Modelare Si Simulare 3

Multiple Choice
Identify the letter of the choice that best completes the statement or answers the question.
D
____ 1. Procesul stochastic {X t }t ∈T pentru care exista si sunt finite
m t = E[X t ], σ st = Cov [X s , X t ], s < t si m t = m = constant, σ st = σ (t − s )
se numeste :
a. stationar tare; c. cu timp discret;

b. cu timp continuu; d. stationar slab
D
____ 2. Numarul metodelor necesare reducerii dispersiei estimatorului secundar pentru calculul integralelor
prin metoda Monte Carlo bruta este:
a. 3 b. 4 c. 5 d. 6
A
____ 3. O familie de variabile aleatoare, {X t }t∈T , T ⊂ R , deprinzand de parametrul real t (presupus a fi
timpul) se numeste ...................
a. proces stochastic c. proces cu stari discrete
b. lant d. proces cu stari continue
B
____ 4. Procesul stochastic {X t }t∈T se numeste ....................... daca ∀n, h ∈ R , t1 < t 2 < ... < t n avem
Ft1 + h ,t2 + h ,..., tn + h ( x1 , x 2 ,..., x n ) = Ft1 ,t2 ,..., tn ( x1 , x 2 ,..., x n )
a. stationat c. stationar slab

b. stationar tare
B
____ 5. Procesul {X t }t∈T discret, este un proces .............. daca satisface proprietatea
( ) (
P X tn = x n X tn −1 = x n −1 ,..., X t1 = x1 = P X tn = x n X tn −1 = x n −1 )
adica procesul nu are memorie
a. stochastic c. Markov
b. slab stationar
C
____ 6. Probabilitatile de tranzitie santisfac relatia lui ......................, adica
Pij (s, t ) = ∑ ∑ P (s, r )P (rt )
ik kj
k∈S s ≤ r ≤t
Pij (s, t ) definesc matrice de probabilitati de tranzitie care au proprietatea

∑ P (s , t ) = 1
j∈S
ij
a. Markov
b. Dirichlet
c. Chapman-Kolmogorov
A
____ 7. Fie procesul stationar care are functia de .....................
φ(t ) = Cov( X s , X s + t ) , t = 0,1,2,... , φ(0) = Var ( X t ) = σ 2
si fara a pierde generalitatea consideram mt = m = 0 . Daca notam ρ( X s , X t + s ) = Corr ( X s , X t + s )
rezulta ca ρ( X s , X t + s ) = ρ(t ) , t = 1,2,...
a. autocovarianta
b. repartitie
c. autocorelatie
B
____ 8.
Fie procesul stationar care are functia de autocovarianta
φ(t ) = Cov( X s , X s + t ) , t = 0,1,2,... , φ(0) = Var ( X t ) = σ 2
si fara a pierde generalitatea consideram mt = m = 0 . Daca notam ρ( X s , X t + s ) = Corr ( X s , X t + s )
rezulta ca ρ( X s , X t + s ) = ρ(t ) , t = 1,2,... Functia ρ(t ) este functia de ................. a procesului.
a. repartitie
b. autocorelatie
B
____ 9.
Procesul gausian cu funtie de autocorelatie ............
φ(t )
ρ(t ) = = θ t , t = 0,1,2,... , 0 < θ < 1
φ(0)
si σ 2 dispersia sa, se simuleaza cu formula de recurenta
Z 0 ~ → N (0,1) , Z t +1 = θZ t + 1 − θ 2 ε t , t = 1,2,... , X t +1 = σZ t +1
unde ε t , t = 1,2,... sunt variabile N (0,1) independente si independente de Z t .
a. liniara
b. exponentiala
B
____ 10. Procesul ................. {X t }t∈T este descris de urmatoarele relatii de recurenta
1− θ
X0 = V0 , X t = θX t −1 + (1 − θ )Vt , 0 < θ < 1
1+ θ
unde Vt , t = 0,1,2,... sunt variable aleatoare independente si identic repartizate avand proprietatile
E [Vt ] = 0 , Var (Vt ) = σ 2 .
a. gausian
b. zgomotului alb
c. gausian stationar
A
____ 11. Procesul ............ este un caz particular de proces de nastere si deces, mai precis este un proces de
nastere pur cu intensitatea λ n = λ , a carui repartitie satisface ecuatiile diferentiale
′ ′
P0 (t ) = −λP0 (t ) , Pn (t ) = −λPn (t ) + λPn −1 (t ) , ≥ 1 .
a. Poisson
b. procesul de zgomot alb
c. procesul de zgomot alb pur
(λt )n e −λt
A
____ 12. Procesul avand repartitia Pn (t ) = se numeste proces Poisson ................
n!
a. omogen
b. neomogen
c. simplu
(Λ (t )) − Λ (t )
n t
A
____ 13. Procesul avand repartitia P (t ) =
n e , Λ(t ) = ∫ λ(u )du se numeste proces Poisson
n! 0
.............. .
a. neomogen
b. omogen
c. simplu
A
____ 14. Sub denumirea de metode ...................... sunt cuprinse o serie de tehnici de rezolvare a diverse
probleme utilizand numere aleatoare, variabile aleatoare sau procese stochastice simulate cu
calculatorul.
a. Monte Carlo
b. Dirichlet
c. legea numerelor mari
d. Poisson
A
____ 15.
Metoda urmatoare:
"Sa presupunem ca alegem o functie ϕ (ca in cazul metodei variabilei de control) astfel incat
1 1 1
θ = ∫ ϕ(u )du + ∫ ( f (u ) − ϕ(u ) )du unde integrala μ = ∫ ϕ(u )du se poate calcula exact si usor. Daca
0 0 0
in plus se alege ϕ astfel incat
Var (ϕ(U ) ) − 2Cov(ϕ(U ), f (U ) ) < 0
atunci, de asemenea se poate realiza reducerea dispersiei deoarece
( )
Var ϕ* (U ) = Var ( f (U ) − ϕ(U ) ) =
= Var ( f (U ) ) + Var (ϕ(U ) ) − 2Cov( f (U ) − ϕ(U ) ) < “
< Var ( f (U ) )
se numeste metoda variabilelor ...................
a. corelate
b. antitetice
c. de control
____
A 16. Metoda urmatoare:
1
"Fie integrala θ = ∫ f ( x)dx care se scrie θ = E [τ] = E [ f (U )] , sa alegem un alt estimator

0
primar
*
f (U ) , [
θ = E f * (U ) ] si sa consideram estimatorul primar ϕ = f * (1 − U ) ,
[ ]
E [ϕ(U )] = E f * (1 − U ) = θ . Atunci, putem considera estimatorul primar ψ =
1
2
(τ + ϕ) pentru care
1
avem Va r (ψ ) = (Var (τ) + Var (ϕ) + 2Cov(τ + ϕ)) si Cov(τ + ϕ) < 0 . Daca se alege f * astfel incat
4
Var (ψ ) < Var (τ ) (1). Atunci estimatorul ψ realizeaza reducerea dispersiei. Uneori puntem alege
simplu ϕ = f (1 −U ) care satisface (1).” Se numeste metoda variabilelor .....................
a. antitetice b. corelate c. de control
A 17. Fie ecuatia cu derivate partiale de ordinul doi
____
∂ 2V ∂ 2V ∂ 2V ∂V ∂V
β11 + 2β 12 + β 22 + 2α 1 + 2α 2 = F ( x, y ) (1)
∂x 2
∂x∂y ∂y ∂x ∂y
cu conditia
V ( x, y ) = ϕ(x, y ) , ( x, y ) ∈ C (2)
unde V ( x, y ) este o functie necunoscuta pe domeniul marginit D ⊂ R , coeficientii β ij , α i ,
2
i, j = 1,2 sunt functii reale cunoscute definite pe D , functia ϕ( x, y ) este de asemenea cunoscuta, iar
C = ∂D este frontiera lui D . Rezolvarea ecuatiei (1) cu conditia pe contur (2) este cunoscuta sub
numele de problema .......................
a. Dirichlet c. Monte Carlo

b. Poisson
____
A 18. Un caz particular de ecuatie de tip eliptic este ecuatia ..............., adica ∇V (P ) = F (P ) , sau
∂ 2V ∂ 2V
+ = F ( x, y ) cu conditia pe contur V (P ) = ϕ(P ) , P ∈ C , C = D ⊂ R 2 .
∂x 2 ∂y 2
a. Poisson
b. Dirichlet
c. Monte Carlo
True/False
Indicate whether the sentence or statement is true or false.
____
A 1. Un stoc este o resursa de orice fel care are o valoare economica, caracterizata prin intrari si iesiri
____
A 2. De regula, intrarea in stoc se realizeaza in cantitati mari (numite comenzi) care se introduc in stoc la
intervale de timp numite cicluri de reaprovizionare.
____
F 3. De regula, intrarea in stoc se realizeaza in cantitati mari (numite comenzi) care se introduc in stoc la
intervale de timp numite inventare.
____
A 4. Modelul clasic al lotului economic este cunoscut si sub numele de modelul lui Wilson
____
F 5. Modelul clasic al lotului economic este cunoscut si sub numele de modelul clasic al lipsei de stoc.
____
A 6. Procesul stochastic discret N (t ) , cu cresteri independente, se numeste proces de nastere si moarte,
daca satisface urmatoarele proprietati:
P ([N (t + Δt ) = n + 1][N (t ) = n]) = λ n Δt + o(Δt )
P ([N (t + Δt ) = n − 1][N (t ) = n ]) = μ n Δt + o(Δt )
P ([N (t + Δt ) = n ± i ][N (t ) = n]) = o(Δt ) , i > 1
unde P ( A B ) inseamna probabilitatea lui A conditionata de B , constantele {λ n , n ≥ 0},
{μ n , n ≥ 1} sunt siruri de numere pozitive date, iar o(Δt ) este un element al unei clase de functii ce
satisfac conditiile
o(Δt )
lim o(Δt ) = 0 , lim =0
Δt →0 Δt →0 Δt
____
F 7. Procesul stochastic discret N (t ) , cu cresteri independente, se numeste proces Marcov simplu, daca
satisface urmatoarele proprietati:
P ([N (t + Δt ) = n + 1][N (t ) = n]) = λ n Δt + o(Δt )
P ([N (t + Δt ) = n − 1][N (t ) = n ]) = μ n Δt + o(Δt )
P ([N (t + Δt ) = n ± i ][N (t ) = n]) = o(Δt ) , i > 1
unde P ( A B ) inseamna probabilitatea lui A conditionata de B , constantele {λ n , n ≥ 0},
{μ n , n ≥ 1} sunt siruri de numere pozitive date, iar o(Δt ) este un element al unei clase de functii ce
satisfac conditiile
o(Δt )
lim o(Δt ) = 0 , lim =0
Δt →0 Δt →0 Δt
A
____ 8. Procesul de nastere si moarte este stationar daca Pn (t ) = p n = const. adica repartitia sa nu depinde
de timp.
____
F 9. Procesul de nastere si moarte este nestationar daca Pn (t ) = p n = const. adica repartitia sa nu
depinde de timp.
____
A 10. In modelul cu ceas variabil, ceasul variabil al simularii nu apare explicit (el este implicit), in sensul
ca de fapt pentru alegerea evenimentului ce trebuie prelucrat se foloseste regula primului eveniment
urmator, care este o consecinta a tehnicii bazate pe ceasul cu crestere variabila.
____
A 11. Procesele si lanturile Markov sunt acelea care satisfac proprietatea lui Markov.
′
A 12. Tehnica urmatoare " Sa presupunem ca se cunoaste repartitia initiala π = (π1 , π 2 ,..., π m )
____ si
matricea probabilitatilor de tranzitie P = p ij . Atunci starea initiala I = i se simuleaza ca variabila
discreta" permite simularea unui lant Markov.
⎛ 1, 2, ..., m ⎞
I : ⎜⎜ ⎟⎟
π
⎝ 1 , π 2 , ..., π m⎠
Daca lantul se afla in starea i atunci starea aleatoare urmatoare in care trece lantul se simuleaza ca
variabila discreta
⎛ 1, 2, ..., m ⎞
J : ⎜⎜ ⎟
⎝ pi1 , pi 2 , ..., pim ⎟⎠
′
____
F 13. Tehnica urmatoare " Sa presupunem ca se cunoaste repartitia initiala π = (π1 , π 2 ,..., π m ) si matricea
probabilitatilor de tranzitie P = p ij . Atunci starea initiala I = i se simuleaza ca variabila discreta"
permite simularea unui proces gausian stationar.
⎛ 1, 2, ..., m ⎞
I : ⎜⎜ ⎟⎟
π
⎝ 1 , π 2 , ..., π m⎠
Daca lantul se afla in starea i atunci starea aleatoare urmatoare in care trece lantul se simuleaza ca
variabila discreta
⎛ 1, 2, ..., m ⎞
J : ⎜⎜ ⎟
⎝ pi1 , pi 2 , ..., pim ⎟⎠
____
A 14. Daca o stare i a unui lant omogen are proprietatea ca exista un j , j ≠ i astfel incat pij > 0 , atunci
starea i este stare de tranzitie.
____
F 15. Daca o stare i a unui lant omogen are proprietatea ca exista un j , j ≠ i astfel incat pij > 0 , atunci
starea i este stare absorbanta.
____
A 16. Daca o stare i a unui lant omogen are proprietatea ca exista un j , j ≠ i astfel incat p ii = 1 atunci
starea i este stare absorbanta.
____
F 17. Daca o stare i a unui lant omogen are proprietatea ca exista un j , j ≠ i astfel incat ,
atunci starea i este stare absorbanta.
____
A 18. Sub denumirea de metode Monte Carlo sunt cuprinse o serie de tehnici de rezolvare a diverse
probleme utilizand numere aleatoare, variabile aleatoare sau procese stochastice simulate cu
calculatorul.
____
A 19. Ecuatia Poisson este un caz particular de ecuatie de tip eliptic.
____
A 20. În diverse modele de stocare se pot da costurile h , s si/sau d , se da rata cererii r si timpul de
avans L si se cer q , P optime. O multime de elemente ce definesc un mecanism de aprovizionare
se spune ca determina o politica de reaprovizionare.
____
A 21. In diverse modele de stocare se pot da costurile h , s si/sau d , se da rata cererii r si timpul de
avans L si se cer q , P optime. Cand r , L nu sunt aleatoare, modelul se numeste determinist.
____
A 22. In diverse modele de stocare se pot da costurile h , s si/sau d , se da rata cererii r si timpul de
avans L si se cer q , P optime. Cand cel putin una din variabilele r , L este aleatoare, modelul
este stochastic.
____
F 23. In diverse modele de stocare se pot da costurile h , s si/sau d , se da rata cererii r si timpul de
avans L si se cer q , P optime. Cand r , L nu sunt aleatoare, modelul se numeste stochastic.
____
F 24. In diverse modele de stocare se pot da costurile h , s si/sau d , se da rata cererii r si timpul de
avans L si se cer q , P optime. In cazul cand cel putin una din variabilele r, L este aleatoare,
modelul este determinist..
____
A 25. Modelul:
Exp(λ ) / Exp(μ ) / 1 : (∞, FIFO )
Este un exemplu de model matematic de asteptare cu o statie de serviciu.
____
A 26. Modelul:
Exp(λ ) / Exp(μ ) / N ( paralel) : (∞, FIFO )
este un model matematic de asteptare cu N statii paralele presupuse identice (adica au aceeasi
repartitie pentru ST -ul fiecareia), coada poate fi infinita, iar disciplina este standard (primul venit
primul servit).
Completion
Complete each sentence or statement.
1. Daca {X t }t ∈T este un proces stochastic, multimea {(t , X t ) | t ∈ T } se numeste

TRAIECTORIE
………………………….. a procesului stochastic.
2. Daca un proces stationar satisface proprietatea lui Markov, se spune ca procesul
NU ARE MEMORIE
……………………….
3. Relatiile urmatoare, satisfacute de probabilitatile de trecere ale unui lant Markov:

Pij (s , t ) = ∑ ∑ Pik (s , r )Pkj (r , t ), i , j ∈ S = {1,2 ,3 ,..., m},
k ∈S s ≤ r ≤ t
s , t ∈ T = {0 ,1,2 ,..., n}.
se numesc relatiile lui …………………………
CHAPMAN KOLMOGOROV
(se vor scrie cuvintele cu spatiu intre ele fara alt semn)
4. Intr-un lant Markov cu un numar finit de stari, matricea Pij (s , t ) , s , t ∈ ℵ se numeste matrice
de trecere in …………
t-s ?? pasi.
5. Daca intr-un lant Markov cu un numar finit de stari, probabilitatile de trecere intr-un pas nu depind
OMOGEN
de momentele cand au loc tranzitiile , spunem ca lantul este ………………sau stationar
6. Metoda Monte Carlo pentru calculul integralelor in care se foloseste repartitia uniforma pentru a
1 n
1
returna integrala θ = ∫ f ( x )dx cu media aritmetica θ n = ∑ f (U i ) se numeste metoda
0 n i =1
Monte Carlo …………………………
BRUTA
7. Lantul Markov asociat metodei Monte Carlo de rezolvare a problemei Dirichlet poarta numele de
……………………..
MERS LA INTAMPLARE in plan
t
8. In teoria stocurilor, NIVELUL STOCULUI

........................ la momentul t este I(t) = I 0 + ∫ (b( x ) − a ( x ))dx , unde I0 este
0
nivelul initial al stocului, a(t) este rata intrarii in stoc la momentil t, iar b(t) este rata iesirii din stoc la
momentul t.
WILSON
9. In modelul lui ................. costul total de intretinere a stocului pe unitatea de timp este C(q) =
hq sr
+
2 q
POLITICA OPTIMA ⎛ ∧ ∧
⎞ ⎛ 2rs 2 s ⎞
10. In modelul lui Wilson, ............. de reaprovizinare este ⎜ q 0 ,T0 ⎟ = ⎜ ⎟
⎝ ⎠ ⎜ h , rh ⎟
⎝ ⎠
COSTUL OPTIM ∧
11. In modelul lui Wilson .............. al intretinerii stocului este C 0 = 2 srh
LIPSEI DE STOC
12. In modelul clasic al ............................., functia obiectiv de minimizat este C(S,T) =
C hS 2 d (rT − S )
2
+ +
T 2rT 2rT
ERGODIC
13. Solutia sistemului de ecuatii diferentiale asociat unui proces de nastere si deces .................. sau
−1
λ
n ⎡ ∞ n −1 λ ⎤
stationar este pn = ∏ α p0 , unde p0 = ⎢1 + ∑∏μα ⎥
α = 0 μα + 1 ⎣ n = 1α = 0 α + 1 ⎦
∞
MEDIU
14. Intr-un sistem de asteptare, numarul ............ de clienti din sistem este E[NT]= ∑ np n
n =0
STATII
15. Intr-un sistem de asteptare cu c statii de serviciu numarul mediu de .......... care lenevesc este E[NID]
c
= ∑ (c − n) pn
n =0
MEDIE
16. Intr-un sistem de asteptare cu c statii de serviciu, lungimea ............ a cozii de asteptare este E[WL] =
∞
∑ (n − c) pn
n=c
MODELAREA SI SIMULAREA PROCESELOR ECONOMICE
1)Selectaţi afirmaţia falsă despre utilizarea modelelor economico-matematice.

1 modelul este o reprezentare simplificată şi izomorfă a realităţii, menită să permită studiul
acesteia altfel decât prin experimentare directă;
2 modelul reflectă într-un mod convenţional principalele caracteristici ale realităţii, conside-
rate esenţiale pentru scopul cercetării;
3 cu ajutorul modelelor se identifică soluţii optime la probleme complexe, formulate ambi-
guu şi cu date de intrare imprecise şi incomplete;
4 un model trebuie să fie simplu, robust, uşor de aplicat şi de controlat;
5 „manipularea” modelului presupune transformări ale valorilor exogene în valori
căutate/studiate ale variabilelor endogene care descriu caracteristicile esenţiale ale obiectu-
lui studiat.
ANS: 3
2)Expresia matematică care limitează intervalul în care variabilele rezultat ar putea fi calculate este
echivalentă:
1 unei funcţii obiectiv;

2 unui criterii de decizie;
3 unei restricţii;
4 unei funcţii de utilitate;
5 unei variabile duale.
ANS: 3
3) O soluţie optimă se identifică:
1 din mulţimea soluţiilor admisibile folosind un anume criteriu de decizie sau o funcţie
scop;
2 din mulţimea valorilor variabilelor independente;
3 cu ajutorul unei tehnici de simulare sau a unor metode euristice;
4 cu ajutorul mai multor criterii de decizie / funcţii scop (independente) considerate simul-
tan;
5 luând în considerare subiectivismul cercetătorului decidentului.
ANS: 1
4) Spre deosebire de programarea liniară sau programarea dinamică, simularea nu se bazează pe un

model analitic. Aceasta presupune că rezultatele obţinute prin simulare sunt:
1 valori optime;
2 simplificate;
3 euristice;
4 aproximări ale unor valori reale;
5 nerealiste.
ANS: 4
5) Printre aspectele relevante pentru diferenţierea modelelor normative (bazate pe optimizare) şi
cele descriptive (bazate pe satisfacţie) nu se enumeră:
1 mulţimea condiţiilor ce trebuie satisfăcute;

2 alternative studiate;
3 ordonarea şi testarea alternativelor;
4 numărul de decidenţi;
5 modelul de testare utilizat
ANS: 4
6) In funcţie de natura datelor, modelele se împart în următoarele categorii:
1 deterministe / stochastice / fuzzy;

2 multiatribut / multiobiectiv;
3 modele de optimizare / de simulare;
4 de previziune, de organizare, de coordonare, de antrenare, de control;
5 normative /descriptive.
ANS: 1
7)Selectaţi afirmaţia falsă din următoarele propoziţii referitoare la avantajele oferite de tehnica simulă-
rii:
1 simularea poate fi folosită pentru a verifica o soluţie nesigură obţinută pe cale analitică;
2 simularea permite controlul fenomenelor reale, prin soluţiile oferite putându-se corecta de-
ciziile efectuate anterior;
3 simularea permite intuirea unor fenomene reale, verificându-se verosimilitatea unor ipo-
teze de evoluţie;
4 prin simulare se pun în evidenţă acele variabile semnificative pentru studiul fenomenului
real şi legăturile dintre acestea;
5 prin formularea şi experimentarea unor modele, prin simulare se pot culege în mod sistem-
atic date concludente şi sugestive pentru evoluţia fenomenelor reale.
ANS: 1
8) Determinaţi din următoarea enumerare:
conceptul folosit pentru a descrie mulţimea finită de operaţii / instrucţiuni / comenzi care execu-
tate într-o anumită succesiune duc la transformarea datelor de intrare într-un set de valori de
ieşire.
1 vector
2 algoritm
3 structură
4 model
5 problemă
ANS: 2
9) Mărimile care caracterizează procesele economice din punct de vedere al preciziei lor pot fi
clasificate în mărimi:
A. Fuzzy/vagi;
B. Aproximative;
C. Euristice;
D. Exacte;
E. Stochastice;
F. Deterministe;
G. Precise;
H. Imprecise.
Indicaţi combinaţia corectă:
1 A+B+H
2 D+F+G
3 A+E+F
4 C+E+H
5 A+B+G
ANS: 3
10) Atunci când gradul ridicat de precizie a datelor folosite se asociază unui grad mediu de completi-
tudine se recomandă utilizarea:
1 analogiilor;
2 modelelor deterministe;
3 abordării stochastice;
4 mulţimilor vagi (fuzzy);
5 informaţiilor nerelevante.
ANS: 2
11) Selectaţi afirmaţia falsă referitoare la experimentarea unui model economico-matematic:
1 aceasta se poate face în plan real, prin intervenţia cercetătorului în definirea cadrului de
experimentare;
2 aceasta se poate realiza "în plan virtual" pe eşantioane de mari dimensiuni, furnizând
estimări complete la costuri rezonabile;
3 este o etapă necesară a procesului de modelare fiind precedată de identificarea problemei
prin cunoaşterea detaliată a realităţii şi de construirea modelului propriu-zis;
4 este o etapă necesară a procesului de modelare fiind urmată de rezolvarea şi implementa-
rea modelului şi, eventual, de actualizarea soluţiei prin analiza de senzitivitate;
5 aceasta se poate face "in plan real" prin observarea completă sau exhaustivă a realităţii.
ANS: 5
12) Referitor la o problemă de programare liniară, introducerea impreciziei (relaxarea datelor inex-
acte), prin care coeficienţii variabilelor sau termenii liberi ai restricţiilor sunt mulţimi vagi, con-
duce la:
1 programarea dinamică;
2 programarea fuzzy;
3 programarea în numere întregi;
4 programarea stochastică;
5 programarea în numere întregi.
ANS: 2
13) În cazul problemelor de dimensiuni mari, de natură stochastică sau vagă, se recomandă:
1 algoritmi exacţi;
2 algoritmi euristici;
3 algoritmi bazaţi pe tehnici de optimizare;
4 algoritmi lingvistici;
5 algoritmi de programare liniară cu variabile 0/1.
ANS: 2
14)Metodele de tip determinist se folosesc, în general, atunci când:

1 problema descrisă este complexă şi se pot crea scenarii de evoluţie probabilă descrise prin
variabile aleatoare;
2 dispunem de date inexacte, dar problema este de dimensiuni mari;
3 dispunem de date suficient de precise şi în cantitate mare;
4 dispunem de date inexacte; dar problema este de dimensiuni mici;
5 se doreşte previzionarea comportamentului unui sistem economico-social caracterizat prin
mai multe stări posibile.
ANS: 3
15) Soluţia oferită prin aplicarea modelelor euristice este:
1 soluţie optimă;
2 soluţie optimă cu o anumită probabilitate;
3 o soluţie "bună" fără să se arate că este "cea mai bună posibilă";
4 soluţie suboptimală cu o anumită probabilitate;
5 soluţie întreagă.
ANS: 3
16)Selectaţi afirmaţia falsă: "Recunoaşterea faptului că în studiul fenomenelor socio-economice, creş-

terea preciziei datelor afectează în sens invers proporţional completitudinea acestora conduce la:
1 abordarea stochastică a problemelor".;

2 folosirea teoriei jocurilor";
3 abordarea cu ajutorul mulţimilor vagi";
4 abordarea prin strategii de tipul "încercare şi eroare".;
5 folosirea tehnicilor de optimizare".
ANS: 5
17) Pentru rezolvarea unor probleme în care volumul de date disponibile este redus se pot folosi:
1 modele deterministe;
2 modele stochastice;
3 modele probabilistice;
4 modele fuzzy;
5 modele econometrice.
ANS: 2
18) Modelele de simulare au un caracter:
1 deductiv;
2 stochastic;
3 probabilist;
4 procedural;
5 determinist.
ANS: 4
19) Selectaţi afirmaţia falsă:
1 scăderea simultană a preciziei şi completitudinii datelor folosite într-un model economico-

matematic permite o abordare optimală cu ajutorul modelelor deterministe.
2 precizia şi completitudinea reprezintă atribute distincte, care dau măsura utilităţii unui set
de date pentru extragerea unor informaţii necesare procesului decizional.
3 scăderea alternativă a preciziei sau completitudinii datelor conduce la o abordare
stochastică, la folosirea teoriei jocurilor strategice sau a mulţimilor fuzzy.
4 precizia şi completitudinea ridicate ale datelor folosite într-un model economic-matematic
fac posibilă aplicarea cu bune rezultate a tehnicilor de învăţare de tip "încercare şi eroare".
5 cel mai adesea, complexitatea fenomenelor şi proceselor economico-sociale conduc la im-
posibilitatea obţinerii simultane a unei precizii ridicate şi a unui grad de completitudine
mare a informaţiilor disponibile.
ANS: 1
20) Selectaţi afirmaţia falsă referitoare la decizia economică:
1 „decizia presupune alegerea între mai multe variante de decizie (formulate ca alternative
mutual exclusive)”;
2 „decizia economică presupune activitatea de căutare conştientă a unei variante de acţiune
menită să contribuie la atingerea unui obiectiv stabilit anterior”;
3 „decizia rezultă ca urmare a procesării în mod conştient şi raţional a unor informaţii şi cu-
noştinţe”;
4 „decizia aparţine unei persoane sau grup de persoane care dispune de autoritatea necesară
şi care răspunde de gestiunea eficientă a unor resurse într-o organizaţie”;
5 „decizia economică implică folosirea unor algoritmi de tip determinist, aplicaţi pentru date
de intrare exacte, rezultatul deciziei fiind o strategie optimă de acţiune”.
ANS: 5
21)Diferenţa dintre valoarea obţinută prin decizia optimă pentru o anumită stare a naturii şi valoarea re-
zultată din oricare altă alegere a variantei decizionale se numeşte:
1 risc;
2 raţionalitate;
3 regret;
4 incertitudine;
5 eroare.
ANS: 3
22)Diferenţa principală dintre modul în care acţionează natura (mediul înconjurător) şi modul în care ar
acţiona un partener conştient constă în faptul că:
1 timpul de reacţie de care dispune decidentul este mai scurt;

2 mediul extern „acţionează” fără un scop;
3 acţiunile mediului pot fi prevăzute în ipoteza de raţionalitate;
4 în general, natura „acţionează” în favoarea decidentului;
5 natura este "previzibilă".
ANS: 2
23) Caracteristic situaţiei decizionale în condiţii de certitudine este faptul că:
1 fiecărei variante decizionale îi corespund mai multe consecinţe decizionale pentru care nu
se cunosc probabilităţile de apariţie;
2 fiecărei variante decizionale îi corespund mai multe consecinţe decizionale pentru care se
cunosc probabilităţile de apariţie;
3 elementele procesului decizional sunt variabile controlabile, cu caracteristici cunoscute, cu
evoluţii ce pot fi anticipate cu precizie acceptabilă;
4 numărul de variabile (atât controlabile, cât şi necontrolabile) este ridicat, totuşi anticiparea
evoluţiei celor necontrolabile este posibilă (cu un grad satisfăcător de aproximaţie);
5 probabilitatea de apariţie a unor consecinţe decizionale poate fi determinată prin estimări
subiective sau prin studiul statistic al frecvenţei de apariţie a unor elemente aleatoare.
ANS: 3
24) Ca regulă de identificare a variantei optime de decizie nu poate fi considerată:
1 exprimarea preferinţei subiective sau intuitive a decidentului;

2 compararea „calităţii” fiecărei variante decizionale cu ajutorul unei reguli de decizie;
3 folosirea unor metode analitice;
4 folosirea unor metode euristice;
5 compararea „utilităţii” fiecărei variante decizionale.
ANS: 1
25) Decizii în condiţii de incertitudine se iau atunci când:
1 nu există informaţii privind probabilităţile de realizare ale stărilor naturii;

2 managerul dispune de informaţii complete asupra desfăşurării viitoare a procesului anali-
zat;
3 nu se pot identifica elementele generale ale unui model de decizie;
4 se cunosc probabilităţile de realizare a stărilor naturii;
5 fiecărei variante îi corespunde o singură consecinţă/ un singur rezultat.
ANS: 1
26) Ca metodă de raţionalizare a deciziilor în condiţii de incertitudine se recomandă folosirea:
1 numai a tehnicii de tip pesimist sau prudent (Wald) având în vedere ipoteza aversiunii faţă
de risc a agenţilor economici;
2 numai a tehnicii de tip optimist având în vedere ipoteza înclinaţiei faţă de risc a agenţilor
economici;
3 indicatorului de tip speranţă matematică a consecinţelor decizionale;
4 indicatorului de tip speranţă matematică pentru matricea regretelor;
5 următoarelor tehnici: Wald, Savage, Hurwicz, Laplace.
ANS: 5
27)Deciziile în condiţii de risc se deosebesc de cele în condiţii de incertitudine prin faptul că:
1 la primele se cunosc probabilităţile asociate stărilor obiective ale naturii;
2 la primele, decidentul foloseşte conceptul de utilitate;
3 primele se referă la mai multe criterii;
4 primele presupun pierderi mai mari decât celelalte;
5 primele sunt condiţionate de celelalte.
ANS: 1
28) În cazul unei probleme decizionale cu consecinţe de tip profit, alegerea variantei decizionale op-
time în condiţii de incertitudine cu criteriul Savage se face aplicând formula:
unde:
Cij - consecinţa economică (de tip profit) a alegerii variantei de decizie i, i=1,...,m, în condiţiile în
care s-a produs starea naturii j, j=1,...,n;
V* - variantă optimă;
pj – probabilitatea manifestării pentru starea naturii SNj.
1 max i min j C ij → V *
2 1 n
→
maxi ∑ Cij
n j=1
V∗
3 min i max j C ij → V *
4 n
∑p C
j =1
j ij →V*,
max
5 min i max j R ij → V* , unde R ij = max i C ij − C ij
ANS: 5
29) În cazul unei probleme decizionale cu consecinţe de tip profit, alegerea variantei decizionale op-
time în condiţii de incertitudine cu criteriul Wald se face aplicând formula:
unde:
Cij consecinţa economică a alegerii variantei de decizie i, i=1,...,m, în condiţiile în care s-a
produs starea obiectivă j, j=1,...,n;
V* variantă optimă;
pj – probabilitatea manifestării stării a naturii j.
1 max min Cij → V *

i = 1 ,m j = 1 ,n
;
2 1 n
max
i =1 ,m n
∑C
j =1
ij →V*
3 min max Cij → V *

i = 1 ,m j = 1,n
4 n
max
i = 1 ,n
∑p
j =1
j ⋅ Cij → V *
5 min max Rij Ri j = max Cij − Cij

j = 1 ,n
i =1,m j = 1,n
unde
ANS: 1
30) Selectaţi afirmaţia falsă:

1 Ca tehnică de raţionalizare a deciziilor în condiţii de risc se foloseşte transformarea unor
judecăţi calitative de verosimilitate în echivalenţe numerice (valori în intervalul [0,1]).
2 Deciziile în condiţii de risc se adoptă întotdeauna pe baza unor ipoteze privind rezultatele
potenţiale pentru fiecare variantă decizională în parte.
3 Deciziile în condiţii de risc se adoptă pe baza preferinţei decidentului pentru consecinţele
decizionale exprimate prin atitudinea faţă de risc (neutralitate, de înclinaţie, de aversiune).
4 Pentru raţionalizarea deciziilor în condiţii de nedeterminare se folosesc probabilităţi esti-
mate subiectiv de către decident (pe baza experienţei, intuiţiei) sau determinate obiectiv
(prin metode statistico-matematice).
5 Luarea deciziilor în condiţii de risc poate fi efectuată prin compararea valorii aşteptate
asociate variantelor decizionale cu valoarea identificată de regula prudentă maximin
(Wald).
ANS: 5
31) Selectaţi afirmaţia adevărată referitoare la valoarea informaţiei perfecte (VIP):

unde:
Cij consecinţa economică (de tip profit) a alegerii variantei de decizie i, i=1,...,m, în condiţiile în
care s-a produs starea obiectivă j, j=1,...,n;
pj – probabilitatea manifestării stării a naturii j.
1 este dată de diferenţa dintre profitul estimat a fi obţinut în condiţiile cunoaşterii complete a
informaţiilor şi costul achiziţionării informaţiilor perfecte (C);
2 rolul informaţiei perfecte este dat de posibilitatea (teoretică) de a preschimba situaţia deci-
zională din una în condiţii de risc într-una în condiţii de incertitudine;
3 valoarea VIP pentru modelele de decizii incerte este mai mică în comparaţie cu valoare
VIP calculată pentru decizii în condiţii de risc;
4 n n
∑p j ⋅ max Cij − max ⋅ ∑ p j ⋅ Cij

i i
se calculează cu formula: VIP =; j =1 j =1
5 dacă VIP > C nu se recomandă achiziţionarea informaţiei perfecte / adiţionale.

ANS: 4
32) Metoda arborilor de decizie presupune:
1 evaluarea nodurilor iniţiale înaintea celor finale;

2 evaluarea tuturor nodurilor de decizie înaintea celor de tip incertitudine;
3 eliminarea din calcul a variantelor aparent nefavorabile la un anumit moment;
4 alegerea variantei cu cea mai mare probabilitate de realizare;
5 evaluarea nodurilor de tip eveniment înaintea nodurilor de tip decizie.
ANS: 5
33) Selectaţi afirmaţia falsă referitoare la metoda arborelui de decizie:
O întreprindere din sectorul public are la dispoziţie trei variante de extindere a activităţii din
care doreşte să selecteze varianta optimă în condiţiile minimizării investiţiilor (tabelul 1 – sume
necesare stabilite pe baza informaţiilor din studiile de fezabilitate) şi în trei scenarii posibile /
stări ale naturii (evoluţie favorabilă, satisfăcătoare, nefavorabilă a economiei în următorii ani).
Tabelul 1. Matricea consecinţelor
Variante decizionale
Stările naturii
S1 S2 S3
V1 14000 11125 8250
V2 13800 11050 8300
V3 13500 11000 8500
1 se aplică la situaţiile decizionale de mare complexitate, în care sunt implicate evenimente

aleatorii care se produc succesiv;
2 în reprezentarea diagramei apar trei tipuri de noduri (de decizie, de tip eveniment /de tip
consecinţă sau finale);
3 fiecare nod are mai multe noduri ascendente şi descendente;
4 alegerea variantei optime se realizează pe baza analizei comparative a speranţelor matema-
tice calculate până la nivelul nodului iniţial;
5 găsirea unei soluţii „optime” este echivalentă cu alegerea unui drum complet în arbore
(pornind de la nodurile finale ale arborelui şi până la nodul iniţial).
ANS: 3
34) Indicaţi răspunsul correct:
Folosind teoria deciziilor în condiţii de incertitudine şi programul informatic WINQSB/ modu-

lul Decision Analysis s-au obţinut rezultatele prezentate în tabelul 2.Tabelul 2. Rezultatele
obţinute cu WINQSB/DA
Criterion Best Decision Decision Value
Maximin V3 ($13500)
Maximax V1 ($8250)
Hurwicz (p=0.8) V1 ($9400)
Minimax Regret V3 $250
Expected Value V3 ($11000)
Equal Likelihood V3 ($11000)
Expected Regret V3 $83.33
Expected Value without any Information = ($11000)
Expected Value with Perfect Information= ($10916.67)
Expected Value of Perfect Information = $83.33
In cazul unui decident neutru faţă de risc, varianta optimă:
1 este varianta 1;
2 este varianta 2;
3 este varianta 3;
4 poate oricare dintre variante, în mod indiferent;
5 nu se poate preciza optimalitatea pentru nici o variantă.
ANS: 5

lul Decision Analysis s-au obţinut rezultatele prezentate în tabelul 2. Tabelul 2. Rezultatele
obţinute cu WINQSB/DA
Maximin V3 ($13500)
Maximax V1 ($8250)
Hurwicz (p=0.8) V1 ($9400)
Selectaţi afirmaţia falsă referitoare la valoarea informaţiei perfecte (VIP) pentru această prob-
lema decizională:
1 dacă se dispune de posibilitatea achiziţiei de informatie completă, iar pretul acesteia este
de 83,33 u.m., nu se recomandă achiziţionarea informatiei;
2 dacă se dispune de posibilitatea achiziţiei de informaţie completă, iar pretul acesteia este
de mai mic de 83,33 u.m., nu se recomandă completarea informaţiilor;
3 valoarea informaţiei perfecte este de 83,33 u.m.
4 valoarea asteptată a profitului în condiţiile dispunerii de informaţie perfectă este de
10916.67 u.m.;
5 valoarea asteptată a profitului fără informaţie perfectă este de 11000 u.m.
ANS: 2

lul Decision Analysis s-au obţinut rezultatele prezentate în tabelul 2.
Stările naturii
S1 S2 S3
V1 14000 11125 8250
V2 13800 11050 8300
V3 13500 11000 8500
Tabelul 2. Rezultatele obţinute cu WINQSB/DA

Maximin V3 ($13500)
Maximax V1 ($8250)
Hurwicz (p=0.8) V1 ($9400)
În condiţii de risc (prin acordarea unor probabilităţi celor 3 stări ale naturii), valoarea
informaţiei perfecte:
1 se păstrează constantă;
2 se reduce cu 83,33 um.:
3 creşte cu 83.33. um:
4 creşte cu o valoare care se poate calcula cu informaţiile disponibile în tabelul 1;
5 se reduce cu o valoare care se poate calcula cu informaţiile disponibile în tabelul 1
ANS: 5

lul Decision Analysis s-au obţinut rezultatele prezentate în tabelul 2.
Stările naturii
S1 S2 S3
V1 14000 11125 8250
V2 13800 11050 8300
V3 13500 11000 8500
Tabelul 2. Rezultatele obţinute cu WINQSB/DA

Maximin V3 ($13500)
Maximax V1 ($8250)
Hurwicz (p=0.8) V1 ($9400)
Pentru modelul matriceal în condiţii de risc, folosind aceeaşi matrice a consecinţelor (tabelul 1),
informaţia disponibilă se suplimentează cu vectorul de probabilităţi asociate stărilor naturii:
(0,35, 0,45, 0,2). Atunci, rezultatul (vezi tabelul 2) se modifică în cazul aplicării criteriului:
1 maxmin (criteriul Wald);

2 maxmax (criteriul superoptimist);
3 Hurwicz;
4 expected value (valoare aşteptată);
5 equal likelihood (criteriul Laplace).
ANS: 4
38)Indicaţi răspunsul corect.

Construind arborele de decizie pentru matricea consecinţelor din tabelul 1 şi folosind probabil-
ităţile asociate stărilor naturii de 0,35, 0,45 şi 0,2 se obţine figura 1 - rezolvarea corespunde celei
din produsul informatic WINQSB/modulul Decision Analysis.
Stările naturii
S1 S2 S3
V1 14000 11125 8250
V2 13800 11050 8300
V3 13500 11000 8500
Valoarea nodului 4 s-a calculat:
1 alegând minimul dintre valorile nodurilor imediat următoare;

2 prin calculul valorii aşteptate utilizând valorile nodurilor imediat următoare şi probabil-
ităţile asociate;
3 prin media aritmetică;
4 independent de probabilităţi;
5 pe baza valorii din nodul 1.
ANS: 2

Construind arborele de decizie pentru matricea consecinţelor din tabelul 1 şi folosind probabi-
lităţile asociate stărilor naturii de 0,35, 0,45 şi 0,2 se obţine figura 1 - rezolvarea corespunde ce-
lei din produsul informatic WINQSB/modulul Decision Analysis.
Stările naturii
S1 S2 S3
V1 14000 11125 8250
V2 13800 11050 8300
V3 13500 11000 8500
Selectaţi afirmaţia falsă despre nodul 4:
1 este un nod de tip decizie;

2 este un nod de tip eveniment / şansă;
3 valoarea sa este de -11375 u.m.;
4 valoarea se calculează prin speranţa matematică a valorile din nodurile imediat următoare;
5 nu este luat în considerare pentru identificarea soluţiei optime.
ANS: 1

Construind arborele de decizie pentru matricea consecinţelor din tabelul 1 şi folosind probabil-
ităţile asociate stărilor naturii de 0,35, 0,45 şi 0,2 se obţine figura 1 - rezolvarea corespunde celei
din produsul informatic WINQSB/modulul Decision Analysis. I
Stările naturii
S1 S2 S3
V1 14000 11125 8250
V2 13800 11050 8300
V3 13500 11000 8500
Valoarea asociată nodului 1:
1 desemnează strategia optimă pentru procesul decizional;

2 este calculată ca speranţă matematică a valorilor din nodurile 2, 3 şi 4;
3 este o valoare neafectată de risc;
4 exprimă înclinaţia faţă de risc a decidentului;
5 este determinată prin compararea valorilor din nodurile 2, 3 şi 4 (noduri imediat urmă-
toare).
ANS: 5
41) Selectaţi afirmaţia falsă despre optimizarea multicriterială:
1 în cazul optimizării multiobiectiv, mulţimea variantelor de decizie este finită;

2 conceptul de multicriterialitate este strâns legat de optimizarea flexibilă;
3 cazul optimizării multiobiectiv se tratează distinct de cazul optimizării multiatribut;
4 în marea lor majoritate, problemele decizionale economice sunt multicriteriale;
5 orice problemă de optimizare multicriterială evidenţiază o soluţie suboptimală care rezultă
prin considerarea tuturor criteriilor simultan.
ANS: 1
42) In teoria ştiinţifică a deciziilor, utilitatea reprezintă:
1 o valoare subiectivă asociată unui anumit rezultat economic şi asigură comparabilitatea

variantelor decizionale evaluate cu ajutorul mai multor criterii;
2 o curbă ce exprimă valoarea aşteptată în condiţii de informaţii perfecte şi riscul asociat;
3 o curbă ce reprezintă valoarea aşteptată a indicatorului în funcţie de timp;
4 valoarea câştigului estimat pentru cea mai defavorabilă situaţie / stare a naturii;
5 valoarea pierderii estimate pentru cea mai defavorabilă situaţie / stare a naturii.
ANS: 1
43) Selectaţi afirmaţia falsă: „În cazul optimizării multiatribut:
1 mulţimea alternativelor/variantelor de acţiune este finită;

2 fiecare alternativă este caracterizată de mai multe atribute;
3 alternativa optimă aleasă este aceea care satisface cel mai bine toate atributele;
4 există metode specifice pentru situaţii caracterizate de risc şi incertitudine;
5 mulţimea soluţiilor posibile este infinită”.
ANS: 5
44) Pe baza tabelelor 3 şi 4, indicaţi răspunsul corect:
In vederea achiziţionării unui scanner de mare productivitate, o instituţie publică a întocmit un

caiet de sarcini care a indicat următoarele criterii ca foarte importante pentru adjudecarea oferte-
lor de licitaţie:
Criteriul C1 – valoarea echipamentului (mii lei)

Criteriul C2 – cheltuieli de exploatare (mii lei la 1000 pagini A4 scanate)
Criteriul C3 – timpul mediu de funcţionare normală (număr de ore / 1000 ore de funcţionare)
Criteriul C4 – posibilitatea de asigurare a service-ului după expirarea perioadei de garanţie.
Principalele caracteristici în funcţie de criteriile menţionate sunt prezentate pentru cele mai inter-
esante 4 oferte în tabelul 3:
Tabel 3 – Informaţii preliminare
Coef de importanţă C1 C2 C3 C4
0,4 0,3 0,2 0,1
Oferta 1 14900 36.5 987 Resurse proprii
Oferta 2 14780 38.0 979 intermediari

Oferta 4 14850 37.5 989 posibil

Tabelul 4 – Matricea utilităţilor
0,4 0,3 0,2 0,1
Oferta 1 0.625 1 0.46 1
Oferta 2 1 0.666 0 0.66
Oferta 3 0 0 1 1
Oferta 4 0.781 0.77 0.33 0.33
Indicaţi oferta cea mai convenabilă din punctul de vedere al celei mai mari utilităţi sinteză:
1 oferta 1;
2 oferta 2;
3 oferta 3;
4 oferta 4;
5 nu se poate distinge cea mai bună ofertă pe baza informaţiilor disponibile.
ANS: 1

lor de licitaţie:

0,4 0,3 0,2 0,1


0,4 0,3 0,2 0,1
Oferta 1 0.625 1 0.46 1
Oferta 2 1 0.666 0 0.66
Oferta 3 0 0 1 1
Oferta 4 0.781 0.77 0.33 0.33
Selectaţi afirmaţia adevărată:
1 coeficienţii de importanţă nu influenţează asupra alegerii variantei preferate;

2 soluţia aleasă este optimă;
3 selecţia ofertelor este absolut obiectivă;
4 ordinea de preferinţă a ofertelor se modifică odată cu schimbarea importanţei criteriilor;
5 se recomandă ca utilitatea sinteză să fie cât mai aproape de 1.
ANS: 4

lor de licitaţie:

0,4 0,3 0,2 0,1


0,4 0,3 0,2 0,1
Oferta 1 0.625 1 0.46 1
Oferta 2 1 0.666 0 0.66
Oferta 3 0 0 1 1
Oferta 4 0.781 0.77 0.33 0.33
Setul de utilităţi corespunzătoare criteriului C4 se determină:
1 aj max − aij
cu ajutorul unei formule de tipul aj max − aj min
;
2 prin extrapolare;
3 obiectiv - cu ajutorul unui procedeu de optimizare;
4 subiectiv – prin acordarea de valori în intervalul [0,1];
5 prin simulare.
ANS: 5

lor de licitaţie:

0,4 0,3 0,2 0,1


0,4 0,3 0,2 0,1
Oferta 1 0.625 1 0.46 1
Oferta 2 1 0.666 0 0.66
Oferta 3 0 0 1 1
Oferta 4 0.781 0.77 0.33 0.33
Setul de utilităţi corespunzătoare criteriului C2 se determină:
1 aj max − aij
cu ajutorul unei formule de tipul aj max − aj min ;
2 aij − aj min
cu ajutorul unei formule de tipul aj max − aj min ;
3 cu ajutorul estimărilor decidentului;
4 subiectiv – prin acordarea de valori în intervalul [0,1];
5 prin simulare.
ANS: 1
48) Selectaţi afirmaţia falsă referitoare la metoda programării scop (Goal Programming):
1 Se poate aplica în două variante: cu obiective de importanţă egală şi cu priorităţi diferite

acordate obiectivelor;
2 În cazul în care obiectivele sunt exprimate în unităţi de măsură diferite, pentru minimiza-
rea deviaţiilor faţă de nivelurile de aspiraţie este necesară determinarea unor costuri de
«penalizare» ale deviaţiilor.
3 Ideea de bază a acestei metode, constă în transformarea obiectivelor în «restricţii scop»
prin specificarea pentru fiecare obiectiv a unui nivel de aspiraţie;
4 Nivelurile de aspiraţie pot fi precizate de către decident sau calculate prin rezolvarea unor
modele de programare liniară formate din fiecare funcţie obiectiv şi sistemul de restricţii;
5 Se caută acea soluţie care atinge toate nivelurile de aspiraţie, fără a permite înregistrarea
de abateri
ANS: 5
49) Selectaţi afirmaţia falsă: ”În cazul optimizării multiobiectiv:
1 mulţimea soluţiilor posibile este finită;

2 criteriile de optim se prezintă sub forma unor funcţii obiectiv care trebuie maximizate sau
minimizate;
3 în această categorie, cel mai frecvent utilizată este metoda de programare liniară cu mai
multe funcţii obiectiv;
4 soluţia conduce la abateri cât mai mici faţă de scopurile specificate de decident;
5 criteriile de decizie pot avea diferite priorităţi”.
ANS: 1
50)Selectaţi afirmaţia adevărată referitoare la metoda programării scop (Goal Programming) aplicată
pentru r obiective:
1 Ideea de bază a acestei metode, constă în agregarea obiectivelor în într-o funcţie de utilit-
ate sinteză prin specificarea pentru fiecare obiectiv a unei utilităţi;
2 Nivelurile dorite sau prestabilite sunt identificate cu ajutorul unor modele de programare
liniară multicriteriale formate din r-1 funcţii obiectiv şi sistemul de restricţii;
3 Se caută acea soluţie care atinge toate nivelurile de aspiraţie, fără a permite înregistrarea
de abateri;
4 Fiecărei restricţii scop i se ataşează câte o pereche de variabile de abatere (care măsoară
deviaţia în plus, respectiv în minus faţă de scopul propus de decident) care sunt ambele di-
ferite de zero;
5 În cazul în care obiectivele sunt exprimate în unităţi de măsură diferite, pentru minimiza-
rea deviaţiilor faţă de nivelurile de aspiraţie este necesară determinarea unor costuri de
«penalizare» ale deviaţiilor.
ANS: 5
51) Încercarea de a lua în considerare factorii (controlabili sau nu) ce acţionează asupra unei organi-
zaţii conduce la utilizarea unor metode specifice de previziune. Metodele bazate pe serii de timp
se utilizează:
1 pentru prognoze pe termen lung (mai ales când intervin factori externi) sau atunci când nu
există date istorice sau acestea sunt limitate şi se bazează pe estimări subiective, mai de-
grabă decât pe date;
2 în situaţiile în care este posibilă identificarea unor relaţii funcţionale de tipul Y=f(x1, x2, …,
xn) unde Y variabila dependentă este exprimată în funcţie de nivelul factorilor
explicativi/independenţi (x1, x2, … xn);
3 în cazul în care evoluţia curentă a unui indicator depinde de nivelul anterior (în ipoteza
păstrării unui comportament inerţial al fenomenului): Y = f ( Y ,Y ,...) ;
t t −1 t −2
4 în cazul unor ecuaţii simultane sau sisteme de ecuaţii ce descriu în formă matematică dife-
rite legităţi economice şi pentru rezolvarea cărora este necesar un set de date iniţiale;
5 în situaţia în care se pot identifica factori externi care pot fi controlaţi prin intervenţie
controlată şi acţiune conştientă
ANS: 3
52) Printre trăsăturile funcţiei de previziune nu se numără:
1 precede celelalte funcţii (ajută şi iniţiază procesul decizional);

2 pune în evidenţă necesitatea practicării unui management previzional;
3 prin exercitarea ei, se anticipează evoluţia condiţiilor în care se va afla organizaţia, precum
şi starea, comportarea şi funcţionarea acesteia;
4 identifică tendinţele existente;
5 analizează procesele şi fenomenele de organizare şi coordonare a tuturor activităţilor.
ANS: 5
53) Între obiectivele analizei seriilor de timp, nu se numără:
1 obţinerea unei descrieri cât mai concise a unei serii de timp particulare;
2 determinarea unei reprezentări cât mai corecte a mecanismului de generare a procesului
care a produs realizarea dată (construirea unui model);
3 realizarea, pe baza rezultatelor obţinute anterior, a predicţiei valorilor viitoare ale seriei,
utilizând valorile anterioare;
4 demonstrarea legăturii care există între o variabilă dependentă şi alte variabile independ-
ente printr-o ecuaţie de regresie;
5 conducerea procesului care a generat seria, prin examinarea a ceea ce se poate întâmpla
dacă se modifică anumiţi parametri ai modelului sau prin stabilirea unei politici de inter-
venţie, atunci când deviaţiile procesului în raport cu un obiectiv depăşesc o anumită
valoare.
ANS: 3
54) Selectaţi afirmaţia adevărată de maximă generalitate; „Intre componentele esenţiale ale unei serii
dinamice se includ:
1 variaţiile ciclice şi oscilaţiile pur aleatoare”.

2 variaţiile sezoniere şi oscilaţiile pur aleatoare”.
3 tendinţa şi oscilaţiile pur aleatoare”.
4 variaţiile ciclice şi cele sezoniere”.
5 tendinţa, variaţiile ciclice, cele sezoniere şi oscilaţiile pur aleatoare”.
ANS: 5
55) Selectaţi din următoarea enumerare, componenta care nu este specifică analizei seriei temporale
a unui indicator sau fenomen economic (de exemplu: cursul de schimb):
1 trendul (tendinţa);
2 variaţia ciclică;
3 variaţia sezonieră;
4 fluctuaţiile neregulate/întâmplătoare;
5 viteza de creştere/descreştere a mărimii indicatorului.
ANS: 5
56) În modelul ajustării exponenţiale, alegerea unei valori apropiate de 0 pentru ? va conduce:
1 la apariţia unor erori de previziune mici;

2 la obţinerea unor valori îndepărtate de valorile ajustate (previzionate) din momentul ante-
rior;
3 la o pantă pozitivă a dreptei de regresie;
4 la ajustarea puternică a oscilaţiilor din seria de date reale;
5 la valori descrescătoare ale valorilor ajustate (previzionate).
ANS: 4
57)Procedeele de previziune bazate pe modelul Brown (cu un singur factor de nivelare în jurul mediei)
pot fi aplicate în practică dacă:
1 prognoza se face pe termen lung;

2 există informaţii din perioadele trecute asupra evoluţiei indicatorului considerat;
3 se produc schimbări majore în evoluţia fenomenului studiat;
4 se poate determina valoarea factorului de nivelare prin metoda celor mai mici pătrate;
5 coeficienţii de nivelare se pot determina foarte riguros.
ANS: 2
58)”In modelul ajustării exponenţiale primare, coeficientul de nivelare α:

1 are o valoare unică α=0,5, stabilită ca medie a valorilor minimă şi maximă pentru ?;
2 influenţează modul în care observaţiile trecute (datele istorice) sunt ponderate;
3 este o variabilă aleatoare uniform distribuită cu valori în intervalul [0,1];
4 nu influenţează acurateţea prognozei;
5 se poate obţine prin tehnica optimizării (prin programare liniară cu variabile 0 şi 1”.
ANS: 2
59) Selectaţi afirmaţia falsă: "In metoda ajustării exponenţiale a lui Brown (cu un singur factor de
nivelare, α ∈ [0,1] ):
1 formula F t+1 = α y t + (1 - α ) F t se recomandă în cazul seriilor de date cu caracter staţionar

şi pentru care nu se înregistrează un trend liniar şi/sau variaţii sezoniere".
2 pentru determinarea lui α se apelează la tehnici de simulare".
3 pentru seriile de date ce înregistrează fluctuaţii mari se recomandă valori mici ale lui α ".
4 calitatea ajustării se apreciază prin calculul erorilor de ajustare".
5 se pot estima valorile indicilor de sezonalitate".
ANS: 5
60) Pentru a aprecia acurateţei metodei de ajustare exponenţială se poate folosi:
1 testul de admisibilitate, în anumite limite, a valorilor ajustate;

2 un criteriu de optim;
3 media erorilor pătratice sau absolute;
4 coeficientul de corelaţie sau de determinare;
5 coeficientul de variaţie.
ANS: 3
61) Indicaţi răspunsul corect pe baza datelor şi rezultatelor din tabelul 5.
Pe baza datelor referitoare la evoluţia cursului de schimb leu-dolar (date reale pentru România
ian 2003- feb 2004 - medii lunare) şi folosind metoda ajustării exponenţiale simple (SES din
WINQSB/ modulul Forecasting), s-au obţinut următoarele rezultate – tabelul 5.
Actual Data Forecast by SES Forecast by SES
Ian 03 33448
Feb 03 32883,95 33448 33448
Mar 03 33134,5 33391,59 32940,36
Apr 03 33702,67 33365,88 33115,09
Mai 03 32501,71 33399,56 33643,91
Iun 03 32616,43 33309,78 32615,93
Iul 03 32667,43 33240,44 32616,38
Aug 03 33359,14 33183,14 32662,32
Sep 03 33799,32 33200,74 33289,46
Oct 03 33157,17 33260,6 33748,33
Noi 03 34108,8 33250,26 33216,29
Dec 03 33012,55 33336,11 34019,55
Ian 04 32571,9 33303,76 33113,25
Feb 04 32072,5 33230,57 32626,04
33114,76 32127,85
CFE -3332,365 -1466,828
MAD 559,3989 563,9823
MSE 402414,5 424108,3
MAPE 1,69986 1,703991
Trk.Signal -5,957047 -2,600841
Alpha=0,1 Alpha=0,9
Cea mai “corectă” previziune a cursului de schimb ROL/USD pentru luna martie 2004 este:
1 32072,5 ROL/USD;
2 33230,57 ROL/USD;
3 32626,04 ROL/USD;
4 33114,76 ROL/USD;
5 32127,85 ROL/USD.
ANS: 4
Ian 03 33448
Feb 03 32883,95 33448 33448
Mar 03 33134,5 33391,59 32940,36
Apr 03 33702,67 33365,88 33115,09
Mai 03 32501,71 33399,56 33643,91
Iun 03 32616,43 33309,78 32615,93
Iul 03 32667,43 33240,44 32616,38
Aug 03 33359,14 33183,14 32662,32
Sep 03 33799,32 33200,74 33289,46
Oct 03 33157,17 33260,6 33748,33
Noi 03 34108,8 33250,26 33216,29
Dec 03 33012,55 33336,11 34019,55
Ian 04 32571,9 33303,76 33113,25
Feb 04 32072,5 33230,57 32626,04
33114,76 32127,85
CFE -3332,365 -1466,828
MAD 559,3989 563,9823
MSE 402414,5 424108,3
MAPE 1,69986 1,703991
Trk.Signal -5,957047 -2,600841
Alpha=0,1 Alpha=0,9
Eroarea medie pătratică (MSE) în cazul celei mai “corecte” previziuni a cursului de schimb me-
diu zilnic ROL/USD este:
1 424108,3;
2 mai mare decât 424108,3;
3 402414,5;
4 mai mică decât 402414,5;
5 cuprinsă în intervalul [402414,5; 424108,3].
ANS: 3
Ian 03 33448
Feb 03 32883,95 33448 33448
Mar 03 33134,5 33391,59 32940,36
Apr 03 33702,67 33365,88 33115,09
Mai 03 32501,71 33399,56 33643,91
Iun 03 32616,43 33309,78 32615,93
Iul 03 32667,43 33240,44 32616,38
Aug 03 33359,14 33183,14 32662,32
Sep 03 33799,32 33200,74 33289,46
Oct 03 33157,17 33260,6 33748,33
Noi 03 34108,8 33250,26 33216,29
Dec 03 33012,55 33336,11 34019,55
Ian 04 32571,9 33303,76 33113,25
Feb 04 32072,5 33230,57 32626,04
33114,76 32127,85
CFE -3332,365 -1466,828
MAD 559,3989 563,9823
MSE 402414,5 424108,3
MAPE 1,69986 1,703991
Trk.Signal -5,957047 -2,600841
Alpha=0,1 Alpha=0,9
Pentru o aplicare riguroasă a metodei nivelării exponenţiale simple, în previziunea unui feno-
men, semnalul de urmărire (Trk. Signal – eng.) trebuie să ia valori:
1 TS > 5;
2 TS < -5;
3 TS ∉ ( −5 ,5 ) ;
4 TS = 10;
5 TS ∈ ( −5 , 5 ) .
ANS: 5

Ian 03 33448
Feb 03 32883,95 33448 33448
Mar 03 33134,5 33391,59 32940,36
Apr 03 33702,67 33365,88 33115,09
Mai 03 32501,71 33399,56 33643,91
Iun 03 32616,43 33309,78 32615,93
Iul 03 32667,43 33240,44 32616,38
Aug 03 33359,14 33183,14 32662,32
Sep 03 33799,32 33200,74 33289,46
Oct 03 33157,17 33260,6 33748,33
Noi 03 34108,8 33250,26 33216,29
Dec 03 33012,55 33336,11 34019,55
Ian 04 32571,9 33303,76 33113,25
Feb 04 32072,5 33230,57 32626,04
33114,76 32127,85
CFE -3332,365 -1466,828
MAD 559,3989 563,9823
MSE 402414,5 424108,3
MAPE 1,69986 1,703991
Trk.Signal -5,957047 -2,600841
Alpha=0,1 Alpha=0,9
In cazul previziunii cu cea mai mică eroare medie pătratică (MSE), constanta de nivelare ?
propusă ca optimă este:
1 0,1;
2 0,3;
3 1;
4 0,9;
5 0,5.
ANS: 1
65) In general, determinarea valorii optime a constantei de nivelare se poate face în cazul aplicaţiilor
economico - sociale după criteriul de minimizare a:
1 erorii de tip MAD;

2 a erorii de tip MSE;
3 a erorii de tip CFE;
4 a semnalului de urmărire;
5 a erorii de tip MAPE.
ANS: 2
66) Atunci când gradul ridicat de precizie a datelor folosite se asociază unui grad mediu de comple-
titudine se recomandă utilizarea:
1 analogiilor;
2 modelelor deterministe;
3 abordării stochastice;
4 mulţimilor vagi (fuzzy);
5 informaţiilor nerelevante.
ANS: 4
67) Una din premisele utilizării lanţurilor Markov pentru modelarea evoluţiei ponderii pe piaţă a
unor produse concurenţiale este următoarea:
1 număr infinit de mărci;

2 număr finit şi constant de mărci;
3 probabilităţile de trecere de la o marcă la alta variază în timp.
4 clientul alege mai multe mărci simultan;
5 alegerea unei mărci de către un client la un moment dat nu depinde de marca aleasă în per-
ioada imediat precedentă.
ANS: 2
68)Selectaţi afirmaţia falsă despre un lanţ Markov:

1 matricea probabilităţilor de tranziţie poate fi constantă în timp sau variabilă de la o etapă
la alta;
2 suma elementelor de pe fiecare coloană din matricea probabilităţilor de tranziţie este 1;
3 pe diagonala principală se regăsesc informaţii despre menţinerea sistemului în aceeaşi
stare de la o etapă la alta;
4 matricea probabilităţilor de tranziţie poate fi înlocuită cu o diagramă de trecere sau cu un
graf;
5 orice lanţ Markov este definit complet prin matricea sa de tranziţie (P) şi probabilităţile in-
iţiale (sub forma unui vector linie).
ANS: 2
69) Unele din premisele utilizării lanţurilor Markov pentru modelarea evoluţiei pe piaţă a unor pro-
duse concurenţiale sunt următoarele:
A. pe piaţă există un număr finit şi constant de produse concurente;

B. în matricea probabilităţilor, suma pe coloană este 1;
C. probabilităţile de a cumpăra o marcă se estimează prin sondaj statistic;
D. o probabilitate pij arată ponderea clienţilor care cumpără marca j, după ce anterior a
cumpărat marca i;
E. suma coeficienţilor de fidelitate este 1;
F. probabilităţile trecerii de la o marcă la alta sunt variabile pe o anumită perioadă de timp.
Indicaţi combinaţia corectă:
1 A+C+D
2 B+C+D
3 A+C+F
4 C+D+E
5 A+E+F
ANS: 1
70) Produsul AA1 al unei societăţi comerciale este în concurenţă pe piaţă cu produsele AA2 şi AA3
realizate de firme concurente. Cu ajutorul unor sondaje de marketing, efectuate de firmă în urma
campaniei de publicitate a firmei concurente AA3 din luna martie, s-au obţinut datele necesare
pentru determinarea ponderilor pe piaţă ale celor trei produse concurenţiale în perioada aprilie -
iunie. Evoluţia ponderilor pe piaţă începând din luna martie a fost determinată cu produsul in-
formatic WINQSB/ Mkp:
Tabelul 6. Date iniţiale
From \ To AA1 AA2 AA3
AA1 0.6 0.2 0.2
AA2 0.1 0.7 0.2
AA3 0.1 0.1 0.8
Initial Prob. 0.55 0.25 0.20
Tabelul 7. Time Parametric Analysis for "Evolutia pe piata a unor produse concurentiale"
Time Period Probability of State Probability of State Probability of State
AA1 AA2 AA3
1 0.3750 0.3050 0.3200
2 0.2875 0.3205 0.3920
3 0.2438 0.3211 0.4352
Tabelul 8. Steady State for "Evolutia pe piata a unor produse concurentiale"

State Name State Probability Recurrence Time
CS1 0.2000 5
CR2 0.3000 3.3333
CR3 0.5000 2.0000
Ponderea pe piaţă a produsului AA1 în luna martie este:
1 0,375;
2 0,2875;
3 0,2438
4 0,2;
5 0,55
ANS: 5
AA1 0.6 0.2 0.2
AA2 0.1 0.7 0.2
AA3 0.1 0.1 0.8
Initial Prob. 0.55 0.25 0.20
AA1 AA2 AA3
1 0.3750 0.3050 0.3200
2 0.2875 0.3205 0.3920
3 0.2438 0.3211 0.4352

CS1 0.2000 5
CR2 0.3000 3.3333
CR3 0.5000 2.0000
Coeficientul de fidelitate de la o lună la următoarea lună pentru produsul AA2 este:
1 0,7;
2 0,53;
3 0,433;
4 0,1;
5 0,2.
ANS: 1
AA1 0.6 0.2 0.2
AA2 0.1 0.7 0.2
AA3 0.1 0.1 0.8
Initial Prob. 0.55 0.25 0.20
AA1 AA2 AA3
1 0.3750 0.3050 0.3200
2 0.2875 0.3205 0.3920
3 0.2438 0.3211 0.4352

CS1 0.2000 5
CR2 0.3000 3.3333
CR3 0.5000 2.0000
Probabilitatea de reorientare a unui cumpărător al produsului AA2 în luna aprilie a.c. către pro-
dusul AA3 în luna mai este:
1 0,392;
2 0,32;
3 0,2;
4 0,3;
5 0,8.
ANS: 3
AA1 0.6 0.2 0.2
AA2 0.1 0.7 0.2
AA3 0.1 0.1 0.8
Initial Prob. 0.55 0.25 0.20
AA1 AA2 AA3
1 0.3750 0.3050 0.3200
2 0.2875 0.3205 0.3920
3 0.2438 0.3211 0.4352

CS1 0.2000 5
CR2 0.3000 3.3333
CR3 0.5000 2.0000
Probabilitatea ca un cumpărător al produsului AA3 în luna martie să cumpere produsul AA1 în

starea staţionară a pieţei este:
1 0,5;
2 0,3;
3 0,2;
4 0,1;
5 0,55.
ANS: 1
74) O companie producătoare de detergenţi şi produse chimice similare este interesată în studiul
pieţei pentru una dintre mărcile sale. Informaţiile căutate sunt estimări ale cotei de piaţă în com-
paraţie cu cele ale unor mărci concurente (fie acestea desemnate prin B, respectiv C). Pentru
acest produs, în oricare din cele trei mărci, intervalul dintre cumpărări succesive este de aproxi-
mativ, o lună, iar studiul de piaţă a relevat următoarele informaţii referitoare la comportamentul
a 10000 de persoane chestionate (tabelul 9).
Tabelul 9. Date generale – descrierea comportamentului clienţilor
Numărul Schimbarea opţiunii de cumpărare
clienţilor
De la A De la B De la C Total “de la”
Produs de 4500 - 675 675 1350
marcă A
Produs de 3500 875 - 525 1400
marcă B
Produs de 2000 600 400 - 1000
marcă C
total 10000 1475 1075 1200 -
Tabel 10. Evoluţia cotelor de piaţă pentru 4 momente de timp

timp Cota de piaţa pentru produs Cota de piaţa pentru Cota de piaţa pentru produs C
A produs B
1 0.4625 0.3175 0.2200
2 0.4691 0.3039 0.2270
3 0.4725 0.2981 0.2295
4 0.4741 0.2956 0.2303
Tabel 11. Rezultatele de tip stare de echilibru şi timp de recurenţă

Produs stare de echilibru timp de recurenţă
1 Produs A 0.4755 2.1029
2 Produs B 0.2937 3.4048
3 Produs C 0.2308 4.3333
Selectaţi afirmaţia falsă:
1 In categoria date iniţiale se înscriu cotele de piaţă la momentul iniţial S0 ={p1(0), p2(0), ….,
pn(0)} pentru cele n produse existente pe piaţă;
2 probabilitatea pi(0) este fracţiunea din mulţimea tuturor consumatorilor care achiziţionează
marca i în perioada 0 (pi(0) poate fi identificată cu cota actuală de piaţă a mărcii)
metoda lanţurilor Markov presupune calculul vectorial potrivit relaţiei S t = S t −1 ⋅ Pt / t −1
3
formulând matematic următorul raţionament: starea curentă a pieţei exprimată prin S t

(vectorul cotelor de piaţă la momentul t) depinde numai de starea anterioară S t −1 (vectorul
cotelor de piaţă anterioare) şi de modul în care piaţa a evoluat între cele două momente de
timp (relevat de matricea probabilităţilor de tranziţie Pt / t −1 ).
4 cotele de piaţă la momentul iniţial S0 ={p1(0), p2(0), …., pn(0)} pentru cele n produse
existente pe piaţă au valorile {47.55%; 29.37%, 23.08%};
5  0.7 0.15 0.15 
 
P =  0.25 0.6 0.15 
 0.3 0.2 0.5 
matricea probabilităţilor de tranziţie este:  .
ANS: 4
clienţilor
Produs de 4500 - 675 675 1350
marcă A
Produs de 3500 875 - 525 1400
marcă B
Produs de 2000 600 400 - 1000
marcă C
total 10000 1475 1075 1200 -

A produs B
1 0.4625 0.3175 0.2200
2 0.4691 0.3039 0.2270
3 0.4725 0.2981 0.2295
4 0.4741 0.2956 0.2303

1 Produs A 0.4755 2.1029
2 Produs B 0.2937 3.4048
3 Produs C 0.2308 4.3333
Ponderea pe piaţă a produsului A în luna curentă este:
1 0,45;
2 0,35;
3 0,20;
4 0,4626;
5 0,4755.
ANS: 1
clienţilor
Produs de 4500 - 675 675 1350
marcă A
Produs de 3500 875 - 525 1400
marcă B
Produs de 2000 600 400 - 1000
marcă C
total 10000 1475 1075 1200 -

A produs B
1 0.4625 0.3175 0.2200
2 0.4691 0.3039 0.2270
3 0.4725 0.2981 0.2295
4 0.4741 0.2956 0.2303

1 Produs A 0.4755 2.1029
2 Produs B 0.2937 3.4048
3 Produs C 0.2308 4.3333
Coeficientul de fidelitate de la o lună la următoarea lună pentru produsul A este:
1 0,7;
2 0,5;
3 0,6;
4 0,15,
5 0,25.
ANS: 1
clienţilor
Produs de 4500 - 675 675 1350
marcă A
Produs de 3500 875 - 525 1400
marcă B
Produs de 2000 600 400 - 1000
marcă C
total 10000 1475 1075 1200 -

A produs B
1 0.4625 0.3175 0.2200
2 0.4691 0.3039 0.2270
3 0.4725 0.2981 0.2295
4 0.4741 0.2956 0.2303

1 Produs A 0.4755 2.1029
2 Produs B 0.2937 3.4048
3 Produs C 0.2308 4.3333
Selectaţi afirmaţia falsă „Componentele din vectorul starea de echilibru (SE);
1 reprezintă modul de distribuţie a cotelor de piaţă corespunzătoare produselor concurenţiale

analizate în ipoteza că matricea probabilităţilor de tranziţie nu se modifice termen lung
(astfel încât între momente diferite de timp nu mai au loc redistribuiri între clienţii/
cumpărătorii produselor).
2 sunt cotele de piaţă pentru starea de echilibru sunt {47.55%; 29.37%, 23.08%} pentru pro-
dusele A, B şi C - în această ordine
3 permit calculul pentru timpul de recurenţă (TR) adică intervalul de timp între două
cumpărări succesive ale aceluiaşi produs.
4 S = S ⋅ PT
se determină rezolvând ecuaţia: T 0 .
5 reprezintă starea de stabilitate pentru cele n mărci (deoarece pe termen lung, probabilita-
tea ca un consumator să cumpere o marcă dată i tinde să se stabilizeze apropiindu-se din
ce în ce mai mult de probabilitatea pi.
ANS: 4
78) Analiza de senzitivitate:
1 reprezintă o tehnică de studiu a modificărilor unor concluzii, rezultate în urma unor cer-
cetări, faţă de variaţiile posibile ale valorilor factorilor, sau faţă de erorile diferitelor mări-
mi conţinute în estimaţiile făcute;
2 este echivalentă cu aplicarea tehnicii de optimizare;
3 presupune utilizarea mulţimilor fuzzy sau stochastice ca modalitate de a compensa nede-
terminarea datelor iniţiale
4 se desfăşoară numai în legătură cu programarea liniară;
5 identifică soluţia optimă într-o problemă multicriterială.
ANS: 1
79) Identificaţi afirmaţia falsă în legătură cu desfăsurarea unei analize de sensitivitate.
1 „Analiza de senzitivitate permite o mai bună înţelegere a riscului pe care îl comportă dife-
rite variante de acţiune, cât şi stabilitatea în timp a deciziei pentru care a optat decidentul”.
2 „Analiza de senzitivitate facilitează comunicarea, prin faptul că: face recomandările mai
credibile, uşor de înţeles; ajută decidentul să încorporeze şi alte perspective asupra proble-
mei, precum cele culturale, politice, psihologice etc. în recomandările manageriale ştiinţi-
fice; ajută managerii să îşi selecteze o anumită abordare a problemelor decizionale.
3 „Analiza de senzitivitate permite reducerea incertitudinii şi controlul riscurilor pentru dife-
rite variante de acţiune, cât şi a stabilităţii deciziei pentru care a optat decidentul”.
4 „Analiza de senzitivitate creşte înţelegerea sistemelor, întrucât: estimează relaţiile între va-
riabilele de intrare şi de ieşire; permite înţelegerea relaţiilor între variabilele de intrare şi
de ieşire; dezvoltă testarea ipotezelor”.
5 „Analiza de senzitivitate ajută la dezvoltarea modelelor, prin faptul că: testează acurateţea
şi validitatea modelelor; identifică erorile în model, simplifică şi calibrează modelul”.
ANS: 3
80) Analiza de senzitivitate ajută decidenţii în luarea deciziei şi în formularea de recomandări, deoa-
rece:
1 testează robusteţea soluţiei optimale;

2 identifică valorile critice sau valorile punctului critic când au loc schimbări ale
strategiei/soluţiei optime;
3 dezvoltă recomandări flexibile care depind de circumstanţe;
4 compară valorile unei simple sau complexe strategii de decizie;
5 identifică soluţiile optime.
ANS: 5
81) La o întreprindere de dimensiuni mari se pune problema achiziţionării unei noi linii tehnologice
în următoarele condiţii: echipamentul este estimat iniţial la I = 220000 um (plata se efectuează
integral), durata normată de funcţionare este de n = 5 ani (la sfârşitul cărora se apreciază că va-
loarea reziduală a echipamentului va fi 0); pentru funcţionarea sa nu se iau în calcul deocamdată
cheltuielile de exploatare. Prin această lărgire a capacităţii de producţie, se estimează că între-
prinderea va vinde pe piaţă în următorii 5 ani un volum constant de V=14000 unităţi fizice (u.f)
din produsul A, la preţul de P = 22 um, consumând resurse în valoare de:
L = 9 um – costul unitar cu forţa de muncă,
M = 8 um cu materiale şi materii prime.
Factorul de actualizare (costul capitalului) se presupune:
r = 10% sau r = 0.1.
Se doreşte aprecierea oportunităţii pentru noua achiziţie de utilaj cu ajutorul VNA şi a ordinii de
importanţă a factorilor de influenţă ai VNA.Identificaţi răspunsurile corecte:
Selectaţi afirmaţia falsă: „Fluxul de numerar a investiţiei este:
1 14000*(22-(9+8))=70000 um/an. pentru oricare din cei 5 ani.

2 14000*(22-(9+8))=70000 um/an. în variantă actualizată.
3 n
în ipotezele veniturilor anuale egale şi constante în timp, VNA = − I + V ⋅ [ P − ( L + M )] ⋅ Ar
n
unde Ar reprezintă valoarea prezentă a unui factor de anuitate.
4 VNA= -220000+70000*3.791=45370 m.u. pentru cei 5 ani.
5 VNA= -220000+70000*5=130000 m.u. pentru cei 5 ani.
ANS: 4
r = 10% sau r = 0.1.
Pe baza estimărilor făcute şi în baza ipotezelor de evoluţie (vânzări constante pe parcursul celor
5 ani, plata întregii investiţii în anul 0, valoarea reziduală zero etc.), se poate accepta că proiectul
poate fi iniţiat deoarece:
1 criteriul de decizie VNA>0 este satisfăcut.

2 investiţia iniţială se acoperă după primii 4 ani de axploatare.
3 plata întregii investiţii se face în anul 0;
4 vânzări constante pe parcursul celor 5 ani
5 valoarea reziduală este presupusă zero.
ANS: 1
r = 10% sau r = 0.1.
Analiza de senzitivitate pentru factorii de influenţă (tabelul 12) pune în evidenţă că cel mai sen-
sibil factor este:
Tabelul 12. Analiza de senzitivitate pentru factorii de influenţă

Factor Valoarea iniţial estim- Valoarea „critică” (XC) Abaterea procentuală în
ată(X0) (din ecuaţia VNA=0 formă absolută∗ (%)
I 220000 m.u. 265370 20.62
V 14000 uf 11606 17.10
P 22 um 21.14 3.90
L 9 um 9.85 9.44
M 8 um 8.85 10.62
1 investiţia iniţială;
2 volumul de vânzări;
3 preţul produsului;
4 costul cu forţa de muncă;
5 costul cu materiile prime.
ANS: 3
84)Indicaţi care din afirmaţiile următoare referitoare la tehnica simulării este falsă:
1 simularea reprezintă o tehnică de realizare a unor experimente cu ajutorul calculatorului;
tehnica implică construirea unor modele matematice şi logice care descriu comportarea
unui sistem real de-a lungul unei perioade mari de timp.
2 prin soluţiile exacte pe care le oferă, simularea este o tehnică de cercetare eficientă pentru
fenomenele reale dificil de studiat analitic.
3 după construirea modelului, simularea constă în variaţia variabilelor şi parametrilor de in-
trare cu scopul de a deduce, ca rezultat al calculelor, efectele asupra variabilelor de ieşire.
4 modelele de simulare au caracter procedural.
5 rezolvarea modelelor de simulare se bazează pe prelucrarea unor experimente create în ca-
drul sistemului.
ANS: 2
85)Simularea permite obţinerea:

1 unei variante optime de decizie;
2 unor rezultate certe;
3 mai multor variante de decizie, din care managerul o va alege pe cea preferată, cores-
punzătoare condiţiilor existente la un moment dat;
4 înlocuirea decidentului uman prin sisteme de inteligenţă artificială;
5 soluţiilor optime ale problemelor manageriale.
ANS: 3
86)Simularea nu permite, în general:

1 structurarea mai bună a problemei investigate;
2 realizarea experimentelor cu calculatorul electronic;
3 testarea diferitelor căi de acţiune care nu pot fi formulate direct în cadrul modelului;
4 determinarea formei funcţionale de exprimare a legăturilor dintre fenomenele cercetate şi
estimarea valorilor parametrului modelului;
5 optimizarea unor probleme care fac obiectul deciziei.
ANS: 5
87) Numerele pseudoaleatoare:
1 sunt repartizate uniform pe axa numerelor reale;

2 nu sunt statistic independente;
3 nu sunt reproductibile;
4 au aceleaşi caracteristici cu numerele aleatoare;
5 sunt generate cu ajutorul calculatorului.
ANS: 5
88) Numerele aleatoare satisfac unele din următoarele condiţii:
A. sunt statistic interdependente;

B. nu sunt reproductibile;
C. sunt repartizate uniform într-un interval dat;
D. funcţia de repartiţie este stabilă;
E. şirul generat are o perioadă de repetiţie mare;
F. funcţia de repartiţie se schimbă în timpul rulării programului de simulare;
G. perioada de repetiţie nu se poate predetermina;
H. generarea lor nu necesită utilizarea calculatorului electronic.
XC − X0
⋅ 100
XC
Indicaţi combinaţia corectă: ∗ calculată potrivit formulei
1 A+B+D
2 C+F+G
3 C+D+E
4 A+D+E
5 B+F+G
ANS: 1
89) Eliminaţi varianta necorespunzătoare: „Pentru generarea numerelor aleatoare se pot folosi în
mod tradiţional:
1 metodele bazate pe utilităţi;

2 metodele bazate pe consultarea experţilor;
3 metodele bazate pe creativitate;
4 metodele informale;
5 metodele decizionale”
ANS: 3
90)Metoda de simulare Monte Carlo poate fi folosită eficient:
1 în cazul unor procese cu probabilitate mică;
2 pentru fundamentarea deciziilor optime;
3 în cazul unei probleme de reoptimizare;
4 pentru determinarea structurii optime a ofertei de mărfuri;
5 toate răspunsurile anterioare este incorecte.
ANS: 5
91)Rezolvarea modelelor de simulare se face prin:

1 prelucrarea unor experimente create în cadrul sistemului;
2 raţionamente deductive;
3 analogii cu modul de rezolvare a unor probleme asemănătoare;
4 folosirea intuiţiei şi experienţei decidentului;
5 prin prelucrarea unor serii de date din trecut.
ANS: 5
92) Selectaţi varianta falsă din afirmaţiile referitoare la precizia şi proprietăţile metodei Monte
Carlo. "Pentru ca rezultatele obţinute cu ajutorul metodei Monte Carlo să poată fi concludente
trebuie să se ţină seama de următorul aspect:
1 dacă după n experimente s-a determinat o valoare medie statistică (m) a unei variabile
aleatoare, atunci valoarea medie reală se va situa în intervalul [m - ∆ , m + ∆ ] ".
2 precizia metodei este determinată de numărul de încercări independente şi variaţia lor"
3 nu este recomandată folosirea metodei pentru studiul unor procese cu probabilitate mică,
deoarece ar presupune un număr foarte mare de cicluri de simulare".
4 numărul de încercări variază direct proporţional cu probabilitatea de realizare a fenomenu-
lui analizat".
5 precizia metodei poate fi estimată corect pe parcursul desfăşurării calculelor".
ANS: 4
93)Selectaţi afirmaţia falsă referitoare la tehnica simulării:

1 parametrii de intrare ai modelului trebuie estimaţi în prealabil din observaţii statistice asu-
pra procesului sau sistemului ce urmează fi studiat;
2 testarea parametrilor de intrare se face folosind testele de semnificaţie statistică;
3 în desfăşurarea experimentelor de simulare, se verifică dacă modelul de simulare conţine
toate variabilele şi parametrii esenţiali şi relaţiile funcţionale necesare pentru reprezentarea
interdependenţelor esenţiale ale sistemului real;
4 modelele de simulare au caracter deductiv;
5 în situaţia în care caracteristicile operative iau forma unor ipoteze statistice asupra legilor
de distribuţie ale variabilelor de intrare, se aplică teste de concordanţă (Kolmogorov, Smir-
nov, etc.) pentru verificarea acestor ipoteze.
ANS: 4
94)Selectaţi afirmaţia falsă despre metoda euristicii:

1 modelarea euristică presupune construirea unui sistem analog cu cel investigat (sistemul
real);
2 euristica este o clasă de metode şi reguli care dirijează subiectul spre cea mai simplă şi
economică soluţie a problemelor;
3 majoritatea algoritmilor euristici se bazează pe ideea că, dacă sunt respectate anumite re-
stricţii este avantajos ca în fiecare etapă de calcul, să se obţină cât mai mult pe linia fun-
cţiei scop;
4 ipoteza se află în centrul preocupărilor euristicii
5 metoda euristicii oferă reguli care garantează obţinerea soluţiei optime pe calea cea mai
avantajoasă.
ANS: 5
95)Algoritmii euristici nu se folosesc, în general, atunci când:

1 problema descrisă este complexă;
2 dispunem de date exacte, dar problema este de dimensiuni mari;
3 dispunem de date inexacte într-o problemă de dimensiuni mari;
4 dispunem de date inexacte;
5 rezolvarea problemei se poate face cu ajutorul unor algoritmi de optimizare.
ANS: 5
96)Când se desfăşoară mai multe experimente de simulare pentru un anume sistem, modificând unul
sau mai mulţi parametri de intrare, consistenţa şi comparabilitatea rezultatelor este asigurată prin
folosirea:
1 aceleiaşi secvenţe de numere aleatoare pentru rulări diferite;

2 unor legi diferite de distribuţie pentru variabilele aleatoare folosite;
3 unor eşantioane de date de volume diferite din colectivitatea reală;
4 aceleiaşi metode de generare a numerelor pseudoaleatoare;
5 aceloraşi teste de semnificaţie statistică.
ANS: 5
97)Rezolvarea modelelor de simulare se face prin:

1 prelucrarea unor experimente create în cadrul sistemului;
2 de obicei cu ajutorul unor aplicaţii software;
3 analogii cu modul de rezolvare a unor probleme asemănătoare;
4 folosirea unor decizii de grup
5 prin apelul la tehnici de optimizare.
ANS: 2
98) Soluţia oferită prin aplicarea modelelor euristice este:
1 variabilă lingvistică;
2 soluţie cu valori 0 sau 1;
3 o soluţie "bună" fără să se arate că este "cea mai bună posibilă";
4 soluţie optimală cu o anumită probabilitate;
5 soluţie întreagă.
ANS: 3
99)Conceptul fundamental al modelării dinamice (cu ajutorul dinamicii Forrester) este:

1 ciclul informaţie – decizie - acţiune;
2 ciclul informaţie - decizie;
3 cuplul informaţie - decizie;
4 cuplul acţiune-retroacţiune;
5 ciclul informaţie - eroare.
ANS: 1
c

O O

c

c

c

c

! "

# ! "

c$ %&

c' (

c

!
' (
"#

) (

"!

* +

$

, -""!

,
"%O&O
c . &'%%O

$ . (&%

c* . / '&O'O

cc . / %O&'O

c* .

.

)**

c .

c .
%OO
%01.2
c3 .

%0/-24
) . +&&%O&
' - ,

%&O'&

3 ,

, O
c 567

{

. !
c3 5
8

5 %

3 5

!

"
/

1

,5-
# 9

!

"

3 & $).!$/#

cc &

) &

$ &
3 &

:
;
' &

c &

& $/
c# &

& $/
$ & 0
!

c* &/$"!"
!

cc &'

c &

!
&

# <
5

1'.& +
c# 7

:c 7 !

c) 8

'

c = 67

c# (= 67

c :8

I.1. Introducere
Cuvântul simulare este de origine latină (simulatio) şi înseamnă capacitatea de a

reproduce ceva. În informatică, termenul de simulare a fost introdus de John von
Neumann la începutul anilor `40, o dată cu apariŃia primelor calculatoare electronice.
J.von Neumann împreună cu grupul de savanŃi de la Şcoala Los Alamos (Ulam,
Metropolis etc) au dezvoltat primele aplicaŃii ale calculatoarelor. Tot ei au introdus
denumirile Cercetări operaŃionale (pentru a desemna aplicaŃiile legate de dirijarea
operaŃiilor militare pe arii geografice mari ale globului pământesc!) precum şi metoda
Monte - Carlo (pentru a desemna aplicaŃii ale calculatoarelor bazate pe utilizarea
numerelor aleatoare). În accepŃiunea actuală a informaticii, simularea cuprinde o serie de
aplicaŃii care realizează imitarea comportamentului unor părŃi ale lumii reale (simularea
stochastică), luând în considerare şi comportamentul aleator al acesteia. Din domeniul
simulării face parte şi metoda Monte Carlo.
DefiniŃia 1. Simularea este o tehnică de realizare a experimentelor cu
calculatorul, care implică utilizarea unor modele matematice şi logice care descriu
comportarea unui sistem real (sau a unor componente ale sale) de-a lungul unor
perioade mari de timp.
Deci simularea se realizează pe baza unui model special, numit model de
simulare, cu ajutorul căruia se realizează experimentele prin intermediul calculatorului.
Modelul de simulare se construieşte pe scheletul unui model matematic şi se finalizează
într-un algoritm. De aceea în cele ce urmează vom prezenta schema generală a unui
model de simulare, pornind de la descrierea principalelor elemente ale unui model
matematic.
Model matematic. Prin definiŃie, un model este un analog ce reprezintă o parte a
lumii înconjurătoare într-un mod uşor de perceput de către noi. Modelul ne reprezintă
uneori realitatea prin scheme, figuri geometrice sau alte obiecte ce ne sunt familiare şi pe
care le înŃelegem uşor (i.e. la fel de bine cum le ''vedem'' sau le ''pipăim''). Modelul
matematic ne reprezintă realitatea folosind elemente sau abstracŃiuni matematice.
Elementele constitutive ale unui model matematic sunt următoarele:
a) Variabile ( V ) şi Parametri ( P ) care pot fi de intrare ( VI, PI ), dacă pot fi percepute
(măsurate sau înŃelese uşor), sau de ieşire ( VE, PE ), dacă dimpotrivă, măsurarea sau
perceperea lor este dificilă. Variabilele şi parametrii pot lua valori numerice sau
logice. Deosebirea dintre variabile şi parametri constă în aceea că parametrii nu îşi
schimbă valorile pe perioade mari de timp, în timp ce variabilele îşi schimbă valorile
chiar pe intervale mici de timp. Scopul modelului este de a exprima variabilele şi
parametrii de ieşire în funcŃie de variabilele şi parametrii de intrare, cu eventuala
satisfacere a unor condiŃii de performanŃă de către sistem (de ex. condiŃii de optim).
Unele VI pot fi aleatoare, caz în care şi unele variabile sau parametri de ieşire vor fi
de asemenea aleatoare.
b) RelaŃiile funcŃionale constituie o altă categorie de elemente ale unui model
matematic. Ele sunt de forma
Fi (VI , PI , VE , PE ) = 0
(adică implicite) şi pot fi la rândul lor de două tipuri:
- ecuaŃii, care sunt satisfăcute numai de anumite valori ale variabilelor sau
parametrilor;
- identităŃi, care sunt satisfăcute de orice valori ale variabilelor şi parametrilor; ele
exprima condiŃii de echilibru sau legi de conservare.
EcuaŃiile si identităŃile pot fi relaŃii algebrice sau transcendente, diferenŃiale sau
integrale, detrministe sau stochastice, etc.
c) Caracteristicile operative constituie o altă categorie de elemente ce compun un model
matematic şi ele pot fi:
- ipoteze de lucru (referitoare la relaŃiile funcŃionale);
- ipoteze statistice (referitoare la VI -aleatoare).
d) Tehnica de rezolvare este un alt element constitutiv al unui model matematic. Ea este
o tehnică matematică ce realizează separarea elementelor de ieşire în funcŃie de
elementele de intrare, adică:
(V , P )E = f i (VI , PI ) .
Cu alte cuvinte, tehnica de rezolvare a modelului exprimă sub formă explicită
variabilele şi parametrii de ieşire în funcŃie de variabilele şi parametrii de intrare.
Tehnicile matematice de rezolvare a modelelor sunt însă sărace atât ca varietate,
cât şi ca performanŃă. De exemplu, ecuaŃiile modelului se pot reazolva numai dacă sunt
liniare sau uneori pătratice, iar dacă sunt de grad superior ele se pot rezolva numai dacă
au forme particulare. La fel, ecuaŃiile diferenŃiale sau cu derivate parŃiale se pot rezolva
cu metode matematice deductive numai în anumite cazuri particulare. De aceea în
construcŃia modelelor matematice se fac de multe ori ipoteze simplificatoare care permit
aplicarea tehnicilor de care dispune matematica. (Acesta este scopul utilizării de către
model a caracteristicilor operative!). Din aceste motive, modelarea matematică este
aproximativă şi ea nu permite rezolvarea realistă a problemelor practice. Utilizarea
calculatorului permite îmbunătăŃirea performanŃelor modelelor matematice prin
utilizarea metodelor numerice. Dar şi în aceste condiŃii modelele matematice nu pot
descrie corect realitatea în toată complexitatea ei deoarece nu toate relaŃiile dintre
obiectele lumii reale se pot exprima prin formule matematice. Într-o atare situaŃie
modelul matematic trebuie completat cu descrieri care să imite anumite comportări ale
lumii reale. Acestea se realizează prin descrieri algoritmice de tipul if-then-else- sau if-
then- combinate cu alte structuri algoritmce (cicluri, secvenŃe etc.). În acest fel, modelul
matematic se completează, se extinde sub formă de algoritm şi devine model de
simulare. Simularea măreşte deci mult posibilitatea de tratare realistă a
problemelor aplicative. ConstrucŃia unui model de simulare, care în fapt este un
algoritm complex, dezvoltat pe scheletul unui model matematic, este o sarcină nu prea
uşoară; o vom trata mai jos.
Clasificări ale modelelor matematice. Mai întâi să vedem însă cum pot fi
clasificate modelele matematice?
(i) Clasificarea modelelor matematice după natura variabilelor utilizate de model:
continue/discrete; statice/dinamice (dacă timpul nu intervine sau dacă apare
explicit ca variabilă a modelului); deterministe/stochastice (după cum nu conŃin
sau conŃin măcar o variabilă de intrare ca variabilă aleatoare).
(ii) Clasificare topologică, după structura determinată de părŃile în care se descopune
modelul (când este cazul): cu o componentă/cu mai multe componente în serie ,
în paralel, în reŃea.
Un model, fie el matematic sau de simulare, constituie de fapt o clasă de modele.
I.2. ConstrucŃia unui model de simulare
Modelul de simulare (MS) presupune utilizarea calculatorului şi el se

construieşte pe baza/scheletul unui model matematic; mai precis, el completează modelul
matematic descriind unele relaŃii prin algoritmi, deci în final MS este un algoritm. Acest
algoritm trebuie să descrie corect evoluŃia sistemului şi să permită efectuarea de
experienŃe (prin rulări pe calculator), care să înlocuiască experienŃele ce ar trebui
realizate asupra sistemului real.
Structura unui model de simulare
ConstrucŃia unui MS utilizează două concepte de bază: ceasul simulării şi agenda

simulării.
Ceasul simulării. Ceasul asigură eşalonarea corectă în timp a evenimentelor
create de model şi uneori ajută la implementarea condiŃiei de terminare a simulării. El
este de două feluri:
a) ceas cu creştere constantă;
b) ceas cu creştere variabilă.
Notă: Evenimentele corespund unor modificări în sistem adică modificari ale
valorilor unor variabile care se calculează sau se generează prin instrucŃiuni ale
modelului (chiar şi dacă sunt aleatoare!).
Ceasul porneşte cu valoarea zero la începutul simulării. Dacă modelul se bazează
pe ceasul cu creştere variabilă, atunci ceasul este crescut cu valoarea ce corespunde
apariŃiei primului eveniment următor; apoi programul prelucrează evenimentul, după
care ceasul creşte din nou reluându-se ciclul simulării, până când ceasul atinge o valoare
dată iniŃial, Tmax care corespunde perioadei pe care se realizează simularea.
Ceasul cu creştere constantă presupune că de fiecare dată creşterea se realizează
cu o cuantă de timp c constantă; apoi se prelucrează toate evenimentele apărute pe
intervalul de timp de lungime c , după care se reia ciclul simulării. Simularea se termină
de asemenea când ceasul atinge valoarea Tmax .
Terminarea simulării se poate realiza şi impunând condiŃia ca modelul să
prelucreze un anumit număr dat de evenimente de un tip precizat. (De exemplu, în cazul
unui model de simulare a unui sistem de aşteptare, se poate impune condiŃia ca simularea
să se termine când s-a simulat servirea unui număr dat de clienŃi).
A rămas oarecum neprecizat ce se înŃelege prin prelucrarea unui eveniment. Acest
fapt se înŃelege uşor dacă precizăm şi conceptul de agendă a simulării.
Agenda simulării. Agenda se compune din elementele memorate de modelul de
simulare. Variabilele modelului iau diverse valori pe parcursul simulării; de aici rezultă
că pe parcursul simulării apar multe evenimente. Memorarea în totalitate a acestor
evenimente, împreună cu caracteristicile lor, nu este nici recomandată dar nici necesară
dacă simularea se realizează pe perioade mari de timp. De aceea, se memorează (în
agendă) numai ceea ce este strict necesar. Evenimentele sunt de diverse tipuri; unele
variabile descriu şi stări ale sistemului (sau ale unor componente ale acestuia).
Evenimentele sunt create sau generate la momente de timp ulterioare valorii ceasului. De
aceea agenda se compune din două părŃi: agenda evenimentelor curente AEC şi
agenda evenimentelor viitoare AEV .
Deci agenda A = AEC ⊕ AEV , unde:
AEC = agenda evenimentelor curente (care au timpul de apariŃie egal cu valoarea
ceasului); iar
AEV = agenda evenimentelor viitoare (care au timpul de apariŃie ulterior ceasului).
Algoritmul simulării prelucrează deci numai evenimentele din AEC ; prelucrarea
unui eveniment înseamnă fie determinarea apariŃiei unui nou eveniment (memorat în
AEV ) sau modificarea unei stări, fie distrugerea unui eveniment ("ştergerea'') lui din
agendă. Prelucrările evenimentelor Ńin seama şi de stările sistemului la acel moment.
Algoritmul simulării gestionează/actualizează agenda prin interacŃiunea acesteia
cu ceasul; într-un ciclu al simulării ceasul este acualizat, după care se selectează din
agenda A evenimentele care fac parte din AEC şi se prelucrează aceste evenimente până
când AEC devine vidă. Atunci, ceasul este crescut din nou şi se reia ciclul simulării.
Deci agenda simulării se modifică pe parcursul simulării conform următoarei relaŃii de
dinamică
A = A ⊕ AE gen O AE elim
unde Agen sunt evenimentele generate pe parcursul unui ciclu, iar Aelim sunt evenimentele
eliminate cu ocazia prelucrării AEC . (Semnele ⊕ şi O se autexplică).
I.3. Concepte de bază în modelarea sistemelor
Prin sistem se înŃelege, sub forma cea mai vagă, o mulŃime de obiecte O
interconectate prin intermediul unei relaŃii R , adica Sistem = (O , R ) , unde
R ⊂ O ×O
DefiniŃia formală generală a unui sistem este:
DefiniŃia 2. Un sistem este următoarea structură de mulŃimi:
S = (T , X , Ω, Σ, Y , δ, λ )
unde:
T = timpul de bază al sistemului (ceasul sistemului);
X = mulŃimea intrărilor;
Ω = mulŃimea segmentelor de intrare (forma intrărilor!); segment =
ω : (t 0 , t1 ) ֏ X ,= ω(t0 ,t1 ) =grafic= {(t , ω(t )), t0 ≤ t ≤ t1} . Se foloseşte de regulă notaŃia
ω(t ,t1 ) = {(τ, ω(τ )), t ≤ τ ≤ t1 } şi notaŃiile ω = ω (t0 ,t1 ) , ωt ) = ω(t0 ,t ) , ω(t = ω (t ,t1 ) , ω = ωt )ω (t .
Σ = mulŃimea stărilor interne ale sistemului = memoria sistemului; Conceptul
de stare este esenŃial în modelarea sistemelor; el descrie structura internă (intimă!) a
sistemului;
δ = funcŃia de tranziŃie a stărilor definită ca
δ:Σ×Ω ֏ Σ .
Ea satisface relaŃia
δ(σ, ω) = δ(δ(σ, ωt ) ), ω(t ) , ∀t , ω = ωt )ω(t .
care este axioma semigrupului sau proprietatea de separabilitate a stărilor. MulŃimea
(graficul) (ω, σ ) se numeşte traiectorie a stărilor;
Y = mulŃimea ieşirilor (Sistemul este presupus deschis, intrările şi ieşirile fiind
exterioare sistemului). MulŃimea Y conŃine răspunsul sistemului la intrarea de forma ω ,
când la momentul iniŃial t 0 sistemul se află în starea σ .
λ = funcŃia de răspuns, de forma λ : Σ × X × T ֏ Y ; λ(σ, x, t ) conduce la un
segment de ieşire ce reprezintă forma răspunsului sistemului la intrarea x , la momentul
t când starea la momentul t 0 , t 0 < t , este σ ;
Notă: din definiŃie rezultă că pentru o stare iniŃială σ , (la momentul t 0 ) când are
loc intrarea de forma ω se realizează o traiectorie unică a stărilor. Cu alte cuvinte,
traiectoria stărilor satisface relaŃiile:
STRAJ σ,ω : (t 0 , t1 ) ֏ Σ , astfel încât STRAJ σ,ω (t 0 ) = σ
STRAJ σ,ω (t ) = δ(σ, ω(t ) , ∀t ∈ (t 0 , t1 )
ProiecŃia STRAJ obŃinută prin funcŃia de tranziŃie a stărilor compusă cu funcŃia
de răspuns, este traiectoria de ieşire
OTRAJ σ,ω : (t 0 , t1 ) ֏ Y
Dacă λ = λ (σ ) (ieşirea depinde numai de σ ) atunci rezultă relaŃia simplă:
OTRAJ σ,ω (t ) = λ (STRAJ σ,ω (t )) .
Nivele de reprezentare a sistemelor. Există mai multe nivele de reprezentare a
sistemelor şi anume:
- Reprezentarea la nivel de comportare. Sistemul este o cutie neagră (black
box), exprimat formal prin relaŃia:
{
R s = (ω, ρ ) ω ∈ Ω, ρ = OTRAJ σ,ω , σ ∈ Σ }
Acest nivel de reprezentare este cel mai vag. El descrie numai relaŃiile de
intrare/ieşire ce se pot observa din afara sistemului (care deci se comportă ca o
cutie neagră).
- Reprezentarea la nivel de structură de stare. La acest nivel se intră în structra
internă a sistemului, adică se stabilesc elementele acestuia : (T , X , Ω, Σ, Y , δ, λ ) ,
definite ca mai sus.
- Reprezentarea modulară (ca structură compusă). Dacă sistemul este complex,
atunci se identifică subsisteme ale acestuia precum şi interconexiunile dintre ele
în sensul că ieşirile unor subsisteme sunt intări în alte subsisteme, intrările unor
subsisteme fiind intrări ale sistemului şi ieşirile unor subsisteme fiind ieşiri ale
sistemului.
Nivelele de reprezentare a sistemelor, pornind de la forma cea mai vagă şi
continuând până la forma detaliată, legitimează Metodologia ''TOP DOWN'' de
proiectare a sistemelor de orice fel, în particular, metodologia de proiectare a sistemelor
informatice, şi în general metodologia de proiectare ierarhică, descendentă a
programelor.
UNIVERSITATEA SPIRU HARET
FACULTATEA DE MATEMATICA - INFORMATICA
RODICA TRANDAFIR I. DUDA (coordonator)

AURORA BACIU RODICA IOAN
SILVIUBARZA
MATEMATICI PENTRU ECONOMIST!

editia a 3-a
EDITURA FUNDATIEI ROMANIA DE MAINE

BUCURE§TI, 2007
7.2. Asigurarea de pensie 288
7.3.Asigurareadedeces 289
7.4. Asigurari mixte 291
8. Modele matematice pentru gestiunea stocurilor 293

8.1. Notiuni generate 293
8.2. Modele deterministe 293
8.2.1. Model de stocare a unui produs cu cerere constanta,
perioada constanta de reaprovizionare si fara lipsa de stoc 293
perioada constanta de reaprovizionare si cu posibilitatea
lipseidestoc 295
perioada constanta de reaprovizionare, fara lipsa de stoc,
luand in considerare si costul de achizitie sau de
productie ' 299
8.2.4. Model de stocare a mai multor produse 300
8.3. Modele probabiliste 302
8.3.1. Model de stocare a unui produs cu cererea aleatoare, cu
pierdere in cazul surplusului de stoc, cu cheltuieli
suplimentare in cazul lipsei de stoc si cu cost de stocaj
neglijabil 302
8.3.1.1. Cazul discret 302
8.3.1.2. Cazul continuu 305
8.3.2. Model de stocare a unui produs cu cerere aleatoare, cu
cost de stocare si cost de penalizare pentru lipsa de stoc .. 306
8.3.2.1. Cazul discret 307
8.3.2.2. Cazul continuu 310
9. Elemente de teoria a§teptarii 312

9.1. Structure de baza si caracteristicile unui sistem de asteptare 312
9.2. Masurareaperformantelor sistemului de asteptare. Relatii de
baza ' .' 313
9.3.Legiprobabilisticealesosirilorsialeserviciilor 315
9.4. Deducerea ecuatiilor de stare pentru un fenomen de asteptare in
regimstationar'. ... 316
9.4.1. Cazul n = 0 317
9.4.2. Cazul n>0 318
8
9.5. Modele de asteptare 319
9.5.1. Model cu fir nelimitat (MIM11): (FIFO I oo / ao) 320
9.5.2. Model cu fir limitat (MIMII): (FIFO/N/OO) 323
9.5.3. Modul de asteptare cu sosiri poissoniene, timp de servire
exponential, cu s statii identice, populatiei infmita
(MlMis): (FIFOIccIce) 325
9.5.4. Modelul de asteptare cu sosiri poissoniene, timp de

servire exponential, cu o statie, populatie finita
(MIMl\)\(FIFOIm-\lm) 329
9.5.5. Model de asteptare cu sosiri poissoniene, timp de scriere
exceptional, cu s statii identice, populatia finita
(MIMIS):(FIFOIm-sIm) 332
Bibliografle 335
9
8. MODELE MATEMATICE PENTRU GESTIUNEA STOCURILOR
8.1. Notiuni generate
Definitie. Prin stoc se intelege o rezerva de bunuri materiale destinate

vdnzdrii saufolosirii in procesul 'de productie.
Exemple: stocuri de marfuri, de materii prime, de piese de schimb etc. Pentru
a constitui stocuri avem: cheltuieli de aprovizionare sau productie, cheltuieli de
stocaj, pierderi pentru deprecierea marfurilor si altele.
Orice gestiune de stoc presupune intrari in stoc (inputs) si iesiri din stoc
(outputs) determinate de cererea de bunuri ce poate fi determinista si cunoscuta sau
aleatoare cu o repartitie statistic cunoscuta sau necunoscuta.
In activitatea de management a stocului intervin urmatoarele elemente:
cererea de bunuri, nivelul stocului, volumul comenzii de reaprovizionare, perioada
de reaprovizionare, costuri de stocare, de penalizare, de lansare a comenzii.
Politica economics determina deciziile ce se iau in organizarea stiintifica a
stocurilor, avand la baza un criteriu de optim, acesta fiind de obicei costul global
minim.
Definitie. Se numeste politica optima acea activitate de management a stocului
care implied un cost total minim,
Elementele unei politici optime sunt: nivelul optim al stocului, volumul optim al
unei comenzi de reaprovizionare, perioada optima de reaprovizionare, numarul optim
de reaprovizionari, costul total minim (gestiunea optima).
In gestiunea stiintifica a stocurilor un rol important il au modelele
economico-matematice a nivelurilor stocurilor si a momentelor in care se face
reaprovizionarea, cu ajutorul carora putem stabili politici optime. Dupa natura lor,
modelele pot fi deterministe sau aleatoare.
8.2. Modele deterministe
8.2.1. Model de stocare a unuiprodus cu cerere constanta,

perioada constanta de reaprovizionare sifard lipsd de stoc
Se considers ca se stocheaza un singur produs al carui consum este o functie

liniara de timp, cererea produsului este g , pe o perioada de timp 9 ,
reaprovizionare stocului se face instantaneu la intervale de timp egale cu T si in
cantitati egale q.
Stiind costul unitar de stocare in unitatea de timp cs, costul de lansare a
comenzii de reaprovizionare cx, reprezentand totalul cheltuielilor legate de operatii
de reaprovizionare ce nu depinde de q, si ca nu se admite lipsa de stoc, se cere
gestiunea optima (costul total minim).
293
O astfel de gestiune se prezinta cain figura 8.2.1.
Figura 8.2.1.
Vrem sa scriem functia obiectiv a modelului ce cuprinde toate cheltuielile

legate de gestiunea stocului.'
Observam ca pentru fiecare perioada T se fac cheltuielile cx+-qTcs,
deoarece in stoc se considers ca se afla cantitatea medie - . Perioadele fiind egale,

avem numarul aprovizionarilor
Q 6
V —— — —
(8.2.1.)
q T
Astfel, functia obiectiv „cost total" va fi obtinuta prin inmultirea cheltuielilor
corespunzatoare unei perioade cu numarul perioadelor v
1
C{q) = \cl+-qTc (8.2.2.)
2
Inlocuind in relatia (8.2.2.) relatia (8.2.1.) vom obtine
C\q)
-QCl+-qQcs (8.2.3.)
q 2
Volumul optim al unei comenzi de reaprovizionare q se obtine punand
conditia de minim pentru functia C(q), Derivatele acestei functii sunt
C'(q) = -\Qc,+-Qc,
(8.2.4.)
C"{q) = ^QCl
Rezolvam C'(q) = 0 si obtinem
294
2Qcx
Q (8.2.5.)
\ 6c
si cum C"(q) > 0, atunci extremul este un minim. (Din considerente economice se
considera numai valorile pozitive ale lui q .)
Inlocuind (8.2.5.) in (8.2.1.) obtinem numarul optim de reaprovizionari cat si
perioada optima.
Q 0&s
V— (8.2.6.)
2c,
e 29c7
(8.2.7.)
= — = Qcs
V
Inlocuind (8.2.5.) in (8.2.3.) obtinem gestiunea optima C(q)
C = C{q) = ^2QQcfs . (8.2.8.)
Exemplu. Cererea pentru un anumit aparat electrocasnic este de 700.000
bucati pe an. Aprovizionarea unui depozit cu acest produs se face in cantitati egale,
la intervale de timp egale, iar produsele sunt scoase cu un ritm constant din stoc.
§tiind ca pentru a stoca in depozit un singur aparat timp de un an se platesc
50 u.m., costul de lansare al comenzii este 150 u.m. si ca nu se accepta lipsa
produsului din stoc, sa se determine volumul optim al unei comenzi, numarul optim
de aprovizionari, perioada optima de reaprovizionari si gestiunea optima.
Raspuns. Q = 700.000 bucati, 9 - 1 an, c , = 5 0 u.m., c, =150 u.m.
2-700.000-150 , 700.000 , „
q «2049 bucati,
v= « 342 aprovizionari,
1-50
2049
1
1 zi §i C V2-700.000-1-50-150 =102.469,5 u.m.
342
8.2.2. Model de stocare a unui produs cu cerere constanta, perioada

constanta de reaprovizionare si cu posibilitatea lipsei de stoc
Vom admite ipotezele din modelul 8.2.1., cu deosebirea ca se admite lipsa de

stoc penalizata cu un cost unitar de penalizare cp (penalizarea pentru lipsa unui
produs in unitatea de timp).
Perioada constanta de timp T a fost impartita in doua subperioade, perioada
Tx in care stocul satisface cererea, perioada in care se va plati pentru stocul mediu
s costul unitar de stocaj c si perioada T in care stocul nu mai satisface cererea,
s 2
2
295
perioada in care se va plati pentru lipsa medie q — s costul unitar de
2
penalizare cp
Modelul se prezinta grafic in figura 8.2.2.
Figura 8.2.2.
Vrem sa determinam costul global C(q,s). Intr-o perioada T se vor face

cheltuielile
s_ q-s_ (8.2.9.)
i 2 i , 2 2 P
Costul global va fi
C{q,s) = \ cx +-T1cs +—T,c

2> (8.2.10.)
In relatia (8.2.10.) introducem relatia (8.2.1.) si obtinem

C(q,s) o s' e q-s^ e (8.2.11.)
c, — + —7]c, — + — r , c „ —
1
q 2 l sdreptunghice
Din asemanarea triunghiurilor r 2 2formate
p
r in figura 8.2.2, a acestui
model, rezulta
Tx _ s T2 _ q-s
(8.2.12.)
T~ q' T~ q
Din (8.2.12.) si (8.2.11.) avem
^/ \ uQ 06 2 e6 / A2v
V ; y (8.2.13.)
g 2q 2q ' p
296
Vrem sa determinam minimul functiei obiectiv. Rezolvam sistemul
dC(q,s)
0
dq
(8.2.14.)
dC(q,s)
0
ds
de unde rezulta
2 " ( 2 2\
-to-
2 1
q^ 2q lSCsJr Kq
^ ~ $ jCp
(8.2.15.)
q q
Din prima relatie a sistemului (8.2.15.) rezulta
2QcL + cl+cJL 2
q2 s (8.2.16.)
Din a doua relatie a sistemului (8.2.15.) rezulta

P
1
s - (8.2.17.)
cs +c
Introducand (8.2.17.) in (8.2.16.) obtinem valoarea optima pentru volumul
comenzii q,
22Qc1 cs+cp
q (8.2.18.)
6c
Notam
pP
P (8.2.18'.)
cs +cp
numit factor depenalizare.
Cu aceastanotatie relatia (8.2.18.), respectiv (8.2.17.) vor deveni
2Qcx
Q (8.2.19.)
9c, \
VlQt
S — 0(7 VP- (8.2.20.)
C(q,s) are minimul C(q,s) numit gestiune optima pentru ca

A(q,s)>0
dq2
297
Obtinem perioada optima precum si numarul optim de aprovizionari din
relatiile (8.2.1.) si (8.2.19.)
- Q
V —— —
Ws VP (8.2.21.)
2c,
q \
si respectiv
e 29^
(8.2.22.)
—
v \ Qcs \
Gestiunea optima se obtine inlocuind in (8.2.13.) pe q si s cu valorile
optime q §i s din (8.2.19.) §i (8.2.20.), adica
C = ^2Q^s-f9. (8.2.23.)
Observatie. Daca cp -> oo din (8.2.18') rezulta ca p - > 1 §i ajungem la
modelul (8.2.1) care apare ca un caz particular al modelului (8.2.2.).
Exemplu. La o patiserie necesarul lunar este de 1000 kg de zahar. Costul de
stocaj pentru 1 kg. de zahar este de 2 u.m. pe zi, costul de lansare al comenzii este
de 1.300 u.m., iar in caz de lipsa de stoc se aplica o penalizare cu 30 u.m./zi
pentru 1 kg de zahar lipsa. Sa se determine volumul optim al unei comenzi, stocul
optim, numarul optim de aprovizionari, perioada optima, stiind ca aprovizionarea
se face in cantitati egale, la intervale de timp egale.
30
Solutie. Q = 1.000,0 = 3 0 , ^ = 1 . 3 0 0 , c = 30, cs = 2. Astfel p .Avem
32
2Qcx 2-1.000-1.300
= 214,99
0csP 30
30-2-
32
Deasemenea, s = q-p = 201,56, v = ^Q = A,65, f = — = 6,45. Rezulta

q v
C = J2Q0csclp=A2-1.000 -30 -1.300 -2 - — = 1 2 . 0 9 2 , 3 8 5 .

v
1 32
298
8.2.3. Model de stocare a unuiprodus cu cerere constanta,
perioadd constanta de reaprovizionare, fara lipsd de stoc,
luand in considerare si costal de achizitie sau deproductie
Consideram gestiunea unui stoc de cantitate Q, a unui singur produs, pe un

interval de timp 9 . Reaprovizionarea stocului se face instantaneu la intervale egale
cu T si in cantitati egale cu q, pretul unitar de cumparare al produsului sau costal
unitar de productie este ca, costul fix al comenzii este cb, iar costul unitar de
stocaj cs se presupune proportional cu cheltuielile facute pentru aprovizionarea cu
o unitate de produs, coeficientul de proportionalitate fiind a .
Din ipoteze rezulta ca acest model este o varianta a modelului (8.2.1.) in care
costul de lansare este
C =
l 1Ca + Cb ' (8.2.24.)
iar costul unitar de stocaj
c
b
cs - a ca+ — (8.2.25.)
V q J
Folosim acelasi criteriu de optim ca si la modelul 1 in care costul de lansare,
functia obiectiv (8.2.2.) devine, dupa inlocuirea lui cx si cs cu expresiile (8.2.24.)
si (8.2.25.)
]_
C{q) = —{qca+cb) + -Qa ca+-cb
q 2 q
ce se rescrie
C(q) ^cb +-aQqca + Qca +-acb. (8.2.26.)
q 2 2
Din conditia de optim pentru functia obiectiv avem
C \Q)
Q c+-aQc
2
q " 2
Rezolvand ecuatia C'(q) = 0 vom gasi pentru comanda optima
2Qcb
Q (8.2.27.)
\ aQc
cu C"(q)>0
299
Din (8.2.1.) si (8.2.27.) rezulta
V—
Q ^fi&
q \ 2c
si respectiv (8.2.28.)
e 29^
=—= aQca
V
Din (8.2.26.) si (8.2.27.) obtinem gestiunea optima
C = C(q) = ^2aQQcacb + Qca + -aQcb. (8.2.29.)
Exemplu. Un magazin de produse electronice are o cerere trimestriala de
100.000 componente electronice de acelasi tip. Pentru fiecare comanda se
cheltuiesc 10.000 u.m. iar costul de achizitie este de 200 u.m. pentru fiecare
produs. Coeficientul de proportionalitate intre costul unitar de stocaj si costul unitar
de lansare este 2% . §tiind cfi'nu se admite lipsa de stoc, sa se determine politica
optima de reaprovizionare.
Solutie. Se cunosc Q = 100.000, 9 - 9 0 , ca=200, cb -10.000 si factorul de
proportionalitate asociat stocarii a - 0,02. Folosim relatia (8.2.27.) avem
2-100.000-10.000
q 2357,02.
0,02-90-200
Perioada optima reaprovizionare este
2-90-10.000
T = = 2,12,
0,02-100.000-200
iar numarul de reaprovizionari v 42 . Se obtine costul minim

q
C = C(q) ■v/2-0,02-90-200-10.000+100.000-200
2 '
2.011.683,28
8.2.4. Model de stocare a mai multorproduse
In cele mai multe cazuri, in practica, se fac stocuri de mai multe produse.
Vom construi o varianta a modelului 1 pentru cazul a mai multor produse.
Se stocheaza k produse i>, i = ljc al caror consum este dat de functii
liniare de timp, cererea produsului i> este Qt pentru o perioada de timp 9 ,
reaprovizionarilor se fac instantaneu la intervale de timp T, in cantitati egale cu q,,
300
costurile unitare de stocare sunt c , costurile de lansare c, , i = \,k si nu se
admite lipsa de stoc pentru nici un produs.
Din relatia (8.2.2.) obtinem costul global de stocaj pentru produsul P. este
(8.2.30.)
It 2
iar functia obiectiv pentru produsele stocate va fi
C(qx,q2,...,qk) = YJCi{qi). (8.2.31.)

;=i
Functiile Ct(q,), i = ljz sunt independente, minimul sumei lor are loc o
data cu minimul fiecaruia dintre ele. Vom avea urmatoarele relatii
dC(qx,q2,...,qk)
o
, i = l,2,...,k (8.2.32.)
dC,-(g,-) =
0
Tinand cont de relatiile (8.2.32.) si de relatiile (8.2.5.), (8.2.6.) si (8.2.7.)

gasim pentru produsele i> urmatoarele valori
2{siC]1;
1i (8.2.33.)
ec
QQ.c
1 s
V- = i
2c,
29^
Q.c
l s^
iar pentru gestiunea optima
C ±c,
i=i
(8.2.34.)
unde C. - C.(q.) = h.§cx.cHQ .

Exemplu. Se organizeaza pe o perioada de 300 zile (an comercial), la o
cofetarie, stocul produselor faina, zahar, ulei in cantitatile Q1 = 5 tone, Q2 = 2
tone, Q3 = 1 tona, costurile de lansare a comenzii fiind c, - 40.000 lei,
-13.000 lei respectiv cx -15.000 lei. Costurile de stocaj sunt cs 500
"h "h
lei/t zi, cS2 = 800 lei/t zi, cs^ = 400 lei/t zi. Se cer valorile elementelor optime ale
activitatii de management al stocului.
301
Solutie. Se obtine ^ =5,16, g2=0,46, g3=0,5. Pentru numarul
aprovizionarilor avem ^=10, v 2 = 1 8 s i v 3 = 3 . Pentru gestiunile optime pe
produs obtinem C; =244506, C2 =111.713,92 si C3 =60.000, de unde
3
C = £ C . =416213,92.
8.3. Modele probabiliste
8.3.1. Model de stocare a unuiprodus cu cererea aleatoare, cu

pierdere in cazul surplusului de stoc, cu cheltuieli suplimentare in
cazul lipsei de stoc si cu cost de stocaj neglijabil
Se stocheaza un singur produs, stocul constituit la un anumit moment se

x
noteaza cu s, a carei cerere este variabila aleatoare X, cu repartitia X :
x ^
JC = 0,1,2,... pentru cerere discreta, si X: , xe[0,oo) pentru cerere
f(x\
continua.
Excedentul de stoc, cand x < s se penalizeaza cu o pierdere unitara cx; lipsa
de stoc, cand x > s se penalizeaza cu cheltuieli suplimentare de reaprovizionare
c2, iar cheltuielile de stocaj sunt foarte mici in raport cu c, si c2 si se pot neglija.
Prezentam separat modelul pentru cazul discret si pentru cazul continuu.
8.3.1.1. Cazul discret
Notam cu Es variabila aleatoare excedent de stoc, ce are repartitia

s-x
Es , x = 0,1,2,...,.? si notam cu Ls variabila aleatoare lipsa de stoc ce are
P(X),
J C - ^
repartitia L , x = s + \,s + 2,....
P(x).
Mediile celor doua variabile aleatoare vor fi
M[ES) = ^ [s - x)p(x)
si respectiv
CO
M(LS)= ^(x-s)p(x).
x=s+\
302
Aplicand penalizarile c, §i c2 celor doua medii M(ES) §i M(LS),
determinam functia obiectiv, ce reprezinta cheltuielile medii totale legate de
managements stocului,
S CO
C(s) = c^(s-x)p(x) + c2 ^(x-s)p(x). (8.3.1.)
Vrem sa determinam stocul optim s, pe care-1 vom obtine punand conditia

de minim pentru functia C(s). C(s) fiind o functie discreta, minimul ei va fi S
pentru care
C(s-l)>C(s)<C(s + l). (8.3.2.)
deci, pentru al determina pe S vom rezolva sistemul
[C(s-l)-C(s)>0
\r( 1^ r n' (8.3.3.)
Din (8.3.1.) avem
J+l GO
C
(^ ) =c1E(^ - )J ( ) 2 Z (*-^-iM x )=
+1 +1 x D x +c
x=0 x-^+2
s
Clî(s+l-x)p(x) + C2 ^ (jC-S-l)/>(*) =
x-0 x-s+l
S +l S GO CO
c _x x +c x +c
iZ(^ M ) iZH ) 2 Z (^--O/K*)-^ Z />(*)
Notam F(s) = ^p(x) §i introducand in expresia lui C ^ + l) obtinem
C(s + l) = C(s)+(cl+c2)F(s)-c2. (8.3.4.)

Similar, din (8.3.1.) obtinem
j - i
c
(* ) =<iZ(*-1-*M*)+c2Z(*-'s+1M*)=
_1
x=0 x=s
j—1 J—1 CO CO
= clYJ{s-x)p{x)-clYJp{x) + c2YJ{x-s)p{x) + c2YJp{x) =

x=0 x=0 x=s x=s
S CO
= c1^(5-x)jp(x) + c 2 ^(x-5) j p(x)-c 1 F(5-l) + c 2 (l-F(5-l))

x=0 x=s
sau
C ( * - 1 ) = C ( 5 ' ) - ( C 1 + C 2 ) F ( 5 ' - 1 ) + C2. (8.3.5.)
Inlocuind in (8.3.3.) relatiile (8.3.4.) §i (8.3.5.) avem
jC(s +1) - C(s) = (q + c2 ) F ( S ) - c2 > 0
[C(s -l)-C(s) = -{cx + c2)F(S) + C2 > 0
303
de unde
F(s-1) < 2 <F(s). (8.3.6.)
C +C
\ 2
Astfel, stocul optim s este acea valoare a lui s ce satisface relatia (8.3.6.) si
C2
vom nota cu p raportuldepenalizare.
C C
l + 2
Observatii
1. Din relatia (8.3.6.) si din faptul ca F(s) este nedescrescatoare rezulta ca exista
s unic.
2. Daca F(S-1)<P = F(S), atunci C(s + l) = C(s), deci minimul are loc
pentrudouavalori s si s + 1.
3. Daca F(S-1) = P = F(S), atunci C(s-l) = C(s), deci minimul are loc
p e n t r u 2 v a l o r i i - l si s.
Exemplu. Un atelier auto are nevoie de un numar de piese de un anumit tip.
Se cere numarul de piese ce trebuiesc stocate stiind ca daca exista un surplus de
piese exista pierderi in valoare de 15.000 u.m., si daca nu se achizitioneaza
suficiente, piesele lipsa se vor procura cu un pret de cost mai ridicat cu 10.000
u.m. Din datele statistice obtinem urmatoarea cerere de piese.
Piese inlocuite (x) 1 2 3 4 5
Numarul de masini cu (x) piese inlocuite 10 20 30 25 15
§tiind ca, costul de stocaj este neglijabil in raport cu celelalte costuri se cere
stocul optim si gestiunea optima.
C2
Solutie. q =15.000, c2 =10.000, deci p 0,4.
C
l +C2
Organizam calculele astfel
X piese inlocuite frecvente absolute Nt pyx) - PyX —X )

pd>)
1 10 0,10 0,10
2 20 0,20 0,30
3 30 0,30 0,60
4 25 0,25 0,85
5 15 0,15 1,00
Observam ca F ( 2 ) < p = 0,4 < 0,6 < F(3), deci stocul optim este s 0 = 3
piese de schimb pe masina in conditiile unui cost minim
3 5
C(3) = 1 5 . 0 0 0 X ( 3 - x ) ^ ( x ) + 10.000X(^-3)^(x) =
= 15.000(2-0,1+ l-0,2) + 10.000(l-0,25 + 2-0,15) = 11.500
304
8.3.1.2. Cazul continuu
S-x
Notam cu Es variabila aleatoare excedent de stoc cu repartitia Es
f(x)
S
j e [ 0 , 4 cu media M(ES)= ^(s-x)f(x)dx si Ls variabila aleatoare lipsd de

0
x—s
stoc cu repartitia Ls , J , x e [s,oo), cu media M ( Z S ) = J(x - s)f(x)dx
Astfel, functia obiectiv, a valorii medii a cheltuielilor totale, este

S co
(8.3.7.)
0 5
Punem conditia de minim pentru functia C(s), obtinem

S co
C'yx) - cx \f\x)dx - c2 \fyx)dx (8.3.8.)

0 5
si notam
F[s) = \f\x)dx. (8.3.9.)

0
Rezolvam ecuatia
C(s) = 0 (8.3.10.)
Dinrelatiile (8.3.8.), (8.3.9.), (8.3.10.) obtinem
c^Fys) - c2 (l - Fys)) - 0
si deci avem
r \S ) c2 (8.3.11.)
C
l +C2
Astfel, solutia optima s este solutia ecuatiei F(s) = p, unde p are aceeasi
semnificatie ca in cazul discret.
Observam ca extremul unic (F(s) este nedescrescatoare) este un minim, caci
C"(s) > 0.
Exemplu. Din datele statistice se stie ca cererea in tone pentru un anumit
produs este o variabila aleatoare continua cu densitatea de probabilitate
(lx +1) pentru x e [0,3]

f(x) 12
0 pentru x £ [0,3]
305
In ipoteza in care pierderea pentru o tona de produs este de 130 u.m., iar in
cazul lipsei de produs se fac cheltuieli suplimentare de 350 u.m., sa se organizeze
gestiunea optima.
Solutie. Avem c, - 130, c, - 350 astfel c a p - — . Pentru a gasi S, rezolvam
1 2 4 g
ecuatia F(s) = p , unde
F (s)=
W
\f(x)dx = J\^(2x
J V r V + \)dx
;
= Uxv 1+x\ v
=-(s2+;s).
0 0 12 12 \ 12
I 35 5
Din ecuatia —(sv2+s) ;
= — obtinem s = - singura solutie convenabila,
' 12 48 2
caci s = ^[0,31. Pentru calculul gestiunii optime inlocuim in formula
g L J
(8.3.7.) si obtinem
5
5 5
c 130 J— (2JC + 1) — x dx + 350\— (2JC + 1) JC afc = 244,53
1Z L 1Z Z
2
8.3.2. Morfe/<fe stocare a unuiprodus cu cerere aleatoare, cu

cost de stocare si cost de penalizare pentru lipsa de stoc
Fie X o variabila aleatoare ce reprezinta cererea la un moment dat,

x x
cu repartitia X: , x , x-0,1,2,... pentru cerere discreta si X: , .
xe[0,oo) pentru cerere continua, costul unitar de stocaj este cs, costul unitar
de penalizare pentru lipsa de stoc este cp, iar nivelul stocului la un moment
dat este s.
In gestiunea acestui stoc pe o perioada T se pot ivi doua situatii si anume
1. Cererea nu depaseste stocul, deci e satisfacuta in toata perioada T, adica
x<s (vezifigura 8.3.1).
2. Cererea este mai mare decat stocul x>s, pe perioada 7j cererea este
satisfacuta, in perioada T2 cererea nu este satisfacuta (perioada de penurie) si
TX+T2=T (vezi figura 8.3.2)
306
Figura 8.3.1. Figura 8.3.2.
Vom studia separat cazul cererii discrete si cazul cererii continue.
8.3.2.1. Cazuldiscret
Pentru situatia din figura 8.3.1. se observa ca stocul mediu pentru care
se plateste costul unitar cs este ^ \ s A\p(x). Pentru situatia descrisa in

CO
figura 8.3.2. stocul mediu va fi Y - p ( x ) pentru care se vor face cheltuieli

x=s+l
unitare de stocaj cs pe perioada Tx si o lipsa medie de stoc (penurie medie)
£ p(x) penalizata cu un cost unitar de penalizare cp , pe perioada T2

x=s+l 2
Vom determina functia obiectiv, ce reprezinta cheltuielile medii totale pentru
perioada T
QW= C / £ s-- A\p{x) + csTx £ ^P( x

)+ )
x=0 V x=s+\ 2
(8.3.12.)
+ cP r. I ^/-M
2
2
x=s+l
In figura 8.3.2. se formeaza triunghiuri dreptunghice asemenea si vom avea
5. * S i5- = £^ j d e m i d e
T x T
T
l T si T7 x — s (8.3.13.)
‘
Inlocuim relatia (8.3.13.) in expresialui CT(s) si obtinem
‘ ‘
CT(s) = T .z p(x) + c
9
^ x-s+\
^ •&
(8.3.14.)
307
Notam cu C(s) cheltuielile totale medii in unitatea de timp si relatia (8.3.14.)
devine
CT(s) = TC(s). (8.3.15.)
Stocul optim s se va obtine din conditia de minim pentru functia C(s). Din
conditia de minim pentru functii discrete,
C(s-l)>C(s)<C(s + l),
rezulta ca valoarea optima s se obtine ca solutie a sistemului de inecuatii
|C(S-1)-CW>0
(8.3.16.)
[C(s + l)-C(s)>0
Calculam C(s +1) cu ajutorul relatiei (8.3.14.) si avem
s+\
C(s + 1)= cs^\s + l-^\(x) + csi^t^ +
x=0 J *■ x=s+2 X
(8.3.17.)
1 ^ (x-s-lf ..
+ -cn > p(x)
2 Px7?+2 x V
'
Rescriem sumele din partea a doua a egalitatii. Obtinem
lT"i-f>M=|(.-§}<*)+I,M
x=0 x=0
(8.3.18.)
V-l A ( \ s+1 I A v- I \
Z\s--jp(x) + —p(s + l)+ZP^)
x=0 x=0
f, p(x) ^ p(x) p(s + l)

> = > (8.3.19.)
x=s+2 X x^s+1 X S + 1
^ (x-s-lf , , f, (x-s-lf , ,
X
L
x=s+2 p\x)= x=s+l2 ^ ^X P \ )
x—s p(x)
£ ^X S> p(x)-2^ (x)+ ^ (8.3.20.)
x=s+\ x=s+\ X x=s+\ X
s
= j p v° > p(x)-2^p(x) + (2s + l)^ ^
x=s+\ X x=s+i x=s+i X
Inlocuimrelatiile (8.3.18.), (8.3.19.), (8.3.20) in (8.3.17.) obtinem
C(s + l) = C(s) + (cs+cp\^p(x) + is + - ) ^ ^ W —c

x=0 'x=s+l X
sau
C(s + l)-C(s) = (cs+cp)L(s)— c (8.3.21.)
308
unde
p(x)
(8.3.22.)
x=0 ' x=s+\ x
Analog, vom gasi
C(s - 1 ) - C ( s ) = -(cs + cp)L(s -l) + cp. (8.3.23.)
Inlocuim relatiile (8.3.20.) si (8.3.23.) in (8.3.16.) avem
\{c, +C„)L(S)-C„ >0
| \ s p/ \ / p
(cs+cp)L(s-l) + cp>0,
de unde obtinem ca
L(s-l)<p< L(s) (8.3.24.)
c
cu p
cs +cp
Valoarea optima a stocului s se obtine ca solutie a inecuatiei (8.3.24.). Se
poate arata u§or ca C(s) > 0 §i deci s, solutia inegalitatii (8.3.24.) este punct de
minim. Gestiunea optima se obtine calculand pe C(s).
Exemplu. Din datele statistice se cunoaste ca cererea de piese de schimb a
unui atelier auto (pe o perioada de 4 saptamani) se prezinta astfel:
cererea X (numar de piese de schimb) 1 2 3 4 5
probabilitatea p(x) 0,05 0,3 0,4 0,2 0,05
Se stie ca se admit cheltuieli de stocaj pe zi de 1.000 u.m. si lipsa de piese
din stoc aduce o pierdere de 7.000 u.m./zi pentru o piesa lipsa sa se determine
stocul optim.
7.000
Solutie. cp - 7.000 si cs - 1 . 0 0 0 , deci p 0,875.
7.000 + 1.000
Organizam datele astfel:
s
p{x) L(s)
X p(x) s+— \ ^ ^ ^
X X
x=2 x=2
1 1 0,05 0,05 0,05 0,343 0,5145 0,5645
2 2 0,3 0,35 0,150 0,193 0,4825 0,8325
3 3 0,4 0,75 0,133 0,06 0,210 0,96
4 4 0,2 0,95 0,05 0,01 0,045 0,995
5 5 0,05 1 0,01 0,000 0 1
Observam ca 0,8325 - L(2) < p - 0,875 < 0,96 - L(j), rezulta s = 3
309
8.3.2.2. Cazul continuu
Rezolvand calculele similar ca si in cazul discret, vom scrie functia

obiectiv - cheltuieli totale medii astfel:
C(i) = c , J s - - f(x)dx + -s2cs \^^dx + -cp p >f(x)dx- (8.3.25.)

0V / s s
Stocul optim s se obtine din conditia de optim pentru functia C(s). Functia
C(s) isi atinge minimul in punctul S pentru care L(s) = p , unde p - ^ si

c +cs
L(s) = F(y) + s \ ^ d x , iar F(s) = J/(jc)afc. Astfel

x n
^ 0
CO CO
C ' ^ ) ^ ^ \f(x)dx + scs \^^dx-c [ f(x)dx

0
Rezolvam ecuatia C'(s) - 0 si obtinem
Cp
F(s) + s{+^dx= sauL(s) = p. (8.3.26.)
J
x c +c
s p s
Solutia ecuatiei L(s) = p o notam cu 5 si pentru ca C"(s)> 0, acesta este
punct de minim.
Exemplu. Cererea unui produs este o variabila aleatoare X care are
repartitia
X
pentru jce[0,4]
f\x)
0 pentru jcg[0,4]
Costul stocarii unui produs este 100 u.m., lipsa acestui produs se
penalizeaza cu un cost unitar suplimentar de reaprovizionare de 1.500 u.m. Care
este stocul optim si gestiunea optima, considerand costul de stocaj neglijabil.
Solutie. Volumul optim se determina rezolvand ecuatia (8.3.25.) unde
F(s)= \-dx = — d a c a s e 0,4 si \±±Jdx= dx =

J J
iS 16 x 8 x 8
310
1.500 15
Cum cp = 1.500 , cs = 100, p - =
= — ■ Rezolvam ecuatia
1.500 + 100 16
(8.3.26.), — + s = — , de unde s = 3, singura radacina convenabila,
16 8 16
cealalta, s = 5 , nu apartine domeniului de defmitie a functiei cerere.
Pentru a determina costul minim, inlocuim s cu 3 in formula (8.3.25.) ce
devine
C(3) ^ 1 0 0 3 f f 3 - ^ ^ ^ + I.9.100p.i^ + i.l.5004ffe^2 x
dx
«M J J
O 3 8 x 2 x
200
311
9. ELEMENTE DE TEORIA A§TEPTARII
In viata de zi cu zi, in productia de bunuri si de servicii, intalnim fenomene

de asteptare generate fie de oameni, fie de masini, atunci cand cererea curenta de
servicii depaseste capacitatea de a asigura serviciile cerute. Astfel, dacanumarul de
oameni sau de masini care asteapta este prea mare, la un moment dat, atunci vom
avea cheltuieli neproductive pentru intreprinderea respectiva. De aceea se impune
elaborarea unui plan adecvat de asteptare din punct de vedere economic, care sa
conduca la satisfacerea cererilor de servicii in conditii cat mai avantajoase.
Primele lucrari legate de sistemele de asteptare apartin lui Erlang (1908),
referitoare la problema incercarii rationale a centralelor telefonice.
Teoria asteptarii (teoria firelor de asteptare sau teoria cozilor) este acea
ramura a matematicii ce studiaza fenomenele de asteptare.
Modelele de asteptare s-au diversificat continuu si au patruns in cele mai
variate domenii atat din sfera productiei, cat si din cea a serviciilor.
Vom enumera principalele elemente ale problemei fenomenului de asteptare.
9.1. Structura de baza §i caracteristicile unui sistem de asteptare
Intr-un model de asteptare procesul de baza este urmatorul: unitatile care cer sa fie
servite sunt generate in timp de o sursa a intrarilor. Servirea este asigurata de una sau mai
multe stati de servire. Unitatile ce nu pot fi servite imediat vor forma coada sau firul de
asteptare.
Deci:
• Sursa reprezinta multimea unitatilor ce solicita un serviciu la un moment
dat. Ea poate fi fmita sau infmita. Sosirea unitatilor in sistemul de asteptare
determina variabila aleatoare X, a numarului de' unitati ce intra in sistem in
unitatea de timp.
• Firul de asteptare este determinat de numarul unitatilor care asteapta
(finit sau infmit) limitat sau nelimitat.
• Statia de serviciu reprezinta fie un lucrator (mecanic auto, easier,
vizitator etc.), fie o masina ce efectueaza un serviciu ce a fost solicitat. Vom nota
cu Y variabila aleatoare ce reprezinta timpul de servire a unei unitati in statia de
serviciu.
Din practica se iau valorile empirice pentru variabilele aleatoare X si Y, cu
ajutorul carora se determina legile de repartitie si parametrii pentru variabilele
aleatoare X si Y, prin ajustarea unei distributii empirice la o distributie teoretica
folosind metodele din teoria probabilitatilor si statistica matematica. Ansamblul
format din firul de asteptare si statiile de servire formeaza sistemul de asteptare.
Schematic situatia se prezinta astfel:
312
Sursa Clienti ! Firul de Statii de
Clienti
inlrici asteptare sevire sefsiti
sistem !
!
Figura 9.1.1. Sistem de asteptare
La un moment dat, o unitate ce asteapta sa fie servita este aleasa pentru

servire printr-o anumita regula, numita disciplina de servire.
Cea mai des utilizata disciplina de servire este „primul sosit, primal servif
(sau FIFO), o alta metoda cu aplicatii in metalurgie, metoda „ultimul sosit, primal
servit" (UFO). Disciplina de servire este un element de corectitudine intre clienti,
dar nu este importanta pentru statia de servire, ce face aceleasi servicii pentru orice
client.
Dupa numarul unitatilor de servire si numarul statiilor servite putem avea
urmatoarea clasificare a fenomenelor de asteptare:
1. un fir, o statie,
2. un fir, mai multe statii,
3. mai multe fire, o statie,
4. mai multe fire, mai multe statii;
iar dupa natura sosirilor sau a serviciilor putem avea:
1. mai multe fire, sosiri constante, servicii constante,
2. sosiri constante sau servicii aleatoare,
3. sosiri aleatoare cu servicii constante,
4. sosiri aleatoare, servicii aleatoare.
9.2. Masurarea performantelor sistemului de asteptare.

Relatii de baza
Intr-o problema de asteptare se intalnesc urmatorii indicatori principals

1. m este numarul de unitati ale populatiei ce sosesc in sistem (m poate fi fmit
sau infmit);
2. s este numarul de statii de serviciu;
3. pn\t) este probabilitatea ca in sistemul de asteptare sa se gaseasca n unitati la
momentul t. Vom nota simplificat pn ;
4. n(t) este numarul de unitati ce se gasesc in sistemul de asteptare la momentul
t, care este o variabila aleatoare cu distributia
n fO 1 2 ••• n ••■ m^
n(t):
\Po P\ Pi '" Pn '" PmJ
valoarea sa medie (numarul mediu de unitati din sistem la un moment t) va fi
313
Cand m = <x>, se impune conditia cawf) = ]T wp„ sa fie convergenta.
5. nf(t) este o variabila aleatoare ce reprezinta numarul de unitati din firul de

asteptare la momentul t care se reprezinta prin
^ 0 1 ••• h ■•■ m-s^
nJt): s
Y.Pi P* + l •'• Ph+* ••• Pm

cu media w^f) numarul mediu de unitati ce se afla in fir data de
4=1 n=s+l
Pentru m = oo seria ^(n-s)p„= nf (t) va trebui sa fie convergenta

n-s+l
6. ns (t) reprezinta numarul de unitati ce sunt servite la un moment t,

(0 1 ••• s
CO
n
s{t)- Pa P\ '" /,Pnn
0 f\
n-s J
cu media
s-\
^)=Z^-Z
k+S^Pn,
4=0 n=s
deci, vom avea relatia n(t)=nf(t) + ns(t), ce exista si intre valorile medii.
njt) reprezinta numarul mediu de unitati servite la momentul t.
7. P(n(t) > k), probabilitatea ca numarul unitatilor din sistem la momentul t sa
fie mai mare decat k . Dar
k
P{n(t)>t) = \ — P\n(t)<k) = l—/,/?,- ■
i=l
8. Tf , timpul mediu de asteptare in fir a unei unitati.

9. Ts, timpul mediu de asteptare a unei unitati in sistem.
Observatie. Tf si Ts depind de legile serviciului si sosirilor si vor fi
determinate pentru fiecare model in parte.
314
9.3. Legi probabilistice ale sosirilor §i ale serviciilor
Fie X variabila aleatoare ce reprezinta numarul de unitati sosite in unitatea

de timp, intr-un sistem de asteptare. Vrem sa studiem repartitia variabilei X avand
urmatoarele ipoteze:
1) Probabilitatea sosirii unei unitati la un moment dat este constants si nu depinde
de ce s-a intamplat anterior.
2) Probabilitatea sosirii unei unitati intr-un interval foarte mic de timp (t,t + h),
de lungime h, este proportionate cu lungimea intervalului, oricare ar fi t,
adicaeste Xh + 0(h), unde
limO(h) = 0 si l i m ^ ^ = 0 (9.3.1.)
unde X este un coeficient de proportionalitate constant si pozitiv.

3) Probabilitatea ca in intervalul de timp (t,t + h) sa fie mai mult decat o sosire
este aproximativ egala cu zero, cand h indeplineste conditia (9.3.1.).
Se arata ca, in aceste 3 ipoteze avem:
Propozitia 9.3.1. Variabila aleatoare X ce reprezinta numarul de unitati
sositepe unitatea de timp intr-un sistem de asteptare are repartitia Poisson.
Adica, probabilitatea ca in intervalul de timp (0,t), t>0 sa aiba loc n
sosiri este egala cu P (t) = ^ e ^ , X>0, « E N . Pentru t - 1 (unitatea de
X"
timp) ea este egala cu P, (l) = —e~k.
Astfel, observam ca X, coeficientul de proportionalitate introdus in ipoteza

2) reprezinta numarul mediu de unitati sosite in unitatea de timp.
In ipotezele 1), 2), 3) aplicate pentru numarul unitatilor servite de o statie ce
lucreaza neintrerupt, vom obtine rationand similar, numarul de servicii ce pot fi
facute de o statie intr-un timp t, este o variabila poissoniana. Daca [i este
coeficientul de proportionalitate introdus in 2), el va fi numarul mediu de unitati
servite in unitatea de timp.
Propozitia 9.3.2. Variabila aleatoare Y, ce reprezinta timpul dintre doua
sosiri consecutive are o repartitie exponentiala.
Demonstratie. Se consider* ca moment initial momentul in care a sosit prima
dintre cele doua unitati si calculam probabilitatea ca timpul Y dintre cele doua
sosiri sa fie mai mare decat un timp oarecare t>0.
Notam cu P0(t) probabilitatea ca in timpul t sa nu avem nici o sosire, deci
P(Y > t) = P0(t) = eXt, de unde P(Y<t) = l-eXt.
315
Astfel, functia de repartitie a variabilei Y va fi F(t) = l-e~^ specifics
variabilei Y de repartitie exponentials, cu densitatea de repartitie
f(t) = F'(t) = Xe'At sideci
M(Y)=\tf(t)dt=\tXe^dt-Xt 1
In concluzie intervalul mediu dintre doua sosiri consecutive este intervalul

numarului mediu de sosiri in unitatea de timp.
Observatie. Analog putem deduce ca timpul dintre doua servicii consecutive
este o repartitie exponentials si cS intervalul mediu dintre douS servicii consecutive
este inversul numSrului mediu de servicii in unitatea de timp (pentru noi - ) .
Exemplu. Din datele statistice, numSrul clientilor ce sosesc la o firmS sunt

poissonene cu numSrul mediu de o persoanS pe ora, iar timpul mediu de servire a
unui client este 30 secunde. SS se determine intervalul mediu dintre douS sosiri
consecutive si probabilitatea ca in 2 minute sS nu vina nici un client.
Solutie. Folosind ca unitate de timp minutul, numarul mediu de sosiri pe minut va
fi X = = - = 1,6. Intervalul mediu intre doua sosiri consecutive va fi

60 3
- = 0,6. Cum P, (t) = e'kt ^ , rezulta
( 2 )! = e - 1 ' 6 2 f 0c, ^ = e- 3 ' 2 =0,05.

pov
9.4. Deducerea ecuatiilor de stare pentru un fenomen

de steptare in regim stationar
Fie sistemul de asteptare ca un sistem cu starile E0,Ex,...,En,..., starea En fiind

starea sistemului in cazul in care in el se gasesc n unitati. Asociem fiecarei stari
E„ o probabilitate Pn{t) de aparitie ce depinde de timpul t. Presupunem ca
functiile P„(t) au proprietati de continuitate si derivabilitate potrivite si ca
1".
n=0
(t) = l. (9.4.1.)
La momentul t - 0 presupunem ca nu exista nici o unitate in sistem, deci se

adauga conditiile initiale
f x (1 pentru « = 0
P„(0) = \ ■ (9.4.2.)
10 p e n t r u ^ ^ O
316
Vom deduce un sistem de ecuatii ce conduce la determinarea probabilitatilor
P„(t), numit sistemul ecuatiilor de stare. Astfel vom detenninarea comportamentul
si parametri de performanta a sistemului, cu ajutotul probabilitatilor ip (t)\ .
Se presupun cunoscute urmatoarele:
1. Probabilitatea de trecere de la starea En la starea En+l in intervalul de timp
foarte scurt (t,t + h) este Xnh + 0(h) si corespunde unei sosiri in sistem.
Probabilitatea de a nu avea nici o sosire in sistem va fi
\-[Xnh + 0{h)].
2. Probabilitatea de trecere din starea En in starea En_x in intervalul de timp
(t,t + h) este \inh + 0(h) si va corespunde unei serviri (plecari).
Probabilitatea de a nu avea nici o servire este 1 — [[i„h + 0(h)\.
3. Probabilitatea de trecere din starea En intr-o stare En_k sau En+k C U ^ G N ,
k > 1 este 0(h) . Altfel spus, intr-un interval scurt de timp poate avea eel mult
o sosire si eel mult o servire.
9A.\.Cazul n =0
Calculam probabilitatea ce in sistemul de asteptare sa nu existe nici o unitate

la momentul t + h, P0{t + h) tinand cont de situatiile posibile la momentul t.
Situatiile acestea pot fi:
a) nu exista nici o unitate la momentul t si nu soseste nici o unitate in intervalul
(t,t + h),
b) la momentul t, exista o singura unitate.
Situatiile a) si b) reprezinta evenimente incompatibile care sunt formate din
evenimente independente si neglijand functia 0(h), fiind foarte mica daca h^>0,
probabilitatea PQ(t + h) va fi
P0(t + h) = P0(tXl ~ \h) + Px(t)\yxh{\ - Xxh). (9.4.3.)
Rescriind si trecand in stanga pe PQ(t) avem
P0(t + h)-P0(t)- -XohPoiij + frhPfy-X^tfP^t)
Impartimprin h si trecem la limita
p
l i m ô(* + h) PO0(t)^ = _y pi_x p (t)+[iiPi
t\+Q Q pit\ (t) (9.4.4.)
sau
tf(t) = -X0P0(t)+\ilPl(t).
317
9.4.2. Cazul n>0
Calculam probabilitatea ca in sistemul de asteptare sa existe n unitati la

momentul t + h, Pn{t + h), tinand cont de urmatoarele situatii posibile la
momentul t:
a) La momentul t exista n unitati in sistem, nu soseste nici o unitate si nu pleaca
nici o unitate in intervalul (t,t + h).
b) La momentul t exista n +1 unitati in sistem, pleaca o unitate si nu soseste nici
o unitate in intervalul (t,t + h).
c) La momentul t exista n -1 unitati in sistem, soseste o unitate si nu pleaca nici
o unitate in intervalul (t,t + h).
d) La momentul t exista n unitati in sistem, soseste o unitate si pleaca o unitate
in intervalul (t,t + h).
Evenimentul de a exista n unitati in sistemul de asteptare la momentul t + h
reprezinta reuniunea a patru evenimente incompatibile si fiecare este o intersectie
de trei evenimente independente. Probabilitatea cautata Pn(t + h)va fi
Pn (t + h) = Pn (t\\ - Xnh\\ - nKh) + PK+1 (til - KuhKuh +
Trecem Pn{t) in membrul stang, impartim la h , trecem la limits §i obtinem
U m ^ f e l ^ Z ^ W = -(Xn + n„ )Pn (t) + n„+lJP„+1 (t) + \n_xPn_x (t).
Rescriind avem
Kit) = Xn_xPn_x (t) - (Xn + n„ )Pn {t) + n„+1P„+1 {t). (9.4.5.)
Relatiile (9.4.4.) si (9.4.5.) formeaza sistemul ecuatiilor de stare, ce se
rezolvain conditiile (9.4.1.) si (9.4.2.).
Acest sistem va fi rezolvat in regim stationar, atunci cand probabilitatile
P„ (t) nu depind de timp, adica %(t) = 0, rezultand ca Pn (t) = pn, constant orice
n = 0,1,2,....
Sistemul devine
IX »„-*.,/>,=()
{ ( \ ■ (9.4.6.)
n
[K-lP»-l ~ \K + Vn )Pn + »„+lP„+l =V ^1
Conditia (2) devine CO
YjPn=X- (9.4.7.)
Sistemul (9.4.6.) este cunoscut sub numele de sistemul ecuatiilor de stare in

regim stationar. Vom conveni ca in acest caz nici ceilalti indicatori nu se scriu
functiedeY
318
Din prima ecuatie a sistemului (9.4.6.) obtinem
X0
A p0 (9.4.8.)
si inlocuim in ecuatia (9.4.2.) pentru n = 1 obtinem

X0p0 - (A,j + \i\)p2 + V-iPi - 0
de unde rezulta
P: p0.
(j,A0 (j,
l l
Aratam prin inductie dupa n ca

KK-^n-l
PI n+1 Po
(J.jJJ-2- ■■\i„
Din ecuatia (9.4.2.) a sistemului (9.4.6.) scrisa pentru n avem
^■n-lPn-l VS + M-n )Pn + M"n+lA+1 = 0 >
de unde
X H„ Xn-\
An+1 A + A An-1 (9.4.9.)
JO,n+1 J-1n+1 JO,n+1
Tinem cont in (9.4.9.) de ipoteza de inductie si de faptul ca pn fn-l'

H„
de unde rezulta imediat ca
X K X
° - " Po
^1^2"^„+1
Deci, am determinat expresia tuturor probabilitatilor in functie de p0:
Pn p0.fl— (9.4.10.)
4=1 M-t
Daca inlocuim (9.4.10.) in relatia (9.4.7.) obtinem
-i
zrix
n
k-\
Po l+ _ (9.4.11.)
^ n=l t=T M-t y'
9.5. Modele de a§teptare
Vom prezenta cateva modele de asteptare, cu notatiile de rigoare. O notatie

pentru modelul de asteptare a fost introdusa de D. Kendall in 1953 si are informatia
asupra modelului organizat astfel:
(alblc):(dlelf).
Vom nota cu M faptul ca sosirile (sau servirile) au repartitia Poisson.
319
De exemplu, modelul (MIMIs):{FIFOIN/OO) descrie un model cu
sosiri poissoniene, serviri poissoniene, s statii de serviri, a carei disciplina de
servire este „primul sosit, primul servit" numarul maxim de clienti in sistem fiind
TV, ce provin dintr-o populatie infmita.
9.5.1. Model cu fir nelimitat (MIM / l ) : (FIFO I oo/oo)
Acest model este deschis (o infmitate de unitati in sursa) cu un fir si o singura

statie de servire.
Schematic modelul se prezinta astfel:
intran ^ r ^r î KX ^ lesin
Figura 9.5.1.
Unitatile sosesc aleator, dupa o repartitie Poison de parametru X, indiferent
de starea sistemului, deci Xn = X . Servirea nu depinde de starea sistemului, deci
\in = [i, V« e N . Timpul petrecut in sistem este egal cu timpul petrecut in firul de
asteptare plus timpul de servire.
Astfel tinand cont de cele de mai sus, formula de calcul (9.4.10.) pentru
probabilitatile pn in functie de p0 avem
fxX p0. (9.5.1.)

p =
Notam cu p - - factor de serviciu sau intensitate de traflc si obtinem
n P"Po ■
Relatia (9.4.11.) ne conduce la relatia
-1
P ~ (9.5.2.)
V n=\ J
Pentru ca suma seriei de mai sus, care este o serie geometrica cu ratia p > 0,
sa fie convergenta se impune conditia p < 1 (in acest caz capacitatea de servire in
sistem este corespunzatoare).
Daca p > 1, atunci vom avea aglomerarea si serviciul nu poate fi asigurat de
o singura statie.
In cazul p < 1 suma seriei din paranteza (in relatia 9.5.2.) va f i * , de
1-p
unde
ô=l-P- (9-5.3.)
320
Acum putem determina toate caracteristicile modelului. Numarul mediu de
unitati in sistem (fir + statie) este
„- = f > „ =i>p.(l-p)=p(l-p)i>p"- ,,,4.)

dar
d a 1 1
(p + p2+... + p"+...)
dp dp\\-p) [\-p)
Astfel relatia (9.5.4.) devine
n = ^ . (9.5.5.)
Numarul de unitati in curs de servire poate lua numai valorile 0 si 1, deci

(0 1 ^
n
s- si atunci
l
VPo -Po)
^ = l-pQ=l-(l-p)=p. (9.5.6.)
Folosind formula n=nf + ns, obtinem ca numarul mediu de unitati ce
asteapta sa fie servite (din firul de asteptare) va fi
f
1-p
deci
^ pLsm^ *L_ (9.5.7.)
f f
1-p \i(\i-X)
Timpul mediu de asteptare a unei unitati in fir, Tf , este dat de raportul dintre
numarul mediu de unitati ce asteapta in fir si numarul de unitati efectiv servite in
unitatea de timp
~nf _\ p
t f = ^ =- - — , (9.5.8.)
iar timpul de asteptare a unei unitati in sistemul de asteptare este

- - 1 1 1
t
s = t f + - = -■ ■ (9.5.9.)
(j, (J, 1-p
321
Probabilitatea ca numarul unitatilor ce se gasesc in sistem la un moment dat
sa fie mai mare decat un numar k, va fi
P(n>k) = | > „ = £(l-p)p«.(l-p)( p ^ + p t + 2 + . . >
h „\„k+l(i , „ , 2 , \ f-i „\„£+l 1 k+1

= 1-PP ll + p + D +...1=11 —Dip =p
deci
P(n>k)=pk+1. (9.5.10.)
Dam fara a demonstra, probabilitatea ca o unitate sa astepte in fir mai mult
decat timpul x,
p{tf>x)=pe-^-x)\ (9.5.11.)
Exemplu. La o casa de bilete a unei statii de metrou sosesc in medie 120
calatori pe ora. Casiera serveste in medie 3 calatori pe minut.
a) Sa se scrie densitatea de repartitie a sosirilor, stiind ca sunt aleatoare si au
repartitia Poisson.
b) Sa se scrie repartitia timpului de servire, stiind ca este exponentiala.
c) Sa se scrie probabilitatea ca in sistemul de asteptare sa nu existe nici un calator
la un moment dat.
d) Sa se scrie probabilitatea ce in sistem sa existe doi calatori la un moment dat.
e) Timpul mediu de asteptare a unui calator pana sa fie servit si timpul mediu de
asteptare in intregul sistem de asteptare.
Solutie. Problema se incadreaza in conditiile modelului prezentat. Unitatea de timp
pe care o alegem este minutul. X = 2 calatori/minut, n = 3 calatori/minut, de unde
— = —= p < l .
H 3
a) \ = 2 calatori/minut deci, repartitia sosirilor in sistem, adica a variabilei
aleatoare „numarul de unitati sosite in sistem pe unitatea de timp" este
n
T 2 , n = 0,1,2,....
\n\e )
b) timpul de servire are o repartitie exponentiala cu parametrul [i = 3
( s \3e~3' pentru/>0
calatori/minut, fix) = \ . Media timpului de servire este
[0 pentru/<0
- minute, adica 20 secunde.

3
c) p - \ - =-.
^ ^ 3
322
2
2 ^ 1
d) p - p p - - ---0,148.
2
e) tf= — = ^ r = -minute,
V- i - p 3 i _ 2 3
3
f = = - 1 minut.
H 1-p 3 j _ 2
9.5.2.Modelcufirlimitat (MIMI\):(FIF0I'TVI'oo)
Acest model este asemanator cu eel precedent, cu presupunerea ca firul de
asteptare este limitat si are o capacitate marginita la TV unitati, deci in firul de
asteptare se pot afla eel mult T V - 1 unitati. Orice unitate care soseste cand
sistemul este „plin" refuza sa intre in sistem si il paraseste pentru totdeauna.
Formulele din modelul precedent vorfiadaptate, tinand cont sa avem TV
termeni, si nu o infmitate, adica sumele se va face numai pana la n = N. Astfel
avem
N N+\
l = J^Pn=p0(l + p + ... + pN)=pi 1 P
„=0 " 1-p
deundep0= T ^r.
Observam ca, pentru acest model nu este necesara conditia p < 1, suma
probabilitatilor avand sens si pentru p > 1.
Putem interpreta intuitiv ca numarul de unitati ce pot aparea in sistem este
controlat de numarul maxim de unitati in coada, TV - 1 , si nu de ratele sosirilor si
serviciilor. Ca o consecinta, rata sosirilor X nu afecteaza conditiile de stationaritate
ale sistemului.
Din relatia (9.5.1.) rezulta

1-P n
i WTT Pentru n<N
1-p . (9.5.12.)
0 pentru n > TV
Numarul mediu de unitati in sistem este dat de
N N N
1- n oi\- l o\ N
— Vn1 Vn
V
n
n *■ P y\ P) V n-l
"=L Pn=L Pn=L P 1 _ v+1 = 1 _ v+1 L " P ■
l i
n=0 n=\ n=\ P P n=\
323
Pentru a calcula ultima suma, £ « p " _ 1 , v o m deriva termen cu termen
71 = 1
identitatea £ p " = ^ , ce va deveni prin derivare

»=o 1-P
\-(N + \)pN +Np N+l
2>" i\
_
Y2
71 = 1 ^ PJ
Astfel
w J
=^ / ^ ^ T T T ■ (9.5.13.)
1
(1-pXl-p^ )
Numarul mediu de unitati in firul de asteptare va fi
JV-l JV-l 1 ~ ^ A ,-W-l
»/ - Z^-+i - Z»p" r fe=f^ Z''p""1 ■ +1 z 1

71 = 0 71=1 1 P 1 P 71=1
-1
Suma ^ H p " se calculeaza ca si suma anterioara, doar ca in loc de TV
71=1
avem7V-l sivomobtine
p2[l-NPN1+(N-iy]
L
wf =
f , w— v4-i\ • (9.5.14.)
(I-PXI-PW+1)
Timpul mediu de asteptare a unei unitati in fir, tf=^=,ca ns=\-p0,
caredupainlocuiredevine
- pfl-^p^+fiV-lK]
J
tf = / w- M f , (9.5.15.)
n(i - px.1 - P j
iar timpul mediu de asteptare in sistem, Ts = Tf + - , va fi
f, ^ f TT^X . (9.5.16.)
H(I-PXI-P j
Exemplu. Intr-o parcare masinile sosesc conform legii Poisson cu rata de 2 0
masini pe ora. Parcarea are 15 locuri. Timpul de stationare a unei masini este
exponential cu media de 16 pe ora.
a) Care este probabilitatea ca o masina sa nu astepte? Care este probabilitatea sa
gaseasca un loc liber in parcare?
b) Care este timpul mediu de asteptare pana cand o masina paraseste parcarea?
324
Solutie
Cazul dinproblems se incadreazainmodelul (MIMI\):(FIF0IN/OO) in
care TV - 15. Alegem ca unitate de timp ora, atunci X = 20 masini/ora, [i = 16
masini/ora, rezulta p = - = 1,25 .
a) Probabilitatea ca o masina sa nu astepte este
Probabilitatea ca toate locurile sa fie ocupate este pls = p15p0 = 0,2046,

deci probabilitatea sa gaseasca un loc liber va fi
1-/? 15 = 1 - 0 , 2 0 4 6 = 0,7954.
b) timpul mediu de asteptare in sistem va fi
- l - ( l 5 + l)(l,25) 15 +15-(l,25) 15 ncn
t = v , A J—7 \'\ ' s0,57.
16(l-l,25)(l-(l,25)16)
9.5.3. Modul de asteptare cu sosiripoissoniene, timp de servire
exponential, cu s statii identice, populatiei infinita
(MlMis): (FIFOI'ooI'oo)
Vom presupune ca numarul statiilor s este mai mare ca unu, fiecare statie avand
acelasi parametru de servire », sosirile avand o repartitie Poisson de medie X,timpulde
servire exponential, iar trecerea din firul de asteptare in oricare statie libera se face in
ordineasosirilor.
Populatia din care provin unitatile este infinita, asa ca numarul mediu al unitatilor ce
sosesc in sistemul de asteptare este constant si egal cu X.
Pentru calculul probabilitatilor asociate starilor sistemului se utilizeaza
sistemul general de ecuatii de stare in cazul stationar si formulele (9.4.11.) si
(9.5.1.) in care
Xn=X,\/n^n, (9.5.17.)
iar pentru \in vom considera doua cazuri:
a) cand numarul n al unitatilor ce se afla in sistem in momentul t este mai mic
decat s, vor lucra doar n statii din cele s, iar \in va fi de n ori mai mare
decat pentru o singura statie;
b) cand n > s toate statiile vor lucra la momentul respectiv si atunci \xn va fi
s\i.
Astfel
325
\n\i pentru\<n<s
Vn (9.5.18.)
s\i pentru n> s
X
Inlocuim relatile (9.5.18.), (9.5.17.) in relatia (9.4.10.), cu p - - factorul de
p
serviciu al unei statii, vom avea
1) Daca \<n<s, p r i „
Pn - — P Pn,
l\i-2\i-...-n\i nY
X" P"
2) Daca n>s, pn 0 ^ ^ 7 ^ 0
\[i-2[i- ...-(s -\)[i- s[i- ...■ sp.
n-s ori
Rezulta
A> pentru \<n<s

n\
Pn (9.5.19.)
P"
p0 pentru n>s
s\s
sau
Pn Pip0,l<n<s
(9.5.20.)
k
ps+k = p Ps ,k>\,
unde
p=A =E (9.5.21.)
\xs s
se mai numeste factorul de utilizare al sistemului. Pentru a se evita aglomeratia,
acest factor este necesar sa fie subunitar, adica p < 1 echivalent cu — - - < 1, de
s\i s
unde p < s, astfel vom putea concluziona ca factorul de serviciu al unei statii poate
fi supraunitar, dar mai mic ca numarul statiilor s .
Cum ^p„=l §i tinand cont de forma probabilitatilor pn vom avea
n=0
S
P" P
y —Pa + y — ( p ) " " Pa = 1 sau
n=0 n\ n-s
s\
s-\
v/ - p—" + —
p '>v v(p
-v- = 1.
Pi
\n=0 n\ s\ n-s
326
CO
1
si tinand cont ca £ ( p ) " ~ =aci este o progresie geometrica cu ratia
n-s l-p
p < 1, obtinem
1
(9.5.22.)
hnl sl(l-p)
Variabile aleatoare nf ce reprezinta numarul de unitati din firul de asteptare
la un moment dat are repartitia
0 1 2
nf
si atunci numarul mediu de unitati in firul de asteptare va fi
YJ{n-s)Pn= ^(n-SSi)-(Py-sp
n=s+\ n=s+\
Pi (l + 2p+3p2+..)=p0?
si (l-p)2
;aciamtinutseamaca
l + 2p + 3p 2 +... = — ( p + p2 + p3 +...)= — P
^P t/p^l-pj (l-p)2
deci
s
Vf = 9 P
(9.5.23.)
s\ (i_p)20
Se arata, folosind sumarea acelorasi serii, ca numarul mediu de unitati de curs
de servire in modelul acesta este ~ns = p , de unde numarul mediu de unitati din
sistemul de asteptare este
s+l
n=nf + n s= SL PQ p. (9.5.24.)
( S -I)( S -P7-
Timpul mediu de asteptare a unei unitati in fir va fi
n 1 ps p
tr (9.5.25.)
^ W 5! (l-p-r 0
iar timpul mediu de asteptare a unei unitati in sistem este
1 1 1 ps p
ts - tf + — - 2 A0> + 1 (9.5.26.)
(j, (J, P *! ( l - p )
327
Observatie. Daca se presupune ca in sistemul de a§teptare pot exista eel mult
TV unitati la un moment dat §i ca deci firul de a§teptare este limitat, in el putand fi
eel mult TV - s unitati, atunci pn = 0 pentru n > TV §i avem
1 pentru 1 < n < s p"p pentru 1 < n < s
PPo
m
Pn 1
— P Po pentru s<n<N Ps(p)" S
Po pentru s<n<N
sis
Punem conditiia £ / ? „ = ! §iobtinem

n=0
s-\
PO Z -n\P " + Z Vs\ ( P ) * -1

\n=0 n-s
dar
I ,l-p^+1
/ - p (p)
slP 1-p
atunci vom avea
1
Pi0 s-\
^ 1 „ 1 , 1 - p N-s+\
> —p +—p 1-p
n=0 n\ s\
Pentru a evita calculele laborioase necesare determinarii indicatorilor n,nf,
~ns putem folosi formulele de recurenta pentru pn,
-pPn-i pentru \<n<s

n
P/Vi pentru s<n<N
N A'
§i formulele pentru indicatori, n

n=0 n-s
*.=±«P.+>±
+ sypn
n-s
Exemplu. La o agentie de voiaj sunt amplasate patru case de bilete. Se §tie ca
sosirea pasagerilor este poissoniana cu o medie de 120 pasageri pe ora, iar timpul
de servire a unui pasager este 90 de secunde. Sa se determine numarul mediu de
pasageri care a^teapta sa intre in agentie §i timpul de a^teptare in coada.
328
Solutie. s = A, A. = 120, — = 90" = 1,5' = — ore, rezulta u, = 40 si p = - = 3.
\i 40 H
-i
3
p" p4 1 1 - /I 3
Avem p0 y 0,038, p = — = - < 1 deci se evita supra-
sju 4
^ « ! 4! 1-p
aglomerarea, Tf = ?- ^ • - ^ ^ ^ P0 o= 2= ,2,052,
0 5 2ns, =^ p == 33 ,, T^ f == X^ = 0,0057 ore.
si ( l - p ) H«,
Cele patru case de bilete sunt folosite la intreaga capacitate, caci numarul de
pasageri serviti in unitatea de timp \ms = 360 este egal cu posibilitatile de servire
s[i = 360.
Observatie. Daca numarul pasagerilor ce sosesc la agentie ar fi: A = 80
pasageri pe ora, atunci s-ar obtine p = 2 , p = - < l , p0 = 0,l5, nf=\,2>2>,
~^s=p = 2, Tf= 0,008, iar capacitatea de servire a sistemului nu ar fi folosita

decat in proportie de 25% caci numarul de pasageri serviti in unitatea de timp este
\ms = 80 iar posibilitatile de servire s[i = 320 .
9.5.4. Modelul de mteptare cu sosiripoissoniene, timp de

servire exponential, cu o statie, populatie finita
(MIM I\):(FIFO) m-\l m)
Modelele anterioare au presupus populatia din sursa infmita. In practica, de

obicei, sosirile sunt in numar mare, dar finite. Modelul de fata este asa-numitul
model al reparatorului. Sistemul are m (finit) masini cu aceleasi caracteristici
tehnologice si care functioneaza independent unele de altele. Masinile se pot
defecta in mod intamplator si sosesc la reparat dupa o lege poissoniana cu
parametrul X, pentru a putea fi reparate exists un singur mecanic (statie), iar durata
reparatiei unei masini urmeaza o repartitie exponentials cu parametrul \i.
Deoarece exista o singura statie, parametrul \in nu depinde de numarul de
unitati din sistem, el va fi constant si se noteaza cu \i.
Vom determina caracteristicile acestui model, observand ca probabilitatea ca
in intervalul de timp At sa soseasca in sistem o unitate, cand in sistem se afla n
unitati, din cele m ale sursei, este cu atat mai mica, cu cat numarul unitatilor
ramase in populatie este mai mic. Astfel putem scrie aceasta probabilitate ca find
XnAt = (m-n)XAt,
deci Xn=(m-n)X, n = 0,(m-l). Cu alte cuvinte, rata sosirilor este
proportionala cu numarul de unitati ramase in sistem, m-n.
329
Inlocuim Xn si \in = \i in relatia (9.5.23.). Vomavea
mX ■ (m -1) X ■... ■ ( m - n +1) X
/70 =/w(/W-l)...(
(xY
l) -
Pn Po
\v)
astfelcapentru « = l,2,...,/w,
(9.5.27.)
Stiind ca JT/?„ = 1 obtinem JT ^ p B / ? 0 = 1, de unde

n=0 n=0
1
=
Po i n ■
(9.5.28.)
Numarul mediu de unitati in sistem se calculeaza astfel

m
m m m m m
n I ^ B = I(m -m + »k = 2 > „ - I(m - » k
n=0
n=0 n=0 n=0
de unde
n (9.5.29.)
n=0 n=0
m
inlocuim pn cu expresia obtinuta anterior si tinem cont c& £ / ? „ = 1. Vom obtine
n=0
m
n - m -^y(m-njA^p"p0
n=0
dar
(m - n)Anm = m(m - \)..\m — n + \\m — n) = A^+l
si atunci
m-\
1
n - m -/,Al+lp"p() = m (1-Po).
n=0 p
djJC/Vi^-Po.deci
n=0
1
n - m[\- p0). (9.5.30.)
p
Numarul mediu de unitati in curs de servire este
ns=l-pt A (9.5.31.)
iar numarul mediu de unitati in firul de asteptare este
1+p
nf -n =n-n
—ns -m (1-A,)- (9.5.32.)
p
330
Timpul mediu de asteptare a unei unitati in fir este
Is = »/
=
J-f-=—1m
1
1
(9.5.33.)
iar timpul mediu de asteptare in sistem va fi

1 \f m O (9.5.34.)
^ =^ +—=
• ' (j, (j,■■iV: ir- rp 0
Din (9.5.30.) obtinem m - n = - ( l - pQ), deci X(m - n) = \i(l -pQ), atunci
V
7 >
kym-n)
Exemplu. In exemplu considerat in acest model sa presupunem ca masinile
apartin unui atelier de strungarie, in care avem 6 strunguri de acelasi fel, ce pot fi
reparate in caz de defectare de un singur mecanic. Stiind ca in 8 ore masinile se
defecteaza cu repartitia poissoniana cu X = 2 masini/h, iar muncitorul repara o
masina intr-un timp exponential cu media 15 minute. Sa se determine:
a) perioada de inactivitate a mecanismului;
b) probabilitatea ca 3 strunguri sa fie defecte;
c) celelalte caracteristici ale modelului.
Solutie
a) Perioada de inactivitate este aceea cand in sistem nu exista nici un
strung, deci trebuie calculat p 0 cu ajutorul relatiei (9.5.27.) stiind ca
X = 2 masini/h, \i = 4 masini/h, p = - , 0/>0 = 0,012 .
2
b) Inlocuind datele in relatia (9.5.30.) obtinem
3
p 3 - A6 •0,012-0,18.
c) Din relatia (9.5.29.) avem
w = 1 6 - ] ( l - 0 , 0 1 2 ) =4,02
T
2
si din relatia (9.5.32.) obtinem
1+
nff = 6 -T^-(l - 0,012) = 3,036.
331
Timpul mediu de asteptare a unui strung in fir este tf = 0,75 ore, iar timpul
mediu de asteptare in sistem Ts = 1,003 ore.
9.5.5. Model de asteptare cu sosiripoissoniene, timp de scriere

exceptional, cu s statii identice, populatia flnita
(MIMI S):{FIFO I m - s I m)
Acest model difera de eel anterior prin faptul ca servirea este asigurata de s
stati de servire identice. Evident, s < m altfel nu ar exista asteptarea.
Ca si la modelul anterior, populatia din sursa este finite parametrul Xn
reprezentand numarul mediu al sosirilor pe unitatea de timp, depinde de numarul
unitatilor ramase in sursa X„=(m- n)X.
Celalalt parametru, \in, se va scrie ca si in modelul
(MlMis): (FIFO/oo/oo) CU S >1 SI anume
\n\i pentrul<«<5
[s\i pentru s<n<m
In (9.4.10.) inlocuim Xn si »„ in cele 2 statii si obtinem
1) daca 1 < n < s, atunci
n
mX-(m-\)k ■...■(m-n + l)X Anm
Po = CmP"P0 >
2) daca s<n<m, atunci

mX-(m-\)X-...-(m-n + \)k A"X A" „
P = Po= I PO= p Po
- (i»X24..[(s-iHs4..M J
J? Y Z^
^ v
n-s ori
Astfel am obtinut
C"o"n pentru \<n<s
A" ■ (9.5.35.)
I
^ n-s
p»p pentru s<n<m
Tinand cont de faptul ca ^pn n

= 1 , obtinem valoarea probabilitatii p0
«=0
Avem
m ( s-\ m Aft ^
C +
£/>» = Z - P " Z ^ T P " Po=l,
de unde
332
-i
s-\
A"
Po ICP"+Z^7P" (9.5.36.)
V«=o
n=0 n=O i:i
J
si daca notam c u p = - = — factorul de servire global avem

s sp.
-i
s°
Po (9.5.37.)
iar expresia obtinuta pentru probabilitatile pn se va scrie

s-m n pentru \<n<s
'-mP Po
Pn =
Vs (9.5.38.)
A" — o"n pentru s<n<m
m
si °
Tinand seama ca au loc relatiile C k+i m-k C m si
k
Ak:^{m-k)Akm
k +l
putem scrie o relatie de recurenta pentru pn
m-n pentru \<n<s

PPn
P,71+1 n+1
(m-n)ppn pentru s<n<m
Caracteristicile modelului se calculeaza pornind de la defmitii, n Z>.

n=0
m _
nf = ^ ( « - s ) p „ ,ns=n-nf,t §i ts=tf +
n=s+l
Exemplu. Intr-o fabrica de piese turnate sunt 8 masini de turnat continuu,

deservite de 4 electricieni, care intervin numai in caz de defectiune. §tiind ca
durata reparatiei unei masini de turnat este o variabila exponentials cu parametrul
2
|j, masini/ora si ca durata de functionare a unei masini fara defect este 6 ore,
3
sa se determine:
a) probabilitatea ca la un moment dat in sistemul de asteptare sa se gaseasca 3
masini,
b) numarul mediu de masini defecte ce asteapta la un moment dat sa fie reparate,
c) timpul de asteptare in fir si timpul de asteptare in sistem.
333
Solutie. Din datele problemei deducem ca s = 4 statii, m = S ma§ini, u = -
3
ma§ini pe ora. - = 6 , de unde X = - ma§ini pe ora, astfel ca p - - - - §i
X 6 n 4
X 1
p
s\i 16
a) Aplicand formula (9.5.37.) vom avea
-i
4 1 V
<1 4 ^
PA±C; 4! ti 16
0,167
n=o v^y
3
§i p3 = C\ p0 = 0,146
b) Tf = £ ( „ - 4 ) p n = 0,007, » = 2 ^ =1,12 ? i ^ = » - ^ = 1,113.

n=4+l n=0
C) f, i 1
= 34 secunde §i ts = t f+ - = 1,5094 ore.
^ (j,
334

Modelare Si Simulare 3

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modelare Si Simulare 3

Încărcat de

Drepturi de autor:

Formate disponibile

Multiple Choice

a. stationar tare; c. cu timp discret;

a. stationat c. stationar slab

Pij (s, t ) definesc matrice de probabilitati de tranzitie care au proprietatea

"Fie integrala θ = ∫ f ( x)dx care se scrie θ = E [τ] = E [ f (U )] , sa alegem un alt estimator

a. Dirichlet c. Monte Carlo

1. Daca {X t }t ∈T este un proces stochastic, multimea {(t , X t ) | t ∈ T } se numeste

3. Relatiile urmatoare, satisfacute de probabilitatile de trecere ale unui lant Markov:

8. In teoria stocurilor, NIVELUL STOCULUI

1)Selectaţi afirmaţia falsă despre utilizarea modelelor economico-matematice.

1 unei funcţii obiectiv;

3) O soluţie optimă se identifică:

4) Spre deosebire de programarea liniară sau programarea dinamică, simularea nu se bazează pe un

1 mulţimea condiţiilor ce trebuie satisfăcute;

6) In funcţie de natura datelor, modelele se împart în următoarele categorii:

1 deterministe / stochastice / fuzzy;

8) Determinaţi din următoarea enumerare:

Indicaţi combinaţia corectă:

11) Selectaţi afirmaţia falsă referitoare la experimentarea unui model economico-matematic:

14)Metodele de tip determinist se folosesc, în general, atunci când:

15) Soluţia oferită prin aplicarea modelelor euristice este:

16)Selectaţi afirmaţia falsă: "Recunoaşterea faptului că în studiul fenomenelor socio-economice, creş-

1 abordarea stochastică a problemelor".;

18) Modelele de simulare au un caracter:

19) Selectaţi afirmaţia falsă:

1 scăderea simultană a preciziei şi completitudinii datelor folosite într-un model economico-

20) Selectaţi afirmaţia falsă referitoare la decizia economică:

1 timpul de reacţie de care dispune decidentul este mai scurt;

23) Caracteristic situaţiei decizionale în condiţii de certitudine este faptul că:

24) Ca regulă de identificare a variantei optime de decizie nu poate fi considerată:

1 exprimarea preferinţei subiective sau intuitive a decidentului;

25) Decizii în condiţii de incertitudine se iau atunci când:

1 nu există informaţii privind probabilităţile de realizare ale stărilor naturii;

26) Ca metodă de raţionalizare a deciziilor în condiţii de incertitudine se recomandă folosirea:

1 max min Cij → V *

3 min max Cij → V *

5 min max Rij Ri j = max Cij − Cij

30) Selectaţi afirmaţia falsă:

31) Selectaţi afirmaţia adevărată referitoare la valoarea informaţiei perfecte (VIP):

∑p j ⋅ max Cij − max ⋅ ∑ p j ⋅ Cij

5 dacă VIP > C nu se recomandă achiziţionarea informaţiei perfecte / adiţionale.

32) Metoda arborilor de decizie presupune:

1 evaluarea nodurilor iniţiale înaintea celor finale;

1 se aplică la situaţiile decizionale de mare complexitate, în care sunt implicate evenimente

34) Indicaţi răspunsul correct:

Folosind teoria deciziilor în condiţii de incertitudine şi programul informatic WINQSB/ modu-

35) Indicaţi răspunsul correct:

Folosind teoria deciziilor în condiţii de incertitudine şi programul informatic WINQSB/ modu-

36) Indicaţi răspunsul correct:

Folosind teoria deciziilor în condiţii de incertitudine şi programul informatic WINQSB/ modu-

Tabelul 2. Rezultatele obţinute cu WINQSB/DA

37) Indicaţi răspunsul correct:

Folosind teoria deciziilor în condiţii de incertitudine şi programul informatic WINQSB/ modu-

Tabelul 2. Rezultatele obţinute cu WINQSB/DA

1 maxmin (criteriul Wald);

38)Indicaţi răspunsul corect.

1 alegând minimul dintre valorile nodurilor imediat următoare;

39)Indicaţi răspunsul corect.

Selectaţi afirmaţia falsă despre nodul 4:

1 este un nod de tip decizie;

40)Indicaţi răspunsul corect.

Valoarea asociată nodului 1:

1 desemnează strategia optimă pentru procesul decizional;