PODSTAWY

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

Copyright Eligiusz Wojciech Nowakowski

Copyright Wszechnica Polska Szkoa Wysza TWP w Warszawie, 2011
ISBN 978-83-89077-15-8

Paac Kultury i Nauki

00-901 Warszawa, pl. Defilad 1
Infolinia: 0 801 033 101
rekrutacja@wszechnicapolska.edu.pl
www.wszechnicapolska.edu.pl

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

3.3. WASNOCI ZADANIA PROGRAMOWANIA

LINIOWEGO ................................................................................ 83
3.4. METODA SIMPLEX .................................................................... 88
3.4.1. Zadanie startowe ................................................................... 88
3.4.2. Tablica Simplex ..................................................................... 92
3.5. ZADANIE DUALNE PROGRAMOWANIA LINIOWEGO ... 104

ZADANIA DO ROZDZIAU 3 ............................................... 110

Rozdzia 4
ZADANIE TRANSPORTOWE PROGRAMOWANIA
LINIOWEGO ........................................................................................... 115
4.1. SFORMUOWANIE ZADANIA TRANSPORTOWEGO ...... 119
4.3. METODY WYZNACZANIA ROZWIZA
WSTPNYCH ............................................................................... 120
4.3.1. Metoda kta pnocno-zachodniego [MKPZ] ................... 121
4.3.2. Metoda minimalnego elementu macierzy kosztw
[MMEMK] ............................................................................ 123
4.3.3. Metoda VAM [VAM] ........................................................... 125
4.4. OBLICZANIE WSKANIKW OPTYMALNOCI
METOD POTENCJAW ...................................................... 126
4.5. SZUKANIE ROZWIZANIA OPTYMALNEGO
PRZY POMOCY METODY GRAFW I POTENCJAW ... 129
4.6. WARUNKI NAKADANE NA ROZWIZANIE .................... 133
4.6.1. Trasy niedopuszczalne ......................................................... 133
4.6.2. Ograniczona przepustowo tras ....................................... 135
ZADANIA DO ROZDZIAU 4 ......................................................... 140
BIBLIOGRAFIA ...................................................................................... 147

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

tyki wyszej, w tym przede wszystkim algebry liniowej. Umiejtno

dziaania na macierzach, a take podstawy statystyki matematycznej, s
warunkiem zrozumienia technik ekonometrycznych. Dlatego te pierwsza cz pracy obejmuje wprowadzenie do algebry macierzy. Zwykle ukad zaj na studiach zachowuje wanie tak kolejno: wykady z ekonometrii poprzedzone s wykadami z algebry. Pierwsz cz
naley wic rozumie jako przypomnienie tej wiedzy, ktr przekazuj
wykadowcy na zajciach z algebry liniowej.
Ksika skada si z trzech zasadniczych czci. Pierwsza to wstp
do algebry liniowej i rachunku macierzowego. Druga cz dotyczy zagadnie zwizanych z modelami ekonometrycznymi, w tym budow
modeli, doborem zmiennych, metodami szacowania parametrw strukturalnych modeli, sposobem werykacji oszacowanych parametrw,
dokonywaniem prognoz. W stosunku do Wstpu do ekonometrii z zadaniami ta cz ulega rozbudowaniu rwnie o podstawowe testy. Ponadto szerzej potraktowano inne metody ni Klasyczna Metoda Najmniejszych Kwadratw.
Ostatnia cz zawiera elementy programowania liniowego wraz
z zadaniem transportowym w programowaniu liniowym. Zostay pokazane proste metody znajdowania rozwiza zada, sucych poprawie sposobu zarzdzania logistyk dostaw. Ta cz ulega rozszerzeniu o elementy optymalizacyjne przy pewnych warunkach pobocznych,
zwaszcza nakadanych na przepustowo tras.
Osoby, chcce poszerzy sw wiedz w zakresie ekonometrii i zastosowania metod optymalizacyjnych, mog skorzysta z bibliograi podanej na kocu podrcznika.

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]

Sumowanie wektorw jest moliwe wwczas, gdy ich wymiary s

jednakowe. Wektor ma zawsze jedn kolumn, natomiast moe mie
rn liczb wierszy (to jest liczb elementw w kolumnie), gdy moe
pochodzi z innej przestrzeni. Wektory przestrzeni n-wymiarowej maj
n elementw w kolumnie.
Sum dwch wektorw a i b, (w poniszym przypadku n-wymiarowych)
aT = (a1, a2, ..., an) i bT = (b1, b2, ..., bn)
nazywamy wektor
aT + bT = (a1 + b1, a2 + b2, ..., an + bn).
PRZYKAD 1.1. Wylicz wektor c, bdcy sum wektorw w zapisie wierszowym: aT= (2, 3, 4) i bT = (1, 0, 2).
& 2#
a = $$3!!
$%4!"

&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

&10 '( 2 # &20#

! a = b = $$10 '( 3 = $$30 !!
$%10 '( 4 " $%40!"

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!"

Wektory te, zestawione w macierzy tworz wanie macierz jednostkow:

&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"!

Wasnoci iloczynu skalarnego:

aT b = b T a
(a)T b = (aT b),
(a + b)T c = aT c + bT c
Rwnie wana, zwaszcza w przypadku odwracania macierzy jest
niezaleno liniowa wektorw. W celu poznania niezalenoci liniowej wektorw, pocztkowo wprowadzone zostanie pojcie kombinacji
liniowej.
Niech (a1, a2, ..., ak) oznacza ukad wektorw w przestrzeni wektorowej n-wymiarowej n. Wektor
a = 1a1 + 2a2 + ... + kak
nazywamy kombinacj liniow tych wektorw. Kombinacja liniowa jest
zatem wektorem, ktrego elementy s rwne sumie odpowiednich elementw wszystkich wektorw wchodzcych w skad kombinacji pomnoonych przez liczby i.
Bdziemy mwi, e ukad wektorw (a1, a2, ..., ak) nazywamy liniowo zalenym, jeeli istnieje taki ukad liczb 1, 2, ..., k nie wszystkich
jednoczenie rwne zero, e
k

!# 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,

wtedy i tylko wtedy, gdy 1 = 2 = ... = k = 0.

PRZYKAD 1.4. Wyka, e wektory a i b, s liniowo niezalene,
gdzie wektory w postaci wierszowej maj posta
aT = (2, 3, 4) i bT = (1, 0, 2).
Wektory mnoymy przez liczby 1 oraz 2 i szukamy, dla jakich 1
oraz 2 ich kombinacja liniowa jest rwna wektorowi zerowemu:

& 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 "

o m wierszach i n kolumnach nazywamy macierz o wymiarach m x n.

Liczby aij, gdzie: i = 1, 2, ..., m, s elementami wiersza j macierzy,
natomiast liczby aij dla j = 1, 2, ..., n s elementami kolumny i macierzy. Wskaniki i oraz j informuj, e element aij wystpuje w macierzy
w wierszu o numerze i oraz w kolumnie o numerze j.
Dla oznaczenia macierzy bdziemy uywali pgrubych liter wielkich, takich jak: A, B, C. Moliwe bdzie rwnie przedstawianie macierzy za pomoc ich elementw w postaci symboli [aij], [bij], [cij], gdzie
zawsze i = 1, 2, ..., m, j = 1,2, ..., n.
PRZYKAD 1.6. Napisa macierz 3 x 3, ktrej kolumnami s wektory, majce w postaci wierszowej posta: aT = (2, 3, 4) i bT = (1, 0, 2),
cT = (1, 3, 2).
Wektory te, jako elementy macierzy przedstawia:
&2 1 1 #
A = $$3 0 3!! .
$%4 2 2!"

16

Macierz, w ktrej liczba wierszy rwna si liczbie kolumn (tzn. m = n)

nazywamy macierz kwadratow stopnia n. Pokazana w poprzednim
przykadzie macierz jest macierz kwadratow o wymiarach 3 x 3.
W niektrych przypadkach w ekonometrii zasadnicze znaczenie odgrywaj elementy diagonalne (lece na gwnej przektnej). Ukad elementw (a11, a22, ..., ann ) w macierzy kwadratowej stopnia n nazywamy
elementami diagonalnymi lub gwn przektn macierzy.
Zgodnie z uwagami z poprzedniej czci, macierze o wymiarach
m x 1 lub 1 x n nazywamy odpowiednio wektorem kolumnowym lub
wektorem wierszowym.
W ekonometrii wrd czsto wykonywanych dziaa na macierzach
jest ich transpozycja. Dlatego te transponowana macierz A = [aij] o wymiarach m x n staje si macierz AT = [aji] o wymiarach n x m. Wiersze
macierzy transponowanej staj si kolumnami macierzy A.
Nie zawsze dziaania na macierzach mog by wykonane. W dziaaniach na macierzach zasadnicze znaczenie odgrywaj ich wymiary. Dlatego na przykad przy mnoeniu macierzy wane jest, by macierz pierwsza miaa tyle kolumn, ile wierszy ma macierz druga. W dodawaniu konieczna jest zgodno zarwno liczby wierszy, jak i kolumn. Dlatego
przed wykonaniem dziaa naley sprawdzi, czy wymiary macierzy
pozwalaj na wykonanie dziaa.
PRZYKAD 1.7. Napisa macierz transponowan do macierzy A2x3,
ktrej wierszami s wektory majce w postaci wierszowej posta
aT = (2, 3, 1) i bT = (0, -2, 5).
W takim przypadku
& 2 3 1#
A= $
!,
%0 ' 2 5"

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

PRZYKAD 1.8. Niech bd dane macierze:

&0 1 4 #
A= $
!,
%3 1 5 "

&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!"

Co mona powiedzie o powyszych macierzach?

Macierz A ma wymiary 2 x 3, macierz B 2 x 2, macierz C 3 x 2 a macierze D, E, F s kwadratowe o wymiarach 3x3.
Macierz B jest macierz kwadratow stopnia drugiego. Elementy 5
i 4 w tej macierzy stanowi gwn przektn.
Macierz D jest macierz kwadratow stopnia trzeciego. Gwna
przektn tej macierzy tworz elementy 2, 2, 1.
Macierz E jest macierz trjktn (wszystkie elementy tej macierzy
wystpujce poniej gwnej przektnej s rwne zero).
Macierz F jest macierz diagonaln, poniewa wszystkie elementy
tej macierzy, poza elementami gwnej przektnej, s rwne zero.
1.2.1. Dodawanie macierzy
Macierz A jest rwna macierzy B wwczas, gdy wymiary macierzy s identyczne i kady element o wymiarach i,j jest taki sam. Jeli
A = [aij], B = [bij], s macierzami o tych samych wymiarach, to
A = B wtedy i tylko wtedy, gdy aij, = bij dla i = 1, 2, ..., m, oraz j = 1, 2, ..., n.
Na macierzach okrelone s dziaania dodawania i mnoenia, zarwno przez liczb jak i przez macierz. Wykonywanie dziaa na macierzach jest moliwe tylko wwczas, gdy odpowiednie wymiary macierzy
dodawanych lub mnoonych s identyczne.
W przypadku dodawania macierzy A i B musza one mie te same
wymiary. Dodawanie jest przemienne, co oznacza, e A + B = B + A.
W przypadku mnoenia macierzy wymiary wewntrzne iloczynu
musz by takie same, a wynik ma wymiary zewntrzne. Oznacza
to, e mnoenie macierzy A3x4 oraz B4x5 jest moliwe, a w wyniku tego
mnoenia powstanie macierz C o wymiarach 3 x 5. Pokazuje to wanie
warunek zgodnoci wymiarw wewntrznych iloczynu macierzy.
A3x4 B4x5 = C3x5,
18

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"

Wykonaj moliwe dodawania macierzy.

Ze wzgldu na wymiary macierzy moliwe jest dodawanie macierzy
A i C i ewentualne wielokrotne dodawanie jednakowych macierzy (na
przykad B + B).
D=B+C=
=

0+2 1+0 4+2

2 0 2
0 1 4
=
+
=
3+4 1+3 5+0
4 3 0
3 1 5

2 1 6
7 4 5

&5 2# &5 2# &10 4#

E=B+B= $
!
! + $
! = $
%3 4" %3 4" % 6 8 "
Druga suma jest rwnowana iloczynowi liczby 2 i macierzy B. Dlatego te wygodnie jest zdeniowa iloczyn liczby rzeczywistej i macierzy. Mnoenie przez liczb jest skrconym dodawaniem. Zamiast dodawa te same macierze, mona pomnoy ich elementy przez odpowiedni liczb, rwno liczbie dodawa. Mona zapisa, e iloczynem macierzy A = [aij] o wymiarach m x n i liczby rzeczywistej nazywamy macierz B = [bij], take o wymiarach m x n, ktrej elementy s okrelone
nastpujco:
bij = aij dla i = 1,2, ..., m, j = 1,2, ..., n.
Wykonane w Przykadzie 1.9 dziaanie B + B jest rwnowane mnoeniu macierzy B przez liczb 2.

19

PRZYKAD 1.10. Dane s macierze:

&2 0 #
B = $$3 ' 2!!
$%1 5 !"

&0 1 4 #
A= $
!,
%3 1 5 "

Wyznaczy macierze: C = 2AT - B oraz D = A + B

Rnic macierzy moemy zapisa nastpujco: C = 2AT + (-l) B.
Zatem

&0 3#
C = 2 $$1 1!! + (-1)
$%4 5!"

& 2 0 # &0 6 # & ' 2 0 # & ' 2 6 #

$ 3 ' 2! = $ 2 2 ! + $ ' 3 2 ! = $ ' 1 4!
! $
! $
! $
!
$
$%1 5 !" $%8 10!" $% ' 1 ' 5!" $% 7 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

cir = ai1b1r + ai2b2r + aikbkr =

! 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"

W wyniku mnoenia tych macierzy uzyska si:

&5 2# &0 1# & 5 ' 0 ( 2 ' 1 5 ' 1 ( 2 ' 0# &2 5#

A1 = AE = $
!$
! = $
! = $
!
%3 4" %1 0" % 3 ' 0 ( 4 ' 1 3 ' 1 ( 4 ' 0" %4 3"
co oczywicie jest zamian kolumn,

&0 1# &5 2# &3 4#

A2 = EA = $
!$
! = $
!,
%1 0" %3 4" %5 2"
co jest zamian wierszy w macierzy A.
Operacje elementarne s czsto wykorzystywane do obliczania macierzy odwrotnej. Dotyczy to nie tyle obliczania oszacowa parametrw
strukturalnych modeli ekonometrycznych, ale przede wszystkim wyliczania rozwiza optymalnych (za pomoc metody Simplex) w programowaniu liniowym. Z kolei znajdowanie macierzy odwrotnej koniecznej do znalezienia estymatora parametrw strukturalnych wygodniej
jest liczy metod Laplace`a, ni przy zastosowaniu operacji elementarnych. Metoda ta do wyznaczenia odwrotnoci macierzy wymaga znajomoci wyznacznika tej macierzy. Dlatego te konieczne jest wprowadzenie pojcia wyznacznika.
Kadej macierzy kwadratowej A (i tylko takiej) mona przyporzdkowa pewn (tylko jedn) liczb zwan jej wyznacznikiem i oznaczon
symbolem detA lub rzadziejA.
Wyznacznikiem macierzy A = [aij] dla i, j = 1, 2 , ..., n jest liczba

det A =

! ("1) ! a1k1 a2k2 ankn,

p

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

Liczby k1i k2 tworz inwersj, jeeli k1 > k2

22

&5 2#
A= $
!.
%3 4"
Mamy tu macierz stopnia drugiego. Zatem w macierzy

&a
A = $ 11
%a 21

a12 #
a 22 !"

liczba permutacji jej elementw wynosi 2! = 2. S to permutacje 1,2

oraz 2,1. Permutacja 1,2 jest permutacj gwn (podstawow) i liczba
inwersji (nieporzdkw) w tej permutacji wynosi 0. W permutacji 2,1
liczba inwersji wynosi 1 (liczba 2 poprzedzajca liczb 1).
Zatem
&a
det $ 11
%a 21

a12 #
= (1)0 a11a22 + (1)1a12a21 = a11a22 a12a21.
!
a 22 "

Dla danej w przykadzie macierzy mamy:

&5 2#
A= $
!
%3 4"

&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 a12 a13 #

detA = det $$a 21 a 22 a 23 !! = (1)0 a11 a22 a33 +( 1)1 a11 a23 a32 +
$%a31 a32 a33 !"
+ (1)2 a13 a21 a32 + (1)1 a12 a21 a33 + (1)2 a12 a23 a31 + (1)3 a13 a22 a31 =

= a11a22a33 a11a23a32 + a13a21a32 a12a21a33 + a 12a23a31 a13a22a31

Dla macierzy danej w zadaniu mamy
Z podanych przykadw wynika, e obliczanie wyznacznika macierzy niskich stopni nie jest problemem. Mimo tej atwoci, w praktyce posugujemy si przy obliczaniu wyznacznikw macierzy trzeciego
stopnia pewnym schematem uatwiajcym postpowanie.
Zgodnie z pokazanym poniej schematem liczenia wyznacznika, dla
macierzy trzeciego stopnia jest on rwny:

& a11 a12 a13 #

det $$a 21 a 22 a 23 !! = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
$%a31 a32 a33 !"
a13 a22 a31 a12a21a33 a11a23a32
W celu atwiejszego wyliczenia wyznacznika dopiszmy do macierzy
jako wiersz czwarty i pity dwa pierwsze wiersze. Otrzymamy macierz
24

rozszerzon, z ktrej liczymy iloczyny:

& 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

znacznik macierzy mona przedstawi wedug ktrego wiersza jako

sum kofaktorw wymnoonych przez elementy wybranego wiersza.
Bez rozpisywania oglnego przypadku policzmy wyznacznik dla
macierzy trzeciego stopnia zgodnie z t metod.
Jeeli w macierzy A skrelimy i-ty wiersz, (i = 1, 2, 3) oraz k-t kolumn (k = 1, 2, 3), to otrzymamy macierz stopnia drugiego. Wyznacznik otrzymanej macierzy (zwany minorem) pomnoony przez liczb
(1)1+k nazywamy dopenieniem algebraicznym elementu aik macierzy A
i oznaczamy symbolem Aik .
Na przykad po skreleniu drugiego wiersza i trzeciej kolumny wyliczone dopenienie algebraiczne bdzie rwne:
a12
a
A23 = (1)2+3 det 11
= (a11a32 a12a31) = a12a31 a11a32
a31 a32
Wyznacznikiem macierzy stopnia trzeciego nazywamy liczb
det A = ai1 Ai1 + ai2 Ai2 + ai3 Ai3
gdzie i jest numerem dowolnej kolumny, albo
det A = a1k A1k + a2k A2k + a3k A3k
gdzie k jest numerem dowolnej kolumny.

PRZYKAD 1.16. Na podstawie pokazanej metody obliczymy ponownie wyznacznik macierzy

& 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

W kadym z trzech sposobw liczenia otrzymalimy ten sam wynik.

Z przykadu tego ponadto wida, e przy wyborze numeru wiersza
lub kolumny warto pamita, e det B jest sum iloczynw, ktr krtko moemy zapisa w postaci:
26

aik Aik

lub

k "1

aik Aik

i "1

Liczba skadnikw w tej sumie moe by mniejsza od 3 (3 stopie

macierzy), jeeli w wybranym wierszu lub kolumnie bdzie przynajmniej jeden element rwny zero. Wane wic by przy wyborze numeru
wiersza lub kolumny wzi to pod uwag.
Wyznacznik macierzy stopnia n jest liczb okrelon wzorem

(1)

det A = ai1 Ai1 + ai2 Ai2 + ain Ain =

aik Aik

k "1

albo

(2)

det A = a1k A1k + a2k A2k + ank Ank =

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"

Wyznaczniki maj nastpujce wasnoci:

1. det AT = det A
2. W wyniku zamiany miejscami dwu wierszy (lub kolumn) macierzy A otrzymujemy macierz B, ktrej wyznacznik jest liczb
przeciwn do det A.
27

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

Macierz C jest macierz kwadratow. Jej wyznacznik detC = 1. Jest

macierz trjktn i aden z elementw diagonalnych nie jest zerem.
Zatem C jest macierz nieosobliw.
Jeeli A jest macierz nieosobliw stopnia n, to istnieje dokadnie
jedna taka macierz B, e AB = BA = In, gdzie macierz In jest macierz
jednostkow stopnia n. Macierz B o takiej wasnoci nazywamy macierz odwrotn do macierzy A i oznaczamy symbolem A-1.
PRZYKAD 1.19. Sprawd, czy odwrotn do macierzy:

&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:

&2 5# & 3 ' 5# &6 ' 5 ' 10 ( 10# &1 0#

AA-1 = $
! = $
!$
!= $
!,
%1 3" %' 1 2 " %3 ' 3 ' 5 ( 6 " %0 1"
a take

& 3 ' 5# &2 5# & 6 ' 5 15 ' 15# &1 0#

A-1A = $
! = $
!$
! = $
!
%' 1 2 " %1 3" %' 2 ! 2 ' 5 ! 6 " %0 1"
Macierz nieosobliw A mona za pomoc cigu operacji elementarnych sprowadzi do macierzy jednostkowej tego samego stopnia, jaki
ma macierz A. Jest to jeden z atwiejszych sposobw wykorzystywanych do znajdowania macierzy odwrotnej. Odwracanie macierzy drog operacji elementarnych zabiera jednak wicej czasu, ni inne metody. Jest jednak metod najprostsz.
PRZYKAD 1.20. Za pomoc cigu elementarnych operacji przeksztacimy macierz.

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

wiednich operacji elementarnych moemy sprowadzi j do macierzy

C = [In A-1] , gdzie A-1 jest macierz odwrotn do A.
PRZYKAD 1.21. Za pomoc cigu elementarnych operacji wyznaczymy macierz odwrotn do macierzy C.

&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

&1 2 2# &' 1 / 3 0 2 / 3 # &1 0 0#

CC = $$1 1 2!! $$ 1
'1
0 !! = $$0 1 0!!
$%2 1 1 !" $%' 1 / 3 1 ' 1 / 3!" $%0 0 1!"
-1

Mona te pokaza, e C-1C = I. Zatem C-1 jest macierz odwrotn

do macierzy C.
Istnieje wiele sposobw liczenia macierzy odwrotnej do danej macierzy. Jednym z bardziej popularnych sposobw liczenia macierzy odwrotnej do nieosobliwej macierzy An = [aij] (i, j = 1,2, ..., n) wyznacza
wzr:

31

A-1 =

(3)

1
[ Aij]T ,
det A

gdzie Aij jest dopenieniem algebraicznym elementu aij macierzy A.

PRZYKAD 1.22. Za pomoc dopenie algebraicznych wyznaczamy macierz odwrotn do macierzy C z poprzedniego przykadu.
Macierz C jest nieosobliwa. Jej wyznacznik detC = 1, a dopenienia
algebraiczne elementw macierzy C s nastpujce :

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

Macierz odwrotn do C jest macierz

C -1

1 #
&'1 1
$ 4 ' 5 ' 2! .
!
$
$%' 2 3
1 !"

Czytelnik zechce samodzielnie wykona sprawdzenie.

Macierz odwrotna odgrywa zasadnicz rol w szacowaniu parametrw strukturalnych modeli ekonometrycznych. Dlatego te przed przystpieniem do rozwaa szacowania parametrw modeli naley dobrze
opanowa t cz algebry liniowej.
Prawdziwe s nastpujce wasnoci macierzy odwrotnej:

32

a) (AB)-1 = B-1 A-1,

b) (AT)-1 = (A-1)T,
c) (A-1)-1 = A
d) det B-1 =

1 ,
det B-1

e) (kB)-1 =

1 -1
B ,
k

gdy k ! 0.

Sprawdzimy je dla macierzy

&2 5#
A= $
!,
%1 3"

&2 3#
B= $
!,
%4 5"

Ad . a)

&2 5# &2 3# &24 31#

C = AB = $
! $4 5! = $14 18! ,
1
3
" %
%
"
"%
det (AB) = 24 18 31 14 = 432 434 = 2,
C11 = 18,

C12 = 14,

C-1 = (AB)-1 =

1
2

C22 = 24,

& 18 ' 31# &' 9 31 #

2 !;
$' 14 24 ! = $
$
%
" % 7 ' 12!"

& 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!"

3 # & 3 ' 5# &

31 #
'9
$
!
=
2 $
2 !.
!
'
1
2
$
!
!
%
"
' 1"
% 7 ' 12"

Macierze (AB)-1 i B-1 A-1 s macierzami identycznymi.

Ad. b)

&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"

Otrzymalimy rwno (A -1 )-1 = A

Ad. d)

& 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

det C = 10k2 12k2 = 2k2.

C21 = 3k,

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

A. S. Goldberger: Teoria ekonometrii, PWE, Warszawa, 1975, s. 15.

O prawach ekonomicznych traktuje na przykad praca: Makro i Mikroekonomia. Podstawowe problemy,
red. S. Marciniak, PWN, Warszawa, 1999, s. 19 i nastpne.

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

+ !m+1X1t + !m+2X2t + ... + !m+kXkt + "1t

Y2t = #0 + #1Y1t + ... + #m-1Ymt

+ #m+1X1t + #m+2X2t + ... + #m+kXkt + "2t

...
...
...
...
...
...
...
...
...
...
...
Ymt = $0 + $1Y1t + ... + $m-1Ym-1,t + $m+1X1t + $m+2X2t + ... + $m+kXkt + "mt

Yit zmienna objaniana w i-tym rwnaniu, i = 1,...m,

k, k, ... 0 s parametrami strukturalnymi modelu,
Xjt j-ta zmienna objaniajca, k = 1, ..., k.
36

it jest skadnikiem losowym w i tym rwnaniu, i = 1, ..., m.

Zgodnie z wczeniejszymi uwagami w dalszej czci zajmowa si
bdziemy przede wszystkim modelami jednorwnaniowymi. Na przykadzie takiego modelu zostanie pokazany sposb szacowania parametrw strukturalnych, ktry ze wzgldu na sposb postpowania nazywany jest Klasyczn Metod Najmniejszych Kwadratw [KMNK]. Jednake, ze wzgldu na czsto wystpowania modeli wielorwnaniowych
konieczna jest znajomo rwnie tych modeli. Dlatego te w dalszej czci opisane zostan niektre metody szacowania takich modeli. W celu
dokadnego poznania metod szacowania modeli wielorwnaniowych
czy te modeli jednorwnaniowych, ale nieliniowych naley sign po
bardziej zaawansowane pozycje ksikowe.
Poniej na przykadzie modelu wielorwnaniowego pokazane zostan sposoby podziau modeli a rwnie dokonana zostanie analiza wystpujcych w nich zmiennych.
PRZYKAD 2.1. Zaproponuj posta trzyrwnaniowego modelu
ekonometrycznego opisujcego popyt na samochody.
Taki model, uwzgldniajcy zarwno popyt na samochody, jak i badajcy zwizane z tym popytem czynniki z rynku paliwowego, przedstawiaj ponisze rwnania:
(1) PSt = 0 + 1Dt + 2Dt-1 + 3CBt + 1t
(2) PBt = 0 + 1[PSt + PSt-1] + 2Dt + 2t
(3) CBt = 0 + 1PSt + 3t
gdzie:
PSt efektywny popyt na samochody (faktyczna sprzeda samochodw) w roku t,
0, 1, 2, 3 parametry strukturalne w rwnaniu pierwszym,
Dt redni dochd do dyspozycji gospodarstw domowych w roku t,
Dt-1 redni dochd do dyspozycji gospodarstw domowych w roku t-1,
CBt cena benzyny w roku t,
1t skadnik losowy w pierwszym rwnaniu,
PBt efektywny popyt na benzyn (faktyczna sprzeda benzyny w tonach) w roku t,
0, 1, 2 parametry strukturalne w rwnaniu drugim,
PSt + PSt-1 czna sprzeda samochodw w latach t oraz t-1,
37

2t skadnik losowy w drugim rwnaniu,

0, 1 parametry strukturalne w trzecim rwnaniu.
Przedstawiona posta modelu wielorwnaniowego nazywana jest
postaci strukturaln. Innym sposobem prezentacji modelu, ktr mona uzyska po przeksztaceniach, jest posta zredukowana. Postacie te
rn si przede wszystkim rwnoczesnym wystpowaniem tych samych zmiennych, jako objanianych w jednych rwnaniach i objaniajcych w innych rwnaniach.
atwo wida, e w modelu pokazanym w przykadzie 2.1. wrd
zmiennych objaniajcych znajduj si zmienne, ktre w innych rwnaniach s zmiennymi objanianymi. Przykadem wanie takiej sytuacji jest zmienna CBt, ktra jest zmienn objanian przez rwnanie (3).
Jednoczenie ta zmienna objania ksztatowanie si w pierwszym rwnaniu zmiennej PSt. Z tego wzgldu konieczne jest poznanie i stosowanie jednolitego nazewnictwa zmiennych.
2.3. KLASYFIKACJA ZMIENNYCH WYSTEPUJCYCH
W MODELU
W modelach ekonometrycznych wystpuj dwa podstawowe zbiory
zmiennych. S to zbiory obejmujce:
A zmienne objaniane,
B zmienne objaniajce.
Zmienne objaniane s opisywane przez model. To zachowanie
tych zmiennych jest badane. Zaley nam na poznaniu ksztatowania si
w przyszoci wanie zmiennych objanianych przez model. W odrnieniu od nich wystpuj zmienne, ktre opisuj zachowanie si zmiennych objanianych. Dlatego te nazywane s zmiennymi objaniajcymi
ksztatowanie si zmiennej objanianej. Zwykle nie s to zbiory rozczne. Wida to rwnie na Przykadzie 2.1. Zmienna CBt naley rwnoczenie do zbioru A i B.
Inna klasykacja, deniujca rozczne zbiory zmiennych wystpujcych w modelach ekonometrycznych wyrnia dwa zbiory:
C zmienne endogeniczne,
D zmienne egzogeniczne.
Te dwa pojcia pozwalaj wyrni zmienne, ktre nale w modelu tylko do jednego zbioru. Moemy napisa, e zmienne endogeniczne

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

bra komplementarne5. Opisuje cao zjawiska, uwzgldniajc fakt, e

popyt na samochody jest zaleny od cen benzyny.
Model prosty, jednorwnaniowy, badajcy popyt na samochody
przedstawi mona za pomoc modelu:
PSt = 0 + 1Dt + 2Dt-1 + 3CBt + 1t
gdzie6 zmienne maj to samo znaczenie, jakie nadano im w przykadzie 2.1.
KRYTERIUM 2. Posta analityczna modelu.
- modele liniowe, w ktrych wszystkie zalenoci modelu s liniowe,
- modele nieliniowe, w ktrych chocia jedna zaleno modelu jest
nieliniowa.
PRZYKAD 2.1. pokazuje model liniowy, to jest taki model, w ktrym rwnania s sum iloczynw parametrw strukturalnych i zmiennych. Zmienne nie wystpuj w postaci funkcji trygonometrycznych,
wykadniczych czy innych funkcji nieliniowych. Jest to zatem model liniowy. Nieliniowo moe dotyczy zarwno parametrw jak i zmiennych.
PRZYKAD 2.4. Podaj przykad modelu nieliniowego opisujcego
proces produkcji.
W literaturze polskiej jest szereg pozycji, w ktrych znale mona przykady funkcji opisujcych proces produkcji i jego efekty. Funkcje takie zwane s wanie funkcjami produkcji. Najpopularniejsz jest
funkcja produkcji typu Cobb-Douglasa. Zostaa opisana po raz pierwszy przed prawie stu laty7. Posta funkcji typu Cobb-Douglasa reprezentuje ponisze rwnanie:
Q = ePCete
gdzie zmienn objanian Q jest warto produkcji a zmienne objaniajce oznaczaj odpowiednio: P wielko nakadw pracy ywej, C
warto nakadw pracy uprzedmiotowionej, t czas. Skadnik losowy wystpuje rwnie w formie funkcji wykadniczej o podstawie
e. Parametry , , s odpowiednio: sta regresji, elastycznoci produkcji wzgldem nakadw pracy ywej oraz wzgldem nakadw pra5

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

cy uprzedmiotowionej. Parametr wyraa postp techniczny neutralny8.

atwo wida na podanym przykadzie, e taka funkcja produkcji jest
nieliniowa zarwno ze wzgldu na parametry jak i zmienne.
KRYTERIUM 3. Uwzgldnienie czynnika czasu w modelu.
- modele statyczne, ktre nie uwzgldniajc czynnika czasu,
- modele dynamiczne, w ktrych uwzgldnia si czynnik czasu w postaci zmiennej czasowej (trend, tendencja rozwojowa) lub opnienia zmiennej objanianej (autoregresja). Wystpowanie tego czynnika chocia w jednym rwnaniu okrela model jako dynamiczny.
PRZYKAD 2.5. Model wielorwnaniowy z przykadu 2.1 jest modelem statycznym. Nie zawiera czynnika czasu, jak rwnie adna
zmienna objaniajca nie jest opnion (z subskryptem t-1) zmienn
objanian. Podaj przykad modelu dynamicznego.
W teorii ekonomii znany jest model Harroda-Domara9. Pokazuje on
wzrost gospodarczy jako funkcj dokonywanych inwestycji oraz istniejcego w gospodarce majtku produkcyjnego.
Mt = 0Mt-1 + 1It + 1t
Dt = 0Mt + 2t
Dt = Ct + It
gdzie: Gdzie Dt reprezentuje produkt krajowy brutto w roku t, Mt oraz
Mt-1 to warto majtku trwaego odpowiednio w roku t i w roku poprzednim (t-1), Ct konsumpcja, It inwestycje.
Model ten jest modelem dynamicznym, w ktrym majtek produkcyjny w roku biecym jest opisywany tyme majtkiem w roku poprzednim. Jednoczenie majtek okrela wielko produktu krajowego
brutto. Trzecie rwnanie stanowi tosamo, stwierdzajc, e wytworzone w gospodarce wartoci s albo konsumowane albo inwestowane.
KRYTERIUM 4. Charakter powiza pomidzy zmienn objanian
a zmiennymi objaniajcymi.
- modele przyczynowo-opisowe,
- modele symptomatyczne,
- tosamoci.
8

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

Kryterium to bazuje na powizaniach pomidzy zmiennymi modelu.

Mona zauway, e modele budujemy bazujc na teorii ekonomii. W
pierwszym kroku powinno si rozpozna teori, postawi hipotez i na
jej podstawie zbudowa odpowiednie rwnanie. Przykadem takiego
rwnania jest pierwsze i drugie rwnanie w przykadzie 2.5. Pierwsze
i drugie rwnanie okrelaj zmienn objaniajc jako skutek przyczyny, jak jest ksztatowanie si zmiennej objaniajcej. Wysoko inwestycji okrela warto majtku produkcyjnego. Wystpuje zatem wyrana przyczyna (inwestycje) i skutek (wzrost majtku produkcyjnego).
Trzecie rwnanie jest tosamoci, przedstawiajc ekonomiczny
pewnik. Nie mona zrobi z zarobion zotwk nic innego jak j skonsumowa (zguba jest form konsumpcji) lub zaoszczdzi.
Rwnania, w ktrych rol zmiennych objaniajcych peni zmienne skorelowane z odpowiednimi zmiennymi objanianymi ale nie wyraajce rde zmiennoci zmiennych objanianych, nazywamy rwnaniami symptomatycznymi. Mona sobie wyobrazi, e wysoko dochodw hoteli nad morzem opisywa bdziemy w zalenoci od redniej temperatury w miesicach wakacyjnych i od czasu (model dynamiczny, zawierajcy tendencj rozwojow). Taki model pokazuje nastpujcy przykad:
PRZYKAD 2.6. Napisz jednorwnaniowy, symptomatyczny model
opisujcy przychody z usug hotelarskich nad morzem.
St = 0St-1 + 1Gt + 2T + t
gdzie: St reprezentuje przychody z usug hotelarskich w rokut, St-1 jest
opnion zmienn objanian, reprezentujc przyzwyczajenia turystw (cz osb jedzi systematycznie do tych samych orodkw), Gt
jest redni temperatur w lipcu i sierpniu w roku t, T jest tendencj rozwojow, przyjmujc warto kolejnej liczny naturalnej (T = 1, 2, 3, ...n).
Model powyszy jest symptomatycznym modelem jednorwnaniowym, gdy pokazuje przychody jako funkcj temperatury. Zmienna ta
oczywicie nie wpywa na przychody w sposb bezporedni. Jednake decyzje urlopowe s podejmowane w oparciu o przewidywan temperatur. Zmienna ta jest skorelowana z prawdziw zmienn, majca
wpyw na przychody z usug hotelarskich (rosnca temperatura nie podnosi przychodw z usug hotelarskich, jednak sprzyja przyjazdom nad
morze wikszej liczby turystw).

43

KRYTERIUM 5. Charakter powiza midzy zmiennymi cznie

wspzalenymi.
- modele proste,
- modele rekurencyjne,
- modele o rwnaniach wspzalenych.
Zgodnie z zapisem z pocztku tego rozdziau model wielorwnaniowy moemy zapisa w postaci:
Y1t = 0 + 1Y2t + ... + m-1Ymt + m+1X1t + m+2X2t + ... + m+kXkt + 1t
Y2t = 0 + 1Y1t + ... + m-1Ymt + m+1X1t + m+2X2t + ... + m+kXkt + 2t
...
...
...
...
...
...
...
...
...
...
...
Ymt = 0 + 1Y1t + ... + m-1Ym-1,t + m+1X1t + m+2X2t + ... + m+kXkt + mt
co po przeksztaceniu10 mona zapisa w postaci, zwanej postaci strukturaln:
Y1t 1Y2t ... m-1Ymt 0 m+1X1t m+2X2t ... m+kXkt = 1t
Y2t 1Y1t ... m-1Ymt 0 m+1X1t m+2X2t ... m+kXkt = 2t
...
...
...
......
...
...
...
...
Ymt 1Y1t ... m-1Ym-1,t 0 m+1X1t m+2X2t ... m+kXkt = mt
Zapis macierzowy tego modelu wyglda nastpujco:
BY X =
Gdzie, majca znaczenie z punktu klasykacji modelu macierz B
(parametrw strukturalnych stojcych przy zmiennych cznie wspzalenych) wyglda nastpujco:

& 1
$' )
B= $ 1
$ ...
$
%' (1

' *1
1
...
'(2

... ' * m'1 #

... ' ) m'1 !!
Y=
...
... !
!
...
1 " mxm

&Y1 #
$Y !
$ 2!
$' !
$ !
%Ym " mx1

Macierz B wskazuje na rodzaj modelu. Od jej ksztatu zaley rodzaj

modelu wielorwnaniowego. Ona rwnie okrela moe sposb estymacji parametrw strukturalnych modelu.
Najoglniej mona napisa, e z modelem prostym mamy do czynienia, gdy macierz B jest macierz jednostkow, to znaczy macierz majc jedynki na gwnej przektnej (diagonalnej) a zera wystpuj w po10

Po prawej stronie rwnoci pozostay tylko skadniki losowe.

44

zostaych miejscach macierzy. Parametry strukturalne modeli prostych

szacujemy w drodze estymacji pojedynczej (kade rwnanie oddzielnie)
za pomoc Klasycznej Metody Najmniejszych Kwadratw [KMNK].
Model rekurencyjny bdzie mia macierz B w formie macierzy trjktnej (elementy na gwnej przektnej s jedynkami a nad t przektn
wystpuj rwnie elementy rne od zera, podczas gdy pod ni wystpuj same zera, lub odwrotnie zera s nad diagonaln w pod ni s
rwnie elementy rne od zera). W przypadku modeli rekurencyjnych
stosujemy do estymacji rwnie Klasyczn Metod Najmniejszych
Kwadratw. Postpowanie rozpoczynamy od rwnania, w ktrym nie
wystpuj jako zmienne objaniajce inne zmienne objaniane. Estymacja parametrw strukturalnych tego rwnania KMNK pozwala na
wyliczenie wartoci teoretycznych zmiennej objanianej. Nastpnie
te wanie wartoci teoretyczne (wyliczone na podstawie modelu) s
wstawiane w miejsce wartoci rzeczywistych (obserwowanych). W ten
sposb spenione s warunki (opisane w dalszej czci) wymagane dla
KMNK.
Model wspzaleny ma macierz B w postaci, ktrej nie mona sprowadzi przez zamian wierszy do macierzy jednostkowej ani macierzy
trjktnej. Do szacowania takich modeli wykorzystywane s: Porednia
Metoda Najmniejszych Kwadratw, Podwjna Metoda Najmniejszych
Kwadratw a take metody estymacji cznej.
Porednia Metoda Najmniejszych Kwadratw [PMNK] polega na
wyznaczeniu ocen parametrw postaci strukturalnej czyli postaci modelu, ktry zosta zaproponowany do szacowania przy wykorzystaniu
uprzednio oszacowanych parametrw postaci zredukowanej. Oznacza
to, e model w postaci (strukturalnej) macierzowej:
BY X =
mnoymy lewostronnie przez macierz odwrotn do macierzy B, czyli
B-1. Dziki temu uzyskamy zredukowan posta modelu:
B-1BY = B-1X + B-1 .
Czyli oczywicie po skorzystaniu z waciwoci macierzy odwrotnej:
Y = B-1X + B-1 .
Posta zredukowana to oczywicie model prosty. Co oznacza, e do
niej moemy zastosowa KMNK. Jak atwo wida zasb informacji
wynikajcy z tej postaci (zredukowanej) moe by niewystarczajcy
do uzyskania oszacowa oryginalnego modelu w postaci strukturalnej.
45

Dlatego do PMNK wymagana jest jednoznaczna identykowalno

modelu. Oznacza to, e jedynie do estymacji parametrw cz modeli, speniajcych warunek jednoznacznej identykowalnoci moe by
uyta PMNK11.
W przypadku braku jednoznacznej identykowalnoci nie jest moliwe szacowanie parametrw strukturalnych modeli wspzalenych przy
wykorzystaniu postaci zredukowanej. W takim przypadku naley zastosowa Dwustopniow Metod Najmniejszych Kwadratw [2MNK].
2MNK polega na dwukrotnym zastosowaniu metody klasycznej:
- w pierwszym kroku szacujemy parametry strukturalne postaci zredukowanej:
(Y = B-1X + B-1)
i na tej podstawie wyliczamy wartoci teoretyczne zmiennych cznie
wspzalenych,
- w drugim kroku szacujemy parametry postaci strukturalnej, z tym, e
zamiast prawdziwych obserwacji dokonanych na zmiennych cznie
wspzalenych (ktre peni w rwnaniu funkcj zmiennych objaniajcych) uywamy wartoci teoretycznych tych zmiennych, obliczone w pierwszym kroku.
PRZYKAD 2.7. Dokonaj klasykacji modelu z przykadu 2.1.
Model z przykadu 2.1 okrela popyt na samochody. Dla przypomnienia powtrzmy zapis tego modelu:
(1) PSt = 0 + 1Dt + 2Dt-1 + 3CBt + 1t
(2) PBt = 0 + 1[PSt + PSt-1] + 2Dt + 2t
(3) CBt = 0 + 1PSt + 3t
Model jest wielorwnaniowym (kryterium 1) liniowym (kryterium 2) statycznym (kryterium 3) modelem przyczynowo-skutkowym
(kryterium 4). W celu okrelenia modelu z punktu widzenia kryterium 5
konieczne jest wyznaczenie macierzy B stojcej przy wektorze zmiennych cznie wspzalenych.
Dlatego te wykonamy nastpujce dziaania:
a) zostawimy po prawej stronie znaku rwnoci wycznie skadniki losowe:
(1) PSt 0 1Dt 2Dt-1 3CBt = 1t
11

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

(2) PBt 0 1 [PSt + PSt-1] 2Dt = 2t

(3) CBt 0 1PSt = 3t
b) pogrupujemy oddzielnie zmienne cznie wspzalene12 i oddzielnie z gry ustalone
(1) PSt 3CBt 0 1Dt 2Dt-1 = 1t
(2) PBt 0 V 1[PSt + PSt-1] 2Dt = 2t
(3) CBt V 1PSt 0 = 3t
c) zapiszmy model w postaci macierzowej

& 1
$ 0
$
$%' ( 1

0 ' ) 3 # & PS t # &$') 0 ') 1 ') 2 0 # &

!$
2
0 ' * 1! $
1
0 !! $$ PBt !! + $'* 0 '*
$
$
0 !" $
0
0
0
1 !" $%CBt !" $%' ( 0
$

#
!
!
!
Dt '1 !
!
% PS t 'PS t ' 1"

1
Dt

& + 1t #
= $+ 2 t !
$ !
$%+ 3t "!

d) zwrmy uwag na macierz B, stojc przy zmiennych cznie

wspzalenych. Jest to macierz rna od macierzy jednostkowej
i macierzy trjktnej. Zarwno pod jak i nad diagonaln znajduj
si elementy rne od zera. Model jest wspzaleny.
2.5. METODA EKONOMETRII
Zadaniem ekonometrii jest dostarczenie wiedzy o sile zjawisk ekonomicznych oraz dokonanie symulacji bd znalezienie prognoz dotyczcych przyszych stanw natury. W celu uzyskania tego wyniku naley jednak przej dosy dugotrway proces zbierania danych, budowania modelu, jego estymacji, werykacji i dopiero po pozytywnym
zakoczeniu tego etapu mona wykorzystywa model do wycigania
wnioskw czy liczenia prognoz. Wanie te kroku pokazuje zamieszczony schemat postpowania ekonometrycznego.
Zgodnie z pokazanym schematem pierwszym krokiem jest budowa
modelu. Dokonuje si tego w oparciu o wiedz odnonie praw ekonomicznych lub hipotez stawianych na podstawie obserwacji zjawisk. Tak
jak napisane zostao wczeniej, istnieje wiele metod doboru zmiennych
do modelu. Zasadniczym celem jest uzyskanie modelu, ktry nie majc niepodanych waciwoci wyjania moe znaczn cz waha
zmiennej objanianej przez model. Dlatego gwne zadanie polega nie
tylko na prbie przedstawienia w modelu wszystkich hipotez, ale
12

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

Schemat 2.1. Metoda ekonometrii

I Rozpoznanie teorii ekonomii,
postawienie hipotez, budowa modelu

II Okrelenie modelu, wybr metody

estymacji parametrw, estymacja

III Weryfikacja merytoryczna modelu,

weryfikacja statystyczna

IV Wykorzystanie modelu do analiz lub

prognoz

rwnie eliminacj moliwych bdw wynikajcych z wybranego

zbioru zmiennych. Najoglniej w doborze zmiennych objaniajcych
chodzi o to, by kada z nich bya silnie skorelowana ze zmienn objanian, ale jednoczenie korelacje pomidzy zmiennymi objaniajcymi
byy jak najmniejsze.
Nastpnym krokiem, czsto niedocenianym, jest zebranie informacji o ksztatowaniu si poszczeglnych zmiennych w rnych latach.
Najczciej wykorzystuje si wanie dane w postaci szeregw czasowych, to jest wartoci zmiennych w rnych (w kolejnych) miesicach,
kwartaach czy latach. Czsto wanie nastpuj zmiany w sposobie liczenia danego zjawiska. Wprowadza si zmiany w denicji, uzupenia.
Powoduje to, e dane nie s wystarczajco dobre do wykorzystania ich
do estymacji modelu. Przykadowo badanie poboru wody przez gospodarstwo domowe zalee moe od tego, jak prowadzi si t czynno.
Czy w bloku mieszkalnym jest jeden licznik a zuycie rozpisuje si
proporcjonalnie na liczb czonkw gospodarstwa domowego, czy te
odczytuje si dane z licznika zainstalowanego w kadym mieszkaniu.
Najczciej wanie zaoenie licznikw powoduje odczyty wiadczce
o znacznym spadku zuycia wody, co raczej wskazuje na bdy w pomiarze a nie na faktycznie mniejszym zuyciu wody.
48

Obok szeregw czasowych wykorzystuj jeszcze dane przekrojowo

czasowe. Pochodz one z pewnej zbiorowoci charakteryzujcej si t
sam cech w okrelonym czasie. W tym przypadku do analizy zuycia wody mona wzi wszystkie gospodarstwa domowe w danym bloku. Nie musi zatem wystpowa szereg czasowy polegajcy na wielomiesicznych obserwacjach jednego gospodarstwa domowego. Podobnie mona wykorzysta dane przekrojowe jak i szereg czasowy13.
Obok takich danych w modelach mona wykorzystywa zmienne,
ktre przyjmuj warto jeden, gdy zmienna ma okrelon cech, lub
zero, gdy zmienna danej cechy nie posiada. Zmienne takie okrelamy
mianem zerojedynkowych. Czsto w modelach gospodarczych w ten
sposb wyrnia si dokonane zasadnicze zmiany. Mona wprowadzi
zmienn zerojedynkow w sytuacji badania zjawisk gospodarczych
w sie wprowadzenia podatku VAT. W miesicach, przed wprowadzeniem podatku zmienna przyjmuje warto zero. Od dnia wprowadzenia
podatku VAT ta sama zmienna przyjmuje warto jeden. W ten sposb
eliminuje si wpyw takiego znacznego czynnika, ktry wystpuje tylko
w czci badanego okresu.
Dokonanie klasykacji modelu i wybr metody estymacji parametrw strukturalnych jest kolejnym krokiem w postpowaniu ekonometrycznym. W tej ksice ograniczymy si jedynie do Klasycznej Metody Najmniejszych Kwadratw stosowanej do liniowych modeli jednorwnaniowych. Jednake czytelnik wie, e w przypadku innych modeli naley (by moe) skorzysta z innych metod estymacji parametrw
strukturalnych.
Oszacowanie parametrw rozpoczyna proces werykacji modelu.
Najpierw dokonywana jest werykacja merytoryczna. Badane s wielkoci parametrw i ich interpretacja. W ten sposb analizowana jest
suszno uzyskanych oszacowa. Oszacowania te nie zale jedynie od
metody estymacji czy od danych. Rwnie wane s zwizki pomidzy
zmiennymi objaniajcymi. Mog one powodowa due bdy w szacunku parametrw. Dlatego werykacja merytoryczna jest pierwszym
krokiem do akceptacji modelu.
Kolejnym krokiem jest analiza koincydencji. Zostanie ona opisana
w nastpnej czci. Po uzyskaniu pozytywnego wyniku z analizy koincydencji nastpuje werykacja dobroci modelu. Badajc wspczynnik determinacji staramy si oceni, jak duo badanego zjawiska mona
13

Sposoby postpowania w obu przypadkach s dokadnie opisane w literaturze przedmiotu.

49

wyjani przy pomocy uproszczonego narzdzia, jakim jest model ekonometryczny.

Kolejnym krokiem werykacji jest badanie istotnoci zmiennych.
Do tego wykorzystywany jest rozkad t-Studenta. Tablica rozkadu zostaa zamieszczona na kocu niniejszej ksiki. Obok opisanego w dalszej czci badania statystycznej istotnoci zmiennych objaniajcych
stosowa mona wiele innych testw. Dotyczy one mog badania liniowoci, autokorelacji skadnika losowego, homoskedastycznoci tego skadnika, badania normalnoci rozkadu skadnika losowego. Bardziej zaawansowane podrczniki do nauki ekonometrii zawieraj opis
tych i innych tekstw14.
2.6. ESTYMACJA PARAMETRW STRUKTURALNYCH
JEDNORWNANIOWEGO MODELU
EKONOMETRYCZNEGO
Osoby koczce studia czsto zaczynaj szuka wasnego mieszkania. Bior pod uwag zarwno swoje preferencje, ale take uwarunkowania budownictwa mieszkaniowego i wasne moliwoci nansowe.
W pierwszej kolejnoci staj si klientami agencji nieruchomoci, ktre
daj od nich wielu danych odnonie oczekiwa w stosunku do mieszkania oraz kwoty, ktr mog dysponowa przy zakupie mieszkania.
Zwykle nikomu nie nastrcza wikszych kopotw udzielenie odpowiedzi. Rwnie okrelenie zmiennych, ktre mog mie wpyw na
cen mieszkania jest stosunkowo proste. Wane w tym przypadku s
miedzy innymi takie dane jak:
- dzielnica mieszkaniowa,
- powierzchnia mieszkania,
- liczba pokoi,
- pitro, na ktrym mieszkanie si znajduje,
- metra kuchni,
- funkcjonujca w bloku winda,
- otoczenie mieszkania (ziele, przemys, inne bloki, itp.),
- kierunek, na ktry wychodz okna mieszkania,
- wysoko mieszkania,
14

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

Y warto zmiennej objanianej w roku (transakcji) t,

Xj, dla j = 1, 2, , k, obserwacje na zmiennych objaniajcych,
skadnik losowy,
j , dla j = 0, 1, , k, poszukiwane parametry strukturalne modelu.
atwo wida, e wraz ze sta (wektor jedynek stojcych przy 0
cznie k+1 zmiennych objania zmienn Y. Zarwno zmienne objaniajce, jak i zmienna objaniana mog by obserwowane i moemy pozna ich rzeczywist realizacj. Na przykad w transakcji nabywania
mieszkania znamy zarwno cen jak i powierzchni mieszkania, pitro, liczb pokoi itp. Wanie te dane nazywamy obserwacjami zmiennych (wartoci rzeczywiste). Celem postpowania ekonometrycznego
jest oszacowanie wartoci parametrw strukturalnych modelu wanie
na podstawie zebranych informacji statystycznych, dotyczcych wartoci zmiennych wystpujcych w modelu.
Oznacza to, e dysponujemy szeregami czasowymi obserwacji na
wszystkich zmiennych modelu. Kada zmienna zostaa zaobserwowana
n razy (n musi by znacznie wiksze od k). Mog to by dane w postaci szeregu czasowego (np. plony z danego pola w kolejnych latach) lub
w przypadku danych przekrojowych n oznacza liczb obserwowanych
obiektw (np. transakcji mieszkaniami).
Kolejne obserwacje na zmiennych oznaczamy subskryptem t. To
znaczy:
yt jest wartoci obserwowan (rzeczywist) zmiennej objanianej Y
w okresie lub transakcji t,
Xjt warto obserwowana (rzeczywista) zmiennej objaniajcej Xj
w okresie lub transakcji t,
t = 1, 2, , n.
Zebrane informacje przedstawia si w ujciu wektorowym (macierzowym) w sposb nastpujcy:
& y1 #
$ '' !
$ !
Y = $ '' ! wektor obserwacji dokonanych
$ !
% yn " nx1 na zmiennej obja!nianej

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)

Przykadowo x12 oznacza obserwacj dokonan na zmiennej x1

w roku (transakcji) 2. Oznacza to, e po uwzgldnieniu znanych wartoci poszczeglnych zmiennych rwnanie przyjmuje posta ukadu n
rwna liniowych (gdy t przyjmuje wartoci od 1 do n):
yt = 0 + 1x1t + 2x2t + + kxkt + t,
Podobnie mona zapisa:
&
$( 1
! = $ ''
$
$(n
%

#
!
!
!
!
"

wektor sk"adnika losowego,

nx1

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

- nieobciono, czyli warto oczekiwana jest rwna wartoci prawdziwej E(a) = ;

- efektywno, czyli minimalizowanie wariancji estymatora16;
W celu znalezienia estymatora przyjmiemy nastpujce zaoenia17:
Zaoenie 1. Zmienne objaniajce Xj s nielosowe i nieskorelowane
ze skadnikiem losowym,
Zaoenie 2. Rzd macierzy X rwna si k+1, co zapisujemy
rz (X) = k + 1
Zaoenie 3. Liczba obserwacji jest znacznie wiksza od liczby
zmiennych objaniajcych, co mona zapisa: n >> k + 1,
Zaoenie 4. Warto oczekiwana skadnika losowego wynosi zero
E() = 0,
Zaoenie 5. Skadnik losowy ma sta i skoczon wariancj
a ponadto jest w poszczeglnych okresach (transakcjach) niezaleny
D2 () = E ( T) = 2 I, 2 < .
W niektrych przypadkach zakada si, e skadnik losowy w kadym z okresw ma rozkad normalny o wartoci oczekiwanej 0 i skoczonej, staej wariancji 2 oraz poszczeglne okresy s niezalene. Przy
uwzgldnieniu powyszych zaoe mona sformuowa twierdzenie
okrelajce Klasyczn Metod Najmniejszych Kwadratw, jako metod
dajc najlepsze estymatory.
Twierdzenie (Gaussa Markowa)
Estymator a18 wektora parametrw jednorwnaniowego ekonometrycznego modelu wyznaczony przy pomocy KMNK jest estymatorem:
liniowym, nieobcionym, zgodnym i najefektywniejszym w klasie liniowych i nieobcionych estymatorw.
Zgodnie z wczeniejszym zapisem zajmiemy si szukaniem za pomoc metody najmniejszych kwadratw, postaci estymatora parametrw jednorwnaniowego modelu ekonometrycznego:
Y = X + .
Zgodnie z denicj estymator, ktry ma w zbiorze wszystkich nieobcionych estymatorw najmniejsz
wariancj jest nazywany najefektywniejszym. Por. tame s. 207.
17
Dotycz one stosowalnoci metody najmniejszych kwadratw.
18
Oszacowania bdziemy przedstawia literami aciskimi, podczas gdy wartoci rzeczywiste parametrw
literami greckimi.
16

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 "

Czyli wektor reszt mona przedstawi w postaci:

&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

co po wymnoeniu daje posta19:

eTe= yTy 2aTXTy + aTXTXa
majca swe minimum wwczas, gdy pierwsza pochodna jest rwna
zeru, czyli
(yTy 2aTXTy + aTXTXa )/a = 0,
co oznacza rwno:
2XTy + 2XTXa = 0,
a po dalszych przeksztaceniach uzyskujemy ukad w postaci:
XTXa = XTy.
Na podstawie przyjtego zaoenia odnonie rzdu macierzy X moemy stwierdzi, e macierz XTX jest macierz kwadratow, symetryczn stopnia k + 1. Zatem macierz ta jest nieosobliwa. Oznacza to, e
poszukiwany estymator ma posta:
a = (XTX)-1 XTy
Macierz drugich pochodnych czstkowych powyszej funkcji wzgldem a jest rwna:
2(yTy 2aTXTy + aTXTXa)/a2 = 2XTX
co oznacza, e jest ona dodatnio okrelona a zatem jest speniony warunek osigania minimum lokalnego w punkcie a. Wektor a jest estymatorem liniowym.
PRZYKAD 2.9. Oszacuj parametry strukturalne modelu ekonometrycznego dla agencji nieruchomoci, ktra dokonuje porednictwa
w sprzeday mieszka w rdmieciu Warszawy. Oblicze dokonaj na
podstawie danych pokazanych w tabeli.

19

Naley pamita, e wielko ta jest skalarem, co oznacza, e yTXa jest rwne aTXTy

56

Tabela 2.1. Dane z rynku nieruchomoci w Warszawie

Numer
transakcji

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

- macierz obserwacji na zmiennych objaniajcych (jako pierwsza

wystpuje kolumna jedynek, ktra reprezentuje sta, nastpnie metra i liczba pokoi)
1
85
6
1
55
3
1
80
4
1
70
4
X=
1
65
4
1
55
2
1
80
5
1
100
3
1
65
4
1
85
2
Na podstawie powyszych macierzy, zgodnie z postaci estymatora
dokonano nastpujcych oblicze:
10
740
37

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

Na podstawie powyszych danych uzyskano oszacowanie:

2 940
7 960
a = (X X) X y =
27 161
Co oznacza, e model, po oszacowaniu parametrw ma posta:
Mt = 2 940+ 7 960PMt + 27 161LPt .
Interpretacja poszczeglnych parametrw strukturalnych w powyszym modelu nie powinna nastrcza wikszych kopotw. atwo bowiem zauway, zmieniajc o jednostk warto zmiennej objaniajcej,
T

58

-1

jakie to przyniesie efekty dla zmiennej objanianej. Intuicyjnie mona

zauway, e parametr 7 960 zwizany jest z cen za jeden metr kwadratowy mieszkania. Oczywicie nie jest to rednia cena, bo w przykadzie rednia cena jednego metra kwadratowego mieszkania z podanych
dziesiciu transakcji wynosi 9 358 z. Wynik taki uzyska si dzielc
sum cen zapaconych we wszystkich transakcjach przez liczb metrw,
jakie miay wszystkie mieszkania. Dane te s zawarte w macierzy XTX
oraz wektorze XTy.
Uwany czytelnik zwrci uwag na to, e mnoenie dowolnej kolumny przez wiersz zoony z jedynek (pierwszy wiersz transponowanej
macierzy X) to po prostu dodawanie elementw teje kolumny. Dlatego
w macierzy XTX pierwszy wiersz jest liczb transakcji, drugi wiersz
sum powierzchni (metrw kwadratowych) wszystkich sprzedanych
mieszka, to jest 740 a ostatni element to suma pokoi w tych mieszkaniach (37). Podobnie rednie mieszkanie kosztowao 692 500 z. Wynik
ten uzyska mona dzielc czn warto cen, ktr reprezentuje pierwszy element wektora XTy przez liczb transakcji. Liczba 6 925 000 z
to suma (ponownie mnoenie przez wektor jedynek) wszystkich transakcji, czyli przez wartoci pokazane w wektorze y. Sumujc mona napisa, e rednie mieszkanie kosztowao 692 500 z i miao 74 metry
kwadratowe. rednio za jeden metr zapacono wanie 9 358 z.
Co zatem oznacza oszacowanie parametru stojcego przy zmiennej
reprezentujcej powierzchni (7 960 z)? Model ekonometryczny daje
inn interpretacj, ni wielkoci statystyczne. Kwota ta mwi, ile naley
zapaci za dodatkowy metr mieszkania, ktre ma znan liczb pokoi.
Jeeli zatem kto chciaby mieszkanie z trzema pokojami o powierzchni 70 metrw kwadratowych to musiaby wyliczy teoretyczn warto tego mieszkania z wzoru:
Mt = 2 940 + 7 960 PMt + 27 161 LPt
podstawiajc w miejsce PMt 70 a w miejsce LPt liczb 3. Daje to warto 641 646 z. Gdyby jednak mieszkanie miao o jeden metr wicej to
jego teoretyczna cena byaby wanie o 7 960 z wysza.
Podobnie interpretowa mona parametr 27 161 z. Stoi on przy
zmiennej reprezentujcej liczb pokoi. Oznacza to, e za mieszkanie
o danej powierzchni, ale z wiksz o jeden liczb pokoi zapaci jestemy gotowi o 27 161 z wicej. Wyliczamy to, wstawiajc do powyszego wzoru liczb 70 w miejsce PMt oraz 4 (zamiast dotychczasowej 3)
59

w miejsce LPt. Daje to warto 668 807 z, czyli dokadnie 27 161 z

wicej, ni w przypadku trzech pokoi20.
2.7. WERYFIKACJA JEDNORWNANIOWEGO MODELU
EKONOMETRYCZNEGO
Werykacj modelu ekonometrycznego, po oszacowaniu jego parametrw dokonujemy w kilku krokach. Na pocztku dokonujemy werykacji merytorycznej, nastpnie analizujemy koincydentno modelu,
w dalszej kolejnoci badamy za pomoc wspczynnika determinacji
stopie wyjaniania przez model waha zmiennej objanianej, a ostatnim krokiem bdzie testowanie statystyczne modelu21, a waciwie jedynie badanie istotnoci zmiennych objaniajcych za pomoc testu
t-Studenta. Obok tych elementw werykacji, model moe zosta poddany kilku testom. Najczciej stosowany jest test Durbina-Watsona,
ktrego zadaniem jest wykrycie autokorelacji skadnika losowego modelu ekonometrycznego. Test ten opisany jest w ostatniej czci niniejszego rozdziau. Kolejnym testowanym zaoeniem jest losowo rozkadu skadnika losowego. Test ten ma na celu zwerykowanie hipotezy dotyczcej prawidowoci postaci analitycznej modelu (liniowoci).
W tym przypadku wykorzystuje si test liczby serii22. Dopiero werykacja modelu tym testem umoliwia potwierdzenie hipotezy mwicej, e
posta liniowa modelu zostaa wybrana waciwie. Innym testem, ktry werykuje zakadan normalno rozkadu skadnika losowego jest
test Shapiro-Wilka.
2.7.1. Werykacja merytoryczna
Werykacja merytoryczna oszacowanych parametrw strukturalnych modelu obejmuje zwykle ich interpretacj i analiz. Werykacja
ma na celu potwierdzenie przyjtych hipotez. Trudno byoby uzna za
poprawne oszacowanie modelu okrelajcego cen mieszka, jeeli
warto parametru przy zmiennej powierzchnia mieszkania byaby
ujemna. Wwczas wzrost powierzchni musiaby oznacza zmniejszenie
ceny mieszkania. Jest to oczywisty absurd. Podobnie wielko oszacoInterpretacj parametru stojcego przy wektorze jedynek (wyraz wolny) pozostawiam czytelnikom.
Opisane szczegowo postpowanie werykujce poprawno modelu nie wyczerpuje caego zestawu
dziaa w werykacji modelu. Obok wspomnianych dziaa mona bada na przykad efekt katalizy,
homoskedastyczno skadnika losowego i inne. Te testy wykraczaj poza zakres materiau na studiach,
na ktrych ekonometria nie jest podstawowym przedmiotem. Czytelnik chccy pozna te metody ma
moliwo sign chociaby do popularnego podrcznika wydawanego przez Ocyn Wydawnicz
Szkoy Gwnej Handlowej: S. Dorosiewicz i inni: Ekonometria, SGH, Warszawa.
22
Wicej na ten temat np. w pracy: Borkowski B. i inni: Ekonometria, s. 78 i dalsze.
20
21

60

wanego parametru musi odpowiada wiedzy o danym zjawisku. Rwnie

trudno byoby przyj, e parametr stojcy przy zmiennej reprezentujcej powierzchni mieszkania (PMt) moe wynosi na przykad 100 z
czy te 25 000 z.
Interpretacja parametrw, pokazana wczeniej w przykadzie 2.9,
oznacza analiz danego parametru przy pozostaych wielkociach niezmienionych. Mona zatem napisa, e parametr aj, stojcy przy zmiennej objaniajcej Xj oznacza, o ile przecitnie wzronie (gdy aj > 0)
albo spadnie (gdy aj < 0) warto zmiennej objanianej Y, gdy warto
zmiennej Xj wzronie o jednostk. Analizy dokonujemy przy niezmienionych wartociach pozostaych zmiennych objaniajcych.
2.7.2. Badanie koincydencji
Czasami trudno jest okreli, jaki jest wpyw danej zmiennej na
zmienn objanian. W takim przypadku werykacja polega na zbadaniu w modelu zachowania si danej zmiennej. Analizie poddany jest
zatem znak parametru strukturalnego w porwnaniu do znaku wspczynnika korelacji zmiennej objanianej i zmiennej objaniajcej, przy
ktrej stoi badany znak.
Mwimy, e model jest koincydentny, jeli dla kadej zmiennej objaniajcej modelu speniony jest warunek23:
sgn(ri) = sgn(ai)
gdzie ai jest oszacowaniem parametru strukturalnego i, wystpujcego
przy zmiennej objaniajcej Xi natomiast ri jest wspczynnikiem korelacji pomidzy zmienn Xi a zmienn objaniajc Y.
Koincydentny model ma znaki przed wszystkimi parametrami takie
same, jakie wystpuj przy wspczynnikach korelacji zmiennych objaniajcych ze zmienn objanian24. Jeeli model nie jest koincydentny to naley zmieni zestaw zmiennych objaniajcych. Przyczyn braku
koincydencji moe by wiele (np. niewaciwa posta analityczna modelu), bd wystpujca wspliniowo. Zmiana zmiennych pozwala
zwykle na uzyskanie modelu koincydentnego.
Oczywicie nie prowadzi si badania zgodnoci znaku przy staej,
gdy wspczynnik korelacji staej i zmiennej objanianej jest rwny
zero. Dlatego te badanie dotyczy k zmiennych objaniajcych.
23
24

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

Tablica 2.2. Wyliczenia dokonane w celu wyliczenia sumy

kwadratw rnic reszt
1
2
3
4
5
6
7
8
9
10

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

W kadej transakcji wystpiy odchylenia od wartoci modelowych.

Rnice pomidzy wartoci rzeczywist (zapacon) a teoretyczn
(modelow) wskazuj, e inne wzgldy miay wpyw na cen mieszkania. Niektre z mieszka byy kupione znacznie droej, ni wynosi cena
teoretyczna, podczas gdy inne kupowane byy poniej wartoci teoretycznej. Jak atwo wida, w przypadku wystpowania wyrazu wolnego, suma rnic pomidzy tymi wartociami wynosi zero. cznie tyle
przepacono za wszystkie mieszkania, ile niedopacono. Zgodnie z postpowaniem KMNK minimalizujemy sum kwadratw rnic. Byaby ona rwna zero tylko wwczas, gdy model odpowiada w peni rzeczywistoci.
Miar dokadnoci dopasowania wartoci teoretycznych do danych
empirycznych jest wspczynnik okrelajcy, jaka cz zmiennoci
zmiennej objanianej jest wyjaniona przez model. Ten wspczynnik
nazywamy wspczynnikiem determinacji R2, ktry moe zosta wyliczony przy pomocy jednego z nastpujcych wzorw (s one rwnowane):

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

Z poprzedniego przykadu znana bya warto eTe. Jest ona rwna 24

947 535 107. Naley j podzieli przez warto wykazan w mianowniku. Pierwsz wielkoci jest suma kwadratw wartoci rzeczywistych.
Pokazuje to nastpujca tablica:
1
2
3
4
5
6
7
8
9
10

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"

ktry w macierzowym zapisie przedstawiany jest wzorem:

e = Y Xa.
Jednym z najwaniejszych elementw werykacji statystycznej modelu jest analiza bdw oszacowa parametrw. Do tego wykorzystujemy estymator wariancji 2 skadnika losowego modelu. Estymator wariancji 2 przedstawiany jest jako S2 i mona go przedstawi wzorem:

65

S2 =

eT e
yT y ! aT X T y
"
n ! (k ! 1)
n ! (k ! 1)

Zastosowanie tego wzoru jest niezbdne do oblicze istotnoci

zmiennych.
atwo jest pokaza, e nieobcionym i zgodnym estymatorem macierzy wariancji-kowariancji estymatora a (to znaczy VAR(a)) parametrw modelu jest:
^ 2

D (a) = S2 (XTX)!1 = !dij " (k+1)x(k+1)

gdy VAR(a) jest rwna wartoci oczekiwanej wyraenia:

E(a )(a )T.
Zajmijmy si czci jednym z dwch elementw a
a = (XTX)1XTy = (XTX)1XT(X + )
co po wymnoeniu rwna si:
= + (XTX)1XT = (XTX)1XT
a po wstawieniu do wzoru na wariancj dostajemy:
VAR(a) = E[(XTX)1XT][(XTX)1XT]T
co po skorzystaniu z wasnoci wartoci oczekiwanej (wartoci oczekiwan staej jest staa) oraz skrceniu macierzy, pozwala zapisa wzr
na wariancj w postaci:
VAR(a) = 2(XTX)1.
Wida zatem, e zasadnicze znaczenie ma w tym przypadku estymator wariancji skadnika losowego oraz macierz (XTX)1 a waciwie jej
diagonalne elementy, gdy obliczajc iloczyny S2 i elementw diagonalnych tej macierzy otrzymamy oceny wariancji estymatorw poszczeglnych parametrw modelu ekonometrycznego. W przypadku badania
istotnoci korzystamy z oceny odchylenia standardowego estymatora tego parametru (pierwiastek z obliczonej wariancji). To odchylenie
standardowe nosi nazw redniego bdu szacunku parametru j.
Odchylenie standardowe suy do testowania istotnoci zmiennych
objaniajcych. Jeli prawdziwe jest zaoenie o normalnoci rozkadu
skadnika losowego modelu, wtedy mona bada istotno zmiennych
objaniajcych. Do zbadania istotnoci zmiennych wykorzystujemy test
t-Studenta. Jest to statystyczny test istotnoci. Testowana jest hipoteza
66

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

Tablice rozkadu znajduj si na kocu podrcznika.

67

Warto krytyczna testu t-Studenta dla poziomu istotnoci 0,90 i dla

7 stopni swobody wynosi t* = 1,895. Warto wyliczonych statystyk tStudenta dla obu zmiennych objaniajcych jest wiksza od tej wartoci krytycznej. Odrzucamy hipotez H0 wobec alternatywnej hipotezy
H1 co oznacza, e zmienne te s istotne na przyjtym poziomie istotnoci. Nie ma natomiast powodu, by za istotn przyj sta. Warto statystyki t-Studenta wynosi jedynie 0,03 i jest mniejsza od wartoci krytycznej t*.
2.7.5. Autokorelacja skadnika losowego
W przypadku, gdy skadnik losowy jest ze sob skorelowany w kolejnych prbach mwimy o autokorelacji skadnika losowego. W takim
przypadku KMNK nie daje dobrych rezultatw, gdy estymator a jest
mao efektywny i wariancje estymatorw poszczeglnych parametrw
strukturalnych s bardzo due. W takim przypadku naley usun efekt
korelacji skadnika losowego.
Zgodnie z zaoeniem braku korelacji skadnika losowego, macierz
wariancji-kowariancji skadnika losowego jest macierz diagonaln
o postaci

&' 2
$
0
2
VAR(!) = ! I = $
$ ...
$
%$ 0

'

...
0

0#
!
... 0 !
... ... !
!
... ' 2 "!
...

Jeeli wystpuje autokorelacja, jako efekt staej zalenoci w kolejnych prbach:

!t = " !t-1 + #t ,

! <1

gdzie oznacza parametr zwany wspczynnikiem autokorelacji, za t

jest zmienn losow speniajc warunki wymagane od skadnika losowego:

E (!) = 0

D2(!) = ! 02 I,

to mwimy, e mamy do czynienia z procesem autokorelacji I rzdu

Markowa. Dla takiego przypadku macierz wariancji-kowariancji bdzie
miaa posta:

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" !

Wwczas nieobcionym estymatorem wspczynnika jest:

n

(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

alternatywnej hipotezy H1: > 0 podane s dwie wartoci dL i dU wyznaczajce obszary:

d dL
dL < d < dU
d dU

H0 odrzucamy,
nie podejmujemy adnej decyzji,
nie mamy podstaw do odrzucenia H0.

W przypadku testowania hipotezy H0: = 0 wobec alternatywnej

hipotezy H1: < 0, podane s wielkoci dL i dU wyznaczajce obszary:
d 4 dL
H0 odrzucamy
4 - dU < d < 4 dL nie podejmujemy adnej decyzji,
d 4 dU
nie mamy podstaw do odrzucenia H0.
Stwierdzenie autokorelacji powoduje konieczno zastosowania do
szacowania modelu specjalnych metod. Wykraczaj one poza zakres tej
pracy. Ze wzgldu na czsto spotykania zjawiska autokorelacji w procesach gospodarczych naley jednak mie na uwadze ten aspekt, przy
szacowaniu parametrw strukturalnych modeli ekonometrycznych27.

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

2.2. Zapisz w postaci modelu ekonometrycznego nastpujce, przedstawione opisowo hipotezy:

wszystkie zalenoci s stochastyczne,
inwestycje w danym roku s funkcj produktu krajowego brutto w
roku poprzednim i sumy inwestycji dokonanych w dwch poprzednich latach,
zatrudnienie opisuje tendencja rozwojowa i zatrudnienie w roku
poprzednim,
PKB jest funkcj inwestycji w trzech poprzednich latach i zatrudnienia.
Dokonaj klasykacji modelu oraz okrel zbiory zmiennych A, B, C,
D, E, F.
2.3 Ktre z poniszych macierzy nie mog by macierzami obserwacji na zmiennych objaniajcych
1 2 3
1 1 7
1 3 4
1 4 8
1 2 7
X1 = 1 4 5
X2 = 1 9 6
X3 =
1 6 8
1 5 6
1 16 7
1 2 6
1 9 10
1 25 8
1 6 7
1 36 10
Wskazwka: dokonaj analizy przyjtych zaoe do KMNK
2.4. Przedstaw wzory na elementy macierzy XTX oraz wektora XTy
dla modeli z wyrazem wolnym i
a) jedn zmienn objaniajc
b) dwiema zmiennymi objaniajcymi
2.5. Podany szereg czasowy zostanie uyty do oszacowania modelu
yt = 0 + 1yt-1 +t (autoregresyjnego 1 stopnia). Napisz macierz X oraz
wektor y, wiedzc, e obserwacje dokonane na zmiennych zostay podane w tabeli:
t
yt

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

Wskazwka: Zwr uwag na to, e macierz (XTX)-1 ma elementy

rwne zero, co oznacza, e moliwe jest znalezienie macierzy odwrotnej przy pomocy blokw tej macierzy.
2.10. Istniej dwie hipotezy mwice o wpywie iloci pienidza
(teoria ilociowa) i stopy bezrobocia na wysoko wskanika inacji.
Zwerykuj obie hipotezy na podstawie danych z tabeli, wiedzc e:
It stopa inacji w miesicu t, Mt stopa wzrostu (w %) poday pienidza w miesicu t, Xt zmienna zerojedynkowa, przyjmujca warto
0, gdy w miesicu liczba bezrobotnych spada, oraz warto 1, gdy liczba bezrobotnych wzrosa.
T
1
2
3
4
5
6
7
8
It
1,02
1,01 1,01 1,02
1,01
0,99 1,02
1,01
1,1
0,9
0,9
1,2
0,9
0,9
1,1
1,2
Mt
0
1
0
1
0
1
0
1
Xt
a) oszacuj liniowy model z dwiema zmiennymi objaniajcymi (bez
staej),
b) jakich wnioskw dostarcza model,
c) oce oszacowanie tego modelu,
d) jakiej stopy inacji mona si spodziewa w miesicu 9, jeeli poda pienidza wzronie o 1% a bezrobocie spadnie?
Wskazwka: Zwr uwag na zasadno wystpowania wyrazu wolnego w tym modelu. Jaka byaby jego interpretacja?
2.11. Na podstawie danych kwartalnych za okres 1990.1 2004.4
oszacowano parametry strukturalne modelu wielorwnaniowego, otrzymujc:
t = 10 + 1,5 Ht + 2,0 Rt
t = 7 + 0,5 St-1 + 2,5 Mt
t = 20,5 + 0,5t + 4,0Z1 6,0Z2 + 1,5Z3
gdzie:
t = 1,2,3... zmienna czasowa,
Z1, Z2, Z3 zmienne zerojedynkowe przyjmujce warto 1 dla odpowiedniego kwartau i zera dla pozostaych.
Wyznacz prognoz wszystkich zmiennych objanianych na pierwszy
kwarta 2005 r. wiedzc, e dla tego kwartau M= 20 oraz R = 30.

73

2.12. Zbudowano nastpujcy model objaniajcy ksztatowanie si

dochodw (y) i cen (c):
yt = .ct + .wt + t
ct = .yt + .kt + t
gdzie:
wt dochody z tytuu wynagrodze w miesicu t,
kt koszty produkcji w miesicu t.
Oszacowano parametry postaci zredukowanej modelu28 i uzyskano
nastpujce wyniki:
t = 0,25.kt + wt
t = 1,25.kt + 1,5.wt
Znajd oceny parametrw strukturalnych tego modelu.

28

Posta zredukowana, to w zapisie macierzowym posta strukturalna po wymnoeniu lewostronnie przez

macierz B-1.

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

Jak wiemy, w optymalizacyjnych moemy rozrni dwa kryteria:

maksymalizacj i minimalizacj. Jednake jeden rodzaj optymalizacji
mona zastpi drugim rodzajem. Minimalizacja funkcji
f(x) = f (x1,...,xn)
jest rwnoznaczna funkcji
f(x) = f (x1,...,xn) .
To znaczy, e mona dowolnie zastpowa funkcj celu a Zadanie
Programowania Liniowego [ZPL] z maksymalizacj funkcji celu mona zastpi minimalizacj funkcji do przeciwnej. Warunki poboczne
pozostaj bez zmian.
3.2. ZADANIE PROGRAMOWANIA LINIOWEGO
Gdy w modelu matematycznym zarwno funkcja celu jak i warunki ograniczajce s funkcjami liniowymi zmiennych, to mwimy, e
mamy do czynienia z zadaniem programowania liniowego.
Oglny model Zadania Programowania Liniowego mona wyrazi:
(max) f(x1, ..., xs) = c1x1 + c2x2 + ... + csxs
przy warunkach

$ a11 x1 & a12 x 2 & ... & a1s x s ' b1

!
....
!
!! a ki x1 & a k 2 x 2 & ... & a ks x s ' bk
#
!a k &11 x1 & a k &12 x 2 & ... & a k &1s x s % bk &1
!
...
!
!" a m1 x1 & a m 2 x 2 & ... & a ms x s % bm
W podanym modelu ZPL naley wyrni:
cj wskaniki funkcji celu,
xj zmienne decyzyjne,
bi wektor ogranicze (wyraz wolny).
Obok zasadniczych warunkw ograniczajcych, wyodrbniono warunki nieujemnoci. Wynika to z opracowanego algorytmu, wymagajcego nieujemnoci zmiennych. Dlatego te warunki nieujemnoci musz dotyczy wszystkich zmiennych uywanych w postpowaniu ZPL.
W przypadku, gdy ktrakolwiek zmienna nie spenia tego warunku, dokonuje si tego przez podstawienie:
76

xj = xj xj
i wwczas
xj 0,
xj 0.
Dla uproszczenia zapisu wygodniej jest korzysta z zapisu:

(max) f(x1 ..., xn) =

!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)

Innym warunkiem, narzuconym przez algorytm obliczeniowy jest

istnienie warunkw pobocznych w formie rwna. Wwczas posta
modelu wyglda nastpujco:

(max) f(x1 ..., xn) =

!c
j "1

xj

przy warunkach
n

"a
j !1

ij

xj ! 0

x j ! bi

( i = 1, ..., m )
(j = 1, ..., n )

Zapisanie rwna zamiast nierwnoci wynika z faktu dodania

zmiennej dodatkowej do kadej nierwnoci. Zmienne te (xn+i) zwane
s zmiennymi dodatkowymi w odrnieniu od zmiennych decyzyjnych.
Pierwsze zmienne nazywamy zmiennymi niedoboru a drugie zmiennymi nadmiaru. Oczywicie kada zmienna dodatkowa musi spenia warunek nieujemnoci. Ponadto zmienna ta w funkcji celu wystpuje ze
wspczynnikiem zero i zwykle nie jest zapisywana w zadaniu w funkcji celu. Dlatego te poniej pokazano jedynie sposb podstawienia i
uzyskania wymaganych rwna:
$ g ( x ,...x n ) " x n "i ! bi
gi (x1, ..., xn) ! bi ! # i 1
x n "i % 0
"

oraz
77

$ g ( x ,...x n ) ' x n (i & bi

gi (x1, ..., xn) ! bi ! # i 1
x n (i % 0
"
Oba zapisy tego samego zadania s sobie rwnowane. Podobnie
mona dokona zapisu ZPL w formie macierzowej. Pozwoli to uproci
zapis. Jeli przez A oznaczymy macierz wspczynnikw z warunkw
ograniczajcych, przez b - wektor wyrazw wolnych z tych warunkw,
c - wektor wspczynnikw z funkcji celu a przez x - wektor zmiennych, to w zapisie macierzowym ZPL bdzie mie posta:
(max) f(x) = cTx
przy warunkach:
Ax = b
x0
Innym dodatkowym warunkiem, wymaganym w algorytmie ZPL (algorytm simplex) jest wystpowanie w macierzy warunkw ograniczajcych rwnie macierzy jednostkowej. Moemy zatem napisa, e do
przystpienia do algorytmu simplex wymagane s nastpujce warunki:
a) liniowo funkcji celu,
b) liniowo warunkw ograniczajcych,
c) wystpowanie warunkw pobocznych w formie rwna,
d) nieujemno zmiennych,
e) nieujemno elementw skadowych wektora wyrazw wolnych,
f) wystpowanie macierzy jednostkowej w warunkach ograniczajcych.
Posta ZPL, ktre spenia powysze warunki nazywamy postaci
standardow.
PRZYKAD 3.1. Napisz dowolne Zadanie Programowania Liniowego w postaci strukturalnej i postaci standardowej.
Zadanie z maksymalizacj funkcji celu (dwie zmienne decyzyjne) :
(max) f(x) = 5x1 + 3x2
przy warunkach:
4x1 + 2x2 6
-x1 + 6x2 12
x1 0,
78

x2 0.

Mona zapisa w postaci standardowej:

(max) f(x) = 5x1 + 3x2
p.w.
4x1 + 2x2 + x3 = 6
x1 + 6x2 + x4 = 12
x1 0,
x4 0.
W przypadku postaci standardowej macierz A, wspczynnikw stojcych przy zmiennych w warunkach pobocznych wyglda nastpujco:
4
1

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

PRZYKAD 3.2. W ZPL podanym poniej znajd ssiednie rozwizanie bazowe

(max) f(x) = 5x1 + 3x2
przy warunkach:
4x1 + 2x2 + x3
=6
x1 + 6x2

+ x4 = 12

x1 0, ..... x4 0
Jak atwo wida, warto funkcji celu dla

&0
$0
X1B = $
$6
$
%$12

#
!
!
!
!
"!

wynosi zero. W kolejnym rozwizaniu bazowym rwnie wystpi

dwie zmienne (zawsze liczba elementw bazowych odpowiada liczbie
warunkw pobocznych). Zamy, e z bazy wyjdzie zmienna x3 a na jej
miejsce wejdzie zmienna x1. Wwczas wykona naley dwie operacje
elementarne: (1) podzieli pierwszy wiersz przez 4, co da ukad rwna:
x1 + 0,5x2 + 0,25x3 = 1,5
x1 + 6x2 +
x4 = 12
a nastpnie (2) do drugiego wiersza naley doda wiersz pierwszy.
W efekcie tej operacji elementarnej otrzymamy:
x1 + 0,5x2 + 0,25x3
= 1,5
6,5x2 + 0,25x3 + x4 = 13,5
Po tej operacji wektor bazowy (bazowe zmienne to zmienna x1 oraz
x4) bdzie wyglda nastpujco:

& 1,5
$ 0
X2B = $
$ 0
$
%$13,5

#
!
!.
!
!
"!

W tym przypadku funkcja celu jest rwna 7,5.

80

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

wszystkie elementy wektora x kB 0, to zbir rozwiza optymalnych

jest nieograniczony, a wektor

&' 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

Kady z warunkw pobocznych reprezentuje pprzestrze (w R2

ppaszczyzn). Pprzestrze jest zbiorem wypukym. Dlatego zbir
bdcy iloczynem pprzestrzeni jest rwnie zbiorem wypukym.
W zbiorze rozwiza dopuszczalnych, bdcym iloczynem zbiorw wyznaczonych przez warunki poboczne, istniej wierzchoki, czyli punkty
nie nalece do odcinka, ktrego koce nale do zbioru. Wierzchoki
stanowi wane miejsca z punktu widzenia metody simplex. Szukanie
rozwizania optymalnego jest przechodzeniem po wierzchokach w kierunku najszybszego wzrostu funkcji celu. Mona zapisa nastpujce
wasnoci zbioru rozwiza dopuszczalnych:
zbir rozwiza dopuszczalnych jest zbiorem wypukym,
jeeli zbir rozwiza dopuszczalnych jest niepusty, to ZPL ma
rozwizanie optymalne (niekoniecznie skoczone),
wierzchoki zbioru dopuszczalnego to wektory rozwiza bazowych,
rozwizanie optymalne ley na co najmniej jednym wierzchoku,
jeeli jest jedno rozwizanie optymalne, to jest ono wierzchokiem
zbioru wyznaczonego przez warunki poboczne.
PRZYKAD 3.3. Znajd gracznie zbir rozwiza dopuszczalnych
i rozwizanie optymalne nastpujcego ZPL:
(max) f (x) = 5x1 + 3x2
przy warunkach:
4x1 + 2x2 6
x1 + 6x2 12
x10, x2 0
Warunki poboczne przedstawiaj ppaszczyzny, ktre wyznaczone s pokazanymi na wykresie prostymi. Wektor pochodnych czstkowych funkcji celu (gradient) wyznacza kierunek najszybszego wzrostu
funkcji celu. fT(x) = [5, 3]. Zaznaczony czworobok jest zbiorem rozwiza dopuszczalnych. atwo wida, e najdalej w kierunku gradientu (najgrubsza strzaka) ley punkt optymalny, to jest punkt, dla ktrego warto funkcji celu jest najwysza. Ma on wsprzdne (wartoci
zmiennych decyzyjnych) rwne: x1 = 1,5 oraz x2 = 0. Te same wartoci
uzyskano przy szukaniu rozwiza optymalnych w Przykadzie 3.2.

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 "

przy 0 ' ( ' 1

85

Innym przykadem, w ktrym na paszczynie atwo jest okreli

zbir rozwiza dopuszczalnych, ale niemoliwe znalezienie rozwizania optymalnego, jest sytuacja, kiedy zbir rozwiza dopuszczalnych
jest nieograniczony.
PRZYKAD 3.5. Znajd gracznie zbir rozwiza dopuszczalnych, gradient oraz poka, e nie istnieje skoczone rozwizanie optymalne ZPL.
(max) f(x) = x1 2x2
przy warunkach
3x1+ 6x2 18
x1

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:

&10# &4# &1# &0# &0#

$ 0 ! , $ 6 ! , $ 6 ! , $5 ! , $ 0 !
% " % " % " % " % "
Funkcja celu f(x) = 2x1 + 2x2 w kolejnych punktach wynosi:

&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

3.4. METODA SIMPLEX

3.4.1. Zadanie startowe
Punktem wyjcia dla naszych rozwaa bdzie standardowa posta
ZPL:
(max) f(x) = cTx
przy warunkach
Ax = b
x0
Zgodnie z wczeniejszymi uwagami, postpowanie dotyczce ZPL
obejmuje analiz wierzchokw w kolejnoci od pierwszego dopuszczalnego rozwizania do wierzchoka optymalnego, w kierunku najszybszego wzrostu funkcji celu. Oznacza to, e nie s analizowane wartoci
funkcji we wszystkich wierzchokach, co byoby trudne w przypadku
zada o znaczcych rozmiarach. Wanie algorytm Simplex umoliwia
analiz tylko tych wierzchokw, w ktrych warto funkcji celu jest (w
przypadku maksymalizacji) nie mniejsza od wartoci z ostatniego rozwizania bazowego.
W postaci standardowej wystpuje cz bazowa wektora x (stojca
przy kolumnach macierzy jednostkowej) oraz cz niebazowa. Mona zatem dokona nastpujcego podziau skadowych rozwizania xB.

& xB #
xB = $ ! ,
%x p "

bazowa
)czesc
gdzie (
'czesc niebazowa

x B , 0(m * 1)
x p ! 0((n + m) * 1)

i zgodnie z podziaem tego wektora rwnie podziau wektorw i macierzy:

c = [cB cp] oraz
A = [B P].
Dochodzenie do postaci standardowej moe w niektrych przypadkach by kopotliwe. Nie ma problemw numerycznych, gdy (w przypadku maksymalizacji funkcji celu) warunki ograniczajce s sformuowane w sposb dla funkcji celu waciwy8, to znaczy ograniczaj
zmienne od gry. Reprezentuje to zapis:

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)

W takim bowiem przypadku doprowadzenie do postaci standardowej

z warunkami pobocznymi w postaci rwna wymaga dodania do kadej nierwnoci zmiennej dodatkowej. W kadym warunku dodawana
jest kolejna zmienna dodatkowa, co powoduje, e uzyskuje si jednoczenie spenienie wymaga dotyczcych rwnoci jak i macierzy jednostkowej. Zmienne dodatkowe tworz bazowe rozwizanie startowe.
Tak byo w przypadku Przykadu 3.2.
Moe si jednak zdarzy, e warunki poboczne wystpuj w formie nierwnoci, ktre wymagaj odjcia zmiennej dodatkowej, jeeli
chcemy doprowadzi do rwnoci stron. Zmienne dodatkowe (nadmiaru) odejmujemy od lewej strony nierwnoci. W takim przypadku dodatkowe zmienne zapewniaj zachowanie rwnoci, ale nie daj macierzy jednostkowej (rozwizania startowego). Podobnie jest, gdy warunki poboczne wystpuj od razu w formie rwna a nie wystpuje macierz jednostkowa:
s

"a
j !1

ij

x j ! bi

( i = 1, ..., k)

W takim przypadku rozwizanie startowe uzyska mona za pomoc

tak zwanej metody kar. Wwczas konieczne jest wprowadzenie do rozwizania zmiennych sztucznych. Metoda kar nie daje rozwizania startowego nalecego do zbioru rozwiza dopuszczalnych. Jest pierwszym krokiem do uzyskania takiego rozwizania, ale wymagane jest kilka iteracji, by pierwsze rozwizanie dopuszczalne uzyska. Metoda polega na dodaniu sztucznych zmiennych (nieujemnych) tylko z jednej
strony rwnania. Takie dziaanie powinno to rwnanie ponownie zamieni w nieostr nierwno. Zachowanie rwnoci jest wanie wyraeniem zgody na opuszczenie zbioru rozwiza dopuszczalnych. Aby
rozwizania pozostaway poza zbiorem rozwiza dopuszczalnych tak
krtko, jak to moliwe, naley wraz z doczeniem sztucznych zmiennych zachowa rwnania, ale do wyjciowej funkcji celu f(x) doczy
sztuczne zmienne z jednakowymi wspczynnikami bardzo niekorzystnymi ze wzgldu na rodzaj kryterium. W przypadku maksymalizacji s
to bardzo due co do wartoci bezwzgldnej liczby ujemne (-M), a przy
89

minimalizacji bardzo due liczby dodatnie M. Nosz one nazw kar.

Skonstruowane w ten sposb zadanie nosi nazw zadania rozszerzonego. Jego posta wyglda:
(M > 0)
(max) f (x, xs) = cTx Mxs
przy warunkach:
Ax + Im xs = b
(b 0)
x 0,
xs 0
Przyjcie dla M duej wartoci ujemnej bdzie preferowao przy
maksymalizacji funkcji f te rozwizania, w ktrych zmienne sztuczne
nie wystpi. Zostan one w pierwszych iteracjach algorytmu simplex
usunite z bazy. Wystpowanie zmiennych sztucznych w rozwizaniu
bazowym jest sprzeczne z warunkami zadania i oznacza opuszczenie
przez rozwizania zbioru dopuszczalnego.
Przy rozwizywaniu zadania rozszerzonego stosujemy wic w pierwszym kroku algorytm simplex a do chwili, gdy uzyskamy rozwizanie bazowe bez zmiennych sztucznych. Dopiero wwczas uzyskujemy
pierwsze rozwizanie dopuszczalne. Jeeli w rozwizaniu optymalnym
pozostan zmienne sztuczne, to zadanie wyjciowe jest sprzeczne. Mona przy tym zastosowa zasad, e przy rozwizywaniu zadania rozszerzonego sztuczna zmienna usunita z bazy w pewnej iteracji nie moe
by ju uwzgldniana jako kandydat na zmienn bazow w nastpnych
iteracjach.
PRZYKAD 3.7. Zapisz posta standardow ZPL
(max) x1 + 2x2 3x3 + 4x4
przy warunkach:
2x1 + 4x2 + 3x3 + x4 20
x1 + 2x2 5x3 + 4x4 10
2x1
xj 0

90

+ 3x3 x4 = 30
(j = 1, ,4)

Zadaniem rozszerzonym zbudowanym do zadania wyjciowego jest:

(max) x1 + 2x2 3x3 + 4x4 M (x7 + x8)
przy warunkach:
2x1 + 4x2 + 3x3 + x4 + x5
= 20
x1 + 2x2 5x3 + 4x4 x6 + x7
2x1

+ 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

Znalezienie pierwszego dopuszczalnego rozwi!zania bazowego

Zbadanie optymalno"ci rozwi!zania

Rozwi!zanie optymalne

Rozwi!zanie nieoptymalne

Znalezienie zmiennej niebazowej wchodz!cej do bazy

Znalezienie zmiennej bazowej opuszczaj!cej baz#

Znalezienie kolejnego rozwi!zania bazowego

Opisane na schemacie dziaania wygodnie jest przedstawi za pomoc tablicy Simplex.

3.4.2. Tablica Simplex
Omwiony wczeniej sposb kontroli, czy badane rozwizanie bazowe ZPL jest optymalne oraz podanie zasady konstrukcji lepszego
rozwizania bazowego, gdy taka moliwo istnieje, s wykorzystywane w postpowaniu zwanym algorytmem Simplex (symplexowym,
simplexowym). Postpowanie to ma charakter postpowania iteracyjnego, i w przypadku istnienia rozwizania optymalnego prowadzi do jego
znalezienia.
Macierz A, bdca zasadnicz czci tablicy Simplex skada si
z wektorw kolumnowych x Bj . Elementy skadowe tych wektorw
su do wyznaczania opisanych wczeniej wartoci wskanikw optymalnoci z Bj - cj, a przede wszystkim do budowy nowego rozwizania
bazowego. Wystpuj one, gdy zapiszemy ukad rwna ograniczajcych w formie macierzowej. Dlatego kolejne iteracje w tablicy Simplex powinny zawiera wszystkie niezbdne elementy do wykonania
pokazanych na schemacie czynnoci. Macierz wspczynnikw z formy
bazowej warunkw ograniczajcych, cz bazow rozwizania bazowego rozpatrywanego w danej iteracji oraz wskaniki optymalnoci
92

zmiennych zestawia si w tablicy, ktrej oglna posta zostaa pokazana

poniej:
c Bj
c Bj

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

nia. Pozostae zmienne, w tym wszystkie zmienne decyzyjne nie bdc

zmiennymi bazowymi maj nadan warto zero.
B
cj

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 "!

w kolumnach pod odpowiednimi xi znajduj si elementy macierzy

A, skadajcej si z wektorw stojcych przy odpowiednich zmiennych w warunkach pobocznych, oczywicie zera wystpuj wwczas, jeeli dana zmienna nie wystpuje w odpowiednim warunku,
94

 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

dla kolumny x4, gdy w kolumnie tej wskanik optymalnoci jest

ujemny i ma najwiksz warto bezwzgldn spord wszystkich
ujemnych wskanikw optymalnoci, to znaczy, e jest to kolumna wybrana zgodnie z opisanym w dalszej czci sposobem wyboru zmiennych wchodzcych do bazy (w kolejnej iteracji x4 bdzie
zmienn bazow):
min {M 1; 2M 2; 3M 4} = 3M 4 = z4 c4
Wskaniki wyjcia liczone s dla wszystkich dodatnich elementw
w wektorze kolumnowym zmiennej wchodzcej do bazy. Kryterium wejcia do bazy jest minimalizacja ilorazu
bi
X ik

Oznacza to, e zmienna x4 zastpi dotychczasow zmienn bazow

(sztuczn) x7, gdy:
min {20; 2,5} = 2,5.
Przykad ten pokazuje zasady zapisu caej tablicy Simplex oraz sposb wykonywania iteracji. Zanim przejdziemy do kolejnych przykadw zostanie pokazana podstawa teoretyczna postpowania w algorytmie sympleksowym. Te czynnoci okrela si mianem konstrukcji
ssiedniego rozwizania bazowego.
Algorytm Simplex prowadzi do uzyskania optymalnego rozwizania ZPL. Oznacza to, e jeeli zbir rozwiza dopuszczalnych nie
jest zbiorem pustym, to ZPL ma rozwizanie optymalne (niekoniecznie skoczone), a gdy ten zbir jest ograniczony, to rozwizanie jest
skoczone. Kolejne iteracje polegaj na badaniu ssiednich wierzchokw zbioru rozwiza dopuszczalnych w kierunku najszybszego wzrostu wartoci funkcji celu. Postpowanie koczy si wraz ze stwierdzeniem, e albo:
dane rozwizanie jest optymalne,
dane rozwizanie jest optymalne ale istniej inne alternatywne rozwizania optymalne, dajce t sam warto funkcji celu,
istniej nieskoczone krawdzie zbioru rozwiza dopuszczalnych, na ktrych ley rozwizanie optymalne,
zadanie jest sprzeczne.

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

wyliczony dla wchodzcej do bazy zmiennej xi, przyjmuje najmniejsz warto12.

PRZYKAD 3.9. Stosujc algorytm Simplex znajd pierwsze dopuszczalne rozwizanie bazowe dla ZPL z przykadu 3.7.
Zgodnie z przykadem 3.8. pierwsza tablica Simplex wyglada nastpujco:
W przypadku minimalizacji funkcji celu wskaniki optymalnoci powinny by niedodatnie.
Dla minimalizacji funkcji celu wybieramy dodatnie wskaniki optymalnoci i szukamy najwikszego
z nich.
12
Liczony jest tylko dla elementw dodatnich.
10
11

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

40M M1 2M2 2M+3 3M4 M

Wskaniki
wejcia

Podane powyej kryterium wejcia okrela, e do bazy wejdzie x4.

Jej wskanik optymalnoci (zaznaczony szarym kolorem) jest ujemny
i najmniejszy (najwikszy co do wartoci bezwzgldnej). Dlatego te
dla kolumny x4 wyznaczone zostay wskaniki wyjcia. Obliczone s
one poprzez podzielenie kolejnych elementw wektora b, przez kolejne
dodatnie elementy wektora x4B to znaczy: 20/1 oraz 10/4. Nie liczymy
trzeciego wskanika, gdy trzeci element w x4B jest ujemny (-1).
Spord wyliczonych wskanikw (kryterium wyjcia) minimalny
jest wskanik w wierszu drugim, odpowiadajcemu zmiennej x7. Dlatego te ta zmienna wyjdzie z bazy. Oznacza to, e obecnie macierz jednostkowa bdzie utworzona z wektorw X4, X5 oraz X8. W pierwszym
kroku zapiszmy te wektory w kolejnej tablicy Simplex. atwo zauway, e t posta macierzy jednostkowej uzyska trzeba z macierzy jednostkowej zoonej z wektorw X5, X7 oraz X8. Z punktu widzenia przeksztace elementarnych oznacza to lewostronne pomnoenie macierzy
A przez macierz przejcia (jest atwa do wyznaczenia na podstawie rozdziau 1). W dotychczasowej macierzy element w kolumnie X4 i wierszu
X7 by rwny 4. Przeksztacenie polega wic bdzie w pierwszym kroku na podzieleniu drugiego wiersza przez 4. Uzyskamy wwczas (wstawiajc do zbioru zmiennych bazowych X4)
0

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

W kolejnym kroku naley uzyska w kolumnie x4 zera w pierwszym

i trzecim wierszu. Oznacza to ponowne wykonanie operacji elementarnych polegajcych na:
na odjciu od wiersza pierwszego wiersza drugiego,
dodaniu do wiersza trzeciego wiersza drugiego.
Obie te operacje elementarne mona atwo przedstawi za pomoc
macierzy B, ktra lewostronnie pomnoona przez dotychczasow macierz A pozwoli na uzyskanie kolejnej tablicy Simplex o postaci:
0

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

W tym przypadku zmiennymi bazowymi s: x4, x5 oraz x8. jak atwo

wida w tablicy Simplex nie s one w tej kolejnoci. Przedstawiona w
tablicy kolejno w bazie jest wynikiem zamiany zmiennej x7 na zmienn x4. Rozwizanie bazowe ma posta:

& 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

Czytelnik atwo wyliczy, e wszystkie wskaniki optymalnoci przy

zmiennych niebazowych s dodatnie, co sugeruje, i jest to rozwizanie optymalne. Jednake w tym rozwizaniu wystpuje cigle zmienna
sztuczna x8. A zatem powysze ZPL jest sprzeczne. Zbir rozwiza dopuszczalnych tego zadania jest zbiorem pustym.
PRZYKAD 3.10. Rozpatrzmy jeszcze jeden przykad liczbowy wyznaczania rozwizania optymalnego stosujc algorytm Simplex. Dane
jest ZPL:
(max) 2x1 + 2x2
przy warunkach:
4x1 + 4x2 80
2x1 - 2x2 20
xj 0 (j = 1,2)
100

Zadanie to po sprowadzeniu do postaci standardowej wyglda nastpujco:

(max) 2x1 + 2x2
przy warunkach:
4x1 + 4x2 + x3
80
2x1 2x2

+ 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

atwo zauway, e w tablicy 3 i tablicy 4 warto funkcji celu jest

taka sama i wynosi 40. S to dwa wierzchoki dajce identyczn warto
funkcji celu. W tablicy 4 wskanik optymalnoci przy x1 jest rwnie
rwny zero, z wskaniki wyjcia pokazuj, e wprowadzenie zmiennej
x1 w miejsce x4 doprowadzi nas do tablicy 3.
Kolejne wektory, odpowiadajce czterem iteracjom Simplex wygldaj nastpujco:

&0#
$0!
B
X1 = $ ! , X2B =
$80 !
$ !
%20"

&10 #
$0!
$ ! , X3B =
$40!
$ !
%0"

&15#
$5!
$ !,
$0!
$ !
%0"

&0#
$20!
B
X4 = $ !
$0!
$ !
%60"

A wartoci funkcji s rwne:

f(X1B) = 0, f(X2B) = 20, f(X3B) = 40, f(X4B) = 40.
Wierzchoki X3B oraz X4B s optymalne, co oznacza, e rwnie cay
102

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"

W zadaniu wystpuj cztery zmienne, z czego dwie s decyzyjne.

Z punktu widzenia decyzji wane s zatem wartoci dwch pierwszych
elementw wektorw. Wektory te s kolejnymi wierzchokami zbioru
rozwiza dopuszczalnych. Zostao to pokazane poniej:
X2
X4
20

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

3.5. ZADANIE DUALNE PROGRAMOWANIA LINIOWEGO

Punktem wyjcia dla naszych rozwaa bdzie posta ZPL:

max) f(x1 ..., xn) =

!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

Twierdzenie 3.4. Jeeli zbir X rozwiza dopuszczalnych zadania

prymarnego nie jest pusty i zbir Y rozwiza zadania dualnego programowania liniowego nie jest pusty, to speniony jest warunek f(x) g(y)
dla wszystkich x X oraz y Y.
Twierdzenie to oznacza, e warto maksymalizowanej funkcji celu
zadania prymarnego jest nie wiksza ni warto minimalizowanej
funkcji celu zadania dualnego.
Twierdzenie 3.5. Jeeli zadania ZPL i ZDPL maj rozwizanie optymalne to prawdziwy jest zapis:

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

Min g(x) = 13y1 + 15y2 + 17y3

przy warunkach
3y1 + 2y2 + 1y3 1
5y1 + 4y2 + 3y3 = 2
7y1 + 6y2 + 5y3 3
9y1 8y2 7y3 4
y1 0, y2 dowolne, y3 0.
Zadania ZPL i ZDPL s ponadto powizane w ten sposb, e wskaniki optymalnoci w rozwizaniu optymalnym zadania prymarnego pozwalaj odczyta wartoci rozwizania optymalnego zadania dualnego.
Mona to sformuowa nastpujco:
wskaniki optymalnoci zmiennych dodatkowych w optymalnym
rozwizaniu ZPL z kryterium maksymalizacji podaj wartoci
optymalne dla sprzonych z nimi zmiennych decyzyjnych ZDPL,
przy czym w przypadku, gdy zmienne sprzone s zmiennymi
nadmiaru naley zmieni znak tej zmiennej,
wskaniki optymalnoci zmiennych decyzyjnych w optymalnym
rozwizaniu ZPL z kryterium maksymalizacji funkcji celu podaj
wartoci zmiennych dodatkowych z optymalnego rozwizania zadania dualnego.
PRZYKAD 3.12. Zapisz zadanie dualne do ZPL z przykadu 3.10.
i porwnaj z rozwizaniem zadania prymarnego.
Dla przypomnienia zadanie ma nastpujc posta:
(max) 2x1 + 2x2
przy warunkach:
4x1 + 4x2 80
2x1 2x2 20
xj 0 (j = 1,2)
Zadanie dualne ma zatem posta nastpujc:
(min) 80y1 + 20y2
przy warunkach:
4y1 + 2y2 2
4y1 2y2 2
yj 0 (j = 1,2)
106

a po sprowadzeniu do postaci standardowej:

(min) 80y1 + 20y2 + M(y5 + y6)
przy warunkach:
4y1 + 2y2 y3 + y5 = 2
4y1 2y2 y4 + y6 = 2
yj 0 (j = 1,...,6)
Rozwizanie tego zadania metod Simplex nie jest kopotliwe. Kolejne kroki algorytmu pokazuj ponisze tabele:
1
cjB

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

Dla przypomnienia wynikw zadania prymarnego pokamy tablic

z rozwizaniem optymalnym ZPL:
4

cj

Baza

x1

x2

x3

x4

WW

x2

20

0,25

20

x4

60

0,5

15

40

0,5

B
j

zj cj

Nastpujce wielkoci potwierdzaj wczeniejsze uwagi:

warto funkcji w obu zadaniach wynosi 40,
w ZPL wskaniki optymalnoci przy zmiennych dodatkowych wynosz: 0,5 oraz zero (zaznaczone kropk), co odpowiada wartociom zmiennych decyzyjnych ZDPL, gdy warto y1 wynosi 0,5
a y2 jest rwne zero (jako zmienna niebazowa),
z ZPL wskaniki optymalnoci zmiennych decyzyjnych (zero dla
obu zmiennych), s rwne wartociom zmiennych dodatkowych
rozwizania optymalnego ZDPL, gdy y3 = 0 (bazowa) a y4 = 0
jako zmienna niebazowa.
Analiz wskanikw ZDPL dokona Czytelnik samodzielnie, pamitajc, e zmienne y3 oraz y4 byy zmiennymi nadmiaru, co wymaga
zmiany znaku przy porwnaniach z ZPL.
Dualne zadanie suy nie tylko ewentualnej atwoci liczenia. Wana
jest rwnie interpretacja ekonomiczna obu zada. Poniej przedstawiono niektre elementy interpretacji ekonomicznej elementw zadania dualnego i prymarnego:
PRZYKAD 3.13. Zakad wytwrczy moe uruchomi p procesw
produkcyjnych, co odpowiada liczbie zmiennych decyzyjnych x. Dwa
rne procesy mog suy do wytworzenia dwch rnych produktw,

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

j=1..p ajxj b xj 0 j= 1, ..., p

w postaci standardowej wyglda:

xj 0 j= 1,..., p, p+1, ..., n
j=1..p ajxj + i=1..m eixp+i = b
xp+i poziom procesu niewykorzystania rodka i (dlatego przychd
cp+i = 0)
kade dopuszczalne rozwizanie tego zadania jest liczbow charakterystyk pewnego planu produkcyjnego.
Procesy zwizane ze zmiennymi bazowymi danego rozwizania
bazowego to procesy aktywne, pozostae to procesy, ktre mog
sta si aktywne, jeeli zmieni si ktry warunkw (na przykad
technologia, cena, itp.).
Wartoci optymalne zmiennych decyzyjnych zadania dualnego s
miar efektywnoci kracowej wyrazw wolnych zadania prymalnego wzgldem optymalnej wartoci funkcji celu przy ukadzie
warunkw, jakie reprezentuje model. Nazywamy je cenami dualnymi to znaczy nie s to faktyczne ceny jednostki zasobw i-tego
rodka, za ktr zostan nabyte przez zakad, lecz s efektywnoci
kracow zasobw tego rodka w stosunku do optymalnej wartoci funkcji celu przy warunkach zadania. Oznacza to, e podaj one
zmian wartoci funkcji celu, jaka bdzie mie miejsce, gdy zasoby i-tego rodka wzrosn o jednostk. Mona zatem zauway, e
dobr cen dualnych minimalizuje czn wycen rozmiarw zasobw poszczeglnych ogranicze.

Ponisza interpretacja bazuje na pracy: I. Nykowski: Programowanie liniowe, Cz I, SGPiS,

Warszawa, 1972, s. 170 i dalsze. W pracy tej znale mona bardzo szerokie spektrum zagadnie
z programowania liniowego.

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

Zuycie jednostkowe tkaniny A

Zuycie jednostkowe tkaniny B

2
1

2
1

1
1

Zuycie jednostkowe pracy (rh)

wiedzc ponadto, e moliwe kwartalne dostawy tkaniny A wynosz

1.500 m., tkaniny B 1.000 m, a zakad dysponuje szecioma pracownikami, co daje miesicznie okoo 1.000 roboczogodzin. Ponadto zamwiono ju 300 koszul. Liczba spodni musi by dwukrotnie wysza od
liczby marynarek. Zwykle co pity klient kupujcy marynark kupuje
rwnie kamizelk.
3.2. Co to jest gradient funkcji i warstwica. Policz gradient funkcji
f(x) = x1 + 2x2. Napisz rwnanie warstwicy przechodzcej przez punkt (2,8)?
3.3. Przedstaw gracznie rozwizanie ZPL i znajd posta standardow ZPL:
Max f(x) = 2x1 + 4x2
p.w.
3x1 + x2 3
5x1 2x2 20
x1 + 6x2 12
x1 0, x2 0
3.4. Znajd posta standardow i startowe rozwizanie bazowe ZPL:
Max f(x) = x2 + 3x3 + 2x5 + 4x6
p.w.
= 12
3x3 + 4x4 + 2x5
x1

+ 2x3 + x4

4x1 + x2
x1 0,
110

2x6 = 3
+ x5 + x6 = 7

x2 0,

x3 0,

x4 0,

x5 0,

x6 0,

3.5. Znale metod Simplex i gracznie rozwizanie ZPL:

Max f(x) = 5x1 + 5x2
p.w.
x1 + x2 8
4x1 + x2 12
x10, x20
3.6. Znale metod Simplex rozwizanie ZPL
Max f(x) = 2x1 - 4x2
p.w.
2x1 + x2 14
x 1 - x2 4
10x1 + 2x2 16
x10,
Wskazwka. Zwr uwag na to, e tylko jedna zmienna jest nieujemna.
3.7. Znajd wszystkie rozwizania optymalne ZPL:
Max f(x) = 2x1 + 2x2
p.w.
4x1 + 4x2 80
2x1 2x2 20
x1 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

3.8. Przedstaw w postaci standardowej i macierzowej ZPL

max f(x) = 2x1 x2 + 4x3
p.w.
x1 + 3x2 x3 8
x1 + 2x3 4
x1 0,

x2 0,

x3 4.

3.9. Rozwi metod Simplex i gracznie ZPL

max f(x) = 2x1 + 3x2
p.w.
2x1 + 3x2 14
x1 x2 4
3x1 5x2 5
x1 0,

112

x2 0

3.10. Zapisz i rozwi zadanie dualne do ZPL:

Max f(x) = 2x1 + 2x2
p.w.
4x1 + 4x2 80
2x1 - 2x2 20
x1 0, x2 0.
Wskazwka: Zauwa, e zadanie polega na znalezieniu rozwizania do zadania 3.7. Porwnaj rozwizania. Zauwa, e w przypadku minimalizacji funkcji celu (zadanie dualne) rozwizanie optymalne jest
wwczas, gdy wskaniki optymalnoci s niedodatnie.
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

3.11 Znajd rozwizanie ZPL:

Max f(x) = 3x1 + 4x2 + x5
p.w.
6x1 + + x3 + 4x5 = 12
5x1 + 5x2 10x4 + x5 = 15
x1 0, x2 0, x3 0, x4 0, x5 0.
Jak zmieni si rozwizanie optymalne, jeeli:
113

a) zysk jednostkowy na wyrobie 3 bdzie wynosi 2? Przeanalizuj

zachowanie si zysku w zalenoci od wysokoci zysku na wyrobie 3.
b) pierwszego surowca mona pozyska dwukrotnie wicej, to jest
24 tony?
c) nastpi zmiana wspczynnikw materiaochonnoci w procesie
5 i wynosi one bd
6
2

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

xij " min ,

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)

W ZT wymaga bdziemy ponadto zbilansowania2 poday i popytu,

czyli doczony zostanie warunek:
m

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

Innym rodzajem, wspomnianym dalej, jest zagadnienie minimalizujce czas przewozu

Bilansowanie ZT jest pierwszym krokiem w algorytmie.

116

& x11
$x
X = $ 21
$ ...
$
% x m1

x1n #
... x 2 n !!
... ... !
!
... x mn "

x12

...

x 22
...
xm 2

Wspczynniki funkcji celu (koszty przewozu) maj rwnie posta:

& 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 .

PRZYKAD 4.1. Zapisz dowolne zadanie transportowe, w ktrym

jest 3 dostawcw i 4 odbiorcw.
Problem zadania transportowego mona napisa w postaci:
Zminimalizuj czne koszty przewozu pomidzy dostawcami i odbiorcami przy nastpujcych danych:
2
4
5

3
3
6

1
2
3

200 100 150

4
5
2

200
300
100

150

600

gdzie macierz C kosztw przewozu jest:

2
3
1
4
4
3
2
5
5
6
3
2
wektorem dostaw A (trzech dostawcw) jest
200
300
100
117

a wektorem odbiorcw BT (czterech odbiorcw)

200 100 150 150
Dodatkowo w ostatniej kolumnie i ostatnim wierszu pokazano czn liczb towarw. 600 jest rwna suma stanu magazynw i suma popytu zgaszanego przez odbiorcw. Zapis ten oznacza midzy innymi, e:
koszt przewozu jednej jednostki pomidzy dostawc o numerze 2
i odbiorc o numerze 3 wynosi 2 (np. 200 z),
drugi dostawca dysponuje 300 jednostkami towaru,
trzeci odbiorca zgasza popyt w wysokoci 150 jednostek.
Rozwizaniem zadania bdzie kada prostoktna macierz o trzech
wierszach i czterech kolumnach, ktra spenia warunki zadania, czyli na
przykad rozwizanie X1 bdzie si rwna:
200 0
0
0
0 100 100 100
0
0 50 50
Kad prostoktn macierz X o wymiarach m x n i nieujemnych elementach, speniajcych ponadto warunki poboczne wynikajce z treci zadania, bdziemy nazywali rozwizaniem dopuszczalnym zadania
transportowego. Wewntrzn cz tablicy pokazanej w przykadzie bdziemy nazywali macierz kosztw3. Wielkoci zasobw w magazynach: a1, ..., am wypisane s w ostatniej kolumnie a wielkoci zapotrzebowa b1, ..., bn wypisane w ostatnim wierszu tablicy.
W kadym zbilansowanym zadaniu transportowym istnieje skoczone rozwizanie optymalne. Proces poszukiwania rozwiza optymalnych ogranicza si w algorytmie transportowym do zbioru dopuszczalnych rozwiza bazowych tego zadania. Oznacza to, e podobnie jak
poprzednio w ZPL bdziemy mie zmienne bazowe (ktrych jest m +
n 1) oraz zmienne niebazowe przybierajce warto 0. Wynika to std,
e w zbilansowanym zadaniu transportowym zesp warunkw ograniczajcych skada si z ukadu m + n rwna. Dokadnie jedno, dowolne,
spord tych m + n rwna jest kombinacj liniow pozostaych. Oznacza to, e ukad skada si z m+n-1 rwna liniowo-niezalenych. Dlatego naley zapamita uwag:
Uwaga 1. Kade rozwizanie bazowe zbilansowanego zadania transportowego ma dokadnie m + n - l zmiennych bazowych.
3

W alternatywnych zadaniach moe tam by odlego (minimalizujemy wwczas sum przebiegw

samochodw, albo czas, wwczas minimalizujemy czas dostaw.

118

4.2. BILANSOWANIE ZADANIA TRANSPORTOWEGO

Zgodnie z uwagami wczeniejszymi, algorytm transportowy wymaga rwnowagi popytu i poday, co zapisalimy wzorem
m

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

200 100 150 50 100

4

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

200 100 150 250

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

200 100 150 250

700
Odbiorca, ktry otrzyma towar od czwartego dostawcy, bdzie mia
potrzeby niezaspokojone dostawami. Poda jest nisza ni potrzeby5.
Oznacza to, e przewz na tej trasie w rozwizaniu bazowym jest
rwnoznaczny z brakiem towaru u odbiorcy.
4.3. METODY WYZNACZANIA ROZWIZA
WSTPNYCH
Bilansowanie zadania jest pierwszym krokiem w algorytmie ZT.
Krok drugi, jakim jest znalezienie pierwszego bazowego rozwizania
dopuszczalnego, jest podobny do szukania standardowego rozwizania
bazowego w ZPL. W przypadku ZT mamy jednak rwnania i wiemy,
e zadanie jest zbilansowane oraz, e ma rozwizanie. Etap ten polega
na wyznaczeniu pewnego dopuszczalnego rozwizania bazowego. Rozwizanie to pozwoli na rozpoczcie algorytmu transportowego.
5

W takim przypadku mona rwnie proporcjonalnie obniy popyt, co odpowiada zjawisku

reglamentacji.

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

200 100 100

400
Po otrzymaniu 200 jednostek od pierwszego dostawcy, odbiorca
pierwszy nie chce wicej towaru. Dlatego w dolnym wierszu znajduje
si kropka. W pierwszym magazynie jest jeszcze do dostarczenia innym
odbiorcom 100 jednostek. W kolejnym kroku rozpatrujemy cz macierzy bez elementw bazowych (ju wypenionych) oraz bez elementw z kropkami. Przewz speniajcy warunek kta pnocno zachodniego odpowiada trasie od pierwszego dostawcy do drugiego odbiorcy. Kierujc si t sam zasad wybieramy minimum z liczb a1`=100
oraz b1`=200. Zatem x12= 100. Tym razem przewz oznacza brak towaru w magazynie 1. Dlatego zostay w pierwszym wierszu zaznaczone kropki:
X1B =

200 100

200
100

100 100 100

300
Drugi odbiorca chce jeszcze 100 jednostek towaru. Po tej operacji
kt pnocno zachodni oznacza przewz na trasie od drugiego dostawcy do drugiego odbiorcy. Kolejne, dokonane w sposb identyczny kroki
pokazano w tabelach poniej:
X1B =

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

Jest to startowe rozwizanie bazowe uzyskane MKPZ.

4.3.2. Metoda minimalnego elementu macierzy kosztw
[MMEMK]
Podobnie do poprzedniej metody bdziemy dla okrelenia wartoci
przewozu bazowego xij korzystali z minimum ai oraz bj. Tym razem
przewz bazowy bdzie wybierany wedug kolejnego minimalnego elementu macierzy kosztw. Metoda zostanie pokazana na przykadzie:
PRZYKAD 4.5. Znajd startowe rozwizanie bazowe MMEMK w ZT:
4
3
2

5
1
4

3
6
2

4
2
3

300
200
100

200 200 100 100

600
W pierwszym kroku szukamy trasy z minimalnym kosztem przewo7

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

200 0 100 100

400
200 0 100 100
400
Po skreleniu elementw drugiego wiersza minimalny element to
c31 = c33 = 2. Wybieramy (zgodnie z poprzedni zasad) element z lewej tablicy. Przewz od trzeciego dostawcy do pierwszego odbiorcy
x31= 100. Daje to w konsekwencji zmiany:
200
100

300

4
3
2

5
1
4

3
6
2

4
2
3

300

100 0 100 100

300
100 0 100 100
300
Ostatni wiersz wypeniamy zgodnie z t sam zasad. W wyniku tych
operacji otrzymamy startowe rozwizanie bazowe MMEMK:
100 0 100 100
200

100

atwo wida, e jest sze wyrnionych elementw, co odpowiada

rwnoci n+m-1.
MMEMK jest najbardziej zbliona do praktycznego sposobu ustalania przewozw. W praktyce uwzgldnia si bowiem koszty przewozu cij. Moe si jednak zdarzy, e pocztkowy wybr niskiego kosztu
pociga za sob wysoki koszt w nastpnym czy kocowym przewozie.
Dlatego te poniej pokazano jedn z tych metod, ktre uwzgldniaj
wybr warunkowy, uwzgldniajcy oddziaywanie na wybr kolejnych
zmiennych bazowych w procesie obliczeniowym.

124

4.3.3. Metoda VAM8 [VAM]

Metoda VAM daje moliwo warunkowego wyboru tras przewozowych, kierujc si nie tylko minimalnym kosztem w danej iteracji ale
take ewentualnymi kosztami przyszymi. Sposb postpowania przy
wyborze wielkoci przewozw jest bardzo podobny do obu poprzednich
metod. Inne jest jedynie kryterium wyboru trasy.
Wybr trasy (zmiennej bazowej) odbywa si w nastpujcy sposb:
1. Dla kadego wiersza i dla kadej kolumny macierzy kosztw C
oblicza si rnice midzy dwoma najmniejszymi elementami
tego wiersza lub tej kolumny. Tak obliczone rnice zapisujemy
obok wierszy i kolumn,
2. Wybieramy wiersz lub kolumn, dla ktrej rnica jest najwiksza,
3. Jako tras wyrnion (zmienn bazow) przyjmuje si t, ktrej odpowiada najmniejszy spord elementw wybranego wiersza lub kolumny
4. Wybranej trasie przydzielamy moliwy przewz xij = max {ai, bj}
T procedur kontynuujemy a do momentu znalezienia pierwszego
rozwizania startowego. Warto zauway, e i w tym przypadku kierujemy si czsto zasad przyjt w MKPZ, mwic, i w przypadku gdy
najwiksza rnica odpowiada kilku wierszom i kolumnom, wwczas
wyrniamy najwyej lecy wiersz, a spord kolumn t, ktra jest
wysunita najbardziej w lewo. Zasada ta wynika z przedstawionej jako
pierwsza Metody Kta Pnocno-Zachodniego. Porzdkuje ona sposb
postpowania, chocia nie ma wpywu na szybko znajdowania rozwizania optymalnego.
PRZYKAD 4.6. Znajd startowe rozwizanie bazowe metod VAM
dla poniszego ZT:
4
3
2

5
1
4

3
6
2

4
2
3

200 200 100 100

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

w drugiej kolumnie. Dlatego minimalnemu elementowi w tej kolumnie

przyporzdkujemy warto 200:

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

W kolejnej iteracji otrzymujemy rozwizanie bazowe:

200 100
200
0
0

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

4.4. OBLICZANIE WSKANIKW OPTYMALNOCI

METOD POTENCJAW
Rozwizanie bazowe uzyskane dowoln, przedstawion powyej,
metod jest pierwszym dopuszczalnym rozwizaniem bazowym (w ZPL
odpowiada mu rozwizanie standardowe). Naley zatem sprawdzi, czy
jest ono optymalne, a jeeli nie to naley zaproponowa schemat znalezienia rozwizania ssiedniego, zmniejszajcego warto funkcji celu.
O optymalnoci danego rozwizania bazowego decyduj wartoci
wskanikw optymalnoci obliczone dla tego rozwizania. Wskaniki
dla zmiennych niebazowych zestawiane s w formie macierzy, zwanej
126

macierz zerow. Uzyskujemy j, jako macierz ktrej elementy wyliczone s z wzoru:

kij = zij cij = (cij + ui + vj)
(i =1, ..., m; j = 1, ..., n).
gdzie ui oraz vj s tak zwanymi potencjaami, przyporzdkowanymi
wierszom (ui) oraz kolumnom (vj). S to dowolne liczby rzeczywiste
(cakowite) tak dobrane, aby wspczynniki przy zmiennych bazowych
w poniszym rwnaniu speniay warunek:
(i, j) B
cij + ui + vj = 0
gdzie: B jest zbiorem tras bazowych rozwizania XB .
Rozwizanie XB jest optymalne, jeeli wszystkie elementy macierzy
zerowej s nieujemne9. Natomiast rozwizanie XB nie jest rozwizaniem
optymalnym, gdy dla co najmniej jednej zmiennej xij :
kij = cij + ui + vj < 0
W przypadku, gdy jaki wskanik optymalnoci (element macierzy
zerowej) jest ujemny, naley wprowadzi do bazy nowy przewz i jednoczenie jeden z dotychczasowych przewozw wyrugowa z bazy. Do
bazy w nastpnym rozwizaniu bazowym wchodzi przewz wyznaczony przez ujemny wskanik optymalnoci o najwikszej wartoci bezwzgldnej.
Do wyznaczenia szukanych wartoci potencjaw ui (jest ich m) oraz
wartoci potencjaw vj (jest ich n) naley rozwiza ukad m + n l
rwna. adne z rwna tego ukadu nie jest kombinacj liniow innych rwna tego ukadu. Liczba rwna jest o jeden mniejsza od liczby niewiadomych, a zatem jest to ukad rwna o jednym stopniu swobody. Tak wic istnieje nieskoczenie wiele rozwiza ukadu, chyba,
e zostanie wybrana warto ktrejkolwiek zmiennej. W takim przypadku ukad bdzie mia jednoznaczne rozwizanie. W praktyce jednej ze
zmiennych (potencjaw) bdziemy przyporzdkowywa warto zero.
Pozwoli to na wyliczenie pozostaych potencjaw i w dalszej kolejnoci macierzy zerowej.
PRZYKAD 4.7. Sprawd czy startowe rozwizanie bazowe uzyskane metod VAM dla ZT jest optymalne:
9

Wynika to z faktu przeciwnego znaku w elementach macierzy zerowej i wskanikw optymalnoci w

programowaniu liniowym. Z tego wzgldu, i w ZT mamy do czynienia z minimalizacj, wskaniki
(poza bazowymi) powinny by dodatnie, by istniao optimum (nieujemne, by istniay optima).

127

4
3
2

5
1
4

3
6
2

4
2
3

200 200 100 100

300
200
100
600

Uzyskane w przykadzie 5 startowe rozwizanie bazowe miao posta:

200 100
200
0
0

100

300
200
100

200 200 100 100

600

W pierwszym kroku liczy si potencjay, przyjmujc jako zero ten

potencja, ktry wystpuje najczciej. W powyszym przypadku dwukrotnie wystpuje kilka potencjaw, dlatego te wybrany zostanie potencja dla pierwszego wiersza. Przewozy bazowe zostay zaznaczone
ciemniejszym tem. Z sumy cij + ui + vj = 0 atwo wyznaczy potencja
w pierwszej kolumnie (4) oraz w kolumnie trzeciej (-3),
4
5
3
4
0
3
1
6
2
2
4
2
3
4
3
Wynika to z faktu, i podstawiajc dwukrotnie do rwnania:
cij + ui + vj = 0
potencja (u1 = 0) oraz koszt przewozu, moemy wyliczy drugi potencja:
4 + 0 + v1 = 0

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

Par wskanikw (i,j) dowolnego elementu aij macierzy przewozw

A, bdziemy nazywali wzem (i,j) tej macierzy. Wze (i,j), odpowiadajcy przewozowi xij okrela miejsce w macierzy przewozw A. Wzy w wierszu lub kolumnie wyznaczaj linie. Zbir wzw {(i,j): j = 1,
..., n} bdziemy nazywali i-t lini poziom macierzy A, a zbir {(i,j):
i = l, ..., m} j-t lini pionow tej macierzy.
Zbir wzw wyrnionych w rozwizaniu macierzowym nazywamy zbiorem spjnym, jeeli dowolne dwa wzy zbioru mona poczy, czc wzy w liniach (wierszach lub w kolumnach). Zbir nie
jest spjny, gdy chocia jeden wze jest izolowany, to znaczy, e nie
mona go poczy odcinkiem w danej linii z drugim wzem, tak jak
poniej izolowany jest wze (1, 3). Pozostae wzy mona poczy
w linii odcinkami. Odcinki nie mog przebiega ukonie.
!
!
!
!
!
Cykl to zbir odcinkw czcych wzy, tworzcy drog zamknit,
zoon z wzw i to takich, e z danej linii mog wchodzi do cyklu
dwa albo zero wzw. Cykl zosta pokazany poniej:
!
!
!
!
!
!
!
atwo jest zauway, e wskaniki zmiennych bazowych kadego
dopuszczalnego rozwizania bazowego XB wyznaczaj zbir wzw
m + n 1 elementowy, ktry jest spjny i nie zawiera cyklu. Dooenie
do rozwizania bazowego jednego wza powoduje, e ma ono m + n
elementw i zawiera cykl.
PRZYKAD 4.8. Poka graf rozwizania bazowego z przykadu 6
oraz cykl po dodaniu przewozu (1, 4)
Rozwizanie bazowe o n + m 1 elementach, uzyskane metod VAM
miao posta:
200 100
200
0
0

100
130

300
200
100

200 200 100 100

600

Graf tego rozwizania nie tworzy cyklu:

!
!

!
!

200 200 100 100

300
200
100
600

Do bazy w nastpnym rozwizaniu bazowym wchodzi przewz

o ujemnym wskaniku optymalnoci i najwikszej wartoci bezwzgldnej tego wskanika. Jednak dooenie wza (1, 4) powoduje, e powstaje cykl. Oczywicie zawiera on jedynie elementy narone, czyli w skad
cyklu nie wchodzi wze (1, 3) i nie wchodzi wze (2, 4):
!

!
!

!
!
!

200 200 100 100

300
200
100

600

Wraz z dooeniem wza (1, 4) nastpi wzrost liczby elementw

do n + m, co oznacza, e rozwizanie bazowe uzyska si, po usuniciu jednego z elementw dotychczas bazowych. Wykorzystamy w tym
celu graf. Nowe rozwizanie bazowe X`B ssiednie wzgldem rozwizania dotychczasowego XB uzyskujemy poprzez przyjcie pewnej wartoci dodatniej (nieujemnej) przez zmienn wchodzc do bazy. Warto,
ktr przyjmuje zmienna jest okrelona warunkami:
z bazy wychodzi jedna zmienna,
przewozy musz by nieujemne.
Mona atwo zauway, e wzrost przewozu na jakiej trasie oznacza
spadek przewozw do innego odbiorcy w tej samej linii. Dlatego moemy wyrni pcykl dodatni i pcykl ujemny. Warto jak nadamy wchodzcemu do bazy przewozowi jest rwna minimalnej wartoci
z pcyklu ujemnego (wielko przewozw zmniejsza si i jeden staje si zerem niebazowym). O t sam warto wzrasta kady element
w pcyklu dodatnim. W przypadku, gdy wybr wza nie jest jednoznaczny (np. dwa elementy w macierzy zerowej maj t sam warto
ujemn), jako nowy wze bazowy przyjmujemy ten, ktry ma mniejszy

131

pierwszy wskanik (ley w wyszym wierszu). Gdy elementy s w tym

samym wierszu, powysz zasad przenosimy na drugi wskanik.
W przypadku, gdy najmniejsz warto w pcyklu ujemnym ma
wicej ni jeden przewz, nastpuje sytuacja, w ktrej przewozem bazowym przestaje by pierwszy z zerujcych si przewozw. Pozostae stanowi przewozy zerowe, to jest takie, ktre wystpi w rzeczywistoci, gdy wzronie zasb towarw w magazynach i potrzeby odbiorcw. W przypadku, gdy rozwizanie bazowe zawiera przewozy zerowe,
mwimy o jego zdegenerowaniu. Oznacza to, e przewozy zerowe musz wystpi, by w bazie pozostao n + m 1 elementw (jeden przewz wchodzi, jeden moe wyj z bazy), ale oczywicie nie wystpuj
one w rzeczywistoci.
PRZYKAD 4.9. Znajd rozwizanie optymalne ZT z przykadu 5.
Rozwizanie bazowe o n + m 1 elementach, uzyskane metod VAM
miao posta:
200 100
200
0
0

100

300
200
100

200 200 100 100

600

A macierz zerowa tego rozwizania wyliczona poprzednio wyglda:

6
1

300
200
100

200 200 100 100

600

Po dodaniu wza (1, 4) cykl tworz wzy (1, 1), (1, 4), (3, 4) oraz
(3, 1):
!

!
!

!
!
!

200 200 100 100

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

200 200 100 100

600

Potencjay w tym rozwizaniu, przy przyjciu u1 = 0, wygldaj jak

zostao przedstawione poniej:
4
3
2
4

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

nie zawiera elementw ujemnych, co oznacza, e jest to rozwizanie

(system przewozw) optymalne. czny koszt przewozw wynosi:
400 + 300 + 400 + 200 + 200 co jest rwne 1500. redni koszt przewozu jednej jednostki wynosi zatem 2,5.
4.6. WARUNKI NAKADANE NA ROZWIZANIE
W zadaniu transportowym o mog wystpi takie sytuacje, jakie zdarzaj si czsto w yciu. Niektre trasy s niedopuszczalne, niekiedy
naley przewie co najmniej jak parti towarw, a innym razem nie
wicej ni ustalone w kontrakcie. Sytuacje te stanowi pewne wzbogacenie Zadania Transportowego.
4.6.1. Trasy niedopuszczalne
Kiedy w momencie formuowania zadania transportowego mamy
informacj, i okrelone poczenie pomidzy i-tym dostawc a j-tym
odbiorc nie moe by rozwaane, wwczas w rozpatrywanym zadaniu
wystpuj trasy niedopuszczalne. Oznacza to, e zmienna xij okrelaj133

ce wielko przewozw na niedopuszczalnej trasie nie moe wej do

bazy. Nie mona, by nie narusza warunkw zadania, w sposb sztuczny wyeliminowa przewozw na jakiej trasie. Robi si to poprzez ustalenie wysokich kosztw przewozu na danej trasie. Podobnie, jak w programowaniu liniowym stosowana jest metoda kar, tak i w ZT dokonuje
si modykacji funkcji celu, czyli macierzy kosztw przewozu.
W zadaniach transportowych mamy do czynienia z minimalizacj
kosztw przewozu. Dlatego zmienne sztuczne zostan wprowadzone do
macierzy kosztw ze wspczynnikami rwnymi liczbie M, gdzie M
jest odpowiednio du liczb dodatni. Wielko M dobierana jest tak,
by kademu rozwizaniu bazowemu, w ktrym przynajmniej jedna ze
sztucznych zmiennych przyjmuje warto dodatni, koszty przewozu
byy wiksze, ni rozwizaniu, w ktrym wszystkie sztuczne zmienne
s rwne zeru. W praktyce jako M wystarczy przyj liczb nie mniejsz od wielkoci rwnej potrojonemu iloczynowi najwikszej wartoci
wspczynnika cij.
PRZYKAD 4.10. Zaproponuj ukad wspczynnikw w macierzy
kosztw, wiedzc, e pierwszy dostawca nie moe dostarcza do drugiego odbiorcy, a drugi dostawca nie moe dostarcza do czwartego odbiorcy. Macierz kosztw na trasach dopuszczalnych a take wielko
poday i popytu przedstawia tabela:
2
4
0

2
3

1
2
3

200 200 100 100

300
200
100
600

W zwizku z tym, e trasy wykropkowane s niedopuszczalne, a do

metody potencjaw konieczne s wszystkie trasy, proponuje si wstawienie w miejsce kropek kar w wysokoci trzykrotnej wielkoci najwyszego elementu macierzy kosztw {5}. Zadanie bdzie miao posta:
2
4
0

134

15
2
3

1
2
3

3
15
5

300
200
100

200 200 100 100

600

I rozwizuje si je w sposb opisany wczeniej.

Przykadem zadania z niedopuszczalnymi trasami, jest niezbilansowane zadanie transportowe, w ktrym ktry dostawca nie ma magazynu. Wwczas kcyjny odbiorca, jakim jest faktycznie sam magazyn
nie moe przyj (zostawi sobie) towaru. Moe si rwnie zdarzy,
e ktry dostawca moe skadowa tylko cz oferowanych towarw.
Pojemno magazynu okrela wanie t cz. Jest to przykad zadania
czcego trasy niedopuszczalne z zadaniem z ograniczon przepustowoci tras.
4.6.2. Ograniczona przepustowo tras
Zadanie polega na uwzgldnieniu warunkw postaci: co najmniej, co
najwyej, nie wicej ni, nie mniej ni itp. Mwic inaczej chodzi o to,
aby zapewni, eby w rozwizaniu optymalnym nadwyka zasobw
u i-tego dostawcy, (ktra moe pozosta w magazynie), nie przekroczya zaoonej wielkoci (pojemnoci magazynu). Innym przykadem jest
podpisanie kontraktu na zasadzie bierz wicej ni czy te bierz lub
pa. Warunki te traktujemy jako rwnowane zaoeniu, e i-ty dostawca musi wysa z gry co najmniej zadan ilo towaru. W zwizku
z tym zasoby u i-tego dostawcy dzielimy na dwie czci, z ktrych jedna ai oznacza t ilo, ktr dostawca musi wysa, a druga ai moe
pozosta u niego w charakterze zapasu. W zapisie zadania nastpuje zastpienie w tablicy danych wyjciowych dostawcy dwoma poddostawcami i oraz i. Stae pozostaj koszty cij do wszystkich odbiorcw poza
odbiorc kcyjnym, dla ktrego koszt bdzie trzykrotnoci najwyszego z kosztw w macierzy.
Problemem moe by zbudowanie tablicy wyjciowej zadania transportowego z ograniczon przepustowoci tras. Naley bowiem rozbi
dostawcw lub odbiorcw tak, by po rozbiciu speniony zosta naoony
warunek. W takim przypadku pojawi si zapewne rwnie niedozwolona trasa. Pokazano to na przykadzie, ktry przedstawia zastosowanie
caego algorytmu transportowego10:
PRZYKAD 4.11. Znajd Metod KPZ startowe rozwizanie bazowe ZT i rozwi zadanie, wiedzc, e pierwszy dostawca nie moe dostarcza do drugiego odbiorcy, drugi dostawca nie moe dostarcza do
10

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

200 200 100 100

600
W pierwszym kroku budujemy waciw tablic. atwo jest zastpi
punkty kosztami, gdy w ich miejsce wstawia si liczb 15.
2
4
0

15
2
3

1
2
3

3
15
5

300
200
100

200 200 100 100

600
Trzeci dostawca musi co najmniej 50 dostarczy do trzeciego odbiorcy. Oznacza to, e mamy dwie moliwoci: rozbi trzeciego dostawc na
dwch poddostawcw i odpowiednio zmodykowa macierz kosztw:
2
4

15
2

1
2
3
3

3
15

300
200
50
50

200 200 100 100

600
lub druga moliwo rozbicie trzeciego odbiorcy na dwch:
2
4
0

15
2
3

1
2
3

3
15
5

300
200
100

200 200 50 50 100

600
Rozwimy wariant pierwszy. Startowe rozwizanie bazowe wyglda:
200 100

100 100

0 50

50
136

300
200
50
50

200 200 100 100

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

Do bazy wejdzie wze (1, 4). Cykl bdzie mia posta:

200 100

100 100

0 50

50

300
200
50
50

200 200 100 100

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

200 200 100 100

600

Ktre jest pierwszym dopuszczalnym rozwizaniem bazowym. Nie

wystpuj w bazie elementy reprezentujce trasy niedopuszczalne. Ma137

cierz kosztw z potencjaami wynosi:

2 15 1
3
4
2
2 15
15 15 3 15
0
3
3
5
2 15 15 3

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

200 200 100 100

600

I macierz kosztw z potencjaami:

2 15 1
4
2
2
15 15 3
0
3
3
2 15 1

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

Rozwizanie, uwzgldnia cykl utworzony z wzw: (1,2), (1,4),

(4,4), (4,2) i wynosi:

138

200 50
200

50

50

50

300
200
50
50

200 200 100 100

600

Ktry ma taki sam koszt przewozu, a macierz kosztw z potencjaami wyglda:

2
4
15
0
2

15
2
15
3
1

1
2
3
3
1

3
15
15
5
3

0
1
2
2

A macierz zerowa wyglda nastpujco:

1
11
4

14

12

11
10

Co oznacza, e w dalszym cigu nie jest to rozwizanie optymalne.

Wystpuje element ujemny reprezentujcy wze (4,1). Rozwizanie, po
wprowadzeniu trasy (4,1) wyglda nastpujco:
150 50 100
200

50
50 0

300
200
50
50

200 200 100 100

600

Nastpna macierz kosztw z potencjaami:

2
4
15
0
2

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

4.2. Znajd optymalny ukad dostarczenia towarw od dostawcw do

odbiorcw, jeeli koszty transportu reprezentuje nastpujca macierz:

odbiorcy

1
2
3
40

2
3
2
30

4
2
1
40

3
3
4
20

dostawcy
70
20
40

Jak zmienia si koszt transportu w kolejnych rozwizaniach?

4.3. Znajd optymalne rozwizanie zagadnienia transportowego,
startujc od rozwizania uzyskanego metod MMEMK, wiedzc, e
czwarty odbiorca musi otrzyma co najmniej 60 jednostek towaru, w
tym co najmniej 20 od pierwszego dostawcy:

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

4.7. Sprawd jaki jest koszt skrcenia (maksymalnie) czasu dostaw

w stosunku do rozwizania nie biorcego pod uwag czynnika czasu11.

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

4.8. Zminimalizuj koszty przewozu, jeeli podane poniej dane

o przewozach uzupenione s informacjami: pierwszy dostawca musi
dostarczy co najmniej 20 jednostek do pitego odbiorcy. Odbiorca ten
musi uzyska pene zapotrzebowanie, to jest 40 sztuk.
2
4
4
50

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

czny koszt przewozu wynosi 550.

145

Tablica wartoci krytycznych rozkadu t-Studenta

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