Documente Academic
Documente Profesional
Documente Cultură
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. 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. 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
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 .......................
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.
(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
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
2)Expresia matematică care limitează intervalul în care variabilele rezultat ar putea fi calculate este
echivalentă:
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
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:
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
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.
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
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
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
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
1 deductiv;
2 stochastic;
3 probabilist;
4 procedural;
5 determinist.
ANS: 4
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 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
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 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
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 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
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
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
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
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
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 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
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:
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:
57)Procedeele de previziune bazate pe modelul Brown (cu un singur factor de nivelare în jurul mediei)
pot fi aplicate în practică dacă:
59) Selectaţi afirmaţia falsă: "In metoda ajustării exponenţiale a lui Brown (cu un singur factor de
nivelare, α ∈ [0,1] ):
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
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
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
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
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:
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:
69) Unele din premisele utilizării lanţurilor Markov pentru modelarea evoluţiei pe piaţă a unor pro-
duse concurenţiale sunt următoarele:
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
1 0,375;
2 0,2875;
3 0,2438
4 0,2;
5 0,55
ANS: 5
71) 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
1 0,7;
2 0,53;
3 0,433;
4 0,1;
5 0,2.
ANS: 1
72) 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
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
73) 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
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 -
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
ANS: 4
75) 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 -
1 0,45;
2 0,35;
3 0,20;
4 0,4626;
5 0,4755.
ANS: 1
76) 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 -
1 0,7;
2 0,5;
3 0,6;
4 0,15,
5 0,25.
ANS: 1
77) 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 -
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
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:
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:
82) 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:
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:
83) 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:
Analiza de senzitivitate pentru factorii de influenţă (tabelul 12) pune în evidenţă că cel mai sen-
sibil factor este:
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
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:
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
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 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
c
c
c
c
! "
# ! "
c$ %&
c' (
) (
c .
%OO
%01.2
c3 .
%0/-24
) . +&&%O&
' - ,
%&O'&
3 ,
, O
c 567
{
. !
c3 5
8
;
' &
c &
& $/
c# &
& $/
$ & 0
!
c* &/$"!"
!
cc &'
!
&
1'.& +
c# 7
:c 7 !
c) 8
'
c =
67
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
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
Bibliografle 335
9
8. MODELE MATEMATICE PENTRU GESTIUNEA STOCURILOR
Figura 8.2.1.
C'(q) = -\Qc,+-Qc,
(8.2.4.)
C"{q) = ^QCl
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
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.
Costul global va fi
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.)
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
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
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
C = C(q) ■v/2-0,02-90-200-10.000+100.000-200
2 '
2.011.683,28
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
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
29^
Q.c
l s^
C ±c,
i=i
(8.2.34.)
C = £ C . =416213,92.
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.
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
Cl^i(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
(* ) =<iZ(*-1-*M*)+c2Z(*-'s+1M*)=
_1
x=0 x=s
j—1 J—1 CO CO
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
304
8.3.1.2. Cazul continuu
S-x
Notam cu Es variabila aleatoare excedent de stoc cu repartitia Es
f(x)
S
x—s
stoc cu repartitia Ls , J , x e [s,oo), cu media M ( Z S ) = J(x - s)f(x)dx
(8.3.7.)
0 5
si notam
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
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
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.
8.3.2.1. Cazuldiscret
Pentru situatia din figura 8.3.1. se observa ca stocul mediu pentru care
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
^ (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
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
309
8.3.2.2. Cazul continuu
Stocul optim s se obtine din conditia de optim pentru functia C(s). Functia
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
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
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
313
Cand m = <x>, se impune conditia cawf) = ]T wp„ sa fie convergenta.
4=1 n=s+l
^)=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
314
9.3. Legi probabilistice ale sosirilor §i ale serviciilor
limO(h) = 0 si l i m ^ ^ = 0 (9.3.1.)
X"
timp) ea este egala cu P, (l) = —e~k.
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
1".
n=0
(t) = l. (9.4.1.)
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
sau
tf(t) = -X0P0(t)+\ilPl(t).
317
9.4.2. Cazul n>0
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.)
P: p0.
(j,A0 (j,
l l
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'
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.
intran ^ r ^r ^i 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
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
^o=l-P- (9-5.3.)
320
Acum putem determina toate caracteristicile modelului. Numarul mediu de
unitati in sistem (fir + statie) este
d a 1 1
(p + p2+... + p"+...)
dp dp\\-p) [\-p)
Astfel relatia (9.5.4.) devine
n = ^ . (9.5.5.)
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.)
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 + . . >
— = —= 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
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
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.
323
Pentru a calcula ultima suma, £ « p " _ 1 , v o m deriva termen cu termen
71 = 1
avem7V-l sivomobtine
p2[l-NPN1+(N-iy]
L
wf =
f , w— v4-i\ • (9.5.14.)
(I-PXI-PW+1)
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
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
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
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
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,
*.=±«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>,
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.)
1
=
Po i n ■
(9.5.28.)
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.)
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.
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.
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 >
332
-i
s-\
A"
Po ICP"+Z^7P" (9.5.36.)
V«=o
n=0 n=O i:i
J
m _
nf = ^ ( « - s ) p „ ,ns=n-nf,t §i ts=tf +
n=s+l
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
C) f, i 1
= 34 secunde §i ts = t f+ - = 1,5094 ore.
^ (j,
334