Modelare Procese Ec - Lixandroiu D PDF

Prof. univ. dr.
Dorin Lixăndroiu
MODELAREA PROCESELOR
ECONOMICE
Introducere
EDITURA UNIVERSITĂŢII TRANSILVANIA DIN BRAŞOV

 2012 EDITURA UNIVERSITĂŢII TRANSILVANIA DIN BRAŞOV
Adresa: 500091 Braşov,
B-dul Iuliu Maniu 41A
Tel:0268 – 476050
Fax: 0268 476051
E-mail : editura@unitbv.ro
Toate drepturile rezervate
Editură acreditată de CNCSIS

Adresa nr. 1615 din 29 mai 2002
Referenţi ştiinţifici: Prof.univ.dr. Nicoleta Petcu

Prof.univ.dr. Niculaie Antonoaie
Descrierea CIP a Bibliotecii Naţionale a României

Lixăndroiu, Dorin
Modelarea proceselor economice / Dorin Lixăndroiu. - Braşov :
Editura Universităţii "Transilvania", 2012
Bibliogr.
ISBN 978-606-19-0064-0
519.86:33(075.8)
În fiecare ştiinţă este numai atâta ştiinţă, câtă matematică conţine.
Immanuel Kant
Prefaţă
Principalul obiectiv al modelării proceselor economice îl constituie optimizarea

procesului de luare a deciziilor, ca factor determinant în trecerea de la
complexul experienţă-intuiţie, la o abordare ştiinţifică bazată pe informaţie-
raţionament. Tot mai mulţi manageri plasează astăzi în topul practicilor de
management abilitatea în elaborarea şi luarea deciziilor optimizate, precise şi
clare. Acest proces a devenit deosebit de complex, în condiţiile actuale ale
procesului de globalizare a economiei, în care firmele îşi desfăşoară activitatea
managerială şi cea productivă pe cât mai multe pieţe şi pentru cât mai mulţi
clienţi.
Prin introducerea în multe firme a sistemelor informatice integrate (ERP), care

conţin biblioteci de modele destinate optimizării procesului de luare a
deciziilor, managerii demonstrează că au înteles evoluţia informaticii de la
instrument la armă stategică, aceasta putând crea avantaje decisive în
competiţia globală.
În ansamblul ei, lucrarea este rodul experienţei acumulate de autor în procesul

de învăţământ la disciplina Modelarea proceselor economice, predată
studenţilor economişti din Universitatea Transilvania din Braşov.
Studiile de caz şi elementele teoretice prezentate permit înţelegerea logică şi
profundă a importanţei modelării în procesul de luare a unor decizii economice
optime.
Autorul
CUPRINS
Pag.
1. INTRODUCERE ÎN MODELAREA DECIZIEI ........................................................ 3
2. MODELE ECONOMICE REZOLVATE PRIN PROGRAMARE LINIARĂ................... 9
3. MODELAREA DECIZIILOR MONOCRITERIALE................................................... 32
4. MODELAREA DECIZIILOR MULTICRITERIALE.................................................... 53
5. MODELE ÎN GESTIUNEA OPTIMĂ A STOCURILOR............................................ 65
6. MODELAREA DECIZIILOR CU MULŢIMI FUZZY …………………………………………….. 87
ANEXA – Distribuţia normală………………………………………………………………………. 101
BIBLIOGRAFIE……………………………………………………………………………………………… 107
Modelarea proceselor economice 1
INTRODUCERE
De-a lungul secolelor oamenii au construit şi îmbunătăţit modele pentru a explica
fenomenele observate. În domeniul luării deciziilor, primele modele formalizate au
apărut în a doua jumătate a secolului trecut. Tehnicile de modelare şi optimizare sunt
folosite nu numai în domeniul tradiţional supply chain management, dar şi în celelalte
arii funcţionale ale organizaţiilor, ca finanţe, contabilitate, marketing.
Suntem de acord cu părerile exprimate de alţi autori că nu există un manual care să te
înveţe să modelezi un proces, un fenomen, în scopul studiului comportamentului şi
optimizării deciziei. Există doar posibilitatea de a prezenta un instrumentar format din
metode şi tehnici ce pot fi utilizate în construcţia şi rezolvarea modelelor. Calitatea şi
complexitatea modelului construit, a gradului de fidelitate în reflectarea realităţii,
depinde de persoana sau echipa care realizează construcţia şi rezolvarea modelului.
Lucrare prezintă o introducere în câteva din modelele şi tehnicile mai importante şi mai
eficace: modele rezolvate prin metodele cercetării operaţionale, modele de decizie
monocriteriale, modele de decizie multicriteriale, modele de gestiune a stocurilor,
modele rezolvate cu mulţimi fuzzy.
Obiectivele cursului
Disciplina Modelarea proceselor economice are caracter interdisciplinar, fiind
tratată ca un domeniu de graniţă cu economia, statistica economică,
econometria, informatica şi matematica. Cursul are două obiective principale
– primul de a prezenta studenţilor mai multe modele şi tehnici cantitative de
asistare a deciziei manageriale ce permit rezolvarea problemelor importante
decizionale la nivel de firmă, în condiţii de concurenţă, cu ajutorul
instrumentelor informatice. Un al doilea obiectiv principal al cursului este de a
oferi studii de caz şi exemple practice de modelare a deciziei manageriale. La
începutul fiecărui capitol (unitate de învăţare) se prezintă în *....+ sursele
bibliografice utilizate, care ar putea fi folosite de cei interesaţi în dobândirea
de cunoştinţe suplimentare şi aprofundarea acestui domeniu fascinant al
managementului.
Competenţe oferite
Parcurgerea acestui suport de curs permite înţelegerea şi construcţia unor
modele economice pentru fundamentarea deciziei economice, cunoaşterea şi
utilizarea integrativă a produselor informatice pentru modelarea şi asistarea
deciziilor, analiza şi interpretarea economică a rezultatelor. Studenţii vor
înţelege locul şi rolul proceselor de optimizare a deciziilor manageriale, ca
factor determinant în trecerea de la complexul experienţă-intuiţie, la cel de
informaţie-raţionament.
2 Dorin Lixăndroiu
Resurse şi mijloace de lucru

Mijloace informatice necesare parcurgerii materialului şi rezolvării testelor:
Microsoft Excel şi pachetul software Quantitative Management (QM for
Windows) oferit (open source) de Prentice-Hall’s Decision Science.
Structura cursului
 numărul de unităţi de învăţare (UI) ce compun cursul: 6
 numărul temelor de control: 2
 modul de transmitere al temelor de control către cadrul didactic şi,
respectiv, a rezultatelor către studenţi: prin încărcarea pe platforma
eLearning, material tipărit, e-mail.
Cerinţe preliminare
Studiul Modelării proceselor economice se bazează pe cunoştinţele dobândite
anterior în studiul diciplinelor: Microeconomie, Statistică economică,
Management, Bazele informaticii economice, Econometrie, Matematică.
Discipline deservite
Competenţele oferite de acest curs şi posibilităţile date de instrumentarul
utilizat permit o abordare ştiinţifică bazată pe complexul informaţie –
raţionament a problemelor complexe ale deciziei manageriale dezvoltate în
cadrul celorlalte discipline de management.
Durata medie de studiu individual pentru o unitate de învăţare este de 6 ore.

.
Evaluarea
Componenţa notei finale:
- ponderea evaluării finale (examen) – 60%
- ponderea temelor de control – 40%.
Unitatea de învăţare 1
INTRODUCERE ÎN MODELAREA DECIZIEI
*ANDRAŞIU, 1986+, [ANDREICA, 1998], [FILIP, 2002], [FILIP, 2007], [KAUFMANN, 1987],
[KRAJEWSKI, 2005], [IONESCU, 1999], *RAŢIU, 2001+
Obiectiv
Obiectivul principal al acestui capitol introductiv este de a prezenta
importanţa conceptului de model în procesul de optimizare a deciziei
manageriale. Se enumără principalele tipuri de modele şi se prezintă etapele
procesului de construcţie şi rezolvare a unui model economic.
Competenţele unităţii de învăţare

După parcurgerea acestei părți studenții vor înțelege conceptele de model,
modelare, decizie.
Se va înţelege necesitatea raţionamentului pe baza modelelor în analiza
proceselor economice, ca factor determinant al metodei ştiinţifice în
economie.
Durata medie de parcurgere a primei unităţi de învăţare este de 2 ore.
Tehnicile cantitative în eleborarea deciziilor manageriale prezintă o mare importanţă

evidenţiată de numeroşi specialişti, atât teoreticieni, cât şi practicieni. În urma unui
studiu statistic efectuat în 1987, în SUA, asupra unui număr de 6500 manageri s-a
constatat că cea mai importantă din primele zece practici de management este
abilitatea în elaborarea şi luarea deciziilor precise şi clare.
MODELAREA
Un instrument de cunoaştere ştiinţifică a realităţii obiective; are ca scop construirea de
reprezentări (modele) care să permită înţelegerea mai bună, profundă, ştiinţifică a
acesteia.
MODELUL
O reprezentarea izomorfă a realităţii care oferă o imagine intuitivă, dar riguroasă în
sensul structurii logice, a fenomenului studiat şi permite descoperirea unor legături şi
legităţi greu de stabilit pe alte căi.
Termenul de “MODEL” este utilizat pentru prima dată de Beltrami în 1868, în încercarea
de construire a unui model euclidian al geometriei.
4 Dorin Lixăndroiu
Structura unui model cuprinde:

 Variabile endogene şi exogene
 Constante şi parametri
 Relaţii între variabile şi parametri
MALINVAUD - “Apariţia şi generalizarea cuvântului model în ştiinţele economice este

concomitentă cu cea a unei mai mari rigori. Logica raţionamentului pe modele este
astfel, fundamentul principal al metodei ştiinţifice în economie.”
Clasificarea modelelor economico-matematice:

A. După sfera de reflectare a problematicii economice:
 modele macroeconomice - studiază modele de ansamblu ale economiei la
nivel de regiune, ţară, zonă geografică/politică;
 modele microeconomice – studiază modele la nivel de firmă (organizaţie).
B. În funcţie de domeniul de provenienţă şi concepţie:
 modele cibernetico-economice – permit studiul sistemelor de conducere
complexe prin evidenţierea relaţiilor input/output şi a legăturilor de feed-
back (de reglare); aceste modele surprind relaţiile cantitative şi calitative
existente între elementele sistemului şi procesele evolutive care au loc la
nivelul întregului sistem şi care generează transformarea acestuia;
 modele econometrice – elementele numerice sunt determinate statistic şi
permit explicarea unor tendinţe (trenduri) sau identificarea unor
periodicităţi;
 modele ale cercetării operaţionale – sunt modele matematice care
încearcă să cuprindă acţiunea unui sistem real prin intermediul ecuaţiilor
şi inecuaţiilor, în scopul luării deciziei optime; rezolvarea modelului
conduce la o soluţie optimă sau apropiată de optim;
 modele din teoria deciziei – iau în considerare unul sau mai multe criterii
care pot avea niveluri de importanţă egale sau diferite; pot include factori
de risc, incertitudine, etc.;
 modele de simulare – se utilizează în situaţia în care nu se pot realiza
modele analitice care să exprime legătura dintre variabile, atunci când
modelele sunt prea complicate pentru folosirea algoritmilor în scopul
găsirii soluţiei sau atunci când decidentul doreşte să evalueze direct
efectele unor alternative;
 modele fuzzy – în situaţia unor informaţii neclare, imprecise, incomplete
sau nemăsurabile se pot construi modele bazate pe teoria mulţimilor vagi
(fuzzy).
C. În funcţie de caracterul variabilelor:
 modele deterministe – se lucrează cu mărimi cunoscute, sigure;
 modele stochastice / probabilistice – există mărimi care au o anumită
probabilitate de realizare, dată sub forma unor funcţii de distribuţie
discrete sau continue.
D. În funcţie de factorul timp:

 modele statice – variabila timp nu intervine în model;
 modele dinamice - variabila timp intervine explicit în model.
E. În funcţie de orizontul timp:
 modele discrete – secvenţiale – comportarea sistemului modelat este
studiată la momente discrete de timp: t1, t2,..., tn;
 modele continue – variabilele modelului au comportamentul modelat de
funcţii continue.
DECIZIA
Există multe definiţii ale deciziei. Dintre acestea prezentăm câteva:
 Hotărârea luată ca urmare a examinării unei probleme, situaţii etc., soluţia
adoptată (dintre mai multe posibile). (DEX, 1998)
 Alegerea unei direcţii de acţiune. (Simon, 1960)
 Alegerea unei strategii de acţiune. (Fishburn, 1964)
 O alegere conducând la un anume obiectiv dorit. (Churchman, 1968)
 O alocare a resurselor. (Spradlin, 1997)
 Rezultatul unui tip particular de prelucrare a informaţiilor, care constă în
alegerea unui plan de acţiune. (Bonczek,..., 1984)
 Alegerea uneia dintre mai multe alternative; o afirmaţie care arată angajarea
într-o direcţie de acţiune. (Power, 2000)
O definiţie completă a deciziei manageriale este dată în [FILIP, 2002]:
DECIZIA reprezintă rezultatul unor activităţi conştiente de alegere a unei direcţii de

acţiune şi a angajării în aceasta, fapt care implică, de obicei, alocarea unor resurse.
Decizia rezultă ca urmare a prelucrării unor informaţii şi cunoştinţe şi aparţine unei
persoane sau grup de persoane, care dispun de autoritatea necesară şi care răspund
pentru folosirea eficace a resurselor în anumite situaţii date.
Cuvintele-cheie subliniate în definiţie dau elementele de bază ale procesului managerial:

- decizia este o activitatea conştientă care urmăreşte realizarea unor obiective;
- presupune alegerea dintre mai multe alternative, la limită (situaţie inacceptabilă)
pot fi numai două alternative decizionale, din care una este de a nu lua nicio
decizie şi de a lăsa lucrurile să se desfăşoare la voia întâmplării;
- decizia la nivelul unei firme presupune alocarea de resurse (materiale, umane,
financiare şi informaţionale);
- decidentul (o persoană sau un grup de persoane) trebuie să aibă autoritatea
necesară care poate rezulta din poziţia în structura organizaţiei sau prin
împuternicire;
- şi foarte important ! – răspunderea decidentului pentru utilizarea resurselor în
activităţile implicate de alegerea alternativei decizionale.
6 Dorin Lixăndroiu
În figura 1, se prezintă situaţia existentă (din păcate) în managementul multor

organizaţii: în faţa unor situaţii decizionale, bazat pe propria intuiţie şi experienţă,
managerul ia decizia. Depăşirea graniţei Realitate – Reprezentare simbolică conduce la
construcţia unui model de luare a deciziei, rezolvarea lui, analiza şi interpretarea
rezultatelor. Decizia finală revine tot managerului care selectează, în baza unei analize,
decizia dintr-o mulţime posibilă de decizii optimale. Această decizie nu este necesar să
coincidă cu optimul matematic rezultat din model, putându-se găsi într-o vecinătate a
acestuia.
Figura 1
În figura 2 se prezintă etapele care trebuiesc parcurse în procesul de modelare.
Remarcăm posibilitatea de întoarcerea la pasul anterior în situaţia apariţiei unei erori.
Figura 2
În figura 3 prezentăm procesul de selectare a metodei de luare a deciziei (după Fishman).

După formularea problemei, în cazul existenţei unui model se transpune problema în
forma impusă de model (care poate presupune adoptarea unor ipoteze simplificatoare),
se rezolvă modelul şi apoi se analizează soluţia pe baza datelor experimentale. În
situaţia unei soluţii inacceptabile se reia etapa de formulare a problemei în care au fost
definite ipotezele iniţiale.
În cazul inexistenţei unui model analitic sau a imposibilităţii definirii lui se poate aplica
tehnica simulării, care presupune construcţia unui model de simulare şi rezolvarea
acestui model. Modificarea parametrilor de intrare în modelul de simulare permite o
mai bună aproximare a realităţii. Pe baza soluţiilor obţinute se formulează decizia.
Figura 3 – Procesul de selectare a metodei de luare a deciziei
Celelalte metode de selectare a deciziei bazate pe enumerarea alternativelor şi folosirea

intuiţiei sunt inacceptabile în condiţiile unui management competitiv. Atenţie, nu negăm
rolul intuţiei şi experienţei managerului în adoptarea celei mai bune decizii, dar numai
8 Dorin Lixăndroiu
după ce au fost determinate mai multe soluţii acceptabile ca rezultat al rezolvării unui
model analitic sau de simulare.
Să ne reamintim...
MALINVAUD - “Apariţia şi generalizarea cuvântului model în ştiinţele
economice este concomitentă cu cea a unei mai mari rigori. Logica
raţionamentului pe modele este astfel, fundamentul principal al metodei
ştiinţifice în economie.”
FILIP Fl.Ghe. – “DECIZIA reprezintă rezultatul unor activităţi conştiente de

alegere a unei direcţii de acţiune şi a angajării în aceasta, fapt care implică,
de obicei, alocarea unor resurse. Decizia rezultă ca urmare a prelucrării unor
informaţii şi cunoştinţe şi aparţine unei persoane sau grup de persoane, care
dispun de autoritatea necesară şi care răspund pentru folosirea eficace a
resurselor în anumite situaţii date.”
Rezumat
MODELAREA este un instrument de cunoaştere ştiinţifică a realităţii
obiective.
MODELUL este o reprezentarea izomorfă a realităţii care oferă o imagine
intuitivă, dar riguroasă în sensul structurii logice, a fenomenului studiat şi
permite descoperirea unor legături şi legităţi greu de stabilit pe alte căi.
Modelelor economico-matematice se clasifică după mai multe criterii:
- după sfera de reflectare a problematicii economice,
- în funcţie de domeniul de provenienţă şi concepţie,
- în funcţie de caracterul variabilelor,
- în funcţie de factorul timp,
- în funcţie de orizontul timp.
Procesul de modelare presupune parcurgerea următoarelor etape:
- definirea sistemului şi a scopului modelării;
- colectarea şi analiza datelor;
- construirea modelului;
- verificarea modelului;
- validarea modelului.
Test de evaluare a cunoştinţelor

1. Explicaţi elementele de bază (cuvintele-cheie subliniate) din definiţia
deciziei manageriale. Exemplificaţi şi analizaţi.
2. Caracterizaţi principalele tipuri de modele economico-matematice
rezultate din clasificarea în funcţie de domeniul de provenienţă şi
concepţie.
3. Analizaţi procesul de selectare a metodei de luare a deciziei.
MODELE ECONOMICE REZOLVATE PRIN PROGRAMARE LINIARĂ
[ACKOFF, 1975], [ANDREICA, 1998], [GIARD, 1998], [HILLIER, 2005], [KARMANOV, 1977],
[KAUFMANN, 1975], [KAUFMANN, 1987], [KRAJEWSKI, 2005] [IONESCU, 1999], [MALIŢA, 1971+,
[MIH0C, 1973+, *RAŢIU, 2001], [RUSU, 2001], [SZABO, 2005], [THIEL, 1990], [ZIDĂROIU, 1983]
Obiectiv
Obiectivul acestui capitol este de a defini şi construi modele economice care
vor fi rezolvate prin programare liniară. Se prezintă probleme economice
clasice, întâlnite în practică, care pot fi rezolvate prin aplicarea modelelor
matematice ale programării liniare. Sunt abordate şi modelele de alocare –
problema de repartizare şi problema de transport. Modelele sunt rezolvate cu
ajutorul produsului software QM (Quantitative Management).

Parcurgerea acestei unităţi permite înțelegerea definirii şi construcţiei
modelelor economice care conduc la problema programării liniare. Prin
studiile de caz prezentate şi aplicaţiile propuse, studenţii vor fi capabili să
modeleze un proces sau fenomen din lumea reală care să fie rezolvat apoi
prin programare liniară. Aceasta presupune definirea variabilelor modelului,
definirea funcţiei obiectiv şi a restricţiilor, iar în final interpretarea economică
a rezultatelor obţinute prin aplicarea produsului software QM (modulele
Linear Programming, Integer Programming, Mixed Integer Programming,
Assignment, Transportation).
Durata medie de parcurgere a acestei unităţi de învăţare este de 8 ore.
O clasă largă de modele de optimizare în economie se rezolvă prin programare liniară.

Problema de programare liniară se încadrează în limitele generale ale modelelor
programării matematice şi se caracterizează prin faptul că atât funcţia obiectiv cât şi
restricţiile sunt exprimate matematic prin funcţii liniare. Rezolvarea matematică a
problemei de programare liniară se bazează pe aparatul matematic furnizat de algebra
liniară şi elaborarea unor metode eficiente de determinare a soluţiilor problemei. Prima
metodă generală de rezolvare a problemei de programare liniară (algoritmul SIMPLEX)
este datorată lui G. Dantzig (1951) şi permite determinarea soluţiilor în cazul în care
acestea există, sau poate dovedi inexistenţa soluţiilor, degenerarea lor etc. A doua
metodă generală de rezolvare a problemei de programare liniară (algoritmul Simplex
dual) este datorată lui C.E. Lemke (1953). Elaborarea celor două metode a condus la noi
cercetări în acest domeniu şi rezultatele obţinute au devenit capitole legate de
10 Dorin Lixăndroiu
problemele de programare în numere întregi (algoritmii lui R. Gomory, 1958, 1963),

problemele de transport, problemele de alocare (repartizare). Ulterior, metodele de
rezolvare s-au diversificat în strânsă legătură cu dezvoltarea calculatoarelor.
Forma generală a problemei de programare liniară (PPL) este:
Max [Min] f  c1  x1  c2  x2  ...  cn  x n

cu retricţiile:
a11  x1  a12  x2  ...  a1n  x n  b1
a21  x1  a22  x2  ...  a2n  x n  b2
.......................................................... (1)
am1  x1  am2  x2  ...  amn  x n  bm
şi x1  0, x2  0, ..., x n  0
În notaţie matriceală forma generală a PPL este:

Max [Min] f  X   C t  X
A X  B (2)
X 0
unde: Am, n - este matricea coeficienţilor sistemului de restricţii

Bm,1 - este vectorul coloană al termenilor liberi
X n,1 - este vectorul coloană al celor n necunoscute
C t 1, n - este vectorul coloană transpus ale cărui componente dau
coeficienţii necunoscutelor în funcţia obiectiv.
În forma generală a PPL se consideră că variabilele (necunoscutele) sunt numere reale.
Există numeroase aplicaţii economice de mare importanţă care conduc la modele în care
se pun şi alte condiţii asupra variabilelor. Natura concretă a fenomenelor modelate
impune cerinţa ca variabilele supuse restricţiilor problemei să nu poată lua decât valori
din anumite mulţimi, cel mai frecvent numere întregi. Distingem următoarele tipuri
particulare de probleme de programare liniară:
A. Programarea liniară mixtă

Există două tipuri de variabile:
x1 , x2 ,..., x m R 
y1 , y2 ,..., y n  N
Modelul presupune maximizarea (minimizarea) formei liniare:

m n
Max [Min] Z   fi  x i  g j  y j (3)
i 1 j 1
cu p restricţii (inecuaţii sau ecuaţii liniare):
m n
 aki  x i   bkj  y j  ck , k  1,2,..., p
i 1 j 1
B. Programarea liniară în numere întregi

Toate variabilele sunt numere întregi şi pozitive, adică x1 , x2 ,..., x n  N . De exemplu, în
construcţia modelului apar ca necunoscute: oameni, tipuri de casuţe de vacanţă,
avioane de capacităţi diferite, tipuri de produse etc. şi din analiza realităţii ne aşteptăm
ca soluţia optimă să nu fie “mare”. Pentru aceste tipuri de variabile punem condiţia să
fie numere întregi. Ar fi greu de interpretat o soluţie optimă, de tipul: 4,35 avioane
Airbus 320 şi 6,78 echipaje. Dar, dacă modelul conduce la o soluţie optimă cu valori
“mari”, de tipul: produsul P1 – 438,78 bucăţi, produsul P2 – 397,25 bucăţi, atunci se
poate rezolva PPL cu variabile reale şi apoi rotunjim soluţiile obţinute.
C. Programarea liniară booleană (0 – 1)

Necunoscutele sunt variabile booleene, adică în final soluţiile problemei de programare
liniară vor fi de tip 0 / 1. La forma generală a problemei adăugăm restricţiile:
x1 , x2 ,..., x n  Z - variabile întregi
şi x i  1, i  1,2,..., n (4)
0  x i , i  1,2,..., n
Evident, singurele numere întregi care aparţin intervalului [0, 1] sunt 0 sau 1.
Aceste probleme apar în modelele în care se doreşte, de exemplu, selectarea unor
proiecte dintr-o mulţime dată, selectarea unor variante de acţiune dintr-o mulţime dată
etc. Variabila x i  1 va indica alegerea proiectului i, iar x i  0 va arăta că proiectul i nu
este selectat.
Prezentăm în continuare câteva probleme economice clasice, întâlnite în practică, care

pot fi rezolvate prin aplicarea modelelor matematice ale programării liniare.
1. Programarea producţiei [1]

Considerăm un proces de producţie în care se realizează n produse/activităţi. Pentru
desfăşurarea procesului există un disponibil de m resurse (materii prime, forţă de
muncă, capacităţi de producţie, resurse financiare), limitate superior.
Se cunosc:
- cantităţile de resurse necesare pentru producerea unei unităţi din produsul
/activitatea j,
- costurile de producţie şi preţurile de vânzare pentru fiecare unitate din produsul
/activitatea j.
Notăm:
bi , i  1,2,..., m - nivelul cunoscut al resurselor
aij , i  1,2,..., m, j  1,2,..., n - cantitatea din resursa i folosită pentru
producerea unei unităţi din produsul/activitatea j
c j , j  1,2,..., n - preţul de vânzare al unei unităţi din produsul/activitatea j
d j , j  1,2,..., n - costul de producţie al unei unităţi din produsul

/activitatea j
x j , j  1,2,..., n - nivelul necunoscut al produsului/activităţii j
Se cere să se determine nivelurile celor n produse/activităţi care conduc la un beneficiu
maxim.
Problema conduce la construcţia următorului model care se rezolvă prin metoda

programării liniare.
Modelul
n
Funcţia obiectiv: max  (c j  d j )  x j
j 1
n
Restricţiile:  aij  x j  bi , i  1,2,..., m (5)
j 1
x j  0, j  1,2,..., n
2. Programarea producţiei [2]

O firmă realizează un produs. Pentru o perioadă de n luni se cunosc cantităţile lunare
contractate. Acestea pot fi realizate în avans şi depozitate. Producţia poate fi realizată în
orar normal sau suplimentar. Volumul producţiei realizabile este limitat de capacităţile
de producţie existente. Costurile de producţie în orar normal, în orar suplimentar,
precum şi costurile de stocare diferă de la o lună la alta. Se pune problema determinării
cantităţilor ce trebuie realizate lunar în orar normal, în orar suplimentar şi care trebuie
stocate, astfel încât costurile de producţie şi stocare să fie minime, în condiţiile în care la
începutul primei luni şi la sfârşitul perioadei stocul produsului este 0.
Notăm:
n - numărul de luni
Ri , i  1,2,..., n - cantităţile lunare contractate
y i , i  1,2,..., n - volumul producţiei lunare realizabile în program normal
y is , i  1,2,..., n - volumul producţiei lunare realizabile în program suplimentar
ci , i  1,2,..., n - costul lunar al producţiei realizabile în program normal
cis , i  1,2,..., n - costul lunar al producţiei realizabile în program suplimentar
d - costul unitar de stocare
x i , i  1,2,..., n - cantităţile ce trebuiesc produse lunar în program normal
x is , i  1,2,..., n - cantităţile ce trebuiesc produse lunar în program suplimentar
si , i  2,3,..., n - cantităţile ce trebuiesc stocate lunar.
Se cere să se determine x i , i  1,2,..., n , x is , i  1,2,..., n şi si , i  1,2,..., n , astfel încât
costurile de producţie şi stocare să fie minime.
Modelul
Funcţia obiectiv:
n
  
min  c i  x i  c is  x is  d  si  c1  x1  c1s  x1s 
i 2 
 x k  x ks   si 1   Rk ,
i i
Restricţiile: i  1,2,..., n  1
k 1 k 1
x n  x ns  sn  Rn (6)
0  x i  y i , i  1,2,..., n
0  x is  y is , i  1,2,..., n
si  0, i  1,2,..., n
Modelul se rezolvă prin metoda programării liniare.
3. Problema amestecului
Cunoscută şi sub numele de problema dietei sau nutriţiei, problema amestecului este
una din primele probleme practice, formulată şi rezolvată ca problemă de programare
liniară. Problema constă în determinarea unei diete dintr-un număr dat de alimente,
care să satisfacă anumite cerinţe biologice şi să fie în acelaşi timp cât mai ieftină. Astfel
de probleme apar în alcătuirea raţiilor pentru animale în zootehnie, pentru calcularea
amestecului optim de îngrăşăminte în agricultură, în industria chimică pentru diverse
amestecuri, în industria petrolieră pentru amestecuri de benzine etc.
Notăm:
aij , i  1,2,..., m, j  1,2,..., n, - cantitatea din principiul nutritiv i,
conţinută într-o unitate din produsul/alimentul j
bi , i  1,2,..., m, - numărul minim de unităţi din principiul nutritiv i,
pe care trebuie să-l conţină dieta
c j , j  1,2,..., n, - costul unei unităţi din produsul/alimentul j
x j , j  1,2,..., n, - cantitatea necunoscută din produsul/alimentul j
care va intra în compoziţia dietei (necunoscutele
problemei)
Modelul
n
Funcţia obiectiv: mi n  c j  x j
j 1
n
Restricţiile:  aij  x j  bi , i  1,2,..., m (7)
j 1
x j  0, j  1,2,..., n
Modelul construit se rezolvă prin metoda programării liniare.
4. Problema reducerii pierderilor la tăierea materialelor

În activităţile productive apar probleme de optimizare la tăierea (croirea) unor materiale
(rulouri de hârtie, bare metalice, ţevi, scânduri, stofe etc.), prin minimizarea pierderilor
rezultate. Presupunem că materialele ce urmează a fi tăiate/croite au aceleaşi
dimensiuni. Operaţia de tăiere/croire poate fi efectuată după mai multe modele,
rezultând bucăţi de dimensiunile dorite şi un rest ce reprezintă o pierdere.
Notăm:
bi , i  1,2,..., m, - numărul de bucăţi necesare de tipul i
aij , i  1,2,..., m, j  1,2,..., n, - numărul de bucăţi de tipul i care se obţin
din tăierea/croirea conform modelului j
r j , j  1,2,..., n, - costul restului rezultat prin tăierea/croirea conform
modelului j
x j , j  1,2,..., n, - numărul de materiale ce urmează a fi tăiate/croite
conform modelului j;
Modelul
n
Funcţia obiectiv: mi n  r j  x j
j 1
n
Restricţiile:  aij  x j  bi , i  1,2,..., m (8)
j 1
x j  0, j  1,2,..., n - numere întregi
Modelul construit se rezolvă prin metoda programării liniare cu variabilele numere
întregi, deoarece materialele ce urmează a fi tăiate/croite conform unui anumit model
se presupun indivizibile.
5. Problema realizării proiectelor

O instituţie publică trebuie să realizeze m proiecte (obiective) în n ani. Se pune problema
repartizării pe ani a celor m proiecte (obiective), astfel încât beneficiile obţinute să fie
maxime, în ipotezele:
- realizarea unui obiectiv durează maxim un an
- mai multe obiective pot fi realizate în acelaşi an
- nu se pot transfera sume din bugetul de finanţare de la un an la altul
Notăm:
B j , j  1,2,..., n, - bugetul anului j
bij , i  1,2,..., m, j  1,2,..., n, - beneficiul rezultat din realizarea în anul j a
obiectivului i
fij , i  1,2,..., m, j  1,2,..., n, - finanţarea necesitată de realizarea
obiectivului i în anul j
x ij , i  1,2,..., m, j  1,2,..., n, - variabile booleene, care indică realizarea
xij  1 sau non-realizarea xij  0 obiectivului i în anul j
Modelul
m n
Funcţia obiectiv: max   bij  x ij
i 1 j 1
m
Restricţiile:  fij  x ij  B j , j  1,2,..., n (9)
i 1
n
 x ij  1, i  1,2,..., m
j 1
x ij 0,1, i  1,2,..., m, j  1,2,..., n
Modelul conduce pentru rezolvare la problema de programare liniară cu variabile
booleene (0-1).
Observaţie. În cazul a 7 obiective care trebuie realizate în 4 ani, avem un model cu 28 de

variabile întregi şi 67 (4 + 7 + 28 + 28) de restricţii ! Conform relaţiilor (4), 56 de resticţii
vor asigura condiţia ca variabilele să fie booleene (0-1).
STUDIUL DE CAZ Nr. 1 – Sacoşa de golf

O firmă realizează un produs (sacoşă de golf) în două variante: standard şi de lux.
Procesul de fabricaţie constă în execuţia a 4 operaţii succesive (croit, cusut, finisaj şi
control de calitate).
Timpii de execuţie pe unitatea de produs (în ore) sunt:

Produsul Operaţia 1 Operaţia 2 Operaţia 3 Operaţia 4
Standard 0.6 0.5 1.1 0.1
De luxe 1 0.8 0.7 0.25
Profitul unitar obţinut este de 10 u.m. pentru varianta standard şi de 9 u.m. pentru cea
de lux. Timpii disponibili estimaţi pentru fiecare operaţie sunt:
Operaţia 1 Operaţia 2 Operaţia 3 Operaţia 4

Timpii
650 h 700 h 750 h 200 h
disponibili
Determinaţi programul optim de fabricaţie, adică numărul de produse, în cele două

variante, care trebuie executat astfel încât profitul total obţinut să fie maxim.
Notăm: x1 - numărul de sacoşe standard

x 2 - numărul de sacoşe de lux
Modelul
Funcţia obiectiv: max10  x1  9  x2 
Restricţiile: 0.6  x1  1  x2  650
0.5  x1  0.8  x2  700 (10)
1.1  x1  0.7  x2  750
0.1  x1  0.25  x2  200
x1  0, x2  0
Rezolvăm cu modulul Linear Programming din produsul software Quantitative
Management (QM).
Figura1
În figura 1 se prezintă soluţia obţinută – programul optim de fabricaţie presupune

realizarea a 433.82 sacoşe de golf model standard şi a 389.70 sacoşe de golf model de
lux. Valoarea corespunzătoare a funcţiei obiectiv va fi de 7845.59 u.m. Evident, în
realitate planul de producţie optim va fi rotunjit la 433 sau 434 pentru modelul standard
şi 389 sau 390 pentru modelul de lux.
Problemele de programare liniară în care intervin două sau trei variabile se pot rezolva şi
pe cale grafică. Geometric, în cazul a două variabile, fiecare restricţie determină un
semiplan, care rezultă prin divizarea planului de către dreapta a cărei ecuaţie se obţine
prin transformarea inecuaţiei în ecuaţie. În final se obţine un poligon, care reprezintă
mulţimea soluţiilor admisibile. Soluţia optimă trebuie căutată în vârfurile poligonului. În
figura 2 se prezintă rezolvarea grafică a problemei considerate în QM.
Figura 2
Interpretarea rezultatelor
Rezolvarea în QM, permite o analiză aprofundată şi o interpretare economică a soluţiilor
obţinute. În figura 3 sunt date rezultatele acestei analize.
Figura 3
Reduced costs - arată cu cât trebuie să se modifice coeficienţii funcţiei obiectiv, pentru
ca în soluţia finală valorile variabilelor să fie pozitive.
Slack / Surplus - furnizează pentru fiecare restricţie valorile variabilelor auxiliare. În

cazul exemplului studiat dă informaţii importante pentru manager, legate de
capacităţile de producţie neutilizate. Astfel, avem la operaţia 2 un surplus de 171,32 ore,
iar la operaţia 4 un surplus de 59,19 ore.
Dual Value - dă informaţii asupra valorii marginale a resurselor în soluţia optimă. Preţul
dual asociat unei restricţii arată cu cât se îmbunătăţeşte valoarea optimă a funcţiei
obiectiv la creşterea cu o unitate a valorii membrului drept din restricţia respectivă.
Figura 4
Astfel, dacă mărim cu o oră timpul afectat pentru operaţia 1, de la 650 ore la 651 ore, va
rezulta o creştere a valorii funcţiei obiectiv cu 4,26 u.m. de la 7845,59 u.m. la 7849,85
u.m. (figura 4). Evident pentru operaţiile 2 şi 4, Dual Value = 0, deoarece la aceste
operaţii am constatat un surplus de ore neutilizate.
Objective Coefficient Ranges - pentru variaţia coeficienţilor funcţiei obiectiv în

intervalul: (Lower Bound - Upper Bound), soluţia optimă rămâne neschimbată.
Din figura 3, deducem că o variaţie a profitului pentru sacoşa de lux în intervalul (6,36
u.m. - 16,67u.m.) nu conduce la modificarea structurii optime de producţie (figura 5).
Figura 5
În schimb, pentru un profit de 16,67 u.m. se renunţă complet la producţia sacoşelor

standard şi se vor produce numai sacoşe de lux (figura 6).
Figura 6
Right Hand Side Ranges - preţul dual asociat unei restricţii rămâne valabil dacă valoarea
resursei (membrul drept al inegalităţii) variază în intervalul (Lower Bound - Upper
Bound).
De exemplu, din figura 3 deducem că preţul dual de 4,26 u.m. rămâne valabil dacă
timpul afectat operaţiei 1 variază în intervalul (409,09 ore – 846,34 ore).
Observaţie. Analiza senzitivităţii se face printr-o singură modificare a unui coeficient la

un moment dat.
STUDIUL DE CAZ Nr. 2 – Model de alegere a unui produs software modular

Se consideră că un produs software este format din mai multe module şi fiecare modul
prin execuţie îndeplineşte o anumită funcţie, necesară utilizatorului.
Ipotezele modelului:
I1. Pentru fiecare modul se cunoaşte fiabilitatea şi costul;
I2. Utilizatorul dispune de o sumă limitată pentru achiziţionarea produsului software;
I3. Utilizatorul cunoaşte frecvenţa de utilizare a fiecărei funcţii din produsul software.
Să se maximizeze fiabilitatea medie prin alegerea unei mulţimi optime de module fără
redundanţă.
Datele problemei sunt:

- bugetul disponibil = 12 u.m.
- pentru funcţia 1 sunt disponibile 4 module
- frecvenţa de utilizare = 0.75
Modulul P1 P2 P3 P4
Fiabilitatea 0.90 0.80 0.85 0.95
Costul 6 4 5 8
- pentru funcţia 2 sunt disponibile 3 module

- frecvenţa de utilizare = 0.25
Modulul Q1 Q2 Q3
Fiabilitatea 0.70 0.80 0.90
Costul 2 4 6
Modelul general
Notăm:
N - numărul de funcţii
Fk - frecvenţa de utilizare a funcţiei k
mk - numărul de module disponibile pentru funcţia k
Rkj - fiabilitatea modulului j care execută funcţia k
C kj - costul modulului j care execută funcţia k
B - bugetul disponibil
_
R - fiabilitatea medie
x kj  1, dacă modulul j a fost ales pentru funcţia k
x kj  0, dacă modulul j nu a fost ales pentru funcţia k
Funcţia obiectiv:
_ N mk
max R   Fk  Rk , unde Rk   x kj  Rkj (11)
k 1 j 1
Restricţiile sunt:
mk
 x kj  1, k  1,2,..., N (12)
j 1
N mk
  x kj  C kj  B
k 1 j 1
x kj 0, 1, k  1,2,..., N, j  1,2,..., mk
Constatăm că rezolvarea acestui model conduce la o problemă de programare liniară cu

variabile booleene (0-1).
Modelul general particularizat pentru datele problemei prezentate mai sus, a fost
rezolvat cu modulul Integer Programming din QM. Figura 7 prezintă datele problemei
introduse în QM.
Figura 7
Soluţiile obţinute sunt date în figura 8.
Figura 8
Rezolvarea modelului de alegere a unui produs software modular a condus la selectarea
modulului P4 pentru funcţia 1 şi a modulului Q2 pentru funcţia 2. S-a obţinut o fiabilitate
medie de 0,9125.
RESTRICŢII LOGICE ÎN MODELELE DE PROGRAMARE LINIARĂ

Considerăm un model general de alegere a unor proiecte de investiţii. Avem n proiecte
de investiţii pentru care se cunosc beneficiile ce ar putea rezulta din realizarea acestora.
Notăm cu:
x i  1, dacă proiectul i se realizează
x i  0, dacă proiectul i nu se realizează
Se pune problema de a determina proiectele de investiţii care se vor realiza, astfel încât
beneficiul total să fie maxim. Analizăm în continuare introducerea restricţiilor pentru
câteva operaţii logice.
A. INCOMPATIBILITATEA
Două proiecte sunt incompatibile când nu se pot realiza în acelaşi timp; se poate realiza
doar unul sau niciunul (ele presupun utilizarea aceleiaşi resurse limitate, sau sunt
variante tehnice cu aceeaşi finalitate).
xj 0 xj 1
xi  0 Da Da
xi  1 Da Nu
Aceasta conduce la restricţia: xi  x j  1 (13)

Generalizare:
n
- din n proiecte, se poate realiza unul sau niciunul:  xi  1
i 1
n
- din n proiecte, se pot realiza cel mult m proiecte:  xi  m
i 1
B. DISJUNCŢIA (sau)
Cel puţin unul dintre proiectele i sau j trebuie să se realizeze.
xj 0 xj 1
xi  0 Nu Da
xi  1 Da Da
Aceasta conduce la restricţia: xi  x j  1 (14)

Generalizare:
n
- din n proiecte, cel puţin unul trebuie să se realizeze:  xi  1
i 1
n
- din n proiecte, cel puţin m trebuie să se realizeze:  xi  m
i 1
C. ALTERNATIVA (sau exclusiv)

Presupune să se realizeze, în cazul a două proiecte unul sau altul, dar nu amândouă.
xj 0 xj 1
xi  0 Nu Da
xi  1 Da Nu
Aceasta conduce la restricţia: xi  x j  1 (15)

Generalizare:
n
- din n proiecte, unul singur trebuie să se realizeze:  xi  1
i 1
n
- din n proiecte, m proiecte trebuie să se realizeze:  xi  m
i 1
D. IMPLICAŢIA
Dacă proiectul i implică proiectul j, nu se poate realiza i fără a realiza şi j. Dar, dacă i nu
se realizează, proiectul j se poate realiza sau nu.
xj 0 xj 1
xi  0 Da Da
xi  1 Nu Da
Aceasta conduce la restricţia: xi  x j (16)

Implicaţia poate apare în situaţii mai complexe, de exemplu:
xi  xh  xk realizarea proiectului i implică realizarea cel puţin a unuia din

proiectele h şi k
2  xi  xh  x k realizarea proiectului i implică realizarea proiectelor h şi k
xh  xk  2  xi realizarea proiectelor h sau k implică realizarea proiectului i
STUDIUL DE CAZ Nr. 3 – Model de alegere a unor obiective

Modelul general a fost formulat în cadrul Problemei realizării proiectelor (problema 5).
Abordăm cazul particular al unei instituţii publice care trebuie să realizeze 6 obiective
(O1, O2,..., O6) în 5 ani.
Variabilele modelului (variabile booleene) sunt: x ij , i  1,2,...,6, j  1,2,...,5,
   
care indică realizarea x ij  1 sau non-realizarea x ij  0 obiectivului i în anul j.
Să stabilim ce restricţii logice trebuiesc adăugate modelului în următoarele ipoteze:
I1. Nu se pot realiza mai mult de două obiective într-un an.

6
 x ij  2, j  1,2,...,5
i 1
I2. Nu se pot realiza mai mult de 3 obiective în primii 2 ani.
x11  x21  ...  x61   x12  x22  ...  x62   3 ,
6
sau mai concentrat putem scrie:  x i1  x i 2   3
i 1
I3. Obiectivul O2 nu poate fi realizat în acelaşi an cu obiectivul O1.

- scriem câte o restricţie de incompatibilitate pentru fiecare an:
x1 j  x2 j  1, j  1,2,...,5
I4. Dacă obiectivele O1 şi O2 sunt realizate în acelaşi an, nici un alt obiectiv nu poate fi
realizat în acelaşi an.
- pentrul anul 1 avem:
x31  2  x11  x21
x 41  2  x11  x21
x 51  2  x11  x21
x61  2  x11  x21
- aceleaşi restricţii vor fi adăugate şi pentru anii 2,3, 4 şi 5.
Concentrat putem scrie cele 20 de restricţii logice astfel:
x ij  2  x1 j  x2 j , i  3, 4, 5, 6, j  1,2,...,5
I5. În primul an trebuie realizate obiectivele O1 şi O2 sau obiectivele O3 şi O4.
x11  x21  x31  x 41  2 - din cele 4 obiective doar două se vor realiza
x11  x21 - cele două vor fi (O1 şi O2) sau (O3 şi O4)
I6. Obiectivul O1 poate fi realizat în primul an numai dacă acesta este anul de realizare al
obiectivelor O2 şi O3.
- recunoaştem situaţia analizată la implicaţie: “realizarea proiectului i implică realizarea
proiectelor h şi k”; deci, vom adăuga restricţia logică:
2  x11  x21  x31
MODELE DE ALOCARE (Distribuirea şi repartizarea resurselor)

Modelele de alocare optimizează modul de împărţire a resurselor disponibile între
activităţile ce urmează a fi executate. Obiectivul îl constituie alocarea resurselor astfel
încât să se minimizeze cheltuielile totale sau se maximizeze beneficiul.
Notăm:
Ri , i  1,2,..., m, - resursele
J j , j  1,2,..., n, - activităţile
cij , i  1,2,..., m, j  1,2,..., n, - cheltuielile (sau beneficiile) care rezultă
din alocarea unei unităţi din resursa R i activităţii J j .
a j , j  1,2,..., n, - cantităţile de resurse necesare
bi , i  1,2,..., m, - cantităţile de resurse disponibile
În figura 9 este dată matricea care defineşte problema de alocare.
Activităţi Cantitatea de resursă

Resurse
J1 J2 .... Jn Disponibilă
R1 c11 c12 .... c1n b1
R2 c21 c22 .... c2n b2
.... .... .... .... .... ....
Rm cm1 cm2 .... cmn bm
Cantitatea
de resursă a1 a2 .... an
necesară
Figura 9 – Matricea problemei de alocare
Dacă suma resurselor disponibile este egală cu suma cantităţilor necesare, adică:
m n
 bi   a j (17)
i 1 j 1
problema de alocare este echilibrată.
În cazul unei probleme neechilibrate algoritmii de rezolvare determină şi activităţile ce
nu vor fi executate sau resursele ce nu vor fi folosite.
În clasa problemelor de alocare distingem: problema de transport şi problema de
repartizare.
Problema de transport
Constă în transportul unui produs care se află în m depozite (centre de aprovizionare,
surse) către n consumatori (clienţi, centre de desfacere), astfel încât costul de transport
să fie minim.
Notăm:
Di , i  1,2,..., m, - depozitele
C j , j  1,2,..., n, - centrele de consum
a j , j  1,2,..., n, - cantităţile de produs solicitate
bi , i  1,2,..., m, - cantităţile de produs disponibile
cij , i  1,2,..., m, j  1,2,..., n, - cheltuielile pentru transportul unei unităţi
de produs de la depozitul Di la centrul de consum C j
x ij , i  1,2,..., m, j  1,2,..., n, - cantitatea necunoscută de produs care va
fi transportată de la depozitul Di la centrul de consum C j
Modelul
m n
Funcţia obiectiv: min  c ij  x ij (18)
i 1 j 1
n
Restricţiile:  x ij  ai , i  1,2,..., m
j 1
m
 x ij  b j , j  1,2,..., n
i 1
x ij  0, i  1,2,..., m, j  1,2,..., n
Modelul problemei de transport este rezolvat în QM de modulul Transportation, care
tratează şi situaţiile neechilibrate (cererea > oferta sau cererea < oferta).
Problema de repartizare
Într-o problemă de repartizare fiecare resursă poate fi alocată unei singure activităţi şi
fiecare activitate nu poate utiliza decât o singură resursă. Este un caz particular de
problemă de transport în care toate cantităţile disponibile sunt egale cu 1 şi toate
cantităţile necesare sunt egale tot cu 1.
Exemplul tipic de problemă de repartizare: un număr m de persoane trebuie să
efectueze un număr n de activităţi. Fiecare persoană are un anumit cost (randament /
performanţă) pentru fiecare activitate. Se încearcă formarea de perechi resursă-
activitate astfel încât să se optimizeze funcţia obiectiv (minimizarea costurilor sau
maximizarea performanţelor). Astfel de probleme apar când trebuie să repartizăm
avioanele şi echipajele pe zboruri, camioanele şi şoferii pe anumite rute, personalul
dintr-o organizaţie pe anumite funcţii etc. Dacă există mai multe activităţi decât se pot
efectua, trebuie precizat ce activitate nu va fi realizată. Dacă există mai multe resurse
decât activităţi, se va preciza ce resurse rămân nealocate.
Modelul
m n
Funcţia obiectiv: min  c ij  x ij (cost)
i 1 j 1
m n
sau max   rij  x ij (randament)
i 1 j 1
n
Restricţiile:  x ij  1, i  1,2,..., m (19)
j 1
m
 x ij  1, j  1,2,..., n
i 1
x ij  1, dacă resursa i a fost alocată activităţii j
x ij  0, dacă resursa i nu a fost alocată activităţii j
Modelul problemei de repartizare este rezolvat în QM de modulul Assignment.

STUDIUL DE CAZ Nr. 4 – Repartizarea echipajelor pe cursele aeriene

[ACKOFF, 1975]
O linie aeriană desfăşoară activităţi zilnice în ambele sensuri între două oraşe A şi B.
Dacă echipajul are baza (domiciliul) în A şi soseşte în B cu un anumit zbor, atunci el
trebuie să se reîntoarcă în A cu unul din zborurile următoare (eventual a doua zi).
Compania aeriană doreşte să determine ce perechi de zboruri (dus-întors) trebuie
formate astfel încât timpul total de şedere pe aeroportul străin să fie minim. Apare şi
problema: fiind date perechile de zboruri, unde trebuie să-şi aibă baza fiecare echipaj?
Activităţile zilnice se desfăşoară conform orarului:

Număr zbor Plecare A Sosire B
A-B 1 7h 8h
A-B 2 8h 9h
A-B 3 13 h 30 min 14 h 30 min
A-B 4 18 h 30 min 19 h 30 min
A-B 5 20 h 21 h
A-B 6 23 h 30 min 0 h 30 min
Număr zbor Plecare B Sosire A

B-A 1 8h 9 h 15 min
B-A 2 8 h 30 min 9 h 45 min
B-A 3 12 h 13 h 15 min
B-A 4 17 h 30 min 18 h 45 min
B-A 5 19 h 20 h 15 min
B-A 6 22 h 23 h 15 min
Echipajul trebuie să se odihnească între zboruri cel puţin 5 ore. Determinaţi perechile de
zboruri pentru care timpul întreg de staţionare pe un aeroport străin să fie redus la
minim. Se poate stabili baza echipajelor fie în A, fie în B. Pentru fiecare pereche de
zboruri, echipajul va fi repartizat în baza care face posibilă obţinerea unui timp minim de
staţionare.
Rezolvare
Pasul 1. Calculăm timpul de staţionare pe aeroportul străin în ipoteza că baza este în A.
Pentru aceasta considerăm toate perechile (A-Bi, B-Aj), cu i=1,2,…,6 şi j=1,2,…,6.
Plecare A - Sosire B
Zbor B-A 1 B-A 2 B-A 3 B-A 4 B-A 5 B-A 6
A-B 1 24 24.5 28 9.5 11 14
A-B 2 23 23.5 27 8.5 10 13
A-B 3 17.5 18 21.5 27 28.5 7.5
A-B 4 12.5 13 16.5 22 23.5 26.5
A-B 5 11 11.5 15 20.5 22 25
A-B 6 7.5 8 11.5 17 18.5 21.5
Pasul 2. Calculăm timpul de staţionare pe aeroportul străin în ipoteza că baza este în B.

Pentru aceasta considerăm toate perechile (B-Ai, A-Bj), cu i=1,2,…,6 şi j=1,2,…,6.
Plecare B - Sosire A
Zbor B-A 1 B-A 2 B-A 3 B-A 4 B-A 5 B-A 6
A-B 1 21.75 21.25 17.75 12.25 10.75 7.75
A-B 2 22.75 22.25 18.75 13.25 11.75 8.75
A-B 3 28.25 27.75 24.25 18.75 17.25 14.25
A-B 4 9.25 8.75 5.25 23.75 22.25 19.25
A-B 5 10.75 10.25 6.75 25.25 23.75 20.75
A-B 6 14.25 13.75 10.25 28.75 27.25 24.25
Pasul 3. Combinăm cele două tabele, alegând baza care oferă timpul de staţionare cel
mai scăzut pentru fiecare pereche. Noua tabelă conţine datele de intrare în
modulul Assignment din QM (figura 10).
Figura 10
Soluţia este dată în figura 11.
Figura 11
Pasul 4. Pentru a stabili baza echipajelor identificăm soluţiile de repartizare (Assign) în
cele două tabele construite la Pasul 1 şi 2. Rezultă că 3 perechi de zboruri vor avea baza
în A şi 3 perechi de zboruri vor avea baza în B, iar durata totală de aşteptare pe
aeroporturile străine pentru toate cele 6 echipaje este de 49 ore şi 45 minute (Optimal
cost = $49.75).
Baza A : <A-B2> <B-A4>

<A-B3> <B-A6>
<A-B6> <B-A1>
Baza B : <B-A2> <A-B5>

<B-A3> <A-B4>
<B-A5> <A-B1>
Rezumat
 Problema de programare liniară se încadrează în limitele generale ale
modelelor programării matematice şi se caracterizează prin faptul că atât
funcţia obiectiv cât şi restricţiile sunt exprimate matematic prin funcţii liniare.

 Tipuri particulare de probleme de programare liniară:
- programarea liniară în numere întregi
- programarea liniară mixtă
- programarea liniară booleană
Rezolvarea în QM permite o analiză aprofundată şi o interpretare

economică a soluţiilor obţinute – valoarea marginală a resurselor în soluţia
optimă (Dual Value), intervalele de variaţie ale coeficienţilor funcţiei obiectiv
pentru care soluţia optimă rămâne neschimbată (Lower Bound - Upper Bound),
valorile variabilelor auxiliare (Slack / Surplus) etc.
Utilizarea variabilelor booleene permite introducerea restricţiilor pentru

câteva operaţii logice: incompatibilitatea, disjuncţia (sau), alternativa (sau
exclusiv), implicaţia. Modul de utilizare este prezentat în Studiul de caz nr.3 –
Model de alegere a unor obiective.
Modelele de alocare (distribuirea şi repartizarea resurselor) optimizează

modul de împărţire a resurselor disponibile între activităţile ce urmează a fi
executate. Obiectivul îl constituie alocarea resurselor, astfel încât să se
minimizeze cheltuielile totale sau se maximizeze beneficiul. În clasa
problemelor de alocare distingem: problema de transport şi problema de
repartizare.
Test de evaluare a cunoştinţelor – Probleme propuse

1. O persoană doreşte să realizeze depozite bancare în valoare totală de 2000
u.m. la oricare din cele 6 bănci analizate. Informaţiile obţinute sunt:
Banca Dobânda Situaţia Anii

B1 4.5% Excelentă 2009
B2 5% Foarte bună 2011
B3 6% Proastă 2007
B4 5.5% Bună 2006
B5 4.5% Excelentă 2010
B6 5% Foarte bună 2011
Investitorul decide că nu va plasa mai mult de 25% la o singură bancă şi cel puţin
jumătate din fonduri vor fi plasate la băncile pentru care are informaţii după
anul 2008. Nu va investi mai mult de 30% în băncile care au situaţia financiară
mai puţin de foarte bună. Ce sumă va depune în fiecare bancă pentru a
maximiza profitul din dobândă ? Construiţi modelul şi rezolvaţi-l utilizând
produsul software QM. [RUSU, 2001]
2. Un student în managementul afacerilor la Nowledge College trebuie să se

înscrie la 65 de cursuri pentru obţinerea licenţei. El trebuie să aleagă cel puţin 23
de cursuri de specialitate (de afaceri) şi cel puţin 20 de cursuri complementare
(nonbusiness courses). Dispune de 3000 $ pentru cumpărarea cursurilor editate.
În medie un curs de specialitate necesită 120 de ore de studiu, iar cartea costă
60$. Pregătirea unui curs complementar necesită 200 ore de studiu, iar cartea
costă 24$. Ca orice student, îşi pune problema câte cursuri de specialitate şi
complementare să aleagă pentru a învăţa cât mai puţin. Construiţi modelul,
găsiţi soluţia optimă şi analizaţi rezultatele utilizând produsul software QM.
3. O firmă de prelucrarea lemnului dispune de 69 de scânduri de dimensiuni:

290cmx25cmx4cm. Pentru o lucrare contractată, firma trebuie să livreze câte
100 de scânduri de următoarele dimensiuni: 50cmx25cmx4cm, 70cmx25cmx4cm
şi 80cmx25cmx4cm. Cum trebuie tăiate scândurile astfel încât cantitatea totală
de deşeuri rezultate să fie minimă? Construiţi modelul şi găsiţi soluţia optimă
utilizând produsul software QM.
4. O unitatea comercială trebuie să răspundă unei cereri de 23 unităţi din

produsul P, eşalonată pe o perioadă de 4 luni. La începutul fiecărei luni unitatea
se poate aproviziona cu orice cantitate din produsul respectiv la un preţ ce
variază de la o lună la alta.
 luna 1: cerere = 5 pret unitar = 10

Să se definească un model pentru politica optimă de aprovizionare a firmei
astfel încât toate cererile să fie satisfăcute, ştiind că în stoc se găsesc la începutul
primei luni 4 unităţi din perioada anterioară, capacitatea maximă a depozitului
este de 10 unităţi, iar la sfârşitul ultimei luni toate produsele sunt vândute.
Determinaţi soluţia optimă utilizând produsul software QM.
5. Într-un model investiţional se poate alege între 5 proiecte şi există o sumă

limitată de 1100 u.m., care poate fi investită. Beneficiul rezultat din realizarea
proiectelor este:
Proiect 1 Proiect 2 Proiect 3 Proiect 4 Proiect 5
Beneficiul 75 81 85 92 63
Costul 290 250 240 330 220
În ipotezele:
I1. Alegerea proiectului 3 implică alegerea a cel puţin două din proiectele 1, 4
sau 5 şi
I2. Proiectele 2 şi 3 nu se pot realiza în acelaşi timp, formulaţi modelul care
conduce la un beneficiu maxim. Determinaţi soluţia optimă utilizând produsul
software QM.
6. O firmă are depozite în 4 filiale şi aprovizionează cu acelaşi produs 9 centre.

Cheltuielile de transport pentru o unitate de produs, oferta şi cererea sunt date
în tabelul de mai jos:
C1 C2 C3 C4 C5 C6 C7 C8 C9 Oferta
D1 31 43 40 36 37 41 47 29 42 427
D2 19 18 20 47 14 36 13 62 47 3824
D3 57 59 55 64 18 20 53 39 64 4370
D4 28 46 52 60 25 18 42 59 24 1280
Cererea 1500 1000 1000 1500 1000 1000 600 1000 1500
a) a) Să se stabilească planul de transport astfel încât cheltuielile să fie minime.
b) b) Centrele cu cererea nesatisfăcută apelează în perioada următoare la un alt
furnizor pentru întreaga cantitate. Stabiliţi planul de transport pentru noua
perioadă, în ipoteza că oferta firmei şi cererea centrelor de consum rămase, se
păstrează neschimbate.
c) Reduceţi oferta pentru perioada a 3-a în filialele (depozitele) cu exces astfel
încât să se obţină o problemă de transport echilibrată (cererea rămâne
aceeaşi). Rezolvaţi problema utilizând produsul software QM.
7. Reluaţi Studiul de caz nr. 4 – Repartizarea echipajelor pe cursele aeriene în

ipoteza că durata dintre zboruri este de cel puţin o oră. Stabiliţi perechile de
zboruri pentru care timpul întreg de staţionare pe un aeroport străin să fie
redus la minim. Determinaţi soluţia optimă utilizând produsul software QM.
MODELAREA DECIZIILOR MONOCRITERIALE
[ACKOFF, 1975], [ANDREICA, 1998], [HILLIER, 2005], [KAUFMANN, 1987], [KRAJEWSKI, 2005]
[IONESCU, 1999], [RUSU, 2001]
Obiectiv
Obiectivul acestui capitol este de a defini şi construi modele pentru
elaborarea şi analiza deciziilor monocriteriale în condiţii de incertitudine cu
ajutorul matricei de decizie şi al arborelui de decizie. Modelele sunt rezolvate
cu ajutorul produsului software QM (Quantitative Management).

Parcurgerea acestei unităţi permite înțelegerea procesului de luare a deciziilor
monocriteriale în condiţii de incertitudine. Studiile de caz rezolvate şi
analizate se constituie în modele direct aplicabile în procesele decizionale.
Utilizarea produsului software QM (modulul Decision Analysis) pentru
rezolvarea diferitelor modele, va permite concentrarea decidentului pe partea
de definire a procesului decizional şi interpretare şi analiză a rezultatelor
obţinute.
ANALIZA DECIZIILOR MONOCRITERIALE CU AJUTORUL MATRICEI DE DECIZIE
Cursurile alternative de acţiune – elaborarea deciziei, prin definiţie, implică două sau mai
multe opţiuni, cursuri sau alternative de acţiune (strategii). Capacitatea de a crea
alternative depinde de creativitatea şi imaginaţia managerilor. Managerul creativ, de
obicei, vede mai multe alternative decât realizează unul conservator. Sunt variabile de
decizie independente.
Stările naturii – numite şi evenimente posibile, sunt rezultatul unei forţe necunoscute,
necontrolabile. Într-o situaţie decizională numărul stărilor naturii nu este prea mare.
Sunt parametrii necontrolabili independenţi.
Probabilităţile stărilor naturii – reprezintă şansele de apariţie a stărilor naturii. Se

consideră că numai una din stări va apare în viitor. Sunt parametrii necontrolabili
independenţi.
Observaţie. Stările naturii formează un sistem complet de evenimente.
Plăţile (consecinţele sau rezultatele) - sunt asociate cu o alternativă şi o stare a naturii.

Sunt variabile dependente.
Matricea plăţilor
Stările naturii S1 S2 . . . . Sj . . . . . Sn
p1 p2 . . . . pj . . . . . pn
Alternative
A1 a11 a12 . . . . a1j . . . . . a1n
A2 a21 a22 . . . . a2j . . . . . a2n
....
Ai ai1 ai2 . . . . aij . . . . . ain
….
Am am1 am2 . . . . amj . . . . . amn
ELABORAREA DECIZIILOR MONOCRITERIALE ÎN CONDIŢII DE INCERTITUDINE
1. CRITERIUL OPTIMIST (maximax)

Decidentul are o atitudine optimistă – alege alternativa care îi maximizează plata. Se
presupune că cea mai bună stare a naturii va apare.
În prima etapă se va selecta plata maximă posibilă pentru fiecare alternativă, apoi se va
alege alternativa cu plata cea mai mare.
Decizia optimă va fi:
D  max max aij , i  1,2,...m, j  1,2,..., n (1)

i j
2. CRITERIUL PESIMIST (maximin) - (Criteriul lui WALD)

Decidentul are o atitudine pesimistă – încearcă să maximizeze plata minimă posibilă. Se
presupune că cea mai rea stare a naturii se va produce, indiferent ce alternativă va
alege.
În prima etapă se va selecta cea mai rea plată pentru fiecare alternativă, apoi se va alege
alternativa cu plata cea mai mare. De fapt Wald apreciază că “dacă ignor stările naturii
voi adopta atitudinea cea mai prudentă”.
D  max min aij , i  1,2,...m, j  1,2,..., n (2)

i j
3. CRITERIUL REGRETELOR (Criteriul lui SAVAGE)

Conceptul regretului este echivalent cu determinarea pierderii oportunităţii. Costul
oportunităţii indică semnificaţia pierderii suferite din neselectarea celei mai bune
alternative. Savage argumentează în mod logic, că un decident raţional va încerca

întotdeauna să minimizeze cel mai mare regret posibil, anticipat. Aplicarea criteriului
regretului presupune folosirea unui criteriu de opţiune de tip minimax. Calculul
furnizează “regretul între alegerea efectuată şi alegerea cea mai favorabilă dacă s-ar
cunoaşte stările naturii”.
Pasul 1. Construim matricea regretelor (R). Regretul este diferenţa dintre plata cea mai
bună pentru o stare a naturii dată şi celelalte plăţi ale alternativelor pentru respectiva
stare.
rij  max aij  aij , i  1,2,..., m, j  1,2,..., n (3)

i
Pasul 2. Se determină regretul maxim pentru fiecare alternativă, apoi se va alege

alternativa cu cel mai mic regret posibil.
D  min max rij , i  1,2,...m, j  1,2,..., n (4)

i j
4. CRITERIUL REALISMULUI (Criteriul lui HURWICZ)

Conceptul de realism presupune că un decident nu este nici complet optimist, nici
complet pesimist. Hurwicz sugerează că fiecare decident este caracterizat de un anumit
coeficient de optimism (notat alfa), care în mod normal va fi măsurat pe o scară între 0 şi
1, în care extremele sunt:
- pesimismul total, deci alfa = 0
- optimismul total, deci alfa = 1
În mod logic decidentul va avea şi un coeficient de pesimism (1-alfa), care se aplică la

plata, consecinţa cea mai rea. Hurwicz introduce o valoare nouă de apreciere a
alternativelor candidate, care se calculează pentru fiecare alternativă, astfel:
plata cea mai bună x alfa + plata ce mai rea x (1 – alfa)
Avantajul metodei: decidentul introduce în decizie propria argumentare bazată pe

experienţă, intuiţie, informaţie, etc.
Pasul 1. Se determină aprecierea fiecărei alternative:
H i  max aij    min aij  1   , i  1,2,..., m (5)

j j
Pasul 2. Decizia optimă va fi:
D  max  H i , i  1,2,...m (6)

i
5. CRITERIUL ECHIPROBABILITĂŢII (Criteriul lui LAPLACE)

Decidentul consideră că toate stările naturii sunt echiprobabile. Se calculează pentru
fiecare alternativă o valoare aşteptată, iar apoi va fi selectată alternativa cu valoarea
aşteptată maximă.
Pasul 1. Se determină coeficientul de echiprobabilitate
1
e , unde n reprezintă numărul de stări ale naturii
n
Pasul 2. Calculăm valoarea aşteptată pentru fiecare alternativă:

n
Li  e   aij , i  1,2,..., m
j 1
D  max  Li , i  1,2,...m (7)

i
6. CRITERIUL LUI BERNOULLI

Ca şi în cazul Criteriului lui Laplace decidentul consideră că toate stările naturii sunt
echiprobabile, dar utilizează logaritmul plăţilor în calculul valorii aşteptate. Va fi
selectată alternativa cu valoarea aşteptată maximă. Evident, acest criteriu se poate
aplica dacă valorile din matricea plăţilor sunt toate pozitive, adică
aij  0, i  1,2,..., m, j  1,2,..., n
Pasul 1. Se determină coeficientul de echiprobabilitate
1
e , unde n reprezintă numărul de stări ale naturii
n
Pasul 2. Calculăm valoarea aşteptată pentru fiecare alternativă, :

Bi  e   ln aij , i  1,2,..., m
n
j 1
D  max  Bi , i  1,2,...m (8)

i
7. CRITERIUL LUI PASCAL (Criteriul valorii medii)

În situaţia în care stările naturii nu sunt echiprobabile se calculează pentru fiecare
alternativă valoarea medie (valoarea aşteptată), iar apoi va fi selectată alternativa cu
valoarea medie maximă.
Pasul 1. Calculăm valoarea medie pentru fiecare alternativă:

n
Pi   p j  aij , i  1,2,..., m
j 1
D  max  Pi , i  1,2,...m (9)

i
STUDIUL DE CAZ Nr. 1 - Dezvoltarea unui produs

[IONESCU, 1999]
Pentru dezvoltarea unui produs, o firmă are 3 alternative:

A1 – extinderea capacităţilor de producţie existente
A2 – construirea unei noi fabrici (noi capacităţi de producţie)
A3 – subcontractarea unor capacităţi de producţie de la alţi producători
Analiza a identificat următoarele stări ale naturii:

S1 - o cerere mare, datorată unei rate ridicate de acceptare a produsului pe piaţă
S2 – o cerere moderată, datorată unei reacţii concurenţiale semnificative
S3 – o cerere mică rezultată dintr-o rată slabă de acceptare a produsului
S4 – un eşec total, o rată zero de acceptare a produsului
Matricea plăţilor
Stările naturii S1 S2 S3 S4
Cerere mare Cerere Cerere mică Cerere zero
Alternative moderată
A1 Extindere 500 250 -250 -450
A2 Construcţie nouă 700 300 -400 -800
A3 Subcontractare 300 150 -10 -100
Rezolvarea cu modulul Decision Analysis din produsul software Quantitative

Management (QM).
Datele problemei sunt introduse în modulul din QM (figura 1).

Figura 1
Soluţiile în cazul următoarelor criterii sunt prezentate în figura 2:
1. CRITERIUL ECHIPROBABILITĂŢII (Criteriul lui LAPLACE)
2. CRITERIUL PESIMIST (maximin) - (Criteriul lui WALD)
3. CRITERIUL OPTIMIST (maximax)
4. CRITERIUL REALISMULUI (Criteriul lui HURWICZ)
Figura 2
5. CRITERIUL REGRETELOR (Criteriul lui SAVAGE)

Soluţia pentru Criteriul lui Savage este dată în figura 3.
Figura 3
Să recapitulăm:
- conform criteriului lui Laplace luăm decizia de subcontractare
- conform criteriului lui Wald (maximin) luăm decizia de subcontractare
- conform criteriului lui Savage(regretelor) luăm decizia de extindere
- conform criteriului optimist (maximax) luăm decizia de construcţie nouă
- conform criteriului lui Hurwicz (realismului) cu alfa = 0.7 luăm decizia de
construcţie nouă
Cele 5 criterii aplicate nu conduc la aceeaşi decizie. Pentru a compara diferitele criterii
de decizie în condiţii de incertitudine, numeroşi autori pentru a justifica decizia optimă
propun realizarea unei analize prin construirea unui tabel de clasificare. Minimizarea
sumei rangurilor obţinute de alternativele studiate, relativ la cele 5 criterii, ar putea
justifica alegerea deciziei optime. Este însă posibil să se ajungă la rezulate de tipul
paradoxului lui Condorcet (clasamente non tranzitive).
Criteriul Suma
Laplace Wald Savage Optimist Hurwicz rangurilor
Alternativa
2 (α = 0.7) 9 (α = 0.7)
A1 Extindere 2 2 1 2
2 (α = 0.3) 9 (α = 0.3)
1 (α = 0.7) 11 (α = 0.7)
A2 Construcţie nouă 3 3 3 1
3 (α = 0.3) 13 (α = 0.3)
3 (α = 0.7) 10 (α = 0.7)
A3 Subcontractare 1 1 2 3
1 (α = 0.3) 8 (α = 0.3)
În tabelul de clasificare s-au introdus pentru Criteriului lui Hurwicz două rezultate:
pentru cazul optimist (alegerea lui α = 0.7) şi pentru cazul pesimist, sau mai corect
prudent (alegerea lui α = 0.3).
Concluzia finală:
- un comportament prudent indică alegerea alternativei - A3 Subcontractare
- un comportament mai optimist indică alegerea alternativei - A1 Extindere
STUDIUL DE CAZ Nr. 2 - Construcţia unui motel

[KAUFMANN, 1987]
Un investitor doreşte construirea unui motel pe un traseu turistic frecventat intens.

Cumpără un teren cu ieşire directă la şosea cu 50.000 um. Îşi propune construirea pe
acest teren a unui motel, dar nu ştie încă la ce capacitate să-l realizeze: 20, 30, 40 sau 50
de camere.
Devizul cheltuielilor este următorul:
1. Cheltuieli anuale independente de numărul S al camerelor:

- amenajarea terenului, construcţia, etc. costă 100.000 um
şi admitem că vor amortizate în 10 ani 10.000 um
- cheltuieli de reparaţii şi întreţinere (partea fixă) 1.500 um
- salariu pază de noapte 6.000 um
- salariu angajat întreţinere 8.000 um
-------------------------------
TOTAL 25.500 um
Notă. Preţul de cumpărare al terenului nu este luat în calcul deoarece se consideră că
valoarea acestei investiţii creşte aproximativ ca un capital plasat cu o rată normală a
dobânzii. Salariile care sunt prezentate reprezintă total cheltuieli salariale, adică includ şi
contribuţia angajatorului.
2. Cheltuieli anuale proporţionale cu numărul S de camere construite:
Explicaţii S = 20 S = 30 S = 40 S = 50
Construcţia, amenajarea, mobilarea unei camere
revine la 40.000 um şi se consideră o amortizare 80.000 120.000 160.000 200.000
constantă pe 10 ani.
Se calculează o cameristă pentru 10 camere cu
un salariu anual de 6.000 um. 12.000 18.000 24.000 30.000
Întreţinere şi reparaţii: 150 um pe an şi pe
cameră. 3.000 4.500 6.000 7.500
Asigurări: 25 um pe an şi pe cameră. 500 750 1.000 1.250
TOTAL 95.500 143.250 191.000 238.750
3. Cheltuielile anuale proporţionale cu numărul mediu R de camere ocupate:
Explicaţii R=0 R = 10 R = 20 R = 30 R = 40 R = 50
Spălat, călcat lenjerie:
5 um / zi / cameră (360 zile) 0 18.000 36.000 54.000 72.000 90.000
Electricitate, gaz şi apă:
5 um / zi / cameră (360 zile) 0 18.000 36.000 54.000 72.000 90.000
TOTAL 0 36.000 72.000 108.000 144.000 180.000
Încasările
Se apreciază că la un preţ de 60 um / cameră / pe zi, sumele încasate în funcţie de
cerere vor fi:
Explicaţii R=0 R = 10 R = 20 R = 30 R = 40 R = 50
Încasările la un preţ de
60 um / zi / cameră (365 zile) 0 219.000 438.000 657.000 876.000 1.095.000
Beneficiile anuale (mii um)

R=0 R = 10 R = 20 R = 30 R = 40 R = 50
S = 20 - 121,00 62,00 245,00 245,00 245,00 245,00
S = 30 - 168,75 14,25 197,25 380,25 380,25 380,25
S = 40 - 216,50 -33,50 149,50 332,50 515,50 515,50
S = 50 - 264,25 -81,25 101,75 284,75 467,75 650,75
Investitorul are mari probleme: dacă va construi 20 de camere, poate câştiga 245.000 um, dar
riscă să piardă 121.000 um; pentru 30 de camere, beneficiul maximal posibil va fi mai mare
(380,25 um), dar şi pierderea maximă va fi mai mare (168,75um).
Aplicarea diferitelor metode de decizie în condiţiile de incertitudine date de încasările realizate
conduce la următoarele decizii:
1. Criteriul lui LAPLACE

Considerăm probabilităţile stărilor naturii echiprobabile şi egale cu 1/6. Stările naturii
sunt date de gradele de ocupare ale camerelor.
Figura 4
Conform acestui criteriu, EMV (valoarea monetară aşteptată) cea mai mare (210.32)
corespunde deciziei de a construi S = 40 camere (figura 4).
2. Criteriul lui WALD

Conform celor prezentate se va alege:
max min aij 
i  j 
adică valoarea -121, ceea ce corespunde deciziei de a construi S = 20 camere (figura 5).
Figura 5
3. Criteriul lui HURWICZ

Vom prezenta rezultatele pentru diferite valori ale coeficientului de optimism alfa.
- alfa =0.1 corespunde deciziei de a construi S = 20 camere (figura 6)
Figura 6
- alfa =0.2 corespunde deciziei de a construi tot S = 20 camere (figura 7)
Figura 7
Figura 8
Figura 9
- alfa =0.9 corespunde deciziei de a construi tot S = 50 camere (figura 10)
Figura 10
Constatăm că atitudinea pesimistă dominantă conduce la decizia de a construi S = 20

camere, în timp ce atitudinea optimistă indică S = 50 camere.
4. Criteriul lui SAVAGE
Figura 11
Aplicarea acestui criteriu conduce la decizia de a construi S = 40 camere (figura 11).

Concluzie
Investitorul are de ales între următoarele soluţii:
a) conform criteriului lui Laplace va construi 40 camere;
b) conform criteriului lui Wald va construi 20 camere;
c) conform criteriului lui Hurwicz va construi 20 camere dacă este pesimist şi 50
camere dacă este optimist;
d) conform criteriului lui Savage va construi 40 camere;
Investitorul nu se poate lansa în afacere, dacă nu are o informaţie, cel puţin parţială,
asupra şanselor de reuşită. El obţine informaţii asupra cererii medii înregistrate în ultimii
ani:
Cererea 0 10 20 30 40 50
Probabilitatea 0,01 0,09 0,20 0,30 0,30 0,10
În această situaţie poate aplica:
5. Criteriul lui PASCAL
Se calculează valoarea medie a câştigului în fiecare din cele 4 alternative:

S  20 E 20  121  0,01  62  0,09  245  0,2  0,3  0,3  0,1  224,87
analog:
S  30 E 30  305,22
S  40 E 40  330,675
S  50 E 50  301,12
Se observă că, soluţia cea mai favorabilă (valoarea maximă) este de a construi 40
camere.
Alegerea unui criteriu

Este o problemă dificilă, care implică evaluarea şanselor de ruină şi a şanselor de succes.
Se consideră:
α – probabilitatea subiectivă de a obţine rezultate proaste;
γ – probabilitatea subiectivă de a avea succes;
β – probabilitatea situaţiilor intermediare, astfel încât:
    1
Dacă notăm cu:
 P - suma rezultatelor proaste;
 I - suma rezultatelor intermediare;
 S - suma rezultatelor satisfăcătoare,
atunci :
         
P I S
m n p
reprezintă în fiecare ipoteză, o estimaţie subiectivă a speranţei matematice, unde m, n,

p sunt numerele de rezultate reţinute pentru fiecare categorie.
Problema fundamentală va fi să determinăm în care categorie trebuie clasificat fiecare

rezultat. O primă soluţie ar fi să considerăm ca rezultate proaste cele care conduc la o
pierdere, adică cele negative din tabela Beneficii anuale:
- pentru S = 40 avem:
 P   216,5  33,5  125
m 2
- pentru S = 30 avem:
 P   168,75  168,75
m 1
Aceasta contrazice intuiţia, care ne spune că riscul creşte cu numărul de camere

construite.
Din această cauză preferăm o a doua soluţie care consideră ca rezultate proaste numai
cele de pe prima coloană din tabela Beneficii anuale (corespunzătoare lui R = 0). Se
poate considera că o pierdere uşoară este echivalentă cu un câştig uşor (de exemplu în
cazul R = 10, câştigul de14,25 ≈ pierderea de -33,5). Această soluţie conduce natural
prin simetrie la considerarea ca rezultate satisfăcătoare a celor care corespund cererii
maxime R = 50.
Să considerăm un exemplu concret şi presupunem că întreprinzătorul evaluează la 10%

probabilitatea de ruină şi cu 20% probabilitatea de succes.
Astfel, pentru   0,1   0,2 , rezultă că   0,7 şi se pot calcula:
121 62  3  245 245

E 20    0,1   0,7   0,2  176,4
1 4 1
analog: E 30  229,3

E 40  250,2
E 50  238,8
ceea ce conduce la decizia de a construi 40 camere.
STUDIUL DE CAZ Nr. 3 - Problema investiţiilor (plasamente financiare)

[IONESCU, 1999]
Departamentul investiţiilor doreşte să maximizeze randamentul investiţiilor

(lichidităţilor disponibile) pentru o perioadă de un an. Problema este incertă şi nimeni
nu poate prezice exact mişcările acţiunilor şi ale pieţei obligaţiunilor.
Studiul relaţiei dintre randamentul posibilelor investiţii şi starea economiei, bazat pe

experienţa trecută, conduce la următoarele concluzii:
• Dacă va apare o creştere economică sănătoasă: obligaţiunile vor produce

profituri de 12 %, acţiunile de 15% şi depozitele la termen de 6,5%.
• Dacă va apare stagnarea economică: obligaţiunile vor produce 6% câştiguri,
acţiunile 3% , iar depozitele la termen de 6,5%.
• Dacă apare inflaţia: obligaţiunile vor produce 3% câştiguri, valoarea acţiunilor va
scădea cu 2% , iar depozitele la termen vor produce normal tot 6,5%.
Matricea plăţilor (Tabel de decizie)

S1 -Creştere econ. S2 - Stagnare S3 - Inflaţie
P1=0,5 P2=0,3 P3=0,2
A1 – Obligaţiuni 12 6 3
A2 – Acţiuni 15 3 -2
A3 – Depozit 6,5 6,5 6,5
După modelul de rezolvare al Studiului de caz nr.1 – Dezvoltarea unui produs, stabiliţi
deciziile de acţiune prin aplicarea criteriilor Laplace, Wald, Hurwicz (alfa=0.3 şi alfa=0.7),
Savage, Pascal şi optimist.
ANALIZA DECIZIILOR CU AJUTORUL ARBORELUI DE DECIZIE
Arborele de decizie reprezintă forma grafică a matricei plăţilor. Conceptul de arbore de

decizie permite o abordare sistematică a multor probleme decizionale.
Un arbore de decizie este compus din următoarele elemente:

 Noduri de decizie - sunt punctele arborelui în care decidentul optează pentru o
acţiune (alternativă) din mai multe posibile; se reprezintă de regulă printr-un
pătrat
 Noduri şansă – sunt puncte de ramificaţie ale arborelui în care responsabilitatea
alegerii revine “naturii”, adică unor factori independenţi; se reprezintă de regulă
printr-un cerc
 Noduri terminale – sunt frunzele arborelui şi au asociate o plată (consecinţă); se
reprezintă de regulă printr-un romb
 Alternativele – sunt reprezentate de arcele (ramurile arborelui) care pleacă dintr-
un nod decizional sau un nod şansă; unei alternative i se poate asocia un cost;
fiecare alternativă poate sfârşi într-un alt nod de decizie, nod şansă sau nod
terminal.
Cum se construieşte arborele de decizie:

- construirea arborelui se face de la stânga la dreapta, cu un nod de decizie iniţial;
- alternativele posibile de decizie sunt reprezentate prin arce care ies din acest
nod;
- în continuare se adaugă alte noduri de decizie sau noduri şansă corespunzător cu
evenimentele sau deciziile care sunt aşteptate să apară;
- arborele se dezvoltă astfel spre dreapta până sunt atinse nodurile terminale ce
au asociate o plată (consecinţă).
Abordăm problema în care trebuie aleasă la fiecare pas o decizie dintr-un număr finit de
posibilităţi şi întregul proces decizional se termină după un număr finit de paşi.
STUDIUL DE CAZ Nr. 4 – Lansarea pe piaţă a unui nou produs

[ACKOFF, 1975]
O firmă de produse alimentare doreşte lansarea pe piaţă a unui nou produs. S-au
efectuat câteva teste care au confirmat calităţile produsului şi plasarea bună pe piaţă
printre produsele similare. Departamentul de marketing apreciază probabilitatea de
succes a produsului la 0,3 şi acesta ar aduce un beneficiu anual total de 3000 u.m. În
cazul unui eşec pierderea firmei va fi de 250 u.m. Firma poate alege una din cele trei
alternative:
- să renunţe la lansarea produsului;
- să pună imediat produsul în vânzare;
- să testeze vânzarea produsului într-un lanţ de supermagazine; în această situaţie
costul testării este de 50 u.m. şi sunt posibile următoarele situaţii (evenimente):
a) EV1- produsul va fi încercat de mai puţin de 10% din potenţialii consumatori;

b) EV2- produsul va fi încercat de mai mult de 10% din potenţialii consumatori,
dar mai puţin de 50% din aceştia vor reveni să cumpere produsul şi a doua
oară (este cunoscut faptul că prima cumpărare nu inseamnă neapărat şi
acceptarea noului produs; aceasta poate fi doar rezulatatul curiozităţii
consumatorilor);
c) EV3- produsul va fi încercat de mai mult de 10% din potenţialii consumatori,
şi cel puţin 50% din aceştia vor reveni să cumpere produsul şi a doua oară,
ceea ce înseamnă acceptarea produsului.
Firma după efectuarea testului poate alege una dintre următoarele alternative:
- renunţă la punerea în fabricaţie a produsului
- lansează produsul pe piaţă.
Pe baza experienţei anterioare şi a estimaţiilor subiective ale unor experţi se apreciază

probabilităţile de succes / eşec în cazul testării produsului pe piaţă. Aceste rezultate sunt
date în tabelul de mai jos.
EV1 - Încearcă EV2 - Încearcă mai EV3 - Încearcă Probabi-

mai puţin de mult de 10% şi mai mult de 10% lităţi
10% revin mai puţin de şi revin mai mult
50% de 50%
S (succes) 0,03 0,07 0,20 0,30
E (eşec) 0,47 0,18 0,05 0,70
Probabilităţi 0,50 0,25 0,25 1
Principiile analizei:
 Valoarea fiecărui nod în care “natura” efectuează alegerea nu depinde decât de
evenimentele viitoare şi nu de deciziile precedente.
 În nodurile în care decizia revine decidentului se alege întotdeauna acea decizie
pentru care următorul nod la care se ajunge este cel mai profitabil; valoarea
nodului actual este egală cu valoarea nodului următor din care se scade costul
deplasării.
 Evaluarea intregului sistem şi determinarea deciziei optime se poate face
începând cu nodurile terminale şi deplasându-ne în sensul contrar celui urmat de
procesul real, până ajungem în nodul iniţial.
Arborele de decizie asociat acestei probleme este dat în figura 12.

5 3000
2 0
10 0 16 3000
00 00
S 00 00
R R S
2 2
3 6 -250 L
7 13 17 -250
E E 00
1 L 3
00
EV1 2
11 0
T 1L S 18 3000
-50 R 00
EV2 8 14 00
4 1L 3 2
L E
19 -250
00
EV3 12 0 00
1L R
2
9 15 S 20 3000
00
L 00
E 02
21 -250
00
00
Figura 12 02
Evaluarea arborelui
Notăm cu B1, B2,..., B15 valorile calculate (beneficiile) în nodurile respective.
În nodul 1 putem ajunge din:
 Nodul 2, care corespunde renunţării la lansare şi deci beneficiul este zero;
Rezultă B2 = 0 u.m.;
 Nodul 3, care corespunde punerii imediate în vânzare şi în acest caz, beneficiul
va fi:
B3  3000  0.3  250  0.7  725 u.m.
 Nodul 4, care corespunde testării şi care are un cost de 50 u.m., va fi evaluat
pornind de la nodurile din partea dreaptă a arborelui şi determinăm succesiv:
- valoarea nodului 13:
Psucces / EV1  0.03 / 0.50  0.06
Pe sec/EV1  0.47 / 0.50  0.94
B13  3000  0.06  250  0.94  55 u.m.
B7  maxB10, B13  max0,55  0 u.m.
Psucces / EV2  0.07 / 0.25  0.28
Pe sec/EV2  0.18 / 0.25  0.72
B14  3000  0.28  250  0.72  660 u.m.
B8  maxB11, B14  max0, 660  660 u.m.
Psucces / EV 3  0.20 / 0.25  0.8
Pe sec/EV 3  0.05 / 0.25  0.2
B15  3000  0.8  250  0.2  2350 u.m.
B9  maxB12, B15  max0, 2350  2350 u.m.
B4  0  0.5  660  0.25  2350  0.25  752.50 u.m.
din această valoare se scade costul testării (costul ajungerii în nodul 4) şi
va rezulta:
B4  752.50  50  702.50 u.m.
B1  maxB2, B3, B4  max0, 725, 702.50  725 u.m.
Rezultă că testarea pieţei nu este justificată şi decizia va fi: produsul va fi lansat direct
pe piaţă. Dacă costul testării ar fi mai mic de 752.50  725  27.50 u.m. , atunci ar putea
fi luată decizia de testare.
Rezolvarea cu modulul Decision Analysis (Decisions Trees) din produsul software
Quantitative Management (QM) este redată în figura 13.
Figura 13
În figura 14 este reprezentat graful corespunzător realizat în QM.
Figura 14
Rezumat
Analiza deciziilor monocriteriale cu ajutorul matricei de decizie presupune
existenţa mai multor elemente:
- cursurile alternative de acţiune (opţiuni, strategii); sunt variabile de decizie
independente;
- stările naturii – numite şi evenimente posibile, sunt rezultatul unei forţe
necunoscute, necontrolabile; sunt parametrii necontrolabili independenţi;
- probabilităţile stărilor naturii – reprezintă şansele de apariţie a stărilor
naturii; se consideră că numai una din stări va apare în viitor; sunt parametrii
necontrolabili independenţi;
- plăţile (consecinţele sau rezultatele) - sunt asociate cu o alternativă şi o stare
a naturii; sunt variabile dependente.
Pentru elaborarea deciziilor monocriteriale în condiţii de incertitudine se pot

aplica mai multe criterii:
- CRITERIUL OPTIMIST (maximax)
- CRITERIUL PESIMIST (maximin) - (Criteriul lui WALD)
- CRITERIUL REGRETELOR (Criteriul lui SAVAGE)
- CRITERIUL REALISMULUI (Criteriul lui HURWICZ)
- CRITERIUL ECHIPROBABILITĂŢII (Criteriul lui LAPLACE)
- CRITERIUL LUI BERNOULLI
- CRITERIUL LUI PASCAL (Criteriul valorii medii)
Pentru a compara diferitele criterii de decizie în condiţii de incertitudine şi

pentru a justifica decizia optimă se poate realiza o analiză prin construirea
unui tabel de clasificare.
Arborele de decizie reprezintă forma grafică a matricei de decizie.

Un arbore de decizie este compus din următoarele elemente:
- Noduri de decizie - sunt punctele arborelui în care decidentul optează pentru
o acţiune (alternativă) din mai multe posibile; se reprezintă de regulă printr-un
pătrat.
- Noduri şansă – sunt puncte de ramificaţie ale arborelui în care
responsabilitatea alegerii revine “naturii”, adică unor factori independenţi; se
reprezintă de regulă printr-un cerc.
- Noduri terminale – sunt frunzele arborelui şi au asociate o plată (consecinţă);
se reprezintă de regulă printr-un romb.
- Alternativele – sunt reprezentate de arcele (ramurile arborelui) care pleacă
dintr-un nod decizional sau un nod şansă; unei alternative i se poate asocia un
cost; fiecare alternativă poate sfârşi într-un alt nod de decizie, nod şansă sau
nod terminal.
Test de evaluare a cunoştinţelor – Matricea de decizie (matricea plăţilor)

1.Definiţi problema deciziei monocriteriale în condiţii de incertitudine.
2. Prezentaţi cele 7 criterii decizionale descrise.
3. Studiul de caz nr. 1 – Plecând de la matricea plăţilor refaceţi calculele pentru
cele 5 criterii fără a utiliza produsul software QM.
4. Studiul de caz nr. 2 – Pentru rezultatele obţinute prin aplicarea celor 5 criterii
(Lapace, Wald, Hurwicz, Savage şi Pascal) construiţi un tabel de clasificare şi
comparaţi rezultatul cu concluziile studiului.
5. Rezolvaţi Studiul de caz nr.3 – prin aplicarea criteriilor Laplace, Wald, Hurwicz
(alfa=0.3 şi alfa=0.7), Savage, Pascal şi optimist.
6. Studiul de caz nr. 3 – Analizaţi rezultatele obţinute cu ajutorul unui tabel de
clasificare.
7. O persoană optimistă încearcă să deschidă o afacere în domeniul distribuţiei.
Cumpără un produs perisabil cu 2 u.m./kg şi îl vinde cu 5 u.m./kg. Cererea este
incertă şi produsele nevândute la sfârşitul zilei sunt distruse. Dacă nu le are în
stoc pierde profitul. Statistica pe ultimele două luni este:
Cererea zilnică Numărul de zile

10 kg 6
11 kg 12
12 kg 24
13 kg 18
Determinaţi decizia optimă de aprovizionare. Efectuaţi o analiză a deciziilor
obţinute pe baza diferitelor criterii. [RUSU, 2001]
Test de evaluare a cunoştinţelor – Arborele de decizie
1. Rezolvaţi Studiul de caz nr. 3 Problema investiţiilor cu ajutorul arborelui de

decizie urmând metoda de calcul prezentată.
2. Rezolvaţi Studiul de caz nr. 3 Problema investiţiilor cu ajutorul arborelui de
decizie utilizând QM.
3. Comparaţi rezultatele obţinute prin cele două metode: matricea de decizie şi
arborele de decizie.
MODELAREA DECIZIILOR MULTICRITERIALE
*ANDRAŞIU, 1986+, [ANDREICA, 1998], [FILIP, 2002], [FILIP, 2007], [KAUFMANN, 1987],
[IONESCU, 1999], *RAŢIU, 2001+
Obiectiv
Obiectivul acestui capitol este de a defini şi construi modele pentru
elaborarea şi analiza deciziilor multicriteriale de tip multiatribut. Se prezintă
diferite moduri de normalizare a matricei consecinţelor şi trei metode clasice
de ordonare a variantelor – metoda ponderării simple aditive, metoda Topsis
şi metoda diametrelor, pentru care se construiesc algoritmii corespunzători.
Este abordată şi problema determinării coeficienţilor de importanţă.

Parcurgerea acestei unităţi permite înțelegerea procesului de elaborare a
deciziilor multicriteriale de tip multiatribut. Algoritmii de calcul prezentaţi
pentru determinarea coeficienţilor de importanţă şi ordonarea variantelor,
precum şi studiile de caz rezolvate şi analizate reprezintă modele aplicabile
direct în procesul decizional sau care pot ajuta decidentul în realizarea altor
modele.
Problemele de decizie multicriterială presupun alegerea unei alternative sau a unui plan
de acţiune în condiţiile existenţei mai multor obiective, care trebuie analizate.
Obiectivele pot fi de naturi diferite şi în contradicţie unul cu altul.
Majoritatea situaţiilor cu care ne confruntăm în viaţa reală implică existenţa unor decizii
multicriteriale. De exemplu, pentru alegerea unui automobil, din clasa de preţ pe care o
avem în vedere, încercăm satisfacerea simultană a mai multor obiective: preţ cât mai
mic, fiabilitate mare, consum mic, cost de de întreţinere redus, siguranţa în caz de
accident cât mai mare... Un alt exemplu: o firmă pentru stabilirea programului optim de
producţie poate lua în considerare mai multe obiective în acelaşi timp: costuri de
producţie mici, venituri cât mai mari, satisfacerea cât mai bună a cererii,...
Din exemplele descrise se pot distinge două tipuri de modele de decizie multicriterială:
1. Modele de decizie multiatribut – sunt modele cu un număr limitat (discret) de
alternative (variante). Se pune problema alegerii alternativei (variantei) optime
dintr-o mulţime finită de alternative care se compară între ele în raport cu mai
multe criterii (atribute) sau ordonarea tuturor variantelor în raport cu criteriile
considerate. Fiecare alternativă este caracterizată în raport cu fiecare atribut
cantitativ (numeric) sau calitativ (nenumeric). Fiecare atribut are un anumit scop:
maxim sau minim. Atributele pot avea importanţe diferite pentru decident.
2. Modele de decizie multiobiectiv – sunt modele cu un număr infinit de alternative
(variante). Situaţiile decizionale generează modele de decizie care urmăresc
maximizarea sau minimizarea simultană a unor funcţii de mai multe variabile.
Variabilele sunt supuse unor sisteme de restricţii care sunt în general formulate
sub forma unor inegalităţi sau egalităţi. Se pune problema determinării valorilor
variabilelor care optimizează sistemul de funcţii obiectiv. Rezolvarea acestor
modele face obiectul unor capitole speciale ale programării matematice.
MODELE DE DECIZIE MULTIATRIBUT
O problemă de de decizie multiatribut are următoarele elemente:
V = { V1, V2, V3,…, Vm } - mulţimea variantelor (alternativelor)

C = { C1, C2, C3,…, Cn } - mulţimea criteriilor (atributelor)
A = {aij}, i=1,2…,m, j=1,2,…,n - matricea consecinţelor (aij reprezintă valoarea
variantei Vi pentru criteriul Cj ).
În situaţia în care nu toate criteriile sunt la fel de importante, se pot evalua coeficienţii
de importanţă ai fiecărui criteriu.
Notăm cu:
P = { p1, p2, p3,…, pn } - mulţimea coeficienţilor de importanţă asociaţi criteriilor.
În general se consideră:
n
 pj 1
j 1
Matricea consecinţelor va fi de forma:
Criterii (atribute) C1 C2 . . . . Cj . . . . . Cn
Alternative (variante)
V1 a11 a12 . . . . a1j . . . . . a1n
V2 a21 a22 . . . . a2j . . . . . a2n
....
Vi ai1 ai2 . . . . aij . . . . . ain
….
Vm am1 am2 . . . amj . . . . amn
Coeficienţii de importanţă p1 p2 . . . . pj . . . . . pn
Normalizarea matricei consecinţelor

Valorile atributelor cantitative din matricea consecinţelor sunt exprimate în general în
unităţi de măsură diferite. Pentru a putea fi comparate acestea trebuie să fie omogene.
Procesul de omogenizare se realizează prin normalizare, adică se pune în corespondenţă
mulţimea valorilor criteriilor cu mulţimea [0,1].
Pentru atributele calitative se poate considera funcţia de apartenenţă la submulţimea
fuzzy definită de atributul respectiv.
Normalizarea presupune definirea unei funcţii, care transformă matricea A în matricea R
cu elementele cuprinse în intervalul [0,1]. Există mai multe moduri de a realiza
normalizarea. Prezentăm în continuare unul dintre acestea:
A →R unde rij  [0,1], i=1,2…,m, j=1,2,…,n, definită astfel:
- pentru criteriile de maxim:

aij  amin
j
rij  (1)
amax
j  amin
j
- pentru criteriile de minim:
amax
j  aij
rij  (2)
amax
j  amin
j
unde: amin
j  minaij iar amax
j  maxaij
i i
Observaţie. În cazul unui criteriu de maxim, cea mai mare valoare primeşte 1, iar cea mai
mică valoare primeşte 0. În cazul unui criteriu de minim, cea mai mică valoare primeşte
1, iar cea mai mare valoare primeşte 0. Evident, celelorlalte valori li se vor asocia prin
operaţia de normalizare valori în intervalul (0,1).
Importanţa criteriilor
Decidentul poate atribui criteriilor coeficienţi de importanţă diferiţi. Notăm aceşti
coeficienţi subiectivi cu:
n
  1 , 2 ,..., n  cu j 1 (3)
j 1
În afara acestora se poate determina în funcţie de valorile fiecărui criteriu importanţa în
sine a criteriului. Pentru estimarea acestor coeficienţi obiectivi, există în literatura de
specialitate mai multe metode. Prezentăm în continuare metoda entropiei, care se
bazează pe conceptul de entropie informaţională introdus de Claude Shannon în 1948,
ca măsură a incertitudinii unei repartiţii de probabilitate discrete simple:
m
H p1 , p2 ,..., pm     pi  lnpi , 0  Hp1 , p2 ,..., pm   lnm (4)
i 1
Algoritmul de calcul al coeficienţilor de importanţă obiectivi este:
Pasul 1. Se transformă fiecare element din matricea consecinţelor astfel:

aij
pij  , i  1,2,..., m, j  1,2,..., n (5)
m
 aij
i 1
Pasul 2. Se determină entropia H j asociată fiecărui criteriu:
1 m
Hj     pij  lnpij , j  1,2,..., n (6)
lnm i 1
Avem evident H j  0,1 .
Pasul 3. Gradul de diversificare al informaţiei date de valorile criteriului j pentru

diferitele alternative poate fi definit astfel:
d j  1  H j , j  1,2,..., n (7)
Pasul 4. Se calculează coeficienţii de importanţă obiectivi:

dj n
j  n
, j  1,2,..., n cu  j  1 (8)
j 1
d j
j 1
Observaţie. Agregarea coeficienţilor de importanţă subiectivi cu cei obiectivi presupune

calculul unor ponderi agregate de forma:
 j  j
pj  , j  1,2,..., n (9)
n
  j  j
j 1
Variante (alternative) dominate

O variantă (alternativă) este dominată dacă există o altă variantă (alternativă) care o
depăşeşte (surclasează) pe prima pentru unul sau mai multe atribute şi are valori egale
pentru celelalte atribute.
De exemplu, în tabelul de mai jos, constatăm că A2 este dominată de A1, deoarece A1
are valori mai bune pentru criteriile (atributele): C1, C2, C5 şi egale cu A2 pentru
criteriile C3 şi C4.
C1(min) C2(min) C3(max) C4(min) C5(max)

A1 12500 300 19 5.2 5
A2 13500 500 19 5.2 3
În procesul de decizie, este necesar ca într-o primă etapă să se elimine variantele

dominate.
1. METODA PONDERĂRII SIMPLE ADITIVE

Metoda, după cum arată şi numele, este foarte simplă. Pentru fiecare variantă se
calculează o valoare (punctaj) ca medie ponderată a consecinţelor atributelor cu
ponderile asociate fiecărui criteriu. Evident, matricea consecinţelor trebuie să fie
normalizată. Metoda permite ierarhizarea variantelor în ordinea descrescătoare a
valorilor calculate, sau selectarea variantei cu valoarea cea mai mare (varianta optimă).
Metoda este compensatorie, deoarece în calculul valorii asociate unei variante, o
valoare slabă la un criteriu poate fi compensată de valorile bune obţinute la alte criterii.
Algoritmul metodei este următorul:
Pasul 1. Se calculează matricea normalizată R, conform relaţiilor (1) şi (2) şi vectorul

ponderilor P = (p1, p2, p3,…, pn)
Pasul 2. Se defineşte funcţia f : V  R şi se calculează:

n
f Vi    p j  rij , i  1,2,..., m (10)
j 1
Pasul 3. Varianta optimă = max f Vi 
1i m
2. METODA DIAMETRELOR
Pentru ierarhizarea variantelor, metoda ia în calcul gradul de omogenitate al variantei în
raport cu toate criteriile. Pentru a evita compensaţiile se definesc două funcţii pe baza
cărora se va face ierarhizarea variantelor: o funcţie de apreciere şi o funcţie diametru.
Astfel, o variantă este cu atât mai omogenă, cu cât are un diametru mai mic şi este cu
atât mai bună, cu cât aprecierea este mai mare.
Pasul 1. Se defineşte funcţia de apreciere: A : V → R
  
n
AVi    m  loc Vi , C j  p j , i  1,2,..., m (11)
j 1
unde: P = (p1, p2, p3,…, pn) reprezintă vectorul coeficienţilor de importanţă
(obiectivi, subiectivi sau agregaţi), iar loc(Vi,Cj) = k, adică valoarea variantei Vi
pentru criteriul j ocupă locul k în ierarhia celor m valori asociate criteriului j.
Pasul 2. Se defineşte funcţia diametru: D : V → N
     
DVi   max loc Vi , C j  min loc Vi , C j , i  1,2,..., m, j  1,2,..., n (12)
j j
Pasul 3. Se calculează funcţia agregată: A&D : V → R
AVi   m  DVi 
A & DVi   , i  1,2,..., m (13)
2
Pasul 4. Ierarhia variantelor este dată de valorile descrescătoare ale funcţiei A&D.
3. METODA TOPSIS (Technique for Order Preference by Similarity to Ideal Solution)

Principiul acestei metode: din valorile variantelor pentru diferitele criterii se
construieşte soluţia ideală pozitivă şi soluţia ideală negativă. Variantele se ierarhizează
în funcţie de distanţele la cele două soluţii. Pentru a efectua comparaţiile se calculează
în funcţie de cele două distanţe o distanţă relativă la soluţia ideală pozitivă. Astfel, cea
mai bună variantă va avea distanţa minimă la soluţia ideală pozitivă şi distanţa maximă
la soluţia ideală negativă.
Pasul 1. Se construieşte matricea normalizată

 
R  rij , i  1,2,..., m, j  1,2,..., n
prin normalizare vectorială:
aij
rij  , i  1,2,..., m, j  1,2,..., n (14)
m
 aij2
i 1
Pasul 2. Se construieşte matricea normalizată ponderată

 
V  v ij , i  1,2,..., m, j  1,2,..., n, unde v ij  p j  rij (15)
Pasul 3. Se determină soluţia ideală pozitivă Vid şi soluţia ideală negativă Vne,
definite astfel:

V id  V1id ,V2id ,...,Vnid  
V ne  V1ne ,V2ne ,...,Vnne 
- dacă criteriul Cj este de maxim:
V jid  max Vij iar V jne  min Vij (16)
1i m 1i m
- dacă criteriul Cj este de minim:
V jid  min Vij iar V jne  max Vij (17)
1i m 1i m
Pasul 4. Se calculează distanţele dintre variante şi soluţia ideală pozitivă, respectiv dintre
variante şi soluţia ideală negativă.
 Vij  V jid   Vij  V jne 

n 2 n 2
d iid  iar d ine  , i  1,2,..., n (18)
j 1 j 1
Pasul 5. Se calculează apropierea relativă de soluţia ideală:

d iid d ine
eiid  1   , i  1,2,..., n (19)
d iid  d ine d iid  d ine
rezultă că: 0  eiid  1
Pasul 6. Se realizează o clasificare pe mulţimea V a variantelor în concordanţă

cu valorile descrescătoare ale lui e iid calculate la Pasul 5.
STUDIUL DE CAZ Nr. 1 – Alegerea unui automobil
O familie analizează mai multe oferte pentru cumpărarea unui automobil. Se decid că
alegerea va trebui să îndeplinească mai multe criterii: (C1) preţul cât mai mic, (C2)
cheltuielile de întreţinere la 10000 km cât mai mici, (C3) portbagajul şi spaţiul interior să
fie cât mai mare (raportat la o scară 1:20), (C4) consumul exprimat în l/100 km cât mai
mic, iar (C5) siguranţa oferită în caz de accident cât mai mare (exprimată în stele NCAP
pe o scară 1:5). Datele din ofertele pentru 6 modele de automobile sunt transpuse în
tabelul 1. Pe ultima linie sunt daţi coeficienţii de importanţă subiectivi, stabiliţi de
decident.
C1(min) C2(min) C3(max) C4(min) C5(max)

A1 12500 300 17 5.2 4
A2 13500 500 20 5.5 5
A3 11500 400 18 5.8 3
A4 14500 450 19 6.2 4
A5 18000 350 8 6.8 5
A6 11000 400 16 5.7 3
Coef.import.
0.60 0.15 0.10 0.05 0.10
subiectivi
Tabelul 1 – Matricea consecinţelor şi coeficienţii de importanţă subiectivi
Rezolvare. Observăm că nu există variante (alternative) dominate şi deci în procesul de

clasificare vor intra toate modelele de automobile selectate.
0. Calculul coeficienţilor de importanţă obiectivi.

Se aplică algoritmul prezentat mai sus (relaţiile 5...8).
Pasul 1 al algoritmului de calcul al coeficienţilor de importanţă obiectivi conduce la:
0.154 0.125 0.173 0.148 0.167

0.167 0.208 0.204 0.156 0.208
0.142 0.167 0.184 0.165 0.125
0.179 0.188 0.194 0.176 0.167
0.222 0.146 0.082 0.193 0.208
0.136 0.167 0.163 0.162 0.125
Entropia H asociată fiecărui criteriu se determină conform relaţiei (6):

H  0.9920, 0.9927, 0.9811, 0.9979, 0.9882
Coeficienţii de importanţă obiectivi calculaţi conform relaţiilor (7) şi (8) sunt:
  0.1658, 0.1527, 0.3928, 0.0442, 0.2445 (20)
Agregarea coeficienţilor de importanţă subiectivi cu cei obiectivi conduce conform
relaţiei (9) la următoarele ponderi:
p  0.5282, 0.1216, 0.2086, 0.0117, 0.1299 (21)
Aplicăm în continuare cele 3 metode prezentate:
1. Metoda ponderării simple aditive

Plecând de la matricea consecinţelor (Tabelul 1), se calculează matricea normalizată R,
conform relaţiilor (1) şi (2):
0.7857 1.0000 0.7500 1.0000 0.5000

0.6429 0.0000 1.0000 0.8125 1.0000
0.9286 0.5000 0.8333 0.6250 0.0000
0.5000 0.2500 0.9167 0.3750 0.5000
0.0000 0.7500 0.0000 0.0000 1.0000
1.0000 0.5000 0.6667 0.6875 0.0000
Cu relaţia (10) se determină valorile funcţiei f pentru fiecare variantă:

F(V1) = 0.7697, F(V2) = 0.6876, F(V3) = 0.7324, F(V4) = 0.5550,
F(V5) = 0.2211, F(V6) = 0.7361
Clasificarea variantelor este: V1 > V6 > V3 > V2 > V4 > V5.
2. Metoda diametrelor
Plecând de la matricea consecinţelor (Tabelul 1), se construieşte matricea locurilor LOC,
unde:
loc(Vi,Cj) = k, adică valoarea variantei Vi pentru criteriul j ocupă locul k în ierarhia
celor m valori asociate criteriului j
3 1 4 1 2
4 5 1 2 1
2 3 3 4 3
5 4 2 5 2
6 2 6 6 1
1 3 5 3 3
Se calculează funcţia de apreciere a fiecărei variante A, conform relaţiei (11), funcţia

diametru D, conform relaţiei (12) şi funcţia agregată A&D dată de relaţia (13).
Rezultatele obţinute sunt:
A(Vi) D(Vi) A&D(Vi)

V1 3.1879 3 3.0939
V2 2.9172 4 2.4586
V3 3.5164 2 3.7582
V4 2.1370 3 2.5685
V5 1.1359 5 1.0679
V6 3.6392 4 2.8196
3. Metoda TOPSIS
Plecând de la matricea consecinţelor (Tabelul 1), se calculează matricea normalizată
conform relaţiei (14):
0.3725 0.3022 0.4130 0.3604 0.4

0.4023 0.5037 0.4859 0.3812 0.5
0.3427 0.4030 0.4373 0.4020 0.3
0.4321 0.4534 0.4616 0.4297 0.4
0.5364 0.3526 0.1943 0.4713 0.5
0.3278 0.4030 0.3887 0.3951 0.3
Se determină matricea normalizată ponderată conform relaţiei (15):
min min max min max

0.1967 0.0367 0.0861 0.0042 0.0519
0.2125 0.0612 0.1013 0.0044 0.0649
0.1810 0.0490 0.0912 0.0047 0.0389
0.2282 0.0551 0.0962 0.0050 0.0519
0.2833 0.0428 0.0405 0.0055 0.0649
0.1731 0.0490 0.0810 0.0046 0.0389
Cu relaţiile (16) şi (17) se stabilesc soluţia ideală pozitivă Vid şi soluţia ideală negativă Vne:
Vid 0.1731 0.0367 0.1013 0.0042 0.0649

Vne 0.2833 0.0612 0.0405 0.0055 0.0389
Distanţele dintre variante şi soluţia ideală pozitivă, respectiv dintre variante şi soluţia
ideală negativă sunt date de relaţiile (18):
d iid d ine
V1 0.0309 0.1017
V2 0.0463 0.0969
V3 0.0314 0.1148
V4 0.0597 0.0796
V5 0.1260 0.0318
V6 0.0351 0.1180
Apropierea relativă de soluţia ideală va fi dată de relaţia (19):
V1 0.7667
V2 0.6764
V3 0.7849
V4 0.5715
V5 0.2016
V6 0.7705
Concluzii.
Cele 3 metode conduc la ierahizări diferite dar, apropiate. Astfel dacă vom costrui o sinteză a
locurilor ocupate în cele 3 clasamente, rezultă:
Metoda ponderării Metoda Metoda Punctaj

simple aditivă Diametrelor Topsis cumulat
V1 1 2 3 6
V2 4 5 4 13
V3 3 1 1 5
V4 5 4 5 14
V5 6 6 6 18
V6 2 3 2 7
Punctajul cumulat se obţine prin însumarea locurilor ocupate de fiecare variantă în cele 3
metode. Se obţine următoarea clasificare a variantelor considerând ordinea crescătoare a
punctajului realizat de fiecare variantă: V3 > V1 > V6 > V2 > V4 > V5.
Observăm că în toate metodele prezentate, variantele V1, V3 şi V6 ocupă constant

primele 3 locuri, în timp ce variantele V2, V4 şi V5 ocupă ultimele 3 locuri, cu menţiunea
că varianta V5 este plasată pe ultimul loc. Decizia finală de alegere a variantei optime
aparţine în final decidentului care poate beneficia şi de alte informaţii necuprinse în
tabela consecinţelor analizată.
Rezumat
Modele de decizie multiatribut – sunt modele cu un număr limitat (discret)
de alternative (variante). Se pune problema alegerii alternativei (variantei)
optime dintr-o mulţime finită de alternative care se compară între ele în raport
cu mai multe criterii (atribute) sau ordonarea tuturor variantelor în raport cu
criteriile considerate.
Fiecare alternativă este caracterizată în raport cu fiecare atribut cantitativ

(numeric) sau calitativ (nenumeric). Fiecare atribut are un anumit scop: maxim
sau minim. Atributele pot avea importanţe diferite pentru decident.
Valorile atributelor cantitative din matricea consecinţelor sunt exprimate în

general în unităţi de măsură diferite. Pentru a putea fi comparate acestea
trebuie să fie omogene. Procesul de omogenizare se realizează prin
normalizare, adică se pune în corespondenţă mulţimea valorilor criteriilor cu
mulţimea [0,1]. Pentru atributele calitative se poate considera funcţia de
apartenenţă la submulţimea fuzzy definită de atributul respectiv.
Normalizarea presupune definirea unei funcţii, care transformă matricea A

în matricea R cu elementele cuprinse în intervalul [0,1]. Există mai multe
moduri de a realiza normalizarea.
În afara coeficienţilor subiectivi se poate determina în funcţie de valorile

fiecărui criteriu importanţa în sine a criteriului. Pentru estimarea acestor
coeficienţi obiectivi, există în literatura de specialitate mai multe metode. În
curs este prezentat un algoritm de calcul al coeficienţilor obiectivi bazat pe
metoda entropiei, care utilizează conceptul de entropie informaţională.
Pentru cele trei metode clasice de ordonare a variantelor prezentate –

metoda ponderării simple aditive, metoda Topsis şi metoda diametrelor, se
construiesc algoritmii corespunzători şi se aplică pe studiul de caz - Alegerea
unui automobil.
Decizia finală de alegere a variantei optime dintre variantele selectate prin

cele trei metode, aparţine în final decidentului, care poate beneficia şi de alte
informaţii necuprinse în tabela consecinţelor analizată.

1. Studiul de caz nr. 2 - Alegerea obiectivelor. Într-un an electoral
administraţia publică locală îşi propune relizarea mai multor obiective (de
exemplu: stadion, sală de concerte, parc de distracţii, telegondolă,
restaurare centru istoric, complex sportiv acoperit (bazin olimpic şi sală de
sport)). Sursa bugetară fiind limitată se doreşte ierarhizarea variantelor în
funcţie de mai multe criterii (de exemplu: costul investiţiei, impactul la
populaţie, numărul de beneficiari, cheltuieli de întreţinere,...). Construiţi
matricea consecinţelor, atribuiţi ponderi subiective criteriilor şi realizaţi o
analiză multicriterială după modelul celei prezentate în Studiul de caz nr. 1 –
Alegerea unui automobil.
2. Studiul de caz nr. 3 – Alegerea locaţiei. O firmă de autoturisme doreşte

să delocalizeze construcţia unui nou model de autoturism. Are de ales între
şase ţări: T1, T2,..., T6. Analiza de alegere a variantei optime evidenţiază mai
multe criterii:
C1. costurile de realizare a noii capacităţi de producţie (min) – în milioane
euro;
C2. costul forţei de muncă din ţara respectivă (min) – nivelul salariului
minim, raportat la puterea de cumpărare;
C3. nivelul de pregătire tehnică al noilor angajaţi (max) – se consideră o
scală de la 1..20;
C4. nivelul infrastructurii din ţara respectivă, pentru a realiza un transport
eficient al noilor produse spre punctele de export (max) - se consideră o
scală de la 1..10;
C5. poziţia geografică a ţării, în raport cu principalele pieţe de desfacere,
facilităţi de transport (max) - se consideră o scală de la 1..10;
C6. riscul de ţară (riscul asociat afacerii) (min) - se consideră o scală de la
1..5;
C7. nivelul facilităţilor oferite la nivel guvernamental şi al administraţiei
locale pentru dezvoltarea afacerii (max) - se consideră o scală de la 1..10;
C8. nivelul cultural şi de civilizaţie (max) - se consideră o scală de la 1..10;
C9. nivelul corupţiei din ţara respectivă (min) - se consideră o scală de la
1..10.
Se cere:
a) Stabiliţi tabela consecinţelor şi atribuiţi pentru cele 9 criterii valori
coeficienţilor de importanţă subiectivi.
b) Determinaţi coeficienţii de importanţă obiectivi.
c) Aplicaţi cele 3 metode prezentate de ierarhizare a variantelor : metoda
ponderării simple aditive, metoda Topsis şi metoda diametrelor considerând
coeficienţii de importanţă agregaţi (subiectivi şi obiectivi).
d) Realizaţi o analiză multicriterială pentru stabilirea celor mai bune variante.
MODELE ÎN GESTIUNEA OPTIMĂ A STOCURILOR
[HILLIER, 2005], [KRAJEWSKI, 2005] [RATIU, 2001], [RATIU, 2002], RUSU, 2001], [TELLER, 1980],
[VĂDUVA, 1974]
Obiectiv
Obiectivul acestui capitol este de a defini şi construi modele pentru gestiunea
optimă a stocurilor. Pornind de la modelul clasic determinist (modelul Wilson)
al ”cantităţii economice”, sunt prezentate cele două principii fundamentale de
reglare: metoda punctului de comandă şi metoda de aprovizionare periodică.
Se prezintă utilizarea metodei de simulare Monte-Carlo în cadrul unei metode
de gestiune, pentru determinarea parametrilor: rata de ruptură, numărul de
zile/articol de stocare, etc.

Parcurgerea acestei unităţi permite înțelegerea şi aplicarea mecanismelor
care asigură o gestiune optimă a stocurilor, adică a politicii de reaprovizionare
care conduce la o sumă minimă a costurilor de aprovizionare şi stocare.
Utilizarea tehnicilor de simulare în analiza metodelor de gestiune permite
înţelegerea importanţei modelării şi simulării în procesul de luare a deciziei.
Discontinuităţile în livrare determină managerii întreprinderilor să stocheze mărfuri,

pentru a absorbi cererile aleatoare. Deoarece stocarea unui produs are un cost (datorat
imobilizării de fonduri, pazei, degradării, etc.), tendinţa este de a stoca o cantitate cât
mai mică. Pe de altă parte o politică de a avea stocuri cât mai mici, implică
reaprovizionări mai dese, care pot să inducă: costuri de reaprovizionare şi pierderi de
profit în cazul rupturilor de stoc (clienţii neputând să aştepte, se adresează concurenţei).
În faţa unei cereri fluctuante, trebuie să fie definită o regulă de reaprovizionare,
(momentul efectuării comenzii şi cantitatea comandată), care să conducă la o sumă
minimă a acestor costuri.
MODELUL WILSON
Modelul Wilson este un model determinist care realizează calculul principalilor
parametrii de gestiune în condiţiile optimizării costurilor totale de stocare pentru un
articol.
Ipotezele modelului şi notaţii:

BA - cererea anuală care se presupune că este repartizată uniform în timp, adică
viteza de ieşire din stoc este constantă.
M  BA / n - cererea pe unitatea de timp (astfel n = 1, 12, 52,... după cum unitatea de

timp este anul, luna, săptămâna,...).
Q - comanda (cantitatea de aprovizionare).
SS - stocul de securitate; comanda soseşte înainte ca stocul să se epuizeze – stocul

de securitate permite satisfacerea unor cereri neprevăzute. În această etapă a
prezentării modelului, stocul de securitate apare ca o cantitate fixă, dată. Acesta nu are
nici un rol în calculul nostru de optimizare.
P  Q / M  n  Q / BA - durata unui ciclu de aprovizionare.
CA - costul de aprovizionare (lansare a comenzii).

Comentariu. Acest cost este diferit dacă articolul este cumpărat sau realizat în
întreprindere.
- Dacă articolul este cumpărat acest cost cuprinde: costurile de achiziţie
(alegerea furnizorului, negocierea, controlul facturilor,...) şi de recepţie (intrarea şi
înregistrarea articolului în stoc). Aceste costuri includ cheltuieli de personal,
consumabile, cheltuieli poştale şi şi de comunicaţie, precum şi amortizările
corespunzătoare. Se poate determina împărţind bugetul serviciului aprovizionare la
numărul total de comenzi prelucrate.
- Dacă articolul este produs de întreprindere acest cost cuprinde: costurile de
lansare în fabricaţie (reglajul maşinilor, pregătirea materialelor şi componentelor,
rebuturi de lansare) şi costurile de recepţie a articolelor fabricate.
CS - costul de stocare (este o fracţie din preţul unitar al articolului).

Comentariu. Acest cost cuprinde costul de oportunitate al capitalului imobilizat în stoc,
costurile de depozitare (amortizare, pază, încălzire/răcire, gestiune,...), costurile de
deteriorare, depăşire valabilitate, furt şi asigurări. Acest cost se consideră în general o
fracţie din costul articolului, de exemplu aproximativ 0.2.
pu - preţul unitar al articolului.
N  BA / Q - numărul anual de aprovizionări.
Se obţine astfel evoluţia stocului redată în Figura 1:

M=BA/n
SS
timp
P P
Figura 1
Rezolvare:
Se determină:
- valoarea medie anuală a stocului = pu  Q / 2  SS 
- costul anual de stocare C1 = C S  pu  Q / 2  SS 
- costul anual de aprovizionare C2 = C A  N  C A  BA / Q
Rezultă costul total anual de stocare:

Q  B
CT  C1  C 2  C S  pu    S S   C A  A (1)
2  Q
- calculăm min CT(Q)
dCT B C p
din  C A  A  S u  0 =>
dQ 2 2
Q
2  C A  BA
QE  (2)
C S  pu
unde: QE reprezintă cantitatea economică (“lotul economic”) , mărimea optimă a
comenzii de aprovizionare, care minimizează costul total anual de stocare.
Se deduce:
Q
- ciclul optim de aprovizionare (perioada economică): PE  E (în ani)
BA
B
- numărul optim anual de comenzi (frecvenţa economică): NE  A
QE
Comentariu. Cele două costuri de aprovizionare şi stocare, CA şi CS , influenţează diferit

mărimea cantităţii economice QE , dată de relaţia (2). Astfel, o creştere a costului de
aprovizionare va conduce la creşterea cantităţii economice şi implicit la micşorarea
numărului de comenzi, în timp ce creşterea costului de stocare diminuează volumul

comenzii şi implicit nivelul mediu al stocului. Evoluţiile celor două costuri anuale (C1 şi
C2) şi a costului total (CT), în funcţie de mărimea comenzii (Q) sunt redate în Figura 2.
Cost
CT=C1+C2
C1
C2
0 Q
Figura 2
METODE DE REGLARE A STOCURILOR
Pornind de la modelul clasic determinist (modelul Wilson) al ”cantităţii economice”, se

pot defini două principii fundamentale de reglare:
A. Metoda punctului de comandă - se comandă cantităţi fixe optime, la momente

de timp care pot să varieze în funcţie de cererea aleatoare.
B. Metoda de aprovizionare periodică – se comandă după o periodicitate dată (în

principiu aproape de periodicitatea optimă), cantităţi care pot varia în funcţie de
cererea aleatoare.
A. Metoda punctului de comandă

Presupunem că există o întârziere în livrare, D, nealeatoare, (numită şi timp de avans),
care cuprinde: durata de livrare impusă de furnizor, durata transportului, duratele
administrative (de redactare a comenzii, de recepţie şi luare în gestiune a cantităţii
intrate în stoc). Pentru ca intrarea în stoc să se facă la momentul de timp fixat, este
necesar ca lansarea comenzii să se facă cu D unităţi de timp în avans (Figura 3).
Nivelul
stocului
SC
SS
timp
D D
Figura 3
Dacă nu se doreşte să fie afectat stocul de siguranţă (SS), nivelul stocului în momentul
lansării comenzii va fi:
SC  M  D  SS (3)
unde: M reprezintă viteza de descreştere a stocului. Acest nivel (SC) se numeşte punct de
comandă şi permite definirea celor două principii ale metodei:
- Se lansează o nouă comandă când nivelul stocului devine inferior sau egal
punctului de comandă SC.
- Se comandă o cantitate fixă (QE), care este cantitatea economică.
În cazul determinist, această metodă conduce la evoluţia clasică a stocului, reprezentată

de graficul “dinţi de fierăstrău”. Dar, atunci când cererea devine aleatoare cele două
principii de gestiune constituie un mod de reglare eficientă a stocului, prin stabilirea
momentelor de lansare a comenzilor.
Exemplu. Se consideră: QE = 6 unităţi, SS =1, PE = 3 luni şi D = 2 luni.

Punctul de comandă va fi conform relaţiei (1):
SC  M  D  S S  6 / 3  2  1  5
Presupunem că la 15 zile după aprovizionare se înregistrează o cerere pentru o comandă
excepţională de 2 unităţi (Figura 4).
SS=5
SS=1
timp
P=3 D=2
Figura 4
La acest moment stocul cade sub punctul de comandă şi se lansează o nouă comandă de
6 unităţi, care va intra în stoc peste două luni, adică cu 15 zile înainte de data normală
de sosire. Stocul va urca la nivelul 6 unităţi şi apoi va descreşte cu viteza constantă M =
2. În această situaţie punctul de comandă va fi atins după 15 zile, iar livrarea se va face 2
luni mai târziu. Stocul va urca la nivelul de 7 unităţi şi se reia astfel ritmul normal de
lansare a comenzilor şi de intrare a cantităţilor livrate în stoc.
Comentariu. Metoda punctului de comandă permite rezolvarea fluctuaţiilor cererii

printr-o stabilire corespunzătoare a momentelor de lansare a comenzilor. Astfel, în
exemplul prezentat două cicluri de aprovizionare au o lungime de 2 luni şi 15 zile în loc
de 3 luni, după care se revine la ritmul normal, cu un decalaj total de o lună. În acest
sistem cantitatea comandată rămâne constantă, dar perioada de aprovizionare poate
varia în jurul perioadei economice (PE) în funcţie de cerere. Această metodă este cea mai
eficace şi cea mai utilizată.
B. Metoda aprovizionării periodice
Metoda constă în lansarea la date fixe a comenzii ce conţine cantităţi variabile. Lansarea
unei noi comenzi se va face după o perioadă P, de la ultima lansare, în principiu egală cu
PE ( perioada economică, ciclul economic). Sosirea comenzii în stoc se va face după o
perioadă D de la lansare. Rămâne de stabilit pentru fiecare ciclu de aprovizionare,
mărimea comenzii ce trebuie lansate.
Dacă cererea nu este aleatoare, o comandă trebuie să acopere cererea pe durata unui
ciclu de aprovizionare, deci:
Q  P M (4)
Stocul existent, (SE), în momentul comenzii, trebuie să permită satisfacerea cererii pe

durata timpului de avans, (D), adică:
SE  D  M  SS (5)
Dacă apare o cerere aleatoare, este posibil ca stocul existent să nu atingă nivelul
precedent. Sunt posibile două situaţii:
a) SE este mai mic decât nivelul precedent - atunci comanda va fi mărită pentru a acoperi
acest deficit. Valoarea comenzii va fi în acest caz:
Q  P  M  D  M  SS  SE  (6)
Rezultă Q  P  M .
b) SE este mai mare decât nivelul precedent - relaţia (6) rămâne valabilă.
Rezultă Q  P  M .
Concluzie. Valoarea comenzii Q va fi determinată pentru fiecare ciclu de aprovizionare,

astfel încât:
Q  SE  P  D  M  SS (6’)
Expresia P  D  M  S S se numeşte nivel de acoperire şi are o valoare constantă.

Rezultă că valoarea comenzii Q se determină în funcţie de stocul existent SE .
Exemplu. Se consideră o aprovizionare periodică cu: M = 2, SS =1, P = 3 luni şi D = 2 luni.

Nivelul de acoperire este:
P  D  M  SS  3  2  2  1  11
Presupunem că la 15 zile după aprovizionare se înregistrează o cerere pentru o comandă

excepţională de 2 unităţi.
La momentul C2, mărimea comenzii va fi Q = 11 – 3 = 8 unităţi, pentru că SE =3. Două

luni mai târziu, la momentul L2, nivelul stocului devine după aprovizionare 7 unităţi,
presupunând că cererea nesatisfăcută de 1 nu s-a pierdut, ea fiind reportată. În C3
regăsim valoarea normală a comenzii Q = 6 unităţi (Figura 5).
11
Q=6 Q=8 Q=6
7
5
SS=1
C1 L1 C2 L2 C3
D P
P D
Figura 5
Comentariu. La această metodă, graficul aprovizionării – momentul lansării comenzii şi

momentul intrării în stoc sunt fixate, iar mărimea comenzii se stabileşte în funcţie de
fluctuaţiile cererii.
STOCUL DE SECURITATE
Stocul de securitate permite evitarea situaţiilor de lipsă de stoc datorate unor cereri
aleatoare sau unor întârzieri în livrare. În continuare vom analiza determinarea stocului
de securitate numai în cazul cererilor aleatoare. Stocul de securitate se consideră
proporţional cu abaterea medie pătrată a dispersiei cererii pe durata perioadei de risc
de ruptură. Coeficientul de proporţionalitate va reflecta calitatea serviciului cerut, care
se poate defini în funcţie de unul din parametrii următori: rata de ruptură de stoc, costul
rupturii de stoc, rata lipsei de stoc sau costul lipsei de stoc.
Presupunem că cererea pe unitatea de timp este aleatoare şi urmează o distribuţie

normală de medie M şi abatere medie pătratică σ. Pentru valori mici ale mediei ( M mai
mic decât 7 sau 8) se poate considera distribuţia Poisson.
Dacă se consideră distribuţia normală, stocul de securitate va fi dat de:
SS  k    D (7)
în cazul metodei punctului de comandă şi
SS  k    D  P (8)
în cazul metodei aprovizionării periodice.
Observaţie. În relaţiile (7) şi (8), coeficientul k exprimă calitatea serviciului cerut şi se

numeşte factor de protecţie sau rata serviciului. Factorul k poate fi determinat pornind
de la rata de ruptură (sau riscul de ruptură) tR , care este raportul dintre numărul de
rupturi de stoc acceptate pe o anumită perioadă şi numărul total de cicluri de
aprovizionare (sau de comenzi) desfăşurate în aceeaşi perioadă. Astfel, dacă se acceptă
n rupturi de stoc într-un an, vom avea: tR  n N , unde N reprezintă numărul anual de
comenzi.
Exemplu. Presupunem că pe o perioadă de un an s-au înregistrat următoarele cereri

lunare (în unităţi): 14, 11, 9, 10, 6, 12, 10, 11, 8, 9, 10, 10.
Rezultă:
- valoarea medie a cererii, M =10
2
1  _
- dispersia estimată, VAR    x  x   44  4    2
n  1 i  
i
 11
În ipoteza că timpul de avans, D = 4 luni şi se acceptă un risc de ruptură de 2.5%, se

obţine stocul de siguranţă: S S  k    D = 1.96 × 2 × 2 = 7.84 (aprox. 8 unităţi)
Punctul de comandă SC  M  D  SS = 10 × 4 + 8 = 48 unităţi.
STUDIUL DE CAZ Nr. 1
Întreprinderea W cumpără şi stochează articolul A, pentru ca apoi să-l revândă cu un

adaus comercial. Să se stabilească o politică optimă de aprovizionare care să minimizeze
costul total de gestiune a stocului, în următoarele ipoteze iniţiale:
I1. Vânzările sunt regulate;

I2. Cantitatea totală vândută într-un an este de 1800 unităţi;
I3. Preţul unitar de cumpărare al articolului este de 1 u.m.;
I4. Costul de lansare a unei comenzi este de 10 u.m.;
I5. Costul de stocare este 10% din preţul articolului;
I6. Stocul de siguranţă are valoare nulă.
A. Să se determine mărimea lotului economic şi numărul optim de aprovizionări.
2  C A  BA 2  10  1800
QE    600 unităţi
C S  pu 0.10  1
N  1800 600  3 aprovizionări pe an
B Q
Dacă N  3  CT  C A  A  C S  pu   10  3  0.1  1  300  60 u.m.
Q 2
Costul articolului este: 1800 buc.  1 u.m. / buc.  1800 u.m.
B. Furnizorul propune un rabat comercial (discont) de 5% dacă se comandă cel puţin 900
de unităţi. Se acceptă propunerea?
Dacă se acceptă remiza, întreprinderea va comanda cel puţin 900 unităţi. Aceasta revine
la lansarea a două comenzi pe an (1800 / 900), sau o singură comandă de 1800 unităţi.
B Q
N  1  CT  C A  A  C S  pu   10  1  0.095  0.95  900  91.225 u.m.
Q 2
N  2  CT  10  2  0.095  0.95  450  60.6125 u.m.
Costul articolului este: 1800 buc.  0,95 u.m. / buc.  1710 u.m.
Rezultă că se acceptă propunerea de remiză cu două comenzi pe an de volum 900

unităţi.
C. Întreprinderea W decide să accepte propunerea de discont şi va comanda de 2 ori pe

an câte 900 unităţi. Din experienţă, cererea pe o perioada de 6 luni variază după o lege
normală N(900,902). Să se calculeze probabilitatea de ruptură de stoc dacă
întreprinderea constituie un stoc de siguranţă de volum 1 2   . Care va fi probabilitatea
în cazul unui stoc de siguranţă de volum  ? Determinaţi volumul stocului de siguranţă
necesar pentru o rată a serviciului de 95%.
a) Cu un stoc de siguranţă SS = 45 unităţi, ruptura de stoc se produce dacă cererea pe 6

luni, B  900  45 unităţi. Se obţine:
 B  900 945  900 

Pr obB  945  Pr ob    Pr obu  0.5  0.3085
 90 90 
unde u are o repartiţie N(0,1).
Deci, riscul de ruptură de stoc este de 30%, iar rata serviciului este de 70%.
b) Dacă stocul de siguranţă este egal cu  rezultă:
 B  900 990  900 

Pr obB  990  Pr ob    Pr obu  1  0.1587
 90 90 
Deci, riscul de ruptură de stoc este de 15%, iar rata serviciului este de 85%.
c) Dacă se doreşte o rată a serviciului de 95% avem:
 B  900 900  S S  900   S 

Pr obB  900  S S   Pr ob    Pr ob u  S   0.05
 90 90   90 
S
 1.64  S  S S  147.6
90
O firmă de panificaţie are un necesar anual (360 zile) de 200t de grâu. Costul de lansare
a comenzii este de 705 u.m., costul pe stocare pe zi/t este de 1 u.m., costul unei unităţi
de produs (tonă) este de 1800u.m., timpul de avans este de 4 zile, iar stocul de siguranţă
este de 3t. În ipotezele că vânzarea este uniformă, aprovizionarea se face la intervale
egale şi nu se permite lipsa produsului, să se determine elementele gestiunii optime.
Rezolvare. Apelăm la produsul software QM (Quantitative Management), modulul

Inventory. Din analiza ipotezelor ne aflăm în condiţiile modelului Economic Order
Quantity (EOQ).
Modelul permite introducerea propriei decizii privind mărimea cantităţii de

aprovizionare, realizând în acest mod o comparaţie cu soluţia optimă calculată. În
exemplul prezentat elementele gestiunii optime sunt comparate cu decizia de
aprovizionare periodică cu cantitatea de 10 t. Rezolvarea modelului este dată în figura 6.
Figura 6
În soluţia obţinută Reorder point reprezintă nivelul de reaprovizionare, adică o nouă

comandă va fi lansată când nivelul stocului atinge nivelul de reaprovizionare. Acest nivel
va satisface cererea pe perioada timpului de avans (lead time), cu păstrarea stocului de
siguranţă.
În figura 7 este redată grafic evoluţia costurilor de aprovizionare (Setup cost), de stocare
(Holding cost) şi a costului total (Total cost). Se observă că valoarea minimă a funcţiei
cost total ce corespunde valorii optime a lotului economic (Optimal order quantity)
corespunde intersecţiei graficelor celor două costuri de aprovizionare şi stocare.
Figura 7
Un producător de accesorii auto are o comandă pentru un an (250 zile lucrătoare) de

500 unităţi. Rata producţiei anuale este de 2500 unităţi. Costul lansări unei comenzi în
fabricaţie este de 100 u.m., preţul produsului este de 400 u.m. iar costul de stocare
pentru întreaga perioadă reprezintă 10% din preţul produsului. În ipoteza că cererea are
un ritm constant şi nu se admit întârzieri în livrare, cum trebuie organizată producţia a.î.
să se realizeze o gestiune optimă a stocului.
Rezolvare. Suntem în ipotezele modelului Production Order Quantity din modulul

Inventory (produsul software QM). Modelul stabileşte mărimea lotului economic
(comenzii) de producţie, care minimizează costul stocării şi al lansării comenzilor de
producţie.
Ca şi în cazul modelului Economic Order Quantity se poate introduce propria decizie

privind mărimea comenzii de lansat, realizând în acest mod o comparaţie cu soluţia
optimă calculată.
Rezolvarea modelului este dată în figura 8.
Figura 8
O firmă are un consum anual de 100 unităţi dintr-un anumit produs. Costul lansării
comenzii este de 10 u.m. iar costul de stocare anual reprezintă 20% din preţul
produsului. Produsul este oferit la preţul de 40 u.m. pentru comenzi mai mici de 20
unităţi, la preţul de 39 u.m. pentru comenzi mai mari sau egale cu 20 unităţi şi mai mici
de 50 unităţi şi la preţul de 38 u.m. pentru comenzi mai mari sau egale cu 50 de unităţi.
Stabiliţi politica optimă de aprovizionare a firmei.
Rezolvare. Suntem în ipotezele modelului Quantity Discount (EOQ) din modulul

Inventory (produsul software QM). Modelul este o variantă a modelului clasic EOQ cu
ipoteza suplimentară că preţul unitar al produsului cumpărat depinde de cantitate (cu
cât cantitatea cumpărată creşte, preţul unitar de cumpărare scade).
Rezolvarea modelului este dată în figura 9.

Figura 9
În figura 10 se dau detaliile de cost pentru diferitele paliere de preţ, iar în figura 11
graficele corespunzătoare.
Figura 10
Figura 11
STUDIUL DE CAZ Nr. 5 – Analiza ABC
Analiza ABC constă în ierarhizarea articolelor stocate în funcţie de valoarea lor în 3

categorii. În mod obişnuit 70% din valoarea unui stoc este realizată de 15%-20% din
articolele stocate. Acestea sunt categoria A. Categoria B este formată din articolele care
cumulează 20% din valoare şi reprezintă 30%-35% din articolele stocate. Categoria C
este formată din articolele ce reprezintă aproximativ 50% din articolele aflate în stoc şi
care au o valoare de aproximativ 10%.
Analiza ABC realizează o gestiune selectivă a stocurilor. Clasificarea în 3 categorii

permite abordarea unor politici diferite de gestiune a stocurilor.
- Pentru produsele din clasa A se aplică politici de aprovizionare care să menţină
coborât nivelul stocului şi cantitatea comandată, aceasta presupunând o creştere
a frecvenţei de aprovizionări care corespunde la o micşorare a ciclului de
aprovizionare. Aceste articole trebuie să fie supuse unui control riguros de
gestiune, existenţa unui stoc de securitate fiind mai puţin necesară.
- Pentru produsele din clasele B şi C se aplică o strategie complet diferită, care
constă în creşterea cantităţii comandate şi mărirea ciclului de aprovizionare.
Cu ajutorul metodei ABC se pot reduce investiţiile în stocuri, micşorând în acelaşi timp şi
riscurile de ruptură de stoc.
Aplicaţie. O societate comercială face o analiză a mărimii stocurilor de materiale

utilizate pentru procesul de producţie în funcţie de ponderea lor valorică şi de rulajul
mediu. Pentru 8 dintre cele mai importante materiale şi combustibili s-au efectuat studii
statistice şi s-au obţinut următoarele date:
Nr.crt. Denumire articol Cererea medie Preţ

anuală *mii t] [u.m./1000t]
1. Articol 1 200 150
2. Articol 2 100 400
3. Articol 3 15 20
4. Articol 4 30 17
5. Articol 5 10 30
6. Articol 6 4 5000
7. Articol 7 150 600
8. Articol 8 200 1000
Aplicând metoda de grupare selectivă ABC a stocurilor pentru cele 8 articole,

determinaţi ce articole fac parte din fiecare grupă.
Rezolvare. Utilizăm ABC Analysis din modulul Inventory (produsul software QM).
Rezultatele sunt prezentate în figura 12.
Figura 12
Grupa A cuprinde { articolul 8}.

Grupa B cuprinde { articolul 7, articolul 2 şi articolul 1}.
Grupa C cuprinde { articolul 6, articolul 4, articolul 5 şi articolul 3}.
În figura 13 este trasată curba valorilor cumulate, rezultată în urma analizei ABC.
Figura 13
STUDIUL DE CAZ Nr. 6 – APLICAREA SIMULĂRII LA GESTIUNEA STOCURILOR
Tehnica de simulare Monte Carlo ne permite să obţinem valori artificiale ale cererii şi
eventual ale duratelor de livrare, conform distribuţiilor de probabilitate observate.
Utilizând aceste valori artificiale în cadrul unei metode de gestiune, se pot calcula diverşi
parametrii: rata de ruptură, costul rupturii, etc. Va fi deci posibil să comparăm diverse
metode de gestiune.
Tehnica de simulare Monte Carlo ne permite să abordăm diverse scenarii de gestiune a

stocurilor, care pot diferi de metodele clasice ale punctului de comandă sau al
aprovizionării periodice.
A. Obţinerea unui eşantion artificial al cererii

Metoda Monte Carlo permite obţinerea unui eşantion cu o distribuţie de probabilitate
dată, plecând de la un eşantion de numere aleatoare uniform repartizate pe intervalul
(0,1).
Fie X o variabilă aleatoare discretă, cu distribuţia:
 x1 x2 ... x n  n
X :   ,  pi  1
 p1 p2 ... pn  i 1
Algoritmul de generare al variabilei X este:
i
Pasul 1. Se calculează Fi   pj , i  1, n .
j 1
Iniţializăm: i=0
Pasul 2. Se generează U uniform repartizat pe (0,1).
Pasul 3. Se calculează: i = i+1
Pasul 4. Dacă U > Fi atunci transfer la Pasul 3.
Pasul 5. Ieşire X = xi . Stop.
Exemplu. Considerăm cazul unui distribuitor care gestionează stocul unui produs. El
înregistrează cererea aleatoare a produsului şi constată că probabilitatea p(n) a unei
cereri zilnice de n articole este conformă cu tabelul următor:
Cererea
zilnică 0 1 2 3 4 5 6 7
N
Probabilitatea 0.05 0.12 0.20 0.30 0.15 0.08 0.06 0.04
p(n)
Fi 0.05 0.17 0.37 0.67 0.82 0.90 0.96 1
Dorim să obţinem o serie aleatoare a cererii zilnice conform cu această distribuţie de

probabilitate. De exemplu, dacă valorile variabilei aleatoare uniforme U sunt: 0.29,
0.59, 0.93, aplicând algoritmul se obţin valorile cererii zilnice: 2, 3, 6 articole. Am redus
astfel problema generării unor cereri zilnice cu o anumită distribuţie de probabilitate, la
generarea unor numere aleatoare repartizate uniform în intervalul [0,1].
Utilizând modulul Simulation din produsul software QM se pot genera serii aleatoare
ale cererii. Algoritmul de generare este cel prezentat mai sus, pentru variabile aleatoare
discrete. În figura 14 este prezentată sinteza rezultatelor obţinute pentru 100 de
simulări, iar în figura 15 sunt date primele 20 “cereri” gennerate.
Figura 14
Figura 15
B. Simularea stocului pentru o metodă de gestiune dată
Definim o metodă de gestiune foarte simplă: se comandă în ultima zi lucrătoare a

săptămânii (care are 5 zile lucrătoare), un număr de articole egal cu consumul mediu al
unei săptămâni.
Media cererii este egală cu:

0.12  1  0.2  2  0.3  3  0.15  4  0.08  5  0.06  6  0.04  7  3.06
Deci, cererea săptămânală este de 15 articole. Se presupune în plus, că stocul iniţial este
egal cu 15 articole.
Se obţine evoluţia următoare a stocului calculată la sfârşitul fiecărei zile, ştiind că în

cazul lipsei de stoc cererea nesatisfăcută nu se reportează pentru ziua următoare.
Z 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
C 0 6 2 3 4 3 2 7 5 3 3 0 6 2 1 5 3 3 3 3
S 15 9 7 4 15 12 10 3 0 15 12 12 6 4 18 13 10 7 4 16
P 2 3
unde: Z = ziua
C = cererea
S = stocul la sfârşitul zilei
P = penurie
Efectuând simularea pentru 100 zile lucrătoare s-a calculat cererea totală exprimată,
penuria totală şi numărul de zile de stocare/articol.
Observaţie. Trebuie adăugate zilele de stocare de la sfârşitul săptămânii; de exemplu

pentru prima săptămână se obţine:
15D+15L+9M+7M+4J+15V+15S = 80 zile/articol de stocare.
Rezultă:
- cererea totală: 317
- numărul de zile/articol de stocare: 1540
- penuria totală: 21
- rata de penurie: 21 / 317 = 6.6%
Dacă se presupune că avem un cost de stocare de 1 u.m. / articol / zi, costul de

reaprovizionare este neglijabil, iar costul unitar al lipsei de stoc este de 50 u.m. , va
rezulta un cost total pentru 100 zile de: 1540  1  21  50  2590 u.m.
Concluzie. Acest cost va putea fi comparat cu cel rezultat din aplicarea altor reguli de
reaprovizionare. Totuşi, pentru ca rezulatatele obţinute să fie stabile trebuie efectuate
simulări pentru o perioadă de cel puţin 300 de zile.
Aplicaţia de gestiune a stocului realizată în Excel pe baza acestui studiu de caz permite
construcţia unor grafice sugestive pentru luarea deciziei manageriale. Pe baza analizelor
efectuate în urma mai multor simulări se poate stabili o politică optimă de gestiune a
stocului.
Graficele sunt redate în figurile 16, 17, 18. Ele reprezintă rezultatele obţinute după
efectuarea simulării cererii pentru 100 de zile, în condiţiile metodei de gestiune definite
în acest studiu de caz.
Rata de penurie Rata serviciului
Figura 16 – Rata serviciului şi rata de penurie (lipsa de stoc)
40
35
30
25
20
15
10
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100
CERERE Stoc la inceputul zilei
Figura 17 – Graficele de evoluţie zilnică a cererii şi a stocului la începutul zilei

14
12
10
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100
CERERE PENURIE
Figura 18 – Nivelul zilnic al stocului (sunt evidenţiate zilele cu lipsă de stoc

şi mărimea cererii nesatisfăcute)
Rezumat
Stocarea unui produs are un cost, deci tendinţa este de a stoca o cantitate
cât mai mică. Politica de a avea stocuri cât mai mici, implică reaprovizionări
mai dese, care pot să inducă: costuri de reaprovizionare şi pierderi de profit în
cazul rupturilor de stoc. În faţa unei cereri fluctuante, trebuie să fie definită o
regulă de reaprovizionare, (momentul efectuării comenzii şi cantitatea
comandată), care să conducă la o sumă minimă a acestor costuri.
Modelul Wilson este un model determinist care realizează calculul
principalilor parametrii de gestiune în condiţiile optimizării costurilor totale de
stocare pentru un articol.
Pornind de la modelul clasic determinist (modelul Wilson) al ”cantităţii
economice”, se pot defini două principii fundamentale de reglare:
- Metoda punctului de comandă - se comandă cantităţi fixe optime, la
momente de timp care pot să varieze în funcţie de cererea aleatoare.
- Metoda de aprovizionare periodică – se comandă după o periodicitate dată
(în principiu aproape de periodicitatea optimă), cantităţi care pot varia în
funcţie de cererea aleatoare.
Stocul de securitate permite evitarea situaţiilor de lipsă de stoc datorate
unor cereri aleatoare sau unor întârzieri în livrare.
Analiza ABC realizează o gestiune selectivă a stocurilor. Clasificarea în 3
categorii (A, B şi C) permite abordarea unor politici diferite de gestiune a
stocurilor.
Tehnica de simulare Monte Carlo ne permite să obţinem valori artificiale ale

cererii şi eventual ale duratelor de livrare, conform distribuţiilor de
probabilitate observate. Utilizând aceste valori artificiale în cadrul unei
metode de gestiune este posibil să comparăm diverse metode de gestiune.
Tehnica de simulare Monte Carlo ne permite să abordăm diverse scenarii de
gestiune a stocurilor, care pot diferi de metodele clasice ale punctului de
comandă sau al aprovizionării periodice.

1. Definiţi ipotezele modelului Wilson şi explicaţi grafic soluţia valorii economice
optime.
2. Prezentaţi cele două metode de reglare a stocurilor din modelul Wilson.
3. Studiul de caz nr. 1 – Care este riscul de ruptură de stoc în cazul unui stoc de
siguranţă SS = 135 unităţi ?
4. Studiul de caz nr. 1 – Care este valoarea stocului de siguranţă în cazul unui risc
de ruptură de 1% ?
5. Studiul de caz nr. 2 – Din rezultatele gestiunii optime (figura 6) deduceţi modul
de evaluare a nivelului de aprovizionare (Reorder point = 5.222…).
6. Studiul de caz nr. 2 – După ce analizează rezultatele gestiunii optime (figura
6), managerul decide să realizeze 8 aprovizionări pe an, deoarece soluţia optimă
este nerealizabilă cu 7.15 aprovizionări/an. Cu cât creşte suma costurilor totale
de aprovizionare şi stocare faţă de soluţia optimă calculată.
7. Studiul de caz nr. 3 – Analizaţi graficele costului de stocare şi al costului de
lansare în fabricaţie.
8. Studiul de caz nr. 3 – Analizaţi decizia managerului de a lansa într-un an 10
comenzi de fabricaţie pentru acoperirea necesarului de 500 de unităţi, în raport
cu soluţia matematică optimă a modelului.
9. Studiul de caz nr. 4 – Reluaţi rezolvarea modelului în situaţia unui cost de
lansare al comenzii de 200 u.m. Analizaţi soluţia obţinută.
10. Studiul de caz nr. 5 – Explicaţi în ce constă Analiza ABC şi care sunt
avantajele aplicării în gestiunea stocurilor.
11. Studiul de caz nr. 6 – Reluaţi tabelul de evoluţie al stocului pentru datele
simulate din figura 15 (sau generaţi o alta serie de cereri utilizând Simulation din
QM) şi trasaţi graficul evoluţiei stocului pentru perioada studiată (20 de zile).
12. În metoda punctului de comandă se consideră:
- cantitatea economică QE = 6 unităţi,
- stocul de securitate SS =2 unităţi,
- cererea anuală BA = 36 unităţi,
- întârzierea în livrare D = 1 lună.
Determinaţi: perioada optimă de aprovizionare (perioada economică), numărul
anual optim de comenzi (frecvenţa economică), nivelul stocului SC (punctul de
comandă).
MODELAREA DECIZIILOR CU MULŢIMI FUZZY
[ANDREICA, 1998], [BOJADZIEV, 1995], [BOUCHON, 1995], [IONESCU, 1999], [MANSUR, 1995],
*MOISIL, 1975+, *NEGOIŢĂ, 1974+, *RAŢIU, 2001+, *RAŢIU, 2002+
Obiectiv
Obiectivul acestui capitol este de a defini şi construi modele economice
bazate pe conceptul de mulţime vagă (fuzzy set, ensemble flou). Utilizarea
mulţimilor fuzzy în modelarea economică permite tratarea unor fenomene
insuficient precizate, mai puţin rigide, deoarece pentru elementele acestor
mulţimi există mai multe grade de apartenenţă intermediare între
apartenenţa totală şi non-apartenenţa. Studiile de caz prezentate
demonstrează multiplele posibilităţi de aplicare a mulţimilor fuzzy în
modelarea unor procese economice.

Parcurgerea acestei unităţi permite înțelegerea conceptelor fuzzy şi aplicarea
lor în construcţia modelelor ce conduc la problema de programare liniară şi la
modelarea deciziei multicriteriale.
Conceptul de mulţime vagă (fuzzy set, ensemble flou) a fost introdusă în matematică de
L.A. Zadeh în anul 1965. Concepetele fuzzy au apărut din necesitatea de a măsura
cantitativ vagul, imprecisul. Academicianul român G. Moisil dezvoltă ideea de fuzzy set,
care ar putea fi înţeleasă ca extensia unui predicat în logica cu o infinitate de valori.
Definţia mulţimii fuzzy (utilizând un limbaj vag)

O mulţime fuzzy este o mulţime în care nu există o tranziţie bruscă de la apartenenţa la
non-apartenenţa unui element la această mulţime.
Ideea fundamentală este următoarea: dacă X este o mulţime clasică, în care
apartenenţa este dichotomică, orice submulţime A  X poate fi identificată prin funcţia
sa caracteristică:
 A : X  0, 1,
1, x  A
unde  A x   
0, x  A
deci, mulţimea părţilor lui X este în corespondenţă bijectivă cu mulţimea funcţiilor
f : X  0,1 .
Teoria clasică are ca model logica bivalentă.

Modelul teoriei mulţimilor fuzzy este logica continuă. Submulţimile fuzzy ale lui X sunt în
corespondenţă bijectivă cu mulţimea de funcţii: f : X  0,1 .
Dacă A este o submulţime fuzzy (vagă) a lui X, aplicaţia f A : X  [0,1] se numeşte funcţia
de apartenenţă a lui A.
O submulţime fuzzy A este definită prin: x , f A x  / x  X .
Observaţii.
 În cazul particular în care f A nu ia decât două valori 0 sau 1, submulţimea fuzzy A
este o submulţime clasică a lui X. Deci, o submulţime clasică este un caz particular de
submulţime fuzzy.
 Definiţia mulţimilor fuzzy clarifică distincţia dintre aleator şi fuzzy : fenomenul
aleator este rezultatul incertitudinii în ceea ce priveşte apartenenţa sau non-
apartenenţa unui obiect la o clasă; în cadrul unui fenomen fuzzy există mai multe
grade de apartenenţă intermediare între apartenenţa totală şi non-apartenenţa.
Noţiunea de mulţime fuzzy permite tratarea:

- categoriilor cu limite definite neclar (“centrul oraşului”, “vechi”)
- situaţiile intermediare între totul şi nimic (“aproape negru”)
- trecerea progresivă de la o proprietate la alta (de la “aproape” la “departe”)
- claselor evitând utilizarea arbitrară a limitelor rigide (este dificil să spui că o casă
situată la 200 m de plajă este aproape, dar dacă este la 210 m este departe) !
Exemple de submulţimi fuzzy

Elementele lui X care posedă o anumită proprietate constituie o submulţime A a lui X, în
sensul cunoscut al teoriei mulţimilor. Se notează Prop(A) proprietatea asociată.
1. Pentru Prop(A) = “din regiunea parisiană” graficul este dat în figura 1.
Figura 1
2. Pentru Prop(A1) = “departe” şi Prop(A2) = “aproape” o posibilă reprezentare a

funcţiilor de apartenenţă este dată în figura 2.
Figura 2
De ce “o posibilă reprezentare” ?
Din figura 2 constatăm, de exemplu, pentru Prop(A2) = “aproape”(graficul trasat cu
albastru) că avem:
 A2 100m, 1 ,  A2 200m, 1 ,  A2 300m, 0.5 ,  A2 400m, 0 ,  A2 500m, 0
adică, pentru distanţe mai mari de 400 m gradul de apartenenţă la proprietatea

“aproape” este zero. Această reprezentare este subiectivă. Pentru o altă persoană este
posibil ca orice distanţă mai mică de 1 km să aibă gradul de apartenenţă la proprietatea
“aproape” de 1 şi gradul de apartenenţă 0 să înceapă pentru distanţe mai mari de 5 km.
3. Pentru Prop(A) = “este tânăr” în figura 3 avem o reprezentare subiectivă:
Figura 3
4. Pentru Prop(A) = “este de vârstă medie” în figura 4 avem o reprezentare subiectivă:
Figura 4
5. Pentru Prop(A) = “este în vârstă” în figura 5 avem o reprezentare subiectivă:
Figura 5
Operaţii cu submulţimi fuzzy
Definiţia 1. Două submulţimi fuzzy A şi B ale lui X sunt egale dacă funcţiile lor de
apartenenţă iau aceeaşi valoare pentru orice element din X:
x  X , f A x   fB x  (1)
Definiţia 2. Fiind date două submulţimi fuzzy A şi B ale lui X, se spune că A este inclusă în
B dacă funcţiile lor de apartenenţă sunt astfel încât:
x  X , f A x   fB x  (2)
Definiţia 3. Intersecţia a două submulţimi fuzzy A şi B ale lui X este submulţimea fuzzy C,
astfel încât:
x  X , fC x   min f A x , fB x  (3)
min desemnând operatorul de minimizare.
Definiţia 4. Reuniunea a două submulţimi fuzzy A şi B ale lui X este submulţimea fuzzy D,
astfel încât:
x  X , fC x   max f A x , fB x  (4)
max desemnând operatorul de maximizare.
Modelarea deciziei manageriale

Fie:
D - o decizie fuzzy reprezentată de funcţia de apartenenţă μD(x)
O - un obiectiv fuzzy cu funcţia de apartenenţă μO(x)
R - o restricţie fuzzy cu funcţia de apartenenţă μR(x)
x - un element al mulţimii de alternative A
Decizia vagă este dată de: D  O  R (figura 6)
D x   minO x , R x , x  A
 
iar x opt  x |max  D x   maxminO x ,  R x  (5)
 x  
Figura 6
STUDIUL DE CAZ Nr. 1 – Selectarea personalului [1]

Dorim selectarea unor persoane bine pregătite profesional şi care să aibă o stare bună
de sănătate.
Notăm :
A - mulţimea persoanelor bine pregătite profesional
B - mulţimea persoanelor având o stare bună de sănătate
T - durata totală (maximă) necesară pregătirii profesionale
Pmax - punctajul maxim
Pentru proprietatea A - bine pregătite profesional calculăm următoarea funcţie de

apartenenţă:
t p
f A x i   i  i
T Pmax
unde:
ti - durata pregătirii lui xi
pi - punctajul obţinut de xi
Pentru proprietatea B - stare bună de sănătate apartenenţa persoanei xi poate fi

stabilită prin analize, teste medicale pentru fiecare subsistem: nervos, circulator,
digestiv, visual, auditiv etc. Calculăm următoarea funcţie de apartenenţă:
p p p
fB x i   i1  i2  ....  is
P1max P2max Psmax
În final, calculăm pentru fiecare persoană funcţia de apartenenţă la proprietatea A şi B:
fAB x i   min fA x i , fB x i 
Ordonarea descrescătoare a valorilor funcţiei de apartenenţă (3) va permite selectarea

persoanelor care îndeplinesc cele două proprietăţi: bine pregătite profesional şi stare
bună de sănătate.
STUDIUL DE CAZ Nr. 2 – Selectarea personalului [2]

[BOJADZIEV, 1995]
Pentru a ocupa un post într-o organizaţie se prezintă 5 candidaţi xi , i=1,2,…,5. Aceştia

formează mulţimea de alternative A. Comitetul de selecţie vrea să aleagă candidatul
care satisface în cel mai mare grad obiectivele:
O1 - experienţă,
O2 - cunoştinţe de utilizare a calculatorului,
O3 - vârsta (cât mai tânăr).
Comitetul de selecţie are o restricţie:
R - salariul acordat şi acceptat să fie cât mai mic.
După analiza CV-urilor, scrisorilor de recomandare şi desfăşurarea interviurilor au

rezultat următoarele mulţimi vagi definite pe mulţimea alternativelor:
O1 = {( x1,0.8), ( x2,0.6), ( x3,0.3), ( x4,0.7), ( x5,0.5)}

O2 = {( x1,0.7), ( x2,0.6), ( x3,0.8), ( x4,0.2), ( x5,0.3)}
O3 = {( x1,0.7), ( x2,0.8), ( x3,0.5), ( x4,0.5), ( x5,0.4)}
R = {( x1,0.4), ( x2,0.7), ( x3,0.6), ( x4,0.8), ( x5,0.9)}
Decizia va fi dată de:

D  O1  O2  O3  R
iar funcţia de apartenenţă μD(x) este:
μD(x)= {( x1,0.4), ( x2,0.6), ( x3,0.3), ( x4,0.2), ( x5,0.3)}
Rezulatatul final: xopt = x2

Candidatul x2 are gradul de apartenenţă cel mai mare la cele 3 obiective şi la restricţia
impusă de comitetul de selecţie.
STUDIUL DE CAZ Nr. 3 – Optimizarea structurii de producţie

*RAŢIU, 2002+
O firmă este singurul producător intern al produsului P, care se realizează în 3 variante:

P1, P2, P3. Stabiliţi pentru perioada următoare structura de producţie care maximizează
gradul de satisfacere simultană a obiectivelor:
A. Obţinerea unui venit cât mai mare sau cât mai aproape posibil de 3000 u.m.,
dar nu mai mic de 2800 u.m.
B. Suplimentarea cu cantităţi cât mai reduse a disponibilului de resurse.
C. Realizarea producţiei la nivelul cererii sau cât mai aproape de de nivelul
cererii.
Ipoteze:
I1. Cererea şi preţul au fost determinate prin studii de marketing.
I2. Resursele pot fi suplimentate cu maximum de 300 unităţi fizice fiecare.
I3. Cererea nesatisfăcută trebuie să fie mai mică de 50 unităţi fizice din fiecare variantă a
produsului.
Informaţiile legate de consumurile unitare, resursele disponibile, cererea şi preţul unitar

sunt date în tabelul de mai jos:
Resurse
P1 P2 P3
disponibile
Resursa R1 3 1 3 900
Resursa R2 1 2 4 800
Cererea 200 200 150
Preţul unitar 6 5 8
Rezolvare: Obiectivele problemei şi restricţiile au fost formulate vag. Se va asocia o

mulţime vagă fiecărui obiectiv şi fiecărei restricţii.
Variabilele modelului sunt:

X1 - cantitatea de produs P1
Construcţia funcţiilor fuzzy şi a restricţiilor:
- funcţia de apartenenţă pentru obiectivul venit:
fie: g1 x   b1   ,   0
 0, g1 x   b1  
 g1 x   b1   
Z x    , b1    g1 x   b1 (6)
 
 1, g1 x   b1
Înlocuind în (6) se obţine restricţia corespunzătoare venitului:

6  x1  5  x2  8  x 3  3000  200
Z
200
Restricţia 1 : 6  x1  5  x2  8  x3  200  Z  2800
- funcţia de apartenenţă pentru obiectivul resurse:

fie : g2 x   b2   ,   0
 1, g2 x   b2
 b2     g2 x 
Z x    , b2  g2 x   b2   (7)
 
 0, g2 x   b2  
Înlocuind în (7) se obţine restricţia corespunzătoare resursei R1:

900  300  3  x1  x2  3  x3 
Z
300
Restricţia 2: 3  x1  x2  3  x3  300  Z  1200
Analog pentru resursa R2 se obţine :

Restricţia 3: x1  2  x2  4  x3  300  Z  1100
- funcţia de apartenenţă pentru obiectivul cerere este de tipul (6):
x1  200  50
Z
50
Restricţia 4: x1  50  Z  150
Analog pentru cererile produselor P2 şi P3 se obţin restricţiile:
Restricţia 5: x2  50  Z  150
Restricţia 6: x3  50  Z  100
În final se mai adaugă restricţiile pentru Z:

0  Z 1
şi condiţiile de nenegativitate pentru variabilele modelului.
Funcţia obiectiv este: max Z
În figura 7 se prezintă datele de intrare ale problemei în modulul Linear Programming

din QM.
Figura 7
În figura 8 se dau rezultatele obţinute:
Figura 8
Interpretarea rezultatelor:
- valoarea lui Z de 0,37 arată gradul de apartenenţă simultană la toate obiectivele
formulate;
- structura de producţie optimă este:
P1 = 180 buc. P2 = 168 buc. P3 = 118 buc.
- venitul realizat :
2800 + 0.37 x 200 = 2874 u.m.
- realizarea structurii de producţie optime implică utilizarea resurselor:
R1: 1200 - 24.603 - 0.37 x 300 = 1064.397
R2: 1100 - 0.37 x 300 = 989
STUDIUL DE CAZ Nr. 4 – Model de decizie multicriterială

[ANDREICA, 1998]
O firmă doreşte achiziţionarea unui utilaj în conformitate cu exigenţele procesului

tehnologic, cu următoarele caracteristici (atribute):
C1: preţ cât mai mic (u.m.)
C2: productivitate mare (unităţi fizice / unitatea de timp)
C3: cheltuieli de întreţinere mici (u.m. / unitatea de timp)
C4: consum mic de energie (unit. fizice de energie / unit. de timp)
C5: gabarit mic (mp)
Există 6 oferte de utilaje care realizează operaţiile tehnologice, dorite, dar având fiecare
alte caracteristici:
C1 C2 C3 C4 C5
Utilaj
min Max min min min
U1 12.0 19.0 0.055 2.0 1.20
U2 13.5 18.0 0.040 3.5 1.30
U3 11.0 16.0 0.050 3.8 1.00
U4 10.0 18.0 0.045 3.0 1.40
U5 10.0 20.0 0.058 2.5 1.10
U6 13.0 14.5 0.040 2.0 1.45
Din analiza datelor rezultă că nici unul din utilaje nu îndeplineşte simultan toate criteriile
de selecţie. Deoarece cele 5 criterii au fost formulate vag, se va utiliza teoria mulţimilor
fuzzy pentru fundamentarea deciziei de investiţie.
Pentru realizarea investiţiei, se face o analiză prealabilă şi se stabileşte pentru fiecare
caracteristică nivelul de aspiraţie şi abaterea permisă la aceste nivel:
C1 C2 C3 C4 C5
Nivelul de aspiraţie(S) 9 20 0.04 2 1
Abaterea permisă (δ) 5 5 0.02 2 0.5
De exemplu, pentru criteriul C1 (de minim), se doreşte (nivel de aspiraţie) valoarea 9, şi

se poate accepta cel mult 14 (nivel + abatere: 9 + 5= 14).
Pentru criteriul C2 (de maxim), se doreşte (nivel de aspiraţie) valoarea 20, şi se poate
accepta cel mult 15 (nivel - abatere: 20 - 5 =15).
1 1
0 0
1 14 19 15 20
Graficul C1 – minim Graficul C2 - maxim
Rezolvare:
Pasul 1. Fie E  U1 , U2 ,..., U6  – mulţimea utilajelor.
 
Definim 5 mulţimi fuzzy corespunzătoare celor 5 criterii de selecţie;
rezultă Ui , C j Ui  , i  1,2,...,6, j  1,2,...,5
Pentru fiecare criteriu C j decidentul precizează un nivel de aspiraţie S j faţă de
care se admite o abatere  j  0 .
Pasul 2. Se calculează gradul de apartenenţă al fiecărui utilaj Ui la fiecare mulţime fuzzy
C j , astfel:
- notăm cu V j Ui  – valoarea criteriului C j pentru utilajul Ui
- gradul de apartenenţă pentru mulţimile fuzzy se determină în funcţie de tipul
criterului de selecţie max / min
Pentru criteriile de minim, gradele de apartenenţă se calculează cu ajutorul
funcţiei:
 1, daca V j Ui   S j
 V U   S

C j Ui   1  , daca S j  V j Ui   S j   j
j i j
(8)
  j
 0, daca V j Ui   S j   j
Pentru criteriile de maxim, gradele de apartenenţă se calculează cu ajutorul

funcţiei:
 1, daca V j Ui   S j
 S  V U 

C j Ui   1  , daca S j   j  V j Ui   S j
j j i
(9)
  j
 0, daca V j Ui   S j   j
Utilaj C 1 C 2 C 3 C 4 C 5
U1 0.4 0.8 0.25 1 0.6
U2 0.1 0.6 1 0.25 0.4
U3 0.6 0.2 0.5 0.1 1
U4 0.8 0.6 0.75 0.5 0.2
U5 0.8 1 0.1 0.75 0.8
U6 0.2 0 1 1 0.1
Pasul 3. Pentru fiecare utilaj se calculează intersecţia celor 5 mulţimi fuzzy asociate
criteriilor C j , j  1,2,...,5. Gradul de apartenenţă al fiecărui utilaj la intersecţia
mulţimilor fuzzy este dat de relaţia:
C 1 C 2 C 3 C 4 C 5 Ui minC Ui ,C Ui ,...,C Ui 
1 2 5
Rezultă: max {0.25, 0.1, 0.1, 0.2, 0.1, 0} = 0.25
Pasul 4. Se alege utilajul cu cel mai mare grad de apartenenţă la mulţimea intersecţie a
celor 5 criterii de selecţie.
Decizia: alegem utilajul U1 !

Datorită gradului mic de apartenenţă la cerinţele solicitate, se impune analizarea
şi a altor oferte.
Comentariu.
Modelul propus consideră că toate criteriile analizate au aceeaşi importanţă. În
realitatea ponderile subiective acordate criteriilor de către decident sunt foarte
importante în stabilirea corectă a ierarhiei variantelor.
Presupunem că decidentul acordă ponderi diferite celor 5 criterii analizate:
W  0.4, 0.2, 0.15, 0.2, 0.05 

Aplicând metoda Ponderării simple aditive (prezentată în capitolul 4), calculăm pentru
cele 6 variante:
5
f Ui    w j   ij , i  1,2,...,6
j 1
unde  ij reprezintă gradul de apartenenţă al variantei (utilajului) Ui la criteriul C j .
Obţinem:
f(U1) = 0.587
f(U2) = 0.380
f(U3) = 0.425
f(U4) = 0.662
f(U5) = 0.725
f(U6) = 0.435
Ordinea de clasificare a utilajelor: U5 > U4 > U1 > U6 > U3 > U2

Decizia: alegem utilajul U5 !
Rezumat
Concepetele fuzzy au apărut din necesitatea de a măsura cantitativ vagul,
imprecisul. O mulţime fuzzy este o mulţime în care nu există o tranziţie bruscă
de la apartenenţa la non-apartenenţa unui element la această mulţime.
Dacă A este o submulţime fuzzy (vagă) a lui X, aplicaţia f A : X  [0,1] se
numeşte funcţia de apartenenţă a lui A. O submulţime fuzzy A este definită
prin: x , f A x  / x  X .
Definiţia mulţimilor fuzzy clarifică distincţia dintre aleator şi fuzzy :
fenomenul aleator este rezultatul incertitudinii în ceea ce priveşte apartenenţa
sau non-apartenenţa unui obiect la o clasă; în cadrul unui fenomen fuzzy există
mai multe grade de apartenenţă intermediare între apartenenţa totală şi non-
apartenenţa.
În cazul în care obiectivele problemei şi restricţiile liniare au fost formulate
vag se poate construi un model ce conduce la problema de programare liniară,
asociind o mulţime vagă fiecărui obiectiv şi fiecărei restricţii.
Dacă într-un model de decizie multicriterială, criteriile sunt formulate vag,
se poate utiliza teoria mulţimilor fuzzy pentru fundamentarea deciziei. Pentru
fiecare criteriu se stabileşte un nivel de aspiraţie şi o abatere permisă la acest
nivel. Pe baza valorilor variantelor se definesc mulţimi fuzzy corespunzătoare
criteriilor de selecţie. Din analiza acestor mulţimi fuzzy va rezulta o clasificare a
variantelor. Există posibilitatea de a introduce în model şi ponderile subiective
acordate criteriilor de către decident. Acestea sunt foarte importante în
stabilirea corectă a ierarhiei variantelor.

1. O firmă realizează un produs în două variante: V1 şi V2, folosind două resurse,
R1 şi R2. Pentru o unitate din V1 sunt necesare două unităţi din R1 şi trei unităţi
din R2, iar pentru o unitate din V2 sunt necesare trei unităţi din R1 şi două
unităţi R2. Cantitatea disponibilă din R1 este 28, iar din R2 este 22. Profitul
pentru o unitate din V1 este 10 u.m., iar pentru V2 este de 9 u.m.

a) Determinaţi planul optim de producţie şi profitul maxim în situaţia în care
cererea zilnică stabilită pentru V2 reprezintă cel puţin 70% din totalul cererii
produsului. (Construiţi şi rezolvaţi modelul).
b) Firma şi-a stabilit ca ţintă de profit 120 u.m. şi se acceptă o nerealizare de cel
mult 10%. Resursa R2 poate fi suplimentată cu cel mult 6 unităţi, iar resursa R1
cu cel mult 5 unităţi. Determinaţi planul optim de producţie şi profitul maxim.
(Construiţi şi rezolvaţi modelul).
2. O persoană doreşte să cumpere un autoturism şi selectează 4 criterii:

C1: preţ cât mai mic (mii u.m.)
C2: consum cât mai mic (l/100km)
C3: cheltuieli de întreţinere mici (u.m./10000 km)
C4: grad de confort cât mai mare, nivel dotări, siguranţă
(apreciere pe o scală 1...20 pct., cu max = 20 pct.)
Adună 5 oferte şi analizează prin prisma criteriilor. Din analiza datelor rezultă că
nici unul din autoturisme nu îndeplineşte simultan toate criteriile de selecţie.
C1 C2 C3 C4
min min min max
AUTO 1 12.5 5.2 45 16
AUTO 2 14.5 5.7 50 19
AUTO 3 11.0 6.2 40 17
AUTO 4 10.0 5.8 55 15
AUTO 5 10.5 5.6 45 16
Persoana studiază, analizează şi stabileşte că la acest moment dispune de 10 mii

u.m. şi ar putea suplimenta această sumă, dar nu ar da pe maşină mai mult de
15 mii u.m. Legat de consum ar dori ca autoturismul să aibă un consum cât mai
mic, între 5 şi 6 l/100km. La criteriul 4 ar dori, evident, aprecierea maximă, dar
nu mai puţin de 16 pct. Consideră criteriul preţ cel mai important, iar la celelalte
criterii le acordă ponderi subiective egale de 10%. Stabiliţi ierarhia celor 5
autoturisme. (Construiţi şi rezolvaţi modelul de clasificare)
ANEXA – REPARTIŢIA NORMALĂ

Repartiţia normală, cunoscută şi sub numele de legea Gauss – Laplace, este cea mai
 
importantă funcţie de repartiţie (distribuţie). Notăm cu N  , 2 repartiţia normală de
parametrii μ şi σ2.

Funcţia de repartiţie normală N  , 2 este: 
x 
t   2
1
F x   P  X  x   e 2 dt
2

  2   
(1)
Densitatea de repartiţie normală este:

 x  2

1
f x    e 2 ,   0
2
(2)
  2 
Funcţia de repartiţie normală a lui X se poate exprima cu ajutorul densităţii de repartiţie
prin egalitatea:
x
F x    f t dt (3)

Observaţie. Pentru orice funcţie de repartiţie, aria de sub curba densităţii de repartiţie
este egală cu 1.

 f t dt  1 (4)


Valoarea medie şi dispersia repartiţiei normale N  , 2 sunt date de: 

M X    x  f x dx   (5)


D2 X    x   
2
 f x dx   2 (6)

Graficul funcţiei f(x) se numeşte curba normală sau curba lui Gauss.
Figura 1
Proprietăţile curbei normale (figura 1):

- are un punct de maxim unic, corespunzător lui x  
- graficul densităţii de repartiţie normale f(x) este simetric faţă de x  
- punctele de abscisă    sunt puncte de inflexiune, graficul fiind concav dacă:
    x     şi convex dacă x     sau x    
- modificarea valorii lui μ translatează curba de-a lungul axei X
- modificarea parametrului σ modifică ascuţirea curbei, cu cât σ este mai mic cu
atât ordonata punctului de maxim este mai mare (μ rămânând constant)
Figura 2
 
Legătura dintre graficele funcţiei de repartiţie şi densităţii de repartiţie N  , 2 este
dată în figura 2.
Repartiţia normală redusă N(0,1)

Densitatea de repartiţie normală redusă este:
x2
1 
 x   e 2 (7)
2 
Funcţia de repartiţie corespunzătoare repartiţiei normale reduse N(0,1) are expresia:
2
x x t
1
 x     t dt   e 2 dt (8)
 2   
Valorile funcţiei  x  , numită şi funcţia lui Laplace sunt tabelate (vezi tabela din
anexă).
Datorită proprietăţilor curbei normale reduse remarcăm:

 0  1 2
  x   1   x , x  0 (9)
Figura 3
0 ,5
Din figura 3 deducem că  0,5    t dt  0,6915 , aceasta fiind aria mărginită de

graficul densităţii de repartiţie N(0,1), axa ox şi dreapta x = 0,5.
 
Dacă X este repartizată N  , 2 , atunci variabila aleatoare Y 
X 

este repartizată
N(0,1). Rezultă că probabilitatea cu care X ia valori într-un interval (a,b) poate fi
calculată cu relaţia:
b a 
Pa  X  b        (10)
     
Observăm că, pentru orice   0 , din relaţiile (10) şi (9) obţinem:

     
P     X       P  X                2      1 (11)
     
- pentru    , rezultă:
P    X       2   1  1  2  0,8413  1  0,6826
De exemplu, dacă vânzările urmează o repartiţie N(90,102), atunci

P(90-10 < X < 90+10) = 0,6826
adică vânzările sunt în intervalul *80, 100+ cu o probabilitate de 68,26% (figura 3).
Figura 3
- pentru   2   , rezultă:
P  2    X    2     2   2  1  2  0,9772  1  0,9544
P(90-20 < X < 90+20) = 0,9544
Figura 4
- pentru   3   , rezultă:
P  3    X    3     2   3  1  2  0,9987  1  0,9974

P(90-30 < X < 90+30) = 0,9974
Figura 5. Regula lui 3σ
Regula lui 3σ – Probabilitatea ca abaterea, în valoare absolută, a variabilei aleatoare X

 
repartizată N  , 2 să depăşească 3σ este 1 - 0,9974 = 0,0026 = 0,26%.
Valorile tabelate ale funcţiei lui Laplace  x 

BIBLIOGRAFIE
[ACKOFF, 1975] ACKOFF, R.; SASIENI, M., Bazele cercetării operaţionale, Ed. Tehnică,
Bucureşti, 1975.
*ANDRAŞIU, 1986] ANDRAŞIU, M., BACIU, A., ş.a., Metode de decizii multicriteriale,
Editura Tehnică, Bucureşti, 1986.
[ANDREICA, 1998] ANDREICA, M.; STOICA, M,; LUBAN, F., Metode cantitative în
management, Ed. Economică, 1998.
[BOJADZIEV, 1995] BOJADZIEV, G.; BOJADZIEV,M., Fuzzy Sets, Fuzzy Logic, Applications,
World Scientific Publishing, Singapore, 1995.
[BOUCHON, 1995] BOUCHON-MEUNIER, B.; La logique floue et ses applications, Éditions
Addison-Wesley France, 1995.
[CARLUER, 2002] CARLUER, F.; RICHARD, A., Analyse stratégique de la décision, Presses
Universitaires de Grenoble, 2002.
[CIUCU, 1974] CIUCU, G.; CRAIU, V.; ŞTEFĂNESCU, A., Statistică matematică şi cercetări
operaţionale, Ed. Didactică şi Pedagogică, Bucureşti, 1974.
[FILIP, 2002] FILIP, Fl.Gh., Decizie asistată de calculator, Ed. Tehnică, Bucureşti, 2002.
[FILIP, 2007] FILIP, Fl.Gh., Sisteme suport pentru decizii, Ed. Tehnică, Bucureşti, 2007.
[GIARD, 1998] GIARD, V., Processus productifs et Programmation linéaire, Ed.
Economica,Paris, 1998.
[HAMMAD, 1991] HAMMAD, P.; LAPIED, A.; TOSI, G., Analyse mathématique des
fluctuations, Ed. Cujas, Paris, 1991.
[HILLIER, 2005] HILLIER, F.; LIEBERMAN, G., Introduction to Operations Research,
McGraw Hill, 2005.
[HÎNCU, 2005] HÎNCU, D.; ENE, N., Metode cantitative pentru administraţia publică,
Ed. Eficon Press, Bucureşti, 2005.
[KARMANOV, 1977] KARMANOV, V., Programmation mathématique, Ed. Mir, Moscova,
1977.
[KAUFMANN, 1975] KAUFMANN, A.; LABORDERE, H., Metode şi modele ale cercetării
operaţionale, vol.3, Ed. Ştiinţifică şi Enciclopedică, Bucureşti, 1975.
[KAUFMANN, 1987] KAUFMANN, A.; FAURE, R., Invitation à la recherche
opérationnnelle, Ed. Dunod, Paris, 1987.
[KRAJEWSKI, 2005] KRAJEWSKI, L., RITZMAN, L., Operations Management, Pearson
Education, Prentice Hall, New Jersey, 2005.
[IONESCU, 1999+ IONESCU, Gh.; CAZAN, E.; NEGRUŞA, A.L., Modelarea şi optimizarea
deciziilor manageriale, Ed. Dacia, Cluj-Napoca, 1999.
[MALIŢA, 1971+ MALIŢA, M.; ZIDĂROIU, C., Matematica organizării, Ed. Tehnică,
Bucureşti, 1971.
[MANSUR, 1995] MANSUR, Y.; Fuzzy Sets and Economics, University Press, Cambridge,
1995.
[MIH0C, 1973] MIHOC, Gh,; ŞTEFĂNESCU, A., Programarea matematică, Ed. Didactică şi
Pedagogică, Bucureşti, 1973.
[MOISIL, 1975] MOISIL, G.; Lecţii despre logica raţionamentului nuanţat, Editura
Ştiinţifică şi Enciclopedică, Bucureşti, 1975.
*NEGOIŢĂ, 1974] NEGOIŢĂ, C.V.; RALESCU, D.A., Mulţimi vagi şi aplicaţiile lor, Editura
Tehnică, Bucureşti, 1974.
*RAŢIU, 2001+ RAŢIU-SUCIU, C., Modelarea & simularea proceselor economice,
Ed. Economică, Bucureşti, 2001.
*RAŢIU, 2002+ RAŢIU-SUCIU, C.; LUBAN, F.; HÎNCU, D.; ENE, N., Modelare economică
aplicată, Ed. Economică, Bucureşti, 2002.
[RUSU, 2001] RUSU, E., Decizii optime în management prin metode ale cercetării
operaţionale, Ed. Economică, Bucureşti, 2001.
[SZABO, 2005] SZABO, Z. K., Cercetări operaţionale. Optimizări liniare, Ed. Universităţii
Petru Maior Târgu Mureş, 2005.
[TELLER, 1980] TELLER, R.; TAIEH, M., Les méthodes quantitatives appliqées à la gestion,
Ed. Edec, Paris, 1980.
[THÉPOT, 1991] THÉPOT, J., Optimisation pour l’économie d’entreprise, Ed. Dalloz,
Paris, 1991.
[THIEL, 1990] THIEL, D., Recherche opérationnelle et management des enterprises, Ed.
Economica, Paris, 1990.
[VALLIN, 2002] VALLIN, PH.; VANDERPOOTEN, D., Aide à la décision, Édition Ellipses,
Paris, 2002.
[VĂDUVA, 1974] VĂDUVA, I.; DINESCU, C.; SĂVULESCU, B., Modele matematice de
organizare şi conducerea producţiei, Ed. Didactică şi Pedagogică,
Bucureşti, 1974.
[ZIDĂROIU, 1983+ ZIDĂROIU, C., Programarea liniară, Ed. Tehnică, Bucureşti, 1983.
Articole ale autorului în domeniul modelării:
1. Lixăndroiu D., An Algorithm for Determining the Weights in Multi-Attribute Decision

Models Under Intuitionistic Fuzzy Set Environment, In Proceedings of the 6th
International Conference on Business Excellence, Braşov, 2011, Vol.I, pag. 274-
277, ISBN 978-973-598-940-8
2. Lixăndroiu D., On Some Multi-Attribute Decision Models Based on Fuzzy Techniques, In
Proceedings of the 12th WSEAS International Conference on Fuzzy Systems,
(FS’11), April 11-13, 2011, pag. 150-154, ISBN 978-960-474-292-9
3. Lixăndroiu D., Analysis Techniques in the Delphi Method, In Proceedings of the 5th
International Conference on Business Excellence, Braşov, 2010, Vol.I, pag. 247-
250, ISBN 978-973-1747-23-1
4. Lixăndroiu D., A multi-attribute decision algorithm based on intuitionistic fuzzy sets, In
Proceedings of the 4th International Conference on Business Excellence, Braşov,
2009, Vol.I, pag. 247-250, ISBN 978-973-1747-11-8
5. Lixăndroiu D., On a decision model with asymetric information, Review of
Management and Economical Engineering, Vol.7, No.6 (2008), ISSN 1583-624X.
6. Lixăndroiu D., Solving economic models by means of linear programming with

objective function linear on intervals, Review of Management and Economical
Engineering, Vol.6, No.5 (2007)
7. Lixăndroiu D., A model of a fuzzy data base for managing the relationships with
Suppliers, Review of Accounting and Management Information Systems,
Supplement 2007, ISSN 1583-4387.
8. Lixăndroiu D., On logical restrictions in economic models solved through means
of linear programming, The Proceedings of the 6 Biennial International
Economic Symposium SIMPEC 2006, Braşov, vol.1, pag. 175-181.
9. Lixăndroiu D., On the utility function in economic models, In Proceedings of the
International Economic Conference, Transilvania University of Brasov, vol.I, pag.
200-205, 2005.
10. Lixăndroiu D., Tehnici fuzzy în management / Techniche fuzzy nel management,
Revista de Logistică şi Management, nr.5, 2005, ISSN 1583-1140, pag. 57-65.
11. Lixăndroiu D., Asupra unui model de piaţă cu ajustarea preţului, În Buletinul
Ştiinţific al Universităţii "Dimitrie Cantemir" Braşov, nr.6/2005, pag.182-186.
12. Lixăndroiu D., On the solution regarding dynamic economic models, The
Proceedings of the 5 International Symposium SIMPEC 2004, Braşov, vol.1, pag.
241-247.
13. Lixăndroiu D., Modelarea probabilistică a deciziei de producţie, În Buletinul
Ştiinţific al Universităţii "Dimitrie Cantemir" Braşov, nr. 5/2004, pag. 329-334.
14. Lixăndroiu D., Using Linear Programming in Project Management, The 13th
International Symposium – Alternative Economic Strategies, pag. 292-295.
Bucureşti, 2003.
15. Lixăndroiu D., Petcu N., On some Models for Investment Optimum Choice, In
volumul MicroCAD 2003 - International Scientific Conference, University of
Miskolc, Hungary, 6-7 March 2003, ISBN 963-661-547-0, pag.63-67.
16. Lixăndroiu D., Asupra unei măsuri a inegalităţii veniturilor. În lucrările
Simpozionului Internaţional de Ştiinţe Economice "SIMPEC 2002", vol.1, pag.
379-382, Universitatea Transilvania, Braşov, 2002.
17. Lixăndroiu D., Mathematical Models of Optimal Choice of Software. In volumul
MicroCAD 2001 - International Scientific Conference, University of Miskolc,
Hungary, 1-2 March 2001, ISBN 963-661-457-1, pag.147-152.
18. Lixăndroiu D., Modelarea deciziei manageriale cu ajutorul tehnicilor fuzzy, În
Buletinul Ştiinţific al Universităţii "Dimitrie Cantemir" Braşov, nr.2/2001, pag.
148-150.
19. Lixăndroiu D., Modelul unui sistem economic - o analiză matematică a oscilaţiilor
venitului, În lucrările Simpozionului de Ştiinţe Economice "SIMPEC 2000", vol.1,
pag. 28-31, Universitatea Transilvania, Braşov, 2000.
20. Lixăndroiu D., Modelarea deciziei de alocare a unor resurse utilizând tehnici fuzzy, În
lucrările Simpozionului de Ştiinţe Economice "SIMPEC 2000", vol.2, pag. 177-181,
Universitatea Transilvania, Braşov, 2000.
21. Lixăndroiu D., La modélisation de la décision commerciale en utilisant l'analyse

bayésienne. In Information Technology - The Proceeding of the 3th International
Symposium of Economic Informatics, pag 499-503, Inforec Printing House,
Bucureşti, 1999.
22. Lixăndroiu D., Un algoritm de calcul pentru fiabilitatea sistemelor necoerente (K:L,N).
În lucrările Simpozionului de Ştiinţe Economice "SIMPEC' 98", vol.2, pag. 168-
170, Universitatea Transilvania, Braşov, 1998.
23. Lixăndroiu D., Models of Estimation for Software System Release Time. In Computer
Science - The Proceeding of the 3 th International Symposium of Economic
Informatics, pag. 495-497, Inforec Printing House, Bucureşti, 1997.
24. Lixăndroiu D., La modélisation mathématique des processus économiques de
l'entreprise. În volumul Le Premiér Congres International des I.A.E. Roumains,
"Management & Culture", pag. 443-446, Craiova, iunie, 1997.
25. Lixăndroiu D., Modelarea politicii de preţ pe termen scurt. În volumul Sesiunii
" Economia României între realitate şi viitor", Editura Mirton, Timişoara, 1997.
26. Lixăndroiu D., Un algoritm de clasificare neierarhică cu aplicaţie în marketing.
În lucrările Simpozionului de Ştiinţe Economice "SIMPEC ’96", vol.1, pag. 317-
321, Universitatea Transilvania, Braşov, 1996.

Modelare Procese Ec - Lixandroiu D PDF

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 Procese Ec - Lixandroiu D PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Prof. univ. dr.

EDITURA UNIVERSITĂŢII TRANSILVANIA DIN BRAŞOV

Toate drepturile rezervate

Editură acreditată de CNCSIS

Referenţi ştiinţifici: Prof.univ.dr. Nicoleta Petcu

Descrierea CIP a Bibliotecii Naţionale a României

Principalul obiectiv al modelării proceselor economice îl constituie optimizarea

Prin introducerea în multe firme a sistemelor informatice integrate (ERP), care

În ansamblul ei, lucrarea este rodul experienţei acumulate de autor în procesul

2. MODELE ECONOMICE REZOLVATE PRIN PROGRAMARE LINIARĂ................... 9

3. MODELAREA DECIZIILOR MONOCRITERIALE................................................... 32

4. MODELAREA DECIZIILOR MULTICRITERIALE.................................................... 53

5. MODELE ÎN GESTIUNEA OPTIMĂ A STOCURILOR............................................ 65

6. MODELAREA DECIZIILOR CU MULŢIMI FUZZY …………………………………………….. 87

ANEXA – Distribuţia normală………………………………………………………………………. 101

Resurse şi mijloace de lucru

Durata medie de studiu individual pentru o unitate de învăţare este de 6 ore.

Competenţele unităţii de învăţare

Durata medie de parcurgere a primei unităţi de învăţare este de 2 ore.

Tehnicile cantitative în eleborarea deciziilor manageriale prezintă o mare importanţă

Structura unui model cuprinde:

MALINVAUD - “Apariţia şi generalizarea cuvântului model în ştiinţele economice este

Clasificarea modelelor economico-matematice:

D. În funcţie de factorul timp:

O definiţie completă a deciziei manageriale este dată în [FILIP, 2002]:

DECIZIA reprezintă rezultatul unor activităţi conştiente de alegere a unei direcţii de

Cuvintele-cheie subliniate în definiţie dau elementele de bază ale procesului managerial:

În figura 1, se prezintă situaţia existentă (din păcate) în managementul multor

În figura 3 prezentăm procesul de selectare a metodei de luare a deciziei (după Fishman).

Figura 3 – Procesul de selectare a metodei de luare a deciziei

Celelalte metode de selectare a deciziei bazate pe enumerarea alternativelor şi folosirea

FILIP Fl.Ghe. – “DECIZIA reprezintă rezultatul unor activităţi conştiente de

Test de evaluare a cunoştinţelor

Competenţele unităţii de învăţare

Durata medie de parcurgere a acestei unităţi de învăţare este de 8 ore.

O clasă largă de modele de optimizare în economie se rezolvă prin programare liniară.

problemele de programare în numere întregi (algoritmii lui R. Gomory, 1958, 1963),

Forma generală a problemei de programare liniară (PPL) este:

Max [Min] f  c1  x1  c2  x2  ...  cn  x n

În notaţie matriceală forma generală a PPL este:

unde: Am, n - este matricea coeficienţilor sistemului de restricţii

A. Programarea liniară mixtă

Modelul presupune maximizarea (minimizarea) formei liniare:

B. Programarea liniară în numere întregi

C. Programarea liniară booleană (0 – 1)

Prezentăm în continuare câteva probleme economice clasice, întâlnite în practică, care

1. Programarea producţiei [1]

d j , j  1,2,..., n - costul de producţie al unei unităţi din produsul

Problema conduce la construcţia următorului model care se rezolvă prin metoda

2. Programarea producţiei [2]

4. Problema reducerii pierderilor la tăierea materialelor

5. Problema realizării proiectelor

Observaţie. În cazul a 7 obiective care trebuie realizate în 4 ani, avem un model cu 28 de

STUDIUL DE CAZ Nr. 1 – Sacoşa de golf

Timpii de execuţie pe unitatea de produs (în ore) sunt:

Operaţia 1 Operaţia 2 Operaţia 3 Operaţia 4

Determinaţi programul optim de fabricaţie, adică numărul de produse, în cele două

Notăm: x1 - numărul de sacoşe standard

În figura 1 se prezintă soluţia obţinută – programul optim de fabricaţie presupune

Slack / Surplus - furnizează pentru fiecare restricţie valorile variabilelor auxiliare. În

Objective Coefficient Ranges - pentru variaţia coeficienţilor funcţiei obiectiv în

În schimb, pentru un profit de 16,67 u.m. se renunţă complet la producţia sacoşelor

Observaţie. Analiza senzitivităţii se face printr-o singură modificare a unui coeficient la