennych objaniajcych w
modelu przedstawionym w przykadzie 2.9.
Zgodnie z podanym opisem znajdujemy trzy statystyki, odpowiednio
dla 0, 1 oraz 2. W pierwszym kroku naley wyliczy estymator wariancji skadnika losowego. Zgodnie z wzorem
eT e
yT y " aT X T y
S =
#
n " (k ! 1)
n " (k ! 1)
2
jest on rwny S2 = 3 563 933 587, gdy jest to warto 24 947 535 107
dzielona przez liczb stopni swobody (10 3). Warto przypomnie macierz (XTX)1
3,37628560 0,03585839
0,16831487
0,03585839
0,00055775
0,00146361
(XTX)1 =
0,16831487 0,00146361
0,07476266
Obliczamy pierwiastki z kolejnych iloczynw 3 563 933 587 i elementw diagonalnych tej macierzy to jest elementw d11 = 3,37628560,
d22 = 0,00055775 oraz d33 = 0,07476266. Wyliczone pierwiastki wynosz odpowiednio:
S(ao) = 109 694, S(a1) =1 410,
S(a2) = 16 323
Dla przypomnienia oszacowany model mia posta:
Mt = 2 940 + 7 960 PMt + 27 161 LPt
A zatem stosunek poszczeglnych parametrw przez ich odchylenia standardowe (rednie bdy szacunku) daje nastpujce statystyki tstudenta:
to = 0,027
t1 = 5,646
t2 = 1,664.
Standardowy zapis modelu ekonometrycznego wyglda nastpujco:
Mt = 2 940 + 7 960 PMt + 27 161 LPt
(0,10) (7,37)
(2,27)
25
67
&' 2
$
0
2
VAR(!) = ! I = $
$ ...
$
%$ 0
'
...
0
0#
!
... 0 !
... ... !
!
... ' 2 "!
...
!t = " !t-1 + #t ,
! <1
E (!) = 0
D2(!) = ! 02 I,
68
& 1
$
$ (
$ ...
$ n'2
$(
$ ( n'1
%
D (!) = !
(
1
(2
(
...
...
(
( n'2
( n'4
( n'3
n '3
... ( n'1 #
!
... ( n'2 !
... ... !
!
... ( !
... 1 !"
gdy
!2 =
1
! 02
1" !
(e e
! =
t )2
1
2
2
t
t t *1
1
' n $ ' n 2 $2
% ( e " % ( et *1 "
& t )2 # & t )2
#
Podobnie do poprzedniego testu, tak i w tym przypadku badamy, czy
skadniki losowe rozpatrywanego modelu s zwizane procesem autokorelacji I rzdu Markowa. Dlatego te stawiamy hipotez H0: =0.
Oznacza ona brak korelacji skadnikw losowych.
Do werykacji tej hipotezy stosujemy test Durbina-Watsona26. Do
jego stosowania wymaga si, by model ekonometryczny mia wyraz
wolny, a rozkad skadnika losowego by rozkadem normalnym. Dodatkowo nie powinna wystpowa opniona zmienna objaniana jako
zmienna objaniajca.
W tecie Durbina-Watsona wyliczamy statystyk d z wzoru:
n
d=
! (e # e
t "2
t #1
)2
!e
t "1
Warto statystyki d zawarta jest w przedziale [0,4]. Rozkad statystyki d zaley od liczby obserwacji n i liczby zmiennych objaniajcych
k. Dla ustalonego poziomu istotnoci oraz testowaniu H0: = 0 wobec
26
Jest on stablicowany w wielu ksikach do statystyki. W tej ksice, z tego wzgldu, i materia
wykracza poza zakres wymagany, nie zosta pokazany rozkad Durbina-Watsona.
69
H0 odrzucamy,
nie podejmujemy adnej decyzji,
nie mamy podstaw do odrzucenia H0.
ZADANIA DO ROZDZIAU 2
2.1. Okrel zbiory zmiennych w modelu oraz dokonaj klasykacji nastpujcego modelu. Zaproponuj metod estymacji parametrw
strukturalnych modelu.
Mt = 0Mt-1 + 1It + 1t
Dt = 0Mt + 1It-1 + 2Zt + 2t
Zt = 0 + 1Mt + 2It + 3t
It = 0 + 1Mt-1 + 2It-1 + 3Dt + 4t
gdzie: D PKB, M majtek trway, Z zatrudnienie, I inwestycje
Okrel zbiory:
A zmienne objaniane
B zmienne objaniajce
C zmienne endogeniczne
D zmienne egzogeniczne
E cznie wspzalene
F Z gry ustalone.
27
Metody estymacji wymagaj przeksztacenia danych, ktre podlegaj zjawisku autokorelacji i dopiero
szacowaniu modelu metod najmniejszych kwadratw w oparciu o tak dostosowane dane.
70
1
1
2
2
3
4
4
5
5
5
6
7
7
8
8
9
9
8
10
10
Wskazwka: Zwr uwag na to, e brak jest obserwacji dla okresu t=0.
2.6. Na egzaminie z ekonometrii s trzy zadania, za ktre cznie
mona dosta 20 punktw. Na zaliczenie wystarczy uzyska 50% punktw moliwych plus jeden punkt. Postawiono hipotez, e liczba punk71
tw uzyskanych zaley od czasu (liczonego w godzinach) powiconego przez studenta na nauk przedmiotu w ostatnich dwch tygodniach
przed egzaminem. Zbadano grup 10 osb i uzyskano wyniki pokazane
w tabeli. Odpowiedz na pytanie: ile czasu powinien powici student
na nauk przed egzaminem, jeeli chce dosta trjk.
W tym celu oszacuj parametry modelu yt = 0 + 1Xt + oraz wycignij wnioski
Osoba badana
1 2
3
4 5 6 7 8 9 10
Godziny nauki
10 14 10 2 4 6 6 8 16 24
Otrzymane punkty
6 10 12 0 2 6 6 8 12 18
2.7. W pewnej sieci handlowej utarg w kolejnych kwartaach podlega wahaniom sezonowym. Oszacowano na podstawie danych z okresu
2000,1 2005,2 model i uzyskano wyniki (wartoci w milionach zotych):
t = 56,0 25,0X1t 15,0X2t 5,0X3t + 2,0 T
gdzie: yt utarg kwartalny (milionw z), T jest tendencj rozwojow,
przyjmujc wartoci kolejnych liczb naturalnych (1, 2, 3 ...)
X1, X2, X3 zmienne zerojedynkowe, przyjmujce warto 1 w kwartale odpowiadajcym subskryptowi przy zmiennej oraz 0 w pozostaych
kwartaach.
Policz, jak bd wyglda parametry, gdy model na podstawie tych
samych danych zostanie oszacowany ale zamiast zmiennej X3t zostanie
uyta X4t .
Ile wyniesie utarg w najbliszym kwartale?
2.8. Po oszacowaniu modelu ekonometrycznego z wyrazem wolnym
i dwiema zmiennymi objaniajcymi, w ktrym zmienna y przyjmowaa wartoci: 2, 4, 4, 6, 6, 8, 8, 10, 10, 12 otrzymano eTe = 84. Obliczy i
zinterpretowa nastpujce wielkoci: S2 i R2.
2.9. Podczas szacowania modelu w postaci: yt = 0 + 1X1t + 2X2t + t
otrzymano wyniki: yTy = 60 oraz
0,1
0,0
0,0
20
(XTX)1 = 0,0
0,2 0,4
XTy =
8
0,0
0,4
0,8
5
Poda oszacowanie parametrw powyszego modelu.
Obliczy i zinterpretowa warto wspczynnika determinacji.
Zbada istotno zmiennych X1 oraz X2
72
73
28
74
Rozdzia 3
PROGRAMOWANIE LINIOWE
3.1. WPROWADZENIE
Programowanie liniowe jest czci szeroko rozumianych bada operacyjnych. Jest typowym zadaniem optymalizacyjnym, w ktrym naley znale najwiksz (najmniejsz) warto funkcji przy spenionych
okrelonych warunkach. Warunki wyznaczaj pewien zbir rozwiza dopuszczalnych a optymalizacja polega na wyborze takiego punktu
w zbiorze tych rozwiza dopuszczalnych, ktry daje najwiksz (najmniejsz) warto miernika, zwanego funkcj celu.
Z punktu widzenia matematyki bdziemy mie do czynienia z pewnym zbiorem zmiennych (n), zwanych zmiennymi decyzyjnymi, ktre
tworz wektor zwany decyzj. Ta decyzja jest wartociowana, czyli istnieje miernik. Mona napisa, i problem polega na wyznaczeniu maksymalnej (minimalnej) wartoci funkcji
f (x1, x2, , xn),
jak osiga ona na zbiorze X Rn zdeniowanymi warunkami:
gi ( x1 , x2 ,..., xn ) # bi
g i ( x1 , x2 ,..., xn ) " bi
i " 1,..., k
i " k ! 1,..., m
W praktyce gospodarczej jest wiele problemw, ktre mona sprowadzi do takiego prostego zapisu. Moe to by maksymalizacja zysku
przedsibiorstwa czy minimalizacja kosztw, wybr optymalnego planu produkcji albo gra decyzyjna, ktrej celem jest zebranie jak najwicej kart. Sam problem optymalizacji na poziomie liniowej funkcji celu
i liniowych warunkw pobocznych zosta opracowany jako zadanie pomagajce w operacjach wojennych na Pacyku. Jest czci bada operacyjnych.
75
xj = xj xj
i wwczas
xj 0,
xj 0.
Dla uproszczenia zapisu wygodniej jest korzysta z zapisu:
!c
j "1
xj
przy warunkach
s
"a
j #1
ij
x j ! bi
(i = 1, ..., k)
ij
x j # bi
(i = k +1, ..., m)
"a
j #1
xj ! 0
(j = 1, ..., n)
!c
j "1
xj
przy warunkach
n
"a
j !1
ij
xj ! 0
x j ! bi
( i = 1, ..., m )
(j = 1, ..., n )
oraz
77
x2 0.
2
6
1
0
0
1
atwo wida, e dwie ostatnie kolumny, skadajce si na macierz jednostkow, odpowiadaj zmiennym dodatkowym. Oznacza to, e wektor
x zawiera obecnie 4 elementy, z tego dwa decyzyjne i dwa dodatkowe.
Zmienne, ktre stoj przy kolumnach bdcych wektorami jednostkowymi, nazywane s zmiennymi bazowymi. W powyszym przykadzie
zatem wektor x skada si z dwch zmiennych niebazowych (zmienne
decyzyjne) i dwch zmiennych bazowych (zmienne dodatkowe). Najoglniej mona powiedzie, e zmienne bazowe przybieraj wartoci
wyrazw wolnych, a zmienne niebazowe s rwne zeru.
Powysze uwagi mona zapisa nastpujco:
x 1B
& x1 #
$x !
= $ 2! ,
$ x3 !
$ !
% x4 "
x 1B
&0
$0
= $
$6
$
%$12
#
!
!,
!
!
"!
gdzie zapis x 1B oznacza, e jest to pierwsze bazowe rozwizanie ukadu. Nie jest to oczywicie rozwizanie optymalne. Kolejne rozwizania bd wynikiem dokonywania operacji elementarnych na elementach
macierzy A.
Zasadniczym problemem ZPL bdzie przechodzenie od jednego do
kolejnego rozwizania bazowego, ale w kierunku najszybszego wzrostu funkcji celu.
79
+ x4 = 12
x1 0, ..... x4 0
Jak atwo wida, warto funkcji celu dla
&0
$0
X1B = $
$6
$
%$12
#
!
!
!
!
"!
& 1,5
$ 0
X2B = $
$ 0
$
%$13,5
#
!
!.
!
!
"!
Pokazany przykad pozwala przeledzi drog poszukiwania rozwizania optymalnego i wskazuje, jak na podstawie danego rozwizania
bazowego XB utworzy inne (ssiednie) rozwizanie dopuszczalne poprzez nadanie jednej ze zmiennych dotychczas niebazowych xk pewnej
wartoci niezerowej k. Analiza ta pokazana zostanie na danych z przykadu 3.2.
Mamy zatem ukad warunkw w postaci strukturalnej:
4x1 + 2x2 + x3
=6
x1 + 6x2
+ x4 =12
x1 0, ...., x4 0
Jest to ukad rwna o postaci bazowej wzgldem zmiennych x3 i x4.
Wyrazy wolne s dodatnie, czyli speniony jest stawiany warunek dotyczcy wektora b. W oparciu o to rozwizanie bdziemy tworzyli nowe
rozwizanie dopuszczalne poprzez nadanie wartoci dodatniej dotychczasowej zmiennej niebazowej x1, czyli dotychczas rwnej zeru. Zauwamy, e wzrost x1 jest moliwy i konieczny tylko do takiej wysokoci, kiedy co najmniej jedna z dotychczasowych zmiennych bazowych
bdzie rwna zero. Jednoczenie ten wzrost bdzie w sposb nastpujcy zmienia wektor bazowy:
' !1 $
% 0 "
" gdy 0 * ! * 1,5 ,
XB( ! 1 ) = %
1
%6 ) 4!1 "
"
%
&12 ( !1 #
a poniewa 1 nie moe
by ujemne, to jedynym rozwizaniem jest 1 = 1,5. Zauwamy, e przy
1 = 1 otrzymamy nowe rozwizanie bazowe
& 1,5
$ 0
B
X2 = $
$ 0
$
%$13,5
#
!
!.
!
!
!"
Mona zatem zapisa twierdzenie, ktre posuy do wyboru kolejnego rozwizania bazowego:
81
Twierdzenie 3.1
Jeeli przy rozwizaniu bazowym XB zmiennej niebazowej xk odpowiada wektor X kB , w ktrym istnieje x ikB > 0 i przyjmiemy
'xB $
xB
! k = rB ( min & iB # ,
x rk xik )0 % xik "
wtedy rozwizanie XB (k) wyznacza ssiednie wzgldem XB rozwizanie bazowe. Przy omawianiu metody simplex bdziemy to kryterium
nazywa kryterium wyjcia, poniewa w oparciu o nie mona ustali,
ktry wektor naley usun z bazy B przy wprowadzaniu do niej wybranego wektora.
W oparciu o posiadane rozwizanie bazowe x1B utworzone zostao
nowe rozwizanie, przez przyjcie, e zmienna dotychczas niebazowa
wchodzi do bazy i ma warto x1 = 1. Odpowied na pytanie, czy taka
zmiana rozwizania x1B poprawi warto funkcji celu, dostarczy obliczenie1 z 1B c1. W bazowej postaci ukadu rwna wektor w macierzy
A, stojcy przy zmiennej x 1B jest rwny
4 ,
1
natomiast cB = (0,0). Std iloczyn z 1B c1 = 0 5 < 0. To znaczy, e rozwizanie x1B mona poprawi. Wyznaczone z niego za pomoc zmiennej x1 ssiednie rozwizanie bazowe x2B zapewnia otrzymanie wartoci
f (x2B) = 7,5. W rozwizaniu tym zmienne x1 i x4 s zmiennymi bazowymi.
Powysze uwagi zostan wykorzystane (s podstaw teoretyczn) do
wyboru zmiennych wchodzcych do bazy przy metodzie simplex. Przy
maksymalizacji funkcji celu przejcie do nowego rozwizania bazowego korzystne jest tylko wtedy, gdy z now zmienn bazow xk zwizana
jest warto zkB ck < 0.
Tworzenie ssiednich, dopuszczalnych rozwiza bazowych moliwe jest jednak tylko wtedy, gdy w wektorze X kB istnieje co najmniej
jedna skadowa dodatnia. Co si natomiast dzieje, gdy X kB 0, a przy
tym zkB ck < 0? Wwczas nie bdziemy mogli zastosowa algorytmu
simplex. Moemy jednake napisa, e jeeli przy rozwizaniu bazowym XrB otrzymamy wskanik optymalnoci ujemny a jednoczenie
1
zB
jest iloczynem wektora wskanikw funkcji celu przy zmiennych bazowych i elementw wektora
k
macierzy A stojcych przy zmiennej k.
82
&' x kB #
$
!
0 !
S= $
$ 1 !
$
!
%$ 0 "!
wyznacza kierunek jednej z krawdzi nieskoczonych zbioru. Wychodzi ona z wierzchoka reprezentowanego przez rozwizanie bazowe poprzednie. Jeli jednoczenie z kB ck < 0, to w tym zadaniu nie istnieje
skoczone rozwizanie optymalne.
Z drugiej strony warunkiem koniecznym istnienia rozwizania optymalnego jest, by w rozwizaniu bazowym XB dla wszystkich zmiennych niebazowych nieujemne byo wyraenie z kB cj. Tak deniowane
bdzie kryterium optymalnoci dla maksymalizacji funkcji celu. Wynika z tego, e w oparciu o wartoci wyrae z Bj c j obliczonych dla
wszystkich zmiennych niebazowych zadania przy danym rozwizaniu
bazowym XB moemy ustali, czy jest ono rozwizaniem optymalnym.
Wskaniki z Bj c j nazywaj si wskanikami optymalnoci.
Gdy przy danym rozwizaniu XB istnieje kilka zmiennych niebazowych xj , dla ktrych z Bj c j < 0, to kierowa si bdziemy wartoci
bezwzgldn tych wskanikw. Wybiera bdziemy z ujemnych wskanik o najwikszej wartoci bezwzgldnej. Ten wybr okrela si mianem kryterium wejcia.
3.3. WASNOCI ZADANIA PROGRAMOWANIA
LINIOWEGO
Zajmowa si bdziemy Zadaniem Programowania Liniowego
[ZPL], ktre mona przedstawi za pomoc ukadu:
(max) f(x) = cTx
przy warunkach:
Ax = b
x0
83
84
X2
X1
W ZPL moe wystpowa rny ukad zbioru warunkw dopuszczalnych w stosunku do kierunku gradientu. Moemy mie zatem sytuacj tak, e gradient jest prostopady (w R2) do odcinka czcego dwa
wierzchoki. W takim przypadku optimum jest zarwno w obu wierzchokach, jak i w kadym punkcie odcinka czcego te wierzchoki.
Na potwierdzenie tego zapisu podano poniszy przykad, ktrego samodzielne rozwizanie zalecane jest czytelnikowi.
PRZYKAD 3.4 Znajd gracznie zbir rozwiza dopuszczalnych,
gradient oraz rozwizanie optymalne (krawd) ZPL
(max) f(x) = 2x1 + 2x2
przy warunkach
10x1 + 10x2 100
4x1 + 4x2 20
x2 6
x1 0, x2 0
Zbir rozwiza dopuszczalnych stanowi piciobok. Natomiast rozwiza optymalnych jest tutaj nieskoczenie wiele. Tworz one bok
tego piciokta. S one okrelone wzorem:
&10#
&4#
xopt = ! $ ! + (1 !) $ !
%0"
%6 "
2x2 4
x1 0, x2 0.
W tym przykadzie wystpuje krawd (cz osi OX1) zaczynajca
si w punkcie [6, 0] wskazujca na nieskoczenie wiele rozwiza optymalnych. Jednake w tym przypadku rozwizanie optymalne nie istniej,
bd jest ono w nieskoczonoci2.
Przedstawione przykady potwierdzaj przedstawione wczeniej waciwoci ZPL. Rozwizanie optymalne musi by reprezentowane przez
co najmniej jeden z punktw wierzchokowych. Dla zbiorw ograniczonych mamy oczywicie skoczon liczb punktw wierzchokowych,
poniewa s one punktami przecicia krawdzi zbioru. Wybr wierzchoka optymalnego jest rzecz trywialn W przypadku, gdy zbir rozwiza dopuszczalnych nie jest ograniczony, do wyznaczenia rozwizania optymalnego przy maksymalizacji funkcji celu wystarczy ustali, czy funkcja ta jest ograniczona z gry na zbiorze rozwiza dopuszczalnych, a potem okreli jej wartoci w punktach wierzchokowych.
PRZYKAD 3.6. Znajd zbir rozwiza wierzchokowych, to jest
punktw, w ktrych moe znajdowa si skoczone rozwizanie optymalne ZPL.
(max) f(x) = 2x1 + 2x2
przy warunkach
10x1 + 10x2 100
4x1 + 4x2 20
2
Przykad ten zostanie zrobiony numerycznie w czci objaniajcej metod simplex. Tam te zostanie
pokazany ukad elementw macierzy A, ktry okrela taki przypadek.
86
x2 6
x1 0, x2 0
Zadanie to byo przedmiotem przykadu 3.4. Zgodnie z uwagami do
tego przykadu, zbir rozwiza dopuszczalnych jest zbiorem ograniczonym. Na przeciciu trzech prostych, wyznaczajcych ppaszczyzny odpowiadajce warunkom pobocznym wystpuje 5 wierzchokw.
Maj one wsprzdne:
&0 #
&10#
& 4#
&1#
&0 #
f $ ! = 20, f $ ! = 20, f $ ! = 14, f $ ! = 10, f $ ! = 0
%5 "
%0"
%6 "
%6 "
%0 "
Warto 20 jest rwnie w kadym punkcie odcinka czcego punkty
&10# &4#
$ 0 ! i $6 ! .
% " % "
W kontekcie pokazanego przykadu warto wspomnie, e wanym
zagadnieniem optymalizacji jest tak zwane Parametryczne Zadanie Programowania Liniowego. Zadanie to moe mie kilka aspektw, ktre
znajduj swe odzwierciedlenie w zmianie:
wspczynnikw przy zmiennych w funkcji celu3,
wartoci ogranicze wyrazw wolnych4,
wartoci parametrw w warunkach pobocznych5,
polegajcej na dodaniu nowych warunkw pobocznych6,
na dodaniu nowych zmiennych decyzyjnych7.
3
Jeeli funkcja celu maksymalizuje przychd ze sprzeday kilku produktw i celem ZPL jest okrelenie
struktury sprzeday, to zmiana ceny ktregokolwiek z tych produktw jest rwnoznaczna ze zmian
parametru w funkcji celu.
Jeeli istnieje moliwo zwikszenia zakupw jakiegokolwiek surowca czy materiau, to jest to
rwnoznaczne ze zmian elementu bi w wyrazie wolnym
W przypadku zmiany technologii moe nastpi zmiana zuycia jednostkowego materiau, co powoduje
zmian elementu w macierzy A
W trakcie prowadzenia procesu produkcji moe nastpi reglamentacja kolejnego materiau, co oznacza,
e naley wprowadzi odpowiadajcy mu warunek poboczny.
W przypadku, gdy zmienne oznaczaj procesy produkcyjne lub produkty moliwe jest rozpatrywanie
jeszcze innych procesw lub produktw (innowacji), ktre dotychczas nie byy produkowane. Wejcie
zmiennej nowej (odpowiadajcej innowacji) do bazy powoduje akceptacj tego produktu w planie
produkcyjnym.
87
& xB #
xB = $ ! ,
%x p "
bazowa
)czesc
gdzie (
'czesc niebazowa
x B , 0(m * 1)
x p ! 0((n + m) * 1)
Dla minimalizacji funkcji celu znak nierwnoci w warunkach pobocznych jest odwrotny od znaku dla
maksymalizacji.
88
"a
j !1
ij
x j ! bi
(i = 1, ..., k)
"a
j !1
ij
x j ! bi
( i = 1, ..., k)
90
+ 3x3 x4 = 30
(j = 1, ,4)
+ 3x3 x4
= 10
+ x8 = 30
(j = 1, ,8)
xj 0
Jak atwo wida w pierwszym warunku wprowadzono zmienn dodatkow x5. W drugim warunku pobocznym naleao w pierwszym kroku odj zmienn x6 co zapewnio rwno, a nastpnie doda zmienn
sztuczn x7 jednoczenie wprowadzajc j do funkcji celu. Trzeci warunek wymaga jedynie dodania zmiennej sztucznej x8 i rwnie wprowadzenia jej do funkcji celu.
Ta posta standardowa wyznacza pierwsz tablic sympleksow zadania rozszerzonego. W pierwszym zadaniu rozszerzonym bazowe s
zmienne x5, x7, x8, gdy dla tych zmiennych w macierzy A wystpuj
wektory jednostkowe. Zgodnie z opisan wczeniej zasad zmienne bazowe s rwne wyrazom wolnym. Przyjmuj one wartoci odpowiednio: 20, 10, 30. Pozostae zmienne (w tym decyzyjne) s rwne zero.
Warto jeszcze raz przypomnie, e liczba zmiennych, przyjmujcych
wartoci rne od zera w rozwizaniu bazowym jest rwna liczbie warunkw pobocznych9. Dopiero kolejne iteracje pozwol wyeliminowa
zmienne x7 i x8, co oznacza bdzie pierwsze rozwizanie bazowe znajdujce si w zbiorze dopuszczalnym. Znalezienie pierwszego dopuszczalnego rozwizania bazowego jest pierwszym krokiem w metodzie
Simplex. Kolejne kroki polegaj na zbadaniu, czy jest to rozwizanie
optymalne, a jeeli nie jest, to znalezienie zmiennej dotychczas niebazowej, ktra wejdzie do bazy oraz znalezienie zmiennej dotychczas bazowej, ktra baz opuci. Mona zatem algorytm Simplex przedstawi
na schemacie:
Moe si zdarzy, e ktra ze zmiennych bazowych przyjmie warto zero, gdy tyle wynosi warto
wyrazu wolnego. Wwczas mwimy o tak zwanym zdegenerowanym rozwizaniu bazowym. W takim
przypadku zmienna bazowa przyjmujca warto zero powinna by wyranie zaznaczona, by nie doszo
do pomyki polegajcej na zaliczeniu jej do zmiennych niebazowych.
91
Rozwi!zanie optymalne
Rozwi!zanie nieoptymalne
c1
x1
c2
x2
c3
x3
X 1B
X2 B
X3 B
...
cn
xn
Baza
XB
Wska!niki
wej"cia
Xn B
CTXB Z1 C1 Z2 C2 Z3 C3
Wska!niki
wyj"cia
bi
X ik
Zn Cn
Jeli B i B` s bazami ssiednimi oraz B` = {ak} + B {ar}, to wektor x Bj ` mona otrzyma za pomoc wektorw XiB w oparciu o znane
w teorii algebry liniowej wzory przejcia, odpowiadajce pokazanym
w rozdziale pierwszym operacjom elementarnym.
Wyznaczanie elementw tablicy sympleksowej wygodnie jest rozpoczyna od wiersza zwizanego z now (wprowadzon obecnie) zmienn
bazow xk, a potem przej do obliczania pozostaych elementw. Moemy przyj, e operacje bdziemy wykonywa na wierszach macierzy A. Oznaczmy przez wi wiersz starej tablicy sympleksowej zwizany z now (dotychczas niebazow), wchodzc obecnie do bazy zmienn xi, a przez w`i analogiczny wiersz w nowej tablicy sympleksowej,
w ktrej ta zmienna bdzie zmienn bazow. Proces numeryczny budowy tablicy wierszami mona schematycznie zapisa:
(ik)
w`i = wi xik w`k
PRZYKAD 3.8. Napisa tabel Simplex dla ZPL z przykadu 3.7.
Zadanie to w postaci standardowej miao posta (zadanie rozszerzone):
(max) x1 + 2x2 3x3 + 4x4 M (x7 + x8)
przy warunkach:
= 20
2x1 + 4x2 + 3x3 + x4 + x5
x1 + 2x2 5x3 + 4x4
2x1
+ 3x3 x4
x6 + x7
= 10
+ x8 = 30
xj 0
(j = 1, , 8)
W pierwszym rozwizaniu bazowym zmiennymi bazowymi s:
zmienna dodatkowa niedoboru x5 oraz zmienne sztuczne x7 i x8. Trzy
zmienne bazowe odpowiadaj liczbie warunkw pobocznych zada93
0
-M
-M
Baza
x1
x2
x3
x4
x5
x6
x7
x8
Wskaniki
wyjcia
x5
x7
x8
20
10
30
2
1
2
4
2
0
3
5
3
1
4
1
1
0
0
0
1
0
0
1
0
0
0
1
20
10/4
.
2M+3
3M4
Wskaniki
wejcia
40M M1 2M2
M M
Komentarz do tablicy:
w wierszu pierwszym znajduj si wskaniki z funkcji celu stojce
przy kadej zmiennej xi, przy czym oczywicie brak jakiej zmiennej w funkcji celu oznacza, e wskanik z funkcji celu jest rwny
zeru,
wiersz drugi jest gwk tabeli, pokazuje zatem co mieci si w odpowiednich kolumnach, przy czym cjB oznacza, e s to wyrazy
z funkcji celu, stojce przy zmiennych bazowych danego rozwizania,
Baza zawiera zbir elementw skadowych wektora X, ktre to elementy s w obecnym rozwizaniu elementami bazowymi,
Wektor b zawiera wyrazy wolne, jednoczenie s to wartoci zmiennych bazowych. Oznacza to, e wektor bazowy ma obecnie nastpujce elementy skadowe (zmienne niebazowe s rwne zero):
& x1 #
$x !
$ 2!
$ x3 !
$x !
4
X1B = $ x ! =
$ 5!
$ x6 !
$ !
$ x7 !
$x !
% 8"
&0#
$0!
$0!
$ !
$0!
$20!
$ !
$0 !
$10 !
$ !
%$30 "!
atwo zauway, e trzy zmienne bazowe maj w macierzy A wektory jednostkowe, ktre cznie tworz macierz jednostkow trzeciego stopnia,
&1#
X5 = $$0!! ,
$%0!"
&0 #
X6 = $$1!! ,
$%0!"
&0 #
X7 = $$0!!
$%1!"
wiersz wskaniki wejcia to zestawienie wskanikw optymalnoci zj cj, czyli iloczynw wskanikw funkcji celu stojcych
przy zmiennych bazowych w danym rozwizaniu (tu cjB) i wektorw stojcych w kolumnach w macierzy A, (tu XiB) pomniejszonych o warto stojc przy danej zmiennej w funkcji celu. Dla
przykadu, warto w kolumnie x1 zostaa wyliczona w sposb nastpujcy:
&2#
[ 0 , M , M ] $$' 1!! 1 = 2 . 0 + (M) . (-1) + (M) . 2 1 =
$% 2 !"
= M 2M 1 = M 1
w wierszu wskaniki wejcia pod wektorem b znajduje si warto funkcji dla danego rozwizania bazowego, czyli w tym przypadku jest to warto 40M. Jest ona liczona w ten sam sposb,
jak wskaniki zj cj, z tym, e nad wektorem b, w wierszu pierwszym wystpuje warto wyrazu wolnego z funkcji celu pisanego
ze znakiem przeciwnym (w tym przykadzie zero), w kolumnach
bazowych w miejsce zera wpisane s kropki. Te kropki wskazuj, e warto ta jest rwna zeru, ale wystpuje w kolumnie odpowiadajcej zmiennej bazowej, w odrnieniu od przypadku, kiedy wskanik optymalnoci jest rwny zero w kolumnie niebazowej i wwczas jest to znak tego, e istniej alternatywne rozwizania optymalne,
w kolumnie wskaniki wyjcia przedstawione s wskaniki wyliczone zgodnie z wzorem
bi
X ik
95
96
Warunkiem koniecznym rozwizania optymalnego jest niemoliwo poprawienia obecnego, ostatniego rozwizania bazowego. Mona
zatem sformuowa nastpujce twierdzenie:
Twierdzenie 3.2. Jeeli w ZPL z maksymalizacj funkcji celu dla
danej postaci bazowej wszystkie wskaniki optymalnoci stojce przy
zmiennych niebazowych (zj cj 0 dla jB) s nieujemne, to rozwizanie bazowe jest optymalne10. Jeeli s dodatnie, to jest to jedyne rozwizanie optymalne. Jeeli ktry ze wskanikw optymalnoci stojcych
przy zmiennych niebazowych jest rwny zero, to istniej alternatywne
rozwizania bazowe.
Oczywicie w podanym przykadzie 3.8. rozwizanie bazowe nie
jest optymalne. Nie jest ono nawet rozwizaniem dopuszczalnym, gdy
w nim wystpuj zmienne sztuczne. Warto zatem znale pierwsze dopuszczalne rozwizanie dla tego ZPL. Uzyskanie tego rozwizania odbywa si bdzie zgodnie z algorytmem Simplex. Dlatego te warto
w tym miejscu zapisa dwa, wspomniane wczeniej kryteria (stosowane, gdy rozwizanie nie jest optymalne):
kryterium wejcia: jako now zmienn bazow naley wzi t, dla
ktrej wskanik optymalnoci (przy maksymalizacji funkcji celu)
jest ujemny i ma najwiksz warto bezwzgldn spord wszystkich ujemnych wskanikw optymalnoci. W takim przypadku
uzyskamy najwikszy wzrost funkcji celu11.
Kryterium wyjcia: zmienna dotychczas bazowa opuszcza baz,
gdy wskanik wyjcia
bi
X ik
97
-3
M M
B
j
Baza
x1
x2
x3
x4
x5 x6
x7
x8
0
M
x5
x7
20
10
2
1
4
2
3
5
1
4
1 0
0 1
0
1
0
0
Wskaniki wyjcia
20
10/4
x8
30
Wskaniki
wejcia
B
j
Baza
x1
x2
x3
x4
x5
x6
x7
x8
x5
20
x4
2/4
5/4
1/4
1/4
-M x8
Wskaniki
wejcia
98
10/4 1/4
30
Wskaniki
wyjcia
v3
x2
x3
x4
x5
x6
x7
x8
B
j
Baza
x1
x5
70/4
9/4
14/4 17/4
1/4
1/4
x4
10/4
1/4
2/4
5/4
1/4
1/4
x8
130/4
7/4
2/4
7/4
1/4
1/4
Wskaniki
wyjcia
Wskaniki
wejcia
& x1 #
$x !
$ 2!
$ x3 !
$x !
4
X2B = $ x ! =
5
$ !
$ x6 !
$ !
$ x7 !
$x !
% 8"
& 0 #
$ 0 !
$ 0 !
!
$
$ 10 / 4 !
$70 / 4 !
!
$
$ 0 !
$ 10 !
!
$
%$130 / 4"!
W kolejnym kroku liczone s wskaniki optymalnoci. Dla najmniejszego spord ujemnych wskanikw optymalnoci (dla x1) liczone s
wskaniki wyjcia:
99
B
j
x2
b
x1
Baza
c
0
x5
70/4
9/4 14/4
4
x4
10/4
v1/4 2/4
-M x8
130/4
7/4
2/4
10
2
0
Wskaniki
130M/4 7M/4 2M/4
wejcia
-3
x3
x4 x5
x6
x7
x8
17/4
v5/4
7/4
2
7M/4
0
1
0
1
0
0
1/4
1/4
1/4
1/4
1/4
1/4
1
1+
+M/4 3M/4
0
0
1
Wskaniki
wyjcia
70/9
.
130/7
Rozwizanie to oczywicie nie jest optymalne. Rwnie nie jest dopuszczalne, gdy zawiera zmienn sztuczn x8. W kolejnej iteracji baz
opuszcza zmienna x5, gdy wskanik wyjcia dla tej zmiennej jest najmniejszy (rwnie niski i ujemny jest wskanik przy x3, ale zastosujemy zasad wskanika o niszym numerze). Nastpna, liczona rwnie
na podstawie kryteriw wejcia i wyjcia tablica wyglda nastpujco:
0
-3
M M
x7
B
j
Baza
x1
x2
x3
x4
x5
x6
x1
7 7/9
1 5/9
1 8/9
4/9
1/9 1/9
x4
4 4/9
8/9
7/9
1/9
x8
18 8/9
25 5/9
18M 8/9
Wskaniki
wejcia
2 2/9 1 5/9
x8
0
2/9
2/9
0 7/9 4/9
4/9
Wskaniki
wyjcia
+ x4 20
xj 0 (j = 1,2)
co oznacza, e nie trzeba wstawia zmiennych sztucznych a macierz
jednostkowa zostaa utworzona z wektorw stojcych przy zmiennych
dodatkowych. Dlatego pierwsza tablica Simplex wyglda nastpujco:
1
cj
cjB
Baza
x1
x2
x3
x4
WW
x3
80
20
x4
20
10
zj cj
Z dwch ujemnych jednakowych wskanikw optymalnoci wybierzemy wskanik x1. Ta zmienna wejdzie do bazy. Wskaniki wyjcia
[WW] policzone po prawej stronie wskazuj, e zmienna x1 wejdzie
na miejsce zmiennej x4. Zastosowanie operacji elementarnych prowadzi zatem do tablicy:
2
cj
Baza
x1
x2
x3
x4 WW
x3
40
x1
10
0,5
20
B
j
zj cj
W tej tablicy jest tylko jeden wskanik optymalnoci ujemny. Oznacza to, e rozwizanie nie jest optymalne. Warto funkcji wzrosa z
0 do 20. W pokazanym przypadku tylko jedna zmienna moe opuci
baz, gdy jeden element w kolumnie x2 jest ujemny. Mimo to zosta
wyliczony wskanik wyjcia. W nastpnej iteracji zmienna x2 wejdzie
na miejsce x3. Tablica bdzie miaa wygld:
101
3
cjB
2
2
zj cj
cj
Baza
x2
x1
0
b
5
15
40
2
x1
0
1
2
x2
1
0
0
x3
0,125
0,125
0,5
0
x4
-0,25
0,25
0
WW
60
W tym przypadku nie wystpuj ujemne wskaniki wejcia (optymalnoci). Oznacza to, e trzecia (numery tablicy wystpuj w lewym grnym rogu) tablica daa rozwizanie optymalne. Jednak jeden ze wskanikw optymalnoci (dla x4) jest rwny zero. Oznacza to, e istnieje alternatywne rozwizanie bazowe. Wyliczony wskanik wyjcia w tej tablicy pokazuje, e baz opuci x1. Kolejne rozwizanie optymalne pokazuje tablica:
4
cjB
2
0
zj - cj
cj
Baza
x2
x4
0
b
20
60
40
2
x1
1
4
0
2
x2
1
0
0
x3
0,25
0,5
0,5
0
x4
0
1
WW
20
15
&0#
$0!
B
X1 = $ ! , X2B =
$80 !
$ !
%20"
&10 #
$0!
$ ! , X3B =
$40!
$ !
%0"
&15#
$5!
$ !,
$0!
$ !
%0"
&0#
$20!
B
X4 = $ !
$0!
$ !
%60"
odcinek daje rozwizania optymalne. Mona zatem zapisa, e optymalnym rozwizaniem jest:
&15#
$5!
B
Xopt = ! $ ! + (1- !)
$0!
$ !
%0"
&0#
$20!
$ ! dla ! ' <0, 1>
$0!
$ !
%60"
10
X3
X1
10
X2
20
X1
Lini grub pokazany zosta gradient funkcji celu. Kolejne rozwizania znajduj si w punktach [0 , 0], [10 , 0], [15 , 5] [0 , 20 ]. Dwa
ostatnie punkty wyznaczaj odcinek prostopady do gradientu. Na nim
znajduj si rozwizania optymalne.
103
!c
j "1
xj
przy warunkach
s
"a
j #1
ij
x j ! bi
(i = 1, ..., m)
xj 0
(j = 1, ..., n).
Jest ona rwnowana zapisowi w postaci macierzowej:
(max) f(x) = cTx
przy warunkach
Ax b
x0
Zadanie powysze nazywamy zadaniem prymarnym. Czasami, z rnych przyczyn, w tym przyczyn obliczeniowych oraz interpretacyjnych,
warto jest zbudowa do tego zadania zadanie dualne [ZDPL]. Zadanie
dualne programowania liniowego ma posta:
(min) g(y) = bTy
przy warunkach
ATy c
y0
Jak atwo wida wspczynniki funkcji celu z zadania prymarnego
stay si wyrazami wolnymi w warunkach ograniczajcych a wyraz
wolny stanowi wspczynniki funkcji celu zadania dualnego. Zmienne
x zostay zastpione zmiennymi y.
Mona sformuowa nastpujce twierdzenia:
Twierdzenie 3.3. ZPL i ZDPL s dualne wzgldem siebie.
Oznacza ono, e z zadania dualnego moemy ponownie otrzyma zadanie prymarne, jeeli zapiszemy zadanie dualne do dualnego.
104
max f ( x ) = min g ( y )
x! X
y !Y
Oznacza to, e warto maksymalizowanej funkcji celu w jej optimum jest rwna wartoci minimalizowanej funkcji celu w jej optimum.
Tworzenie ZDPL do ZPL wymaga nastpujcych zasad:
jeeli w ZPL jeden z warunkw ma zwrot nierwnoci niezgodny
z wymaganiem funkcji celu13 to w zadaniu dualnym zwizana z tym
warunkiem zmienna przyjmuje wartoci niedodatnie,
jeeli w ZPL warunek poboczny jest sformuowany w postaci rwnania, to zwizana z nim zmienna dualna jest dowolnego znaku,
PRZYKAD 3.11. Znajd posta dualnego zadania programowania liniowego do zadania:
Max f(x) = 1x1 + 2x2 + 3x3 4x4
przy warunkach
3x1 + 5x2 + 7x3 9x4 13
2x1 + 4x2 + 6x3 8x4 = 15
1x1 + 3x2 + 5x3 7x4 17
x1 0, x2 dowolne, x3 0, x4 0
Zgodnie z poprzednimi zapisami ZDPL wyglda nastpujco:
13
Zadanie z maksymalizacj funkcji celu powinno mie warunki poboczne nie wiksze ni wyrazy
wolne, natomiast zadanie z minimalizacj funkcji celu powinno mie warunki poboczne nie mniejsze od
wyrazw wolnych.
105
cj
baza
0
b
80
y1
20
y2
0
y3
0
y4
M
y5
M
y6
WW
y5
0,5
y6
2
2M
4
8M 80
2
20
0
M
1
M
0,5
W przypadku minimalizacji funkcji celu, optymalne rozwizanie potwierdzaj wskaniki optymalnoci ujemne (niedodatnie). W tablicy powyszej dodatni jest jeden wskanik, stojcy w kolumnie y1. Zmienne
ta wejdzie do bazy. Wskaniki wyjcia (WW) s rwne 0,5, wybieramy
dowolny, pierwszy od gry, co oznacza, e baz opuci zmienna sztuczna y5 . Kolejna tablica ma wygld:
2
cj
80
20
baza
y1
y2
y3
y4
y5
y6
WW
80
M
y1
y6
0,5
0
40
1
0
0,5
4
4M + 20
0,25
1
M 20
0
1
.
0
B
j
0
0,25
1
1
M 2M + 20
W tej tabeli ponownie jeden wskanik jest dodatni (dla y3). Zmienna
ta wejdzie do bazy w kolejnym rozwizaniu. W kolumnie nad wskanikiem jeden element jest dodatni. Pozwala to wyliczy wskanik wyjcia. Jest on rwny zero, co oczywicie nie oznacza, e nie spenia to
warunkw liczenia tego wskanika. Wane jest, by element kolumny,
przez ktry dzielimy, by dodatni. W tym przypadku jest to jedynka.
Z bazy wyjdzie zatem druga i zarazem ostatnia zmienna sztuczna (y6).
Ostatnia tablica, ju z optymalnym rozwizaniem ZDPL wyglda nastpujco:
107
cj
80
20
baza
y1
y2
y3
y4
y5
y6
80
y1
0,5
0,25
y3
0,25
1
0,5
4
40
60
20
M +20
B
j
cj
Baza
x1
x2
x3
x4
WW
x2
20
0,25
20
x4
60
0,5
15
40
0,5
B
j
zj cj
108
ale mog wytwarza ten sam produkt przy innych technologiach. Podaj
interpretacj ekonomiczn elementw ZPL i ZDPL14.
m Liczba ograniczonych rodkw niezbdnych do uruchomienia
procesw. Zasoby tych rodkw reprezentuje wektor bT = [b1, b2, ..., bm].
aij wielko nakadu rodka i na jednostk procesu j. Jest staa i
niezalena od poziomu procesu.
aj wektor nakadw jednostkowych zwizany z procesem j.
cj dochd z kadej jednostki procesu j.
Maksymalizacja funkcji celu odpowiada zadaniu: ustali intensywno procesw produkcyjnych, ktre przy istniejcych zasobach
zapewni maksymalny dochd, xj planowany poziom procesu j.
Zadanie: max j=1..p = cjxj
p.w.
14
109
ZADANIA DO ROZDZIAU 3
3.1. U ZPL maksymalizujce zysk, majc dla zakadu krawieckiego nastpujce dane:
X1
spodnie
80
Produkcja wyroby
Zysk jednostkowy
X2
X3
marynarki kamizelki
150
120
X4
koszule
40
2
1
2
1
1
1
+ 2x3 + x4
4x1 + x2
x1 0,
110
2x6 = 3
+ x5 + x6 = 7
x2 0,
x3 0,
x4 0,
x5 0,
x6 0,
x2 0.
Rozwizaniem jest odcinek czcy punkty [15, 10] oraz [0, 20].
cj
WW
cjB
Baza
x1
x2
x3
x4
x3
80
20
x4
20
10
2
2
111
x1
x2
x3
x4
x3
40
x1
10
0,5
20
x1
x2
x3
x4
x2
0,125
0,25
x1
15
0,125
0,25
40
0,5
x1
x2
x3
x4
60
x2
20
0,25
20
x4
60
0,5
15
40
0,5
x2 0,
x3 4.
112
x2 0
80
20
baza
y1
y2
y3
y4
y5
y6
y5
0,5
y6
0,5
4M
8M 80
20
baza
y1
y2
y3
y4
y5
y6
80
y1
0,5
0,5
0,25
0,25
y6
-4
40
M + 20
baza
y1
y2
y3
y4
y5
y6
80
y1
0,5
0,5
0,25
0,25
y3
40
60
20
1
M +
20
4M + 20 M 20
WW
zamiast dotychczasowych
4
1
114
Rozdzia 4
ZADANIE TRANSPORTOWE PROGRAMOWANIA
LINIOWEGO
4.1. SFORMUOWANIE ZADANIA TRANSPORTOWEGO
Zadanie programowania liniowego moe nastrczy wiele problemw, zwaszcza czasowych, jeeli jest zadaniem bardzo rozbudowanym. Dlatego dla zada o wielu warunkach czy wielu zmiennych proponowane s algorytmy dajce moliwo rozwizania zadania szybciej
i efektywniej. Do takich zada zaliczane jest tak zwane Zadanie Transportowe [ZT]. Ma ono bowiem charakterystyczn posta, ktra pozwala na dokonanie uproszcze w procesie wyznaczania rozwizania optymalnego. ZT moe by stosowane w wielu sytuacjach zwizanych z logistyk dostaw, ale rwnie z okreleniem tras autobusw i czasw odjazdu, zmian linii itp.
ZT zakada, e mamy do czynienia z pewnym jednorodnym towarem
lub grup towarw stanowicych jeden modu transportowy (np. przejazd samochodu ciarowego z transportem wody mineralnej, kurs autobusu na dowolnej trasie) w okrelonym czasie (np. godziny porannego
szczytu, jeden dzie, tydzie, miesic). Ponadto zakadamy, e w analizowanym czasie na okrelonym terenie (np. miasto, wojewdztwo,
kraj):
wystpuje m dostawcw,
kady dostawca dysponuje znanymi zasobami towaru. Pierwszy
dostawca ma a1, drugi a2, i ostatni am (ai > 0) tego samego towaru,
istnieje n odbiorcw,
odbiorcy zgaszaj zapotrzebowanie na ten towar odpowiednio
w ilociach: b1, b2, ..., bn (bj > 0),
okrelone s wspczynniki cij okrelajce koszt przewozu jednostki towaru na trasie od i-tego dostawcy do j-tego odbiorcy.
115
Problem ZT polega na tym, by wyznaczy wielko przewozw (macierz o wymiarach m x n i o elementach nieujemnych, okrelajcych
wielko przewozw od kadego dostawcy do kadego odbiorcy), aby
ten ukad dostaw zapewnia najniszy czny koszt przewozw1.
Jeeli szukan wielko dostawy od dostawcy i-tego do odbiorcy
j-tego oznaczymy przez xij (i= l, ..., m; j= l, ..., n), to model w zapisie
programowania liniowego ma nastpujc posta:
m
!! c
i !1 j !1
ij
przy warunkach:
n
!x
j "1
ij
" ai
(i = 1, , m)
ij
" bj
(j = 1, , n)
!x
i "1
xij 0
(i = 1, , m ; j = 1, , n)
i "1
j "1
! ai " ! b j .
W powyszym ukadzie rwna pierwsze m warunkw przedstawia
rozdzia zasobw kadego dostawcy pomidzy wszystkich odbiorcw,
nastpne n warunkw przedstawia bilans dostaw od wszystkich dostawcw do poszczeglnych odbiorcw, a ostatnia rwno jest zbilansowaniem stanu magazynw ze stanem potrzeb.
Rozwizanie powyszego ukadu nie jest prezentowane w postaci tablicy Simplex, lecz macierzy o m wierszach i n kolumnach, to znaczy:
1
2
116
& x11
$x
X = $ 21
$ ...
$
% x m1
x1n #
... x 2 n !!
... ... !
!
... x mn "
x12
...
x 22
...
xm 2
& c11
$c
C = $ 21
$ ...
$
%cm1
c12
c22
...
cm 2
... c1n #
... c2 n !!
... ... !
!
... cmn "
Warto funkcji celu jest po prostu sum iloczynw odpowiednich elementw obu macierzy, to znaczy
m
!! c
i "1 j "1
ij
xij .
3
3
6
1
2
3
4
5
2
200
300
100
150
600
118
i "1
j "1
! ai " ! b j .
Jednake wiele zada nie ma a priori spenionego tego warunku. Dlatego pierwszym krokiem jest bilansowanie ZT. Najoglniej mona napisa, i oznacza ono:
dodanie wirtualnego czy kcyjnego odbiorcy, gdy w magazynach jest wicej ni chc dostawcy, lub
dodanie wirtualnego dostawcy, gdy popyt przekracza poda.
W pierwszym przypadku dodajemy kolumn, w ktrej musimy wpisa w ostatnim wierszu (wiersz popytu zgaszanego przez odbiorcw)
liczb, ktrej dodanie do dotychczasowego popytu spowoduje rwnowag z poda. W kolumnie macierzy kosztw C wpisujemy faktyczne
wartoci kosztw magazynowania. Wirtualny odbiorca oznacza bowiem pozostawienie towaru w magazynie4.
PRZYKAD 4.2. Zbilansuj nastpujce ZT, wiedzc, e koszty magazynowania jednej jednostki towaru wynosz u kadego dostawcy (w
kadym magazynie) 5. Co oznacza w tym przypadku wystpienie niezerowego przewozu do kcyjnego odbiorcy?
2
4
5
3
3
6
1
2
3
4
5
2
200
300
100
100 150 50
Jak atwo wida, w magazynach jest 600 jednostek a odbiorcy chc
jedynie 500. Oznacza to, e w magazynach pozostanie 100 sztuk. Wprowadzamy dodatkowego kcyjnego odbiorc, ktry potrzebowa bdzie 100 sztuk. Wwczas zadanie jest zbilansowane:
2
4
5
3
3
6
1
2
3
4
5
2
5
5
5
200
300
100
600
Jeeli nie s znane koszty magazynowania, to w kolumnie wpisujemy 0, jako koszt przewozu
rozumiemy pozostawienie towaru na miejscu, bez ponoszenia kosztw.
119
Jeeli w rozwizaniu bazowym wystpi niezerowy przewz na trasie do pitego odbiorcy, to jest to rwnoznaczne z pozostawieniem towaru w magazynie, ktry w przewz bdzie wykonywa.
PRZYKAD 4.3. Zbilansuj nastpujce ZT, wiedzc, e aden z odbiorcw nie jest uprzywilejowany w stosunku do innych.
2
4
5
3
3
6
1
2
3
4
5
2
200
300
100
I w tym przypadku zadanie nie zostao zbilansowane. Tym razem dostawcy maj cznie 600, ale odbiorcy chc 700. Oznacza to, e naley wyznaczy kcyjnego dostawc. Dostawa od tego dostawcy oznacza brak towaru u odbiorcy. Przykadem takiego zbilansowania jest rozwizanie:
2
4
5
0
3
3
6
0
1
2
3
0
4
5
2
0
200
300
100
100
120
Istnieje wiele sposobw wyznaczania wstpnego rozwizania bazowego. Celem tych metod jest wraz z komplikacj znalezienie rozwizania lecego blisko rozwizania optymalnego. W ten sposb eliminuje si iteracje, ktre pniej trzeba byoby wykona, jeeli rozwizanie pocztkowe byoby odlege od optimum. Dlatego te poniej zostan zaprezentowane 3 rne sposoby szukania pierwszego rozwizania bazowego, posiadajcego n + m 1 wartoci rnych od zera6. Z reguy pierwsza metoda pozostawia do wykonania najwicej iteracji.
4.3.1. Metoda kta pnocno-zachodniego [MKPZ]
Nazwa metody pochodzi od miejsca wyboru kolejnych zmiennych
bazowych. Tablica ZT stanowi tabel przypominajc map. Jak wskazuje nazwa metody, przewozami bazowymi staj si te, ktre znajduj
si w grnym wierszu i pierwszej kolumnie z lewej strony. Pierwszym
elementem jest oczywicie przewz na trasie od pierwszego dostawcy
do pierwszego odbiorcy. Temu przewozowi nadajemy warto zgodnie
ze stosowan na kadym kroku zasad:
xij= min {ai, bj},
co oznacza, e wybieramy mniejsz z wielkoci:
aktualny stan magazynu i-tego,
aktualna potrzeba odbiorcy j-tego.
Pierwszy krok oznacza, e wybieramy dla x11 warto mniejsz
z dwch: magazyn a1, odbiorca b1. Oznacza to, e po dokonaniu tego
przewozu moemy mie do czynienia z sytuacj:
pierwszy dostawca ju wicej towaru nie ma (x11 rwna si bowiem a1),
pierwszy odbiorca ju wicej nie ma (x11 rwna si bowiem b1).
W pierwszym przypadku nie rozpatrujemy pierwszego wiersza, wpisujc kropki w pozostae trasy. Jednoczenie zmniejszamy zapotrzebowanie pierwszego odbiorcy. Pierwsz i kolejne iteracje ilustruje przykad:
PRZYKAD 4.4. Znajd startowe rozwizanie bazowe MKPZ w ZT:
300
200
100
200 200 100 100
6
600
Czsto zdarza si, e rwnie przewz bazowy rwna si 0. W takim przypadku to zero jest zerem
bazowym. Jest ono pisane wanie jako 0, podczas gdy zera niebazowe oznaczamy kropk .
121
Rozwizanie zadania t metod dogodnie jest prowadzi bez macierzy kosztw. Dlatego pozostawiono w jako wolne miejsce uywane zwykle do zapisania macierzy kosztw. Startowe rozwizanie w tym
przypadku nie zaley bowiem od wysokoci kosztw a jedynie od ustalenia pierwszej trasy przewozu. W MKPZ nie uwzgldnia si w pierwszym rozwizaniu kosztw. Zgodnie z zapisem wybieramy minimum
z liczb a1 = 300 oraz b1 = 200. Przewz na trasie x11 jest zatem rwny
200. Pokazuje to nastpujcy ukad:
X =
B
1
200
100
200
100
200 100
200
100
200 100
100
122
100 100
100
100
200
nastpnie:
200 100
100 100
X1 =
B
100
0 100
100
W tym przypadku 100 jednostek posiada zarwno magazyn 2 jak
i chcia odbiorca 3. Wpisanie przewozu x23=100 pocigno za sob wpisanie kropek w wierszu drugim. Nie jest jednak moliwe wpisanie jednoczenie kropek zarwno w wierszu jak i w kolumnie7. Dlatego trzeci odbiorca chce jeszcze 0 jednostek. Trasa ta oczywicie nie bdzie obsugiwana, jeeli nie wzronie stan magazynu drugiego i zapotrzebowanie trzeciego odbiorcy.
Kolejne kroki daj nastpujce rozwizanie:
200 100
100 100
0 100
X1 =
B
100
100
5
1
4
3
6
2
4
2
3
300
200
100
W przeciwnym przypadku nie bdzie n+m-1 elementw bazowych. W powyszym przypadku jeden
bazowy element bdzie rwny 0. Mwimy wwczas o rozwizaniu zdegenerowanym, czyli takim, w
ktrym zeru rwna si przewz bazowy.
123
zu towarw. Chcemy, by na trasach o minimalnych kosztach by maksymalny moliwy przewz. Dla podanej tabeli najtaniej wozi si na trasie
od drugiego dostawcy do drugiego odbiorcy, gdy c22 = 1. Znajdujemy
minimum z a2 i b2. Zatem x22= 200. Podobnie do poprzedniego przypadku wpisujemy kropki w wierszu drugim oraz zero u drugiego odbiorcy.
Tablica wyglda nastpujco:
200
300
100
4
3
2
5
1
4
3
6
2
4
2
3
300
100
300
4
3
2
5
1
4
3
6
2
4
2
3
300
100
124
5
1
4
3
6
2
4
2
3
300
200
100
600
Wygodnie jest, tak jak poprzednio, poprowadzi algorytm przy pomocy dwch macierzy. W pierwszej bdzie rozwizanie a w drugiej obliczanie rnic. W pierwszym kroku maksymalna rnica wystpuje
8
Nazw tworz pierwsze litery tytuu tej metody w jzyku angielskim: Vogel`s Aproximation Metod,
ktrej autorem by W.R.Vogel
125
200
200
100 100
300
100
400
4
5
3
4
3
1
6
2
2
4
2
3
1
3
1
1
200 200 100 100
1
1
0
300
200
100
600
W kolejnej iteracji szukamy rnic, ale nie uwzgldniamy ju skrelonych elementw macierzy kosztw. Maksymaln rnic jest pojawiajca si wielokrotnie 1. Zgodnie z zasad wybieramy pierwsz
kolumn, w ktrej minimalnym elementem jest 2, lece na trasie pomidzy trzecim dostawc a pierwszym odbiorc.
200
100
100
100 100
300
300
4
5
3
4
1
6
2
3
2
4
2
3
2
1
1
1
200 200 100 100
1
0
300
200
100
600
100
4
5
3
4
1
6
2
3
4
2
3
2
1
1
200 200 100 100
0
1
1
300
200
100
600
127
4
3
2
5
1
4
3
6
2
4
2
3
300
200
100
600
100
300
200
100
600
3 + 0 + v3 = 0.
W rzeczywistoci rachunek ten nie odbywa si przez rozwizywanie rwna, lecz przez wyliczenie w pamici wartoci potencjau, by
suma przedstawiona rwnaniem bya rwna zeru. W nastpnej kolejnoci mona wyznaczy potencja u3 z rwnania:
c31 + ui + v1 = 0.
Oczywicie u3 = 2.
128
4
5
3
4
0
3
1
6
2
2
4
2
3
2
4
3
W dalszej kolejnoci wyznaczy mona v4 = -5, a przy jego pomocy
u2 = 3. Za pomoc tego ostatniego potencjau mona wreszcie wyznaczy v2 = -4. Tablica z potencjaami wyglda zatem:
4
5
3
4
0
3
1
6
2
3
2
4
2
3
2
4 4 3 5
Na podstawie wyliczonych potencjaw i macierzy kosztw wyznaczy mona wszystkie elementy macierzy zerowej. Zostay one przedstawione w tabeli poniej. Wystpowanie elementw ujemnych w macierzy zerowej oznacza, e rozwizanie nie jest optymalne. Do bazy w nastpnym rozwizaniu bazowym wchodzi przewz o ujemnym wskaniku optymalnoci i najwikszej wartoci bezwzgldnej tego wskanika.
1
1
0
2
2
1
2
4 4 3 5
Kady element zosta wyznaczony z wzoru:
kij = cij + ui + vj
Elementy bazowe s oczywicie rwne zero, a dla ich wyrnienia
zostay przedstawione w formie kropek. Jak atwo wida jeden element
w macierzy jest ujemny, co oznacza, e rozwizanie nie jest optymalne.
Metod szukania ssiedniego rozwizania pokazano w nastpnej czci.
4.5. SZUKANIE ROZWIZANIA OPTYMALNEGO
PRZY POMOCY METODY GRAFW I POTENCJAW
Jak wczeniej napisano, w rozwizaniu bazowym wystpuje n + m 1
elementw. Do kolejnego rozwizania musi wej element, ktrego
wskanik optymalnoci jest ujemny. Aby zachowa t sam liczb elementw bazowych naley jeden z dotychczasowych bazowych elementw wyrugowa z bazy. Wygodnie jest to robi za pomoc grafu. Wczeniej poznamy kilka uytecznych denicji.
129
100
130
300
200
100
600
!
!
!
!
300
200
100
600
!
!
!
!
!
300
200
100
600
131
100
300
200
100
600
6
1
300
200
100
600
Po dodaniu wza (1, 4) cykl tworz wzy (1, 1), (1, 4), (3, 4) oraz
(3, 1):
!
!
!
!
!
!
300
200
100
600
Pcykl dodatni tworz wzy (1, 4) oraz (3, 1), natomiast wzy
(1, 1) oraz (3, 4) tworz pcykl ujemny. Minimalny przewz w pcy132
klu ujemnym wynosi 100 i odpowiada wzowi (3, 4). Oznacza to, e
kolejne rozwizanie (w czci poza cyklem nie dokonuje si zmian) bdzie miao posta:
100 100 100
200
0
100
300
200
100
600
5
1
4
3
3
6
2
3
4
2
3
4
0
2
2
1
4
0
2
2
A macierz zerowa:
3
3
5
1
3
2
3
1
2
3
300
200
100
600
134
15
2
3
1
2
3
3
15
5
300
200
100
600
Innym problemem w Zadaniu Transportowym jest minimalizacja czasu przewozu. Wwczas zamiast
kosztw przewozu wystpuj czasy przewozu na trasach. Algorytm jest bardzo podobny do pokazanego
dla zwykej postaci ZT.
135
czwartego odbiorcy, trzeci dostawca musi co najmniej 50 jednostek dostarczy do trzeciego odbiorcy. Pozostae warunki zostay wraz z kosztami przewozu na trasach dopuszczalnych przedstawione w tabeli kosztw poniej:
2
4
0
2
3
1
2
3
300
200
100
15
2
3
1
2
3
3
15
5
300
200
100
15
2
1
2
3
3
3
15
300
200
50
50
15
2
3
1
2
3
3
15
5
300
200
100
100 100
0 50
50
136
300
200
50
50
600
atwo wida, e rozwizanie to nie jest rozwizaniem dopuszczalnym, gdy zawiera przewz przez wze (3, 4). Macierz kosztw (wraz
z potencjaami) wynosi:
2
4
15
0
2
15
1
3
2
2 15
15
3 15
3
3
5
15 15 27
0
13
12
22
A macierz zerowa, bdca sum odpowiednich potencjaw i elementw macierzy kosztw ma w tym przypadku posta:
15
25
20
14 24
1
12
10 10
100 100
0 50
50
300
200
50
50
600
Minimalne spord pcyklu ujemnego min {50, 100, 100} jest 50.
Dlatego kolejne rozwizanie uwzgldnia wzrost o 50 elementw nalecych do pcyklu dodatniego i mniejsze o 50 elementy nalece do
pcyklu ujemnego. Rozwizanie bazowe ma posta:
200 50
150 50
50
50
50
300
200
50
50
600
0
13
12
2
A macierz zerowa:
14
15
24
25 12 24
4 14 14
Kolejne rozwizanie, uwzgldniajce cykl zoony z wzw: (1,2),
(1,3), (2,2), (2,3):
200 0 50
200
50
50
50
300
200
50
50
600
3
15
15
5
3
0
13
2
2
A macierz zerowa posiada elementy ujemne, dlatego do bazy wejdzie wze (4, 2):
15 14
11 2
4 14 0
24
10
138
200 50
200
50
50
50
300
200
50
50
600
15
2
15
3
1
1
2
3
3
1
3
15
15
5
3
0
1
2
2
1
11
4
14
12
11
10
50
50 0
300
200
50
50
600
15
2
15
3
5
1
2
3
3
1
3
15
15
5
3
0
3
2
2
I macierz zerowa:
139
5
11
10
10
15
10
4
Nie ma ona ju elementw ujemnych, co oznacza, e jest to pojedyncze rozwizanie optymalne. Jak atwo wida, rozwizanie ostatnie spenia wszystkie naoone warunki.
ZADANIA DO ROZDZIAU 4
4.1. Znajd startowe rozwizanie bazowe ZT wykorzystujc MKPZ,
MME i VAM. Ile wynosi koszt przewozu w przypadku tych rozwiza?
odbiorcy
5
4
3
40
4
3
3
50
3
2
1
40
4
3
2
70
dostawcy
80
60
60
odbiorcy
1
2
3
40
2
3
2
30
4
2
1
40
3
3
4
20
dostawcy
70
20
40
odbiorcy
140
2
4
4
50
3
5
5
50
4
5
5
50
4
1
3
100
dostawcy
60
70
70
4.4. Rozwi zadanie transportowe, startujc od rozwizania bazowego uzyskanego MNEMK, wiedzc, e koszty magazynowania u kadego z dostawcw s jednakowe i wynosz 4, ale pierwszy dostawca nie
moe magazynowa wicej ni 20 jednostek, a trzeci dostawca moe
wysa do trzeciego odbiorcy co najwyej 20 jednostek.
odbiorcy
5
4
3
40
4
3
3
50
3
2
1
40
4
4
2
20
dostawcy
80
60
60
4.5. Przeanalizuj zasadno podpisania kontraktu na dostawy od drugiego dostawcy do drugiego odbiorcy w zalenoci od kosztw transportu na tej trasie. Znajd warto kosztw transportu w zadaniu optymalnym w zalenoci od kosztu przewozu na trasie od drugiego dostawcy do drugiego odbiorcy.
odbiorcy
5
4
3
30
4
X
3
50
3
2
1
60
4
4
2
60
dostawcy
80
60
60
4.6. Znajd optymalne rozwizanie ZT wiedzc, e pierwszy dostawca musi dostarczy do pierwszego odbiorcy co najmniej 40 jednostek,
a trzeci odbiorca powinien wzi od pierwszego dostawcy co najwyej
30 jednostek.
odbiorcy
5
4
1
60
X
4
3
40
3
2
3
40
2
3
5
60
dostawcy
100
60
60
11
To znaczy policz najpierw rozwizanie optymalne bez uwzgldniania czasu dostaw, znajd koszt w
tym rozwizaniu, nastpnie znajd zadanie optymalne ze wzgldu na czas (minimalizacja czasu dostaw)
i sprawd, ile wynosi bdzie czny koszt dostaw. Rnica jest kosztem skrcenia czasu dostaw.
Porwnaj, ile wynosi czas dostaw w pierwszym i drugim rozwizaniu.
141
koszt dostaw
5
4
3
odbiorcy
50
Czas dostaw (godzin)
2
2
3
4
3
3
50
3
2
1
50
4
4
2
50
3
2
3
4
3
1
2
2
4
dostawcy
80
60
60
3
5
5
50
4
5
5
50
4
1
3
60
4
1
3
40
dostawcy
60
70
70
Wskazwka: Zadanie nie jest zbilansowane. Wirtualny dostawca bdzie mia 50 jednostek. adna z tych jednostek nie moe tra do pitego odbiorcy. Poniej rozwizanie zadania:
C=
142
x
2
4
4
0
50
x
3
5
5
0
50
x
4
5
5
0
50
x
4
1
3
0
60
4
4
1
3
x
40
15
2
4
4
0
15
3
5
5
0
15
4
5
5
0
15
4
1
3
0
4
4
1
3
15
20 (I)
40 (I)
70 (II)
70 (III)
50 (W)
.
0
.
.
50
.
40
.
10
.
20
.
.
30
.
.
.
60
.
.
.
.
10
30
.
15
2
4
4
0
2
15
3
5
5
0
3
15
4
5
5
0
3
15
4
1
3
0
1
4
4
1
3
15
1
CB1=
1
0
2
0
0
0
0
2
0
1
0
1
2
0
1
2
3
0
0
1
-9
3
0
0
16
x2B=
.
0
.
.
50
.
40
.
10
.
.
.
.
50
.
.
.
60
.
.
20
.
10
10
.
15
2
4
4
0
0
15
3
5
5
0
5
15
4
5
5
0
5
15
4
1
3
0
3
4
4
1
3
15
3
14
4
6
4
0
9
0
2
0
5
9
1
2
0
5
11
3
0
0
3
0
3
0
0
12
x1B=
CB2=
12
0
0
2
2
potencjay
1
2
2
0
0
potencjay
143
.
40
.
.
10
15
2
4
4
0
5
.
.
.
10
40
15
3
5
5
0
5
.
.
.
50
.
15
4
5
5
0
5
.
.
60
.
.
15
4
1
3
0
3
20
.
10
10
.
4
4
1
3
15
3
CB3=
9
0
1
1
0
9
1
2
0
0
9
2
2
0
0
11
4
0
0
2
0
4
0
0
17
x4B=
.
40
.
10
0
.
.
.
.
50
.
.
.
50
.
.
.
60
.
.
20
.
10
10
.
15
2
4
4
0
4
15
3
5
5
0
4
15
4
5
5
0
5
15
4
1
3
0
3
4
4
1
3
15
3
10
0
2
0
0
10
1
3
1
0
9
1
2
0
1
11
3
0
0
1
0
3
0
0
16
x3B=
CB4=
144
1
3
2
0
5
potencjay
1
2
2
0
4
potencjay
x5B=
CB5=
x5 =
B
.
40
.
10
.
.
.
.
.
50
.
.
.
50
0
.
.
60
.
.
20
.
10
10
.
15
2
4
4
0
4
15
3
5
5
0
5
15
4
5
5
0
5
15
4
1
3
0
3
4
4
1
3
15
3
10
0
2
0
1
9
0
2
0
0
9
1
2
0
0
11
3
0
0
2
0
3
0
0
17
40
.
10
.
.
.
.
50
.
.
50
0
.
60
.
.
20
10
10
.
1
2
2
0
5
potencjay
145
k
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
0,2
0,1
0,05
0,02
0,01
0,002
0,001
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
63,656
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
318,309
22,327
10,215
7,173
5,893
5,208
4,785
4,501
4,297
4,144
4,025
3,930
3,850
3,787
3,733
3,686
3,646
3,611
3,579
3,552
3,527
3,505
3,485
3,467
3,450
3,435
3,421
3,408
3,396
3,385
636,578
31,600
12,924
8,610
6,869
5,959
5,408
5,041
4,781
4,587
4,437
4,318
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850
3,819
3,792
3,767
3,745
3,725
3,707
3,690
3,674
3,659
3,646
40
60
120
1,303
1,296
1,289
1,282
1,684
1,671
1,658
1,645
2,021
2,000
1,980
1,960
2,423
2,390
2,358
2,326
2,704
2,660
2,617
2,617
3,307
3,232
3,160
3,090
3,551
3,460
3,373
3,373
146
BIBLIOGRAFIA
1. Buga J., Nykowski I.: Zagadnienie transportowe
w programowaniu liniowym, PWN, Warszawa, 1972
2. Borkowski B., Dudek H., Szczsny W.: Ekonometria, Wybrane
zagadnienia, PWN, Warszawa, 2003
3. Dbski W., apiska-Sobczak N., Markowski K.: Ekonometria, Elementy teorii, Przykady i zadania dla uzupeniajcych
studiw magisterskich, Wyd. U, d, 1994
4. Dorosiewicz S. i inni: Ekonometria, OW SGH, Warszawa, 1996
5. Ekonometria, Zbir zada, praca zbiorowa pod red. Welfe A.,
PWE, Warszawa, 2003
6. Goldberger A.S.: Teoria ekonometrii, PWE, Warszawa, 1972
7. Jwiak J., Podgrski J.: Statystyka od podstaw, PWE,
Warszawa, 2001
8. Maddala G. S.: Ekonometria, PWN, Warszawa, 2006
9. Mycielski J.: Skrypt do ekonometrii, WNE UW,
Warszawa, 2006
10. Nykowski I.: Programowanie liniowe, cz I, Wyd. SGPiS,
Warszawa, 1972
11. Nykowski I.: Programowanie liniowe, PWE, Warszawa, 1984
147
Dzia Rekrutacji
Paac Kultury i Nauki
X pitro, pokj 1044 A
tel.: 22 656 62 56
fax: 22 827 76 71
infolinia: 801 033 101
rekrutacja@wszechnicapolska.edu.pl
www.wszechnicapolska.edu.pl