Ministerul Apărării Naționale

Academia Fortelor Terestre „NICOLAE BĂLCESCU”

SIBIU

PROGRAM MASTERAT ANUL I

MANAGEMENTUL CAPABILITĂȚILOR
ORGANIZAȚIONALE

CURS: Modelarea și simularea procesului decizional

TEMĂ REFERAT:
MODELAREA ŞI SIMULAREA DECIZIILOR DE MANAGEMENT

INTOCMIT:
Cursant
TIT CUPRIAN

-SIBIU-
2013

1
 CUPRINS

CAPITOLUL 1. IMPORTANȚA DECIZIILOR ÎN MANAGEMENT...................3

CAPITOLUL 2. MODELAREA ŞI SIMULAREA DECIZIILOR..........................6

2.1. Modele decizionale: definire şi clasificare ..............................................6
2.2. Modelarea şi simularea deciziilor de management..................................9

CAPITOLUL 3. SIMULAREA MONTE CARLO................................................ 12

3.1. Principiile metodei Monte Carlo ...........................................................12
3.2. Simularea Monte Carlo de tip static ......................................................18

BIBLIOGRAFIE.....................................................................................................22

2
 CAPITOLUL 1. IMPORTANȚA DECIZIILOR ÎN MANAGEMENT
Managementul este un concept cu un conţinut relativ ambiguu şi adesea controversat.
Faptul se explică prin evoluţia permanentă a acestui concept, de la apariţia sa în literatura de
specialitate, la începutul secolului 20, şi până în prezent. Ultimul deceniu pare a impune totuşi o
anumită convergenţă a punctelor de vedere în această privinţă. Astfel, majoritatea manualelor de
management contemporane propun o definiţie relativ asemănătoare a managementului: un
proces de realizare a unor obiective organizaţionale prin planificare, organizare, antrenare
(leading) şi control. Această viziunea procesuală a managementului poate fi întâlnită atât la
autorii americani – cum ar fi: Higgins (1991), Daft (1991), Bartol şi Martin (1994) –, cât şi la
unii autori europeni, ca, de exemplu, Hermel (1989). Cuvintele cheie ale definiţiei sunt: obiective
organizaţionale, planificare, organizare, antrenare şi control.
Expresia „obiective organizaţionale” leagă în mod indisolubil sfera de acţiune a
managementului de contextul organizaţional. Ceea ce înseamnă că putem vorbi de management,
în adevăratul sens al cuvântului, numai în cazul unor organizaţii. Desigur, în lumea de astăzi
există o mare varietate de organizaţii, cu obiective, caracteristici şi dimensiuni foarte diferite.
Cele mai studiate de teoria managementului rămân totuşi organizaţiile orientate spre profit, adică
firmele sau întreprinderile. La astfel de organizaţii ne vom referi cu predilecţie în cele ce
urmează.
Orice firmă are o misiune care exprimă raţiunea ei de a fi în raport cu principalii parteneri
de afaceri: clienţi, proprietari, salariaţi etc.. Pentru îndeplinirea acestei misiuni, firma îşi
stabileşte anumite obiective, atât la nivelul întregii organizaţii, cât şi la nivelul subunităţilor
componente, şi dezvoltă acţiuni menite să conducă la realizarea obiectivelor respective.
Planificarea constă în stabilirea obiectivelor ce vor fi urmărite şi a acţiunilor care trebuie
întreprinse pentru realizarea acestor obiective. Organizarea are în vedere gruparea tuturor
activităţilor şi a resurselor firmei într-o manieră raţională, astfel încât să fie înlesnită atingerea
obiectivelor. Antrenarea implică ghidarea, direcţionarea angajaţilor firmei spre realizarea
obiectivelor organizaţionale, prin motivare, comunicare, leadership, gestiunea conflictelor etc.
Controlul constă în monitorizarea, evaluarea şi corectarea activităţilor organizaţionale, astfel
încât acestea să contribuie efectiv la îndeplinirea obiectivelor propuse.
Activităţile de planificare, organizare, antrenare şi control constituie funcţiile de bază ale
managementului. Sarcina realizării lor revine managerilor. Toţi managerii dintr-o firmă sunt
antrenaţi în procese specifice acestor funcţii, dar în proporţii diferite, depinzând de nivelurile lor
ierarhice şi de natura muncii din unităţile pe care le conduc.
Funcţiile de bază ale managementului sunt grupe complexe de activităţi, asociate în mod
direct cu îndeplinirea misiunii organizaţiei. Pentru realizarea acestor funcţii, managerii dezvoltă
procese elementare de comunicare, decizie şi influenţare. Structurarea activităţii manageriale, pe
baza a ceea ce managerii fac „de fapt”, a fost propusă în literatura de specialitate de către Henry
Mintzberg. Studiind munca unor manageri de nivel înalt din mai multe organizaţii americane,
Mintzberg (1973) a ajuns la concluzia că aceştia îndeplinesc zece „roluri” (ansambluri
organizate de comportamente), grupate în trei categorii: interpersonale, informaţionale şi
decizionale.
Rolurile interpersonale decurg în mod direct din autoritatea formală cu care sunt învestiţi
managerii şi implică, în mod fundamental, dezvoltarea unor relaţii înterumane. Aceste roluri
sunt: reprezentant oficial (simbol), lider şi agent de legătură. Ca reprezentant oficial, managerul
îndeplineşte diferite sarcini cu caracter ceremonial, cum ar fi, de exemplu, participarea la unele
întruniri ale diverselor asociaţii nelucrative din cadrul comunităţii în care operează unitatea. Ca
lider, managerul asigură angajarea şi perfecţionarea personalului din subordine, precum şi
animarea şi motivarea acestuia. Rolul de legătură constă în realizarea unor contacte cu persoane
din afara unităţii conduse, altele decât cele de pe lanţul ierarhic, şi aceasta în interesul unităţii
conduse

3
 Rolurile informaţionale presupun recepţionarea şi transmiterea informaţiilor de către
manageri, fiind facilitate, în mare măsură, de relaţiile interpersonale pe care aceştia le dezvoltă.
Mintzberg atribuie managerilor trei roluri informaţionale mai importante: observator activ,
difuzor şi purtător de cuvânt. În rolul său de observator activ (monitor), managerul urmăreşte în
permanenţă activitatea desfăşurată în cadrul unităţii, precum şi mediul extern în care aceasta
operează, pentru a capta acele informaţii considerate necesare în procesul de management.
Atunci când informaţiile culese sunt transmise membrilor unităţii pe care o conduce, managerul
acţionează ca difuzor. În sfârşit, prin transmiterea de informaţii unor persoane din afara unităţii
conduse, fie ele din cadrul firmei sau din mediul extern al acesteia, managerul îndeplineşte de
fapt un rol de purtător de cuvânt.
Rolurile decizionale cuprind ansamblul activităţilor desfăşurate de manageri ca
decidenţi. Din această perspectivă, Mintzberg vede managerii interpretând patru roluri: de
întreprinzător, de regulator de perturbaţii (disturbance handler), de distribuitor de resurse şi de
negociator. Ca întreprinzător, managerul aduce îmbunătăţiri cu consecinţe relativ îndelungate
unităţii de care este responsabil, încercând să o adapteze mai bine condiţiilor în care operează (de
exemplu, prin schimbarea structurii organizatorice, introducerea de noi produse etc.). Ca
regulator de perturbaţii, managerul reacţionează faţă de evenimentele neprevăzute, urmărind să
elimine sau să diminueze consecinţele nefavorabile sau să potenţeze consecinţele benefice ale
acestor evenimente. Exemplu: căutarea răspunsului potrivit la o campanie publicitară agresivă a
unui concurent. Unul dintre cele mai importante roluri ale managerului este acela de distribuitor
de resurse, adică de responsabil pentru repartizarea resurselor – disponibile la nivelul întregii
unităţi – elementelor organizatorice din subordine. Deciziile implicate de elaborarea bugetelor
anuale sunt cele mai bune exemple în această privinţă. În sfârşit, prin rolul său de negociator,
managerul contribuie la rezolvarea disputelor, atât din cadrul unităţii, cât şi dintre unitate şi
mediul său.
Prin consecinţele lor, activităţile implicate de rolurile decizionale ale managerilor au o
importanţă deosebită pentru succesul unei firme. În plus, rolurile informaţionale şi interpersonale
deservesc, în mare măsură, pe cele decizionale.
Rolul central al proceselor decizionale în activitatea managerială este recunoscut de
majoritatea cercetătorilor din domeniu. Aşa de exemplu, Higgins (1991, p. 7) consideră că luarea
deciziei este funcţia esenţială a managementului (the core function of management), iar Russu
(1992, p. 68) susţine că decizia constituie „actul esenţial al activităţii manageriale, fiind produsul
cel mai reprezentativ şi, totodată, instrumentul cel mai eficace al acesteia”.
Dicţionarul explicativ al limbii române defineşte verbul a decide prin „a lua o hotărâre, a alege
(între mai multe alternative)” iar decizia drept „hotărâre luată în urma examinării unei probleme,
a unei situaţii etc., soluţie adoptată (dintre mai multe posibile)”. Recursul la aceste definiţii
permite reliefarea unor aspecte importante legate de conceptul de decizie:
• decizia este luată ca urmare a apariţiei unei probleme, percepută, de regulă, ca o discrepanţă
între situaţia existentă şi situaţia dorită;
• decizie înseamnă o alegere între mai multe soluţii alternative posibile (dacă nu există cel
puţin două soluţii opţionale la dispoziţia decidentului, nu putem vorbi de decizie);
• alegerea este făcută în urma unui proces de examinare, de reflexie asupra condiţiilor
situaţiei decizionale şi a posibilităţilor ei de soluţionare, ceea ce presupune mai multe
activităţi şi nu doar actul de alegere ca atare;
• situaţia decizională induce o anumită tensiune psihică decidentului, tensiune sugerată, de
exemplu, de proverbul german Keine Wahl ohne Qual (nu este alegere fără zbucium,
frământare) sau de expresia franceză avoir l’embarras du choix (a sta la îndoială, a sta în
cumpănă). A decide (de-cidere) sugerează ideea de tăiere (caesura), de rupere a acestei
tensiuni, prin alegerea (şi aplicarea) unei soluţii. Înţelegerea activităţilor decizionale din
organizaţii impune o analiza prealabilă, fie ea şi succintă, a mediului în care acestea
operează. Mediul unei organizaţii cuprinde ansamblul elementelor, din interiorul sau din
exteriorul ei, cu un impact semnificativ asupra operaţiunilor organizaţiei şi a eficacităţii

4
 lor. Marea diversitate a elementelor ce compun mediul organizaţional imprimă acestuia o
structură complexă, pe mai multe niveluri (figura 1.1).
Primul nivel relevant de structurare are în vedere poziţionarea elementelor mediului în
raport cu frontierele organizaţiei, ceea ce conduce la diferenţierea a două componente principale:
mediul intern şi mediul extern.
Pentru o firmă, factorii cei mai importanţi ai mediului intern sunt resursele, sistemul de
management şi cultura organizaţională. Resursele desemnează mijloacele de care dispune firma
pentru a-şi îndeplini misiunea. În general, resursele pot fi grupate în două mari categorii: resurse
fizice şi resurse informaţionale. Resursele fizice cuprind resursele umane, resursele financiare şi
resursele materiale (materii prime, materiale, energie, echipamente, clădiri, produse finite etc.).
Resursele informaţionale reunesc date şi cunoştinţe achiziţionate sau produse de către firmă şi
utilizate de către aceasta pentru susţinerea propriilor operaţiuni sau pentru comercializare, sub
formă de produse finite (imateriale). Sistemul de management, în centrul căruia sunt plasaţi
managerii (decidenţii), realizează o serie de „produse” specifice, cum ar fi: misiunea firmei,
obiectivele şi strategiile, politicile şi procedurile, planurile tactice şi operative, structura
organizatorică, metodele de recompensare, stilurile de conducere (leadership) şi multe altele.
Toate acestea sunt rezultatul unor decizii deja luate, dar condiţionează, în bună măsură, deciziile
curente şi pe cele viitoare.
Cultura organizaţională cuprinde un ansamblu de convenţii (norme, valori, atitudini,
credinţe, mituri, ritualuri, simboluri) împărtăşite şi aplicate/practicate de către membrii unei
organizaţii. Este, de fapt, un fel de programare mentală colectivă, care deosebeşte pe membrii
unei organizaţii de membrii altei organizaţii (Hofstende, 1996) şi care se constituie într-un cadru
de orientare a deciziilor şi comportamentului angajaţilor.
Care este influenţa culturii organizaţionale asupra activităţilor unei firme ? Studiind
această problemă într-un număr semnificativ de companii americane, Kotter şi Hesket (1992) au
ajuns la următoarele concluzii:
• cultura organizaţională poate avea un impact semnificativ asupra performanţelor economice
pe termen lung ale unei firmei, iar în viitor va fi probabil un factor şi mai important
pentru succesul sau eşecul firmelor;
• sunt destul de frecvente acele culturi organizaţionale care frânează realizarea unor
performanţe financiare bune pe termen lung; astfel de culturi pot apare chiar şi în firme
pline de oameni raţionali şi inteligenţi;
• deşi dificil de modificat, culturile organizaţionale pot fi făcute să contribuie, totuşi, la
îmbunătăţirea performanţelor.
În derularea operaţiunilor sale, firma interacţionează cu o mare diversitate de elemente
ale mediului extern. Această interacţiune poate fi directă sau indirectă, fapt ce îndreptăţeşte
structurarea mediului extern pe două niveluri: mediul direct (specific) şi mediul indirect
(general).
Mediul extern direct (specific). Componentele specifice ale mediului extern variază de la
o organizaţie la alta. Totuşi, pentru orice firmă, elementele tipice ale mediului direct includ
clienţii, concurenţii şi furnizorii. La acestea se pot adăuga şi alte elemente cu acţiune directă
semnificativă, cum ar fi diferite organizaţii guvernamentale sau neguvernamentale.
Clienţii sunt cei care beneficiază de produsele sau serviciile organizaţiei. Pentru a
supravieţui, o firmă trebuie să caute în permanenţă să satisfacă nevoile clienţilor. De aceea,
evoluţia acestor nevoi trebuie urmărită în mod continuu şi prognozată cu acurateţe.

5
 CAPITOLUL 2. MODELAREA ŞI SIMULAREA DECIZIILOR

2.1. Modele decizionale: definire şi clasificare.

Termenul model a invadat vocabularul ştiinţific contemporan cu o multitudine de sensuri.
Unele dintre acestea sunt clare, precise şi unanim acceptate, altele însă – îndeosebi cele mai
recent intrate în uz – sunt încă ambigue şi/sau controversate. Doron şi Parot (1991) au identificat
câteva accepţiuni ale termenului model, mai frecvent întâlnite în psihologie:
a) dispozitiv mecanic, electric sau electronic care serveşte, prin analogie, la înţelegerea
funcţionării unui obiect sau desfăşurării unui fenomen natural sau artificial;
b) reprezentare redusă, eventual simplificată, adică axată pe elementele considerare utile
analizei, a unei situaţii, a unui obiect, a unui fenomen artificial sau natural, construită cu
scopul de a-i facilita studiul;
c) într-un sens apropiat de precedentul, se utilizează cuvântul model pentru a desemna un
obiect de studiu ales datorită uşurinţei sale de a evidenţia elementele esenţiale ale unei
clase de obiecte, imposibil de sesizat pe obiecte mai complexe din aceeaşi clasă;
d) reprezentare schematică, în general sub formă grafică, a unui proces, având drept scop să
se ofere o descriere mai sugestivă şi o explicaţie a acestuia;
e) prin extinderea sensului precedent şi, dacă nu în mod abuziv, cel puţin într-un mod care
face comunicarea ştiinţifică mai puţin precisă, termenul model este sinonim cu ipoteză de
lucru sau teorie explicativă.
Semnificaţiile reţinute de Doron şi Parot pentru termenul model sunt perfect valabile şi în
teoria şi practica deciziilor de management, dată fiind componenta psihică importantă a actului
decizional. Totuşi, dintre cele cinci sensuri propuse, două sunt mai frecvent avute în vedere de
către decidenţi atunci când concep şi utilizează modele, şi anume (b) şi (d). Aceasta înseamnă că,
în context decizional, modelul este, de regulă, o reprezentare a aspectelor relevante ale
situaţiei decizionale. El reflectă situaţia decizională prin structurarea şi formalizarea informaţiei
disponibile şi, procedând astfel, prezintă realitatea într-o formă organizată şi simplificată. În felul
acesta, un model ne oferă o abstractizare a unei realităţi mai complexe.
Există o multitudine de criterii după care pot fi diferenţiate modelele utilizate în luarea
deciziilor, iar literatura de specialitate abundă de clasificări ale acestor modele. Tipologia
propusă de noi în continuare nu se doreşte a fi o sistematizare exhaustivă a modelelor utilizate în
luarea deciziilor. Scopul ei este doar acela de a contribui la definirea mai clară a conceptului de
simulare în management.
O primă distincţie între modelele utilizate în procesele decizionale trebuie făcută în
funcţie de gradul de acoperire a situaţiei decizionale de către model. Din această perspectivă,
un model decizional poate fi global – reflectând complet, şi totuşi simplificat, situaţia
decizională, cu toate elementele ei – sau parţial –reflectând numai un fragment al situaţiei
decizionale date (ca, de exemplu, în cazul modelului de prognoză a unui factor de influenţă
necontrolabil). Desigur, modelele parţiale pot fi încorporate în alte modele globale sau parţiale,
caz în care ele trebuie văzute ca submodele.
O a doua diferenţiere importantă are drept criteriu de discriminare localizarea modelelor
în raport cu sistemul cognitiv al individului sau indivizilor care participă la luarea deciziei. Din
acest punct de vedere, putem distinge: modele implicite sau mentale – dezvoltate şi
operaţionalizate în mintea decidentului sau decidenţilor – şi modele explicite, construite sub
formă de expresii verbale, machete, diagrame, formule matematice, programe de calculator etc.,
rezidente şi/sau operaţionalizate în afara mentalului decidentului sau decidenţilor.
Modelele explicite, dezvoltate în afara sistemului cognitiv uman, dar prin contribuţia
activă a acestuia, au rolul de a sprijini luarea deciziilor prin îmbunătăţirea modelelor mentale
aferente şi prin facilitarea directă a unor operaţii realizate în diverse etapele procesului
decizional.

6
Construcţia şi utilizarea modelelor explicite pentru luarea deciziilor s-a constituit, de altfel, într-
un câmp de activitate bine conturat, denumit de specialiştii francezi “aide à la décision” (în
traducere aproximativă, sprijinirea deciziei) şi de cei anglo-saxoni “decision support” (într-o
traducere românească la fel de problematică, suport decizional).
Din punct de vedere al formei lor, modelele explicite pot fi împărţite în două mari grupe:
modele verbale şi modele figurative
Modele verbale sunt foarte frecvent utilizate în procesele decizionale (ca şi în alte
activităţi umane, de altfel), deşi adesea nu sunt recunoscute ca fiind modele. Un model verbal
este o reprezentare în cuvinte scrise sau rostite a unei entităţi (un obiect, un eveniment sau un
complex de obiecte şi evenimente). Toate comunicările scrise sau verbale sunt, în ultimă instanţă,
modele verbale ale entităţilor reflectate. Diferitele manuale de politici ale unei firme, de
exemplu, cuprind o multitudine de modele verbale de comportament în diverse situaţii (inclusiv
de comportament decizional). Utilizate în contextul unei anumite situaţii decizionale, modelele
verbale sunt, de multe ori, reflectări ale modelelor mentale dezvoltate de către decidenţi.
Construcţia, vehicularea şi utilizarea modelelor verbale este spectaculos înlesnită de
tehnologiile informaţionale actuale, îndeosebi de cele din domeniile biroticii şi
telecomunicaţiilor (procesare de texte, poştă electronică, telefonie mobilă etc.)
Modelele figurative sunt reprezentări ale diverselor entităţi prin elemente sculpturale
(obiecte tridimensionale), picturale sau simbolice.
După natura elementelor figurative folosite pentru redarea aspectelor esenţiale ale
entităţilor reflectate, modele figurative folosite în luarea deciziilor pot fi grupate în trei mari
categorii: modele iconice, modele analogice şi modele simbolice.
Modelele iconice sunt construcţii care posedă aceleaşi caracteristici fizice esenţiale ca şi
entităţile reale studiate, dar reproduse la o scară diferită; în plus, unele dintre proprietăţile
entităţii reale, considerate nesemnificative pentru studiul propus, sunt complet ignorate.
Modelele iconice sunt cel mai puţin abstractizate. Exemple clasice de astfel de modele sunt
machetele: ale unor construcţii, ale avioanelor, automobilelor etc. În management, modelele
iconice sunt folosite mai rar (de exemplu, pentru studiul amplasării utilajelor într-un atelier se
construiesc machete ale halei de producţie şi ale utilajelor respective).
Modelele analogice utilizează, pentru a reprezenta realitatea studiată, fenomene diferite
de aceasta, dar posedând unele proprietăţi similare (deci unele analogii) cu cele ale realităţii
studiate. Gradul lor de abstractizare este mai mare decât cel al modelelor iconice. Cele mai
cunoscute modele analogice utilizate în management sunt reprezentările grafice ale diferitelor
serii de date numerice (ale vânzărilor, ale profitului etc.). Astfel de reprezentări grafice pot fi
statice sau dinamice (animate). Modelele analogice pot fi totuşi mult mai complexe, utilizând
diferite dispozitive fizice pentru a reproduce, simplificat dar sugestiv, realitatea studiată.
Modelele simbolice reprezintă realitatea studiată prin simboluri şi reguli de manipulare a
simbolurilor. Majoritatea modelelor utilizate pentru a descrie fenomene fizice sau economice
sunt de acest tip. Simbolurile utilizate pot fi de natură matematică, delimitând o clasă importantă
de modele (cea a modelelor matematice), de natură grafică – cum ar fi în cazul diagramelor
cauză-efect sau a schemelor logice – sau de natură informatică (programe scrise în diverse
limbaje sub formă de cod sursă, de exemplu). Modelele simbolice sunt cele mai abstracte, cele
mai puţin asemănătoare, la prima vedere, cu entitatea reală reprezentată. Totuşi, în multe situaţii,
inclusiv în cele decizionale, ele sunt cele mai puternice instrumente suport de cunoaştere şi
acţiune, şi aceasta pentru că sunt capabile să reproducă suficient de bine realitatea cu costuri (nu
numai economice) foarte convenabile.
Modelele matematice sunt cele mai utilizate modele explicite în procesele decizionale.
Conceperea şi utilizarea lor a generat chiar o adevărată şcoală în management, numită şcoala
cantitativă, iar literatura de specialitate – prin cărţi şi publicaţii periodice de profil – le tratează
cu generozitate. Interesul pentru modelele matematice ale deciziei a fost considerabil stimulat de
dezvoltarea explozivă a tehnologiilor informaţionale care au înlesnit construcţia şi mai ales

7
utilizarea lor. Multe sisteme informatice de asistare a managerilor în activităţile lor decizionale
au drept nuclee dure modele matematice codificate sub o formă accesibilă calculatorului (şi
devenite, pe această cale, modele informatice). În aceleaşi sisteme informatice, de multe ori,
modelelor matematice le sunt asociate modele grafice – simbolice sau analogice – pentru a face
înţelegerea şi comunicarea mai facile.
Dezvoltarea modelelor decizionale simbolice utilizează o terminologie în care trei
concepte sunt indispensabile: variabile, parametri şi operatori.
O variabilă este un element al situaţiei decizionale care poate lua diferite valori, iar un
parametru este un element care rămâne constant în intervalul de timp studiat, indiferent de
valorile luate de variabile. Practic, variabilelor din model le corespund anumiţi factori de
influenţă a performanţelor din situaţia decizională reală sau consecinţele soluţiilor luate în
considerare, evaluate din punctul de vedere al criteriilor de decizie reţinute. Parametrii reprezintă
valorile factorilor de influenţă consideraţi invariabili în situaţia reală. Evident, unii factori de
influenţă reprezentaţi în model prin parametri sunt în realitate variabili, dar această licenţă
admisă constituie o parte a procesului de simplificare inerent modelării; condiţia este ca modelul
care include un astfel de parametru să rămână reprezentativ pentru situaţia dată. Desigur, fiind
vorba de un model simbolic, atât variabilele cât şi parametrii vor fi reprezentaţi prin simboluri
adecvate.
Variabilele care intervin într-un model sunt grupate, de regulă, în trei categorii: variabile
de intrare, variabile de ieşire şi variabile intermediare.
Variabilele de intrare (numite uneori şi exogene) au valori bine precizate la începutul
execuţiei modelului. Ele pot fi controlabile sau necontrolabile, în funcţie de natura factorilor de
influenţă pe care îi reprezintă. Variabilele controlabile constituie de fapt variabile decizionale.
Variabilele de ieşire (numite şi endogene) iau anumite valori care reflectă rezultatele
finale obţinute prin execuţia modelului. Într-un model decizional de evaluare, de exemplu,
variabilele de ieşire arată care sunt consecinţele soluţiei analizate, din punctul de vedere al
criteriilor de decizie stabilite.
Variabilele intermediare sunt construcţii interne modelului, valorile pe care le iau acestea
reprezentând, în acelaşi timp, consecinţe (ale unor factori de influenţă cu acţiune anterioară) şi
factori de influenţă (ale unor consecinţe ulterioare).
Un operator este, la rândul său, un simbol care exprimă o operaţie matematică, logică sau
de altă natură, realizată asupra variabilelor şi/sau parametrilor care intervin în model.
Combinaţiile dintre variabile, parametri şi operatori formează expresii care exprimă relaţiile
dintre variabile şi parametri, iar un model simbolic este, în ultimă instanţă, un ansamblu de astfel
de expresii aranjate şi executate în anumite secvenţe bine precizate.
Diferitele tipuri de variabile şi parametri utilizaţi pentru construcţia modelelor simbolice pot
constitui repere importante în diferenţierea acestora. Astfel:
•după măsura în care timpul este încorporat sau nu în model ca o variabilă centrală,
modelele pot fi dinamice sau statice;
• după natura variabilelor şi parametrilor folosiţi, modelele pot fi calitative sau cantitative
(numerice);
• după maniera în care sunt exprimate variabile necontrolabile – în principal sub formă unor
valori punctuale, considerate cunoscute dinainte, sau sub forma unor distribuţii de
probabilitate – modelele pot fi deterministe (cu variabile numai de primul tip) sau
probabiliste (cu cel puţin o variabilă aleatoare încorporată în model);
• după măsura în care variabilele cantitative pot fi puse în corespondenţă sau nu cu mulţime
numerelor naturale, modelele pot fi discrete sau continue.
În sfârşit, un ultim criteriu important de clasificare a modelelor este obiectivul urmărit
prin utilizarea lor. Din acest punct de vedere, modelele decizionale explicite pot fi grupate în
trei categorii: descriptive, predictive şi prescriptive sau normative.

8
 Modelele descriptive au ca obiectiv principal evidenţierea elementelor semnificative ale
situaţiei decizionale şi a relaţiilor dintre aceste elemente. Exemple tipice de astfel de modele sunt
diagrama cauză-efect, analiza regresiei şi corelaţiei, analiza dispersională şi altele.
Modelele predictive permit decidenţilor să anticipeze evoluţia unor elemente
semnificative ale situaţiei decizionale abordate. Astfel de elemente pot fi factori necontrolabili de
către decident – pentru care se pot elabora prognoze, în funcţie de istoricul evoluţiei lor şi de alte
informaţii pertinente achiziţionate/sintetizate – sau pot fi diferite soluţii posibile ale problemei
decizionale (deci, în ultimă instanţă, anumite niveluri ale factorilor controlabili) – pentru care se
pot face evaluări ale consecinţelor lor prin prisma criteriilor de decizie stabilite.
Modelele prescriptive (normative) au drept scop să recomande o anumită variantă de
acţiune (deci o anumită combinaţie a factorilor controlabili) pentru a soluţiona problema
decizională cu care se confruntă decidentul, luând în considerare criteriile de decizie şi celelalte
elemente semnificative ale situaţiei decizionale înglobate în model.
Există două tipuri principale de modele matematice prescriptive: modelele de optimizare,
care oferă soluţia cea mai bună din punctul de vedere al criteriilor de decizie reţinute, şi
modelele euristice, care, examinând mai puţine soluţii posibile şi procedând la “amputări” ale
procesului de raţionament, ajung la o soluţie bună a problemei, fără a depista însă – decât din
întâmplare – soluţia cea mai bună. În acest din urmă caz se vorbeşte de soluţie suboptimală.
Observaţie. Modelele descriptive, prescriptive sau predictive pot fi încorporate unele în
altele, ca submodele. Astfel, un model de predictiv de prognoză poate include un model
descriptiv de regresie multiplă, iar un model de optimizare poate avea ca o componentă
importantă un model de prognoză a unui factor necontrolabil esenţial.

2.2. Modelarea şi simularea deciziilor de management.

Strâns legate de termenul model sunt conceptele de modelare şi simulare. Un oarecare

laxism semantic se manifestă însă şi în cazul acestor concepte.
Astfel, termenul modelare apare în literatura de specialitate cu două sensuri: unul mai
restrâns, de construcţie a modelului, şi altul mai larg, de construcţie şi utilizare (execuţie,
activare, rezolvare) a modelului.
Prima accepţiune este preferată îndeosebi de către specialiştii în simulare şi analiză de
sistem, care folosesc termenul simulare pentru utilizarea (execuţia, activarea) modelului. A doua
accepţiune – aceea de construcţie şi exploatare a modelului – este comună majorităţii autorilor
care abordează utilizareatehnicilor cantitative în economie şi management. Ea este sugerată de
cele mai multe ori în mod implicit, prin maniera şi contextul utilizării termenului modelare.
Desigur, riguros vorbind, modelarea înseamnă doar elaborarea (construcţia) modelului,
iar tendinţa actuală, manifestată îndeosebi în practică, pare a valida această semnificaţie restrânsă
a modelării. Explicaţia constă in faptul că, astăzi, majoritatea modelelor decizionale sunt
încorporate în aplicaţii informatizate. Odată proiectată o astfel de aplicaţie, utilizarea ei efectivă
este considerată fie analiză a datelor, fie prognoză, fie simulare sau optimizare, şi nu modelare,
deşi execuţia programelor respective înseamnă activarea modelelor matematice sau grafice
subiacente. Termenul modelare, în aceste condiţii, este rezervat de regulă doar unei etape a
procesului de concepţie a aplicaţiei (a sistemului informatic).
În aceste condiţii, ce înseamnă totuşi simulare şi care sunt raporturile ei cu modelul şi
modelarea? Iată câteva puncte de vedere:
• “Între metodele de modelare, simularea reprezintă o metodă de studiu prin experimentare
statistică. Concluziile referitoare la model se bazează pe proprietăţile variabilelor
implicate în simulare, pe caracterul lor adecvat, verificate prin teste de semnificaţie
aplicate datelor generate de procesul modelat, pe de o parte, şi pe caracterul repetitiv al

9
 experimentului statistic presupus de simulare, pe de altă parte” (Rădăceanu, 1985, p.
195).
• “Simularea … nu este o tehnică de optimizare. Rolul ei este acela de a permite managerului
sau analistului să experimenteze asupra sistemului pentru a-i înţelege mai bine
comportamentul şi, ca urmare, pentru a lua decizii mai bune cu privire la sistem.
Simularea implică utilizarea unui model care reflectă caracteristicile comportamentale
importante ale sistemului real. Studiul comportamentului modelului în anumite condiţii
poate oferi o mulţime de informaţii utile cu privire la sistemul real” (Stevenson, 1989, p.
710).
• “Modelele reprezintă realitatea, simularea o imită. Simularea presupune întotdeauna
manipularea unui model, astfel încât se obţine un film al realităţii” (Ackott şi Sasieni,
1986, apud Armstrong, 1993, p. 514).
• “Simularea înseamnă experimentarea asupra unui model. Este o procedură de cercetare
ştiinţifică ce constă in realizarea unei reproduceri artificiale (model) a fenomenului
studiat, în observarea comportamentului acestei reproduceri, atunci când sunt făcute să
varieze în mod experimental acţiunile care se pot întreprinde asupra ei, şi în inducerea a
ceea ce s-ar putea întâmpla în realitate sub influenţa unor acţiuni analoge” (Encyclopedia
Universalis, Paris, 2005).

Examinarea succintă a acestor texte permite formularea unor observaţii interesante. Mai
întâi, este sesizabil faptul că unele definiţii sunt oarecum diferite doar în măsura în care autorii
lor au în vedere anumite tipuri de simulare (de exemplu, simularea dinamică sau simularea
Monte Carlo). Cea mai cuprinzătoare accepţiune a termenului este oferită de Encyclopedia
Universalis, o lucrare monumentală cu importante accente de filozofie a ştiinţei. În al doilea
rând, este evident faptul că simularea presupune întotdeauna utilizarea unui model al realităţii ce
se doreşte a fi studiată, iar în acest model este esenţială reflectarea relaţiilor dintre variabile. În
sfârşit, cea de-a treia remarcă importantă priveşte modul de utilizare a modelului în simulare:
prin experimentare, prin încercări succesive.
Aceste succinte observaţii ne dau posibilitatea să definim în mod riguros conceptul de
simulare în contextul în care ne interesează: pentru soluţionarea problemelor decizionale,
simularea constituie o metodă de studiu a comportamentului sistemelor problemă prin
experimentări realizate asupra unor modele ale acestor sisteme. Cuvântul cheie al definiţiei,
cel care diferenţiază simularea de alte metode cantitative de decizie, este “experimentări”. Cu
sublinierea că, a experimenta înseamnă de fapt a realiza mai multe experienţe (Le petit
dictionnaire Larousse).
Practic, într-o aplicaţie de simulare este construit mai întâi un model figurativ al situaţiei
decizionale date, model în care reflectarea relaţiilor de cauzalitate dintre factorii de influenţă
(variabilele şi parametrii de intrare) şi consecinţe (variabilele de ieşire) este componenta de bază.
Apoi, se experimentează cu acest model: pentru fiecare experienţă executată, sunt fixate anumite
valori ale variabilelor de intrare (controlabile sau necontrolabile), este pus în funcţiune modelul
şi sunt consemnatevalorile pe care le iau variabilele de ieşire. Analizând, în final, după realizarea
unui număr suficient de mare de experienţe,- valorile variabilelor de intrare şi ale variabilelor de
ieşire corespunzătoare, pot fi făcute predicţii cu privire la comportamentul sistemului problemă
şi, pe această bază, pot fi evaluate mai bine soluţiile alternative avute în vedere. Ceea ce, în mod
normal, conduce la alegerea unei soluţii mai bune.
După cum se observă, simularea nu oferă, prin ea însăşi, o soluţie, aşa cum se întâmplă în
cazul metodelor bazate pe modele prescriptive, fie ele de optimizare sau euristice. Dar, nici nu se
limitează la evidenţierea unor elemente ale situaţiei decizionale şi a relaţiilor dintre aceste
elemente, aşa cum o fac modelele descriptive. Simularea este de fapt o metodă predictivă,
utilizată îndeosebi pentru investigarea unor scenarii (combinaţii ale nivelurilor diferiţilor factori
de influenţă controlabili şi necontrolabili) sub aspectul consecinţelor lor previzibile.

10
 În funcţie de natura şi caracteristicile modelelor figurative folosite, pot fi puse în evidenţă
diferite tipuri de simulare. Astfel, într-o primă delimitare, putem distinge:
• simulare bazată pe modele iconice, cum ar fi, de exemplu, studiul machetei unui avion în
tunelul aerodinamic;
• simulare bazată pe modele analogice, numită şi simulare analogică. Un exemplu ilustrativ îl
constituie utilizarea modelului fizic al pieţei bunurilor de consum, construit de Irving Fisher
şi descris mai sus;
• simulare bazată pe modele simbolice, îndeosebi matematice – şi atunci vorbim de simulare
matematică (numită uneori şi simulare numerică) – sau grafice – şi atunci avem o simulare
simbolică grafică. În soluţionarea problemelor decizionale de management este utilizată cu
predilecţie simularea matematică, uneori combinată în mod fericit cu simularea grafică
(simbolică sau analogică).
Unele caracteristici ale modelelor simbolice utilizate pot conduce la clasificarea simulării
în alte câteva tipuri mai importante, cum ar fi:
• simulare statică sau dinamică,
• simulare deterministă sau probabilistă,
• simulare discretă sau continuă.
Există şi criterii specifice de diferenţiere a simulării. Două astfel de criterii sunt mai
importante pentru simularea deciziilor de management.
Astfel, în funcţie de modul cum o variabilă importantă în model – de regulă timpul, dar poate fi
şi distanţa, suprafaţa etc. – ia diferite valori de la o experienţă la alta, în cursul aceluiaşi
experiment, putem avea:
􀂃simulare bazată pe metoda intervalului fix
􀂃simulare bazată pe metoda evenimentului următor (numită şi simulare cu interval
variabil).

În primul caz, la fiecare experienţă de simulare variabila respectivă este incrementată cu

o mărime constantă. În cel de-al doilea caz, mărimea creşterii variabilei respective este egală cu
variaţia acelei variabile din momentul în care un eveniment a provocat o anumită stare a
sistemului până în momentul apariţiei evenimentului următor care modifică starea sistemului.
De exemplu, într-o aplicaţie de simulare, analistul poate fi interesat de numărul de evenimente de
acelaşi tip care pot apare, fie într-un interval de timp (numărul de produse vândute pe zi, pe lună
etc.), fie pe un interval de distanţă (numărul de defecţiuni ale camionului la 1000 kilometri
parcurşi), fie pe un interval de suprafaţă (numărul de defecte pe metru pătrat de ţesătură). În
astfel de situaţii, simularea este proiectată folosind un intervalul fix de variaţie a timpului, a
distanţei sau a suprafeţei.
În alte situaţii însă, interesul poate fi concentrat asupra momentelor când apare un
eveniment sau asupra duratelor unei operaţiuni. De exemplu, în simularea unei staţii de servire
(ghişeu într-o bancă, atelier de reparaţii auto, dană portuară etc.) este important de înregistrat şi
prelucrat informaţii cu privire la momentele sosirii clienţilor pentru a fi serviţi şi informaţii cu
privire la timpul de servire afiecărui client. În acest caz, pentru a face să varieze timpul de la o
experienţă la alta se va folosi metoda evenimentului următor, iar intervalul de creştere a timpului
va fi variabil.
Un al doilea criteriu specific de diferenţiere a simulării are în vedere maniera în care
variabilele de intrare ale modelului iau valori diferite de la o experienţă de simulare la alta. Din
acest punct de vedere, simularea poate fi dirijată sau întâmplătoare.
În simularea dirijată, variabilele de intrare iau anumite valori introduse de
experimentator sau rezultate dintr-un algoritm de calcul determinist.

11
 În simularea întâmplătoare, variabilele de intrare (cel puţin unele dintre ele) iau valori
la întâmplare – de regulă, prin utilizarea unor generatoare de numere aleatoare.
Câteva dintre metodele şi instrumentele folosite mai frecvent în realizarea aplicaţiilor de
simulare numerică vor fi descrise în capitolele următoare.

CAPITOLUL 3. SIMULAREA MONTE CARLO

În modelele de simulare deterministă, variabilele şi relaţiile dintre ele sunt complet

explicitate şi nu lasă loc nici într-un fel întâmplării. Totuşi, în multe situaţii decizionale de
management hazardul joacă un rol important, iar modelele care le reprezintă trebuie să îl ia în
considerare. Abordarea cu un minimum de raţionalitate a unei astfel de situaţii complexe impune
ca anumiţi factori de influenţă, consideraţi mai puţin importanţi, să fie omişi în mod deliberat din
analiză, efectele lor fiind asimilate cu unele evenimente a căror apariţie este pur întâmplătoare.
Aceste evenimente sunt integrate într-un model de simulare nu prin ansamblul cauzelor care le
produc, ci prin probabilităţile lor de apariţie în anumite condiţii date. Metoda de simularea bazată
pe un astfel de model se numeşte „Monte Carlo”.

3.1. Principiile metodei Monte Carlo

Pentru a înţelege mai bine maniera în care hazardul este încorporat într-un model de
simulare, să ne imaginăm un experiment relativ simplu. Fie un atelier de fabricaţie în care 50 de
maşini asemănătoare (războaie de ţesut, maşini de cusut etc.) funcţionează în permanenţă 5 zile
pe săptămână. Pentru remedierea defecţiunilor acestor maşini sunt afectaţi, în toate schimburile,
câte 2 reglori. Se întâmplă însă ca, uneori, mai mult de 2 maşini să se defecteze simultan, după
cum sunt şi situaţii în care nici un reglor nu are de lucru. Din punct de vedere strict economic,
sunt prea puţini sau prea mulţi reglori în atelier ?
Observaţiile făcute cu privire la funcţionarea maşinilor într-o perioadă mai îndelungată de
timp permit să se estimeze că, în medie, o maşină cade în pană o dată la 100 ore, iar durata unei
reparaţii variază de la o oră la patru ore, cu o medie două ore pe reparaţie. Pentru a răspunde la
întrebarea pusă, cel mai simplu este să reproducem în mod artificial funcţionarea atelierului cu
un număr variabil de reglori, să zicem 1, 2, 3 şi 4.
Studiem mai întâi varianta decizională cu 2 reglori. Dacă luăm ora ca unitate de timp, în
cursul unei ore fiecare maşină are o şansă din 100 să se defecteze. Notăm maşinile cu numere de
la 1 la 50. Pentru a determina dacă maşina nr. 1 cade în pană în cursul primei ore de activitate
simulată, utilizăm o urnă cu 100 bile, numerotate de la 1 la 100, şi facem convenţia că o un
anumit număr – să zicem 17 – înseamnă pană. Extragem apoi, la întâmplare, o bilă din urnă:
dacă este 17, maşina este considerată în pană, dacă nu, maşina este considerată în funcţiune pe
parcursul întregii ore. Dacă este pană, trebuie determinat şi timpul de reparaţie. În acest scop se
poate folosi aceeaşi metodă a extragerii dintr-o urnă cu 100 bile, convenind, de exemplu, că
numerele de la 1 la 40 însemnă o durată de reparaţie de o oră, de la 41 la 70 – o durată de
reparaţie de două ore, de la 71 la 90 – o durată de reparaţie de trei ore şi că numerele de la 91 la
100 însemnă o durată de reparaţie de patru ore (conform proporţiilor observate în istoricul
timpilor de reparaţii din atelier). Se execută apoi aceste operaţii pentru toate celelalte 49 maşini
şi se imaginează repartizarea reglorilor pe maşinile care staţionează pentru reparaţii. Dacă sunt
mai mult de 2 maşini în pană, unele dintre ele sunt puse în stare de aşteptare până când va fi un
reglor disponibil. Pentru simularea următoarei ore de activitate a atelierului, repetăm operaţiile
precedente luând în considerare maşinile în funcţiune, după care simulăm a trei oră, a patra oră şi
aşa mai departe până la 100 de ore, să zicem. Calculăm apoi timpul total de staţionare a
maşinilor pentru reparaţii, care constituie variabila rezultativă a modelului.

12
 Executăm apoi acelaşi ciclu de experienţe de simulare pentru variantele de lucru cu 1, 3
şi 4 reglori pe schimb. În final, utilizăm timpii totali de staţionare astfel obţinuţi pentru a estima
costul fiecăreia dintre cele 4 soluţii luate în considerare.
Desigur, astfel de experimente de simulare se execută astăzi cu calculatorul, iar numărul
de experienţe repetate este de ordinul miilor sau al zecilor de mii, ceea ce asigură o precizie mult
mai mare rezultatelor obţinute. În plus, facilităţile oferite de calculatoare permit evitarea
eforturile umane penibile cerute de volumul enorm de calculele şi de operaţiunile greoaie de
extragere a numerelor întâmplătoare prin utilizarea urnei cu bile sau a ruletei.
Pentru a face utilizarea calculatorului pertinentă în acest caz, trebuie soluţionată însă o
problemă aparent insolubilă: imitarea hazardului cu ajutorul calculatorului – o maşină perfect
determinată. Judecând în mod riguros, un calculator numeric este incapabil să simuleze
funcţionarea unei rulete de cazinou sau a unei urne cu bile strict omogene, adică să genereze o
serie de cifre pur întâmplătoare, având fiecare aceeaşi probabilitate de apariţie. Calculatorul
poate însă genera, utilizând anumite metode din teoria numerelor, serii determinate de cifre care
prezintă pentru experimentator toate caracteristicile numerelor întâmplătoare (aleatoare). De fapt,
ceea ce numim hazard, întâmplare, nu este altceva decât expresia ignoranţei noastre cu privire la
cauzele unui fenomen sau expresia insuficienţei teoriilor pe care le avem: obţinerea cu ajutorul
ruletei a unui număr „la întâmplare” este un proces perfect determinat de impulsul iniţial dat
ruletei, de frecările dintre bilă, ruletă şi soclu, de curenţii de aer etc. Numim hazard efectul
acestor factori diverşi tocmai datorită incapacităţii noastră de a le prevedea consecinţele.
Pentru un observator, numerele dintr-o serie pot fi considerate întâmplătoare dacă
îndeplinesc două condiţii principale:
• toate numerele seriei sunt echiprobabile
• apariţia unui număr oarecare nu este determinată de apariţiile de numere precedente.
Există diverse procedee analitice de calcul pentru generarea unor serii de numere
pseudoaleatoare care îndeplinesc aceste condiţii. Majoritatea dintre ele se bazează pe metode
congruenţiale care folosesc clase de resturi (Raţiu-Suciu, 1995; Andreica ş.a., 1998). Mediile de
dezvoltare (limbaje de programare sau generatoare de aplicaţii) implementate pe calculatoarele
moderne includ aproape întotdeauna o rutină de generare a numerelor aleatoare
(pseudoaleatoare) uniform repartizate în intervalul [0,1]. Astfel de numere pot fi foarte utile în
anumite aplicaţii de simulare.
Modelul utilizat pentru realizarea experimentului descris mai sus are două particularităţi
care ne interesează mai mult în acest moment:
• include unele variabile de intrare probabiliste (timpul de reparaţie a maşinilor defecte şi rata
căderilor în pană a maşinilor);
• în fiecare experienţă de simulare efectuată, variabilele respective iau anumite valori alese la
întâmplare cu ajutorul unor numere aleatoare.
Simularea realizată este aşadar probabilistă şi întâmplătoare. Genul acesta de simulare a
fost popularizat în literatura de specialitate sub denumirea de metoda Monte Carlo. Metoda
respectivă s-a născut prin lucrările lui J. von Neumann, S. Ulam şi E. Fermi, legate de realizarea
bombei atomice în timpul celui de-al doilea război mondial. Von Neumann şi Ulam au dat
numele codificat „Monte Carlo” studiului lor privind comportarea neutronilor. Prin utilizarea
unui model probabilist şi prin generarea de valori întâmplătoare pentru variabilele aleatoare
implicate în acest model, cercetătorii respectivi au reuşit să ajungă la un răspuns aplicabil
problemei lor.
În management, metoda Monte Carlo este folosită îndeosebi pentru evaluarea
alternativelor decizionale. În acest scop, un model probabilist (în care cel puţin o variabilă de
intrare este o variabilă aleatoare dată prin distribuţia ei) este ataşat problemei decizionale
respective. Apoi, fiecare alternativă este evaluată prin realizarea unui set de experienţe asupra
modelului, prin agregarea şi interpretarea rezultatelor acestor experienţe.
În ce constă specificitatea experienţelor în simularea Monte Carlo ? Răspunsul a fost
deja sugerat prin descrierea experimentului cu atelierul de fabricaţie şi numărul necesar de

13
reglori. Într-o astfel de experienţă, fiecărei variabile aleatoare de intrare în model i se atribuie o
valoare întâmplătoare (din mulţimea valorilor posibile ale variabilei respective), pornind de la
un număr aleator uniform distribuit pe intervalul [0,1], dar luând în considerare distribuţia de
probabilitate a acelei variabilei. Apoi se execută (rezolvă) modelul, calculând valorile
corespunzătoare ale variabilelor de ieşire. Repetând experienţele de simulare de un număr de
ori suficient de mare, se obţin distribuţii de probabilitate ale variabilelor de ieşire din model, pe
baza cărora pot fi făcute estimaţii mult mai pertinente privind rezultatele viitoare ale soluţiei
studiate.
Variabilele aleatoare utilizate în simularea Monte Carlo pot fi de diferite tipuri: empirice
sau teoretice, discrete sau continue. Generarea unor valori întâmplătoare pentru astfel de
variabile (numită uneori şi generarea numerelor aleatoare cu repartiţii date) constituie o
problemă esenţială în metoda Monte Carlo.
Procedeul de obţinere a unor valori întâmplătoare pentru variabile aleatoare empirice
discrete este explicat succint în cele ce urmează.
Fie o variabilă aleatoare X, care poate lua un număr finit de valori x1, x2,...xn, ordonate
crescător, cu probabilităţile respective p1, p2,...pn. Este suficient ca intervalul [0,1], din care sunt
extrase numerele aleatoare, să fie împărţit în n subintervale proporţionale cu probabilităţile p1,
p2,...pn. Extrăgând la întâmplare un număr aleator r, drept valoare întâmplătoare va fi aleasă
valoarea xi corespunzătoare subintervalului i în care se plasează r.
De exemplu, dacă X are 3 valori posibile (x1, x2, x3) cu probabilităţile p1, p2, p3, atunci,
extrăgând un număr aleator r, putem avea următoarele situaţii:
dacă r ≤ p1, atunci X = x1, altfel:
dacă r ≤ p1 + p2, atunci X = x2, altfel:
r ≤ p1 + p2 + p3 şi X = x3.

În general, pentru o variabilă aleatoare empirică discretă X se calculează şirul

probabilităţilor cumulate ci, se extrage numărul aleator a şi se atribuie variabilei aleatoare acea
valoare xi pentru care ci-1 < r ≤ ci. Logica de calcul este asemănătoare şi în cazul variabilelor
aleatoare empirice continue.
Pentru variabilele aleatoare cu legi de distribuţie teoretice – discrete sau continue –
există diferite metode specifice de generare a valorilor întâmplătoare necesare simulării. Cea mai
simplă dintre ele este metoda inversei, numită şi metoda transformatei inverse sau metoda
directă. Potrivit acestei metode, pentru o variabilă aleatoare X cu funcţia densităţii de
probabilitate f(x) şi funcţia de repartiţie F(x) se generează un număr aleator r, uniform distribuit
în intervalul [0,1], şi se atribuie variabilei X, acea valoare x care satisface relaţia:

F(x)=r
adică
x= F-1(r)

Pentru a ilustra modul efectiv de aplicare a acestei metode, să revenim la exemplul cu

atelierul de fabricaţie şi numărul necesar de reglori. Timpul de reparaţie al unei maşini căzute în
pană era dat sub forma unei distribuţii empirice discrete cu patru valori posibile, ceea ce
constituie, desigur, o simplificare majoră, întrucât durata unei reparaţii poate varia de la câteva
minute până la câteva ore, zile sau chiar, in extremis, săptămâni. Modelarea variabilei „timpul de
reparaţie” (T) poate fi mult mai realistă dacă se foloseşte distribuţia exponenţială negativă, cu
funcţia densităţii de probabilitate:

14
unde t este durata medie a unei reparaţii (figura 1).
Funcţia de repartiţie a acestei distribuţii teoretice continue este:

iar forma ei grafică are alura din figura 2.

Figura 1.

Pentru a genera o valoare întâmplătoare a variabilei aleatoare T, se extrage, cu ajutorul

calculatorului, un număr aleator r şi se pune condiţia:

Practic, dacă din observaţiile făcute rezultă că timpul mediu de reparaţie este, de exemplu, 2
ore, atunci:
• extrăgând un număr aleator r1 egal cu, să zicem, 0,632, valoarea calculată pentru variabila T
va fi t1=2;
• dacă numărul aleator extras este r2=0,865, valoarea calculată pentru variabila T va fi t2=4
(vezi figura 2).

Metoda inversei oferă o modalitate relativ facilă de generare a unor valori

întâmplătoare pentru distribuţiile continue cu funcţii de repartiţie uşor inversabile (distribuţiile
exponenţiale negative, Weibull, Cauchy, geometrice etc.). Pentru celelalte distribuţii teoretice
interesante în simulare, pot fi folosite alte procedee, cum ar fi metoda respingerii, metoda
compunerii, metoda compunerii-respingerii, metode specifice repartiţiei date (binomială,
normală, Student, Snedecor, Fisher etc.). Aceste metode, bine puse la punct încă de acum câteva
decenii, sunt tratate pe larg în majoritatea lucrărilor de specialitate destinate simulării (vezi, de
exemplu, în limba română: Văduva, 1977; Raţiu-Suciu, 1995).

15
 Figura 2

Simularea Monte Carlo este, în mare măsură, un proces analog cercetării prin sondaj.
Valoarea estimărilor făcute – sub aspectul preciziei şi al gradului de încredere în parametrii ce
caracterizează variabilele rezultative – depinde de numărul de experienţe de simulare executate.
Calculele necesare pentru determinarea numărului minim de experienţe de simulare sunt
asemănătoare cu cele recomandate de teoria sondajelor pentru determinarea volumului
eşantionului în cazul selecţiei aleatoare repetate.

unde:
n = numărul minim de experienţe de simulare;
σp = abaterea standard a variabilei rezultative, estimată printr-o cercetare preliminară;
d = nivelul de precizie dorit (deviaţia maxim admisibilă faţă de valoarea reală a
parametrului estimat); în cazul sondajelor, d este denumit eroarea limită de
selecţie;
z = abaterea normală corespunzătoare probabilităţii cu care se garantează încadrarea în
nivelul de precizie dorit.
De exemplu, în experimentul de simulare cu atelierului de fabricaţie şi numărul de reglori,
principala variabilă rezultativă este timpul de staţionare a maşinilor pentru reparaţii. Parametrul
care interesează în mod deosebit este media acestei variabile aleatoare rezultative. În formula de
calcul al numărului minim de experienţe necesare, vom avea:
σp = abaterea standard a timpilor de staţionare a maşinilor (toate cele 50); poate fi
determinată prin examinarea datelor din istoricul reparaţiilor sau printr-o simulare
preliminară;
d = deviaţia maxim admisibilă a mediei timpilor de staţionare simulaţi faţă de media
timpilor reali de staţionare (nivelul de precizie dorit);
z = abaterea normală corespunzătoare probabilităţii cu care se garantează încadrarea
mediei timpilor de staţionare reali în nivelul de precizie dorit.
Dată fiind viteza enormă de calcul a echipamentelor utilizate în aplicaţiile moderne de
simulare, se poate renunţa la determinarea numărului minim de experienţe necesare, asigurând
validitatea estimaţiilor făcute pe două căi:

o fie prin programarea unui număr foarte mare de experienţe pentru fiecare ciclu de
simulare (pentru fiecare alternativă decizională simulată) – de ordinul zecilor sau
chiar sutelor de mii;

16
 o fie prin monitorizarea convergenţei parametrilor distribuţiilor de probabilitate
rezultate din experimentul de simulare, repetând experienţele, iarăşi şi iarăşi, până
când aceşti parametri (medii, abateri standard, unele centile) devin „stabili”, adică se
încadrează într-un interval de toleranţă prestabilit. Această ultimă modalitate
presupune executarea simulării în loturi de câte m iteraţii (experienţe) şi se realizează,
practic, după următorul algoritm:
1. se stabileşte numărul de iteraţii (m) dintr-un lot; acesta poate fi 100, 200,…1000,
etc.;
2. se stabileşte intervalul de toleranţă în care trebuie să se încadreze schimbarea valorii
parametrilor estimaţi, de la un lot de experienţe la altul, pentru ca simularea să se
oprească; acest interval de toleranţă este exprimat, de regulă, în mărimi relative
(procente);
3. se execută un prim lot de experienţe şi se înregistrează valorile parametrilor urmăriţi pentru
distribuţiile de probabilitate rezultate;
4. se execută un nou lot de experienţe şi se calculează noile valori ale parametrilor
monitorizaţi, luând în considerare rezultatele tuturor experienţelor de simulare deja
realizate;
5. dacă diferenţele dintre noile valori ale parametrilor estimaţi şi valorile anterior calculate ale
parametrilor corespunzători se încadrează în intervalul de toleranţă stabilit, atunci
simularea se opreşte; altfel simularea se reia de la pasul 4.
O altă problemă importantă în simularea Monte Carlo o constituie estimarea
parametrilor variabilelor rezultative prin intervale de încredere. Procedura de determinare a
acestor intervale este similară cu cea oferită de teoria sondajelor. Astfel, în cazul în care
parametrul estimat este media variabilei rezultative (μ), limitele intervalului de încredere sunt
date de următoarea expresie:

unde

unde, xi sunt cele n valori ale variabilei rezultative obţinute din simulare.
Interpretarea corectă a intervalului de încredere este următoarea: dacă cele n experienţe
de simulare s-ar repeta de un număr foarte mare de ori, atunci în 99% din cazuri (ceea ce
însemnă că z = 2,57) media variabilei rezultative determinată prin simulare se va încadra în
intervalul:

iar în 1% din cazuri se va plasa în afara acestui interval. Aceasta ne permite totuşi să estimăm că,
şi în realitate, media variabilei respective se va încadra între limitele intervalului calculat cu o
probabilitate de 99%.
Observaţie. O dezvoltare recentă în simularea Monte Carlo o constituie utilizarea
eşantionării după metoda hipercubului latin. Prin această metodă se extrag cu o mai mare
acurateţe valori din distribuţiile de probabilitate date, ceea ce permite obţinerea unor rezultate
foarte bune cu un număr mai mic de recalculări ale modelului. Simularea prin utilizarea metodei
hipercubului latin este denumită tot simulare Monte Carlo (Prisco J. şi Winston W., 1995, p.346).
Aplicarea metodei de simulare Monte Carlo, precum şi instrumentele software utilizate
în acest scop diferă semnificativ în funcţie de maniera în care variabila timp este luată în

17
considerare în derularea experimentului de simulare. Atunci când recalcularea modelului
simulabil, de la o experienţă la alta, are în vedere acelaşi moment în timp, simularea este
considerată de tip static. În acest caz, o variabilă de ieşire prezentată sub formă de distribuţie de
probabilitate va conţine valorile posibile ale variabilei şi probabilităţile corespunzătoare,
calculate pentru acel moment în timp. Dacă în modelul simulabil supus experimentării este
încorporată variabila timp, iar aceasta ia valori diferite (crescătoare) de la o experienţă la alta în
cursul aceluiaşi experiment, atunci simularea este considerată de tip dinamic. O variabilă de
ieşire dată sub forma distribuţiei ei de probabilitate va conţine, în acest caz, valorile posibile ale
variabilei şi probabilităţile corespunzătoare, calculate pentru momente diferite în timp.
Observaţie. O dezvoltare recentă în simularea Monte Carlo o constituie utilizarea
eşantionării după metoda hipercubului latin. Prin această metodă se extrag cu o mai mare
acurateţe valori din distribuţiile de probabilitate date, ceea ce permite obţinerea unor rezultate
foarte bune cu un număr mai mic de recalculări ale modelului. Simularea prin utilizarea metodei
hipercubului latin este denumită tot simulare Monte Carlo (Prisco J. şi Winston W., 1995, p.346).
Aplicarea metodei de simulare Monte Carlo, precum şi instrumentele software utilizate
în acest scop diferă semnificativ în funcţie de maniera în care variabila timp este luată în
considerare în derularea experimentului de simulare. Atunci când recalcularea modelului
simulabil, de la o experienţă la alta, are în vedere acelaşi moment în timp, simularea este
considerată de tip static. În acest caz, o variabilă de ieşire prezentată sub formă de distribuţie de
probabilitate va conţine valorile posibile ale variabilei şi probabilităţile corespunzătoare,
calculate pentru acel moment în timp. Dacă în modelul simulabil supus experimentării este
încorporată variabila timp, iar aceasta ia valori diferite (crescătoare) de la o experienţă la alta în
cursul aceluiaşi experiment, atunci simularea este considerată de tip dinamic. O variabilă de
ieşire dată sub forma distribuţiei ei de probabilitate va conţine, în acest caz, v.

3.2. Simularea Monte Carlo de tip static

În management, simularea Monte Carlo de tip static este utilizată cu predilecţie în
analiza riscului decizional. În general, riscul unei soluţii pentru o anumită situaţie decizională
reflectă măsura în care implementarea acelei soluţii poate genera rezultate nesatisfăcatoare din
punct de vedere al criteriilor de performanţă stabilite.
În esenţă, analiza riscului însemnă orice metodă – calitativă şi/sau cantitativă – utilizată pentru
evaluarea impactului riscului asupra deciziilor potenţiale într-o situaţie dată. Scopul unui astfel
de demers este acela de a ghida decidentul pentru a soluţiona mai bine probleme decizionale
marcate de un anumit grad de incertitudine. În acest sens, analiza riscului ajută la:
• testarea sensibilităţii performanţelor aşteptate în diferite ipoteze privind evoluţia factorilor
controlabili şi necontrolabil dintr-o situaţie decizională dată;
• identificarea principalilor factori necontrolabili cu o evoluţie incertă care au un efect
determinant asupra succesului sau eşecului soluţiilor considerate;
• evaluarea limitelor unor soluţii prin evidenţierea circumstanţelor care ar putea conduce la
consecinţe grave în cazul implementării acelor soluţii;
• asigurarea unei percepţii mai bune a diferitelor riscuri şi a interacţiunii dintre ele ;
• conceperea unor mijloace de reducere a expunerii la risc (de exemplu, prin intermediul unor
instrumente de acoperire).
Dintre metodele cantitative de analiză a riscului, cele mai importante sunt: analiza
sensibilităţii, analiza scenariilor, analiza decizională (metoda arborilor de decizie) şi simularea
Monte Carlo.
Analiza sensibilităţii este punctul de plecare în orice tip de analiză cantitativă a riscului. Ea
este, de fapt, o formă de simulare deterministă (vezi capitolul 4), care permite identificarea
factorilor necontrolabili cu cel mai mare impact asupra performanţelor soluţiilor considerate.

18
 Analiza scenariilor este o sintagmă cu semnificaţii diferite în literatura de management, în
funcţie de context. În analiza riscului, scenariile pot fi înţelese ca fiind viziuni coerente asupra
lumii viitoare, carepot fi alese şi investigate pentru a li se asocia ansambluri pertinente de efecte
posibile. Analiza scenariilor presupune formularea unor viziuni optimiste şi pesimiste asupra
viitorului, după care sunt estimate consecinţele soluţiilor posibile în funcţie de aceste ipoteze
formulate. Se obţine, în felul acesta, o gamă de rezultate posibile pentru fiecare soluţie testată,
ceea ce permite decidentului să reflecteze asupra acţiunilor ce trebuie întreprinse pentru a face
faţă unei eventuale conjuncturi nefavorabile. Atât analiza scenariilor, cât şi analiza sensibilităţii
sunt metode care beneficiază din plin de utilizarea unor instrumente software de tipul
programelor de calcul tabelar.
Analiza decizională (metoda arborilor de decizie). În evaluarea riscului prin analiza
sensibilităţii şi analiza scenariilor nu sunt luate în considerare probabilităţile de apariţie a
diferitelor stări ale naturii. Analiza scenariilor, de exemplu, nu oferă decât o marjă de variaţie a
rezultatelor posibile, fără a sugera nimic în legătură cu probabilităţile relative ale valorilor din
această marjă. Această lacună este acoperită, în maniere specifice, prin utilizarea analizei
decizionale şi a metodei de simulare Monte Carlo. Analiza decizională face apel la reprezentarea
grafică a situaţiilor decizionale prin diagrame de influenţă şi arbori de decizie. Metoda este
deosebit de utilă în cazul problemelor multiple, în care deciziile – a căror rezultate depind de
manifestarea unor stări ale naturii cu probabilităţi posibil de estimat – sunt luate la momente
diferite, pe măsură ce unele dintre aceste stări ale naturii se manifestă. Mijloace software
moderne pot facilita substanţial utilizarea analizei decizionale în analiza riscului. Un astfel de
instrument este, de exemplu, PrecisionTree al firmei americane Palisade, un program de
completare (add-in) pentru Microsoft Excel.
Simularea Monte Carlo este cea mai performantă metodă cantitativă de analiză a riscului.
Utilizarea ei efectivă presupune parcurgerea câtorva etape mai importante:
1. dezvoltarea unui model simulabil de tip determinist, în care sunt specificate variabilele de
intrare (factorii de influenţă controlabili şi necontrolabili), variabilele de ieşire
(rezultatele, din punctul de vedere al criteriilor de performanţă reţinute) şi relaţiile dintre
variabilele de ieşire şi cele de intrare, relaţii care pot fi exprimate direct sau indirect, cu
ajutorul unor variabile intermediare;
2. transformarea modelului determinist construit anterior într-unul probabilist, prin asignarea
unor distribuţii de probabilitate variabilelor de intrare care reflectă factori necontrolabili
marcaţi de incertitudine;
3. precizarea relaţiilor dintre variabilele de intrare probabiliste interdependente (cum ar fi, de
exemplu, preţul viitor al unui produs şi cota de piaţă previzibilă). De regulă, astfel de
relaţii sunt modelate cu ajutorul unor matrice de corelaţie între variabilele aleatoare
respective;
4. efectuarea simulării;
5. analiza rezultatelor simulării şi interpretarea lor pentru aprecierea riscului.

Există medii de dezvoltare a aplicaţiilor de analiza riscului prin simulare Monte Carlo
pentru toate tipurile de calculatoare: mainframe-uri, minicalculatoare, microcalculatoare. Cele
mai cunoscute produse software de acest fel sunt @RISK, dezvoltat de Palisade
(http://www.palisade.com), şi Crystal Ball, realizat de firma americană Decisioneering
(http://www.decisioneering.com). Acestea sunt, de fapt, programe de completare (de tip add-in)
pentru Microsoft Excel sau Lotus 1-2-3.
Chiar şi programele de calcul tabelar au încorporate, în ele însele, câteva facilităţi pentru
construcţia unor aplicaţii simple de simulare Monte Carlo. Microsoft Excel, de exemplu, prin
programul de completare (add-in) intitulat Analysis ToolPak, oferă posibilitatea generării unor
numere aleator cu distribuţii date (este vorba doar de distribuţia empirică discretă şi distribuţiile
teoretice: uniformă, normală, Bernoulli, binomială, Poisson). Produsele software destinate

19
simulării Monte Carlo (amintite mai sus) sunt însă net superioare în cazul dezvoltării unor
aplicaţii complexe.
Analiza riscului prin simularea Monte Carlo are o largă aplicabilitate în management.
Cele mai frecvente situaţii decizionale abordate în această manieră sun cele legate de: alegerea
proiectelor de investiţii, operaţiuni cu devize, plasamente în valori mobiliare, analiza costurilor,
operaţiuni în domeniul asigurărilor, evaluarea resurselor miniere şi de hidrocarburi, evaluarea
riscului de accidente şi boli profesionale şi altele. Varianta statică a metodei Monte Carlo poate
sta la baza unor aplicaţii de simulare de sine stătătoare (ca, de exemplu, în analiza riscului
investiţional după metoda Hertz) sau poate fi asociată cu alte metode de cercetare operaţională,
cum ar fi metoda arborilor de decizie, metoda PERT, metoda lanţurilor Markov, metoda de
optimizare bazată pe tehnologia algoritmilor genetici şi altele. Industria software oferă
instrumente performante de dezvoltare a unor aplicaţii bazate pe astfel de metode hibride. Astfel,
aceeaşi firmă Palisade – lider mondial în producţia de software destinat sprijinirii proceselor
decizionale – a pus la punct şi comercializează cu succes, îndeosebi în ţările dezvoltate,
produsele software PrecisionTree, @RISK for Project şi RISKOptimizer (vezi
http://www.palisade.com).
Primul dintre aceste produse, PrecisionTree, este un program de completare pentru
Microsoft Excel, destinat construcţiei şi utilizării diagramelor de influenţă şi a arborilor de
decizie (ceea ce, in literatura de specialitate, se mai numeşte şi „analiza deciziei”). @RISK poate
fi folosit pentru a realiza simularea arborilor de decizie construiţi cu PrecisionTree. Pentru
aceasta, valorile punctuale incerte asociate nodurilor finale ale unui arbore de decizie sunt
înlocuite cu distribuţiile lor de probabilitate (cu ajutorul funcţiilor @RISK), după care, tot cu
ajutorul facilităţilor oferite de @RISK, se execută o simulare Monte Carlo completă a arborelui
respectiv, obţinând un şir de rezultate posibile ce pot să apară pentru întregul arbore şi
probabilităţile corespunzătoare.
@RISK for Project funcţionează după acelaşi principiu. În modelul de proiect construit
cu ajutorul programului Microsoft Project (cel mai răspândit software de managementul
proiectelor bazat pe metoda PERT), unele valori incerte, precum duratele activităţilor sau
costurile lor, sunt specificate prin distribuţii de probabilitate. Se precizează apoi variabila
rezultativă ce se doreşte a fi analizată (durata totală a proiectului, costul proiectului) şi se execută
simularea prin recalcularea modelului asociat proiectului de sute sau mii de ori. În final, se obţin
distribuţii ale rezultatelor posibile şi probabilităţile de apariţie a acestor rezultate. Desigur, este
furnizată o multitudine de parametri statistici ce caracterizează diversele rezultate obţinute, iar
reprezentările grafice sugestive facilitează perceperea şi interpretarea informaţiilor complexe
oferite de simulare.
RISKOptimizer este produsul-program care permite combinarea simulării cu optimizarea
în aplicaţiile de fundamentare a deciziilor. Există două modalităţi distincte de utilizare a acestui
produs:
• prin adăugarea optimizării într-o aplicaţie de simulare
• prin integrarea simulării într-o aplicaţie de optimizare.

Prima posibilitate automatizează procesul de identificare a celei mai bune soluţii dintr-un
ansamblu de soluţii evaluate prin simulare. De regulă, într-o aplicaţie de simulare Monte Carlo se
execută câte un experiment sau ciclu de simulare pentru fiecare variantă decizională analizată.
Aşa după cum am văzut, într-un astfel de experiment sunt calculate valorile posibile ale
variabilelor rezultative şi probabilităţile lor, făcând să varieze – automat şi la întâmplare –
valorile variabilelor de intrare incerte ale modelului simulabil. Decidentul este cel care
formulează variantele decizionale simulate şi compară rezultatele obţinute pentru a alege soluţia
cea mai convenabilă. Dar, în anumite situaţii decizionale, soluţiile (care sunt, de fapt, combinaţii
ale valorilor posibile ale variabilelor de intrare controlabile) pot fi foarte numeroase.
RISKOptimizer poate genera în mod automat – pornind de la anumiţi parametri specificaţi de

20
operator – toate soluţiile posibile, după care execută câte un ciclu de simulare pentru fiecare
soluţie generată şi alege cea mai bună soluţie pe baza rezultatelor calculate prin simulare.
Cea de-a doua posibilitate de utilizare a programului RISKOptimizer constituie un
progres important în practica optimizării deciziilor de management. Metodele de optimizare
standard, bazate pe programarea matematică (liniară şi neliniară) sau algoritmi genetici, precum
şi instrumentele software create pentru implementarea lor au un mare dezavantaj: nu pot opera
decât cu variabile de intrare deterministe, chiar dacă factorii de influenţă corespunzători – din
situaţia decizională reală – sunt marcaţi de o anumită incertitudine. Acest inconvenient poate fi
depăşit prin combinarea facilităţilor oferite de simularea Monte Carlo cu metoda de optimizare
bazată pe algoritmi genetici. Ceea ce RISKOptimizer şi face, într-o manieră foarte eficace şi
convivială.
Cum lucrează acest program pentru a găsi soluţii optime ale unor modele (transpuse în
foi de calcul) în care intervin variabile incerte ? Mai întâi, cu ajutorul funcţiilor @RISK, valorile
deterministe ale variabilelor de intrare sunt înlocuite cu distribuţii de probabilitate adecvate.
Apoi, RISKOptimizergenerează un număr de soluţii de încercare şi utilizează algoritmi genetici
pentru a îmbunătăţi în mod continuu rezultatele fiecărei încercări. Spre deosebire însă de
programele obişnuite de optimizare bazate pe tehnologia algoritmilor genetici, RISKOptimizer
execută, pentru fiecare încercare, câte un ciclu de simulare Monte Carlo, în urma căruia este
calculat un parametru statistic specificat (media, abaterea standard) pentru distribuţia de
probabilitate a variabilei rezultative ce se doreşte a fi optimizată. Pe baza acestor parametri
statistici obţinuţi prin simulare, soluţiile de încercare sunt prelucrate – prin încrucişare, mutaţii
genetice şi comparaţii permanente între ele – până când „evoluează” spre cea mai bună soluţie a
problemei abordate.

BIBLIOGRAFIE

21
1. Airinei, D. ş.a. – Medii de programare, Sedcom Libris, Iaşi, 2003

2. Văduva, I., Stoica, M., Ogădescu, I. - Simularea proceselor economice, Editura

tehnică, Bucureşti, 1983

3. Beer, S. – The Heart of Entreprise, Wiley, Chichester, 1979

4. Hertz, D. – „Investment policies that pay off”, Harvard Business Review, 46,
January -February 1968, p. 96-108

5. Păun, M. – Analiza sistemelor economice, Editura All Educational, Bucureşti,

1997

6. Checkland, P. – “Systems”, în Warner M. (editor), International Encyclopedia of

Business and Management, Routledge, London, 1996, p. 4742-4748

22