Sunteți pe pagina 1din 183

COALA NAIONAL DE STUDII POLITICE I ADMINISTRATIVE

Facultatea de Comunicare i Relaii Publice

FACULTATEA DE COMUNICARE I RELAII PUBLICE

ANALIZA DATELOR I GESTIONAREA INFORMATIC A RESURSELOR UMANE

Autor: Cornelia MAXIM

Bucureti, 2013

UNITI DE NVARE

Introducere / 6 1. Programarea liniar. Prezentare general / 7


1.1. Despre modele / 8 1.2. Despre funcia obiectiv / 11 1.3. Optimizare / 12 1.4. Descrierea i formularea problemelor de programare liniar / 13 1.5. Exemple de probleme clasice de programare liniar / 15

Rezumat i test de autoevaluare / 17 2. Rezolvarea problemelor de programare liniar utiliznd un software specializat / 19
2.1. Rezolvarea problemelor cu produsul QSB / 20 2.2. Rezolvarea problemelor cu aplicaia Microsoft Excel / 22 2.3. Rezolvarea problemelor cu programul LINDO / 24

Rezumat i test de autoevaluare / 26 3. Problema dual pentru o problem de programare liniar precizat / 28
3.1. Construcia problemei duale i semnificaia ei. Exemple / 28 3.2. Preurile umbr calculul i semnificaia lor / 31 3.3. Probleme rezolvate / 34 Problema 1. Rezolvarea utiliznd un produs software specializat Problema 2. Explicaia economic a problemei duale 3.4. Probleme propuse spre rezolvare / 40

Rezumat i test de autoevaluare / 45

4. Probleme de decizie. Formulare, formalizare, rezolvare i interpretare / 47


4.1. Planificarea programului de lucru al personalului / 47 Formularea problemei i construirea modelului. Exemple Rezolvarea prin intermediul produselor software precizate. Exemple Interpretarea rezultatelor obinute 4.2. Programarea INTEGER (Programare liniar cu numere ntregi) / 51 Formularea problemei i construirea modelului. Exemple Rezolvarea prin intermediul produselor software precizate. Exemple Interpretarea rezultatelor obinute

Rezumat i aplicaii practice/ 57 5. Programarea scopurilor / 58


5.1. Formularea problemei i construirea modelului. Exemple / 58 5.2. Rezolvarea prin intermediul produselor software menionate i interpretarea rezultatelor. Exemple / 66

Rezumat i aplicaii practice / 68 6. Analize de tip PERT-CPM / 69


6.1. Formularea unei probleme. Exemple / 70 6.2. Construirea diagramelor de reea. Exemple / 72 6.3. Rezolvarea problemelor folosind un software specializat i interpretarea rezultatelor. Exemple / 73 6.4. Probleme propuse spre rezolvare / 78

Rezumat i aplicaii practice / 79 7. Probleme de transport, de alocare i problema comisului voiajor / 80


7.1. Probleme de transport (Transportation problem) / 80 Formularea problemei i construirea modelului. Exemple Rezolvarea prin intermediul produselor software precizate. Exemple 7.2. Probleme de alocare (Assignment Problem) / 85 Formularea problemei i construirea modelului. Exemple Rezolvarea prin intermediul produselor software precizate. Exemple 7.3. Problema comisului voiajor / 91

Formularea problemei. Exemple Rezolvarea prin intermediul produselor software precizate. Exemple

Rezumat i aplicaii practice / 93 8. Analiza unui sistem cu ajutorul lanurilor Markov / 95


8.1. Probabilitile de trecere / 96 8.2. Comportarea sistemului analizat / 97 Metoda arborelui Metoda algebric 8.3. Rezolvarea problemelor utiliznd un produs software specializat / 101 8.4 Probleme propuse spre rezolvare / 102

Rezumat i aplicaie / 103 9. Probleme de aranjare (Facility layout) / 104


9.1. Amplasarea compartimentelor (departamental layout, functional layout) / 105 9.2. Rezolvarea problemelor utiliznd un produs software specializat / 107 9.3. Echilibrarea liniilor de producie (Assembly line balancing) / 112 9.4. Rezolvarea problemelor utiliznd un produs software specializat / 114

Rezumat i aplicaie practic /117 10. Elemente fundamentale de analiz statistic / 118
10.1. Caracteristicile statistice, variabile i scale de msurare / 118 10.2. Mrimile medii, indicatorii variaiei i asimetriei. Exemple / 119 10.3. Valorile medii de poziie i de structur. Exemple / 124 10.4. Indicatorii variaiei i asimetriei. Exemple / 129 10.5. Scorurile standard, curba normal i ipoteze statistice. Exemple / 133 10.6. Coeficienii de corelaie Pearson i Spearman / 137

Rezumat i test de autoevaluare /140 11. Programul SPSS. Analize i aplicaii /141
11.1. Prezentarea programului SPSS / 141 ncrcarea, editarea i transformarea datelor. Componenta Data Editor - Exemple Componenta Output Viewer. Exemple

11.2. Analize i aplicaii statistice. Exemple / 156 11.3. Probleme rezolvate / 162

Rezumat i aplicaie practic / 167 12. Programul SPSS. Analize i aplicaii / 168
12.1. Testul T Exemple /168 Testul T pentru grupuri independente Testul T pentru grupuri dependente 12.2. Analiza dispersional ANOVA. Exemple / 174 12.3. Aplicaie practica rezolvat / 180

Rezumat i aplicai practic / 182

Bibliografie / 183

Introducere
n prezent decizia trebuie privit ca fiind una dintre cele mai importante componente ale managementului modern. tiina managementului este o certitudine n afara creia orice activitate de conducere devine empiric i poate avea efecte dezastruase. Managementul actual presupune fundamentarea tiinific a deciziilor. n majoritatea cazurilor, ritmul alert al evenimentelor impune operativitate. Implicit luarea rapid i corect a deciziilor devine o activitate care necesit instrumente adecvate, moderne i performante. ntre acestea instrumentele matematice i informatice au o importan major. Deciziile operative, fundamentate tiinific, prin efectele lor imediate sau propagate n timp fac posibil gestionarea corect a resurselor i implicit asigur realizarea scopului propus. n acest sens instrumentele software actuale bazate pe modele matematice consacrate sunt de un real folos n luarea deciziei din orice domeniu de activitate. n literatura american, tiina managementului, Management Science (MS) este sinonim cu ceea ce i la noi se studiaz n cadrul unei discipline aparte numit Cercetri operaionale Operations Research (OR). Alte denumiri sub care mai poate fi ntlnit aceast tiin sunt: OR/MS sau ORMS, Industrial Engineering (IE) i Decision Science (DS). tiina managementului i propune s rezolve prin intermediul modelelor matematice cantitative, problemele calitative sau cantitative impuse de luarea deciziei. Cmpul problemelor rezolvate astfel acoper aplicaii din domeniul previziunii, planificrii, managementului proiectelor. Perioada de nceput a acestei tiine este plasat n timpul celui de-al doilea rzboi mondial cnd mai multe echipe formate din oameni de tiin de diferite specialiti, matematicieni, fizicieni, ingineri i psihologi au fost puse s lucreze mpreun pentru rezolvarea unor probleme militare de previziune i planificare. Cercetrile acestor echipe s-au numit Operations Research i au fundamentat luarea unor decizii care s-au dovedit corecte i care au dus la victorie. Ulterior, dup rzboi, cercetrile lor i-au gsit aplicarea n domeniul economic, al afacerilor, n planificarea produciei, n agricultur, n domeniul monetar, n politic, n administraie .a. Practic, cercetrile operaionale au fost i pot fi utilizate n orice domeniu care presupune cu necesitate optimizarea deciziei manageriale. Instrumentele software create special n acest scop, uureaz i fac posibil utilizarea tiinei managementului n orice domeniu.

Unitatea de nvare nr. 1


1. Programarea liniar. Prezentare general
1.1. Despre modele 1.2. Despre funcia obiectiv 1.3. Optimizare 1.4. Descrierea i formularea problemelor de programare liniar

1.5. Exemple de probleme clasice de programare liniar Rezumat i test de autoevaluare

Obiective:
Obiectivele unitii de nvare sunt:

prezentarea unor modele consacrate din domeniul cercetrilor operaionale, a claselor i tipurilor de probleme posibil de a fi rezolvate pe aceast cale; s ofere elemente ajuttoare pentru formularea i formalizarea problemelor de decizie n vederea gsirii soluiilor optime cu ajutorul algoritmilor clasici implementai n cadrul unui instrumentar software specializat.

Not
n prezent, orice manager modern se confrunt n activitatea curent cu foarte multe probleme de decizie. El trebuie s fie n msur s rezolve aceste probleme ntr-un mod rapid i eficient. De cele mai multe ori se impune ca deciziile pe care le ia s fie fundamentate i optimizate conform unor metode proprii cercetrilor operaionale. ntre problemele de decizie pe care un manager trebuie s le rezolve se numr problemele din domeniile resurselor umane, planificrii i prognozei, alocrii resurselor, seleciei, repartiiei optime. Prezenta unitate de nvare i-a propus, n primul rnd, s ofere masteranzilor informaii care s-i ajute s surprind corect modelul adecvat unei anumite probleme de decizi i s formalizeze corect problema.

1. Programarea liniar. Prezentare general


1.1. Despre modele n activitatea lor, managerii se confrunt permanent cu probleme care solicit: analiza i msurarea performanelor realizate, reducerea costurilor operaiilor pstrnd acelai nivel de calitate i aceleai profituri, oferirea unor servicii mai bune fr a crete costurile etc. Pentru a identifica metode de mbuntire a sistemului condus, managerii (sau specialitii n domeniu) trebuie s realizeze o reprezentare sintetic, un model al sistemului fizic care s fie folosit pentru a descrie efectele diferitelor soluii propuse, un model de simulare. Modelul poate fi gndit astfel nct s surprind elementele eseniale ale sistemului fr a-l reconstitui integral. Din moment ce un model surprinde doar anumite aspecte ale realitii, el nu poate fi utilizat n orice situaie pentru c, n situaia respectiv, ar putea surprinde elemente greite. De exemplu, temperatura este un model al condiiilor climatice dar dac cineva este interesat de presiunea barometric acest model ar fi greit. O ecuaie care prezice vnzrile anuale ale unui produs este un model al acelui produs, dar nu este de niciun folos dac intereseaz costul de producere al acelui produs. Deci, utilitatea modelului este dependent de aspectul din realitate pe care l reprezint. Un model se poate dovedi inadecvat chiar i atunci cnd surprinde aspectele corecte ale realitii, dac o face ntr-o manier distorsionat. Un termometru care indic greit temperatura nu este de niciun folos pentru diagnoza medical. Deci, un model util este acela care surprinde elementele potrivite ale realitii cu o acuratee acceptabil. Un model matematic este o ecuaie, o inegalitate sau un sistem de ecuaii sau inecuaii care reprezint anumite aspecte ale sistemului fizic modelat. Modelele de acest tip sunt foarte folosite n fizic, inginerie, afaceri, economie etc. Un model ofer managerului (specialistlui n domeniu) un instrument care l ajut n studierea sistemului, fr a afecta cu nimic la nivel fizic sistemul. De exemplu, se presupune c un model matematic prevede vnzrile anuale n funcie de preul unitar al unui produs. Dac se cunoate preul unui produs, se poate calcula cu uurin totalul vnzrilor anuale. Pentru a determina preul de vnzare, care ar aduce cele mai mari profituri, se pot introduce n model diferite costuri, notndu-se la fiecare cost profitul obinut iar, n final, prin tehnica ncercrii i erorii se poate determina acel cost care va aduce maximum de profit.

n mod ideal, dac modelul este o reprezentare foarte corect a sistemului, n final se pot obine rezolvri la problemele sistemului real. Deci, utilitatea i aplicativitatea soluiilor obinute cu ajutorul modelelor depinde direct de fidelitatea cu care modelul reprezint realitatea studiat.

Clase de modele tiina managementului se bazeaz pe modele care, de fapt, reprezint anumite abstractizri ale realitii. Modelele pot fi clasificate n trei categorii: iconice analogice i simbolice(Gh., Ciobanu, E.,ignescu, 2002). Modelele iconice sunt cel mai puin abstracte. Ele sunt modele fizice foarte asemntoare realitii. Un model iconic poate fi modelul la scar redus al unui avion, vapor sau al unei maini. Modelele analogice sunt de asemenea modele fizice dar mult mai abstracte dect cele iconice. Modelele analogice sunt destinate pentru a facilita rspunsul la ntrebarea: Ce ar fi dac ?. Astfel, un grafic, o schi, un termometru, un barometru, un ceas, reprezint modele analogice. Modelele simbolice sunt cele mai abstracte. Ele conin numere i simboluri algebrice care reprezint aspecte importante ale problemelor prezentate, cel mai adesea, sub forma unor ecuaii. Aceste numere i simboluri sunt utilizate pentru a rezolva aspecte importante ale problemei, prin gsirea valorilor unor necunoscute i a unor variabile cheie. Ele sunt modele matematice care nu seamn cu realitatea pe care o reprezint. De cele mai multe ori modelele simbolice sunt superioare modelelor iconice i celor analogice, deoarece prin formalizare problemele propuse pot fi cu uurin rezolvate cu instrumente software specializate. Managerul sau specialistul sunt interesai n a gsi valorile variabilelor de decizie ale unui model care s le asigure un profit maxim i doresc s cunoasc previziunile anumitor aciuni sau decizii (creterea unor preuri, modificarea modulului de schimb, succesul n alegeri, variaia stocurilor etc). Efortul i, n acelai timp, provocarea pentru manager constau n a gsi cel mai potrivit model cu cele mai adecvate obiective, constante i variabile de decizie care s simuleze cel mai bine realitatea. Gsirea modelului, a celei mai potrivite formalizri, este o activitate chiar mai important dect rezolvarea ecuaiilor acestuia. Modelele simbolice ofer multe beneficii n rezolvarea problemelor, dar prezint i anumite riscuri. Unul din principalele avantaje este c ofer specialistului posibilitatea de a-i concentra atenia doar asupra aspectelor eseniale ale problemei. n acelai timp exist riscul 9

de a neglija unele aspecte considerate n mod eronat ca secundare i nesemnificative. Un alt avantaj const n faptul c modelele matematice cantitative l oblig pe specialist s cuantifice informaia. Dezavantajul rezid din faptul c poate fi cuantificat eronat mai ales informaia necantitativ care este dificil sau imposibil de inclus ntr-un model cantitativ. Un beneficiu incontestabil al acestor modele const n comprimarea timpului adic n timpul scurt de rspuns pe care l pot oferi comparativ cu anumite experiene reale sau studii de alt tip. Poate fi prentmpinat, evitat i prevzut efectul dezastruos sau periculos al unor experiene fizice reale. Este evident i pericolul simplificrii care s nu mai fac posibil corespondena ntre model i realitate. O alt clasificare a modelelor simbolice poate fi i n funcie de problemele pe care le rezolv. Astfel sunt modele de optimizare i modele predictive. Din punctul de vedere al tiinei managementului pentru soluionarea unei probleme prin intermediul unui model se disting urmtoarele faze i relaii (Ibidem):

Definirea problemei Construcia modelului Analiza

Feedback

Implementarea

Datorit posibilitilor pe care le ofer n transpunerea i analiza modelelor prin intermediul pachetelor de programe expert, calculatoarele moderne de tip PC au devenit instrumente de baz ale managerului modern. Acum este necesar, ca managerii i analitii s posede cunotine din domeniul informatic care s le permit s utilizeze corespunztor software-ul special destinat. n prezent, fr mijlocirea calculatorului, anumite analize i studii mai complexe devin imposibile. Dup felul n care formuleaz i rezolv problemele specifice prin intermediul modelelor, tiina managementului distinge dou mari clase de modele (I. Dobre, A. Bdescu, 2002).

10

Modele ale programrii liniare - probleme rezolvate prin metode grafice; - probleme posibil de rezolvat prin metoda Simplex; - probleme de transport; - probleme ale programrii n numere ntregi; - probleme ale programrii scopurilor;

Modele stochastice

probleme rezolvate prin metode statistice i teoria probabilitilor; probleme ale previziunii i prognozei; probleme de reea; probleme de planificare; probleme ale cozilor de ateptare; probleme de simulare; probleme rezolvate prin intermediul lanurilor Markov.

Datorit posibilitilor pe care le ofer n transpunerea i analiza modelelor prin intermediul pachetelor de programe expert, calculatoarele au devenit instrumente de baz ale managerului modern. Este necesar ca managerii s posede cunotine minimale care s le permit utilizarea software-ul corespunztor. n prezent, fr mijlocirea calculatorului, anumite analize i studii mai complexe devin imposibile. 1.2. Despre funcia obiectiv Partea de model matematic care descrie utilitatea este denumit funcie obiectiv. Dac funcia obiectiv trebuie s descrie msura n care variaz utilitatea produsului, atunci ea trebuie s surprind dimensiunea utilitii i variabilele n funcie de care variaz aceasta. Variabilele sistemului pot fi mprite n variabile de decizie i parametri. O variabil de decizie este o variabil care poate fi direct controlat de cel care ia deciziile. Exist de asemenea unii parametri ale cror valori pot fi neclare pentru cei ce iau deciziile. Aceasta cere o analiz mai sensibil dup gsirea celei mai bune strategii. n practic este imposibil s se surprind ntr-o ecuaie matematic toate relaiile exacte ntre variabilele sistemului i dimensiunea utilitii.

11

Formularea unei funcii obiectiv corect este o sarcin foarte grea, iar pn la gsirea ei specialistul se poate lovi de multe eecuri. Aceste eecuri se pot datora faptului c se poate alege un set greit de variabile sau, chiar dac se aleg variabilele bune, nu pot fi bine identificate relaiile dintre variabile i dimensiunile utilitii. De asemenea, se poate ncerca gsirea i a altor variabile care s mbunteasc modelul i s le neglijeze pe acelea care s-au dovedit a nu fi aa de importante. n orice caz, se poate afla dac aceti factori mbuntesc ntr-adevr modelul, dac se formuleaz i se testeaz modele noi care conin i alte variabile. Tot procesul de selectare a variabilelor i de formulare a modelului poate necesita reiterri multiple nainte de a se gsi o funcie obiectiv satisfctoare. Specialistul sper s obin cte o mbuntire a modelului la fiecare reiterare dei aceasta nu se ntmpl ntotdeauna. De cele mai multe ori, succesul final aste atins dup un lung ir de eecuri i mici succese. La fiecare stadiu de dezvoltare a procesului, specialistul trebuie s msoare ct de adecvat sau valid este modelul. Dou criterii sunt cel mai frecvent utilizate n acest tip de determinare. Primul implic experimentarea modelului: supunerea modelului la o varietate de condiii i nregistrarea dimensiunilor utilitii generate n fiecare caz. Dac dimensiunea utilitii variaz ntr-o manier ce difer de ateptri, atunci exist motive s se cread c funcia obiectiv nu este corect. De exemplu, s presupunem c un model trebuie s estimeze valoarea de pia a caselor pentru o singur familie. Modelul trebuie s indice valoarea n euro n funcie de numrul de metri ptrai locuibili, de numrul dormitoarelor, bilor i mrimea grdinii. Dup dezvoltarea modelului, analistul l verific aplicndu-l n evaluarea unor case care au diferite valori i caracteristici. Dac el constat c modelul su nu surprinde corect realitatea, atunci poate concluziona c acesta nu este bun i c mai trebuie fcute unele modificri. n schimb, dac ntr-adevr valoarea caselor reflect cele patru caracteristici, nici atunci problema nu este cu siguran rezolvat pentru c rata de cretere a valorii casei poate nu este n aceeai proporie cu fiecare dintre variabile i astfel trebuie studiat importana fiecrei variabile i coeficientul su la valoarea casei. Al doilea stadiu n validarea modelului cere o comparaie a rezultatelor modelului cu cele obinute n realitate (Ibidem). 1.3. Optimizare Oamenii au cutat sau au ncercat s caute mult timp metode mai bune de a-i mbunti viaa zilnic. De-a lungul istoriei omenirii s-a ncercat la nceput gsirea unor surse mai bune

12

de hran i apoi gsirea de surse de materiale, energie etc. Relativ trziu n istoria omenirii s-a nceput s se formuleze i s se rezolve probleme cantitative, mai nti n cuvinte i apoi prin simboluri scrise. Un aspect derivat i legat de aceste probleme a fost cutarea optimului a celui mai bun. De fapt i n prezent, n cea mai mare parte a timpului, managerii caut s obin o mbuntire a nivelul de performan. Eforturi mari s-au fcut pentru a descrie situaii umane i sociale complexe. Pentru ca acestea s capete o nsemntate, ele trebuiau s fie descrise printr-o ecuaie matematic cu una sau mai multe variabile ale cror valori trebuiau descoperite. ntrebarea care urmeaz a se pune este: ce valori trebuie s capete aceste variabile, astfel nct expresia matematic s aib cele mai bune valori (cele mai mici sau cele mai mari n funcie de cum se dorete). Acest proces general de maximizare sau minimizare este denumit optimizare. Optimizarea, denumit i programare matematic, ajut la gsirea rspunsului care duce la cel mai bun rezultat cel care aduce cel mai mare profit, sau acela care aduce cele mai mici costuri, pierderi sau disconfort. Adesea aceste probleme presupun utilizarea ct mai eficient a resurselor incluznd bani, timp, utilaje, staff etc. Problemele de optimizare sunt deseori clasificate ca fiind liniare sau neliniare n funcie de relaia din problem care este sau nu liniar n report cu variabilele. n prezent exist o varietate de pachete software care rezolv problemele de optimizare. De exemplu LINDO, QSB, EXCEL rezolv att modele de programare liniar ct i neliniar. Programarea matematic se confrunt, n general, cu probleme ale determinrii i alocrii optimale a resurselor limitate astfel nct s se ating obiectivele propuse. Obiectivele trebuie s reprezinte scopurile celui care ia decizia. Resursele pot reprezenta de exemplu materiale, oameni, bani etc. Dintre toate posibilitile de utilizare a resurselor este de dorit s se determine aceea sau acelea care maximizeaz sau minimizeaz calitatea numeric precum profitul sau costul. Scopul optimizrii globale este acela de a gsi cea mai bun soluie adecvat la modelele cele mai dificile n condiiile n care exist mai multe soluii posibile.

1.4. Descrierea i formularea problemelor de programare liniar


Descrierea problemelor de programare liniar Programarea liniar (Linear Programming - LP) este o procedur care a gsit o larg aplicare practic n aproape toate domeniile de activitate. Ea poate fi utilizat n afaceri, n

13

reclam, n planificare, n producie etc. Transportul, distribuia i planificarea produciei sunt problemele tipice studiate prin LP. LP rezolv un tip de probleme (de programare) n care sunt liniare att funcia obiectiv, care trebuie optimizat, ct i relaiile dintre variabilele ce definesc resursele. Astzi, programarea liniar este utilizat cu succes n probleme de bugetare a capitalului, design, diete, conservarea resurselor, jocuri de strategie, jocuri de rzboi, prevederea creterilor economice, sisteme de transport etc. Orice problem LP const n existena unei funcii obiectiv i a unor restricii. Cnd se formuleaz o problem de decizie, ca o problem de programare liniar, trebuie verificate urmtoarele condiii (G., B., Dantzig, 1963). Funcia obiectiv trebuie s fie liniar. Aceasta nseamn ca toate variabilele trebuie s fie la puterea 1 i s fie doar adunate sau sczute (nu nmulite sau mprite).

Obiectivul trebuie s fie ori maximizarea ori minimizarea funciei liniare numit funcia obiectiv. Obiectivul trebuie s reprezinte scopul deciziei. Restriciile trebuie s fie de asemenea liniare. Restriciile pot fi doar ecuaii sau inecuaii.

Formularea problemelor de programare liniar

Orice problem LP este alctuit din patru componente principale:


un set de variabile de decizie, parametrii, funcia obiectiv; setul de restricii.

Variabilele de decizie pot fi asimilate cu input-urile controlabile. Parametrii caracterizeaz input-urile necontrolabile. Acestea sunt de obicei valori numerice constante date. Obiectivul trebuie s reprezinte scopul decidentului. Funcia obiectiv arat cum este legat obiectivul de variabilele de decizie. Ea poate fi o funcie de maximizare sau de minimizare. Restriciile reprezint cererile ce trebuie satisfcute. Ele pot fi restricii de egalitate sau de inegalitate.

14

1.5. Exemple de probleme clasice de programare liniar n continuare se va prezenta o problem clasic de programare liniar care va ilustra aspectele prezentate mai sus (A. Lawrence, J. P. Barry, 2002). Modul n care va fi abordat aceast problem este asemntor cu modul de abordate pentru cea mai mare parte dintre problemele de programare liniar care implic luarea de deciziilor. Problema tmplarului nr. 1 Un tmplar produce mese i scaune pe care le vinde n pia cu un pre de 5 pentru o mas i 3 pentru un scaun. El lucreaz dou ore pentru a produce o mas i o or pentru a produce un scaun. Numrul total de ore de munc pe care le poate lucra ntr-o sptmn este de 40 ore. Cantitile de materiale brute necesare pentru producie sunt: o unitate pentru o mas i dou uniti pentru un scaun. Cantitatea total de material furnizat ntr-o sptmn este de 50 uniti. Obiectivul su este acela de a afla cte mese i scaune trebuie s produc pe sptmn pentru a-i maximiza venitul. Rezolvare: Factorii restriciilor care, de obicei, vin din exterior sunt reprezentai aici de limitele muncii (care vin din partea familiei nu mai mult de 40 de ore pe sptmn) i resursele de material brut de care dispune ntr-o sptmn (livrrile de material se fac dup un program fix cantitatea maxim de material care poate fi furnizat ntr-o sptmn este doar de 50 de uniti). Astfel, formularea LP este: Variabile: X1 reprezint numrul de mese ce se vor produce X2 reprezint numrul de scaune ce se vor produce

Funcia obiectiv: Maximizarea venitului obinut: Max (5 X1 + 3 X2)

Restriciile: 2 X1 + X2 X1 + 2 X2 40 restricia de munc 50 restricia de material

X1, X2 sunt ne-negative. 15

Acesta este un modelul matematic al problemei expuse. Variabilele de decizie, adic input-urile controlabile, sunt X1 i X2. Output-ul pentru acest model este venitul total obinut ntr-o sptmn, adic: 5 X1 + 3 X2. Toate funciile folosite n model sunt liniare. Coeficienii acestor restricii sunt: 2 1 1 2

Ei mai sunt numii factori tehnologici i formeaz matricea tehnologic. n urma rezolvrii, va rezulta soluia optim: Vor fi produse ntr-o sptmn X1=10 mese i X2=20 scaune. Cu aceast strategie optimal va putea fi obinut un venit maxim de 110. Problema prezentat a fost real, iar soluia oferit a fost o surpriz pentru tmplar, deoarece el obinuia s produc ntr-o sptmn mai multe mese dect scaune gndindu-se c acestea costau mai mult. Problema tmplarului nr.2 Dup aflarea acestei soluii, avnd n vedere faptul c cererea de mese pe pia era foarte mare, tmplarul a dorit s tie dac i poate permite s angajeze un ajutor astfel nct s creasc cantitatea de mese produse i s rspund n acest fel cerinelor pieei dar fr s-i diminueze venitul de 110. Dac dorea, tmplarul i putea gsi un ajutor pe care s-l plteasc cu 2 euro pe or i care s fie disponibil mai mult de 40 de ore pe sptmn. n esen, el dorea s tie dac ar trebui s-i angajeze un ajutor, i dac da, pentru cte ore? (Ibidem). Rezolvare: Variabile: X1 reprezint numrul de mese ce se vor produce X2 reprezint numrul de scaune ce se vor produce X3 este numrul de ore suplimentare pentru care i va angaja un ajutor Funcia obiectiv: Maximizarea venitului obinut: Max (5 X1 + 3 X2 - 2 X3) 16

Restriciile: 2 X1 + X2 40 + X3 restricia de munc cu un numr X3 necunoscut de ore, care mai 40 poate fi scris i sub forma: 2 X1 + X2 X3 X1 + 2 X2 50 restricia de material

X1, X2, X3 sunt ne-negative.

Rezolvnd problema, vom constata c soluia optim este: X1=50 mese, X2=0 scaune, X3=60 ore un venit optim pentru tmplar de 130. n acest fel tmplarul chiar va ctiga n plus 20. Deci el ar trebui s angajeze un ajutor pentru 60 de ore.

Rezumat
Unitatea de nvare ofer studenilor un bagaj de cunotine teoretice care s le permit:

descrierea unor modele consacrate din domeniul cercetrilor operaionale; construirea unor modele economico-matematice consacrate pentru probleme de decizie. exemplificarea conceptelor teoretice n definirea i rezolvarea unor probleme concrete.

Test de autoevaluare
1. Care dintre urmtoarele tipuri de probleme pot fi rezolvate prin modele ale programrii liniare ? a. probleme de transport; b. probleme ale programrii n numere ntregi; c. probleme ale programrii scopurilor; d. probleme de reea. 2. Care dintre modelele menionate mai jos este model de optimizare? a. iconice; b. analogice; c. simbolice. 3. Precizai componentele principale ale unei probleme de programare liniar (LP). ___________________________________________________________________________ ___________________________________________________________________________ ___________________________________________________________________________

17

4. Cu ce pot fi asimilate variabilele de decizie ntr-o problem de programare liniar ( LP) ? a. input-uri controlabile; b. input-uri necontrolabile; c. outputuri. 5. Analizai modelul de mai jos, identificai greelile strecurate intenionat, i apoi rescriei corect modelul. Variabilele de decizie: x1, x2 Funcia obiectiv: Min x1 - 2x2+x3 Restriciile: x1 + x2 x1 - x2 x2 3, 0 i x1, x2 2 -1

6. Identificai fazele i relaiile pentru soluionarea unei probleme prin intermediul unui model a. definirea problemei; b. construirea modelului; c. analiza; d. implementarea; e. controlul. 7. Care dintre urmtoarele condiii trebuie verificate cnd se formuleaz o problem de decizie, ca o problem de programare liniar? a. funcia obiectiv b. obiectivul c. restriciile d. modelul

18

Unitatea de nvare nr. 2


2. Rezolvarea problemelor de programare liniar utiliznd un software specializat
2.1. Rezolvarea problemelor cu produsul QSB 2.2. Rezolvarea problemelor cu aplicaia Microsoft Excel 2.3. Rezolvarea problemelor cu programul LINDO Rezumat i teste de autoevaluare

Obiective:

Obiectivele unitii de nvare sunt:

s ofere masteranzilor cunotine teoretice care s le permit abordarea i rezolvarea unor probleme de programare liniar cu ajutorul unui instrumentar software specializat. s ofere elemente ajuttoare pentru analiza i interpretarea rezultatele obinute.

Not:
Rezolvarea problemelor complexe de programare liniar prin intermediul unor produse software specializate s-a impus deoarece: rezolvare manual a acestui tip de probleme este aproape inutil, pentru c depete cu mult capacitile umane de rezolvare clasic i genereaz riscuri de eroare i costuri foarte mari; rezolvare cu un produs software specializat este preferat, n prezent, pentru c este mai rapid, ofer o acuratee a soluiilor mai mare i este mult mai ieftin comparativ cu metodele manuale. n acest sens, vor fi date exemple de rezolvri realizate cu produse software cum sunt: Microsoft Excel, QSB i LINDO. Modalitile de introducere a datele i de obinere a rezultatele sunt asemntoare pentru toate produsele informatice menionate. ntotdeauna, cel mai dificil este s se formuleze corect problema de decizie, iar apoi s se gseasc modelul adecvat acesteia. Identificarea obiectivelor, a resurselor, a variabilelor i a restriciilor ce trebuie respectate, scrierea modelului matematic sunt faze absolut obligatorii ce trebuie 19

parcurse nainte de a se folosi un produs informatic. De asemenea, oricine va utiliza un produs software specializat va trebui s fie n msur s poat interpreta rezultatele furnizate de acesta (situaiile finale). Parcurgerea unitii nu necesit cunotine avansate de matematic sau informatic. 2.1. Rezolvarea problemelor cu produsul QSB Problema tmplarului nr.1 n subcap. 1.5 au fost descrise, formulate i s-a construit modelul de programare liniar corespunztor pentru problemele prezente n continuare. Prin urmare, vor fi date exemple de rezolvri realizate cu aplicaia LP-ILP.exe component a produsului QSB (L., Lawrence, D.William, 2001). Primul dialog purtat cu produsul menionat care permite stabilirea tipului de problem, a numrului de variabile i a felului n care vor fi ncrcate datele este prezentat n continuare:

Urmtoarea form matricial va fi utilizat pentru ncrcarea datelor problemei:

20

Dup rezolvare, vom obine soluia optim:

Problema tmplarului nr.2 Stabilirea tipului problemei:

21

Introducerea datelor:

Soluia optim:

2.2. Rezolvarea problemelor cu aplicaia Microsoft Excel Programul Excel ofer, de asemenea, suport software pentru rezolvarea problemelor de programare liniar prin intermediului componentei Solver. Opiunea care lanseaz Solver-ul se afl n meniul Tools. n mod implicit componenta nu este instalat. Ea se poate instala prin Add-in din cadrul aceluiai meniu. Pentru a fi posibil rezolvarea problemei cu Solver-ul, mai nti trebuie introduse datele de intrare n celulele unei pagini Excel, apoi trebuie create cmpurile calculate.

22

n pagina Excel de mai sus, pentru o mai bun vizibilitate, cmpurile calculate au fost formatate cu culoarea roie. Ele reprezint valorile de ieire: X1, X2, necesarul calculat pentru fiecare resurs i valoarea funciei obiectiv (profitul total). Formulele pentru necesarul celor dou resurse i pentru profit sunt: Necesar resur timp (Timp producie): Necesar resurs material (Material disponibil): Profit total (): D5= B5*B3+C5*C3 D6=B6*B3+C6*C3 B8=B4*B3+C4*C3

n continuare trebuie specificai n Solver parametrii problemei: Celula int (adic celula care conine formula funciei obiectiv). Felul problemei (de maxim, de minim). Celulele ce se vor modifica (adic X1, X2). Restriciille.

23

Dup apsarea butonului Solve se va obine (vezi figura urmtoare):

Tem n mod similar, rezolvai problema tmplarului nr. 2 2.3. Rezolvarea problemelor cu programul LINDO Specific programului LINDO este faptul c ofer un editor de text n care poate fi nscris problema (sau adus prin Copy & Paste chiar dintr-un alt editor). Atunci cnd se lucreaz sub LINDO se poate utiliza semnul <!> drept specificator de comentariu. ntotdeauna restriciile vor fi precedate de textul SUBJECT TO.

24

Dup apsarea butonului (Solve) se va obine:

Tem n mod similar, rezolvai problema tmplarului nr. 2

25

Rezumat
Unitatea de nvare ofer studenilor un bagaj de cunotine teoretice care s le permit:

dezvoltarea unor abiliti practice utile lucrului cu pachete de programe i aplicaii specializate rezolvrii problemelor de programare liniar (Microsoft Excel, QSB i LIND). analiza i interpretarea rezultatelor obinute.

Test de autoevaluare
1. Care este componenta Excel care ofer suport software pentru rezolvarea problemelor LP. a. Solver. b. Raport Manager. c. Internet Assistant VBA. 2. Opiunea care lanseaza sub Excel componenta Solver se afl n meniul a. View b. Data c. Tools 3. Soluia optim prezentat n ecranul de mai jos este rezultatul rezolvrii problemei cu aplicaiile :

a. LP-ILP din produsul QSB b. LINDO c. Solver din EXCEL

26

4. Analizai ecranul de mai jos i identificai greala strecurat intenionat n nscrierea problemei (programul Lindo).

a. este prezent semnul <!> i la SUBJECT TO; b. n funcia obiectiv sunt parantezele rotunde (); c. lipsesc restrictiile de nenegativitate.

27

Unitatea de nvare nr. 3


3. Problema dual pentru o problem de programare liniar precizat
3.1. Construcia problemei duale i semnificaia ei. Exemple 3.2. Preurile umbr calculul i semnificaia lor 3.3. Probleme rezolvate Problema 1. Rezolvarea utiliznd un produs software specializat Problema 2. Explicaia economic a problemei duale 3.4. Probleme propuse spre rezolvare

Rezumat i test de autoevaluare Obiective:


Obiectivele unitii de nvare sunt:

s ofere masteranzilor un bagaj de cunotine teoretice i abiliti practice care s le permit construirea i rezolvarea unor probleme duale pentru probleme de programare liniar date.

s ofere elemente ajuttoare pentru analiza i interpretarea rezultatele obinute. 3.1. Construcia problemei duale i semnificaia ei. Exemple Problema dual este o problem ce poate fi asociat oricrei probleme de programare

liniar (LP). ntotdeauna, ntr-o problem de programare liniar sunt valabile urmtoarele reguli (C., Ratiu-Suciu C., et.al., 2009):

dac primala este o problem de maximizare, atunci problema dual asociat ei va fi o problem de minimizare (i invers); elementele din partea dreapt a restriciilor (Right Hand Side RHS) dintr-o problem (primal sau dual) devin coeficienii funciei obiectiv ai celeilalte probleme (i invers); coeficienii matricei restriciilor unei probleme (primale sau duale) se obin din transpusa matricei coeficienilor restriciilor celeilalte probleme; va exista cte o restricie n dual pentru fiecare variabil din problema primal i invers; valorile din partea dreapt a restriciilor din dual vor fi egale cu coeficienii funciei obiectiv din primal luai n ordine i invers; 28

coeficienii primei restricii din primal vor deveni coeficienii primei variabile n fiecare din restriciile din dual .a; tipul variabilelor din dual ( sau ) este dat sensul restriciilor ( sau ).

Problema dual poate fi folosit ntr-o mare varietate de aplicaii. n unele cazuri, duala poate fi mai eficient dect primala. Soluia dualei ofer interpretri economice importante precum preurile umbr (shadow prices). Preurile umbr reprezint soluia problemei duale. Dac problema primal este o problem de maximizare (a profitului) atunci preurile umbr arat ct profit aduce fiecare unitate de resurs consumat. Exemple: 1. Construirea unei probleme duale, pornind de la o problem primal precizat. Problema primal Variabilele de decizie: x1, x2 Funcia obiectiv: Min (x1 - 2x2) Restriciile: x1 + x2 2 x1 - x2 -1 x2 3, i x1, x2 0. Problema dual Variabilele de decizie: u1, u2, u3 Funcia obiectiv: Max (2u1 - u2 + 3u3) Restriciile: u1 + u2 1 u1 - u2 + u3 -2 u1, u2, u3 0

2. Construirea problemei duale pentru problema tmplarului nr. 1 i interpretarea ei. Datele problemei primale sunt: Mase Munc (ore) Material brut (buc) Venit net () Formularea problemei primale: X1 i X2 reprezint numrul de mese respectiv scaune care trebuie produse. Max (5 X1 + 3 X2) 2 X1 + X2 X1 + 2 X2 40 restricia legat de munc 50 restricia legat de material 2 1 5 Scaune 1 2 3 Disponibil 40 50

X1, X2 sunt ne-negative. S presupune c tmplarul dorete s-i fac o asigurare pentru venitul net.

29

n modelul dual variabilele au urmtoarele semnificaii: U1 = Suma n euro care i se pltete tmplarului pentru fiecare or de munc pierdut (datorat de exemplu mbolnvirii). U2 = Suma n euro care i se pltete tmplarului pentru fiecare unitate de material brut pierdut (datorat de exemplu unui incendiu).

n mod clar, societatea de asigurri va ncerca s minimizeze suma total (n euro) care trebuie pltit tmplarului de ctre compania de asigurri. Tmplarul va pretinde companiei de asigurri s-i despgubeasc ntreaga pierdere, adic ntregul venit net, deoarece el nu va mai putea produce acea marf. Astfel, problema companiei de asigurri devine: Min (40 U1 + 50 U2) 2U1 + 1U1 1U1 + 2U2 U1 0, U2 5 Venitul net de la o mas 3 Venitul net de la un scaun 0

Dac se rezolv problema, cu unul dintre programele menionate anterior, se va obine urmtoarea soluie optim: U1 = 2,33333 i U2 = 0,33333 cu valoarea optim de 110 (exact suma pe care tmplarul se ateapt s o primeasc ca asigurare).

Dup cum se observ, din problema tmplarului nr. 1 i din duala sa, valoarea optim este ntotdeauna aceeai (110) pentru ambele situaii. Acest fapt este cunoscut n economie ca echilibrul dintre problema primal i cea dual.

Tem S se construiasc problema dual pentru problema tmplarului nr. 2

30

3.2. Preurile umbr calculul i semnificaia lor Comportamentul schimbrilor n valorile RHS ale valorii optime RHS - Right Hand Side reprezint valoarea din partea dreapt a unei restricii. Pentru a studia schimbrile direcionale n valoarea optim, innd cont de schimbrile posibile din RHS, distingem urmtoarele dou cazuri (Ibidem): Cazul I: Problema de maximizare Pentru restricia Pentru restricia restricie. Pentru restricia = schimbarea se poate produce n ambele direcii. schimbarea se face n aceeai direcie. Deci creterea valorii RHS schimbarea se face n direcia opus. Deci creterea valorii RHS nu nu descrete valoarea optim. duce la creterea valorii optime. Ea descrete sau rmne neschimbat n funcie de

Cazul II: Problema de minimizare Pentru restricia Pentru restricia schimbarea se face n direcia opus. Deci creterea valorii RHS nu schimbarea se produce n aceeai direcie. Deci creterea valorii crete valoarea optim, ea descrete sau cel mult rmne aceeai. RHS nu scade valoarea optim, ea crete sau cel mult rmne aceeai. Pentru restricia = schimbarea se poate produce n ambele direcii.

Interpretarea preului umbr Preul umbr reprezentat de o variabil dual arat n ce msur se va schimba valoarea funciei obiectiv dac se modific RHS-ul (adic valoarea din partea dreapt a) restriciei corespunztoare variabilei. Aceasta se mai numete i valoarea marginal, pre dual sau valoare dual. Pentru fiecare restricie, preul umbr precizeaz cu ct se va schimba valoarea funciei obiectiv dac schimbm limitele intervalului RHS (ceea ce se afl n partea dreapt a restriciei). Pentru fiecare valoare RHS, preul umbr este raia de schimbare n valoarea optim cauzat de orice cretere sau descretere permis n RHS. Schimbarea n valoarea funciei obiectiv Preul umbr al unei resurse = Schimbarea n valoarea RHS 31

Din nefericire exist i concepii greite cu privire la definiia preului umbr. O astfel de concepie este: n problemele de programare linear, preul umbr al unei restricii este diferena ntre valoarea optim a funciei obiectiv i valoarea funciei obiectiv obinut, atunci cnd partea dreapt (RHS) a unei restricii este crescut cu o unitate.

Exemplu: Fiind dat modelul urmtor:

Valoarea optim rezultat = 2, pentru X1 = 0 i X2 = 2

Dac se dorete calculul preul umbr al primei resurse, atunci cnd RHS-ul acesteia crete cu o unitate, problema va deveni: Funcia obiectiv: Max (X2) Resurse X1 + X2 2.5X1 + 4X2 3 10 Soluia optim rezultat = 2.5, pentru X1 = 0, i X2 = 2.5

X1 0, X2 0 De aceea, pare c preul umbr pentru aceast resurs este 2.5 2 = 0.5 Dar, de fapt, dac se calculeaz preul umbr, prin rezolvarea corect a problemei duale, se obine pentru aceast resurs preul umbr = 1.

Deseori se pune ntrebarea dac preul umbr este ntotdeauna nenegativ. Rspunsul la aceast ntrebare depinde integral de formularea primalei i a dualei. Ceea ce este de reinut este c, preul umbr, al unui RHS dat, este rata de schimbare a valorii optime innd cont i de schimbarea acelui RHS, schimbarea fiind ntre limitele senzitivitii acelui RHS. 32

Se consider urmtorul exemplu numeric: Max (3X1 + 5X2) X1 + 2X2 -X1 + X2 50 10

X1 0, X2 0 S se afle preul umbr al RHS2 = 10. Pentru aceasta va trebui s se formuleze i apoi s se rezolve problema dual: Min (50U1 + 10U2) U1 - U2 2U1 + U2 3 5

Soluia dualei este U1 = 2,66, U2 = - 0,33. Deci, preul umbr corespondent pentru RHS2 = 10 este U2 = - 0,3. Aceasta nseamn c, pentru fiecare cretere / descretere cu o unitate n valoarea RHS2, valoarea optim pentru problema primal descrete cu 0,33. Preuri umbr multiple n acest sens ntrebarea care se pune este: pentru o problem LP care are o soluie optim unic este posibil s existe pentru un RHS mai mult de un pre umbr? Rspunsul este da. S consider urmtoarea problem: Min (16X1 + 24X2) X1 + 3X2 2X1 + 2X2 X1, X2 Duala ei este: Max (6U1 + 4U2) U1 + 2U2 3U1 + 2U2 U1, U2 Aceast dual are mai multe soluii alternative: U1 = 8, U2 = 0 i U1 = 4, U2 = 6 0 16 24 0 6 4

33

Toate combinaiile convexe ale acestor puncte sunt i ele soluii. De fiecare dat cnd exist redundan n restricii sau dac soluia optim este degenerat ar putea exista mai mult dect un set de preuri duale. n general, restriciile liniare independente sunt o condiie suficient pentru unicitatea preurilor umbr. Se consider acum urmtoarea problem LP cu o restricie redundant: . Max (10X1 + 13X2) X1 + X2 = 1 X1 + X2 = 1 X1 + 2X2 = 2 X1 0, X2 0

Dac problema se rezolv cu programul LINDO soluia este: X1 = 0, X2 = 1, cu preurile umbr 0, 13 i 0. Dac problema se rezolv cu pachetul de programe QSB se va obine: X1 = 0, X2 = 1 cu preurile umbr 0,7,3.

n cazul redundanei, preurile umbr obinute cu un produs software LP pot diferi de cele obinute cu un alt produs. 3.3. Probleme rezolvate Problema 1. Rezolvarea utiliznd produse software specializate O companie care asambleaz tehnic de calcul urmeaz s porneasc producia a dou tipuri de calculatoare. Fiecare din acestea necesit timp de asamblare, timp pentru testare i spaiu de depozitare. Fiecare din aceste resurse este limitat. Managerul companiei i propune s determine cantitatea din fiecare tip de calculator pe care s o produc astfel nct s maximizeze profitul obinut n urma vnzrii acestor calculatoare.

34

Informaii suplimentare Pentru a da o soluie corect a problemei managerul a obinut de la laboratorul de producie i financiar al companieiei urmtoarele informaii: Calculator tip 1 Profit unitar Timp necesar pentru asamblare pe unitatea de produs Timp necesar pentru testare pe unitatea de produs Spaiu necesar pentru depozitarea unui produs Resurse Timp pentru asamblare Timp pentru testare Spaiu de depozitare 60 4h 2h 1m cub Calculator tip 2 50 10h 1h 1m cub

Disponibil (zilnic) 100h 22h 12 m cubi

De la compartimentul de marketing, managerul afl c n orice combinaie se vor produce aceste tipuri de calculatoare pentru ntreaga cantitate exist cerere i desfacere asigurat. S se formuleze modelul problemei de mai sus, ca o problem de programare liniar i s se rezolve folosind toate instumentele software prezentate. Rezolvare: Aceast problem se prezint ca o problem de programare liniar. n principiu, soluia trebuie s fie exprimat n numere ntregi ns chiar dac rezultatele sunt numere fracionare acest lucru nu afecteaz n mod semnificativ soluia optim. Totodat se face presupunerea de nenegativitate a valorilor utilizate avnd n vedere c nu au sens valori negative pentru cantiti, timp i suprafee. Variabile X1=numrul de calculatoare de tipul 1 care se vor produce X2=numrul de calculatoare de tipul 2 care se vor produce

Funcia obiectiv Max (60X1 + 50X2) 35

Restricii referitoare la timpul de asamblare: referitoare la timpul de testare: referitoare la spaiul de depozitare: restricii de nenegativitate:

4X1 + 10X2 <= 100 2X1 + X2 <= 22 X1 + X2 <= 12 X1 >= 0, X2 >= 0

Rezolvarea problemei cu aplicaia LP-ILP.exe din pachetul de programe QSB 1. Stabilirea parametrilor problemei:

2. ncrcarea datelor:

36

3. Soluia optim este:

Interpretarea soluiei innd cont de restriciile specificate, compania obine un profit maxim de 700 , dac produce 10 buci calculatoare de tip 1 (X1=10) i 2 buci calculatoare de tip 2 (X2=2).

Rezolvarea problemei cu aplicaia LINDO 1. ntroducerea datelor:

37

2. Soluia optim este:

Interpretarea soluiei innd cont de restriciile specificate, compania obine un profit maxim de 700 , dac produce 10 buci calculatoare de tip 1 (X1=10) i 2 buci calculatoare de tip 2 (X2=2).

Problema 2. Explicaia economic a problemei duale

S se formuleze problema dual a problemei anterioare. Pentru a formula problema dual trebuie s urmm urmtorii pai: 1. Pentru funcia obiectiv : a) Deoarece funcia obiectiv este o maximizare, n dual ea va fi o funcie de minimizare. b) Valorile din partea dreapt a restriciilor devin coeficieni ai funciei obiectiv a dualei. Min (100Y1 + 22Y2 + 12Y3) S-au notat cu Y variabilele din dual pentru a le deosebi de cele din problema primal.. Va exista cte o variabil n dual pentru fiecare restricie din primal.

38

2. Pentru restricii : a) Vom avea cte o restricie n dual pentru fiecare variabil din problema primal. (Astfel, deoarece n problema primal avem dou variabile, duala va avea dou restricii). b) Valorile din partea dreapt a restriciilor din dual vor fi egale cu coeficienii funciei obiectiv din primal luai n ordine. Astfel, valoarea din partea dreapt a primei restricii din dual va fi egal cu coeficientul primei variabile din funcia obiectiv a primalei iar valoarea din partea dreapta a celei de-a doua restricii din dual va fi egal cu coeficientul celei de-a doua variabile din funcia obiectiv a primalei. c) Coeficienii primei restricii din primal vor deveni coeficienii primei variabile n fiecare din restriciile din dual. Astfel, coeficientul lui X1 din prima restricie din primal devine coeficientul lui Y1 n prima restricie din dual i coeficientul lui X2 din prima restricie din primal devine coeficientul lui Y1 n cea de-a doua restricie din dual, .a.m.d. Restriciile problemei duale sunt: 4Y1 + 2Y2 + 1Y3 >= 60 10Y1 + 1Y2 + 1Y3 >= 50

Deci, problema dual corespunztoare va fi: Min (100Y1 + 22Y2 + 12Y3) 4Y1 + 2Y2 + 1Y3 >= 60 10Y1 + 1Y2 + 1Y3 >= 50 Y1>=0, Y2>= 0,Y3 >= 0 Orice problem de programare liniar poate avea dou forme. Formularea iniial a problemei poart numele de forma primal iar cea de-a doua forma dual. Forma dual este un fel de imagine n oglind a celei primale deoarece att n formulare ct i n soluie valorile duale sunt versiuni flip-flop ale valorilor primalei. Soluiile problemei primale conin soluiile problemei duale i invers. Singura problem care se pune este interpretarea rezultatelor soluiei duale. Analiza problemei duale permite managerului s evalueze impactul potenial al unui nou produs i se folosete pentru a determina valorile marginale ale resurselor (restriciilor). n legtur cu un nou produs, un manager ar putea dori s tie ce impact ar avea adugarea unui nou produs asupra soluiilor

39

cantitative i asupra profitului; n legtur cu resursele un manager ar putea folosi soluiile dualei pentru a determina ct profit aduce fiecare unitate de resurs consumat. Aceast analiz ajut managerul s aleag acea variant de utilizare a resursei care aduce mai mult profit i s se obin un cost de producie minim. 3.4. Probleme propuse spre rezolvare Problema 1 Un productor de cereale studiaz posibilitatea introducerii pe pia a unui nou sortiment. Costul pe kg. i reeta sunt prezentate n tabelul urmtor: Fina Orez 2 25 110 0.05 Porumb 2 21 100 0.02 Cerine pentru o cutie de 12 oz. >= 27g. >= 240g. <= 1260 calorii

Proteine (g/oz)
Carbohidrai (g/oz.) Calorii / oz. Cost / oz..

4 20 90 0.03

Formulai modelul acestei probleme ca o problem de programare liniar avnd drept scop determinarea cantitilor optime de fain, orez i porumb pentru o cutie astfel nct s se obin un cost de producie minim. Problema 2 Un investitor dispune de 100000. El decide s i investeasc n obligaiuni, titluri de proprietate i o parte s-i depun ntr-un cont. Dup consultarea unor specialiti n finane el asimileaz ca necesar respectarea unor condiii suplimentare: s nu investeasc mai mult de 40% din suma n obligaiuni suma depus n cont s fie cel puin dubl fa de suma investit n titluri de proprietate Dobnda anual este 8% la obligaiuni,9% la titluri i 7% la cont. Se presupune c ntreaga sum va fi investit i c aceste dobnzi vor rmne constante ntreaga perioad. Scopul investitorului este de a maximiza profitul anual.

40

Formulai problema ca o problem de programare liniar presupunnd c nu se percep comisioane pentru tranzacii (deschidere cont, retrageri, rscumprri titluri). Problema 3

O fabric de jucrii produce 3 variante de roboi de jucrie. Prima variant necesit 10 minute timp de fabricaie i ambalare i 700g de plastic, a doua variant necesit 12 minute i 1050g plastic iar cea de-a treia 15 minute i 1400g plastic. n urmtorul ciclu de producie exist 8 ore timp de fabricaie i ambalare disponibil pentru aceste sortimente i 70kg de plastic. Profitul obinut n urma comercializrii unui robot de primul tip este de 1, al doilea tip 5, al treilea 6. Exist o comand anterioar care trebuie onorat din aceast producie, constnd n 10 roboi din fiecare tip. Formulai problema ca o problem de programare liniar, pentru a determina cantitile din fiecare tip ce trebuie produse pentru a asigura maximizarea profitului. Problema 4 O companie de turism are o cerere de transport pentru 500 de persoane. Aceasta companie dispune de trei tipuri de mijloace de transport cu urmtoarele caracteristici: Mijloace de transport Tip 1 Tip 2 Tip 3 Nr.de locuri 30 50 45 Consum de combustibil (l/100Km) 12 18 17 Numr de mijloace de transport disponibile 6 5 4

S se determine cte mijloace de transport din fiecare tip sunt necesare pentru transportul pasagerilor astfel nct costul transportului s fie minim. Problema 5

O companie de producie are dou utilaje cu care realizeaz dou produse: A i B. Fiecare din aceste produse este prelucrat pe ambele utilaje. Tabelul urmtor prezint necesarul de 41

timp de prelucrare a fiecrui produs pe cele dou maini i disponibilul de timp al fiecrui utilaj ntr-o lun: Utilaj 1 2 Produsul A (ore) 2 3 Produsul B (ore) 3 2 Timp disponibil ntr-o lun (ore) 180 150

Considernd c aceast companie are desfacerea asigurat pentru ntreaga producie i preul este de 50 pentru produsul A i 60 pentru produsul B, managerul companiei dorete s stabileasc structura produciei astfel nct s realizeze o maximizare a profitului n luna urmtoare. Problema 6 Un plan de nutriie cere consumarea a cel puin 200 uniti de proteine i 180 uniti de grsimi. Analizele chimice arat c o unitate din alimentul A conine 6 uniti de proteine i 3 uniti de grsimi, iar o unitate din alimentul B conine 3 uniti de proteine i 5 uniti de grsimi. Consumul din cele doua tipuri de alimente se face numai n uniti ntregi. Preul de cumprare este de 2.5 pentru o unitate din produsul A i 2 pentru o unitate din produsul B. Cte uniti din fiecare aliment trebuiesc consumate astfel nct s fie satisfcute cerinele de proteine i grsimi iar costul s fie minim ? Problema 7 Un avion cargo are 3 compartimente pentru depozitarea ncrcturii: compartimentul din fa, central, i cel din spate. Acestea au urmtoarele limitri n ceea ce privete greutatea acceptat i spaiul disponibil: Compartiment Fa Centru Spate Greutate capacitate (tone) 10 16 8 Spaiu capacitate (metri cubi) 6800 8700 5300

n plus, greutatea ncrcturii depozitate n respectivele compartimente trebuie s fie distribuit proporional cu greutatea maxim admis n fiecare compartiment astfel nct s se menin echilibrul navei. Cu urmtorul zbor trebuie transportate urmtoarele ncrcturi:

42

ncrctura C1 C2 C3 C4

Greutate (tone) 18 15 23 12

Volum (metri cubi/tone) 480 650 580 390

Profit () 310 380 350 285

Transportul acestora poate fi acceptat n orice proporii. Obiectivul este acela de a determina ct din fiecare ncrctur s fie transportat i cum s fie distribuit ncrctura ntre compartimente astfel nct profitul total pe acest zbor s fie maxim. Formulai modelul problemei de programare liniar. Ce presupuneri se fac n formularea modelului ca o problem de programare liniar ? Explicai avantajele care decurg din rezolvarea problemei ca o problem de programare liniar comparativ cu rezolvarea acesteia printr-o aproximare nefundamentat matematic.

Problema 8 O companie are dou fabrici de conservare a fructelor. Exist trei furnizori de fructe proaspete n urmtoarele cantiti i la urmtoarele preuri: S1: 200t la 1100 / t S2: 310t la 1000 / t S3: 420t la 900 / t

Costul transportului pe ton este: La fabrica: A B ----------------------------------------------------------De la: S1 300 / t 350 / t S2 200 / t 250 / t S3 600 / t 400 / t Capacitatea de producie n tone i costul prelucrrii pentru fiecare fabric este: Fabrica A B -----------------------------------------------------------Capacitatea de producie 460 t 560 t Costul prelucrrii 2600 / t 2100 / t

43

Conservele de fructe se vnd tuturor distribuitorilor companiei cu 5000 /ton. Compania are cerere pentru ntreaga cantitate de conserve pe care o produce. Obiectivul companiei este acela de a achiziiona fructe ntr-o anume proporie de la fiecare furnizor pentru a ocupa capacitatea de producie a fiecrei fabrici astfel nct s se maximizeze profitul la nivelul companiei. Formulai problema ca o problem de programare liniar i explicai-o. Explicai semnificaia valorilor duale asociate cu restriciile corespunztoare (asociate) cantitilor furnizate i capacitii de producie a fabricilor. Ce presupuneri trebuie fcute pentru a exprima problema ca o problem de programare liniar. Problema 9 O companie asambleaz 4 tipuri de produse (1, 2, 3, 4) din componente. Profitul unitar pentru fiecare produs din cele 4 tipuri este:10 / produs, 15 / produs, 22 / produs si respectiv 17 / produs. Comenzile pentru fiecare din cele patru produse (1, 2, 3, 4) n sptmna urmtoare sunt de 50, 60, 85 i respectiv 70 buci. Fiecare produs necesit pentru asamblare 3 operaii(A,B,C) care fiecare necesit un consum de om-ore pe produs diferite: Produs 3 1 1 1

Operaie

A B C

1 2 2 3

2 2 4 6

4 1 2 5

Timpul disponibil n urmtoarea sptmn pentru fiecare operaie (A,B,C) de asamblare este de: 160, 200 i respectiv 80 om-ore. Este admis ca muncitorii angajai pentru operaia B s utilizeze maximum 20% din timpul de lucru pentru a efectua operaia A (probabil cu un nivel de periculozitate ridicat sau radiaii) iar cei angajai pentru a efectua operaia C pot folosi pn la 30% din timpul de lucru pentru a efectua operaia A (altfel trebuie acordate sporuri sau trebuie s fie ncadrai n alte grupe de munc cu alt salariu). Necesitile de producie impun ca raportul dintre numrul de produse tip 1 asamblate i numrul de produse de tip 4 asamblate s fie cuprins ntre 0.9 i 1.15. Formulai modelul problemei ca o problem de programare liniar.

44

Rezumat
Unitatea de nvare ofer studenilor un bagaj de cunotine teoretice care s le permit:

construirea problemei duale pentru o problem primal precizat; rezolvarea problemei duale folosind un software specializat; analiza i interpretarea rezultatelor obinute.

Test de autoevaluare
1. Oricrei probleme de programare liniar (LP) i poate fi asociat o problem dual ? a. Da b. Nu 2. Dac problema de programare liniar (LP) este de maximizare, atunci problema dual este de minimizare? a. Da b. Nu 3. Exist o restricie n dual pentru fiecare variabil din problema primal i invers ? a. Da b. Nu 4. Este adevrat urmtoarea afirmaie? Soluiile problemei primale conin soluiile problemei duale i invers. a. Da b. Nu 5. Este adevrat urmtoarea afirmaie? Coeficienii matricei restriciilor unei probleme (primale sau duale) se obin din transpusa matricei coeficienilor restriciilor celeilalte probleme. a. Da b. Nu 6. Este adevrat urmtoarea afirmaie? Preul umbr este ntotdeauna nenegativ. a. Da b. Nu

45

7. Preurile umbr reprezint a. Profitul. b. Decizia. c. Optimizarea. d. Soluia. 8. Fiind dat, mai jos, modelul problemei primale, contruii modelul problemei duale corespunztoare. Problema dual Problema primal Variabilele de decizie: x1, x2 Funcia obiectiv: Max(5x1+3x2) Restriciile: 2x1+x2<=40 x1+2x2<=50 x1>=0 x2>=0

46

Unitatea de nvare nr. 4


4. Probleme de decizie. Formulare, formalizare, rezolvare i interpretare
4.1. Planificarea programului de lucru al personalului Formularea problemei i construirea modelului. Exemple Rezolvarea prin intermediul produselor software precizate. Exemple Interpretarea rezultatelor obinute 4.2. Programarea INTEGER Formularea problemei i construirea modelului. Exemple Rezolvarea prin intermediul produselor software precizate. Exemple Interpretarea rezultatelor obinute

Rezumat i aplicaii

Obiective:
Obiectivele unitii de nvare sunt: s ofere masteranzilor cunotine necesare i suficiente pentru formularea i formalizarea problemelor de planificare a programului de lucru al personalului i programare liniar cu numere ntregi, n vederea gsirii soluiilor optime cu ajutorul algoritmilor clasici implementai n cadrul unui instrumentar software specializat; dezvoltarea unor abiliti practice utile lucrului cu instrumente software specifice destinate rezolvrii acestor tipuri de probleme.

s ofere masteranzilor un bagaj de cunotine teoretice i abiliti practice care s le


permit interpretarea rezultatelor obinute.

4.1. Planificarea programului de lucru al personalului (Staff Scheduling)

Formularea problemei i construirea modelului. Exemple

n problemele de planificare a programului de lucru al personalului se urmrete gsirea unei soluii care s minimizeze costul ce trebuie pltit angajailor n funcie de numrul de ore lucrate pe sptmn. Soluia va ine seama de un necesar minim de personal ce trebuie

47

asigurat n fiecare zi a sptmnii i va determina numrul de persoane care vor lucra i care vor fi libere n fiecare zi (din sptmn). Acest tip de planificare (a turelor) se folosete foarte mult n domenii cum sunt: zborurile aeriene, programarea turelor din spitale, restaurante, magazine etc. (V.Nica, V. Mrcine, 2001). n continuare este prezentat un exemplu care va uura nelegerea problemelor ncadrate n aceast categorie numit Staff Scheduling. Exemplul 1 n urma unui studiu efectuat la un magazin s-a constat urmtorul necesar de personal vnztor pentru fiecare zi a sptmnii:

Necesarul de personal pe zilele saptamnii


20 18 16 12 10 13 20 0 5 10 Numar de persoane 15 20

Duminica Smbata Vineri Joi Miercuri Marti Luni

Un vnztor primete 60 pentru fiecare zi lucrtoare muncit. Dac lucreaz smbta el primete n plus 25 iar dac lucreaz duminica primete n plus 35 . Fiecare vnztor poate lucra doar 5 zile pe sptmna si apoi trebuie sa aib dou zile libere consecutiv.

48

Managerul magazinului dorete o planificare optim care s acopere necesarul de vnztori i care s ofere soluia pentru cea mai mic sum total de plat sptmnal ce trebuie pltit vnztorilor. Rezolvare: n urmtorul tabel este prezentat o planificare exaustiv (un grafic) pentru fiecare zi a sptmnii. S-au notat cu (T) zilele n care un vnztor va lucra n tur i cu (L) zilele libere:
Planificare ziua start Luni Mari Miercuri Joi Vineri Smbt Duminic Denumire variabile Luni Mari Miercuri Joi Vineri Smbt Duminic Salariu sptmnal ()

Lu_X Ma_X Mi_X Jo_X Vi_X Sa_X Du_X

T L L T T T T

T T L L T T T

T T T L L T T

T T T T L L T

T T T T T L L

L T T T T T L

L L T T T T T

300 325 360 360 360 360 335

Funcia obiectiv: Min(300Lu_X + 325Ma_X + 360Mi_X + 360Jo_X + 360Vi_X + 360Sa_X + 335Du_X)

Restriciile: Lu_X Lu_X Lu_X Lu_X Lu_X + Jo_X + Vi_X + + Vi_X + + + Jo_X + Jo_X + Vi_X + Jo_X + Vi_X + + Jo_X + Vi_X + Sa_X + Du_X >= Sa_X + Du_X >= Sa_X + Du_X >= + Du_X >= >= Sa_X >= Sa_X + Du_X >= 20 13 10 12 16 18 20

+ + + +

Ma_X Ma_X Ma_X Ma_X Ma_X

+ + + +

Mi_X Mi_X Mi_X Mi_X Mi_X

Rezolvarea prin intermediul unui produs software specializat (LINDO)


Introducerea datelor problemei:

49

Soluia problemei Prima fereastr a soluiei:

50

A doua fereastr a soluiei:

Interpretarea soluiei Deci vor fi necesari 22 de vnztori, iar pentru plata acestora vor trebui 7750. Conform planificrii (graficului) turelor: Luni vor lucra: Lu_X+Jo_X +Vi_X+Sa_X+Du_X=2+7+5+4+2=20 vnztori Mari vor lucra: Lu_X+Ma_X+Vi_X+Sa_X+Du_X=2+0+5+4+2=13 vnztori .a.

4.2. Programarea INTEGER


Cnd formulm o problem de programare liniar (LP) constatm deseori c unele variabile trebuie s ia valori ntregi. Astfel de probleme le ntlnim n literatura de specialitate sub denumirea Integer Programs (IP) sau Integer Linear Programming (ILP). Modelele IP sunt frecvent folosite n management, deoarece multe decizii presupun, n esen, un numr finit de variante. Este cazul problemelor de decizie de tipul da / nu sau acioneaz / nu aciona (T. C.,Dosescu, 2011). Alte probleme sunt astfel formulate nct nu

51

accept o parte fracionar la soluii, ci doar numere ntregi (numr de oameni, numr de maini numr de avioane etc). Exist i tipul de probleme mixte n care unele variabile trebuie s ia numai valori ntregi i altele pot lua i valori fracionare. Acestea se ncadreaz n modelele numite programe mixte-ntregi (MIP). Problemele de programare liniar cu numere ntregi constituie gama de probleme ILP (Integer Linear Programming) care vor fi prezentate n continuare. Exemple:

Exemplul 1 Se presupune c patru proiecte se vor derula pe durata a trei ani consecutivi i au urmtoarele caracteristici: Venituri returnate pe proiecte Proiect 1 2 3 4 Venit returnat 0.2 0.3 0.5 0.1 Cereri de capital pe ani i proiecte Anul 1 0.5 1.0 1.5 0.1 3.1 2 0.3 0.8 1.5 0.4 2.5 3 0.2 0.2 0.3 0.1 0.4

Capital total disponibil

Se cere s se stabileasc ce proiecte vor fi alese pentru a se maximiza venitul final total rezultat n urma derulrii acestora. Construirea modelului n acest caz se observ foarte clar c soluia acestei probleme nu poate avea parte fracionar. Este exclus s obinem un rspuns de tipul: 1.72, 2.53, 3.09, 4.1. Proiectele pot fi doar alese sau respinse. Abordm problema n aceeai manier n care am formulat problemele de tip LP, adic vom determina care sunt: variabilele; restriciile; obiectivele.

52

Singura modificare semnificativ n formularea IP, deosebit de formularea LP, este definirea variabilelor. Variabile: Aici vom ncerca s decidem dac s garantm un proiect sau nu. O modalitate de rezolvare este introducerea unor variabile care s ia doar valorile ntregi 0 sau 1 i care s reprezinte decizii binare: Decizia pozitiv (se execut se garanteaz) este reprezentat de 1. Decizia negativ (nu se execut nu se garanteaz) este reprezentat de 0. Aceste variabile sunt adesea numite variabile zero-unu sau variabile binare. Vom utiliza urmtoarea notaie xj: xj = 1 dac decidem s realizm proiectul j (j=1,...,4) altfel, xj = 0 (dac decidem s nu realizm proiectul j (j=1,...,4)) Restricii:

Restriciile referitoare la capitalul disponibil n fiecare an sunt: 0.5x1 + 1.0x2 + 1.5x3 + 0.1x4 <= 3.1 (anul 1) 0.3x1 + 0.8x2 + 1.5x3 + 0.4x4 <= 2.5 (anul 2) 0.2x1 + 0.2x2 + 0.3x3 + 0.1x4 <= 0.4 (anul 3) Funcia obiectiv:

Maximizarea venitului total posibil de obinut din proiecte. Max (0.2x1 + 0.3x2 + 0.5x3 + 0.1x4) xj = 0 sau 1 j=1,...,4 Exemplul 2 Un album muzical care conine 9 melodii trebuie nregistrat pe o caset matri. Durata fiecrei melodii este:

53

Melodie Durata (min.)

1 6

2 8

3 8

4 6

5 7

6 6

7 7

8 5

9 7

Se cere s se distribuie optim melodiile pe cele dou fee ale casetei, astfel nct fiecare fa s aib o durat ct mai apropiat de jumtatea (30 min.) timpului total (60 min.) al celor 9 melodii.

Construirea modelului

Variabile: X1, X2,, X9. Xi = 1 dac melodia <i> se nregistreaz pe faa 1, altfel este 0 (dac ea se nregistreaz pe faa 2).

Funcia obiectiv:

Max (X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9)

Restricia:

6X1 + 8X2 + 8X3 + 6X4 + 7X5 + 6X6 + 7X7 + 5X8 + 7X9 <= 30

Rezolvarea prin intermediul unor produse software specializate


Rezolvarea exemplului 1 cu aplicaia LP-ILP din pachetul de programe QSB

Pentru rezolvarea unor astfel de probleme (ILP), pachetele de programe folosesc cel mai frecvent metoda branch and bound.

54

Datele de intrare pentru problema enunat mai sus pot fi ncrcate prin intermediul urmtoarelor formulare: Parametrii problemei:

Coeficienii funciei obiectiv i ai restriciilor:

Situaia final care ne ofer soluia optim este:

Interpretarea soluiei optime Se constat c decizia optim propus de soluie este aceea de a alege doar proiectele 3 (X3=1) i 4 (X4=1). Oricare alt alegere ar determina obinerea unui profit (venit) inferior sau nu ar respecta restriciile impuse. 55

Rezolvarea exemplului 2 cu aplicaia LINDO Introducerea datelor:

Soluia problemei:

56

Interpretarea soluiei optime Se observ c programul a propus pentru o fa a casetei melodiile: 1, 4, 6, 7, 8 (X1=1, X4=1, X6=1, X7=1, X8=1) Timpul este de 30 min. ( 6 min. + 6 min. + 6 min. + 7 min. + 5 min.).

Rezumat
Unitatea de nvare ofer studenilor un bagaj de cunotine care s le permit: formularea i formalizarea problemelor de planificare a programului de lucru al personalului i programare liniar cu numere ntregi, n vederea gsirii soluiilor optime cu ajutorul algoritmilor clasici implementai n cadrul unui instrumentar software specializat; dezvoltarea unor abiliti practice utile lucrului cu instrumente software specifice destinate rezolvrii acestor tipuri de probleme;

cunotine teoretice i abiliti practice care s le permit interpretarea rezultatelor obinute.

Aplicaii practice
1. S se contruiasc o problem de planificare a programului de lucru al personalului i s se rezolve folosind un software specializat, n aa fel, nct s se urmreasc gsirea unei soluii care s minimizeze costul ce trebuie pltit angajailor n funcie de numrul de ore lucrate pe sptmn. Soluia va ine seama de un necesar minim de personal ce trebuie asigurat n fiecare zi a sptmnii i va determina numrul de persoane care vor lucra i care vor fi libere n fiecare zi (din sptmn). 2. S se contruiasc modelul de programare liniar cu numere ntregi (Integer Programs IP) pentu o problem definit, s se rezolve folosind un software specializat i s se interpreteze soluia obinut.

57

Unitatea de nvare nr. 5


5. Programarea scopurilor (Goal programming)
5.1. Formularea problemei i construirea modelului. Exemple 5.2. Rezolvarea prin intermediul produselor software precizate i interpretarea rezultatelor. Exemple

Rezumat i aplicaii practice

Obiective:

Obiectivele unitii de nvare sunt: s ofere masteranzilor cunotine necesare i suficiente pentru formularea i formalizarea problemelor de programare a scopurilor, n vederea gsirii soluiilor optime cu ajutorul algoritmilor clasici implementai n cadrul unui instrumentar software specializat; dezvoltarea unor abiliti practice utile lucrului cu instrumente software specifice destinate rezolvrii acestor tipuri de probleme.

s ofere masteranzilor un bagaj de cunotine teoretice i abiliti practice care s le


permit interpretarea rezultatelor obinute. 5.1. Formularea problemei i construirea modelului Programarea scopurilor este o dezvoltare a programrii liniare utilizat pentru probleme care implic mai multe obiective (Ibidem). Modelele de programare a scopurilor difer de modelele de programare liniar att n ceea ce privete restriciile ct i funcia obiectiv. Obiectivele multiple poart numele de scopuri. Fiecare scop materializeaz un anumit obiectiv de atins. n programarea scopurilor, scopurile se exprim sub forma unor restricii. Restriciile de scopuri sunt diferite de restriciile prezentate la programarea liniar. Restriciile de tipul celor prezentate la programarea liniar se numesc restricii tari (hard) spre deosebire de cele specifice scopurilor, care reprezint un nivel dorit de performan i care se numesc restricii slabe (soft).

58

Programarea scopurilor permite folosirea exclusiv a unor restricii slabe sau o combinaie de restricii tari i slabe. Soluia unei probleme n programarea scopurilor trebuie s satisfac toate restriciile tari dar nu trebuie obligatoriu s ating nivelul de performan fixat prin restriciile slabe. Acest lucru se ntmpl atunci cnd exist conflicte fie ntre scopuri fie ntre scopuri i restriciile tari. De exemplu, o restricie cere ca x1=10 iar alt restricie ca x1>=20. Aceste dou restricii nu pot fi satisfcute simultan i din acest motiv n programarea liniar spunem c nu exist o soluie. n astfel de cazuri putem folosi programarea scopurilor, deoarece sunt permise abateri de la restriciile slabe pentru a putea gsi o soluie acceptabil. Astfel, n programarea scopurilor, obiectivul este de a satisface restriciile tari i de a obine un nivel ct mai acceptabil de satisfacere a restriciilor slabe (maleabile). n prima faz, programarea scopurilor a tratat scopurile (restriciile slabe) ca fiind egale n importan pentru soluia obinut. Deci, abaterea de la un scop era acceptat n mod egal cu abaterea fa de la un alt scop. Mai recent s-a introdus o difereniere n importana scopurilor. Acest lucru se materializeaz n acordarea de coeficieni de importan (prioritate) ai scopurilor. Aceast abordare permite obinerea unor soluii ct mai acceptabile problemelor din lumea real.

Variabilele abatere
Pentru a msura abaterile de la scopuri se folosesc variabile abateri care sunt incluse n restriciile de scop. Ele reprezint diferena dintre scopul propus i cel posibil de atins n soluie. Exist dou feluri posibile de abateri de la scop: abateri sub scop i abateri peste scop. Variabilele de abatere de la scopuri sunt incluse n fiecare din restriciile de scop (slabe) sub numele: Ui pentru abaterile sub (under) scop i Vi pentru abaterile peste (over) scop (i reprezint numrul restriciei de scop). Adugnd aceste dou variabile abatere la o restricie de scop obinem restricii de tip egaliti deoarece aceste variabile abateri msoar tocmai diferena dintre scopul propus i cel posibil de atins.

Exemplu: Dac un manager fixeaz o restricie referitoare la numrul de ore de munc, n programarea scopurilor o transpunem sub forma unei restricii de scop de forma: 59

Restricie de scop 4X1 + 2X2 + (U1 - V1) = 100 ore X1,X2 - reprezint variabile de decizie U1 - reprezint numrul de ore de munc neutilizate (1- prima restricie) V1 - reprezint numrul de ore de munc suplimentare

Au fost introduse n restricia de scop ambele tipuri de variabile de abatere ceea ce indic faptul c sunt permise abateri n ambele sensuri. Dac nu este admis abaterea ntr-unul dintre sensuri, abaterea corespunztoare nu va aprea n restricia de scop. De exemplu, dac nu este permis prestarea de ore suplimentare variabila V1 nu va aprea n restricia de scop. Remarcai semnele cu care sunt introduse variabilele abatere n restricia de scop: U reprezint un minus pn la scop iar V un surplus peste scop, deci U se adun i V se scade pentru a se obine egalitatea. Dac, 4X1 + 2X2 = 80 => U1 = 20 ore nelucrate fa de scopul 100

Dac , 4X1 + 2X2 = 110 => V1 = 10 ore peste program fa de scopul 100

n ambele aceste cazuri, cealalt variabil abatere fa de cea precizat este =0 deoarece n mod logic ele se exclud. Dac, 4X1 + 2X2 = 100 => U1 = 0 i V1 = 0. Astfel, n fiecare restricie scop cel puin una din variabilele abatere este = 0.

Formularea modelului n programarea scopurilor


Modelul const dintr-o funcie obiectiv i un set de restricii. Restriciile pot fi numai restricii de scop (slabe) sau o combinaie de restricii de scop (slabe) i restricii obinuite (tari). La acestea se adaug restriciile de nenegativitate pentru toate variabilele (de decizie i de abatere).

60

n modelele care includ i prioriti ale scopurilor, funcia obiectiv msoar care variabile abateri vor fi minimizate i n ce ordine de prioritate (importan) Exemplu de model de programare a scopurilor:

Min (P1U1 + P2V1 + P3U2) A) B) 1) 2) 4X1 + 2X2 2X1 + 6X2 <= 40 <= 60. restricii obinuite (tari) restricii de scop (slabe)

3X1 + 3X2 + U1 - V1 = 75 X1 + 2X2 + U2 - V2 = 50 X1, X2, U1, V1, U2, V2 >= 0

n funcia obiectiv sunt prezente trei variabile abatere: U1, V1, U2. Indicii acestora arat crei restricii de scop aparin. P-urile (P1, P2, P3) reprezint prioritile, iar indicii lor arat ordinea de importan (i = 1 reprezint cea mai mare importan). Observm n funcia obiectiv c cea mai mare prioritate este aceea de a minimiza cantitatea cu care ne aflm sub primul scop. Urmtoarea prioritate este aceea de a minimiza cantitatea cu care ne aflm peste primul scop i cea mai mic prioritate este aceea de minimiza cantitatea cu care ne aflm sub cel de-al doilea scop. Observm c nu toate variabilele abatere trebuie s fie prezente n funcia obiectiv. Variabila V2 nu este inclus deoarece nu ne propunem s minimizm cantitatea cu care ne aflm deasupra celui de-al doilea scop (putem presupune c acest scop se refer la profit). Problema nr. 1 O companie produce trei tipuri de produse (X1,X2,X3). Consumul de materiale i timp pe unitatea de produs este urmtorul:

61

Produsul Materiale (uniti/produs) Timp de producie (min/produs) Timp de ambalare (min/produs)

X1 2 9 1

X2 4 8 2

X3 3 7 3

Disponibil 600 uniti 900 min. 300 min.

====================================================

Managerul a stabilit urmtoarele obiective (scopuri) n ordinea lor de importan (prioritate): 1. Minimizarea orelor suplimentare de producie (prima prioritate - P1) 2. Minimizarea timpului de producie neutilizat. (a doua prioritate - P2) 3. Minimizarea att a timpului de ambalare suplimentar ct i a celui neutilizat. (a treia prioritate - P3) Construirea modelului

La o prim analiz observm c exist trei restricii: una asupra materialelor i dou asupra timpului. Restricia asupra materialelor se exprim ca o restricie obinuit, iar cele asupra timpului ca nite restricii de scop deoarece ele sunt cuprinse n lista scopurilor urmrite. Variabile:

X1 cantitatea de produs de tip 1 X2 cantitatea de produs de tip 2 X3 cantitatea de produs de tip 3 U1 (sau X4) timpul de producie neutilizat V1 (sau X5) timpul de producie utilizat suplimentar U2 (sau X6) timpul de asamblare neutilizat V2 (sau X7) timpul de asamblare utilizat suplimentar

62

Restricii:

Materiale Timp de producie Timp de asamblare

2X1 + 4X2 + 3X3

<= 600 uniti

9X1 + 8X2 + 7X3 + U1 - V1 = 900 min. 1X1 + 2X2 + 3X3 + U2 - V2 = 300 min. X1, X2, X3, U1, V1, U2, V2 >= 0

Funcia obiectiv:

Min (P1V1 + P2U1 + P3(U2 + V2))

Cuantificm cele trei prioriti n funcie de importana lor: P1 = 9, P2 = 8, P3 = 7. Relativ la formularea scopurilor problemei, funcia obiectiv poate fi mprit n trei obiective (scopuri): Min (P1V1) Min (P2U1) Min (P3(U2+V2)) Scopul 1 Scopul 2 Scopul 3

Problema nr. 2

Managerul unei companii care produce dou sortimente de stof vrea s determine structura produciei pentru o sptmn redus de lucru (exist srbtori legale). Exist n acest scop suficiente stocuri de materie prim dar timpul de lucru disponibil este de 24 de ore. Fiecare metru de stof de primul tip necesit 2 ore de munc iar cea din tipul 2 necesit 3 ore de munc. Prioritile exprimate de manager, n ordinea de importan a acestora, sunt: 63

1. Minimizarea timpului de munc neutilizat 2. Dac sunt necesare ore suplimentare, acestea s fie de aproximativ 12 ore sau mai puin 3. S se ncerce producerea de cel puin 10 metri de stof de tip 2 4. S se evite orele suplimentare dac acest lucru este posibil. Construirea modelului

Variabile de decizie:

X1 - cantitatea de stof de tip 1 care s se produc X2 cantitatea de stof de tip 2 care s se produc U1 (sau X3) ore de munc neutilizate V1 (sau X4) ore de munc suplimentare U2 (sau X5) ore de munc neutilizate sub cele 12 ore acceptate V2 (sau X6) ore de munc suplimentare peste cele 12 ore acceptate U3 (sau X7) cantitatea (m) de stof de tip 2 produs sub cerina de 10 m V3 (sau X8) cantitatea (m) de stof de tip 2 produs peste cerina de 10 m.

Restricii:

Restricia timpului de munc: 2X1 + 3X2 + (U1 - V1) = 24 ore Restricia privind orele suplimentare: V1 + (U2 - V2) = 12 ore Restricia privind cantitatea de stof de tipul 2: X2 + (U3 - V3) = 10 metri

64

Funcia obiectiv:

Relativ la scopurile exprimate de manager observm c: 1. Minimizarea timpului de munc neutilizat reprezint scopul 1 care poate fi asociat variabilei U1 2. Dac sunt necesare ore suplimentare, acestea s fie de aproximativ 12 ore sau mai puin reprezint scopul 2 care poate fi asociat variabilei V2 3. S se ncerce producerea de cel puin 10 metri de stof de tip 2 reprezint scopul 3 care poate fi asociat variabilei U3 4. S se evite orele suplimentare dac acest lucru este posibil reprezint scopul 4 care poate fi asociat variabilei V1.

Min (P1U1 + P2V2 + P3U3 + P4V1)


Cuantificm cele patru prioriti n funcie de importana lor: P1 = 9, P2 = 8, P3 = 7, P4 = 6. Relativ la formularea scopurilor problemei, funcia obiectiv poate fi mprit n patru obiective (scopuri): Min (P1U1) Min (P2V2) Min (P3U3) Min (P4V1) Scopul 1 Scopul 2 Scopul 3 Scopul 4

Unde: U1 = timpul de munc neutilizat U2 = timpul de munc neutilizat sub cele 12 ore acceptate V2 = timpul suplimentar de munc peste cele 12 ore acceptate U3 = cantitatea (metri) de stof de tipul 2 sub cerina de 10 metri V1 = numrul de ore suplimentare X1, X2, U1, V1, U2, V2, U3, V3 >= 0

65

5.2. Rezolvarea prin intermediul produselor software precizate Problemele formulate anterior crora le-am construit modelele vor fi rezolvate cu aplicaia GP-IGP.exe component a pachetului de programe QSB. Problema nr. 2 (vezi modelul prezentat mai sus) are 4 scopuri i 8 variabile: X1, X2, U1 (notat X3), V1 (notat X4), U2 (notat X5), V2 (notat X6), U3 (notat X7) i V3 (notat X8). Dialogul iniial:

Formularul pentru ncrcarea datelor:

66

Soluia obinut:

67

Rezumat
Unitatea de nvare ofer studenilor un bagaj de cunotine teoretice i practice care s le permit: formularea i formalizarea problemelor de programare a scopurilor, n vederea gsirii soluiilor optime cu ajutorul algoritmilor clasici implementai n cadrul unui instrumentar software specializat; dezvoltarea unor abiliti practice utile lucrului cu instrumente software specifice destinate.

Aplicaii practice
1. S se defineasc o problem de programare a scopurilor. 2. S se contruiasc modelul de programare corespunztor. 3. S se rezolve folosind un software specializat i s se interpreteze soluia obinut.

ntrebri de verificare
1. Cte tipuri de restricii se ntlnesc n problemele de programare a scopurilor? 2. Ce reprezint variabilele de abatere? 3. Soluia unei probleme de programare a scopurilor trebuie s satisfac toate tipurile de restricii? 4. Pentru msurarea abaterilor ce tipuri de variabile se folosesc? 5. Toate variabilele abatere trebuie s fie prezente n funcia obiectiv?

68

Unitatea de nvare nr. 6


6. Analize de tip PERT-CPM
6.1. Formularea unei probleme. Exemple 6.2. Construirea diagramelor de reea. Exemple 6.3. Rezolvarea problemelor folosind un software specializat i interpretarea rezultatelor. Exemple 6.4. Probleme propuse spre rezolvare

Rezumat i aplicaii Obiective:


Obiectivele unitii de nvare sunt: s ofere masteranzilor cunotine necesare i suficiente pentru analiza de tip reea specific n planificarea i managementul proiectelor; dezvoltarea unor abiliti practice utile lucrului cu instrumente software specifice destinate rezolvrii acestor tipuri de probleme.

s ofere masteranzilor un bagaj de cunotine teoretice i abiliti practice care s le


permit interpretarea rezultatelor obinute.

Not
Analiza de tip reea este o tehnic specific utilizat n planificarea i managementul proiectelor. Specific proiectelor este faptul c: ele sunt temporare, au un nceput i un sfrit; pot fi mprite n mai multe activiti separate (job-uri) n care fiecare activitate are asociat o durat i un timp de realizare (timpul cuprins ntre punctul de start i cel de terminare a activitii); exist o preceden a ordinii n care se execut activitile. Pentru analizele de tip reea au fost dezvoltate independent n anii 1950 dou tehnici diferite (G., B. Dantzig, 1963): PERT (Program Evaluation and Review Technique); CPM (Critical Path Management).

69

Tehnica PERT a fost dezvoltat de US Navy pentru planificarea i controlul rachetelor Polaris dorindu-se a se gsi cel mai scurt timp posibil pentru realizarea proiectului. Tehnica CPM a fost dezvoltat de ctre Du Pont care i-a propus s gseasc un raport optim ntre costul proiectului i timpul de realizare a acestuia. Se consider c pentru unele activiti poate fi micorat timpul de realizare cheltuindu-se mai muli bani. n prezent, exist numeroase produse software care pot rezolva cu succes analizele de tip reea att prin tehnica PERT ct i prin CPM. Analizele de tip reea sunt vitale n managementul proiectelor. Ele ne dau posibilitatea ca prin intermediul unor metode cantitative corespunztoare s putem conduce un proiect astfel nct acesta s fie realizat cu succes. 6.1. Formularea unei probleme. Exemple Pentru o mai bun nelegere a analizelor de tip reea, este necesar o discuie pe baza unui exemplu, care va conduce, cu siguran, ctre o clarificare a acestei problematici. S presupunem c se intenioneaz lansarea unui nou produs pe pia, ceea ce necesit existena unui proiect compus din mai multe etape i sarcini care vor trebui rezolvate ntr-o anumit ordine. O ntrebare logic care apare referitor la proiect este: n ct timp se va realiza proiectul ? Pentru a rspunde la ntrebare este necesar, n primul rnd, crearea unei liste ce va conine toate activitile principale ale proiectului precum i durata de realizare pentru fiecare activitate (vezi lista de mai jos): Lista activitilor Numr activitate 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. Denumire activitate Proiectare produs Proiectare ambalaj Comanda i recepionarea componentelor necesare realizrii produsului Comanda i recepionarea componentelor necesare realizrii ambalajului Realizarea unui lot de produse ntr-o prim faz Realizarea ambalajului pentru acest lot de produse mpachetarea i studiul metodelor de mpachetare optim Testarea pieei pentru produs Revizuirea i reproiectarea corespunztoare a produsului Revizuirea i reproiectarea corespunztoare a ambalajului Prezentarea rezultatelor ctre decidenii superiori Timp de realizare (sptmni) 6 2 3 2 4 1 1 6 3 1 1

70

Legat de aceast list se impun analize n detaliu ale activitilor enunate n raport cu scala timpului pe care se desfoar. Astfel, trebuie identificate relaiile de preceden ale activitilor, indicnd activitile care datorit unor situaii logice trebuie s fie terminate nainte ca alte activiti s nceap. De exemplu activitatea nr. 1 trebuie terminat nainte ca activitatea nr. 3 s nceap. Activitatea nr. 8 trebuie terminat nainte ca activitatea nr. 9 s nceap. n continuare este necesar realizarea unei liste de precedene imediate a activitilor, lund n considerare relaiile care exist ntre acestea. Lista va fi construit ncercnd s rspundem pentru fiecare activitate la urmtoarea ntrebare: Ce activiti trebuie terminate nainte ca activitatea curent s nceap ? Lista precedenelor Numr activitate Activitatea 1 Activitatea 2 Activitatea 3 Activitatea 4 Activitile 5 i 6 Activitatea 7 Activitatea 8 Activitatea 8 Activitile 9 i 10 Este de menionat c: activitile nr.1 i 2 nu apar n a treia coloan a tabelului, deoarece nu exist activiti care trebuie terminate nainte ca ele s nceap; activitile nr. 5 i 6 trebuie s se termine nainte ca activitatea nr. 7 s nceap; se subneleg din list i precedenele ne-imediate: astfel activitatea nr. 1 va trebui s fie terminat nainte ca activitatea nr. 9 s nceap etc. Precedenele ne-imediate nu se includ n list, pentru a evita o suprancrcare a acesteia. Ele pot fi deduse din sistemul de relaii i legturi ale activitilor. Observaii trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea Numr activitate 3 s nceap 4 s nceap 5 s nceap 6 s nceap 7 s nceap 8 s nceap 9 s nceap 10 s nceap 11 s nceap

71

Odat ce au fost completate cele dou liste (lista activitilor i lista precedenelor) vom putea combina i concentra informaiile acestora ntr-o diagram numit reea. Denumirea analizelor de tip reea provine, de fapt, tocmai de la aceast diagram. Dac revenim la prima ntrebare: n ct timp se va realiza proiectul ? (completnd toate activitile i respectnd precedena acestora) un rspuns imediat ar putea fi: Dac am realiza nti activitatea nr.1, apoi activitatea nr.2, activitatea nr. 3,, activitatea nr.11 respectnd precedena activitilor, ntregul proiect ar putea fi realizat n 30 sptmni (suma timpilor fiecrei activiti). n acest moment o alt ntrebare pe care ar putea s o pun un bun manager este: Poate fi realizat proiectul ntr-un timp mai mic ?

O reformulare pragmatic a acestei ntrebri este: Care ar putea fi timpul minim de realizare a proiectului ?

n continuare vom vedea cum diagramele de tip reea ne pot ajuta s gsim rspunsul la ultima ntrebare. 6.2. Construirea diagramelor de reea. Exemple n funcie de tipul problemelor i de felul n care acestea sunt formulate, diagramele de reea pot fi construite n dou moduri (Ibidem): cu activitile trasate pe noduri (Activity On Node); cu activitile trasate pe arce (Activity Arc). Pentru exemplul de mai sus s-a ales ca reprezentarea activitilor s fie trasat pe noduri. Dac dorim rezolvarea problemei cu ajutorul unui pachet de programe specializat, atunci diagrama de reea nu este necesar. Pentru a gsi timpul minim, respectivului program i sunt necesare doar datele extrase din lista de precedene. Totui, deoarece oamenii pot interpreta mult mai bine informaia reprezentat grafic atunci, de cele mai multe ori, managerilor le sunt necesare pe lng rezultatele numerice i diagramele de reea. Din acest considerent va fi prezentat n continuare i construcia diagramelor de tip reea.

72

n diagrama urmtoare fiecare nod (cerc) reprezint o activitate i conine dou informaii: numrul activitii i (n paranteze) timpul necesar pentru realizarea acesteia.

Aceasta este o reea de tipul Activity On Node (AON). n construcia diagramei (reelei): s-a trasat un nod pentru fiecare activitate; s-a adugat o sgeat de la fiecare nod (activitate) (i) ctre un nod (activitate) (j) dac activitatea (i) trebuie s se termine nainte ca activitatea (j) s nceap. Toate arcele au ataate sgei indicnd direcia n care proiectul se dezvolt. Pe diagram activitile care ncep primele s-au trasat cel mai n stnga, iar ultimele activiti au fost plasate cel mai n dreapta. Odat trasat o reea este relativ simplu ca ea s fie analizat. Pentru a fi gsit drumul critic poate fi folosit un algoritm de programare dinamic. n curs nu va fi tratat un asemenea algoritm ci se va insista pe rezolvarea problemelor cu ajutorul calculatorului prin utilizarea unor pachete de programe special create pentru rezolvarea unor astfel de probleme. 6.3. Rezolvarea problemelor folosind un software specializat i interpretarea rezultatelor. Exemple De regul, orice pachet de programe specializat pentru rezolvarea problemelor de tip reea prezint nti un dialog prin intermediul cruia solicit cteva informaii de identificare a

73

problemei, iar apoi ofer un formular pentru ncrcarea datelor. n continuare sunt prezentate dou ecrane aferente problemei exemplu prezentate mai sus: Dialogul iniial:

Formularul pentru ncrcarea datelor:

Situaia final cu rezolvare problemei:

74

Interpretarea rezultatelor

Analiznd soluia final observm c timpul minim de realizare a proiectului este de 24 sptmni. Se consider c exist suficiente resurse care s permit desfurarea mai multor activiti simultan. Astfel activitile nr.1 i 2 se pot executa n paralel. n coloana Slack se poate vedea, pentru fiecare activitate, ntrzierea care poate fi permis astfel nct timpul integral de realizare a proiectului s nu fie afectat. Activitile la care Slack (diferena) este 0 (zero) formeaz drumul critic. Aceste activiti trebuie realizate chiar n timpul alocat. Altfel, poate fi afectat timpul de realizare a proiectului. De acesta sunt numite activiti critice. n cazul exemplului prezentat activitile critice sunt: 1, 3, 5, 7, 8, 9, 11. Notaiile prezente n situaia final sunt: ES (Earliest Start) - reprezint momentul de timp cel mai devreme la care o activitate poate s nceap. LS (Latest Start) - este momentul de timp cel mai trziu la care o activitate poate s nceap astfel nct timpul de realizare a proiectului s nu fie afectat. Dac LS=ES atunci activitatea n cauz este o activitate critic. EF (Earliest Finish) - reprezint momentul de timp cel mai devreme la care o activitate se poate termina. LF (Latest Finish) - este momentul de timp cel mai trziu la care o activitate se poate termina astfel nct timpul de realizare a proiectului s nu fie afectat. LF=LS+timpul de completare a activitii. O activitate este critic dac LF=LS. Slack reprezint diferena ntre ES i LS sau ntre LF i EF. Slack=LS-ES=LF-EF. Este posibil ca ntr-o reea s existe mai multe drumuri critice care s aib acelai rezultat.

Microsoft Project
Pachetul de programe Microsoft Project ofer n plus i alte faciliti foarte folositoare managerului de proiect. Acestea sunt (C. Opran, S. Stan, 2008): Trasarea automat a diagramei de reea:

75

Analiza i graficul activitilor critice:

Graficul Gantt
Graficul Gantt a fost creat de ctre H. L. Gantt n anul 1918. Graficul de mai jos prezint drumul critic i momentele ES, LS, EF i LF pentru fiecare activitate menionat n exemplul de mai sus. Fiecare activitate este reprezentat prin dou bare una pentru ES i cealalt pentru LS. Pentru activitile critice cele dou bare au aceeai lungime. Prin intermediul graficului Gantt se evideniaz i pot fi studiate foarte uor i activitile necritice.

76

Astfel, se observ cu uurin c activitatea nr. 2 poate s nceap n oricare dintre momentele de timp 0,1,2,3,4,5,6,7,8 i poate dura un timp corespunztor cuprins ntre 0 i 8. Putem alege n care dintre aceste momente de timp activitatea nr. 2 poate s nceap.

Verificarea gradului de realizare a proiectului


Gradul de realizare a proiectului poate fi verificat oricnd pe timpul desfurrii acestuia, comparnd starea real cu cea planificat. De asemenea, este posibil i o anticipare a stadiului n care se va afla proiectul dup un anumit timp. De exemplu dac se dorete o analiz dup 12 sptmni se va obine urmtoarea situaie:

n lista de mai sus se poate observa c activitile nr. 1,2,3 i 4 au fost deja completate, activitatea nr. 5 a fost completat ntr-o proporie de 75 %, iar celelalte activiti nc nu au nceput. S-a considerat c toate activitile au nceput la momentul ES i c au durat exact ct au fost planificate.

77

6.4. Probleme propuse spre rezolvare Problema 1 Urmtorul tabel prezint activitile unui proiect:

Timp de realizare Activiti precedente (sptmni) ============================================= A 2 B 3 C 4 A D 3 B,A E 8 D,C F 3 C G 2 E H 3 F,G 1. Trasai diagrama de reea. 2. Calculai durata minim a proiectului i identificai activitile critice.

Activitatea

Problema 2 Un proiect conine 8 activiti: Timp de realizare Activiti precedente (zile) ============================================= A 5 B 7 C 6 D 3 A E 4 B,C F 2 C G 6 A, D H 5 E, F 1. Trasai diagrama de reea. 2. Calculai durata minim a proiectului i identificai activitile critice. 3. Dac activitatea E este ntrziat cu 3 zile, va fi afectat durata proiectului? 4. Dac activitatea F este ntrziat cu 3 zile, va fi afectat durata proiectului? Activitatea

78

Rezumat
Unitatea de nvare ofer masteranzilor un bagaj de cunotine teoretice i practice care s le permit: analize de tip reea specifice n planificarea i managementul proiectelor; formularea problemelor de planificare i management al proiectelor, n vederea gsirii soluiilor. dezvoltarea unor abiliti practice utile lucrului cu instrumente software specifice destinate rezolvrii acestor tipuri de probleme; interpretarea soluiei obinute.

Aplicaii practice
S presupunem c se intenioneaz lansarea unui nou produs pe pia ceea ce necesit existena unui proiect compus din mai multe etape i sarcini care vor trebui rezolvate ntr-o anumit ordine. O ntrebare logic care apare referitor la proiect este: n ct timp se va realiza proiectul ? Pentru a rspunde la ntrebare este necesar parcurgerea urmtoarele operaii: 1. Crearea unei liste ce va conine toate activitile principale ale proiectului precum i durata de realizare pentru fiecare activitate. 2. Crearea unei liste cu precedenele ordinii n care se execut activitile. 3. Analiza de tip reea folosind un software specializat i interpretrea soluie obtinute.

ntrebri de verificare
1. Fiind dat un proiect compus din mai multe etape i sarcini ce liste trebuie create obligatoriu n analizele de tip reea ? 2. n cte moduri pot fi construite diagramele de reea ? 3. Cnd o activitate este considerat critic ? 4. Este posibil ca ntr-o reea s existe mai multe drumuri critice care s aib acelai rezultat ? 5. Ce prezint un grafic de tip Gantt ?

79

Unitatea de nvare nr. 7

7. Probleme de transport, de alocare i problema comisului voiajor 7.1. Probleme de transport (Transportation problem)
Formularea problemei i construirea modelului. Exemple Rezolvarea prin intermediul produselor software precizate. Exemple

7.2. Probleme de alocare (Assignment Problem)


Formularea problemei i construirea modelului. Exemple Rezolvarea prin intermediul produselor software precizate. Exemple 7.3. Problema comisului voiajor Formularea problemei. Exemple Rezolvarea prin intermediul produselor software precizate. Exemple

Rezumat i aplicaii

Obiective:
Obiectivele unitii de nvare sunt:

s ofere masteranzilor cunotine necesare i suficiente pentru formularea i formalizarea problemelor de transport, alocare i cele de stabilire a unui traseu optim (problema comisului voiajor) n vederea gsirii soluiilor optime cu ajutorul algoritmilor clasici implementai n cadrul unui instrumentar software specializat;

dezvoltarea unor abiliti practice utile lucrului cu instrumente software specifice destinate rezolvrii acestor tipuri de probleme.

s ofere masteranzilor un bagaj de cunotine teoretice i abiliti practice care s le


permit interpretarea rezultatelor obinute.

7.1. Problema de transport (Transportation problem)


Problema de transport este un tip special de problema a fluxurilor n reea. O problem tipic de transport include numai un set de noduri surs i un set de noduri destinaie. Obiectivul este acela de a determina acea modalitate de transport de la surse la destinaii

80

care minimizeaz costurile (maximizeaz beneficiile) totale asociate transportului. Metoda simplex n reea este folosit pentru a rezolva problema de transport. Modelul de transport este aplicat n general acelor cazuri n care se pune problema distribuirii unor obiecte de la deintorii lor la solicitanii lor, fiecare dintre acetia (distribuitori i solicitani) fiind situai n amplasamente diferite. De exemplu, o companie poate avea 10 depozite de unde sunt aprovizionate 50 magazine de desfacere. Exist o multitudine de combinaii n care se poate face aprovizionarea magazinelor ns cu costuri diferite. Scopul utilizrii modelrii pentru rezolvarea acestei probleme este de a gsi acel plan de aprovizionare care minimizeaz costul de transport al produselor de la depozite la magazine i care ine cont de necesarul de produse al fiecrui magazin i de disponibilul din fiecare depozit. Alte cazuri n care se poate folosi modelul problemei de transport sunt transportul produselor de la fabricile productoare la depozite, transportul produselor ntre departamentele aceleiai companii sau alegerea ntre mai multe alternative de amplasare a unor fabrici sau depozite. Formularea problemei i construirea modelului. Exemple O problem de transport are n general un numr de locaii surs (numite i surse) i un set de locaii receptoare (numite i destinaii). Pentru formularea problemei mai avem nevoie de urmtoarele informaii (Ibidem): 1. Cantitile disponibile (capacitatea) fiecrei surse. 2. Cantitile cerute la fiecare destinaie. 3. Costul unitar de transport de la fiecare surs la fiecare destinaie. Modelul problemei de transport necesit o serie de precizri: toate produsele sunt omogene (orice surs poate furniza produse pentru orice destinaie); costurile de transport cresc strict liniar n funcie de cantitatea transportat pe ruta respectiv; ntr-o prim abordare se presupune c pentru ntreaga cantitate disponibil exist cerere (totui pot fi rezolvate i problemele care nu ndeplinesc aceast condiie).

81

Exemple: Problema 1 O companie de petrol are 3 (trei) depozite i 4 (patru) puncte de comercializare C1, C2, C3, C4. Este necesar ntocmirea unui plan de transport care s minimizeze costurile totale cu transportul astfel nct s se asigure necesarul de petrol la punctele de comercializare n condiiile cunoaterii capacitii limitate a depozitelor. Tabelul urmtor prezint valoarea cererii (n t) la punctele de comercializare, disponibilul din depozite (n t) i costurile unitare (/t) ale transportului de la surse la destinaii: Puncte de comercializare: C1 C2 C3 5 4 5 Depozit 1 3 3 6 Depozit 2 2 5 7 Depozit 3 100 150 Cererea la punctele de 200 comercializare Construirea modelului Modelul de programare liniar asociat acestei probleme de transport este prezentat n continuare. Variabile: Capacitate depozite (t) 100 200 400

C4 6 6 8 250

S-a notat cu Xij cantitatea din cererea j care se aprovizioneaz de la depozitul (sursa) i. i=1,2,3. j=1,2,3,4.

Restricii: Restricii asupra capacitii depozitelor X11 + X12 + X13+ X14= 100 X21 + X22 + X23+ X24= 200 X31 + X32 + X33+ X34= 400 82

Restricii asupra cererii X11 + X21 + X31 = 200 X12 + X22 + X32 = 100 X13 + X23 + X33 = 150 X14 + X24 + X34 = 250 Restricii de ne-negativitate X11, X12, X13, X14, X21, X22, X23, X24, X31, X32, X33, X34 >= 0

Funcia obiectiv:

Minimizeze costurile totale cu transportul, astfel nct s se asigure necesarul de petrol la punctele de comercializare n condiiile cunoaterii capacitii limitate a depozitelor Min (5X11 +4X12 + 5X13 + 6X14 + 3X21 + 3X22 + + 6X23 + 6X24 + 2X31 + 5x32 + 7X33 + 8X34)

Rezolvarea problemelor utiliznd un produs software specializat


Se foloseste aplicaia Transportation Problem component a programul NET.EXE prezent n pachetul de programe QSB Parametrii problemei:

83

Introducerea datelor:

Soluia final:

Interpretarea soluiei Soluia prezint planul de transport (Sursa-Destinaia) care s minimizeze costurile totale cu transportul (3350 ), astfel nct s se asigure necesarul de petrol la punctele de comercializare n condiiile cunoaterii capacitii limitate a depozitelor

Tem a) S se construiasc modelul dual pentru problema de transport prezentat mai sus. Obs. Formularea dualei sugereaz c se ncearc transportarea unor cantiti de bunuri, astfel nct diferena dintre preul unitar Ui la surs (plecare) i preul unitar la destinaie (sosire) Vj s nu depeasc costul unitar de transport ntre punctul de plecare i cel de sosire. b) S se rezolve cu programul software corespunztor.

84

7.2. Problema de alocare (Assignment Problem)


Formularea problemei i construirea modelului. Exemple Problema alocrii (repartizrii) resurselor este un tip special de problem de reea sau de problem de programare liniar n care obiectele de alocat sunt repartizate unu la unu destinaiilor. Pot face obiectul alocrii anumite resurse: angajai, maini, spaii de parcare, intervale de timp, fabrici, juctori, etc. Destinatarii (beneficiarii) repartiiilor pot fi: o activitate, un amplasament, un eveniment, o cerere, o echip, etc. n format de reea att obiectele alocrii ct i beneficiarii repartiiilor sunt reprezentai ca noduri iar dac exist posibilitatea repartizrii obiectului i la beneficiarul j atunci va exista un arc de la nodul i la nodul j care are asociat un cost sau un beneficiu notat Cij. Problema alocrii este considerat ca un tip special de problem de transport avnd furnizori i beneficiari i se poate rezolva folosind metoda simplex n reea. n general este vorba despre un numr de candidai care pot ndeplini n sarcini i un cost nenegativ Cij implicat de atribuirea ctre candidatul i a sarcinii j, cost care se consider cunoscut. Obiectivul problemei este acela de a asigna fiecrui candidat cte o sarcin astfel nct s se minimizeze costul total. Se definesc variabilele binare Xij care pot lua valorile 0 sau 1. Valoarea Xij = 1, arat c se atribuie sarcina j candidatului i. Cellalt caz, Xij = 0 are loc atunci cnd nu se atribuie sarcina j candidatului i. Problemele de alocare se caracterizeaz prin cerina de a mperechea elemente dintr-un grup cu elemente din alt grup (unu la unu) (Ibidem). Un caz particular de problem de transport este problema alocrii resurselor n care toate cererile sunt 1 (unu) i toi furnizorii sunt 1 (unu). n acest caz , integralitatea implic s existe cte un furnizor pentru fiecare cerere i cte o cerere pentru fiecare furnizor. Costul reprezint cheltuielile implicate de aprovizionarea unui anumit solicitant de la un anumit furnizor. Presupunnd c dorim s impunem condiia ca fie persoana i s nu ndeplineasc sarcina j SAU persoana k s nu ndeplineasc sarcina m, aceasta se scrie: Xij.Xkm = 0. Aceast condiie neliniar este echivalent constrngerii liniare: Xij +Xkm <= 1. Aceast constrngere trebuie adugat la setul de constrngeri. Cu aceast constrngere adugat AP (Assignment Problem)

85

devine problem ILP binar care poate fi rezolvat cu ajutorul aplicaiei LINDO sau aplicaiei corespunztoare din pachetul de programe QSB. Formularea problemei duale propune ca s se ncerce atribuirea de persoane pentru a ndeplini sarcini astfel nct suma valorilor Ui ale persoanei i adunate cu valoarea Vj care reprezint costul pentru ndeplinirea sarcinii j s nu depeasc costul repartizrii persoanei i pentru a ndeplini sarcina j. De exemplu, un manager trebuie s repartizeze sarcini de execuie la 4 maini (fiecrei maini i revine o sarcin de lucru) sau managerul repartizeaz cte un proiect fiecrei echipe. n general timpul de lucru sau costul difer de la o main la alta sau de la o echip la alta. Scopul managerului este acela de a face acea alocare ce duce la minimizarea timpului de realizare a sarcinilor sau de minimizare a costului total. n urmtoarea problem scopul este de a asigna persoane care s rezolve anumite sarcini astfel nct s se minimizeze costul total aferent rezolvrii sarcinilor. Restriciile cer ca fiecrei sarcini s-i fie repartizat o persoan care s o rezolve i fiecare persoan s aib o sarcin de rezolvat.

86

Exist i probleme n care se urmrete maximizarea profitului obinut. Exemple: Problema 1 ntr-o companie, o anumit lucrare care presupune 4 (patru) operaii poate fi realizat doar de 4 (patru) muncitori cu o pregtire special. Managerul cunoate n urma unei analize costurile cu care fiecare din 4 cei muncitori realizeaz fiecare din cele 4 operaii. Acestea sunt prezentate n tabelul de mai jos: Operaia 1 Operaia 2 Operaia 3 Operaia 4 Muncitor 1 15 12 14 11 Muncitor 2 20 17 15 14 Muncitor 3 18 16 19 12 Muncitor 4 24 15 17 13

Obiectivul urmrit de manager este acela de a minimiza costul total rezultat n urma executrii celor 4 (patru) operaii. Acest lucru trebuie realizat n condiiile n care cele 4 (patru) operaii se execut simultan, deci fiecare din ele trebuie repartizat altui muncitor.

Cerine pentru problemele de alocare: Situaiile n care se aplic modelul de alocare au urmtoarele caracteristici: 1. Exist dou serii de date care trebuie mperecheate unu - la - unu. 2. Obiectivul este acela de a minimiza costurile (timpul sau distanele) sau de a maximiza profitul. 3. Se cunosc costurile sau profitul pentru fiecare pereche. Situaii speciale: Exist situaii care prezint abateri fa de cerinele prezentate anterior, cum ar fi: 1. Numrul de elemente din cele dou serii care trebuie mperecheate nu este acelai (egal). 2. Obiectivul de atins este o maximizare i nu o minimizare. 3. Anumite variante de mperechere sunt imposibile (nu sunt admise). 4. Exist mai multe soluii optime.

87

Exemplul anterior prezint cazul n care numrul de elemente din cele dou serii de date este egal. Putem acum s considerm o situaie n care trebuiesc executate 4 (patru) operaii pe 3 (trei) maini. n acest caz una din operaii va fi executat numai dup ce se va termina una din celelalte operaii. Pentru rezolvarea unei astfel de situaii vom introduce n tabelul care prezint costurile operaiilor pe maini o main virtual. Astfel una dintre operaii va fi repartizat unei maini inexistente, ceea ce arat c aceast operaie nu va fi executat simultan cu celelalte, ci ulterior. Operaia 1 15 23 20 0 Operaia 2 19 21 16 0 Operaia 3 12 18 11 0 Operaia 4 16 17 19 0

Maina 1 Maina 2 Maina 3 Maina virtual

Dac obiectivul problemei este maximizarea i nu minimizarea, trebuie fcut o operaie suplimentar i anume, se identific cea mai mare valoare din fiecare coloan i apoi se scad din aceasta celelalte valori din coloana respectiv. Cu tabelul modificat care s-a obinut se rezolv problema ca i cum ar fi o problem de minimizare. Valorile modificate se numesc costuri de oportunitate. Setul de valori rezultate n urma minimizrii costurilor de oportunitate asigur i maximizarea valorilor iniiale. Problema 2 n tabelul urmtor sunt prezentai timpii necesari fiecruia din 3 (trei) muncitori pentru executarea fiecreia din 3 (trei) operaii. S se minimizeze timpul total de executare a celor 3 (trei) operaii. Fiecare muncitor execut o singur operaie. Ce operaie va executa fiecare muncitor ? S se formuleze modelul de programare liniar al acestei probleme. Muncitor 1 Muncitor 2 Muncitor 3 Operaie 1 3 8 9 Operaie 2 5 9 2 Operaie 3 6 7 4

Xij=0 dac muncitorul i nu va executa operaia j Xij=1 dac muncitorul i va executa operaia j Tabelul cu variabilele de decizie devine: Muncitor 1 Operaie 1 X11 88 Operaie 2 X12 Operaie 3 X13

Muncitor 2 Muncitor 3 Funcia obiectiv :

X21 X31

X22 X32

X23 X33

Min (3X11 + 5X12 + 6X13 + 8X21 + 9X22 + 7X23 + 9X31 + 2X32 + 4X33) Restricii: X11+X12+X13=1 X21+X22+X23=1 X31+X32+X33=1 X11+X21+X31=1 X12+X22+X32=1 X13+X23+X33=1

Pe linii

Pe coloane

Xij=0 sau Xij=1 pentru i,j=1,2,3

Problema 3 (extensie a problemei 2) Dac exist 4 (patru) muncitori care pot executa fiecare oricare din cele 3 (trei) operaii, s repartizeze optim cei 3 (trei) muncitori pe cele 3 (trei) operaii i s identifice muncitorul care va fi exclus. n tabelul urmtor sunt prezentai timpii necesari fiecruia din cei 4 (patru) muncitori pentru executarea fiecreia din cele 3 (trei) operaii. Operaie 1 3 8 9 3 Operaie 2 5 9 2 2 Operaie 3 6 7 4 4

Muncitor 1 Muncitor 2 Muncitor 3 Muncitor 4

Rezolvarea problemelor utiliznd un produs software specializat. Exemple


Se folosete aplicaia Assignment Problem din programul NET.EXE componenta a pachetului de programe QSB.

89

Introducerea parametrilor:

Introducerea datelor:

Soluia final:

Interpretarea soluiei Deci, a rezultat urmtoarea repartizare a celor 3 (trei) muncitori pe cele 3 (trei) operaii: muncitorul 1 (unu) va executa operaia 1 (unu), muncitorul 3 (trei) operaia 3 (trei) i muncitorul 4 (patru) operaia 3 (trei). Muncitorul 2 (doi) va fi exclus.

90

7.3. Problema comisului voiajor


Problema comis-voiajor-ului presupune existena unui numr de noduri (locaii) i arcuri care leag toate nodurile. Obiectivul este acela de a parcurge toate nodurile (a vizita toate locaiile) o singur dat minimiznd distana parcurs. Pentru rezolvarea acestui tip de probleme exist algoritmi cum sunt (Ibidem): nearest neighbor heuristic; cheapest insertion heuristic; two-way exchange improvement heuristic); branch-and-bound. n prezent toi aceti algoritmi sunt implementai n diferite pachete de programe printre care se numr i QSB i care ofer un suport software eficient pentru rezolvarea rapid a acestor probleme. Formularea problemei. Exemple Cunoscndu-se distanele n km. dintre 8 (opt) orae prezentate n tabelul de mai jos, se cere s se determine traseul optim care s treac o singur dat prin fiecare ora astfel nct distana parcurs s fie minim. De la oraul 1 2 3 4 5 6 7 8 1 150 180 300 200 50 290 350 2 150 120 180 250 200 150 250 3 180 120 150 150 120 150 200 La oraul 4 5 300 200 180 250 150 150 300 300 320 100 25 300 60 350 6 50 200 120 320 100 300 350 7 290 150 150 25 300 300 90 8 350 250 200 60 350 350 90 -

Rezolvarea problemelor utiliznd un produs software specializat


Se folosete aplicaia Traveling Salesman Problem din programul NET.EXE componenta a pachetului de programe QSB. Dialogul pentru introducerea parametrilor problemei anterioare este:

91

Introducerea datelor:

Situaia final sub form tabelar:

Situaia final n form grafic:

92

Interpretarea soluiei Tabelul i graficul precedent prezint traseul optim care s treac o singur dat prin fiecare ora, astfel nct distana parcurs s fie minim (885 km.).

Rezumat
Unitatea de nvare ofer masteranzilor un bagaj de cunotine teoretice i practice care s le permit:

formularea i formalizarea problemelor de transport, alocare i cele de stabilire a unui traseu optim (problema comisului voiajor), n vederea gsirii soluiilor optime cu ajutorul algoritmilor clasici implementai n cadrul unui instrumentar software specializat;

dezvoltarea unor abiliti practice utile lucrului cu instrumente software specifice destinate rezolvrii acestor tipuri de probleme.

interpretarea rezultatelor obinute.

Aplicaii practice
Problema 1 n tabelul urmtor sunt prezentate valori ale profitului obinut n urma executrii produselor P1, P2, P3 pe utilajele A, B, C. P1 14 20 11 P2 22 18 12 P3 30 40 50

A B C

Se cere maximizarea profitului total realizat n urma executrii celor 3 (trei) produse. Informaii suplimentare Dup identificarea valorilor maxime din fiecare coloan (20, 22, 50) i dup scderea celorlalte valori din coloan din aceast valoare maxim, se obine urmtorul tabel (al costurilor de oportunitate): A B C P1 20-14=6 0 9 93 P2 22-22=0 4 10 P3 50-30=20 10 0

Problema 2 O companie care asigur service pentru calculatoare are 4 clieni notai C1, C2, C3 i C4. Aceast companie are 4 tehnicieni (T1,T2,T3,T4) pentru a asigura service-ul. Datorit specializrii diferite a acestora timpul necesar pentru nlturarea defectelor reclamate de fiecare dintre clieni este prezentat n urmtorul tabel. Clieni Tehnicieni T1 T2 T3 T4 C1 3 5 2 8 C2 6 6 8 6 C3 7 3 4 5 C4 10 8 16 9

Managerul acestei companii dorete s afle ce tehnician s repartizeze pentru fiecare client astfel nct s minimizeze timpul total de remediere a defeciunilor pentru cei 4 (patru) clieni.

94

Unitatea de nvare nr. 8


8. Analiza unui sistem cu ajutorul lanurilor Markov
8.1. Probabilitile de trecere. Exemple 8.2. Comportarea sistemului analizat. Exemple Metoda arborelui Metoda algebric 8.3. Rezolvarea problemelor utiliznd un produs software specializat 8.4. Probleme propuse spre rezolvare

Rezumat i aplicaii practice

Obiective:
Obiectivele unitii de nvare sunt: s ofere masteranzilor cunotine necesare i suficiente pentru analiza sistemelor; nelegerea evoluiei n timp a sistemelor respective n vederea fundamentrii deciziilor pe termen scurt referitoare la repartizarea forei de munc, a capacitilor de producie, a stocurilor i a fondurilor bneti, dar i deciziile de perspectiv privind amplasarea unor capaciti de producie sau a unor puncte de asigurare a service-ului. deciziile curente vor conduce la adoptarea unor strategii de modificare a preurilor, de gestionare corect a reclamei sau pentru acordarea unor faciliti promoionale.

Not
Un sistem, pentru a putea fi analizat cu ajutorul lanurilor Markov, trebuie s prezinte urmtoarele caracteristici (Ibidem): s opereze pe un numr de intervale de timp; n fiecare din perioadele de timp sistemul se poate afla ntr-un numr finit de stri; strile n care se afl un sistem ntr-o anumit perioad se exclud reciproc (sistemul se afl ntr-o perioad n una i numai n una din strile posibile); trecerea sistemului dintr-o stare n alta n perioade diferite poate fi descris prin probabilitile de trecere, care rmn constante;

95

probabilitatea ca sistemul s se afle ntr-o anumit stare ntr-un anume interval depinde numai de starea sistemului n perioada anterioar i de probabilitile de trecere dintr-o stare n alta. Pot fi analizate, folosind lanurile Markov, urmtoarele tipuri de probleme: opiunile pe pia pentru anumite tipuri de produse sau servicii din aceeai gam; opiunile pentru anumite posturi TV; napoierea bunurilor nchiriate; funcionarea mainilor i utilajelor (trecerile succesive prin strile operaional-neoperaional) etc. 8.1. Probabilitile de trecere. Exemple Probabilitile de trecere arat tendina unui sistem (care poate fi descris ca un proces Markov) de a se modifica de la o perioad (interval de timp) la alta. Exemplul urmtor asigur o mai bun nelegere a acestui tip de probleme. Formularea problemei

O societate de nchirieri maini are dou agenii amplasate una n centrul oraului i una n apropierea aeroportului. Persoanele care nchiriaz maini de la una din agenii le pot napoia la oricare din cele dou (se consider c este vorba despre un sistem nchis n care toate mainile nchiriate sunt napoiate). Acele maini care nu ndeplinesc aceast condiie (nu rmn n circuitul celor napoiate) sunt scoase din sistem i tratate separat. Se mai presupune c toate nchirierile au durata de o zi, deci la sfritul fiecrei zile mainile se vor afla la una din cele dou agenii. Se presupune c urmrindu-se activitatea ageniilor o perioad de timp s-a constatat c 70% din mainile nchiriate de la agenia aflat n centru au fost napoiate tot acolo iar 30% la agenia de la aeroport i c 90% din mainile nchiriate de la agenia de lng aeroport au fost napoiate tot acolo n timp ce 10% din acestea au fost napoiate la agenia din centru. Aceste informaii sunt prezentate n tabelul urmtor: mprumutat de la: napoiat la: Agenia-centru (A) 0.7 0.1 Agenia-aeroport (B) 0.3 0.9

Agenia-centru Agenia-aeroport

96

Deoarece s-a fcut presupunerea c toate mainile nchiriate sunt napoiate la una din cele dou agenii, totalul pe fiecare linie este de 1.0 (100%) dar acest lucru nu se aplic i pe coloane pentru c acestea se refer la modul de napoiere a mainilor. Probabilitatea de trecere 0.7 (70%) reprezint proporia (procentul) de maini nchiriate de la agenia din centru care se ateapt s fie napoiate la aceeai agenie. Probabilitatea de trecere 0.3 (30%) reprezint proporia (procentul) de maini nchiriate de la agenia din centru care se ateapt s fie napoiate la agenia de la aeroport. Cunoscnd c numrul total de maini din cele dou agenii este 200 i c distribuia iniial a mainilor este: 120 maini la agenia din centru (A) i 80 de maini la agenia din aeroport (B), managerul societii, n vederea lurii unor decizii privind amplasarea unor uniti de service, dorete s afle: 1. n ce proporie vor fi napoiate mainile la fiecare agenie dup o perioad de timp (cteva zile). Aceast informaie este util pentru planificarea muncii la fiecare din cele dou agenii. 2. n ce proporie vor fi napoiate mainile la fiecare agenie dup o perioad mai lung de timp.

8.2. Comportarea sistemului analizat Probabilitile de trecere influeneaz att comportarea pe termen lung a sistemului ct i comportarea lui pe termen scurt. Comportarea sistemului pe termen scurt depinde de starea sistemului n perioada (intervalul de timp) actual i de probabilitile de trecere. Astfel, numrul de maini napoiate la fiecare din agenii este o funcie care depinde de probabilitile de trecere i de numrul mainilor nchiriate de la fiecare agenie n perioada anterioar. Cunoaterea numrului de maini existente la fiecare agenie la un moment dat constituie punctul de pornire pentru aflarea comportrii sistemului pe termen scurt. Numrul de maini existente la fiecare agenie n perioada (intervalul de timp) anterioar influeneaz numrul acestora pentru urmtoarele cteva perioade. Comportarea pe termen lung a sistemului presupune c acesta nu va fi afectat de numrul de maini existente iniial la fiecare agenie, altfel spus, procentul de maini care vor fi napoiate la fiecare agenie dup o perioad mai lung de timp nu va fi influenat de condiiile

97

iniiale. Proporiile (probabilitile la care se stabilizeaz sistemul dup o perioad mai lung de timp se numesc proporii stabilizate, ferme (steady-state proportions or probabilities). Nu toate sistemele prezint tendina de a se stabiliza, unele au tendina de a cicla iar altele de a converge ctre o stare absolut. Obiectul prezentrii urmtoare l reprezint doar sistemele al cror comportament se stabilizeaz n timp. Tendinele de evoluie pe termen scurt i pe termen lung sunt prezentate n figura urmtoare: Procentul napoierilor la aeroportul din centru (A)

1.0 nchiriate de la (A) 0.7

0.1 2 4 6

nchiriate de la (B) Perioada 8 20

n primele cteva intervale de timp numrul iniial de maini de la fiecare agenie are un efect sesizabil asupra proporiei napoierilor dar dup aproximativ 10 intervale de timp efectul lor este din ce n ce mai mic. Orice lan Markov este definit complet prin matricea sa stochastic (o matrice ptratic) i prin distribuia iniial (care este o matrice linie). n cazul problemei prezentate, aceste matrici sunt: Matricea stochastic: (0,7 (0,1 0,3) 0,9) diagonala principal a acestei matrici reprezint coeficientul de fidelitate

Distribuia iniial este:

(0,6

0,4)

(120/200=0,6 i 80/200=0,4)

98

Observaie: Dac o problem nu ar avea distribuia iniial, atunci aceasta se consider cu probabiliti egale. Astfel, pentru exemplul de mai sus distribuia iniial ar fi: (0,5 0,5) Indiferent de distribuia iniiala, stabilizarea (steady state) va fi aceeai. Comportarea acestor sisteme pe termen scurt poate fi descris prin folosirea metodei diagramei arborescente sau a matricilor de multiplicare. Comportarea pe termen lung se poate analiza teoretic similar prin oricare din cele dou metode (diagramele arborescente sau matricile de multiplicare), dar din considerente practice, atunci cnd se lucreaz manual, aceste metode nu se aplic deoarece sunt laborioase. Cel mai adesea se utilizeaz (manual), metoda algebric. Metoda arborelui Aceast metod const dintr-o serie de ramuri care reprezint posibilele variante de evoluie a sistemului n fiecare perioad n funcie de probabilitile de trecere.

Perioada 1 nchiriat din centru (A) A 0.3 0.1. 0.9 B 0.7 A 0.7 0.3 2

Probabiliti

A B A

0.49 0.21 0.03

B nchiriat de la aeroport (B) B 0.7 A 0.1 0.9 0.1. 0.9 B B 0.3 B A A

0.27 0.07 0.03 0.09

0.81

99

Avnd iniial 100 de maini la agenia din centru (A) i 80 la cea de la aeroport (B) rezult la sfritul celei de-a doua perioade: Maini la A: Maini la B: 100*(0.49+0.03)+80*(0.07+0.09)= 64.8 maini 100*(0.21+0.27)+80*(0.03+0.81)=115.2 maini

Aceast metod are dezavantajul c devine complicat atunci cnd sunt mai multe elemente n sistem i cnd se dorete studiul sistemului pentru un interval de timp mai ndeprtat de cel curent ( 3,4.). Metoda algebric Ecuaiile algebrice necesare modelrii pe termen lung a comportrii sistemului i aflrii probabilitilor stabilizate sunt urmtoarele: Matricea de trecere, reprezentat prin probabilitile de trecere este: A 0.7 0.1 B 0.3 0.9

A B

Notm cu: A = proporia de maini napoiate n centru. B = proporia de maini napoiate la aeroport. Sistemul de ecuaii devine:

A=0.7A+0.1B B=0.3A+0.9B A+B=1

Eliminm una din primele 2 ecuaii pentru c avem 2 necunoscute i 3 ecuaii. Prin rezolvare obinem: B=1-A => A=0.25 B=0.75

100

Dac iniial aveam 400 respectiv 300 de maini n ageniile A respectiv B ar fi rezult c, atunci cnd sistemul atinge stadiul de stabilizare i cu condiiile acceptate la nceput (rmn toate n sistem, probabiliti de trecere constante, nu apar stri noi n care se pot afla mainile): A=0.25*700=175 maini B=0.75*700=525 maini

8.3. Rezolvarea problemelor utiliznd un produs software specializat Se folosete programul MPK.EXE componenta a pachetului de programe QSB Introducerea parametrilor:

Introducerea datelor:

Soluia final:

101

Intrepretarea soluiei Cunoaterea numrului de maini existente la fiecare agenie, la un moment dat, constituie punctul de pornire pentru aflarea comportrii sistemului pe termen scurt. Numrul de maini existente la fiecare agenie n perioada (intervalul de timp) anterioar influeneaz numrul acestora pentru urmtoarele cteva perioade. Deci, soluia prezint probabilitilor stabilizate adic: proporia de maini napoiate n centru (A), respectiv proporia de maini napoiate la aeroport (B). Cu ajutorul acestor probabiliti, se poate cunoate numrul de maini existente intr-un interval de timp specificat.

8.4. Probleme propuse spre rezolvare Problema 1 Un studiu de pia a relevat tendinele de cumprare ale clienilor unei game de produse similare. n urma studiului s-a stabilit c 50% din clienii care n aceast sptmn cumpr produsul A vor cumpra i sptmna urmtoare acelai produs, 30% vor cumpra produsul B i 20% produsul C. Din cei care n aceast sptmn cumpr produsul B 50% vor cumpra sptmna urmtoare produsul A i 20% produsul C. Totodat, din cei care n aceast sptmn cumpr produsul C, 50% vor cumpra sptmna urmtoare produsul A i 30% vor cumpra produsul B. a) Scriei matricea probabilitilor de trecere b) Care sunt probabilitile stabilizate pe termen lung pentru cele trei produse? Problema 2 n urma unui studiu s-a determinat probabilitatea ca o main s se defecteze. S-a constatat c aceasta depinde de faptul c maina a fost reparat n ziua anterioar sau c n ziua anterioar a fost funcional. Probabilitile respective sunt prezentate n tabelul urmtor:

102

Mine n funciune Azi n funciune Defect 0.88 0.96 Defect 0.12 0.04

a) Avnd n vedere c maina este defect astzi, care este probabilitatea ca ea s fie defect i mine? b) Care este probabilitatea ca maina s fie defect peste dou zile? Dar peste trei zile?

Rezumat
Unitatea de nvare ofer masteranzilor un bagaj de cunotine teoretice i practice care s le permit: nelegerea evoluiei n timp a sistemelor i analiza acestora n vederea fundamentrii deciziilor pe termen scurt referitoare la repartizarea forei de munc, a capacitilor de producie, a stocurilor i a fondurilor bneti; luarea unor decizii de perspectiv privind amplasarea unor capaciti de producie sau a unor puncte de asigurare a service-ului; luarea unor decizii care vor conduce la adoptarea unor strategii de modificare a preurilor, de gestionare corect a reclamei sau pentru acordarea unor faciliti promoionale etc..

ntrebri recapitulative
1. Cum definii probabilitatea de trecerea? 2. Probabilitatea de trecere influeneaz comportarea sistemul pe tremen lung sau scurt? 3. Ce elemente definesc complet un lan Markov? 4. Ce metode pot descrie comportarea unui sistem pe termen scurt? Dar pe termen lung? 5. Care este programul, component a pachetului de programe QSB folosit n rezolvarea problemelor de acest tip?

103

Unitatea de nvare nr. 9


9. Probleme de aranjare (Facility layout)
9.1. Amplasarea compartimentelor (departamental layout, functional layout). Exemple. 9.2. Rezolvarea problemelor utiliznd un produs software specializat. Exemple 9.3. Echilibrarea liniilor de producie (Assembly line balancing). Exemple 9.4. Rezolvarea problemelor utiliznd un produs software specializat. Exemple

Rezumat i aplicaii Obiective:

Obiectivele unitii de nvare sunt: s ofere masteranzilor cunotine necesare i suficiente pentru formularea i nelegerea problemelor din categoria amplasrii compartimentelor i echilibrarea liniilor de producie; dezvoltarea unor abiliti practice utile lucrului cu instrumente software specifice destinate rezolvrii acestor tipuri de probleme.

s ofere masteranzilor un bagaj de cunotine teoretice i abiliti practice care s le


permit interpretarea rezultatelor obinute.

Not
Vor fi prezentate n continuare dou tipuri caracteristice de probleme din categoria problemelor de aranjare (Ibidem): 1. Amplasarea compartimentelor (departamental layout). 2. Echilibrarea liniilor de asamblare (assembly line balancing). Pentru o mai bun nelegere aceste tipuri de probleme vor fi prezentate prin intermediul unor exemple.

104

9.1. Amplasarea compartimentelor (departamental layout, functional layout Exemplu Se va considerta o instituie ale crei compartimente sunt dispuse ca n imaginea de mai jos. Exist n total 11 compartimente numerotate: 1, 2, 3,,9, A, B. Vom presupune c instituia se afl pe un singur nivel (are doar parter) i c podeaua instituiei este mprit n linii orizontale i verticale adic n rnduri i coloane ale cror intersecii formeaz ptrate, (celule de dimensiuni egale), similar unei table de ah. n cazul exemplului dat, exist 16 rnduri i 14 coloane.
Coloane 1 2 3 4 5 6 7 8 9 0 1 2 3 4 =========================== 1 1 1 1 1 1 1 2 3 3 3 3 3 3 3 2 1 1 1 1 1 1 2 3 3 3 8 8 8 8 8 8 8 3 3 4 8 8 3 3 3 3 3 3 3 5 8 8 5 5 4 4 4 4 4 6 8 8 5 5 4 4 7 8 8 6 6 4 4 8 8 8 6 6 4 4 9 8 8 7 7 4 4 10 8 8 7 7 4 4 4 4 4 11 8 8 A A A A B B B 12 8 8 8 8 8 8 8 A A B B 13 9 9 9 9 9 9 9 A A B B 14 9 9 A A B B 15 9 9 A A B B 16 9 9 9 9 9 9 9 A A A A B B B

Rnduri

Dimensiunile celor 11 compartimente pot fi deduse din figura de mai sus. De exemplu, amplasamentul compartimentului 9 ine de la rndul 13 coloana 1, la rndul 16 coloana 7 inclusiv. Amplasamentul compartimentului 5 acoper o suprafa cuprins ntre rndul 5 coloana 8 i rndul 6 coloana 9 care ntr-o alt exprimare poate fi scris ca (5,8)-(6,9) . Managerul instituiei dorete s schimbe modul de amplasare al compartimentelor (prezentate mai sus), astfel nct activitatea instituiei s fie ct mai eficient. Schimbarea modului de aranjare a compartimentelor trebuie s in seam de urmtoarele reguli: suprafaa total a instituiei nu se poate modifica; un compartiment nu poate fi mprit n mai multe pri disparate; amplasamentul su trebuie s cuprind un lot compact de celule. Ceea ce poate fi modificat este: modul cum sunt amplasate compartimentele unul fa de cellalt; 105

forma diferitelor compartimente. Pentru a amplasa ct mai eficient compartimentele, este nevoie s se cunoasc fluxurile sau gradul de interaciune dintre compartimente (fluxuri de materiale, de persoane, de documente). n mod logic, compartimentele ntre care exist o interaciune (un flux) mai mare ar trebui amplasate mai aproape unele de altele dect cele ntre care interaciunea (fluxul) este mai redus. De exemplu, dac instituia este o fabric, se vor amplasa seciile fabricii astfel nct s se minimizeze suma tuturor produselor dintre distana de la secia i la secia j (dij) i cantitatea care reprezint fluxul de la secia i la secia j (cij): Min dij x cij

i,j=1,n

Cuantificrile fluxurilor (interaciunilor) dintre compartimente, pentru exemplul dat, reprezint, de asemenea (ca i amplasarea iniial), date de intrare pentru model i sunt prezentate n tabelul de mai jos:
La: De la: 1 2 3 4 5 6 7 8 9 A B 1 100 10 10 10 15 2 40 30 20 3 40 30 40 4 20 100 30 50 80 10 5 30 10 70 6 5 80 40 40 30 20 7 20 90 8 10 40 30 30 10 9 50 90 50 A 30 10 60 40 55 B 150 20 -

106

9.2. Rezolvarea problemelor utiliznd un produs software specializat Problema enunat poate fi rezolvat cu ajutorul aplicaiei Functional Layout, component a programului Fll.exe (Facility Location and Layout) din pachetul de programe QSB: Parametrii problemei:

Introducerea datelor:

Se poate observa c poziia iniial a fiecrui compartiment este dat de rndul i coloana (poziia) colurilor opuse de pe diagonala principal. De exemplu compartimentul 1 ine de la (1,1) (rndul 1, coloana 1) la (2,6) (rndul 2, coloana 6). Este de reinut faptul c pachetul de programe QSB cere folosirea parantezelor rotunde ( ) pentru introducerea poziiilor amplasamentului iniial, i nu a parantezelor ptrate [].

107

Remarcm faptul c n rezolvarea acestei probleme este necesar s stabilim modalitatea de calcul a distanei dintre dou locaii. Dac (xi,yi) i (xj,yj) reprezint coordonatele a dou locaii i i j, atunci distana dintre ele poate fi calculat folosind modelul: rectiliniar, ceea ce presupune calculul distanei dintre i i j ca: |xi-xj|+|yi-yj| Euclidian, ceea ce presupune calculul distanei dintre i i j ca: [(xi-xj)2 + (yi-yj)2]0.5 ptrat Euclidian, ceea ce presupune calculul distanei dintre i i j ca: (xi-xj)2 + (yi-yj)2

Modelul rectiliniar este folosit, mai ales, atunci cnd studiem modul de aranjare a seciilor fabricilor, a oraelor americane etc. n general atunci cnd aranjarea se face dup o gril de dreptunghiuri. Din acest motiv modelul de msurare a distanei se mai numete sistemul de msurare Manhattan. Modelul Euclidian se folosete acolo unde se poate trasa o linie dreapt, la fel ca i modelul ptratic Euclidian, numai c acesta din urm realizeaz i o descurajare a distanelor foarte mari (ridicarea la ptrat a unor numere mari, care reprezint distane, are ca rezultat numere i mai mari care fac parte din funcia obiectiv pe care dorim s o minimizm). Rezultatul obinut prin rezolvarea cu aplicaia QSB, folosind modelul rectiliniar de msurare a distanei dintre secii, a fost prezentat mai jos. Menionm c s-a ales ca opiune de rezolvare a problemei schimbarea simultan a amplasrii a dou compartimente (secii).

108

Dup fixarea opiunilor i apsarea butonului <OK> aplicaia caut o aranjare mai bun schimbnd poziia a dou departamente. Se ncearc toate variantele posibile i se alege acea variant care mbuntete cel mai mult funcia obiectiv prin schimbarea poziiei a dou compartimente. Soluia final i interpretarea ei:

Noul amplasament al compartimentelor propus de program este prezentat mai jos:


1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1 1 3 8 8 8 8 8 8 8 8 8 8 8 8 8 8 2 1 3 8 5 1 3 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 3 1 3 8 4 1 3 8 6 1 3 9 9 9 9 9 9 9 9 9 9 9 9 9 9 7 1 3 9 9 9 9 9 9 9 9 9 9 9 9 9 9 8 1 3 2 3 5 5 6 6 7 7 4 4 4 4 4 4 9 1 3 2 3 5 5 6 6 7 7 4 1 2 3 4 1 1 3 3 3 3 3 3 3 3 3 3 A A A A A A A A A A A A A A A A 4 B B B 4 B B 4 B B 4 B B 4 B B 4 4 4 B B B 0 1 3 3 3 4 4 4 4 4 4 4

109

Cu un cost total de 10189 acest nou aranjament al compartimentelor mbuntete considerabil costul, care iniial avea o valoare de 14147.5 . Acest cost de 10189 se obine n condiiile n care se utilizeaz modelul rectiliniar de calcul a distanei dintre compartimente i fiecare compartiment se consider a fi amplasat n centrul ei. Astfel, compartimentul 1 are centrul pe linia 1) deoarece el este amplasat n ntregime n linia 1) i pe coloana 6.5 (deoarece secia se ntinde de la coloana 1 la coloana 12 inclusiv). Se alege coloana 6.5 deoarece se consider c aceast coloan are 6 coloane n stnga i 6 coloane n dreapta. Tabelul de mai jos prezint centrul calculat pentru fiecare din compartimentele prezentate n exemplul nostru.

O soluie mai bun a problemei se poate obine alegnd alt opiune iniial, cum ar fi: schimbarea a 3 compartimente; schimbarea a 2 i apoi a 3 compartimente; schimbarea a 3 i apoi a 2 compartimente. Pentru exemplul dat, aa cum se vede n imaginea de mai jos, opiunea Schimbarea a 3 i apoi a 2 compartimente conduce la o soluie mbuntit a problemei.

110

n ambele amplasamente prezentate mai sus compartimentul 1 este amplasat de-a lungul primului rnd. n cazul n care considerm din anumite motive c ar fi mai potrivit amplasamentul iniial al compartimentului, pe primele 2 rnduri avem posibilitatea s stabilim c poziia acestui compartiment este fix i dac folosim opiunea de mbuntire a soluiei prin schimbarea a 3 i apoi a 2 compartimente vom obine:

111

9.3. Echilibrarea liniilor de producie (Assembly line balancing). Exemple n problemele de echilibrare a liniilor de producie (de asamblare) se propune gruparea operaiile individuale (tasks) n grupuri de operaii executate la un punct de lucru (workstations), astfel nct aceste puncte de lucru s funcioneze ct mai puin n gol (s fie ct mai puin timp n lips de lucrri). Pentru a ilustra acest tip de problem, se va considera o firm de confecii care dorete s-i optimizeze producia unui anumit tip de costum. Linia de asamblare pentru producerea acestui costum presupune realizarea a 10 operaii individuale, durata fiecrei operaii i operaia imediat urmtoare sunt prezentate n tabelul de mai jos: Operaia elementar 1 2 3 4 5 6 7 8 9 10 Durata (secunde) 40 30 50 40 6 25 15 20 18 30 Operaia care urmeaz 2,3 4,5 6,7 8 8 9 9 10 10 -

Se observ c operaiile 2 i 3 nu pot ncepe pn nu se termin executarea operaiei 1, operaiile 4 i 5 nu pot ncepe pn nu se termin executarea operaiei 2 .a. Reprezentarea grafic a acestui proces de producie sub form de diagram este:

112

n imaginea de mai jos este prezentat o posibil grupare a operaiilor n 3 (trei) puncte de lucru (PL1, PL2, PL3). Se consider c operaiile executate la acelai punct de lucru sunt executate succesiv (una dup cealalt) de ctre un singur muncitor i c activitatea se desfoar n acelai timp la toate punctele de lucru.

Gruparea operaiilor n puncte de lucru prezentat mai sus face ca durata operaiilor executate la punctul de lucru PL1 s fie de 120 secunde, la punctul de lucru PL2 s fie 66 secunde iar la punctul de lucru PL3 s fie 88 secunde. La un anumit moment, de la punctul de lucru PL1 se transfer materialul prelucrat la punctul de lucru PL2, de la acesta la punctul de lucru PL3 iar apoi se trece materialul prelucrat la o alt faz a procesului de producie. Aceast modalitate de transfer a materialului prelucrat de la un punct de lucru la altul presupune ca transferul s aib loc numai n momentul n care n cadrul fiecrui punct de lucru au fost executate toate operaiile individuale. Ea (aceast modalitate) are avantajul c nu necesit existena unor puncte intermediare de depozitare i c prelucrarea ncepe imediat ce materialul a fost transferat, punctul de lucru fiind liber. n cele mai multe cazuri punctele de lucru sunt amplasate unul lng cellalt, deci nu se mai pierde timp suplimentar cu transportul. Modalitatea descris mai sus poart numele de proces n pai, adic sistemul avanseaz cu viteza celui mai ncet punct de lucru. Deoarece soluia de grupare a operaiilor n puncte de lucru respect toate condiiile tehnologice precizate n enun, putem spune c am stabilit o variant de linie de asamblare cu

113

3 (trei) puncte de lucru, viteza liniei de asamblare fiind de 120 de secunde. Problema care se pune este aceea de a echilibra aceast linie de asamblare n sensul de a afla care este cea mai bun grupare a operaiilor n staii de lucru astfel nct s obinem o anumit vitez a sistemului (s se produc un numr de uniti ntr-o perioad dat de timp). Presupunnd c dorim s producem 60 de uniti de produs pe or, vom avea nevoie practic s producem o unitate de produs la fiecare 60 (3600/60) de secunde. Avnd n vedere c o linie de asamblare este alctuit din puncte de lucru nseamn c la fiecare 60 de secunde trebuie s se produc schimbarea materialului prelucrat ntre punctele de lucru. Timpul total de prelucrare este de 40+30++18+30=274, ceea ce presupune c avem nevoie de cel puin 274/60=4.6, deci 5 puncte de lucru pentru a asigura ca o unitate de produs s fie prelucrat la fiecare 60 de secunde. Avnd ns n vedere constrngerile tehnologice legate de succesiunea operaiilor, nu exist nici un fel de garanie c cele 5 puncte de lucru vor asigura un flux de 60 de uniti pe or. 9.4. Rezolvarea problemelor utiliznd un produs software specializat Problema enunat poate fi rezolvat cu ajutorul aplicaiei Line Balancing, component a programului Fll.exe (Facility Location and Layout) din pachetul de programe QSB: Datele iniiale i datele de intrare se transmit aplicaiei conform dialogului i machetei matriciale prezentate mai jos. Se observ c exist posibilitatea de a stabili i anumite operaii izolate, adic operaii care pot fi executate oricnd n cadrul procesului i care nu au predecesori sau succesori.

114

n continuare este prezentat soluia furnizat de pachetul de programe, utilizndu-se ca metod de gsire a soluiei "Optimizing Best Bud Search", aceasta asigurnd gsirea unei soluii cu un numr minim de puncte de lucru care s satisfac cerinele tehnologice de respectare a succesiunii operaiilor.

115

n continuare sunt prezentate, sub form de diagram, punctele de lucru i operaiile, aa cum rezult din soluia furnizat de calculator. Observm c ordinea de parcurgere a punctelor de lucru este: PL1, unde se execut operaia 1, apoi PL2, unde se execut operaia 3, apoi PL3, unde se execut operaiile 2 i 6 etc.

Aplicaia furnizeaz o soluie cu 6 (ase) puncte de lucru, fiecare avnd un disponibil de 60 de secunde pentru executare operaiilor repartizate lor. n total rezult un timp disponibil de 60*6=360 de secunde. Timpul necesar pentru executarea tuturor operaiilor este de 274 de secunde, deci rezult un timp de staionare de 360-274=86 secunde pentru un ciclu de producie. Astfel, rezult c (274/360)*100=76.11% din timpul total disponibil este folosit pentru producie, ceea ce mai este cunoscut sub numele de eficien a ciclului de producie i (86/360)*100=23.89% din timpul total disponibil este neutilizat, care mai este cunoscut sub numele de ntrziere a ciclului de producie. ntr-un proces ideal timpul neutilizat ar trebui s fie 0, deci la nici unul dintre punctele de lucru s nu existe timp neproductiv. Pentru a ne apropia ct mai mult de acest deziderat se pot ncerca mai multe variante de cicluri de timp n care s fie furnizat un anumit numr de uniti de produs. n continuare este prezentat soluia problemei n condiiile n care se dorete producerea a 65 de uniti de produs pe or (un ciclu de producie de 55 de secunde).

116

Rezumat
Unitatea de nvare ofer masteranzilor un bagaj de cunotine teoretice i practice care s le permit: formularea i nelegerea problemelor din categoria amplasrii compartimentelor i echilibrarea liniilor de producie; dezvoltarea unor abiliti practice utile lucrului cu instrumente software specifice destinate rezolvrii acestor tipuri de probleme;

interpretarea rezultatelor obinute.

Aplicaie practic
a) S se defineasc o problem de echilibrare a liniilor de producie. b) S se construiasc modelul corespunztor i s se rezolve folosind un software specializat. 117

Unitatea de nvare nr. 10


10. Elemente fundamentale de analiz statistic
10.1. Caracteristicile statistice, variabile i scale de msurare 10.2. Mrimile medii, indicatorii variaiei i asimetriei. Exemple 10.3. Valorile medii de poziie i de structur. Exemple 10.4. Indicatorii variaiei i asimetriei. Exemple 10.5. Scorurile standard, curba normal i ipoteze statistice. Exemple 10.6. Coeficientul de corelaie Pearson i Sperman

Rezumat i test de autoevaluare

Obiective:
Obiectivele unitii de nvare sunt:

Clarificarea unei terminologii statistice cu care se va opera n programul SPSS. nelegerea unor elemente fundamentale de statistic, necesare n analize, care vor include: caracteristicile statistice, variabile i scale de msurare, mrimile medii, indicatorii variaiei i asimetriei, valorile medii de poziie i de structur, scorurile standard, curba normal, ipotezele statistice.

nelegerea rolului coeficienilor de corelaie Pearson i Sperman n analize statistice i interpretarea rezultatlor. 10.1. Caracteristicile statistice, variabile i scale de msurare Caracteristicile statistice reprezint nsuirile fenomenelor studiate. Astfel putem deosebi

caracteristici variabile ca form de manifestare sau ca nivel de dezvoltare. Caracteristicile statistice pot fi clasificate dup: coninutul caracteristicii: de timp, de spaiu sau atributive; natura variaiei: cu variaie continu, discontinu; modul de obinere: primare, derivate; forma de manifestare: alternative, nealternative.

118

Caracteristicile statistice care pot avea mai mult dect o singur valoare cu care variaz n funcie de o serie de factori se mai numesc i variabile statistice, iar formele de manifestare ale acestor caracteristici se numesc variante. Variabilele pot fi: dependente dac sunt spuse influenei altor variabile; independente dac sunt variabile ce influeneaz alte variabile; continue dac au un numr infinit al nivelurilor de msurare; discrete dac au un numr finit al nivelurilor de msurare. Dac variabila se refer la caracterstica supus msurrii, scalele de msurare se refer la modalitatea de msurare. Programul SPSS utilizeaz urmtoarele scale de msurare: Scal valorile numerice ale datelor se reprezint pe un interval sau printr-un raport. Exemplu: vrsta, venitul, temperatura, lungimea, timpul de rspuns. Variabilele reprezentate i msurate pe scal trebuie s aib valori numerice. Nominale se utilizeaz atunci cnd valorile datelor unei variabile reprezint valori de ordin neintrinsec n funcie de existena sau inexistena unei caracteristici. Exemplu: apartenena la o anumit categorie de funcii de ncadrare sau sexul: 1 masculin, 2 feminin. Ordinale (de ordin sau de rang) se folosesc atunci cnd valorile datelor reprezint categorii de ordin intrinsec care pot fi puse ntr-o anumit ordine de msurare. Exemplu nivelul de pregtire: sczut, mediu, nalt. Chiar dac o variabil (caracteristic) poate fi msurat, pe oricare dintre tipurile de scale prezentate, este foarte important n prelucrrile statistice ca pentru ea s fie aleas scala cea mai potrivit. 10.2. Mrimile medii, indicatorii variaiei i asimetriei. Exemple Mrimile medii n analiza statistic se utilizeaz foarte frecvent mrimile medii deoarece pe baza lor se poate exprima ntr-o anumit msur tendina unor fenomene. Aceste mrimi fac parte din cadrul indicatorilor derivai i au un caracter abstract. Pentru a determina valoarea tendinei centrale a unei serii statistice se utilizeaz: media aritmetic, media armonic, media ptratic i media geometric. Toate aceste medii se pot calcula ca medii simple sau ca medii ponderate (A.Field, 2005).

119

Media aritmetic Formula matematic de exprimare a mediei aritmetice simple este:


n

xi
i=1

X=

unde: X este media aritmetic simpl; xi reprezint termenii individuali ai seriei (x1, x2, xn) iar suma acestora este: x1 + x2 + + xn = n

xi
i=1

reprezint numrul de termeni pentru care se calculeaz media.

Exemplu: n urmtorul tabel sunt prezentate notele obinute la teste i la interviu de ctre 5 (cinci) studeni care s-au prezentat pentru promovarea unui examen: Nume studeni Student 1 Student 2 Student 3 Student 4 Student 5 Note la testul 1 10 7 7 9 10 X = 43/5 = 8,60 Note la testul 2 9 7 8 9 9 X = 42/5 = 8,40 Note la interviu 8 8 9 8 7 X = 40/5 = 8,00

n ultima linie a tabelului s-au calculat mediile aritmetice simple pentru teste i interviu. Mrimile medii ponderate se pot calcula atunci cnd fiecrei variante a unei caracteristici i se poate ataa o frecven. Formula de calcul a mediei aritmetice ponderate este:

xifi
Xp =
i=1

unde:
Xp

fi
i=1

xi fi

este media aritmetic ponderat; reprezint termenii variantelor (x1, x2, xn); reprezint frecvena sau ponderea fiecrei variante; reprezint numrul variantelor pentru care se calculeaz media.

120

Exemplu:

Dac datele vor fi organizate astfel nct s evidenieze frecvenele pentru notele obinute n dou variante (varianta 1 corespunztoare intervalului de note cuprinse ntre 9 i 10 i varianta 2 pentru intervalul de note cuprinse ntre 7 i 8), atunci termenii variantelor vor trebui calculai ca fiind mijlocul fiecrui interval. n acest caz vom obine urmtorul tabel: Variante 9 - 10 7-8 Media ponderat Mijlocul de interval (xi) 9,5 7,5 Frecven note test 1 (fi)1 3 2 Xp = 8,7 Frecven note test 2 (fi)2 3 2 Xp = 8,7 Frecven note interviu (fi)3 1 4 Xp = 7,9

O alt aplicaie a mediei ponderate este atunci cnd se utilizeaz ponderi (coeficieni de importan) pentru termenii individuali ai seriei sau pentru intervale. Pentru exemplificare vom presupune c se dorete ca notele obinute la proba interviu s fie ponderate astfel: Nota 10 9 8 7 6 Pondere 0,4 0,3 0,2 0,1 0

Dac se lucreaz cu ponderi subunitare, atunci ntotdeauna suma ponderilor acordate trebuie s fie 1. n cazul utilizrii valorilor procentuale, suma ponderilor va trebui s fie 100. Revenind la primul tabel, conform ponderilor dorite vom avea: Note interviu 8 8 9 8 7 Xp = 7,5 Media armonic Media armonic a termenilor unei serii se definete ca fiind acea valoare a crei mrime invers este media aritmetic rezultat din valorile inverse ale termenilor aceleiai serii. Dac x1, x2, xn reprezint termenii seriei, atunci valorile lor inverse vor fi: 121 Ponderi 0,2 0,2 0,3 0,2 0,1 -

1 , 1 ,, 1 . x1 x2 xn Formula de calcul a mediei armonice simple este: unde:


Xa

Xa =

1/ xi
i=1

xi

este media armonic simpl; reprezint termenii individuali ai seriei (x1, x2, xn); reprezint numrul de termeni pentru care se calculeaz media.

Exemplu: Pentru exemplul anterior, mediile armonice calculate vor fi: Nume studeni Student 1 Student 2 Student 3 Student 4 Student 5 Note la testul 1 10 7 7 9 10 Xa = 8,38 Note la testul 2 9 7 8 9 9 Xa = 8,32 Note la interviu 8 8 9 8 7 Xa = 7,95

Se observ c valorile mediilor armonice calculate sunt mai mici dect cele ale mediilor aritmetice. n acest sens trebuie cunoscut faptul c, ntotdeauna dac valorile termenilor sunt pozitive, atunci valorile mediilor armonice calculate vor fi mai mici dect cele ale mediilor aritmetice. Expresia mediei armonice ponderat este:
m

fi
Xap = m
i=1

unde:
Xap

fi/xi
i=1

xi fi

este media armonic ponderat; reprezint termenii variantelor (x1, x2, xn); reprezint frecvena sau ponderea fiecrei variante; reprezint numrul variantelor pentru care se calculeaz media.

Media ptratic Media ptratic se obine n mod similar cu media aritmetic dar cu deosebirea c valorile termenilor seriei se ridic la ptrat, iar apoi se extrage radicalul de ordinul 2 din suma acestora raportat la numrul de termeni pentru care se calculeaz. 122

xi2
x12 + x22+ + xn2 =
i=1

Formulele de calcul ale mediei ptratice simple ( Xpa ) i ale mediei ptratice ponderate ( Xpap ) sunt:

Xpa =

x
i =1

Xpap =

x f
2 i =1 m i

f
i =1

unde:
Xpa Xpap

xi
fi m n

este media ptratic simpl; este media ptratic ponderat; reprezint termenii seriei sau ai variantelor (x1, x2, xn); reprezint frecvenele sau ponderile variantelor; reprezint numrul variantelor pentru care se calculeaz media; reprezint numrul de termeni pentru care se calculeaz media.

Exemplu: Pentru exemplul prezentat mai sus, mediile ptratice calculate vor fi: Nume studeni Student 1 Student 2 Student 3 Student 4 Student 5 Note la testul 1 10 7 7 9 10 Xpa = 8,70 Note la testul 2 9 7 8 9 9 Xpa = 8,43 Note la interviu 8 8 9 8 7 Xpa = 8,02

Este de reinut faptul c ntotdeauna media ptratic este mai mare dect media aritmetic, indiferent de semnul termenilor. Cu ct valorile termenilor sunt mai mari cu att ei vor influena mai mult valoarea mediei ptratice. Din acest motiv media ptratic se va folosi

123

atunci cnd se dorete s se acorde o importan mai mare nivelurilor mai ridicate ale termenilor seriei. Media geometric Media geometric se calculeaz ca radical de ordinul n din produsul celor n termeni ai seriei.

x1.x2.xn =

x
i =1

Expresiile mediei geometrice simple ( Xg ) i ale mediei geometrice ponderate ( Xgp ) sunt:

Xg =

x
i =1

Xgp =

i =1

fi

xif
i =1

unde:
Xg Xgp

xi

este media geometric simpl; este media geometric ponderat; reprezint termenii seriei sau ai variantelor (x1, x2, xn);
i

x
i =1

este produsul termenilor seriei; reprezint frecvenele sau ponderile variantelor; reprezint numrul variantelor pentru care se calculeaz media; reprezint numrul de termeni pentru care se calculeaz media.

m n

fi

Este evident c prin proceduri manuale calculul mediei geometrice este foarte laborios. Pentru a putea fi calculat media geometric este necesar ca toi termenii seriei s fie pozitivi i mai mari dect 0. Este de reinut faptul c ntotdeauna media geometric va fi mai mic dect media aritmetic. Relaia ntre mediile prezentate este:
Xa < Xg < X < Xpa

10.3. Valorile medii de poziie i de structur Cele mai frecvent utilizate valori medii de poziie i de structur sunt mediana, modulul, cuartilele i decilele (Ibidem). Mediana Mediana (Me) reprezint valoarea central a unei serii statistice care mparte termenii unei seriei n dou pri egale. Jumtatea inferioar va conine termenii ale cror valori sunt

124

mai mici dect valoarea medianei iar jumtatea superioar va conine termenii care au o valori mai mari dect valoarea medianei. Locul medianei (LMe) ntr-o serie de n termeni este: LMe =

n +1 2

Locul medianei (LMef) ntr-o serie de distribuie de frecvene n care n = este:

fi
i=1

m Lmef = i =1

f i +1
2

Intervalul median va fi considerat acela n care frecvenele cumulate depesc locul medianei n serie. Formula de calcul a medianei ntr-o serie de distribuie de frecvene este:

Me = x0 + d

Lmef

fp

fm

unde: Me este mediana; x0 este limita inferioar a intervalului median; d reprezint mrimea intervalului median; Lmef reprezint locul medianei; este frecvena intervalului median; fm este frecvena intervalului precedent celui median. fp

Exemplu:

Pentru o bun nelegere a semnificaiei i calcului medianei vom considera urmtorul exemplu care prezint rezultatele n puncte obinute de 9 studeni la un test.
Nume studeni Puncte obinute Student 1 230 Student 2 310 Student 3 250 Student 4 310 Student 5 150 Student 6 180 Student 7 80 Student 8 350 Student 9 220 Se dorete organizarea datelor ntr-un alt tabel care s evidenieze frecvenele pentru

urmtoarele intervale de puncte obinute de studeni: < 100, ntre 100 i 200, ntre 200 i 300,

125

> 300. Pentru aceasta se va realiza urmtorul tabel n care vor fi nscrise i frecvenele cumulate:
Grupe de puncte obinute < 100 100 - 200 200 - 300 > 300 Total Numr de studeni (fi) 1 2 3 3 fi = 9 Frecvene cumulate

1 3 6 9

Locul medianei (LMef) va fi: m Lmef = i =1

f i +1
2

= (9 + 1) / 2 = 5 rezult c intervalul medianei este 200 300,

deoarece aici frecvenele cumulate depesc locul medianei n serie. Mediana (Me) va fi cuprins ntre 200 i 300 adic: 200 < Me < 300. Deci limita inferioar a intervalului median (x0) este 200. Mrimea intervalului median (d) este 100. Din tabel se observ c suma cumulat a frecvenelor precedente intervalului median (fp) este 3. De asemenea frecvena intervalului median (fm) este tot 3. Conform formulei de calcul a medianei avem:
Lmef

Me = x0 + d

fp

fm

= 200 + 100

5-3 = 266 puncte 3

Modulul

Modulul (Mo) reprezint valoarea termenului dintr-o serie care are frecvena maxim.

Formula de calcul a modulului ntr-o serie de intervale este: unde: Mo x0 d 1 = 2 = fm fm-1 fm+1

Mo = x0 + d

1 1 + 2

este modulul; reprezint limita inferioar a intervalului modal; reprezint mrimea intervalului modal; fm fm-1; fm fm+1; este frecvena intervalului modal; este frecvena intervalului precedent celui modal; este frecvena intervalului urmtor celui modal.

126

Exemplu:

Pentru exemplificare vom considera c ntr-o companie exist urmtoarea distribuie de frecvene a veniturilor angajailor:
Venit () Mijlocul de interval (xi) 250 750 1250 1750 2250 2750 3250 Numr angajai (fi) 3 5 6 4 4 2 1

0 - 500 500 - 1000 1000 - 1500 1500 - 2000 2000 - 2500 2500 - 3000 3000 - 3500

Se observ c frecvena cea mai mare (fm) este 6 i corespunztor acesteia intervalul modal este cel cuprins ntre 1000 i 1500. Deci fm-1 = 5 iar fm+1 = 4. Limita inferioar a intervalului modal (x0) este 1000 iar d = 1500 1000 = 500. 6-5 Mo = 1000 + 500 (6 5) + (6 4) Pentru analize se recomand i calculul mediei aritmetice ponderate: (m = numrul de intervale = 7) = 1167

xifi
Xp =
i=1

fi
i=1

= (250x3 + 750x5 + + 3250x1) / 2 = 36750 / 25 = 1470

Deoarece valoarea modulului este mai mic dect valoarea mediei, rezult concluzia c n exemplul prezentat frecvenele termenilor mai mici sunt mai numeroase dect frecvenele termenilor mai mari.
n cazul unei distribuii perfect simetrice media, mediana i modulul au valori egale.

Mediana poate fi utilizat pe scale ordinale i pe scale de interval (scale n SPSS). Modulul poate fi utilizat pentru orice tip de scal dar este singurul indicator pentru scala nominal.

127

Cuartile, decile, percentile

Pentru seriile cu asimetrie mare i care au o amplitudine mare a variaiei se calculeaz i ali indicatori de poziie cum sunt: quartilele, decilele, centilele i percentilele. Quartilele sunt acele valori ale termenilor care separ seria n patru pri egale. Deosebim astfel quartila inferioar (Q1) care delimiteaz sfertul inferior (25%) al termenilor, quartila a doua (medie) (Q2) care este egal cu mediana deoarece mparte termenii n dou pri egale (50%) i quartila superioar (Q3) care delimiteaz sfertul superior (75%). n mod similar decilele mpart seria n 10 pri egale iar centilele n 100 de pri egale. Rezult c vor exista 9 decile i 99 centile.

Exemplu:

Pentru exemplificare, se consider urmtorul tabel care prezint punctele obinute de studeni la un test, transformate n note:
Nume studeni Student 1 Student 2 Student 3 Student 4 Student 5 Student 6 Student 7 Student 8 Student 9 Puncte obinute 230 310 250 310 150 180 80 350 220 Nota 8 10 9 10 7 7 6 10 8

Pe baza acestui table, se va realiza tabelul sintetic al frecvenelor:


Nota Frecvena Absolut Relativ absolut cumulat relativ cumulat (fi) (fc) (fr=fi/9) (frc) 1 1 0,11 0.11 2 3 0,22 0.33 2 5 0,22 0,55 1 6 0,11 0,66 3 9 0,34 1 9 1

6 7 8 9 10 Total

128

Frecvena relativ cumulat procentual (adic nmulit cu 100) se numete rang percentil. Percentilele reprezint valoarea dintr-o distribuie care corespunde unui anumit rang percentil. Quartilele sunt percentilele corespunztoare rangurilor percentile 25%, 50% i 75%. Astfel n exemplul prezentat, pentru nota 8 corespunde rangul percentil 55% ceea ce nseamn c 55% dintre studeni au obinut la test o not mai mic sau egal cu 8. Se poate spune i c rangului percentil 55% i corespunde percentila 8.
10.4. Indicatorii variaiei i asimetriei. Exemple Indicatorii simpli ai variaiei

Amplitudinea absolut a variaiei (R de la Range) se calculeaz ca diferen ntre nivelul maxim (xmax) i nivelul minim (xmin) al caracteristicii:
R = xmax - xmin

Amplitudinea relativ a variaiei (R%) se calculeaz ca raport ntre amplitudinea absolut a variaiei i nivelul mediu al variaiei:
R% = 100 (R / X )

Abaterile individuale absolute (d de la deviation) se calculeaz ca diferene ntre fiecare variant nregistrat i media aritmetic a acestora.
di = xi - X Este evident c ntotdeauna suma abaterilor absolute este nul: ( xi - X ) = 0. n procedurile statistice se recomand calcularea acestei sume n modul: | xi - X |.

Abaterile individuale relative (d%) se calculeaz ca raport ntre abaterile absolute la nivelul mediu al caracteristicii:

di % = 100 (di / xi)

Abaterea quartil (RQ) se calculeaz ca diferen ntre quartila 3 i quartila 1:

RQ = Q3 Q1

129

Abaterea semi-interquartil are urmtoarea expresie:

RSQ = (Q3 Q1) / 2

Indicatorii sintetici ai variaiei

Indicatorii sintetici ai variaiei (mprtierii) sunt: abaterea medie liniar, abaterea medie ptratic, dispersia i coeficientul de variaie.
Abaterea medie liniar (dm) se calculeaz ca o medie aritmetic a termenilor seriei de la media lor.

dm = (| xi - X |) / n
Abaterea standard (s) se calculeaz ca o medie ptratic din abaterile tuturor variantelor seriei de la media lor aritmetic:

s=

( xi x ) 2
i =1

Coeficientul de variaie (cv) se calculeaz ca raport ntre abaterea medie ptratic i nivelul mediu al seriei: cv = s / X Dispersia (variana s2) se calculeaz ca o medie aritmetic a ptratelor abaterilor termenilor fa de media lor.

s2 =

( xi x ) 2
i =1

S-a demonstrat c valorile pentru abaterea standard i pentru dispersie calculate dup formulele de mai sus pentru un eantion conin o imprecizie (bias). Cu ct eantionul este mai mic cu att dispersia va fi influenat mai mult de valoarea de la numitor. Se poate introduce astfel o corecie n 1 (la numitor). Adic n ambele formule n loc de n putem avea n 1. Valoarea n 1 de la numitor este denumit numrul gradelor de libertate.

130

Indicatori ai formei distribuiei

Forma grafic a unei distribuii normale poate avea fa de mediana (Me) o abatere de simetrie pe orizontal orientat ctre stnga (simetrie negativ) sau ctre dreapta acesteia (simetrie pozitiv). Atunci cnd pentru o distribuie Me = Mo = X se poate spune c c perfect simetric. Urmtorul grafic ilustreaz forma acestei distribuii n care: Me = Mo = X = 550

n funcie de distribuie pot fi obinute i altfel de grafice ale curbei, prea aplatizate sau prea nalte. Pentru a corecta aceste cazuri se utilizeaz indicele de boltire (kurtosis).

De asemenea, aa cum s-a specificat anterior, se pot ntlni dou forme de grafice cu simetrie negativ sau cu simetrie pozitiv:

131

Pentru corecta simetria negativ sau pozitiv se utilizeaz indicele de simetrie sau de oblicitate (skewness).
Indicele de boltire (kurtosis) se calculeaz n mod similar cu abaterea standard, dar prin

ridicarea la puterea a patra. El variaz n jurul valorii 0. Indicele de boltire cu valori pozitive indic o curb nalt iar cel cu valori negative o curb aplatizat.
Indicele de simetrie sau de oblicitate (skewness) se calculeaz n mod similar cu abaterea

standard dar prin ridicarea la puterea a treia. Pentru valoarea 0 el indic o simetrie perfect. Valorile pozitive sau negative indic o asimetrie stnga / dreapta mai mult sau mai puin pronunat.
Valorile extreme ale unei distribuii pot fi foarte bine evideniate prin intermediul unui

grafic numit Box and Whisker Plot sau pe scurt Box Plot, creat de Tukey. Graficul Box Plot se prezint sub forma unui dreptunghi care are baza n dreptul quartilei 25 i latura superioar n dreptul quartilei 75. Deci, nlimea acestui dreptunghi cuprinde 50% din valorile distribuiei. Mediana este reprezentat prin intermediul unei linii ce apare n interiorul dreptunghiului.
Exemplu:

Se va considera urmtoarea distribuie care conine punctele obinute la un test: 50, 60, 70, 80, 90, 100, 110, 120, 130, 140, 141, 142, 143, 144, 145 Se observ (evideniat cu caractere nclinate) aglomerarea mai multor valori n partea superioar a distribuiei (n intervalul 140 145). Iat n continuare graficul Box Plot corespunztor acestei distribuii, realizat cu pogramul SPSS:

132

Graficul Steam and Leaf Plot (tulpin i frunz) creat tot de ctre Tukey prezint, de asemenea, ntr-o form sugestiv explorarea unei distribuii scond n eviden frecvenele grupate. Se prezint, n continuare, graficul Steam and Leaf Plot corespunztor aceleiai distribuii i realizat cu programul SPSS:

Se observ c sunt evideniate toate cele 15 valori ale distribuiei dintre care 5 se afl sub 100 ele fiind 50, 60, 70, 80, 90 avnd corespondent n grafic linia a doua: (0 . 56789). De asemenea 10 valori sunt mai mari sau egale cu 100, dintre care 6 aparin domeniului 140. Aceste valori sunt evideniate n linia a treia: (1 . 0123444444).
10.5. Scoruri standard, curba normal i ipoteze statistice. Exemple

De multe ori, n analiza statistic, limitarea doar la valorile unei caracteristici, la indicatorii tendinei centrale sau la indicatorii variaiei nu ofer rspunsuri satisfctoare pentru cercettor. De exemplu, dac se cunoate doar nota obinut (sau numrul de puncte obinute) de un student la un test nu se pot trage prea multe concluzii deoarece nu se cunoate forma distribuiei pe care se plaseaz n raport cu ceilali studeni participani la test (mai aplatizat sau nu, deplasat spre dreapta sau spre stnga), gradul de mprtiere a notelor i abaterea de la medie. De asemenea, nu se poate rspunde unor ntrebri (ipoteze) mai nuanate cum ar fi: exist o legtur ntre performana realizat de studenii care au urmat anterior un curs pregtitor i cei care nu au urmat un astfel de curs? A mbuntit acest curs performana studenilor? Performana realizat este dependent de vrst, sex sau categoria social creia i aparin studenii? Performana realizat de studeni la test este superioar sau nu performanei medii realizat pe parcursul mai multor ani de ctre studenii din universitate care au susinut acest test? irul acestor ntrebri ar putea continua cu aplicaii i din alte domenii de

133

activitate: exist o legtur ntre numrul voturilor pentru un anumit candidat i vrsta votanilor? Exist o relaie ntre atitudinea angajailor dintr-o companie fa de o anumit decizie i salariile acestora? Pentru a putea da rspunsuri pertinente unor astfel de ntrebri, se utilizeaz scorurile (notele) standard, ipotezele i testele statistice (Ibidem).
Scorurile z (scoruri standardizate) se calculeaz pe baza valorilor caracteristicii, mediei i

a abaterii standard: unde:

zi zi = (xi - X ) / s
xi X s

este scorul standardizat corespunztor termenului i; este valoarea termenului i al seriei; este media; reprezint abaterea standard.

Exemplu:

Exemplu de transformare a punctelor obinute la un test, n scoruri z. Media i abaterea standard sunt 231,11 respectiv 85,94.
Nume studeni Student 1 Student 2 Student 3 Student 4 Student 5 Student 6 Student 7 Student 8 Student 9 X =231,11; s=85,94; Puncte obinute 230 310 250 310 150 180 80 350 220 Scorul (nota) z -0,012 +0,917 +0,219 +0,917 -0,943 -0,594 -1,758 +1,383 -0,129 Suma = 0

Convertirea valorilor unei distribuii n scoruri z nu modific forma acesteia. Suma


scorurilor ntr-o distribuie z este ntotdeauna 0. Scorurile t (Thrustone) se calculeaz pe baza scorurilor z dup urmtoarea relaie:

ti = 50 + 10 zi SAT (Scholastic Assessement Test) se calculeaz similar tot pe baza notelor z: SATi = 500 + 100 zi

134

Cel mai frecvent se utilizeaz scorurile z i t. Similar se calculeaz pentru eantioane

scorurile z i t. n acest caz xi se nlocuiete cu media eantionului, X cu media populaiei din care s-a extras eantionul iar s cu eroarea standard a mediei de eantionare. Corespunztor scorurilor (z i t) exist testele z i t cu ajutorul crora pot fi confirmate sau infirmate ipotezele. Pentru a lucra cu aceste teste ntotdeauna trebuie s existe ipoteza cercetrii (de exemplu: parcurgerea unui curs anterior influeneaz performanele studenilor la test) i o
ipotez de nul care infirm ipoteza cercetrii (de exemplu: parcurgerea unui curs anterior nu

influeneaz performanele studenilor la test). Pentru fiecare scor z sau t se calculeaz o probabilitate p corespunztoare (ce poate fi gsit n tabelele z sau t). Deoarece nu exist o garanie 100% pentru acceptarea sau respingerea unei ipoteze, atunci trebuie s fie asumat un risc de eroare. Nivelul convenional minim acceptat pentru acesta este de 5%. Nivelul de risc poate fi exprimat i prin opusul lui (95% aa cum lucreaz programul SPSS). n acest caz 95% nu reprezint eroarea maxim acceptat ci nivelul minim de ncredere n rezultatul experimentului. O explicitare grafic a erorii maxim acceptate este:

Dac scorul eantionului se afl n zona haurat de 5% atunci ipoteza de nul se respinge i se accept ipoteza cercetrii. Cu alte cuvinte dac p < 0,05 atunci se accept ipoteza cercetrii.

Evident problema se judec similar i pentru zona de 5% din stnga graficului. Acesta este un test statistic unilateral (one tailed). Pentru a verifica ipoteza cercetrii simultan pe ambele laturi (stnga dreapta) ale distribuiei se aplic testul z sau t bilateral (two tailed):

135

Dac scorul eantionului se afl n oricare dintre zonele haurate de 5% atunci ipoteza de nul se respinge i se accept ipoteza cercetrii. Cu alte cuvinte dac p < 0,05 atunci se accept ipoteza cercetrii.

Se recomand utilizarea testului z pentru un eantion de minim 30. Atunci cnd volumul eantionului este < 30 sau chiar > 30 se poate utiliza testul t. Distribuia t mai este denumit i distribuia Student. Ea are toate caracteristicile unei

distribuii normale, are aceeai form de clopot dar care de aceast dat depinde de numrul gradelor de libertate df (degrees of freedom). Cu ct df este mai mic cu att forma curbei devine mai aplatizat. Pentru un test statistic t aplicat unui sigur eantion expresia de calcul a df este: unde: df reprezint numrul gradelor de libertate; N este volumul eantionului.

df = N 1

Dac testul t se aplic pentru dou eantioane primul de volum N1 iar al doilea de volum N2 atunci: df = N1 + N2 2

Pentru a putea aplica testul t trebuie ca cele dou eantioane s fie omogene. Se recomand ca volumul celor dou eantioane s fie egal (N1 = N2) iar dispersiile acestora s fie apropiate. n acest sens se poate aplica un test de omogenitate Levenes Test care verific valorile dispersiilor i calculeaz un indicator F numit raportul Fisher. Dac valorile F sunt mari, atunci chiar dac probabilitatea p calculat este mai mic dect 0,05 aceasta indic faptul c dispersiile sunt heterogene. Rezult astfel c ipoteza nu poate fi acceptat. SPSS ofer i o alt posibilitate de calcul a valorilor t i pentru dispersii heterogene (Unequal variances). Aceast

136

alternativ asigur o acuratee mai mare a rezultatelor i ajut cercettorul s poat discerne cu siguran dac accept sau respinge o ipotez. Trebuie reinut c n toate testele statistice criteriul de baz pentru semnificaia statistic
Sig. (Significance) este probabilitatea (p) calculat pentru testul bilateral (two tailed sau 2tailed significance).

Atunci cnd se lucreaz cu mai mult de dou eantioane odat se poate utiliza testul ANOVA (ANalisys Of VAraiance).
10.6. Coeficientul de corelaie Pearson i Sperman

Coeficientul de corelaie Pearson se va utiliza atunci cnd se dorete msurarea valorilor a dou variabile din acelai eantion pentru a se afla dac ntre acestea exist o relaie i care este intensitatea relaiei. Poate fi aplicat att pentru variabile msurate cu aceeai unitate de msur, ct i pentru variabile exprimate n uniti de msur diferite, deoarece formula de calcul ia n consideraie expresia standardizat a valorilor (scorurile z) (Ibidem). Dac relaia exist vom deosebi dou feluri de corelaie: pozitiv i negativ. Corelaia este pozitiv atunci cnd creterea valorilor unei variabile determin creterea valorilor celeilalte variabile.
Corelaia negativ apare atunci cnd creterea valorilor unei variabile determin scderea

valorilor pentru a doua variabil.


Un coeficient de corelaie este o msur numeric sau un indice al grdului de asociere ntre dou seturi de scoruri.

Felul corelaiei se exprim prin semnul coeficientului de corelaie Pearson (r), iar intensitatea legturii dintre cele dou variabile se exprim prin valoarea acestuia (M. Popa, 2008). Semnul + indic o corelaie pozitiv, adic scorurile unei variabile se mresc odat cu creterea scorurilor celeilalte variabile. Semnul indic o corelaie negativ, adic n timp ce scorurile unei variabile cresc, scorurile pentru cealalt descresc. Intervalul de valori este de la maximum +1,00, prin 0,00, pn la -1,00. corelaie de +1,00 indic o asociere perfect ntre dou variabile. Cu alte cuvinte, o diagram scutter a celor dou variabile va arta c toate punctele sunt coninute de o singur dreapt.

137

valoare de 0,00, indic faptul c toate punctele din diagrama scutter sunt dispersate aleatoriu n jurul oricrei drepte desenate pe aceast diagram a datelor sau sunt aranjate ntr-o manier curbilinie. corelaie de - 0,05 ar indica o relaie moderat negativ ntre cele dou variabile.
Cu ct valoarea lui r este mai mare cu att legtura dintre variabile este mai puternic.

Expresia coeficientului de corelaie este:


unde: r este coeficientul de corelaie pentru variabilele x i y; zx este scorul z al variabilei x; zy este scorul z al variabilei y; N reprezint este volumul eantionului.

r=

zx z y
i =1

Este de reinut faptul c valorile lui r pot varia doar n intervalul [-1, +1].

Numrul gradelor de libertate df = N 2. Atunci cnd se analizeaz corelaia, se va alege i un nivel de risc acceptat (n mod convenional 5%) sau un nivel minim de ncredere (n mod convenional 95%). Valorile lui r se exprim pe o scal ordinal. Pentru a putea compara doi coeficieni de corelaie, acetia se ridic la ptrat. r2 se numete coeficientul de determinare. O reprezentare grafic interesant a corelaiei poate fi obinut n programul SPSS prin intermediul unui grafic de tip Scatter Plot.
Exemplu:

Se dorete s se afle dac rezultatele obinute de 9 (nou) studeni la un test aplicat pe parcurs influeneaz notele lor finale la examen.
Numr de puncte obinute la test (variabila x) 230,00 310,00 250,00 310,00 150,00 180,00 80,00 350,00 220,00 Nota la examen (variabila y)

8 10 9 10 7 7 6 10 8 138

Coeficientul de corelaie Pearson calculat pentru cele dou variabile este r = 0,977.
Valoarea acestuia arat c ntre cele dou variabile exist o legtur puternic i o corelaie pozitiv. Graficul Scatter red foarte sugestiv aceste informaii.

n concluzie se poate afirma c studenii care au obinut un numr mare de puncte la test au obinut note mari la examenul final. Chiar dac n analiza statistic cel mai utilizat este coeficientul de corelaie Pearson, totui se mai poate lucra i cu ali coeficieni de corelaie cum sunt Kendall i Spearman. Corelaiile Kendall i Spearman sunt folosite pentru variabile categoriale, ordinale sau atunci cnd datele se abat puternic de la distribuia normal. Coeficientul Spearman este coeficientul de corelaie Pearson aplicat unor scoruri, dup ce acestea au fost ordonate cresctor pentru cele dou variabile n parte.
Este folosit atunci cnd premisele coeficientului de corelaie Pearson nu sunt ndeplinite de ctre date.

Coeficientul de corelaie Spearman are acelai domeniu de variaie (-1/+1) i se interpreteaz n acelai mod ca i coeficientul de corelaie Pearson. Semnificaia acestora este similar cu cea a coeficientului de corelaie Pearson. Pentru exemplul prezentat, valorile celor doi coeficieni calculai de ctre SPSS pentru 2-tailed
significance: Kendall's tau_b Correlation Coefficient Sig. (2-tailed) = 0,941 Spearman's rho Correlation Coefficient Sig. (2-tailed) = 0,979

Prezentarea n detaliu a acestora nu face obiectul acestui curs. Informaii teoretice suplimentare, att despre testele statistice ct i despre corelaii pot fi gsite n cursurile avansate de statistic. Atenie!!! Mai multe informaii, despre utilizarea practic a testelor statistice i a coeficientului de corelaie, vor fi date n paralel cu prezentarea programului SPSS i cu aplicaiile acestuia redate prin intermediul unor studii de caz i aplicaii practice.

139

Rezumat
Unitatea de nvare ofer masteranzilor un bagaj de cunotine teoretice i practice care s le permit:

clarificarea unei terminologii statistice cu care se va opera n programul SPSS; nelegerea unor elemente fundamentale de statistic, necesare n analize, care vor include: caracteristicile statistice, variabile i scale de msurare, mrimile medii, indicatorii variaiei i asimetriei, valorile medii de poziie i de structur, scorurile standard, curba normal, ipotezele statistice;

nelegerea rolului coeficienilor de corelaie Pearson i Sperman n analize statistice i interpretarea rezultatlor.

ntrebri recapitulative
1. Precizai relaia ntre medii (< , >, <=, >= ): Media armoni c Media geometric Media aritmetic Media ptratic

2. n ce condiii se pot calcula mediile ponderate? 3. Mediana (Me) reprezint valoarea central a unei serii statistice care mparte termenii unei serii n dou pri egale sau valoarea termenului dintr-o serie care are frecvena maxim? 4. Ce valoare are cuartila Q1? 5. Care sunt cele mai frecvent utilizate valori medii de poziie i de structur? 6. n ce condiii media, mediana i modulul au valori egale? 7. Precizai principalii indicatori sintetici ai variaiei. 8. Cum se calculez scorurile ntr-o distribuie z? 9. Suma scorurilor ntr-o distribuie z este ntotdeauna 0 sau 1? 10. n ce interval poate avea valori coeficientul de corelaie Pearson?

140

Unitatea de nvare nr. 11


11. Programul SPSS. Analize i aplicaii
11.1. Prezentarea programului SPSS ncrcarea, editarea i transformarea datelor. Componenta Data Editor - Exemple Componenta Output Viewer. Exemple 11.2. Analize i aplicaii statistice. Exemple 11.3. Probleme rezolvate

Rezumat i aplicaii Obiective:


Obiectivele unitii de nvare sunt:

Dezvoltarea unor abiliti practice utile lucrului cu programul SPSS pentru gestionarea datelor. Realizarea unor analize statistice, nelegerea i interpretarea rezultatelor obinute.

11.1. Prezentarea programului SPSS ncrcarea, editarea i transformarea datelor. Componenta Data Editor - Exemple Componenta Output Viewer. Exemple

SPSS este n prezent unul dintre cele mai populare programe utilizate n analiza statistic. Acesta ofer o puternic interfa interactiv i include foarte multe faciliti de

gestionare a datelor i analiz statistic, de prezentare a rezultatelor obinute ( M. Popa, 2008). Dup instalarea versiunii Windows, produsul plaseaz un shortcut n desktop i creeaz un submeniu corespunztor SPSS for Windows n cadrul meniului Start al acestui sistem de operare. La lansarea n execuie (de exemplu printr-un clic dublu dat pe shortcut-ul din
Desktop) SPSS va prezenta fereastra corespunztoare bazei de date i o caset de dialog prin

intermediul creia vor putea fi realizate mai multe aciuni cum sunt: afiarea unui tutorial, posibilitatea de ncrcare a datelor prin tastare, ncrcarea unui set de date care exist creat anterior n urma unei interogri (query) ntr-o alt baz de date, crearea unei interogri cu ajutorul unui vrjitor (asistent software), deschiderea unui fiier (cu extensia .sav) n care au fost salvate date n format SPSS.

141

Dac se va selecta a doua opiune (Type in data) i se va apsa apoi butonul Ok sau dac se va rspunde cu Cancel acestui dialog se va intra n interfaa de lucru cu baza de date (vizibil n fundal SPSS Data Editor). SPSS a fost proiectat s funcioneze ca un produs software de tip deschis care s permit cu uurin schimbul de date cu alte baze de date sau produse software. Astfel, prin intermediul meniului File este posibil oricnd un import / export de date, crearea unor date noi sau salvarea datelor existente. Aceste operaiuni pot fi realizate cu ajutorul opiunilor New,
Open, Open Database, Read Text Data, Save, Save As din cadrul meniului File.

Schimbul de date sau obiecte (tabele, grafice etc) ntre SPSS i alte programe se poate realiza i prin intermediul mecanismului Clipboard
Cut Paste.

i al comenzilor Copy Paste sau

SPSS poate ncrca direct din hard disc date din fiiere care se afl n format text, Excel, Lotus, dBase sau se poate conecta prin ODBC la alte baze de date cum sunt: MS-Access, MS- SQL, Paradox, Oracle etc pentru a ncrca date din tabelele acestora sau date rezultate n urma unor interogri.

142

ncrcarea, editarea i transformarea datelor. Componenta Data Editor - Exemple

La lansarea programului SPSS se deschide fereastra domeniului de editare a datelor SPSS


Data Editor. Acest domeniu are dou componente: Data View i Variable View. Fereastra Data View conine tabela bazei de date mprit n linii i coloane. Liniile reprezint

nregistrrile acesteia sau cazurile (cases), iar coloanele (cmpurile) reprezint variabilele distribuiei. n celulele de intersecie se afl valorile corespunztoare variabilelor pentru fiecare caz (case). Fereastra Variable View are drept funcie esenial crearea i editarea variabilelor. Trecerea n fereastra Variable View se face executnd clic pe tab-ul corespunztor prezent n colul stnga-jos al ferestrei SPSS. Semnificaia coloanelor este urmtoarea (Ibidem):
Name: numele variabilelor, primul caracter s fie o liter. Type: tipul variabilelor. Width: numrul total de cifre (incluznd i partea zecimal). Decimals: numrul de cifre pentru partea zecimal. Label: eticheta variabilelor (descriptor explicit al acestora). Values: valorile pe care le poate lua variabila (utilizat doar pentru variabile categoriale). Missing: valori lips (valori existente care pot fi ignorate de SPSS). Columns: limea coloanei din Data Editor. Align: alinierea valorilor n coloan (stnga, centru, dreapta). Measure: scala de msurare a valorii.

Pentru crearea unei baze de date proprii n SPSS, se procedeaz astfel: Se definesc variabilele bazei de date. Se introduc datele, pentru fiecare caz n parte. Se salveaz baza de date (extensia specific este .sav).

Se presupune c s-a ncrcat n Data Editor, prin tastare, urmtorul set de date care conine punctele obinute de 9 (nou) studeni n urma aplicrii unui test. Acest set de date a mai fost utilizat pentru exemplificri i n capitolul anterior.

143

Se observ c SPSS a denumit generic prima variabil VAR00001. n subsolul acestei ferestre identificm posibilitatea de a comuta n fereastra variabilelor (Variable View).

Dup un clic n Variable View va fi afiat fereastra variabilelor. Exist deja o formatare implicit pentru VAR00001. Aceasta este declarat ca fiind de tip numeric, cu o lungime de 8 caractere din care 2 zecimale ce se va afia aliniat la dreapta i care va fi msurat pe o scal de tip Scale (raport / interval).

Se va selecta variabila (VAR00001) i se va modifica numele acesteia prin tastare. Noul nume ales va fi Puncte1. Sub SPSS fiecare variabil poate avea o etichet care se va afia n capul de tabel al datelor sau n rapoartele finale. Se presupune c s-a editat similar eticheta acestei variabile - Puncte obinute la testul1. n acelai mod se va crea o nou variabil Puncte2 cu eticheta Puncte obinute la testul2 i o alt variabil nominal Sex care va conine doar dou valori: 1 pentru masculin i 2 pentru feminin. Pentru a se seta aceste valori s-a dat clic pe butonul :

144

Toate aceste modificri se vor reflecta instantaneu n fereastra de date:

Este de remarcat faptul c SPSS marcheaz datele nencrcate (sau lips) cu un punct. Acestea sunt numite Missing Values. Atunci cnd proceseaz datele, SPSS va exclude cazurile care au valori lips sau n funcie de model le va aproxima. Dac meniurile Edit i View ne ofer funcii comune i utile pentru copierea, mutarea, tergerea i afiarea datelor i variabilelor (Copy, Paste, Cut, Clear, Fonts, Grid Lines etc), nu acelai lucru se poate afirma despre meniul Data care merit o tratare special. Prin intermediul acestui meniu pot fi definite proprietile variabilelor i ale datelor, pot fi inserate cazuri i variabile noi, seriile de date pot fi sortate, se pot aduga date din alte fiiere externe (Merge Files), liniile pot fi transformate n coloane i coloanele n linii (Transpose), pot fi identificate cazurile duplicate, se poate mpri baza de date n subgrupuri (Split File), se poate lucra cu cazuri cu greuti specifice (Weight Cases) etc.

Unele dintre aciunile enumerate anterior pot fi realizate att n fereastra datelor ct i n cea a variabilelor prin intermediul meniurilor contextuale sau a barei de unelte:

145

Deoarece nu ntotdeauna semnificaiile ultimelor trei opiuni din meniul Data (Split File,
Select Cases i Weight Cases) sunt nelese corect de ctre utilizatorii SPSS nceptori,

acestea vor fi prezentate i explicate n continuare prin intermediul unor exemple referitoare la utilizarea lor. Dac se dorete mprirea bazei de date n grupuri pentru o analiz detaliat n fereastra de raportare (afiare) a rezultatelor (Output SPSS Viewer), atunci va putea fi utilizat opiunea
Split File al crui efect va fi vizibil doar n fereastra de afiare a rezultatelor (nu i n SPSS Data Editor).

Pentru a mpri datele n dou grupuri conform sexului (masculin, feminin), n vederea unor analize separate, se utiliza opiunea Split File i se va specifica acest lucru n urmtorul dialog:

Dac se dorete anularea efectului Split File, atunci se solicit din nou aceast opiune din meniul Data i se trece variabila de grupare (Sex) napoi n subfereastra variabilelor (din partea stng), dup care se nchide dialogul:

146

Selectarea unor cazuri pentru aplicarea procedurilor de analiz separat, doar pentru acestea se poate realiza prin intermediul opiunii Select Cases din acelai meniu Data. Pentru exemplificare, se presupune c se doretes selectarea, pentru analize, doar a cazurile n care studenii au obinut la testul 1 un numr de puncte mai mare de 200 (Puncte1>200). n acest sens, dup solicitarea Select Cases se va specifica n dialogul care va aprea variabila dorit (Puncte1) dup care se va nscrie condiia dialog If .

n urma acestei aciuni, fereastra Data Editor va prezenta cazurile neselectate marcate cu o linie diagonal n capul de linie. n acelai timp SPSS va crea o variabil nou filter_ care va specifica pentru fiecare caz dac a fost selectat sau nu. Evident, n mod asemntor va putea fi realizat cu uurin i o alt selecie de exemplu doar pentru sexul masculin (Sex=1):

Opiunea Weight Cases d cazurilor o greutate diferit creat prin simularea unei replicri a acestora. De exemplu, fiind dat seria 1, 2, 4, 5, 6, 7, 3, 5, atunci 1 va fi considerat cu greutatea cea mai mic, el va avea o singur replicare. Pentru 2, chiar dac apare o singur dat n serie, se vor crea dou replicri. Se va prezenta o analiz de frecvene afiat n fereastra Output SPSS Viewer (stnga), atunci cnd Weight Cases nu este activat (modul normal de lucru) i n (dreapta) atunci cnd Weight Cases este activat:

147

Atenie! Dac s-a selectat Weight Cases, efectul acestuia rmne activat permanent. n datele salvate cu Weight Cases activ se va salva automat i aceast setare. Pentru revenirea la modul de lucru normal este necesar deselecarea (prin bifarea opiunii
Do not weight cases).

Meniul Transform este de asemenea un meniu important al programului SPSS. Aa cum sugereaz numele, acest meniu este important pentru transformarea i crearea datelor. Astfel, pot fi generate variabile derivate (cmpuri calculate), recodificate i contorizate datele, se pot genera ranguri etc. n continuare va fi prezentat lucrul cu opiunile meniului Transform fiind folosite n acest sens cteva exemple.

Se presupune c se dorete crearea unor ranguri corespunztoare valorilor variabilei Puncte1 astfel:
-

pentru 0 Puncte1 100 variabila RangPuncte1 = 1 pentru 101 Puncte1 200 variabila RangPuncte1 = 2 pentru 201 Puncte1 300 variabila RangPuncte1 = 3 pentru 301 Puncte1 100 variabila RangPuncte1 = 4

148

Pentru aceasta va trebui s se aleag din meniul Transform opiunea Recode. Mai nti se va creea o variabil RangPuncte1 (prin nscrierea numelui n Output variable):

Dup apsarea butonului Old and New Values se vor specifica n urmtorul dialog intervalele de clas pentru ranguri:

n urma acestei aciuni, n fereastra Data Editor va aprea corespunztor rangurilor alese, noua variabil RangPuncte1:

149

O alt modalitate de a ierarhiza datele conform unor ranguri este utilizarea opiunii Rank
Cases. Dup apelarea acestei opiuni va aprea un dialog prin intermediul cruia se va

specifica variabila pentru care se dorete crearea rangurilor:

n acest exemplu s-a ales aceeai variabil (Puncte obinute la testul 1). Dup apsarea butonului OK n fereastra editorului de date va aprea o variabil nou RPuncte1. Sortnd datele dup aceast variabil se va obine:

Vor fi prezentate dou exemple care vor ajuta la nelegerea utilitii opiunii Compute din cadrul meniului Transform. Deoarece se dorete realizarea unor analize care s in seama i de vrst, s-a inserat n baza de date o variabil nou numit DataNasterii. Dup ncrcarea datelor corespunztoare acestei coloane, fereastra editorului de date conine:

150

Va trebui creat i calcula o variabil Vrsta, derivat din DataNasterii. n acest sens, Varsta = 2004 Anul_Nasterii. S-a considerat anul curent ca fiind 2004. n acest sens SPSS pune la dispoziie funcia XDATE.YEAR(DateValue) care va ntoarce anul dintr-o valoare tip dat calendaristic. De exemplu XDATE.YEAR(02.12.1981) = 1981. Deci dup selectarea opiunii Compute va aprea urmtorul dialog n care am nscris n cmpul Target Variabile numele variabilei ce va fi creat (Varsta) i apoi prin redactare i cu ajutorul generatorului de formule am compus expresia (din Numeric Expression): 2004 - XDATE.YEAR(DataNasterii).

n urma acestei aciuni, n SPSS Data Editor a aprut ca un cmp calculat vrsta studenilor (Varsta):

Dac se dorete obinerea unei noi variabile PunctajMediu al celor dou teste care s se calculeze dup formula: PunctajMediu = (Puncte1 + Puncte2) / 2, atunci n dialogul Compute
Variable va trebui s se completeze n cmpul Target Variabile numele variabilei

(PunctajMediu) iar n Numeric Expression (Puncte1 + Puncte2) / 2. Dup apsarea butonului OK fereastra editorului va conine:

151

Componenta Output Viewer. Exemple

Meniurile Analyze i Graphs constituie partea de for a programului SPSS care ntrete convingerea unei mari pri a comunitii tiinifice, c n prezent SPSS este unul dintre cele mai performante programe ce pot fi utilizate pentru analize statistice. Opiunile acestor meniuri asigur proceduri care fac posibil procesarea datelor existente n Data Editor astfel nct s poat fi rezolvate cu uurin probleme de statistic descriptiv, de analiz dispersional, de corelaie, de validare a unor ipoteze prin intermediul testelor statistice de vizualizare i interpretare a datelor i a rezultatelor procesrilor pe baza unor reprezentri grafice sugestive. n prezentrile fcute nu se va insista pe posibilitile de personalizare i pe setrile suplimentare pe care SPSS le ofer i care presupun cunotine avansate se Statistic. Cel mai frecvent se vor accepta variantele implicite presetate de ctre SPSS. Rezultatele, situaiile finale, rapoartele oferite de opiunile celor dou meniuri vor fi afiate ntr-o fereastr special numit SPSS Output Viewer care constituie de asemenea ca i
Data Editor o component important a programului. n plus Output Viewer ofer o interfa

interactiv ce permite modificarea formei de afiare a rezultatelor prin alegerea celor mai potrivite tabele i grafice de raportare, a fonturilor, culorilor, tipurilor de linii, a formatului numerelor i textelor i a coninutului acestora. Astfel de exemplu, rapoartele pot fi modificate pentru a fi afiate n limba romn. De asemenea componentele (obiectele) coninute n rapoarte pot fi copiate n alte programe (de exemplu Word) prin mecanismul Clipboard al
Windows-ului (Copy & Paste). Rapoartele SPSS pot fi salvate n fiiere specifice cu extensia

(.spo) n acest fel fiind posibil i o utilizare ulterioar a acestora. Fereastra Output Viewer este mprit n dou seciuni:

152

Seciunea din stnga n care apar pe o structur tip arbore itemii de selecie formai din titlurile componentelor fiecrui raport, i seciunea din dreapta care conine titlurile, tabelele, valorile, textele ajuttoare etc ale soluiilor furnizate de SPSS i care constituie de fapt situaia final de raport. Un clic ntr-un item de selecie activeaz componenta corespondent aflat n seciunea din dreapta. n imaginea anterioar este prezentat un raport rezultat al opiunii
Reports - OLAP Cubes din meniul Analyze. Vom denumi aceast imagine Output3 SPSS Viewer.

Datele pe baza crora s-a realizat acest raport, existente n Data Editor sunt:

153

Meniul Analyze ofer toate opiunile pe baza crora pot fi realizate analize statistice sub SPSS. Prima opiune este Reports. Dup un clic dat pe opiunea OLAP (Online Analytical
Processing) Cubes a submeniului Reports a aprut dialogul OLAP Cubes prin intermediul

cruia s-au selectat variabilele pentru care se dorete o analiz OLAP.

Apsarea butonului Statistics ofer posibilitatea alegerii indicatorilor statistici ce se dorete a fi calculai n cadrul acestei analize (OLAP Cubes Statistics):

Forma iniial furnizat de SPSS pentru acest raport n Output Viewer a fost:

154

Raportul OLAP Cubes (la fel ca i alte rapoarte) ofer posibilitatea studierii ntr-o form interactiv a indicatorilor statistici dorii. Astfel, un clic dublu dat n tabelul OLAP Cubes determin un studiu n detaliu pe baza seleciilor disponibile dup vrst i sex:

De asemenea, un clic dublu dat n titlul rapoartelor sau n oricare text existent ofer posibilitatea schimbrii i formatrii acestora prin intermediul unei bare de unelte (Formatting
Toolbar):

O facilitate foarte important pe care aceast bar o ofer este Pivot Controls (vezi butonul marcat din imaginea barei). Aceast facilitate este disponibil pentru configurarea ntr-un raport a oricrui tabel (cu una sau mai multe intrri). Rndurile (rows) i coloanele (columns) pot fi create interactiv prin drag & drop (tragerea lor cu ajutorul mouse-ului). n exemplul urmtor s-a dorit obinerea unui raport OLAP detaliat pe sexe i pe vrste.

Prin tragerea variabilei Sex i a variabilei Varsta pe rnduri (Rows), s-a obinut tabelul prezentat n prima imagine a acestui capitol numit Output3 SPSS Viewer. O alt facilitate interesant a barei cu instrumente de formatare este i cea oferit pentru realizarea reprezentrii grafice a coninutului oricrui tabel dintr-un raport. n continuare, este prezentat un grafic de tip Pie pe vrste care a fost realizat pentru tabelul din aceeai imagine
Output3 SPSS Viewer. (Vezi aceast imagine i datele din Data Editor pe baza crora a fost

construit raportul din imagine).

155

11.2. Analize i aplicaii statistice. Exemple

n continuare vor fi prezentate cele mai importante i frecvent utilizate opiuni ale meniului Analyze utilizndu-se exemplificri pe baza unor aplicaii practice relevante. n subcapitolul anterior, n paralel cu componenta Output SPSS Viewer a fost prezentat deja prima opiune OLAP Cubes, din cadrul meniului Analyze Reports.
Indicatorii descriptivi

Opiunea Case Summaries a submeniului Reports ofer o imagine de ansamblu asupra valorii indicatorilor statistici descriptivi ai unor variabile ce pot fi prezentai grupai pe baza altor variabile. Pentru exemplificare, s-a utilizat acelai set de date ca i pentru OLAP Cubes. Primul dialog care apare dup lansarea opiunii este
Summarize Cases. Prin intermediul acestui dialog se pot

selecta variabilele pentru analiz. n exemplul prezentat, s-au ales Puncte1 i Varsta iar pentru grupare Sex.

156

La apsarea butonului Statistics apare urmtorul dialog Summary Report: Statistics prin intermediul cruia vor fi selectai indicatorii statistici dorii:

Dup un clic dat pe butonul OK, SPSS va afia n Output SPSS Viewer urmtorul raport:

Meniul Descriptives Statistics ofer posibilitatea calcului i analizei indicatorilor statistici descriptivi. Pentru toate exemplificrile acestui meniu se va lua n considerare urmtorul set de date:

157

Prima opiune a meniului este Frequencies, singura care permite analiza de frecvene. Dialogul Frequencies ofer posibilitatea selectrii variabilei (variabilelor) pentru analiz iar dialogul Statistics prezint indicatorii statistici ce pot fi calculai pentru raport.

Butonul Charts disponibilizeaz un alt dialog prin intermediul cruia se poate specifica dac se dorete ca raportul s conin o reprezentare grafic i se poate selecta tipul de grafic dorit.

Dup apsarea butonului OK, raportul prezentat n Output SPSS Viewer va conine:

158

Opiunea Descriptives, dup selectarea variabilei pentru analiz (Puncte obinute la testul 1) i alegerea indicatorilor statistici (minim, maxim, media, abaterea standard i dispersia) va oferi urmtorul raport:

Opiunea Explore este util atunci cnd se dorete un studiu complet al indicatorilor statistici descriptivi pentru una sau mai multe variabile considerate a fi dependente (Dependent List) de una sau mai multe variabile categoriale (Factors). Ca atare, n prima caset de dialog care va aprea dup lansarea acestei opiuni se vor selecta variabilele de analizat n Dependent List iar (opional) n Factor List se vor selecta variabilele categoriale n funcie de care se dorete analiza. n acest dialog apare i un cmp Label cases by (rar utilizat) care permite etichetarea cazurilor la afiare. n exemplul care urmeaz s-a utilizat acelai set de date (folosit anterior), alegndu-se variabila Puncte1 pentru analiz i variabila Varsta ca variabil categorial:

159

Raportul corespunztor afieaz (n mod implicit) un sumar al cazurilor procesate, indicatorii statistici descriptivi i reprezentrile grafice Stem-and-Leaf Plots structurate pe vrste.

160

Descriptives Puncte obtinute la testul1 Varsta 20,00 Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Statistic 265,00 182,32 347,68 265,00 265,00 2700,000 51,962 220 310 90 90 ,000 -6,000 280,00 -101,19 661,19 . 280,00 1800,000 42,426 250 310 60 . . . 250,00 -1020,62 1520,62 . 250,00 20000,000 141,421 150 350 200 . . . 146,67 3,24 290,09 . 180,00 3333,333 57,735 80 180 100 . -1,732 . Std. Error 25,981

Lower Bound Upper Bound

21,00

1,014 2,619 30,000

Lower Bound Upper Bound

22,00

. . 100,000

Lower Bound Upper Bound

23,00

. . 33,333

Lower Bound Upper Bound

1,225 .

Opiunea Crosstab permite realizarea unor tabele cu dubl intrare. Caseta de dialog corespunztoare ofer un suport interactiv pentru selectarea variabilelor reprezentate pe rnduri (Rows), pe coloane (Columns) i a valorilor din celulele de intersecie ale acestora. n mod implicit, valorile celulelor vor reprezenta numrul de cazuri (Counts) ale fiecrei intersecii.

161

n continuare este prezentat raportul Crosstabulation afiat n Output SPSS Viewer:

11.3. Probleme rezolvate Problema 1

Calculul corelaiei Pearson i Speraman pentru scorurile abilitilor manageriale i muzicale a 10 tineri.
Scoruri_manageriale Scoruri_muzicale 2 6 4 5 7 7 2 3 5 4 8 3 9 7 2 3 9 8 6 7

162

Rezolvare folosind programul SPSS:

1. Introducerea datelor

Definirea variabilelor Scoruri_managerialee, Scoruri_muzicale, n modul de lucru


Variable View

Trecerea n modul de lucru Data View i ncrcarea datelor. 2A. Corelaia Pearson
- Secvena de comenzi: Analyze Correlate Bivariate... - Se

selecteaz

mpreun

sau

separat

variabilele

Scoruri_manageriale

Scoruri_muzicalee, se introduc n lista de variabile, apoi clic pebutonul OK.

3A. Interpretarea output-ului Corelaia dintre cele dou scoruri este de - 0,900. Numrul cazurilor pe care este bazat corelaia este 10.

4A. Raportarea output-ului

Corelaia dintre abilittile manageriale i cele muzicaleeste - 0,900. Acesta este un rezultat mai mult dect precis pentru majorarea msurtorilor psihologice. Nivelul de semnificaie exact, cu trei zecimale, este 0,000. nseamn c nivelul de semnificaie este mai mic dect 0.001. Nu se folosete un ir de zerouri, deoarece deruteaz. ntotdeauna se schimb ultimul zero n 1. Aceasta nseamn c nivelul de semnificaie poate fi raportat ca fiind p < 0,001. Se obinuiete s fie prezentate gradele de libertate (df) n locul numrului de cazuri, cnd se prezint corelaiile. Gradele de libertate sunt egale cu numrul de cazuri minus 2, adic 8 pentru aceast corelaie. Nu este nimic greit n a raporta numrul de cazuri n schimb.

163

ntr-un raport se scrie: Exist o relaie negativ semnificativ ntre abilitile manageriale i cele muzicale. (r = - 0,90, df = 8, p < 0,001.).
Tinerii cu nivel ridicat la abiliti manageriale au nivel sczut la abiliti muzicale i invers. 2B. Corelaia Spearman

Secvena de comenzi: Analyze Correlate Bivariate... Se selecteaz mpreun sau separat Scoruri_manageriale i Scoruri_muzicalee i se introduc n lista de variabile.
- Se selecteaz opiunea Spearman i apoi clic pe OK.

3B. Interpretarea output-ului

Coeficientul de corelaie Spearman este - 0,894. Nivelul de semnificaie, lund n calcul dou ipoteze, este 0,001 sau mai mic, deci corelaia este statistic semnificativ. Numrul cazurilor este 10.

4B.Raportarea output-ului

Corelaia raportat cu dou zecimale este - 0,89. Probabilitatea de a obine aceast corelaie din ntmplare este mai mic de 0,001 (p < 0,001). ntr-un raport se scrie: Exist o relaie negativ semnificativ ntre abilitile manageriale i cele muzicale. (Coeficientul Spearman = - 0,90, DF = 8, p < 0,001).
Tinerii cu nivel ridicat la abiliti muzicale au nivel sczut la abiliti manageriale i invers.

164

Problema 2

Se dorete s se afle dac rezultatele obinute de 9 (nou) studeni la un test aplicat pe parcurs influeneaz notele lor finale la examen. Pentru aceasta: a) Se va calcula si apoi se va interpreta coeficientul de corelaie Pearson. b) Se va construi graficul Scatter.
Numr de puncte obinute la test (variabila x) 230,00 310,00 250,00 310,00 150,00 180,00 80,00 350,00 220,00 Nota la examen (variabila y) 8 10 9 10 7 7 6 10 8

Rezolvare folosind programul SPSS:

a) Calculul i interprearea coeficientul de corelaie Pearson 1. Introducerea datelor Definirea variabilelor X i Y, n modul de lucru Variable View Trecerea n modul de lucru Data View i ncrcarea datelor. 2. Corelaia Pearson
- Secvena de comenzi: Analyze Correlate Bivariate... - Se selecteaz mpreun sau separat variabilele X i Y, se introduc n lista de variabile,

apoi clic pe butonul OK.

165

3. Graficul Scatter Secvena de comenzi Graphs Scatter... Din fereasta Scatterplot se selecteaz subtipul de grafic Simple i clic pe butonul
Define.

Se selecteaz separat variabilele X i Y, se introduc n rubricile aferente axelor ( X n X-Axis i Y n Y- Axis), apoi clic pebutonul OK.

Graficul corelaiei este un nor de puncte cresctor (de la stnga-jos spre dreapta-sus) dac relaia este pozitiv sau direct proporional. Dac relaia ar fi fost invers proporional, norul ar fi fost orientat descresctor (din stnga-sus spre dreapta-jos). n cazul n care nu ar fi nici o relaie, punctele ar fi fost distribuite uniform pe grafic.

4. Interpretarea output-ului Coeficientul de corelaie Pearson calculat pentru cele dou variabile este r = 0,958. Valoarea acestuia arat c ntre cele dou variabile exist o legtur puternic i o corelaie pozitiv. Graficul Scatter red foarte sugestiv aceste informaii.
n concluzie, se poate afirma c studenii care au obinut un numr mare de puncte la test au obinut note mari la examenul final.

166

Rezumat
Unitatea de nvare ofer masteranzilor un bagaj de cunotine teoretice i practice care s le permit:

dezvoltarea unor abiliti practice utile lucrului cu programul SPSS pentru gestionarea datelor; realizarea unor analize statistice, nelegerea i interpretarea rezultatelor obinute.

Aplicaie practic
n tabelul de mai jos este dat coeficientul de inteligen msurat la perechi de frai (primul nscut - QI1 i al doilea nscut - QI2) de gen diferit (1-masculin, 2-feminin).
QI1 109 101 104 106 112 115 116 109 115 121 120 113 102 104 106 104 108 106 106 124 QI2 110 102 103 106 115 115 119 104 121 110 123 111 114 101 106 106 109 105 107 103 GEN 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2

Se cere:

Calculul corelaiei Pearson pentru coeficientul de inteligen msurat la perechi de frai. Construirea diagramei Scatter (graficul corelaiei). Interpretarea output-ului.

167

Unitatea de nvare nr. 12


12. Programul SPSS. Analize i aplicaii
12.1. Testul T. Exemple 12.2. Analiza dispersional ANOVA. Exemple 12.3. Aplicaie practic rezolvat

Rezumat i aplicaii Obiective:


Obiectivele unitii de nvare sunt:

Dezvoltarea unor abiliti practice utile lucrului cu programul SPSS pentru analize statistice. Realizarea, nelegerea i interpretarea rezultatelor obinute.
12.1. Testul T. Exemple

n acest subcapitol vor fi prezentate aplicaii rezolvate pe baza suportului software SPSS

dedicat pentru testele statistice i studiul corelaiei. Se va insista pe facilitile oferite de opiunile meniurilor Compare Means i Corelate.

Aa cum s-a artat anterior (subcap.10.5), testul T este util pentru testarea diferenelor ntre valorile medii ale unei variabile care pot fi msurate ntre diferite grupuri la momente diferite de timp, sau n comparaie cu o populaie statistic ale crei valori pentru respectiva 168

variabil sunt cunoscute. Cele mai frecvente aplicaii ale testului T sunt legate de testarea diferenei ntre grupuri dependente sau independente.
Testul T pentru grupuri independente este utilizat atunci cnd aceeai variabil a fost

msurat ntre dou asemenea grupuri i cercettorul vrea s tie dac diferena mediilor ntre grupuri este semnificativ statistic. Prin grupuri independente nelegem acele grupuri care conin subieci diferii.
Exemplul 1

Se consider un set de date pe baza cruia se dorete verificarea dac notele finale ale unui grup de 14 studeni compus din 7 biei i 7 fete difer semnificativ n funcie de sexul acestora. Setul de date utilizat este prezentat n tabelul urmtor:
Nota final 8 9 6 8 9 8 7 7 10 7 9 6 7 8 Sex masculin masculin masculin masculin feminin feminin feminin feminin feminin masculin feminin masculin feminin masculin Vrsta 20 20 23 20 21 21 22 23 22 23 20 22 23 22

Opiunea Means (medii) a meniului Compare Means ar trebui s fie prima consultat, deoarece ea ne poate oferi o informaie interesant relativ la notele medii ale celor dou sexe. Prin intermediul primului dialog al opiunii (Means) se va selecta variabila dependent (Nota) i variabila independent (Sex). Un clic pe butonul Options va deschide un nou dialog prin care se pot alege indicatorii statistici ce vor fi afiai.

169

Raportul final (Report) care va prezenta cele dou medii 7,43 pentru biei i 8,14 pentru fete este:

Pe baza acestui raport s-ar putea trage urmtoare concluzie: notele fetelor sunt mai mari, deci notele depind de sex. Dar s nu ne grbim cu aceast afirmaie care nc nu este dect o ipotez pe care va trebui s o verificm prin intermediul unui test T pentru grupuri independente. Opiunea Independent-Samples T Test d aceast posibilitate. Primul dialog (IndependentSamples T Test) ofer suportul pentru a putea alege variabilele dorite. S-a selectat ca variabil

testat Nota i ca variabil de grupare Sex. Deoarece grupurile nu sunt definite (Sex (?) un clic n butonul Define Groups ne va ajuta n acest sens. Pentru c variabila de grupare este Sex i pentru c atunci cnd a fost definit i s-au atribuit dou valori: 1=masculin i 2=feminin, se specifica acest lucru n dialogul Define Groups.

170

Dup apsarea butonului OK va aprea urmtorul raport:


Group Statistics Sex masculin feminin N 7 7 Mean 7,43 8,14 Std. Deviation 1,134 1,215 Std. Error Mean ,429 ,459

Nota finala

Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Interval of the Difference Lower Upper -2,083 -2,084 ,654 ,655

F Nota finala Equal variances assumed Equal variances not assumed ,090

Sig. ,769

t -1,137 -1,137

df 12 11,943

Sig. (2-tailed) ,278 ,278

Mean Difference -,714 -,714

Std. Error Difference ,628 ,628

Se observ n ultimul tabel a fost aplicat pentru verificarea omogenitii. Reamintim faptul c o valoare mic a raportului F (Ficher) i o probabilitate (Sig.) < 0,05 confirm faptul c omogenitatea dispersiilor este asigurat. Dac omogenitatea dispersiilor nu exist, atunci citirea rezultatelor trebuie fcut pe linia a doua (Equal variances not assumed). Se observ c pentru acest test nota t calculat este t = -1,137, numrul gradelor de libertate df = N 2 = 12 i probabilitatea Sig. (2-tailed) = 0,278. Deoarece 0,278 > 0,05, atunci ipoteza cercetrii este infirmat i este acceptat ipoteza de
nul: notele nu depind de sex.

Exemplul 2

Opiunea One-Sample T Test se poate aplica atunci cnd se verific media unui eantion

fa de media unei populaii creia aparine acel eantion. n cazul exemplului de mai sus, se presupune c nota medie obinut la respectiva disciplin (probabil obligatorie) de ctre toi studenii absolveni ai universitii, pe parcursul mai multor ani este cunoscut, ea fiind 7(apte).
Se dorete verificarea ipotezei conform creia notele studenilor din eantion se ncadreaz n aceast tendin.

n acest sens se va alege opiunea One-Sample T Test i se va specifica nota 7 (apte) n cmpul Test Value.

171

Raportul obinut dup apsarea butonului OK va fi:


One-Sample Test Test Value = 7 95% Confidence Interval of the Difference Lower Upper ,10 1,47

Nota finala

t 2,474

df 13

Sig. (2-tailed) ,028

Mean Difference ,786

Se observ c Sig. = 0,028 < 0,05. Rezult c ipoteza cercetrii se accept.

Sub SPSS testul T poate fi aplicat i pentru grupuri dependente. Acest test necesit dou msurri ale aceleiai variabile la dou momente diferite de timp. Fiecare caz va corespunde unei singure persoane. Astfel poate fi verificat, de exemplu, dac absolvirea unui curs pltit de o companie
pentru anumit un grup de angajai contribuie sau nu la creterea performanelor acestora. n

acest sens este necesar msurarea performanelor angajailor care au urmat cursul, nainte i dup absolvire. Pe baza diferenelor care apar ntre medii se va accepta sau se va respinge ipoteza bazat pe presupunerea c respectivul curs a contribuit la creterea performanelor angajailor. Opiunea Paired-Samples T Test (testul T pentru grupuri pereche) ofer posibilitatea s se aplice testul T pentru dou grupuri dependente. n cazul exemplului enunat, variabila msurat va fi nota care cuantific performana angajailor nainte i dup absolvirea cursului.Se vor defini dou variabile Nota1 i Nota2. Variabila Nota1 conine notele angajailor nainte de curs i variabila Nota2 notele angajailor dup curs. Setul de date care include cele dou note ale unui grup de 16 angajai ce au urmat cursul este:

172

Dup lansarea opiunii Paired-Samples T Test din cadrul meniului Compare Means, va aprea urmtorul dialog prin intermediul cruia vor fi selectate cele dou variabile supuse studiului (Nota1 i Nota2):

Raportul din Output SPSS Viewer va fi:

Se observ Sig.(2-tailed) = 0,044 care este < 0,05. Rezult c ipoteza cercetrii se accept.
Cursul a contribuit la creterea performanelor angajailor.

173

12.2. Analiza dispersional ANOVA. Exemple

Analiza dispersional ANOVA (ANalisys Of VAriance) constituie un alt instrument statistic foarte flexibil cu ajutorul cruia pot fi comparate diferenele dintre mai mult de dou valori medii ale unor variabile. Exist dou modele ANOVA ce pot fi utilizate. Primul este
One-Way ANOVA care este similar cu testul T, cu excepia c pot fi testate simultan mai mult

de dou diferene ntre medii. Al doilea model este Two-Way Factorial ANOVA i reprezint o extensie a primului model. Diferena const n posibilitatea utilizrii unei analize factoriale care poate avea mai mult dect o singur variabil de grupare (,M. Popa, 2008).

Exemplul 1

Pentru a exemplifica lucrul cu cele dou modele ANOVA, se va aduga tabelului de date precedent dou variabile Varsta i Sex. Setul de date va redeveni:

Se presupune c cercettorul dorete s cunoasc dac vrsta angajailor influeneaz creterea performanelor realizate de ctre acetia dup absolvirea unui curs. Deci, variabila dependent va fi Nota2 iar variabila factor Varsta. Din tabelul de date se observ c vrsta angajailor este cuprins ntre 20 i 23 de ani. Opiunea One-Way ANOVA disponibil de sub acelai meniu Analyze Compare Means va lansa un dialog prin intermediul cruia va fi setat semnificaia celor dou variabile:

174

Raportul oferit de ctre SPSS va fi:

Conform rezultatelor din raport Sig. = 0,265 > 0,05 se respinge ipoteza cercetrii conform creia vrsta influeneaz performanele angajailor care au absolvit cursul. .
Meniul General Linear Model ofer posibilitatea unor analize ANOVA (factoriale)

realizate simultan pentru una sau mai multe variabile ce pot fi influenate de mai muli factori. Vor fi prezentate n acest sens opiunile Univariate i Multivariate. Utiliznd acelai exemplu, se presupune c cercettorul dorete o analiz complex prin care s studieze efectul separat i mpreun a doi factori - vrsta i sexul asupra variabilei de performan Nota2. Ipoteza cercetrii este: vrsta i sexul influeneaz
performanele angajailor msurate prin valorile variabilei Nota2.

175

Opiunea Univariate permite realizarea unor astfel de analize. Prin intermediul dialogului cu acelai nume se pot selecta variabilele tip factor i variabila dependent:

Rezultatele obtinute sunt:

Rezult c ipoteza cercetrii nu poate fi acceptat nici separat pentru fiecare factor nici mpreun pentru cei doi factori (Varsta i Sex). Toate valorile Sig. (0,436, 0,409, 0,855) sunt mai mari dect 0,05. Opiunea Multivariate permite lucrul cu mai multe variabile care pot fi dependente simultan de mai muli factori. Pentru exemplificare, conform setului de date utilizat n exemplele anterioare, se va presupune c se dorete studiul a dou variabile dependente (Nota1 i Nota2) n funcie de doi factori (Varsta i Sex). n acest sens dialogul Multivariate va fi:

176

Raportul corespunztor va prezenta urmtoarele tabele:


Descriptive Statistics Nota inainte de curs Sex masculin Varsta 20 21 22 23 Total 20 21 22 23 Total 20 21 22 23 Total 20 21 22 23 Total 20 21 22 23 Total 20 21 22 23 Total Mean 8,5333 9,0000 7,0000 6,7500 7,7625 8,3000 8,6500 8,5000 7,1500 8,1500 8,4400 8,7667 7,7500 6,9500 7,9562 8,8667 8,4000 7,8000 7,4000 8,1750 8,7000 8,8000 8,8000 7,8500 8,5375 8,8000 8,6667 8,3000 7,6250 8,3563 Std. Deviation ,55076 . 1,41421 1,06066 1,21059 1,13137 ,49497 2,12132 ,21213 1,12504 ,69857 ,40415 1,70783 ,66583 1,14657 ,60277 . 1,41421 ,56569 ,92698 ,14142 1,13137 1,41421 1,20208 ,92727 ,44159 ,83267 1,29099 ,80984 ,91504 N 3 1 2 2 8 2 2 2 2 8 5 3 4 4 16 3 1 2 2 8 2 2 2 2 8 5 3 4 4 16

feminin

Total

Nota dupa curs

masculin

feminin

Total

Tests of Between-Subjects Effects Source Corrected Model Intercept Sex Varsta Sex * Varsta Error Total Corrected Total Dependent Variable Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Type III Sum of Squares 9,918a 4,768b 941,788 1024,103 ,400 ,654 7,244 3,172 2,060 ,748 9,802 7,792 1032,550 1129,790 19,719 12,559 df 7 7 1 1 1 1 3 3 3 3 8 8 16 16 15 15 Mean Square 1,417 ,681 941,788 1024,103 ,400 ,654 2,415 1,057 ,687 ,249 1,225 ,974 F 1,156 ,699 768,676 1051,486 ,327 ,671 1,971 1,086 ,560 ,256 Sig. ,417 ,675 ,000 ,000 ,583 ,436 ,197 ,409 ,656 ,855

a. R Squared = ,503 (Adjusted R Squared = ,068) b. R Squared = ,380 (Adjusted R Squared = -,163)

177

Se observ c toate valorile Sig. (att pentru Nota1 ct i pentru Nota2) sunt mai mari dect 0,05. Rezult c pentru toate cazurile ipoteza cercetrii nu va fi acceptat. Se poate concluziona: rezultatele obinute att nainte de participarea la curs ct i cele obinute dup absolvirea cursului nu cresc semnificativ nici pe seama factorului vrsta nici pe seama factorului sex nici simultan pe baza celor doi factori.
Meniul Corelate ofer posibilitatea de a putea studia corelaia ntre dou variabile prin

intermediul coeficienilor de corelaie. S-a artat, ntr-un capitol anterior c, atunci cnd se dorete msurarea valorilor a dou variabile din acelai eantion pentru a se afla dac ntre acestea exist o relaie i care este intensitatea relaiei se utilizeaz coeficienii de corelaie. Cel mai frecvent se utilizeaz coeficientul de corelaie Pearson. Felul corelaiei se exprim prin semnul coeficientului de corelaie (r) iar intensitatea legturii dintre cele dou variabile se exprim prin valoarea acestuia care va fi cuprins n intervalul [-1, +1].
Exemplul 2

Se dorete s se analizeze dac ntre notele finale obinute de un grup de studeni i numrul de ore alocate sptmnal de ctre acetia pentru studiu exist o legtur (o relaie).
Ipoteza cercetrii este: ntre notele finale i numrul de ore alocate sptmnal studiului

exist o corelaie (legtur) semnificativ. Se presupune c datele sondajului aplicat unui grup de 14 studeni i nscrise n Data Editor din SPSS sunt:

Opiunea Bivariate din cadrul meniului Corelate ofer posibilitatea realizrii acestui studiu de corelaie. Dialogul Bivariate Corelations ajut selectarea variabilelor pentru care se dorete calculul coeficienilor de corelaie i s se specifice care coeficieni de corelaie s fie calculai i ce test de semnificaie se va utiliza.

178

Apsarea butonului OK va determina afiarea raportului corespunztor care va conine:

Se observ c ntre cele dou variabile exist o corelaie pozitiv foarte intens (r=0,910).
Rezult c ipoteza cercetrii va fi acceptat.

. 179

12.3. Aplicaie practic rezolvat

n tabelul de mai jos sunt date scorurile emotivitii pentru tineri provenii din familii cu doi prini i cu un singur printe (Ibidem).
Doi_prini (X1) 12 18 14 10 19 8 15 11 10 13 15 16 Un_printe (X2) 6 9 4 13 14 9 8 12 11 9

S se analizeze dac valorile emotivitii sunt diferite pentru familii cu doi prini fa de cele cu un singur printe. Rezolvare:

1. Introducerea datelor:
- Definirea variabilelor familia i starea_emotionala n modul de lucru Variable View. - Trecerea n modul de lucru Data View i introducerea datelor din tabel.

2. Testul T pentru eantioane independente:


- Se selecteaz Analyze Compare Means Independent-Samples T Test - n fereastra afiat, se selecteaz variabila starea_emotionala i se apas butonul

pentru a plasa variabila n caseta Test Variable(s).


- Se selecteaz variabila familia i se apas butonul pentru a plasa variabila n caseta

Grouping Variable.
- Se selecteaz Define Groups... pentru a defini cele dou grupuri. Se introduce valoarea

1 (un printe) n rubrica Group1 i valoarea 2 (doi prini) n rubrica Group2, se execut clic pe butonul Continue i apoi OK. 3. Output-ul rezultat este dat de urmtoarele rapoarte:

180

4. Interpretarea output-ului Primul tabel arat, pentru fiecare grup n parte, numrul de cazuri, media, i abaterea
standard. Media pentru un singur printe este 9,50. Exist n mod evident o diferen ntre

cele dou tipuri de familii. Pentru copiii provenii din familii cu doi prini, valoarea medie a emotivitii este 13,42 i abaterea standard a valorilor emotivitii este 3,37. Pentru copiii provenii din familii cu un singur printe, valoarea medie a emotivitii este 9,50 i abaterea standard a valorilor emotivitii este 3,10. Valoarea t (-2,813) este pur i simplu media diferenei (-3,917) divizat cu eroarea standard a diferenei (1,382). Pentru variaii egale, t este -2,813 care cu 20 grade de libertate este semnificativ la 0,011 pentru two-tailed (test bilateral). Pentru a obine nivelul one-tailed (test unilateral), se divizeaz la 2 nivelul anterior i rezult 0,006.
5. Raportarea output-ului

S-ar putea prezenta rezultatele astfel: Media pentru valorile testelor de emotivitate ale copiilor ce provin din familii cu doi prini (M=13,42, SD=3,37) este semnificativ mai mare (t=-2,81, DF=20, two-tailed p=0,011) dect aceea a copiilor provenii din familii cu un singur printe (M=9,50, SD=3,10).

181

Dac se dorete utilizarea intervalelor de ncredere, va trebui s se prezinte urmtoarele rezultate: Diferena dintre valorile testelor de emotivitate ale copiilor ce provin din familii cu doi prini (M=13,42, SD=3,37) i cei provenii din familii cu un singur printe (M=9,50, SD=3,10) este -3,92. Intervalul de ncredere 95% pentru aceast diferen este de la -6,82 la -1,01. Deoarece intervalul nu conine puncul 0,00 diferena este statistic semnificativ la nivelul de semnificaie two-tailed de 5%.

Rezumat
Unitatea de nvare ofer masteranzilor un bagaj de cunotine teoretice i practice care s le permit:

dezvoltarea unor abiliti practice utile lucrului cu programul SPSS pentru analize statistice; realizarea, nelegerea i interpretarea rezultatelor obinute.

Aplicaie practic
1. S se creeze o baz de date SPSS cu urmtoarea structur:
Cod identificare (numeric, fr zecimale). Nume i prenume (string-alfanumeric) Genul, variabil categorial (1=masculin, 2=feminin) Funcia (string-alfanumeric) Vechimea (numeric, fr zecimale). Salariu de baz(numeric, fr zecimale).

2. S se introduc valori fictive pentru 10 subieci. 3. S se salveze baza de date cu numele Test.sav. 4. S se aplice testul T (Independent-Samples T test), pentru diferena dintre media variabilei salariu de baz ( brbai i femei). 5. S se interpreteze rezultatul obinut. 6. S se adauge bazei de date variabila categoria profesional (1=manageri, 2=executiv, 3=rest) 7. S se testeze ipoteza c: exist o diferen ntre salarizarea angajailor n funcie de
categoria profesional din care fac parte.

182

Bibliografie
1. Anghelache. C. (2009). Tratat de statistic teoretic i economic. Bucureti: Editura Economic. 2. Biji, M. et.al. (2010). Statistic pentru economiti. Bucureti: Editura Economic. 3. Boldur-Lescu, Gh.(1992). Logica decizional i conducerea sistemelor. Bucureti: Editura Academiei Romne. 4. Ciobanu, Gh., ignescu, E.. (2002). Cercetri operaionale cu aplicaii n economie. Bucureti: Editura ASE. 5. Dantzig, G., B. (1963). Linear Programming and Extensions. New York: Princeton, University Press. 6. Dobre, I., Bdescu, A. (2002). Modelarea deciziilor economico-financiare. Bucureti: Editura ASE. 7. Dosescu, T., C. (2011). Matematic pentru modelare economic - vol. I, Bucureti: Editura Universitar. 8. Field, A. (2005). Discovering statistics using SPSS. Thousand Oaks. Sage Publications. 9. Halvorson, M. (2000). Microsoft Office2000 Small Business. Bucureti: Editura Teora. 10. Jaba, E., Grama., A. (2004). Analiza statistic cu SPSS sub Windows. Iai: Editura Polirom. 11. Lawrence, A. John, Pasternack, Barry (2002). Applied Management Science. John & Sons, Incorporated, Wiley. 12. Lawrence, L., William, D.(2001). Quantitative Decision Making with Spreadsheet Applications. Publisher Brooks / Cole. 13. Maxim, C. (2007). Comunicarea organizaional i managerial la nivel microeconomic. Abordare cibernetico-economic. Bucureti: Editura Uranus. 14. Mrcine, V., Nica, V. (2001). Modelarea activitii firmei. Bucureti: Editura Matrix Rom. 15. Opran, C., Stan, S. (2008). Managementul proiectelor. Bucureti: Editura BREN. 16. Popa, M. (2008). Statistic pentru psihologie. Teste i aplicaii SPSS. Iai: Editura Polirom. 17. Ratiu-Suciu C. et.al. (2009). Modelare economic /Ediia a doua, Bucureti: Editura ASE. 18. Salkind, N. (2010). Statistics for People Who (Think They) Hate Statistics 3e + SPSS V18.0. University of Kansas, Sage Publications. 19. Somnea, D., Calciu, M. (1994). Excel 5.0 cu aplicaii n management. Bucureti: Editura Tehnic. 20. Vasilescu, G. (2002). Analiza statistic economic i metode de evaluare a firmei. Bucureti: Editura Didactic i Pedagogic. 21. Yih-Long, Chang, Sullivan, Robert (1991). QSB+ Quantitative Systems for Business Plus, Prentice Hall, Englewood Cliffs, NJ 07632.

183