Partea a-IV-a.

Proiectarea SISTEMULUI DE PRODUCTIE

Partea a-IV-a. Proiectarea SISTEMULUI DE PRODUCTIE

Obiective:
nelegerea rolului conceptului de simulare in cadrul proiectarii sistemului de productie Cunoasterea conceptului de probabilitate si a aplicatiilor sale ntelegerea teoriei firelor de asteptare Prezentarea a doua modele a firelor de asteptare: M/M/1 si M/D/1

1. Conceptul de PROBABILITATE
Probabilitatea exprimarea numeric a ansei ca un eveniment din viitor s aib loc. Probabilitatea i teoria probabilitilor sunt utilizate n foarte multe tehnici manageriale de decizie prin analiz cantitativ: teoria deciziei, modele de regresie, previziuni, modele de control a stocurilor, management de proiect, teoria firelor de ateptare, modele de simulare, analiza Markov, control statistic, teoria jocurilor.

I. Reguli cheie privind probabilitatea

1) Probabilitatea unui eveniment, P, de a se materializa este: 0 P (eveniment) 1 Ex. Este greit afirmaia: am 110% ans de ctig. 2) Suma probabilitilor de apariie a consecinelor unei activiti TREBUIE s fie egal cu 1. Ex. o benzinrie are nregistrate urmtoarele valori pentru vnzrile de motorin efectuate pe parcursul a 100 zile lucrtoare din an, conform tabelului: (20 zile din an a avut o cerere de 1 hl motorin/zi, 25 zile din an a avut o cerere de 25 hl motorin/zi etc.)
Motorin vndut [hl] 1 2 3 4 TOTAL Nr. zile Probabilitate Conform calculului, putem spune c exist o probabilitate de 40% de a vinde 4 hl motorin/zi.

20 25 15 40 100 zile

20/100 = 0,2 25/100 = 0,25 15/100 = 0,15 40/100 = 0,4 probabilitati = 1

II. Proprietile evenimentelor

1) Excludere reciproc (divergen) - dac apare o singur consecin n cadrul materializrii evenimentului consecinele evenimentului se exclud reciproc. Ex. a da cu banul - la fiecare aruncare cu banul va aprea doar o singur fa a monezii consecinele cap sau pajur se exclud deoarece nu pot avea loc simultan. 2) Formare intreg (integralitate) dac apar toate consecinele posibile n cazul materializrii evenimentului, atunci consecinele evenimentului formeaz un ntreg i au proprietatea de integralitate. Ex. La aruncarea cu banul, consecinele cap i pajur au i proprietatea de integralitate deoarece la materializarea evenimentului, consecinele cap i pajur reprezint totalitatea consecinelor posibile.

II. Proprietile evenimentelor

Ex. Eveniment: aruncarea cu zarul Proprietati: Divergenta: la o singura aruncare poate aparea o singura consecinta, un singur numr 1, 2, 3, 4, 5 sau 6 Integralitate cele ase consecine reprezint toate rezultatele posibile ale evenimentului.
Eveniment Consecine eveniment Probabilitate apariie consecin 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 probabilitati = 1
6

A arunca cu zarul

TOTAL

II. Proprietile evenimentelor

Ex. Extragerea unei cri dintr-un set de cri de joc: Care este probabilitatea de a extrage cartea 7 dintr-un set de cri (52 buci) i care este probabilitatea de a extrage o carte roie din setul de cri?
P (extragere cartea 7) = 4/52 = 1/13 P (extragere carte de inim roie) = 13/52 = 1/4 P (extragere cartea 7) i P (extragere carte de inim roie) nu au proprietile de divergen si nici de integralitate. Eveniment P (extragere negru) i P (extragere trefl) P (extragere fa) i P (extragere numr) P (extragere as) i P (extragere 5) P (extragere 4) i P (extragere rou) P (extragere trefl) i P (extragere non-trefl) Divergente? da da da nu da Integralitate ? nu Da, reprezint toate situaiile posibile nu nu Da, reprezint toate situaiile posibile
7

Set de cri: 2, 3, 4, 5, 6, 7, 8, 9, 10, juvete, dam, rege, as

III. Reguli de adunare a evenimentelor probabilistice

1) Dac dou evenimente A i B sunt divergente (excludere reciproc) adunarea evenimentelor se face prin reuniune: P(A sau B) = P(A) + P(B) Diagrama Venn ( 1880, John Venn) diagrama care evideniaz toate relaiile logice posibile ntre un numr finit de mulimi.

P(A)

P(B)

P (A sau B) = P(A) + P(B)

Ex. P (extragere negru) i P (extragere trefl) sunt divergente. Astfel, P (extragere negru) = 13/52 si P (extragere trefl) = 13/52.

P (Negru sau Trefl) = P (extragere negru) + P (extragere trefl) = 13/52 + 13/52 = 0,5 = 50%
8

III. Reguli de adunare a evenimentelor probabilistice

2) Dac dou evenimente A i B au proprietatea de integralitate adunarea evenimentelor se face prin excluderea probabilitii ca cele dou evenimente s aib loc simultan: P(A sau B) = P(A) + P(B) P (A si B) Diagrama Venn pentru reuniunea a doua evenimente A si B cu proprietatea de integralitate: P (A si B)
P(A) P(B)

P (A sau B) = P(A) + P(B) - P (A si B)

Ex. P (extragere 4) i P (extragere rou) NU sunt divergente, deci pot avea loc simultan. Dar, n acelai timp nu au nici proprietatea de integralitate deoarece nu reprezint toate consecinele posibile ale unei extrageri.
P ( extragere 4 sau rosu) = P (4) + P(rosu) P (patru si rou) = 4/52 + 13/52 1/52 = 4/13
9

IV. Evenimente INDEPENDENTE sau DEPENDENTE statistic

Eveniment A Eveniment B B este dependent de A? NU DA DA NU

Averse de ploaie n Ninsoare abundent n SUA Bucureti Pregtire temeinic la fizica Nota peste 9 la examen Atitudine antreprenorial Gsirea unui loc de munc la absolvirea facultii Extragere carte de trefl din Extragere carte de inim roie pachetul de cri din pachetul de cri

Exist 3 tipuri de probabiliti pentru producerea evenimentelor, indiferent de relaia dintre acestea (dependen sau independen): Probabilitatea simpla (marginal): P (A) - probabilitatea ca un eveniment s aib loc. Probabilitatea compusa: P (AB) Probabilitatea condiionata: P (BA) - Probabilitatea de producere a evenimentul B tiind c 10 evenimentul A a avut loc.

IV. Evenimente INDEPENDENTE sau DEPENDENTE statistic

Probabilitate simpl (marginal) P (A) - probabilitatea ca un eveniment s aib loc. Ex. Probabilitatea s extragem numrul 5 la o singur aruncare cu zarul: P (extragere 5) = 1/6 = 0,166 probabilitatea marginal a fiecrui eveniment este de 0,166. =
. .

Ex. Probabilitatea de a extrage nr. 6 din prima aruncare cu zarul i de extrage nr. 2 din a doua aruncare cu zarul este: P (6 din prima aruncare i 2 din a doua aruncare) = P (6) P (2) = 1/6 1/6 = 1/36 = 0,028
11

Probabilitatea compus P (AB) P(AB) = P(A) P(B), unde P(AB) probabilitatea ca evenimentele A si B s aib loc simultan sau unul dup altul P(A) probabilitatea marginal a evenimentului A P(B) - probabilitatea marginal a evenimentului B

IV. Evenimente INDEPENDENTE sau DEPENDENTE statistic

Probabilitatea condiionat P (BA) = Probabilitatea de producere a evenimentului B tiind c evenimentul A a avut loc. Evenimente independente apariia unui eveniment NU influeneaz materializarea celuilalt eveniment: P (BA) = P (B) i P (AB) = P(A) Evenimente dependente apariia unui eveniment influeneaz materializarea celuilalt eveniment: Probabilitatea de producere a evenimentului A tiind c evenimentul B a avut loc este P (AB) =
P (AB)

= P (AB) P(B)
12

IV. Evenimente INDEPENDENTE sau DEPENDENTE statistic

Exemplu 1. Evenimente independente. ntr-o cutie sunt 3 bile negre i 7 bile verzi. Extragem o bil din cutie, o punem la loc i extragem a doua bil din cutie. S se determine probabilitile pentru urmtoarele evenimente: Care este probabilitatea de a avea o bil neagr la prima extragere? Care este probabilitatea de a extrage dou bile verzi? Care este probabilitatea de a extrage o bil neagr la a doua extragere, dac la prima extragere am obinut o bil verde? Care este probabilitatea de a extrage o bil verde la a doua extragere, dac la prima extragere am obinut o bil verde?
13

IV. Evenimente INDEPENDENTE sau DEPENDENTE statistic

Exemplu 2. Evenimente dependente. ntr-o urn sunt 10 bile conform descrierii de mai jos: 4 bile albe (A), inscripionate cu litere (L); 2 bile albe (A), inscripionate cu numere (N); 3 bile galbene (G), inscripionate cu litere (L); 1 bil galben (G), inscripionate numere (N). Calculai probabilitile simple, condiionate i compuse. Presupunem c extragem o bil din urn i constatm c este galben. Care este probabilitatea ca bila s fie inscripionat cu litere (L)?

14

V. Variabile aleatoare

Variabil aleatoare numr real alocat oricrui rezultat sau eveniment din cadrul unui experiment. Variabile aleatoare discrete - dac exist un numr limita de valori pentru variabilele respective. Variabile aleatoare continue dac exist un numr nelimitat sau infinit de valori pentru variabilele respective
Experiment Inspecia a repere Construcia case Rezultat Variabil aleatoare Xi Interval de variaie pentru Xi [0,1, 2, ., 50]

600 Nr de repere Xi = nr de repere conforme conforme unei Rata de progres Xi = rata de progres dup 2 0 Xi 100 dup 2 luni luni de

Testare durata de Durata de bun Xi = durata via bec funcionare pina la funcionare 1200 ore

bun 0 Xi 1200

15

V. Variabile aleatoare

Experiment Rspuns chestionar

Rezultat

Interval de variaie pentru Xi 5, 4, = 3, 2, 1, 0, = 1,

Variabil aleatoare Xi

la Acord total - At Acord - A Indiferent - I Dezacord - D Dezacord total - Dt Verificare utilaj Defect - D Funcional - F Testare preferin i place P consumatori i este indiferent I Nu-i place - Np

[1, 2, 3, 4, 5]

[0, 1] [1, 2, 3]

3, = 2, 1,

16

VI. Distribuii de probabilitate

a) Distribuii de probabilitate pentru variabile aleatoare discrete Variabilele aleatoare discrete vor avea alocate probabiliti de realizare, cu valori [0,1] distribuia de probabilitate discret msoar frecvena relativ a valorilor de apariia a variabilelor discrete. Se determin: Tendina central (Expected Value) msoar tendina central a distribuiei de probabilitatea a valorilor variabilei aleatoare discrete Xi: Dispersia (variance) = msoar gradul de mprtiere/repartizare a valorilor variabilei aleatoare discrete n jurul tendinei centrale Deviaia standard = este tot o msur a gradului de mprtiere a valorilor variabilei aleatoare discrete, dar msoar distana dintre un punct dat (o valoare) i tendina central

17

VI. Distribuii de probabilitate - variabile aleatoare discrete

Tendina central (Expected Value) msoar tendina central a distribuiei de probabilitatea a valorilor variabilei aleatoare discrete Xi: = ( ) unde
E(X) = tendina central sau media variabilei aleatoare Xi = valorile variabilei aleatoare discrete P(Xi) = probabilitatea de apariie a fiecrei valori a variabilei aleatoare.

Dispersia (variance) = msoar gradul de mprtiere/repartizare a valorilor variabilei aleatoare discrete n jurul tendinei centrale: = )( ( )

Dac 2 = mic o probabilitate mare ca valorile variabilei aleatoare discrete s fie grupate n jurul tendinei centrale. 2 = mare o probabilitate mic ca valorile variabilei aleatoare discrete s fie grupate n jurul tendinei centrale. Deviaia standard = este tot o msur a gradului de mprtiere a valorilor variabilei aleatoare discrete, dar msoar distana dintre un punct dat (o valoare) i tendina central: = 18

VI. Distribuii de probabilitate - variabile aleatoare discrete

Ex. ntr-o grup de 20 de studeni, notele la examenul de fizic au fost de 10, 9, 8 si 7. Astfel, 2 studeni au obinute nota 10 (zece), 7 studeni au obinute nota 9 (nou), 6 studeni au obinute nota 8 (opt), 5 studeni au obinute nota 7 (apte).
Nota Variabil aleatoare Nr. studeni discret Xi Xi = 10 2 Xi = 9 7 Xi = 8 6 Xi = 7 5 Total 20 studenti P(Xi) 2/20 = 0,1 7/20 = 0,35 6/20 = 0,3 5/20 = 0,25 P(Xi) = 1

Distribuia de probabilitate a variabilei aleatoare discrete Xi nota studenilor depinde de frecvena relativ de apariie a valorilor 10, 9, 8, 7. Aceast distribuie de probabilitate respect cele 3 condiii: Evenimentele au proprietatea de divergen i reprezint toate cazurile posibile (integralitate) Probabilitile marginale/simple sunt ntre 0 i 1 Suma probabilitilor simple P(Xi) = 1
19

VI. Distribuii de probabilitate - variabile aleatoare discrete

Se determin: Tendina central (Expected Value) : = ( ) unde

= ( ) = X1 P(X1) + X2 P(X2) + X3 P(X3) + X4 P(X4) () = 10 0,1 + 9 0,35 + 8 0,3 + 7 0,25 = 1 + 3,15 + 2,4 + 1,75 = 8,3 Dispersia (variance) :

= + + + = 10 8,3 0,1 + 9 8,3 0,35 + 8 8,3 0,3 + 7 8,3 0,25 = = 1,7 0,1 + 0,7 0,35 + (0,3) 0,3 + (1,3) 0,25 = 0,91 2 = mic o probabilitate mare ca valorile variabilei aleatoare discrete s fie grupate n jurul tendinei centrale de E(X) = 8,3. Deviaia standard: = 0,91 = 0,9539

= )( ( )

20

VI. Distribuii de probabilitate - variabile aleatoare discrete

Exist 2 funcii matematice care descriu distribuia de probabilitate a variabilelor aleatoare discrete: Distribuia Poisson utilizat n cazul firelor de ateptare pentru a reprezenta frecvena de sosire a solicitrilor de servire (ex. Frecventa de sosire a Clientilor). Distribuia binomial utilizat pentru a calcula probabilitatea specific a cazurilor de succes din n ncercri n cadrul unui proces Bernoulli. Proces Bernoulli succesiune finit/infinit de variabile aleatore discrete ce pot avea doar valori binare (0 sau 1). Fiecare variabil Xi din sirul de succesiune este asociat cu o ncercare Bernoulli.

21

Distributia Poisson
Utilizat n cazul firelor de ateptare pentru a reprezenta frecvena de sosire a solicitrilor de servire. Exemple de variabile aleatoare discrete ce pot fi descrise prin distribuia Poisson: Nr. de pacieni ce vin la o clinic medical Nr. de clieni ce sosesc la un ghieu bancar Nr. de pasageri ce sosesc la aeroport Nr. de apeluri primite la un Call - Center Etc. Expresia matematic a funciei ce descrie frecvena de apariie a valorilor variabilei aleatoare discrete: , unde =
P(X) probabilitatea de apariie a variabilelor aleatoare discrete X - rata medie a sosirilor n sisteme = nr. sosiri/timp e = 2,718 baza logaritmului natural X variabile aleatoare discrete (0, 1, 2, n)
!

22

Distributia Poisson
Exemplu Dac rata medie a sosirilor n sistem este = 2, s se determine probabilitatea de a avea 0, 1 sau 2 sosiri. Se nlocuiete n formul: =
20 2 0! 21 2 1! 22 2 2! !

1 = 2 =

0 =

= =

20,1353 1

10,1353 1

40,1353 = 12

= 0,2706 27% 0,2706 27%

= 0,1353 14%

23

VI. Distribuii de probabilitate - variabile aleatoare continue

Exemple de variabile aleatoare continue: timpul de finalizarea al unui proiect, temperaturile nregistrate pe parcursul unei zile, durata de bun funcionare a unui bec valorile variabilei aleatoare pot fi infinite regulile privind distribuia de probabilitate a valorilor trebuie modificate. Distribuiile de probabilitate pentru variabile aleatoare continue se bazeaz pe funcia densitate de probabilitate (funcia de probabilitate) f(X) = expresia matematic care descrie densitatea de probabilitate a valorilor variabilei aleatoare continue. Ex. la ieirea din fluxul de fabricaie, greutatea reperului Carcas variaz ntre 5,06 kg i 5,30 kg, valoarea int dorit fiind de 5,18 kg. Aria = probabilitatea ca greutatea reperului Carcas s se gseasc ntre 5,22 i 5,26 kg

24

VI. Distribuii de probabilitate - variabile aleatoare continue

Exist 3 funcii matematice care descriu distribuia de probabilitate a variabilelor aleatoare continue: Distribuia normal descrie cele mai multe fenomene i procese din jurul nostru. Distribuia F util n testarea ipotezelor privind dispersia valorilor variabilelor aleatore continue (util n modele de regresie). Distribuia exponenial - utilizat n cazul firelor de ateptare pentru a descrie durata de servire a unui client/utilizator de ctre staia de servire.

25

Distributia exponential
Funcia densitate de probabilitate a valorilor variabilei aleatoare continue: = , unde X variabila aleatoare continu (timpul de servire) - nr. mediu de clienti serviti e = 2,718 baza logaritmului natural Astfel, Tendina central (timpul mediu de servire): E(X) = Dispersia: =

Probabilitatea ca variabila aleatoare exponenial (X) timpul de servire, s fie mai mic sau egal cu timpul t: P (X t) = 1 e-t. Dac = nr. mediu de servere /or timpul t trebuie exprimat n ore Dac = nr. mediu de servere /min timpul t trebuie exprimat n min.

26

Distributia exponential
Exemplu: Un service auto instaleaz sisteme de amortizoare pe automobile i furgonete. Mecanicul poate monta sistemele de amortizoare cu o rat de 3 seturi/or, iar timpul de servire este distribuit exponenial. Care este probabilitatea ca durata de instalare a unui set de amortizoare s fie de jumtate de or sau mai puin? Identificarea datelor problemei:
X variabila aleatoare continua = durata de servire (montare a sistemului de amortizoare); X = tipul de servire - nr. mediu de clienti serviti = nr. de sisteme de amortizoare instalate; = 3 sisteme/or t = 0,5 ore

Care este probabilitatea ca durata de instalare a unui set de amortizoare s fie de

jumtate de or sau mai puin?: P(X t) = 1 e-t P(X 0,5) = 1 e-t = 1 e-30,5 = 1 e-30,5 = 1 e-1,5 = 1 0,2231 = 0,7769 78%

Care este probabilitatea ca durata de instalare a unui set de amortizoare s fie de 20

minute sau mai puin?: t = 1/3 ore P(X t) = 1 e-t P(X 1/3) = 1 e-t = 1 e-31/3 = 1 e-1 = 1 0,3679 = 0,6321 63%
27

CONCLUZIE

Distribuia Exponenial i Distribuia Poisson sunt corelate. Dac frecvena de apariia a unei variabile aleatoare urmeaz distribuia Poisson durata dintre apariiile variabilei urmeaz distribuia Exponenial.

28

TABEL FORMULE
Nr. 1 2 3 4 5 6 7 Formul 0 P(eveniment) 1 P(A sau B) = P(A) + P(B) P(A sau B) = P(A) + P(B) P (A sau B) P(AB) = P(A) P(B) P(A/B)=
() ()

Descriere Formula probabilitii Regula de adunare a dou evenimente divergente Regula de adunare a dou evenimente ce NU sunt divergente Probabilitatea compus pentru dou evenimente independente Probabilitatea condiionat Probabilitatea compus pentru dou evenimente dependente

P(AB) = P(A/B) P(B) = ( ) = ( ) ( )

Tendina central pentru distribuia de probabilitate discret

8 9 10 11 12 13 14 15 16

Dispersia pentru distribuia de probabilitate discret Deviaia standard pentru distribuia de probabilitate discret Distribuia Poisson Tendina central pentru distribuia Poisson Dispersia pentru distribuia Poisson Distribuia Exponenial Tendina central pentru distribuia Exponenial Dispersia pentru distribuia Exponenial Probabilitatea ca o variabil aleatoare X s fie mai mic dect timpul t
29

) =

= 1 1

= 1