Documente Academic
Documente Profesional
Documente Cultură
Managementul Riscului PDF
Managementul Riscului PDF
MANAGEMENTUL RISCULUI
CONCEPTE y METODE y APLICAŢII
Tipărit la:
Tipografia Universităţii „Transilvania” din Braşov
B-dul Eroilor, Nr. 9
Tel/fax: 0268 – 47 53 48
Tehnoredactare: Autorii
Coperta: Claudiu BÂRSAN-PIPU
214p.; 24 cm
I. Popescu, Ion
PREFAŢĂ
iii
Lucrarea de faţă are un caracter monografic şi încearcă o abordare integrată a
conceptelor privind riscul şi al tehnicilor de management pentru controlarea acestuia.
Încercăm aici să conexăm noţiuni de modelare matematică şi de inferenţă statistică, cu
concepte de management, toate orientate spre rezolvarea aspectelor practice ale
riscului. Fără a avea nici cea mai mică îndoială asupra faptului că demersul nostru este
departe de a fi exhaustiv, considerăm însă că încercarea noastră poate trezi interesul
specialiştilor din cele mai diferite domenii de activitate, în care riscul se manifestă
continuu. De asemenea, această lucrare se adaugă unei literaturi româneşti de
specialitate în domeniul analizei şi managementului riscului destul de săracă sau mai
bine zis aflată într-o fază incipientă.
Lucrarea prezintă, în prima parte, modelele de decizie care asigură o definire
matematică riguroasă a riscului, precum şi modelele de simulare aplicate pentru
cuantificarea riscului. În continuare, sunt dezvoltate o serie de modele, tehnici şi
metode utilizate pentru managementul riscului în domeniul calităţii şi fiabilităţii,
managementului general al proiectelor, managementului proiectelor de software şi
managementului riscului financiar. Pentru o mai bună fixare a noţiunilor prezentate,
lucrarea conţine numeroase exemple şi aplicaţii rezolvate şi propune o serie de
aplicaţii interesante.
Lucrarea se adresează specialiştilor în management, dar şi studenţilor din anii
terminali şi celor de la studiile postuniversitare şi de masterat, atât din specializările
economice, cât şi celor de inginerie, care vor găsi aici concepte, tehnici, metode şi
aplicaţii utile, care să le permită înţelegerea şi aplicarea noţiunilor şi problematicii
managementului riscului.
Autorii
CUPRINS
1 INTRODUCERE ........................................................................................................ 1
1.1 CE ESTE RISCUL? ............................................................................................................1
1.2 RISCUL ÎN TEORIA DECIZIEI........................................................................................5
1.3 SIMULAREA RISCULUI..................................................................................................6
1.4 RISCUL ÎN CALITATE ŞI FIABILITATE.......................................................................7
1.5 RISCUL ÎN PROIECTE ....................................................................................................8
1.6 RISCUL ÎN SOFTWARE....................................................................................................9
1.7 RISCUL FINANCIAR.......................................................................................................10
2 NOŢIUNI DE TEORIA DECIZIEI........................................................................ 11
2.1 DEFINIREA PROBLEMEI DE DECIZIE .......................................................................11
2.1.1 Contextul problemei de decizie ...............................................................................11
2.1.2 Scurt istoric al teoriei deciziei..................................................................................14
2.2 MODELUL MATEMATIC AL PROBLEMEI DE DECIZIE .........................................16
2.2.1 Elementele generale ale modelului ..........................................................................16
2.2.2 Regulile de decizie minimax şi Bayes .....................................................................17
2.2.3 Decizii admisibile ....................................................................................................24
2.2.4 Interpretarea geometrică ..........................................................................................24
2.2.5 Câteva teoreme de bază ...........................................................................................29
2.3 TEORIA DECIZIEI ŞI STATISTICA.............................................................................33
2.3.1 Estimarea .................................................................................................................33
2.3.2 Verificarea ipotezelor statistice................................................................................34
2.3.3 Lema Neyman - Pearson..........................................................................................35
2.4 ATITUDINI FAŢĂ DE RISC ŞI TEORIA UTILITĂŢII.................................................36
2.4.1 Aversiunea la risc.....................................................................................................36
2.4.2 Proprietăţile funcţiilor de utilitate............................................................................40
2.4.3 Evaluarea funcţiilor de utilitate................................................................................42
2.5 DECIZII SECVENŢIALE ................................................................................................44
2.5.1 Concepte de bază .....................................................................................................44
2.5.2 Arbori de decizie......................................................................................................45
2.6 APLICAŢII .......................................................................................................................50
2.6.1 Problema forajului ....................................................................................................50
2.6.2 Algoritm de rezolvare a unei probleme de decizie ...................................................61
2.6.3 Problema festivalului ................................................................................................66
2.6.4 Aplicaţii propuse.......................................................................................................71
3 TEHNICI DE SIMULARE...................................................................................... 73
3.1 CONSTRUCŢIA UNUI MODEL DE SIMULARE.........................................................73
3.2 GENERAREA VARIABILELOR ALEATOARE ...........................................................75
3.2.1 Metoda inversă.........................................................................................................75
3.2.2 Generarea variabilelor aleatoare continue ...............................................................76
3.2.2 Generarea variabilelor aleatoare discrete.................................................................83
3.3 APLICAŢII .......................................................................................................................87
3.3.1 Simularea unei probleme de risc economic .............................................................87
3.3.2 Aplicaţii propuse......................................................................................................95
4 MANAGEMENTUL RISCULUI ÎN CALITATE ŞI FIABILITATE ................ 97
4.1 O PROBLEMĂ DE DECIZIE ÎN CALITATE ................................................................97
4.2 ABORDAREA TAGUCHI.............................................................................................107
4.2.1 Funcţia de pierdere Taguchi ..................................................................................107
4.3 EVALUAREA RISCULUI ÎN FIABILITATE ..............................................................112
4.3.1 Un model general de evaluare a riscului în fiabilitate ...........................................112
4.3.2 Modelul de evaluare a riscurilor concurente..........................................................114
4.4 MANAGEMENTUL RISCULUI ÎN FMEA..................................................................117
4.4.1 Analiza modului de defectare şi a efectelor – FMEA............................................117
4.4.2 Managementul riscului în FMEA ..........................................................................125
4.5 APLICAŢII PROPUSE ..................................................................................................130
5 MANAGEMENTUL RISCULUI ÎN PROIECTE............................................... 131
5.1 ELEMENTE DE MANAGEMENTUL PROIECTELOR ..............................................131
5.2 MANAGEMENTUL RISCULUI PROIECTELOR .......................................................135
5.2.1 Planificarea managementului riscului....................................................................137
5.2.2 Identificarea riscului ..............................................................................................139
5.2.3 Analiza calitativă a riscului....................................................................................143
5.2.4 Analiza cantitativă a riscului..................................................................................147
5.2.5 Planificarea răspunsului la risc ..............................................................................150
5.2.6 Monitorizarea şi controlul riscului.........................................................................154
5.3 APLICAŢII .....................................................................................................................157
5.3.1 Planul managementului riscului.............................................................................157
5.3.2 Lista categoriilor de risc ........................................................................................160
5.3.3 Simularea costurilor proiectului.............................................................................161
5.3.4 Riscul rezidual .......................................................................................................163
5.3.5 Aplicaţii propuse....................................................................................................165
6 MANAGEMENTUL RISCULUI ÎN SOFTWARE............................................. 167
6.1 RISCUL ÎN PROIECTELE DE SOFTWARE ...............................................................167
6.2 PROCESUL DE MANAGEMENT AL RISCULUI ÎN SOFTWARE...........................169
6.2.1 Funcţia 1: Identificare............................................................................................169
6.2.2 Funcţia 2: Analiză..................................................................................................170
6.2.3 Funcţia 3: Planificare .............................................................................................173
6.2.4 Funcţia 4: Monitorizare .........................................................................................175
6.2.5 Funcţia 5: Control ..................................................................................................175
6.2.6 Funcţia 6: Comunicare...........................................................................................176
6.3 APLICAŢII .....................................................................................................................177
6.3.1 Un model de evaluare a riscurilor în sistemele informatice...................................177
6.3.2 Procedura de evaluare a riscurilor în sistemele informatice ..................................181
7 MANAGEMENTUL RISCULUI FINANCIAR .................................................. 183
7.1 RISCUL ÎN OPERAŢIUNILE FINANCIARE ..............................................................183
7.2 ANALIZA COST-VOLUM-PROFIT ÎN CONDIŢII DE RISC ....................................187
7.3 INVESTIŢII DE CAPITAL ÎN CONDIŢII DE RISC....................................................190
7.3.1 Modelul de decizie pentru investiţiile de capital ...................................................190
7.3.2 Modelul determinist pentru investiţiile de capital..................................................192
7.3.3 Modele probabiliste pentru investiţiile de capital ..................................................198
8 BIBLIOGRAFIE..................................................................................................... 205
1
INTRODUCERE
1
2 CAPITOLUL 1 – INTRODUCERE
Acesta este unul din motivele pentru care lucrarea de faţă abordează
managementul riscului atât din punct de vedere al modelării matematice, dar şi din
punct de vedere al tehnicilor de management pentru diferite domenii în care riscul este
analizat şi evaluat.
În contextul general al ştiinţei managementului, managementul riscului
reprezintă procesul de abordare sistematică a riscului în cadrul unei organizaţii,
înţelegând prin termenul de organizaţie sensul larg definit de standardele internaţionale
în domeniul calităţii. Considerând însă managementul ca o „artă”, atunci
managementul riscului poate fi definit ca fiind „arta de a ţine incertitudinea sub
control”.
Esenţa managementului riscului trebuie – în ultimă instanţă – să contracareze
efectul legilor lui Murphy. Astfel, legea „dacă ceva rău se poate întâmpla, atunci se va
întâmpla” poate fi parafrazată prin „dacă un risc poate apărea, atunci el va apărea”. Şi
cea de a doua lege a lui Murphy, respectiv „lăsate în voia lor, toate lucrurile merg din
ce în ce mai rău” poate fi transpusă în termenii riscului prin „riscurile lăsate în voia
lor, se vor manifesta din ce în ce mai puternic”. De aici şi misiunea managementului
riscului de a prevedea şi analiza riscurile, de a identifica mijloacele de tratare a acestui
risc.
Primul capitol al acestei monografii asupra managementului riscului este dedicat
noţiunilor şi problemelor de teoria deciziei. Motivul principal pentru care acest
domeniu este prezentat în detaliu este acela că în cadrul acestei modelări a
fenomenelor de decizie este dată o definiţie matematică riguroasă a riscului. Riscul în
teoria deciziei este până la urmă o valoare medie sau o valoare aşteptată – în termenii
teoriei probabilităţilor – a unei funcţii de pierdere. Relaţia directă pierdere – risc este
deci unul dintre principalele elemente ale managementului riscului. Teoria matematică
a deciziei, cu toate că are mai mult de o jumătate de secol de la primele lucrări de
specialitate, este încă puţin aplicată în practica curentă, poate şi datorită complexităţii
modelelor matematice şi statistice pe care se fundamentează. Un management
performant – în orice domeniu, nu numai al riscului – trebuie însă să ţină cont de
conceptele acestei teorii.
Capitolul al doilea la lucrării este focalizat asupra tehnicilor şi metodelor de
simulare, pentru a pregăti din punct de vedere teoretic şi practic, cerinţele de simulare
a riscurilor ce sunt definite ulterior. Aproape că nu mai este nici un domeniu al ştiinţei
moderne care să nu apeleze la tehnicile de simulare în fundamentarea deciziilor de
management.
4 CAPITOLUL 1 – INTRODUCERE
Unul din domeniile în care riscul poate avea influenţe deosebit de importante şi
mai ales consecinţe foarte grave este reprezentat de sistemul de management al
calităţii. Riscul în calitate este întotdeauna inclus în ecuaţia calitate – cost, deoarece
atât atingerea şi menţinerea unui nivel de calitate corespunzător, pe de o parte, dar şi
deteriorarea calităţii, pe de altă parte, poate genera costuri foarte mari.
În domeniul riscului în calitate sunt de notorietate conceptele datorate
profesorului japonez Genichi Taguchi, care a fundamentat o serie de metode pentru
controlul calităţii off-line şi pentru proiectarea experimentelor, dintre care vom detalia
funcţia de pierdere introdusă de Taguchi. Metodele pentru controlul calităţii off-line
constau din activităţi pentru controlul calităţii şi al costurilor desfăşurate în stadiile de
proiectare a produsului şi a proceselor de realizare a acestuia. Obiectivele generale ale
acestor metode sunt îmbunătăţirea calităţii şi a fiabilităţii produselor şi reducerea
costurilor de dezvoltare şi execuţie a acestor produse. Termenul off-line semnifică, în
acest context, faptul că activităţile de îmbunătăţire a calităţii şi de reducere a riscului
de pierdere sunt realizate înainte de trecerea la etapa de control a calităţii în timp real,
respectiv etapa on-line, în care procesele trebuie să se reproducă la parametri optimali.
O componentă cheie în filosofia lui Taguchi este reducerea variabilităţii.
Specificaţiile tehnice impun adesea ca fiecare caracteristică de calitate să aibă o
anumită valoare nominală sau valoare ţintă. Obiectivul îl reprezintă reducerea
variabilităţii faţă de această valoare ţintă. Taguchi a modelat efectele care pot să apară
ca urmare a abaterii de la valoarea de ţintă funcţie de pierdere pătratică. Pierderea se
referă la costul care poate se apară atunci când se utilizează un produs ale cărui
caracteristici de calitate de îndepărtează de valoarea ţintă. Vom defini riscul Taguchi,
respectiv pierderea medie asociată unui proces ca urmare a deplasării procesului faţă
de ţinta specificată a acestuia.
În continuarea modelelor de risc aplicate în calitate şi fiabilitate, sunt abordate
elementele de management al riscului referitoare la utilizarea modelelor statistice de
analiză a modului de defectare şi a efectelor acesteia, şi anume modelele FMEA.
Termenul FMEA provine de la acronimul din limba engleză pentru Failure Mode and
Effects Analysis, respectiv Analiza Modului de Defectare şi a Efectelor. În limbile
română şi franceză se utilizează şi acronimul AMDE. FMEA poate fi descrisă ca un
grup de activităţi sistematizate, având ca obiective: recunoaşterea şi evaluarea riscului
defectării potenţiale ale unui produs sau proces şi a efectelor acestei defectări;
identificarea acţiunilor ce ar putea elimina sau reduce probabilitatea de apariţie a unei
defectări potenţiale; documentarea procesului şi managementul riscului.
8 CAPITOLUL 1 – INTRODUCERE
11
12 CAPITOLUL 2 – NOŢIUNI DE TEORIA DECIZIEI
decidentul ţine seama de convingerile sale privind starea naturii, reprezentate sub
forma unei distribuţii de probabilitate, respectiv aşa-numita distribuţie a convingerii.
Funcţia de risc de tip Bayes exprimă pierderea medie pentru decizia considerată,
condiţionată de adevărata stare a naturii, calculată în funcţie de densitatea de
probabilitate a convingerii. Procedura de decizie Bayes indică decidentului alegerea
acţiunii care minimizează pierderea medie, pierdere evaluată în funcţie de valorile
distribuţiei de probabilitate iniţiale considerate pentru toate stările posibile ale naturii.
Această alegere se poate face fără utilizarea unor informaţii suplimentare rezultate ca
urmare a experimentării. Dacă însă decidentul poate dispune de aceste informaţii
suplimentare, atunci ele trebuie aplicate pentru adoptarea deciziei.
În cadrul experimentării, decidentul analizează variabilele aleatoare care conţin
valorile spaţiului de eşantionare. El va stabili o procedură de decizie sau o strategie,
care să-i indice acţiunile pe care trebuie să le aplice pentru fiecare valoare a variabilei
aleatoare, urmărind alegerea funcţiei de decizie optimale. Funcţia de risc, calculată cu
ajutorul probabilităţilor iniţiale oferă un mijloc de a defini optimalitatea, respectiv
minimizarea riscului pentru fiecare stare a naturii. Dar în majoritatea cazurilor, această
funcţie optimală nu există şi atunci va trebui să găsim o modalitate de găsire a deciziei
optimale cu ajutorul probabilităţilor posterioare, care înseamnă de fapt încorporarea
în modelul de decizie a tuturor informaţiilor disponibile despre starea naturii.
Înainte de a proceda la utilizarea experimentelor statistice, care de cele mai
multe ori au costuri semnificative, este necesar însă să evaluăm valoarea potenţială pe
care o aduc aceste experimente. Pentru acesta vom evalua mai întâi valoarea
„informaţiei perfecte” a experimentului, respectiv valoarea pe care decidentul este
dispus să o plătească pentru această informaţie perfectă. Abordările minimax şi Bayes
conduc, în general, la rezultate diferite privind alegerea deciziei optimale, cu toate că
anumite alegeri ale distribuţiei convingerii poate conduce la soluţii similare ale
problemei de decizie.
Un alt element important într-o problemă de decizie o constituie problema
„asumării riscului”, respectiv a atitudinii faţă de risc a decidentului. Aceasta înseamnă
decizia de a rămâne într-o stare neschimbată (status-quo) sau decizia de a intra într-o
situaţie de incertitudine, care poate duce la câştig sau la pierdere. O abordare a acestei
probleme este dată de funcţia de utilitate, care poate fi văzută ca o „pierdere negativă”,
urmărindu-se maximizarea utilităţii printr-o decizie optimală. Dacă funcţia de utilitate
marginală este descrescătoare, atunci decidentul are aversiune la risc, iar atunci când
funcţia de utilitate este crescătoare, suntem în cazul unui decident care îşi asumă
riscul.
În fine, o problemă de decizie secvenţială cu stadii multiple poate fi analizată şi
cu ajutorul arborilor de decizie, metodă care are avantajul de a furniza o reprezentare
14 CAPITOLUL 2 – NOŢIUNI DE TEORIA DECIZIEI
Încercând o scurtă schiţă istorică a evoluţiei conceptelor din teoria deciziei, care
are de fapt o istorie recentă de circa 50 de ani, să remarcăm faptul că teoria
probabilităţilor, statistica, teoria utilităţii şi teoria jocurilor sunt principalele domenii
ale matematicii care se utilizează pentru rezolvarea problemelor de decizie.
Primele idei de teoria probabilităţilor se consideră că au fost introduse de
Cardano, în anul 1550, în lucrarea „Liber de Ludo Aleae” (Carte asupra jocurilor de
noroc). Tot de jocurile de noroc şi de numele lui Pascal şi Fermat se leagă principiile
de bază ale teoriei probabilităţilor, conţinute într-un schimb de scrisori între cei doi în
anul 1654, ca rezolvare a unei probleme din jocul de zaruri. Omul de ştiinţă olandez
Christian Huygens, pe baza conceptelor lui Pascal şi Fermat, a publicat în anul 1657
prima carte de teoria probabilităţilor, intitulată „De Ratiociniis in Ludo Aleae” (Asupra
raţionamentelor în jocurile de noroc). În secolul al XVIII-lea, teoria probabilităţilor
devine din ce în ce mai populară, contribuţii importante având Jacob Bernoulli („Ars
Conjectandi” – 1713) şi Abraham de Moivre („Doctrine of Chances” – 1713).
Bernoulli este primul care demonstrează prima teoremă limită a probabilităţilor,
respectiv legea numerelor mari. Secolul al XIX-lea constituie începutul abordării
moderne în teoria probabilităţilor şi în statistica matematică. Carl Friederich Gauss
arată, în anul 1809, că repartiţia normală (celebrul „clopot” al lui Gauss) reprezintă un
model matematic adecvat pentru distribuţia erorilor de măsurare. În anul 1812, Pierre
de Laplace în lucrarea „Théorie Analytique des Probabilités” dezvoltă noi idei şi noi
domenii de aplicare a probabilităţilor în afara jocurilor de noroc, cum sunt teoria
erorilor (la care contribuţii importante a adus şi Gauss), matematicile actuariale,
mecanica statistică ş.a. În a doua jumătate a secolului XIX, se pot consemna numele
lui Chebyshev şi Markov în domeniul probabilităţilor şi ale lui Galton şi Pearson în
statistica matematică.
Ca şi în alte domenii ale matematicii, dezvoltarea teoriei probabilităţilor a fost
stimulată de diversitatea aplicaţiilor sale. Statistica matematică este unul din cele
2.1 DEFINIREA PROBLEMEI DE DECIZIE 15
La prima impresie, s-ar putea crede că alegerea funcţiei de decizie optime este
relativ simplă, deoarece vom alege o funcţie d ∈ D astfel încât pierderea să fie
minimizată, indiferent de starea naturii care apare. Totuşi, acest lucru nu este posibil
dacă nu ştim adevărata stare a naturii, caz în care nu suntem de fapt în faţa unei
probleme de decizie.
Pentru a ilustra acest lucru, să presupunem că dorim estimarea unui parametru
necunoscut θ real, cu o funcţie de pierdere pătratică de forma L(θ , a ) = (θ − a ) 2 . Să
presupunem că am observat variabila aleatoare X = x şi că a = d ( x ) este estimarea lui
θ specificată de d. Dacă valoarea adevărată a parametrului este θ , vom avea o
pierdere (θ − d ( x ))2 . Dacă, în fapt, θ = θ 0 , va trebui să luăm d ( x ) = θ 0 pentru a
minimiza pierderea; dacă însă θ = θ1 , va trebui să luăm d ( x ) = θ1 . Dar deoarece nu
ştim valoarea lui θ , nu vom putea selecta d ( x ) pentru minimizarea pierderii. Din
18 CAPITOLUL 2 – NOŢIUNI DE TEORIA DECIZIEI
şi
R(θ , d ) = ∑ L(θ , d ( x )) f ( x θ ) (X discretă). (2.2)
x∈X
1
R(θ , d1 ) = M X θ ( X − θ ) = V X θ (X ) =
2
. (2.10)
n
(în acest caz X are o distribuţie normală N (θ ,1 n ).
Ţinând cont că mediana are o distribuţie normală N (θ , π 2n ) obţinem
π 1,57
R(θ , d 2 ) = M X θ (mediana( X 1 , K , X n ) − θ )2 = ≈ . (2.11)
2n n
Pentru d 3 obţinem
R(θ , d 3 ) = M X θ (0 − θ ) 2 = M X θ (θ 2 ) = θ 2 . (2.12)
Funcţiile de risc pentru d1 , d 2 şi d 3 sunt reprezentate în Figura 2.1
R(θ , d ) d3
1,57
d2
n
1
d1
n
θ
0
şi
1 n
d 2 ( X 1 , X 2 ,K , X n ) = ∑ (X i − X )2 , (2.14)
n − 1 i =1
Calculând funcţiile de risc, obţinem
θ
R(θ , d1 ) = M X θ (θ − X ) = V X θ ( X ) =
2
, (2.15)
n
şi
R(θ , d 2 ) = M X θ (θ − d 2 ( X ))2 = V X θ (d 2 ( X )) , (2.16)
dar deoarece M X θ (θ − d 2 ( X ))2 = θ , obţinem
2θ 2
R(θ , d 2 ) = . (2.17)
n −1
n −1
Rezultă că R(θ , d1 ) < R(θ , d 2 ) dacă θ > şi R(θ , d1 ) > R(θ , d 2 ) dacă
2n
n −1 n −1
θ< , egalitatea având loc dacă θ = . Graficele funcţiilor de risc
2n 2n
corespunzătoare deciziilor d1 şi d 2 pentru n = 2 sunt reprezentate în Figura 2.2.
R(θ , d ) d2
d1
1/8
θ
1/4
Analizând figura de mai sus, observăm că dacă ştim că θ < 1 4 , atunci decizia d 2
este optimă, dar dacă ştim că θ > 1 4 atunci decizia este d1 optimă. Problema este că
nu ştim valoarea lui θ şi astfel trebuie să găsim şi alte criterii care să ne ajute să
alegem. În general, o problemă de decizie conduce la un mare număr de funcţii de
decizie posibile (mulţimea D are un număr foarte mare de elemente) şi modelele
grafice prezentate anterior nu mai pot fi aplicate. De aceea, va trebui să căutăm criterii
generale, care să ne permită selecţia regulilor “optimale” din spaţiul de decizie D. Prin
termenul “optimal” vom înţelege în continuare cea mai bună soluţie pe care o alegem
într-un context dat.
2.2 MODELUL MATEMATIC AL PROBLEMEI DE DECIZIE 21
Vom analiza în cele ce urmează două astfel de criterii, cunoscute sub denumirea
de criteriul (regula) minimax şi criteriul Bayes. Pentru a detalia aceste concepte, să
considerăm două funcţii de risc ipotetice corespunzătoare regulilor de decizie d1 şi d 2
pentru o problemă de decizie cu spaţiul de parametri Θ , reprezentate în Figura 2.3.
R(θ , d )
d1
d2
θ
Figura 2.3 – Două funcţiile de risc ipotetice
Pentru majoritatea valorilor lui θ , d 2 are un risc mai mic decât d1 , dar există
valori ale lui θ pentru care d 2 are un risc considerabil mai mare. Ce se poate face în
asemenea situaţii? Sunt posibile două abordări ale acestei probleme:
a) Alegerea lui d1 , care ne protejează asupra unor variaţii crescute ale riscului,
respectiv minimizează riscul maxim;
b) Considerarea şi a altor informaţii de care dispunem şi analizarea valorilor lui θ
care este probabil să apară. Dacă suntem convinşi că valorile lui θ vor fi în
intervalul în care d 2 are riscul maxim, atunci vom alege d1 . Dacă, pe de altă
parte, avem convingerea că este puţin probabil ca valorile lui θ să fie în
intervalul de risc maxim, atunci vom alege d 2 . În ambele cazuri, în analiză am
introdus convingerile noastre privind valorile lui θ .
Aceste exemple intuitive ne conduc la următoarea formalizare. Pentru a), vom
alege decizia d * astfel încât
sup R(θ , d * ) = inf sup R(θ , d ) . (2.18)
d ∈D θ ∈Θ
Cu alte cuvinte, vom alege funcţia de decizie al cărui risc maxim este cel mai mic,
dintre toate valorile posibile de riscuri maxime corespunzătoare deciziilor d din D. d *
se numeşte funcţie de decizie minimax. Pentru b), presupunem că convingerile noastre
referitoare la θ pot fi reprezentate sub forma unei funcţii de densitate de probabilitate
p(θ ) cu domeniul Θ . De exemplu, în Figura 2.4 sunt reprezentate două distribuţii
posibile p1 şi p 2 pentru distribuţia convingerii (în engleză belief distribution) p(θ )
22 CAPITOLUL 2 – NOŢIUNI DE TEORIA DECIZIEI
sau
B(d ) = ∑ R(θ , d ) p(θ ) , ( θ discretă) (2.20)
θ ∈Θ
R(θ , d )
p1
p2
1,57
sup R(θ , d 2 ) = , (2.24)
θ n
sup R(θ , d 3 ) = ∞ , (2.25)
θ
1 1
Să presupunem acum că suntem siguri că θ variază în intervalul ⎛⎜ − , ⎞⎟ şi în
⎝ 10 10 ⎠
acest interval avem convingerea că nu există valori ale lui θ care să fie mai plauzibile
decât altele. Convenim deci să reprezentăm această convingere printr-o distribuţie
1 1
uniformă pe intervalul ⎛⎜ − , ⎞⎟ şi avem
⎝ 10 10 ⎠
1
p(θ ) = =5. (2.26)
1 ⎛ 1⎞
− ⎜− ⎟
10 ⎝ 10 ⎠
Atunci funcţiile de risc Bayes sunt
1 10
B(d1 ) = ⎛ 1 ⎞ ⋅ 5dθ = 1 ,
∫ ⎜ ⎟ (2.27)
−1 10 ⎝ n ⎠ n
1 10
B(d 2 ) = ⎛ 1,57 ⎞ ⋅ 5dθ = 1,57 ,
∫ ⎜ ⎟ (2.28)
−1 10 ⎝ n ⎠ n
1 10
1
B(d 3 ) = ∫θ
2
⋅ 5dθ = , (2.29)
−1 10 300
Rezultă că dacă n > 300 , funcţia de decizie Bayes este d1 , dacă n = 300 atunci
d1 şi d 3 au acelaşi risc Bayes, iar dacă n < 300 atunci d 3 este decizia cu riscul Bayes
cel mai mic.
Totuşi, dacă convingerea noastră stabilită a priori ar fi fost diferită, de exemplu o
distribuţie uniformă pe intervalul (− 1, 1) , urmând aceeaşi procedură ca mai sus, cele
trei valori ale riscului Bayes ar fi fost
1 1,57 1
B(d1 ) = , B(d 2 ) = , B(d 3 ) = , (2.30)
n n 3
şi deci pentru n > 3 , d1 este decizia preferată din punct de vedere Bayes.
Am analizat până acum două abordări posibile pentru alegerea regulilor de
decizie, respectiv abordarea minimax şi abordarea Bayes. Din exemplele anterioare, a
rezultat că aceste abordări conduc, în general, la răspunsuri diferite privind alegerea
funcţiei de decizie optimale (deşi pentru anumite alegeri a priori ale distribuţiilor de
probabilitate ale convingerii privind starea naturii, cele două abordări pot conduce la
acelaşi rezultat).
24 CAPITOLUL 2 – NOŢIUNI DE TEORIA DECIZIEI
Să considerăm funcţiile de risc din Figura 2.5. Este clar că funcţiile d1 şi d 2 vor
fi eliminate de la început din analiză. Funcţiile d 3 şi d 4 au un risc relativ similar şi
rămâne să alegem între ele.
R(θ , d )
d1
d2
d3
d4
θ
Figura 2.5 – Funcţiile de risc pentru diferite funcţii de decizie
R (θ 2 , δ )
Punctul de risc
pentru d 2
R (θ 2 , δ )
B(δ ) = ∑ p j R (θ j , δ ) = ∑ p j y j .
k k
(2.40)
j =1 j =1
R (θ 2 , δ )
=y 2 d2
d1
d5
d4
d3 R (θ 1 , δ )
=y 1
Figura 2.9 – Mulţimea S corespunzătoare funcţiei de risc din Tabelul 2.4
p1 Decizia Bayes
p1 > 3 4 d1 (unică)
p1 = 3 4 Orice combinaţie aleatoare a lui d1 şi d 4
3 4 < p1 < 1 2 d 4 (unică)
p1 = 1 2 Orice combinaţie aleatoare a lui d 4 şi d 3
p1 < 1 2 d 3 (unică)
Dar relaţia ≤ nu poate fi < deoarece ar contrazice faptul că δ * este Bayes, iar relaţia
≤ nu poate fi = deoarece ar contrazice faptul că δ * este unică până la echivalenţă.
Avem o contradicţie şi deci δ * este admisibilă ■
Cazul Θ discretă se demonstrează similar.
Următoarea teoremă se referă la proprietatea că pentru o decizie Bayes cu Θ
finită şi probabilităţile iniţiale pi ≠ 0 rezultă că decizia este admisibilă.
inegalitatea strictă fiind datorată faptului că p j > 0 , pentru toate valorile lui j. Dar
B(δ * ) = inf B(δ ) , (2.48)
δ
R (θ 2 , δ )
=y 2
Qx
p1 y1 + p 2 y 2 = const .
R (θ 1 , δ )
=y 1
Dar dacă R(θ , δ * ) = const. , atunci R(θ , δ ) ≤ R(θ , δ * ) , pentru toate valorile θ ∈Θ .
Aceasta contrazice faptul că δ * este admisibilă şi teorema este demonstrată ■
Teorema anterioară ne sugerează o strategie pentru determinarea funcţiilor de
decizie minimax: mai întâi se identifică o regulă admisibilă şi apoi se verifică dacă ea
are riscul constant.
Cea mai importantă teoremă de clasificare din teoria deciziei arată că, în general,
pentru a fi admisibilă, o regulă de decizie trebuie să fie Bayes.
Aceasta motivează căutarea unei metode mai simple de calcul a regulilor de
decizie Bayes, în loc de a căuta direct minimizarea pierderii medii posterioare
inf M θ M X θ [L(θ , d ( x ))] , (2.53)
δ ∈D
pentru orice X = x .
32 CAPITOLUL 2 – NOŢIUNI DE TEORIA DECIZIEI
şi
f ( x θ ) p(θ )
p(θ x ) = . (2.55)
∫ f ( x θ ) p(θ )dθ
Aşa cum am arătat anterior, problema estimării unui parametru necunoscut poate
fi văzută ca un caz special al unei probleme generale de decizie în care Θ = A , adică
acţiunea necesară este alegerea unui element din spaţiul de parametri. De altfel, dacă
este vorba de funcţii de decizie Bayes, Teorema 2.6 din secţiunea anterioară stabileşte
că o astfel de funcţie de decizie, δ , este definită prin alegerea, pentru fiecare X = x , a
acţiunii a = δ ( x ) care minimizează pierderea medie posterioară
∫ (θ − a ) p(θ x )dθ .
2
(2.60)
Θ
deoarece
∫ p(θ x )dθ = 1 ■ (2.62)
Θ
obţinem
a ∞
1
∫ p (θ x )d θ = ∫ p(θ x )dθ = 2 , (2.65)
−∞ a
(deoarece suma celor două integrale este 1). Rezultă deci că a este mediana distribuţiei
posterioare ■
Vom analiza mai întâi forma deciziei Bayes, fiind date probabilităţile iniţiale cu
condiţiile p (θ 0 ) = π 0 , p (θ1 ) = π 1 , π 0 + π 1 = 1 . Conform Teoremei 2.6, pentru valorile
X = x , decizia Bayes poate fi determinată alegând acţiunea care minimizează pierderea
medie posterioară. Pierderea medie posterioară dacă adoptăm δ ( x ) = a0 este
L01π 1 f (x θ1 )
0 ⋅ p(θ 0 x ) + L01 ⋅ p(θ1 x ) = , (2.66)
π 0 f (x θ 0 ) + π 1 f ( x θ 1 )
iar dacă adoptăm δ ( x ) = a1 avem
L10π 0 f (x θ 0 )
L10 ⋅ p (θ 0 x ) + 0 ⋅ p (θ1 x ) = , (2.67)
π 0 f (x θ 0 ) + π 1 f ( x θ 1 )
În relaţiile de mai sus am folosit teorema lui Bayes pentru funcţiile a scrie p (θ 0 x ) şi
p(θ1 x ) . Atunci δ ( x ) = a va fi decizia care ar trebui să fie aleasă dacă
L10π 0 f (x θ 0 ) < L01π 1 f (x θ1 ), (2.68)
adică dacă
f (x θ 0 ) L10π 1
< . (2.69)
f (x θ1 ) L01π 0
Relaţia de mai sus are următoarea semnificaţie: respingem H 0 dacă raportul de
verosimilitate al lui θ 0 şi θ1 este mai mic decât o anumită valoare.
2.3 TEORIA DECIZIEI ŞI STATISTICA 35
Considerând L01 = L10 = 1 , calculăm mai întâi riscul R(θ , δ ) , unde δ este
definită pentru X = {X 0 , X 1 } şi
δ ( x ) = ai pentru x ∈ X i , i = 1,2 . (2.70)
Atunci
R(θ 0 , δ ) = ∫ L(θ 0 , δ ( x )) f (x θ 0 )dx
X
, (2.71)
= ∫ {
f (x θ 0 )dx = Prob X ∈ X 1 θ 0
~
}
X1
care este β , adică probabilitatea de a accepta H 0 când de fapt H 0 este falsă. Se ştie
că β este probabilitatea erorii de tipul II. Punctele de risc de coordonate (0, 1) şi (1, 0)
ale mulţimii S sunt atinse de testele care întotdeauna acceptă sau resping H 0 ,
independent de x ; aceste puncte aparţin lui S. Având în vedere simetria şi convexitatea
lui S, reprezentarea geometrică a lui pentru această problemă de testare a ipotezelor
statistice este redată în Figura 2.11. Testele admisibile sunt date de punctele de risc
situate pe marginea inferioară (SV) a lui S. Dar aceste puncte sunt caracterizate de
abordarea Neyman – Pearson:
Lema Neyman – Pearson. Cu o funcţie de pierdere 0–1, testele admisibile pentru ipoteza
H 0 : θ = θ 0 faţă de H 1 : θ = θ1 sunt definite de
⎧ f (x θ 0 ) ⎫
⎨δ ∈ D*; δ ( x ) = a1 dacă < k , pentru k ∈ R ⎬ . (2.73)
⎩ f (x θ1 ) ⎭
α
1
Recuperarea sumei
Câştig jucate plus
Joacă θ2 suma câştigată
(θ 2 , a2 )
Pierderea
Pierdere sumei
jucate
θ3 (θ 3 , a 2 )
Figura 2.12 – Schema unei probleme simple de asumare a riscului
U (C+P )
U (C ) pentru a 1
U (C )
U (C ) pentru a 2
U (C-S )
x
C-S C C+P
U (x )
U (C+S ) − U (C )
(a )
U(C) − U (C-S )
x
C-S C C+S
U (x )
U (C+S ) − U (C )
(b )
U(C) − U (C-S )
x
C-S C C+S
U (x )
U (C+S ) − U (C )
(c )
U(C) − U (C-S )
x
C-S C C+S
1 1
U (C − π C ) = U (C + S ) + U (C − S ) , (2.83)
2 2
proprietate ilustrată în Figura 2.15.
U (x )
U (C+S )
U (C )
U (C −π c )
U (C − S )
x
C−S C −π c C C+S
U ′′(C )
Cantitatea − defineşte deci o măsură (locală) a aversiunii la risc. Cu cât
U ′(C )
această cantitate este mai mare, cu atât prima π C pe care decidentul o are de plătit
creşte (indicând nivelul înalt de aversiune la risc). Forma lui π C ne poate ajuta să
determinăm expresia matematică pentru U. De exemplu, să presupunem că pentru un
anumit rezultat X, aversiunea la risc nu depinde de C, ceea ce implică
U ′′(C )
− = k (const.) . (2.88)
U ′(C )
Rezolvând ecuaţia diferenţială de mai sus şi considerând punctele U (0 ) = 0 şi
U (∞ ) = ∞ , obţinem soluţia
U ( x ) = 1 − e − kx , 0 < x < ∞ . (2.89)
Rezultă că dacă decidentul consideră o utilitate marginală descrescătoare şi are o
aversiune constantă la risc, atunci există o funcţie de utilitate definită, pentru care
trebuie specificată doar o constantă. Pe măsură ce această constantă creşte, funcţia de
utilitate are o pantă din ce în ce mai mare, plecând din origine, aşa cum se poate
observa din Figura 2.16.
U (x )
k3
k2
k1
U (x )
100
75
50
25
0 x
C C+S 1 C+S 2 C+S 3 C+ 1000
În Figura 2.18 este reprezentată problema de decizie cu două stadii de mai sus, în
care printr-un pătrat am reprezentat un punct sau nod de decizie (în care decidentul
alege o acţiune), iar printr-un cerc am reprezentat un punct de incertitudine (în care
apare o stare a naturii incertă, necontrolabilă). Presupunem că utilitatea ataşată
consecinţei finale este U (θ (1) ,θ ( 2 ) ; a (1) , a ( 2 ) ). Reprezentând grafic această problemă se
obţine un „arbore”, care are forma din figura următoare.
a (1) θ (1)
a (2) θ (2 )
U (θ (1) , θ ( 2 ) ; a (1) , a ( 2 ) )
( a (1) , θ (1) )
a (2)
U (θ (1) , θ ( 2 ) ; a (1) , a ( 2 ) )
( )
U * (θ (1) , a (1) ) = max ∫ p θ ( 2 ) a (1) ,θ (1) , a ( 2 ) ⋅U (θ (1) ,θ ( 2 ) , a (1) , a ( 2 ) )dθ ( 2 ) .
a( 2 )
(2.93)
Aceasta este utilitatea maximizată, dată fiind θ (1) şi a (1) . Situaţia pe care o are de
rezolvat decidentul în primul stadiu este reprezentată în Figura 2.20.
Soluţia completă a problemei este definită de
( )
max ∫ p θ (1) a (1) ⋅U * (θ (1) , a (1) )dθ (1) .
a (1 )
(2.94)
a (1) θ (1)
U * (θ (1) , a (1) )
creşte
Investeşte cererea
descreşte
Predicţie
cererea creşte
creşte Nu investeşte cererea
descreşte
creşte
Predicţie Investeşte cererea
cererea
descreşte descreşte
Studiu
de piaţă creşte
Nu investeşte cererea
descreşte
creşte
Investeşte cererea
descreşte
creşte
Nu investeşte cererea
descreşte
0,8 θ1 1200 − C
a2
0,2 θ 2 800 − C
0,8 θ1 1000 − C
0,6 x1 a3
0,2 θ 2 1000 − C
0,3 θ1 1200 − C
0,4 x2 a2
0,7 θ 2 800 − C
0,3 θ1 1000 − C
a1 a3
0,7 θ 2 1000 − C
0,6 θ 1 1200
a2
0,4 θ 2 800
0,6 θ1 1000
a3
0,4 θ 2 1000
a2 θ 1 1120 − C
a1 0,6 x1 a3 θ 2 1000 − C
0,4 x2 a2 θ 1 920 − C
a3 θ 2 1000 − C
1120 − C
a1 0,6 x1
0,4 x2
1000 − C
a1 1072 − C
a2
1040
a3
1000
Figura 2.25 Utilităţile pe ultimul nivel al arborelui de decizie
2.6 APLICAŢII
B. DECIZIA CU EXPERIMENTARE
Valorile din tabelul anterior pot fi interpretate astfel: dacă forajul este de 500.000
litri/sursă (starea naturii θ 2 ), atunci 3 16 este probabilitatea condiţionată ca să avem
categoria (2) de clasificare geologică; dacă forajul nu găseşte apă minerală (starea
naturii θ 4 ), atunci 17 48 este probabilitatea condiţionată ca nivelul de clasificare
geologică să fie (3).
Notăm cu X informaţia obţinută prin experimentare dintr-un eşantion aleator. X
este o variabilă aleatoare şi poate fi văzută ca o funcţie a eşantionului de date.
Decidentul trebuie să aleagă o procedură de decizie sau o strategie, care, pe baza
54 CAPITOLUL 2 – NOŢIUNI DE TEORIA DECIZIEI
Procedurile Bayes
iar dacă mulţimea stărilor este continuă şi funcţia de densitate iniţială este pθ ( x ) ,
atunci riscul Bayes este
∞
B(d ) = ∫−∞ R(d , x ) pθ ( x )dx . (2.125)
Principiul Bayes impune decidentului să aleagă funcţia d, denumită procedură de
decizie Bayes, care minimizează B(d ) .
Atunci când nu sunt disponibile date suplimentare, procedura Bayes ne conduce
la selectarea acţiunii care minimizează pierderea medie, evaluată în funcţie de
distribuţia iniţială a lui θ . Dar dacă sunt disponibile date despre starea naturii, acestea
vor fi încorporate în modelul de decizie.
De exemplu, dacă datele geologice clasifică terenul în categoria (4),
probabilitatea de a găsi surse de 1.000.000 litri sau de 500.000 litri este extrem de
redusă. Totuşi, după analiza datelor experimentale, vom actualiza distribuţia iniţială pe
baza datelor despre starea naturii. Această informaţie actualizată ne furnizează
distribuţia posterioară a lui θ , pe baza distribuţiei iniţiale şi a datelor de
experimentare. Distribuţia posterioară a lui θ este reprezentată deci de probabilităţile
condiţionate ale lui θ , date fiind valorile X = x .
Clasificarea π X θ =k ( x ) ⋅ pθ (k ) π X (x)
geologică
θ1 θ2 θ3 θ4
Sintetizând valorile calculate pentru procedura Bayes se obţin datele din Tabelul 2.11
Rezultă că pentru categoriile de teren (1) şi (2) acţiunea optimă este a1 – forajul,
iar pentru categoriile de teren (3) şi (4) acţiunea optimă este a2 – închirierea
necondiţionată a terenului.
Valoarea experimentării
Arborele de decizie
θ2
−40.000
(0 1
−12.000 θ3
Foraj 0
a1 θ4
−12.000
(0
Închiriere 6.000
necondiţionată
a2
Fără date
geologice Închiriere
condiţionată −8.000
a3
−5.250
−27.746
a1
−27.746
a2
−8.000
a3
−6.737
−12.292
x=1
a1 −10.456
2.500 −10.456 a2
Cu date −8.000
geologice x=2 a3
−4.668
−14.792 a1
−1.858
−8.000 a2
x=3 −8.000
a3 −2.257
x=4
a1 1.295
−8.000 a2
−8.000
a3 −971
DECIZIE CU EXPERIMENTARE
P3.3: Se alege acţiunea corespunzătoare liniei pentru care s-a obţinut minimul.
Dacă nu sunt disponibile informaţii despre distribuţia de probabilitate iniţială,
algoritmul se opreşte la acest pas. Dacă sunt cunoscute valorile probabilităţilor
iniţiale pentru distribuţia convingerii, algoritmul continuă cu Pasul 4.
Pasul 4. Definirea probabilităţilor iniţiale.
P4.1: Se definesc probabilităţile iniţiale
Prob{θ = θ i } = pθ (i ), i = 1,K, k , (2.151)
într-un tabel de forma:
Starea naturii θ1 θ2 ... θk
Probabilităţi pθ (1) pθ (2) pθ (k )
...
iniţiale
[ ]
L(a j ) = M L(θ , a j ) = ∑ L(θ i , a j )⋅ pθ (i ) ,
k
(2.153)
i =1
P5.2: Se aplică regula de decizie Bayes, calculând minimul valorilor din ultima
coloană a tabelului de mai sus, respectiv min L(a j ), j = 1,K , l .
P5.3: Se alege acţiunea Bayes, corespunzătoare liniei pentru care s-a obţinut
minimul.
Dacă pentru problema de decizie nu se utilizează informaţii rezultate din
experimentare, algoritmul se opreşte la acest pas. În caz contrar, se continuă cu
Pasul 6.
2.6 APLICAŢII 63
B. DECIZIE CU EXPERIMENTARE
Pasul 6. Definirea experimentului.
P6.1: Se defineşte spaţiul de eşantionare X şi variabila aleatoare X, cu valorile
1,2,K , k .
P6.2: Se specifică probabilităţile condiţionate π θi X =i , i = 1,K , k , într-un tabel de
forma:
x θ1 θ2 ... θk
1 πθ 1 X =1
πθ 2 X =1 ... πθ k X =1
2 πθ 1 X =2
πθ 2 X =2 ... πθ k X =2
P7.4: Decizia Bayes (neoptimală) constă din alegerea acţiunii pentru care s-a
obţinut riscul mediu minim.
Dacă pentru problema de decizie nu se utilizează probabilităţi posterioare,
algoritmul se opreşte la acest pas. În caz contrar, se continuă cu Pasul 8.
64 CAPITOLUL 2 – NOŢIUNI DE TEORIA DECIZIEI
x θ1 θ2 … θk
1 πθ 1 X =1
pθ (1) πθ 2 X =1
pθ (2) ... πθ k X =1
pθ (k ) π X (1)
2 πθ 1 X =2
pθ (1) πθ 2 X =2
pθ (2 ) ... πθ k X =2
pθ (k ) π X (2 )
… ... ... ... ... …
k πθ 1 X =k
pθ (1) πθ 2 X =k
pθ (2 ) ... πθ k X =k
pθ (k ) π X (k )
aplicând relaţia de mai sus pentru elementele din tabelele de la P6.2, P4.1 şi P8.2,
obţinându-se tabelul de forma de mai jos:
k fθ X =x
(k )
x θ1 θ2 … θk
1 fθ (1) fθ (2 ) ... fθ (k )
X =1 X =1 X =1
2 f θ X = 2 (1) f θ X = 2 (2 ) ... f θ X = 2 (k )
… … … … …
k fθ X =k
(1) fθ X =k
(2 ) ... fθ X =k
(k )
x =1 x=2 x=k
( )
Bf aj +C
1
∑ L(a ,1) f j1 θ (1) + C ∑ L(a ,2) f j1 θ (2 ) + C … ∑ L(a j1 )
, k f θ (k ) + C
Bf (a )+ C
j2 ∑ L(a ,1) f j2 θ (1) + C ∑ L(a ,2) f j2 θ (2 ) + C … ∑ L(a j2 , k)f θ (k ) + C
… … … … …
( )
Bf aj +C
k ∑ L(a ,1) f jk θ (1) + C ∑ L(a ,2) f jk θ (2 ) + C … ∑ L(a jk )
, k f θ (k ) + C
2.6 APLICAŢII 65
1 a j1 k
{ ( ) }
min B f a j + C1 π X (1)
2 a j2 min {B (a )+ C }
f j2 π X (2 )
k
… … …
k aj k k
{ ( ) }
min B f a j + C
k π X (k )
Starea naturii
Acţiunea θ1 θ2 θ3 max L(θ , a j )
a1 30.000 10.000 –20.000 30.000
a2 2.000 2.000 2.000 2.000
Starea naturii θ1 θ2 θ3
Probabilităţi iniţiale 0,10 0,30 0,40
Starea naturii
Acţiunea θ1 θ2 θ3 L(a j )
a1 3.000 3.000 –12.000 –6.000
a2 200 600 1.200 2.000
68 CAPITOLUL 2 – NOŢIUNI DE TEORIA DECIZIEI
B. DECIZIE CU EXPERIMENTARE
Pasul 6. Definirea experimentului.
P6.1: Spaţiul de eşantionare X , variabila aleatoare X, cu valorile:
x = 1 – Prognoză ploaie;
x = 2 – Prognoză nori;
x = 3 – Prognoză soare.
P6.2: Probabilităţile condiţionate ca urmare a experimentului sunt date în tabelul
următor.
P6.3: Costul experimentului C = 1.500€ (costul studiului de prognoză meteo).
πθ i X =i
x θ1 θ2 θ3
1 7/10 2/10 1/10
2 2/10 6/10 2/10
3 1/10 2/10 7/10
X 1 2 3
dn a2 a2 a1
Aceasta înseamnă că se va adopta acţiunea a 2 , respectiv anularea festivalului,
dacă prognoza meteo indică ploaie sau nori şi acţiunea a1 , adică ţinerea
festivalului, dacă prognoza meteo indică timp însorit.
P7.2: Calculul riscului mediu:
x 1 2 3 C R (d n ,θ j ) + C
R(d n ,θ1 ) 1.400 400 3.000 1.500 6.300
R(d n , θ 2 ) 400 1.200 2.000 1.500 5.100
R(d n , θ 3 ) 200 400 –14.000 1.500 –11.900
k π X θ =k ( x ) ⋅ pθ (k ) π X ( x)
x θ1 θ2 θ3
1 0,07 0,06 0,06 0,19
2 0,02 0,18 0,12 0,32
3 0,01 0,06 0,42 0,49
k fθ X =x
(k )
x θ1 θ2 θ3
1 0,368 0,316 0,316
2 0,063 0,563 0,375
3 0,020 0,122 0,857
θ 1 (0,10) 2.000
a2
Fără date 2.000
Neinstalare θ 2 (0,30) 2.000
meteo
θ 3 (0,60) 2.000
-6.000 a1 9.395
3.500
a2
1.500 x = 1 (0,190) 3.500
Cu date
meteo a1 1.500
-7.120 1.500
a2
x = 2 (0,320) 3.500
x = 3 (0,490) a1 -13.806
-13.806
a2
4.000
DECIZIE CU EXPERIMENTARE
A2.3 O bancă trebuie să decidă acordarea unui credit de 50.000€ unui nou client, o firmă de
producţie. Banca îşi clasifică clienţii după nivelul de risc referitor la rambursarea creditului în
următoarele categorii: risc scăzut, risc mediu şi risc ridicat. Din informaţiile de care dispune
banca şi din experienţa anterioară, a rezultat că, pentru firmele producătoare din categoria din
care face parte şi noul client, 35% sunt cu risc scăzut, 45% cu risc mediu şi 20% cu risc ridicat.
Dacă se acordă creditul, atunci profitul aşteptat este de 10.000€ pentru risc scăzut, 5.000€ pentru
risc mediu şi –7.500€ pentru risc ridicat. Dacă nu se acordă creditul, atunci clientul se va adresa
altei bănci. Banca poate utiliza servicii de consultanţă de la o firmă specializată pentru evaluarea
riscului creditului, costul studiului fiind de 1.200€. Din studiile anterioare, firma de consultanţă
a furnizat următoarele nivele de evaluare a riscului creditului:
(a) Ce decizie minimax rezultă în condiţiile unei decizii fără experimentare, respectiv fără a
utiliza evaluarea firmei de consultanţă?
(b) Ce acţiune rezultă ca urmare a aplicării regulii de decizie Bayes fără experimentare?
(c) Care este valoare care se poate plăti pentru o „informaţie perfectă”?
(d) Să se determine decizia optimală pentru o procedură de decizie cu experimentare şi cu
probabilităţi posterioare.
(e) Să se construiască şi să se evalueze arborele de decizie al problemei.
(f) Să se stabilească acţiunea optimală cu ajutorul arborelui de decizie evaluat.
A2.4 O firmă a dezvoltat o nouă tehnologie de programare, care îi va permite să intre pe piaţa
de software. Ca alternativă la producţia de programe, firma poate să îşi vândă drepturile sale de
proprietate intelectuală asupra noii tehnologii, pentru 80.000€. Dacă alege să aplice noua
tehnologie şi să producă software, profitabilitatea acţiunii va depinde de abilitatea de a vinde
pachetul de programe în primul an de producţie. Accesul la firmele specializate în vânzarea de
software îi garantează vinderea a 250 de pachete de programe. Pe de altă parte, dacă produsul va
avea succes, vor fi vândute până la 1.000 de pachete de programe. Din analizele de marketing a
rezultat că ambele alternative (producerea de software sau vinderea drepturilor de licenţă) au
aceleaşi şanse se aplicare, alte alternative nefiind luate în considerare. Costurile fixe pentru
fabricaţie sunt de 60.000€. Diferenţa între preţul de vânzare şi costurile variabile ale unui pachet
de programe este de 60€. Studiul de piaţă necesar pentru a stabili care dintre cele două nivele de
vânzări sunt mai realiste costă 4.000€, iar experienţa anterioară a arătat că prognoza de piaţă
este corectă în două din trei cazuri.
(a) Ce acţiune va rezulta ca urmare a aplicării procedurii Bayes, fără utilizarea studiului de
piaţă, deci în condiţiile unei decizii fără experimentare?
(b) Care este costul „informaţiei perfecte” ?
(c) Care este riscul Bayes, dacă se utilizează studiul de piaţă?
(d) Care este decizia optimală pentru procedura Bayes cu probabilităţi posterioare?
(e) Să se construiască şi să se evalueze arborele de decizie al problemei.
(f) Să se stabilească acţiunea optimală cu ajutorul arborelui de decizie evaluat
3
TEHNICI DE SIMULARE
73
74 CAPITOLUL 3 – TEHNICI DE SIMULARE
asupra unui model, deoarece efectuarea experimentelor asupra unui model real este, de
obicei, mult prea costisitoare sau consumatoare de timp. Experimentele de simulare,
datorită volumului foarte mare de date care rezultă, trebuie efectuate cu ajutorul unui
calculator.
Primul pas în realizarea unui studiu de simulare este dezvoltarea unui model care
să reprezinte sistemul analizat. Acest pas implică reprezentarea sistemului printr-o
diagramă (schemă) logică de flux. Sistemul este descompus într-o serie de componente
care sunt reprezentate în diagrama de flux şi pentru care sunt stabilite regulile de
operare. Aceste reguli de operare furnizează evenimentele care vor fi generate cu
ajutorul unor variabile aleatoare. Trebuie remarcat faptul că modelul de simulare nu va
putea să fie o reprezentare completă a sistemului real. Dacă comportarea unui anumit
element nu poate să fie prognozată, atunci este preferabil să se genereze valori
aleatoare din distribuţia de probabilitate care modelează elementul respectiv, în loc să
se utilizeze valori medii. În multe cazuri, combinarea performanţelor medii ale
componentelor sistemului poate să conducă la rezultate care să se îndepărteze evident
de comportarea sistemului în general. O problemă care se pune atunci când alegem
distribuţia de probabilitate pentru model este legată de utilizarea distribuţiilor de
frecvenţă ale datelor istorice sau de determinarea distribuţiilor care concordă cel mai
bine din punct de vedere statistic cu aceste date. Este recomandat să se aplice ultima
alternativă, pentru a elimina anumite comportamente particulare posibil să apară în
datele istorice.
În general, realizarea unui experiment de simulare este un proces complex, care
se desfăşoară în următoarele etape principale:
(1) Formularea problemei;
(2) Colectarea şi prelucrarea primară a datelor;
(3) Elaborarea modelului de simulare;
(4) Estimarea parametrilor sistemului analizat;
(5) Evaluarea performanţelor sistemului şi testarea parametrilor;
(6) Construirea algoritmului simulării;
(7) Validarea algoritmului de simulare;
(8) Planificarea experimentului de simulare;
(9) Analiza datelor simulate;
(10) Concluzia şi decizia asupra sistemului analizat.
În consideraţiile care urmează ne vom concentra numai asupra anumitor etape ale
experimentelor de simulare, respectiv la cele legate de generarea celor mai importante
variabile aleatoare, cele care se utilizează cel mai frecvent în tehnicile de simulare
asociate riscului.
3.2 GENERAREA VARIABILELOR ALEATOARE 75
Distribuţia uniformă
0.020
0.015
0.010
0.005
0.000
3.60 3.80 4.00 4.20
Distribuţia triunghiulară
a+m+b
µ= , (3.9)
3
iar dispersia
(b − a )2 + (m − a ) ⋅ (m − b )
σ2 = . (3.10)
18
Pentru a genera un şir de valori xi ∈ [a , b] dintr-o distribuţie triunghiulară,
utilizăm proprietatea că media a două variabile aleatoare uniforme are o distribuţie
triunghiulară. Atunci pentru a obţine şirul de variabile aleatoare triunghiulare, generăm
perechi de variabile aleatoare uniforme ui1 , ui2 ∈ (0, 1) şi apoi
ui1 + ui2
xi = a + (b − a ) ⋅. (3.11)
2
În Figura 3.2 este reprezentată distribuţia triunghiulară pentru un eşantion simulat
cu un efectiv de 100 de valori, cu valoarea minimă a = 1,80 , valoarea cea mai
probabilă m = 2,00 şi cu valoarea maximă b = 2,20 .
0.025
0.020
0.015
0.010
0.005
0.000
1.80 1.88 1.96 2.04 2.12
0.2
0.1
0.1
0.1
0.1
0.1
0.0
0.0
0.0
0 2.7 5.4 8.1 10.8 13.5 16.2 18.9 21.6 24.3 27
Distribuţia Weibull
0.025
0.020
0.015
0.010
0.005
0.000
5.01 5.50 5.99 6.48 6.97
Distribuţia gamma
Distribuţia gamma are funcţia de densitate de probabilitate:
xα −1e − x β
f (x) = α , x ≥ 0 , α > 0, β > 0 , (3.22)
β Γ (α )
∞
Γ (α ) = ∫0 xα −1e − x dx . (3.23)
Utilizăm proprietatea că suma a k variabile aleatoare exponenţiale independente,
cu media 1 kα are o distribuţie gamma cu parametrul de formă k (natural) şi cu media
1 α . Atunci, generând un şir de numere aleatoare uniforme u1 , u 2 ,K , u k , valorile
pentru distribuţia gamma se obţin din:
k
ln (1 − ui )
x=∑ , (3.24)
i =1 − kα
relaţie care se reduce la
1 ⎧ k ⎫
x=− ln ⎨∏ (1 − ui )⎬ . (3.25)
kα ⎩ i =1 ⎭
Distribuţia gamma cu parametrii α = 2,5 şi β = 1 este redată în Figura 3.5.
0.40
0.30
0.20
0.10
0.00
0.1 1 1.9 2.8 3.7 4.6 5.5 6.4 7.3 8.2 9.1 10
Distribuţia beta
Atunci, pentru generarea unei variabile aleatoare beta, vom genera mai întâi două
variabile aleatoare gamma xΓ (k ,α ) şi xΓ (k , β ) , conform relaţiei anterioare, iar
variabila aleatoare beta va fi:
xΓ (k , α )
xΒ (α , β ) = . (3.28)
x Γ ( k , α ) + xΓ ( k , β )
Distribuţia beta cu parametrii α = 3 şi β = 2 este reprezentată în Figura 3.6.
2.0
1.8
1.6
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Distribuţia normală
Vom aplica mai întâi o metodă relativ simplă de generare a variabilelor aleatoare
provenind dintr-o populaţie normală, metodă bazată pe teorema limită centrală.
Distribuţia normală are densitatea de probabilitate:
( x − µ )2
1 −
f ( x) =
2
e 2σ , (3.29)
σ 2π
dar nu avem o formă a distribuţiei cumulative, deci metoda inversă nu este aplicabilă.
Fie un eşantion x1 , x2 ,K , xn de valori dintr-o populaţie oarecare, cu media µ şi
dispersia σ 2 . Conform teoremei limită centrală, media valorilor eşantionului tinde
3.2 GENERAREA VARIABILELOR ALEATOARE 81
1
Dacă u1 , u 2 ,K , u n sunt variabile uniforme pe intervalul (0, 1) , cu media µ = şi
2
1
dispersia σ 2 = , atunci suma celor n variabile uniforme va avea, conform teoremei
12
n n
limită centrală, o distribuţie aproximativ normală cu media µ = şi dispersia σ 2 =
2 12
şi putem scrie
n
u1 + u 2 + K + u n −
z= 2 ⎯⎯ ⎯→ N (0,1) . (3.31)
n →∞
n
12
Înlocuind n = 12 în relaţia de mai sus, obţinem:
z = u1 + u 2 + K + u12 − 6 , (3.32)
care este o metodă rapidă aproximativă pentru generarea unei variabile aleatoare
standardizate. De aici, din relaţia de standardizare:
x−µ
z= , (3.33)
σ
explicităm pe x şi obţinem relaţia pentru o variabilă aleatoare cu media µ şi abaterea
standard σ , respectiv
x = µ + zσ . (3.34)
O altă metodă relativ simplă de generare a variabilelor aleatoare normale este
metoda polară, care se bazează pe următoarea teoremă (Box şi Müller):
Teorema 3.3 Dacă u1 şi u 2 sunt două variabile aleatoare uniforme independente pe
intervalul (0, 1) , atunci variabilele aleatoare
− 2lns − 2lns
z1 = v1 , z 2 = v2 , (3.35)
s s
unde
v1 = 2u1 − 1 , v2 = 2u 2 − 1 , s = v12 + v22 , s < 1 , (3.36)
sunt variabile aleatoare normale independente N (0, 1) .
Atunci, pe baza teoremei de mai sus, algoritmul de generare a variabilelor
aleatoare normale cu metoda polară constă din următorii paşi:
Pasul 1: Se generează două variabile aleatoare u1 şi u 2 , uniforme şi independente pe
(0, 1) . Se calculează v1 = 2u1 − 1 şi v2 = 2u 2 − 1 .
82 CAPITOLUL 3 – TEHNICI DE SIMULARE
0.030
0.025
0.020
0.015
0.010
0.005
0.000
0.70 0.76 0.82 0.88 0.94 1.00 1.06 1.12 1.18 1.24
Distribuţia lognormală
următorul algoritm:
Pasul 1: Se calculează σ y2 şi µ y conform relaţiilor (3.39) şi (3.40).
Pasul 2: Se generează o variabilă aleatoare normală standardizată z.
Pasul 3: Se calculează y = µ y + zσ y .
Pasul 4: Se calculează x = e y .
O reprezentare a distribuţiei lognormale cu parametrii media µ y = 3,5 şi abaterea
standard σ y = 1,2 este redată în Figura 3.8.
0.030
0.025
0.020
0.015
0.010
0.005
0.000
2.22 2.40 2.58 2.77 2.95 3.13 3.31 3.49 3.67 3.85
Distribuţia Bernoulli
Distribuţia geometrică
Distribuţia Poisson
0.30
0.25
0.20
0.15
0.10
0.05
0.00
0 1 2 3 4 5 6 7 8 9 10
Distribuţia binomială
0.20
0.16
0.12
0.08
0.04
0.00
0 2 4 6 8 10 12 14 16 18 20
3.3 APLICAŢII
3.3.1 Simularea unei probleme de risc economic
Modelul
Indicatori economici
Venit total 230.000€ Simulată
Cost total 210.000€ Simulată
Performanţa
Profit anual 20.000€ Simulată
Simularea
Pentru variabilele aleatoare ale modelului, din datele istorice de care dispune
firma şi din analizele de marketing, au fost stabilite distribuţiile de probabilitate şi
parametrii acestor distribuţii. Astfel, pentru numărul de ore de transport anual a fost
aleasă o distribuţie normală cu media de 800 de ore şi abaterea standard de 60 de ore.
Capacitatea ocupată a curselor planificate a fost modelată printr-o distribuţie
triunghiulară cu valoarea minimă 30%, valoarea probabilă 50% şi valoarea maximă
70%. Tot printr-o distribuţie triunghiulară a fost modelată şi proporţia curselor charter
în totalul orelor de transport anuale, având un minim de 0,4, o valoare probabilă de 0,5
şi o valoare maximă de 0,6. Costurile operaţionale pe ora de transport au fost modelate
printr-o distribuţie normală cu media 250 şi abaterea standard de 10. În fine, pentru
costurile fixe, s-a optat pentru o distribuţie discretă cu probabilitatea 0,25 de a realiza
costuri fixe de 7.500€, probabilitatea 0,45 ca firma să aibă costuri fixe de 10.000€ şi
probabilitatea de 0,30 de a înregistra costuri fixe de 12.500€.
Cu parametrii stabiliţi pentru fiecare variabilă aleatoare a modelului, se trece la
simularea valorilor acestor variabile, pentru fiecare distribuţie în parte şi apoi la
agregarea valorilor simulate în model. În exemplul problemei noastre, cu valorile
simulate se calculează indicatorii economici şi apoi rezultă valorile pentru variabila
aleatoare de profit anual. Simularea se realizează pentru un şir semnificativ de valori
(în general între 1.000 şi 10.000 de valori simulate) şi se poate repeta de mai multe ori.
3.2 GENERAREA VARIABILELOR ALEATOARE 89
25
20
Frecvenţa
15
10
0
-30,000 -10,000 10,000 30,000 50,000 70,000
Profit anual
1.0
0.9
Probabilitatea cumulativ
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-40,000 -20,000 0 20,000 40,000 60,000 80,000
Profit anual
Analiza de senzitivitate
Analiza de senzitivitate este o tehnică prin care sunt simulate reacţiile modelului
la diferitele variaţii ale variabilelor de intrare. Etapele pentru realizarea analizei de
senzitivitate sunt următoarele:
(1) Se stabilesc valorile minime, de bază şi maxime ale variabilelor de intrare ale
modelului.
3.2 GENERAREA VARIABILELOR ALEATOARE 91
urmare a variaţiei, iar restul valorilor de calcul fiind cele corespunzătoare bazei
(100%) din acelaşi tabel. De exemplu, valoarea profitului de –30.000€ ca urmare a
unui preţ pe oră al cursei charter corespunzător variaţiei de 50% a acestui preţ se
obţine considerând în modelul de calcul preţul de 125€ (din coloana 50% a tabelului
de mai sus), iar celelalte elemente din coloana 100%.
Pe baza datelor din Tabelul 3.6, s-a întocmit o fişă de analiză multidimensională
a efectului variaţiei variabilelor de intrare asupra variabilei de ieşire, respectiv o fişă cu
mai multe variabile reprezentată în Figura 3.13.
120,000
Pret cursa charter/oră
100,000
60,000
Ore transport/an
40,000
Profit anual
700%
Pret cursa charter/oră
600%
500% Preţ bilete/oră
% modificare profit annual
400%
300% Ore transport/an
200%
Capacitatea curselor
100% planificate
0% Proporţia curselor
-100% 50% 70% 90% 110% 130% 150% charter
-200% Costuri
operaţionale/oră
-300%
Costuri fixe (leasing,
-400% asigurări, salarii)
-500%
% modificare variabile intrare
Pe baza acestor date, pentru fiecare variabilă vom calcula amplitudinea ca fiind
diferenţa – în valoare absolută – dintre valoarea maximă şi valoarea minimă
corespunzătoare.
Pentru calculul ponderii varianţei, vom calcula varianţa ca fiind pătratul
amplitudinii şi apoi pentru fiecare variabilă, vom calcula ponderea ei procentuală din
totalul pătratului amplitudinilor. Variabilele sunt apoi sortate în ordine descrescătoare
a valorii amplitudinii. Datele sunt prezentate în Tabelul 3.8.
Costuri operaţionale/oră
Preţ bilete/oră
Ore transport/an
Diagrama Pareto pentru ponderea varianţei fiecărei variabile este redată în Figura 3.16.
120%
100%
80% 69.7% 97.5% 98.9% 99.8% 100.0%
94.9%
84.6%
60%
69.7%
40%
14.9% 10.3%
20%
2.6% 1.5% 0.9% 0.2%
0%
asigurări, salarii)
operaţionale/oră
Preţ bilete/oră
charter/oră
curselor charter
Pret cursa
Capacitatea
transport/an
planificate
curselor
Costuri fixe
Proporţia
(leasing,
Ore
Costuri
A3.1 O firmă urmăreşte simularea fluxului de numerar net pentru vânzările unui anumit produs
în anul următor. Modelul economic avut în vedere este următorul:
Indicatori Valori Distribuţia Parametri Min Baza Max
Preţ unitar 30€ Controlabilă - 25 30 35
Unităţi 1.000 Normală Media = 1.000
700 1.000 1.300
vândute Ab. std = 100
Costuri 12€ Triunghiulară Min = 10
variabile Baza = 12 10 12 15
unitare Max = 15
Costuri fixe 12.000€ Discretă P{10.000}= 0,25
P{12.000}= 0,50 10.000 12.000 15.000
P{50.000}= 0,25
Cash flow net 6.000€ - - - - -
96 CAPITOLUL 3 – TEHNICI DE SIMULARE
Valoarea de cash flow net a fost determinată de diferenţa dintre venitul total (1.000 x 30 =
30.000€) şi cheltuielile totale (1.000 x 12 + 12.000 = 24.000€). Preţul de vânzare fiind o
variabilă controlabilă, pentru celelalte variabile aleatoare ale modelului au fost stabilite, pe baza
datelor istorice de marketing, distribuţiile de probabilitate din tabelul de mai sus. De asemenea,
în tabel sunt date valorile minime, de bază şi maxime pentru variabilele modelului.
(a) Să se construiască un model de simulare, histograma frecvenţei şi distribuţia cumulativă
simulată.
(b) Care este probabilitatea ca firma să obţină profit din vânzarea produsului respectiv?
(c) Care este probabilitatea c aprofitul să fie cel din modelul determinist, adică 6.000?
(d) Să se realizeze analiza de senzitivitate pentru acest model.
A3.2 O firmă urmăreşte trebuie să decidă alegerea companiei de telefonie celulară, între două
firme, Alfatel şi Betafon. Pentru fiecare telefon al firmei, Alfatel oferă în cadrul abonamentului
de 29,99€ un număr de 400 de minute de convorbiri pe lună, iar ce depăşeşte acest număr de
minute se taxează cu 0,40€ pe minut. Betafon în cadrul abonamentului de 25,00€ oferă un
număr nelimitat de minute, dar convorbirile internaţionale sunt taxate cu 0,08 pe minut.
Modelul economic, din care rezultă alegerea firmei Alfatel, este dat în tabelul de mai jos:
Indicatori Alfatel Betafon
Cost abonament 29,99€ 25,00€
Minute incluse 400 Nelimitat
Minute adiţionale 0,40€ 0
Internaţionale 0 0,08€
Convorbiri lunare 400
% convorbiri internaţionale 30%
Număr minute convorbiri
120
internaţionale
Cost total 29,99€ 34,60€
Cost economisit prin alegerea
4,61€
Alfatel
Datele istorice au relevat o distribuţie normală cu media 400 de minute şi abaterea standard de
20 minute pentru numărul de minute de convorbiri lunare, respectiv o distribuţie triunghiulară
cu minimul de 10%, valoarea probabilă de 30% şi maximul de 40% pentru procentul de
convorbiri internaţionale.
(a) Să se construiască modelul de simulare, histograma frecvenţei şi distribuţia cumulativă
simulată.
(b) Să se determine gradul de certitudine privind obţinerea de profit în urma alegerii Alfatel.
(c) Care este probabilitatea ca firma să obţină profitul de 4,61€?
(d) Să se realizeze analiza de senzitivitate pentru acest model, utilizând ca valori minime şi
maxime valorile rezultate din simulare pentru numărul de minute lunare şi procentul de
convorbiri internaţionale, iar ca valori de bază cele din tabelul de mai sus, respectiv 400
minute şi 30%.
4
MANAGEMENTUL RISCULUI ÎN
CALITATE ŞI FIABILITATE
Unul din domeniile în care riscul poate avea influenţe deosebit de importante şi
mai ales consecinţe foarte grave este reprezentat de sistemul de management al
calităţii. Riscul în calitate este întotdeauna inclus în ecuaţia calitate – cost, deoarece
atât atingerea şi menţinerea unui nivel de calitate corespunzător, pe de o parte, dar şi
deteriorarea calităţii, pe de altă parte, poate genera costuri foarte mari.
Vom analiza în continuare o problemă de decizie în care decidentul îşi stabileşte
deciziile şi acţiunile şi îşi evaluează riscul în funcţie de o serie de caracteristici de
calitate, dar în strânsă legătură şi cu criterii de cost.
Considerăm o companie care realizează motoare de automobile, în care sunt
asamblate componente de mare complexitate tehnică şi cu costuri ridicate, care trebuie
realizate la standarde de calitate foarte înalte. Unul din aceste componente este
arborele cotit, care este fabricat din oţel cu o compoziţie specială. Semifabricatele
pentru arbori se aprovizionează, după care compania realizează operaţii complexe de
prelucrări mecanice şi tratamente termice, operaţii realizate însă cu costuri
semnificative. O caracteristică de calitate deosebit de importantă este duritatea (notată
HB), care se măsoară pentru fiecare unitate de produs aprovizionată. Studiile de
capabilitate asupra loturilor livrate au condus la concluzia că duritatea are o distribuţie
normală, cu media µ = 102 (unităţi Brinell) şi cu abaterea standard σ = 2 . Intervalul de
toleranţă specificat pentru această caracteristică este intervalul [98; 106] , arborii care
nu se încadrează între aceste limite specificate fiind supuşi unor operaţii suplimentare
de tratament termic, operaţii care generează un cost suplimentar de 300€ pentru a
readuce arborii prelucraţi în limitele de duritate specificate. Acest cost este relativ
ridicat faţă de preţul iniţial al semifabricatului, dar este considerabil mai mic comparat
cu costul operaţiilor suplimentare necesare a fi realizate pentru semifabricatele iniţiale.
Departamentul de aprovizionare al companiei a primit o comandă pentru
achiziţionarea a 1.000 de semifabricate de arbori cotiţi. Lotul minim de aprovizionare
97
98 CAPITOLUL 4 – MANAGEMENTUL RISCULUI ÎN CALITATE ŞI FIABILITATE
este de 500 de bucăţi. Lista de furnizori acceptaţi pentru arbori conţine trei furnizori,
clasificaţi A, B şi C, în funcţie de criterii de calitate şi de preţ, astfel:
• Furnizorul A, care oferă arborii la un preţ unitar de 200€ şi are cel mai bun nivel
calitativ, realizând o duritate cu parametrii µ A = 102 şi σ A = 2 ;
• Furnizorul B, care oferă arborii la un preţ unitar de 140€, dar studiile de
capabilitate ale produselor livrate anterior au indicat loturi livrate cu parametrii
µ B = 105 şi σ B = 2 ;
• Furnizorul C, care oferă arborii la un preţ unitar de 140€ pentru lot de 1.000
bucăţi şi 150€ pentru lot de 500 bucăţi, dar despre calitatea cărora nu există
informaţii anterioare.
Vom aplica pentru această problemă algoritmul de rezolvare a problemei de
decizie prezentat în capitolul 2 şi vom analiza mai întâi problema de decizie fără
experimentare, iar apoi vom rezolva problema pentru decizia cu experimentare.
P1.4: Costurile (UM=€) sunt mai dificil de determinat. Avem mai întâi, preţurile
unitare de aprovizionare (preţul pe bucată), care sunt:
Furnizorul A: 200 / bucată;
Furnizorul B: 140 / bucată;
Furnizorul C: 140 / bucată la lot de 1.000;
150 / bucată la lot de 500;
Remaniere: 300 / bucată.
Vom determina în continuare, costul unitar Cu , cu următoarea relaţie:
C u = Pu + 300 ⋅ C r , (4.1)
unde Pu este preţul unitar de aprovizionare de mai sus, iar C r este costul unitar de
remaniere şi este o variabilă aleatoare (Bernoulli) cu valorile:
⎧0, dacă 98 ≤ HB ≤ 106
Cr = ⎨ . (4.2)
⎩ 1, dacă HB < 98 sau HB > 106
Atunci distribuţia de probabilitate a acestei variabile aleatoare este dată de:
Prob{C r = 1} = Prob{HB < 98} + Prob{HB > 106} = p . (4.3)
Prob{Cr = 0} = Prob{98 ≤ HB < 106} = 1 − p . (4.4)
Ţinând cont că HB are o distribuţie normală, cu media µ = 102 şi cu abaterea standard
σ = 2 , respectiv cu media µ = 105 şi cu abaterea standard σ = 2 ,obţinem:
⎧0,02275 + 0,02275 = 0,0455, dacă µ = 102
p=⎨ . (4.5)
⎩0,000233 + 0,3085 = 0,3088, dacă µ = 105
Valoarea medie (valoarea aşteptată) a variabilei aleatoare Cr este dată de relaţia:
M [Cr ] = 1⋅ p + 0 ⋅ (1 − p ) = p , (4.6)
iar atunci formula costului mediu unitar C mu devine:
Cmu = Pu + 300 ⋅ p , (4.7)
unde p poate fi interpretat ca fiind fracţiunea de unităţi defective care se remaniază,
provenind din loturile aprovizionate.
Rezultă următoarele valori pentru costul mediu unitar:
Starea naturii
Acţiunea θ1 θ2 max L(θ , a j )
a1 1.000 C 153.650 232.631 232.631
a2 1.000 A 213.650 213.650 213.650
a3 500 C 188.650 228.141 228.141
500 A
Starea naturii θ1 θ2
Probabilităţi iniţiale 0,67 0,33
4.1 O PROBLEMĂ DE DECIZIE ÎN CALITATE 101
Starea naturii
Acţiunea θ1 θ2 L(a j )
a1 102.433 77.544 179.977
a2 142.433 71.217 213.650
a3 125.767 76.047 201.814
min 179.977
250000
225000 L2
200000 a2 L3
175000
a1 L1
150000
125000
0.24
100000
0.0 0.2 0.4 0.6 0.8 1.0
B. DECIZIE CU EXPERIMENTARE
Pasul 6. Definirea experimentului.
P6.1: Definim spaţiul de eşantionare X şi variabila aleatoare x , calculată ca
urmare a extragerii unui eşantion cu n = 4 valori din fiecare lot aprovizionat şi
calculării mediei valorilor de eşantionare. Valorile la care ne raportăm sunt media
µ1 = 102 şi µ1 = 105 , precum şi abaterea standard σ 1 = σ n =2 4 = 1.
102 CAPITOLUL 4 – MANAGEMENTUL RISCULUI ÎN CALITATE ŞI FIABILITATE
a1 a3 a2 C R (d1 ,θ j ) + C
R(d1 ,θ1 ) 129.273 25.639 4.861 0 159.772
R(d1 ,θ 2 ) 5.292 31.005 179.753 0 216.051
a1 a2 C R (d 2 ,θ j ) + C
R(d 2 ,θ1 ) 129.273 33.897 0 163.169
R(d 2 ,θ 2 ) 5.292 208.789 0 214.082
4.1 O PROBLEMĂ DE DECIZIE ÎN CALITATE 103
θ1 θ2 max
R(d1 ,θ ) 159.772 216.051 216.051
R(d 2 ,θ ) 163.169 214.082 214.082
min 214.082
θ1 θ2 ∑
R(d1 ,θ ) 106.514 72.017 178.532
R(d 2 ,θ ) 108.780 71.361 180.140
min 178.532
πθ x
x θ1 θ2
104,5 0,0175 0,3521
k π X θ =k ( x ) ⋅ pθ (k ) π X (x)
x θ1 θ2
104,5 0,0117 0,1174 0,1290
k f θ X = x (k )
x θ1 θ2
104,5 0,0906 0,9094
θ1 θ2 B f (ai )
B f (a1 ) 13.914 211.565 225.479
B f (a2 ) 19.348 194.303 213.650
B f (a3 ) 17.084 207.481 224.564
min 213.650
În concluzie, dacă adevărata stare a naturii este θ 2 , atunci decizia Bayes este
optimală, în schimb dacă starea naturii este θ1 , atunci decizia Bayes de alegere a
acţiunii a2 este „regretabilă”, pentru că va conduce la cea mai mare pierdere.
4.1 O PROBLEMĂ DE DECIZIE ÎN CALITATE 105
1.20
1.00
α
0.80 β (103)
0.60
0.40
0.20
0.00
98 99 100 101 102 103 104 105 106
Pierdere
LSI T LSS
LSS
psup = Prob{X > LSS } = 1 − Prob{X < LSS } = 1 − ∫−∞ N (t , x , s )dt , (4.16)
ptot = Prob{X < LSI sau X > LSS } = Prob{X < LSI } + Prob{X > LSS } = pinf + psup .
(4.17)
Aplicând în continuare costurile unitare de remaniere, rebutare sau înlocuire,
obţinem pierderea totală estimată, similar calculului costului din exemplului anterior.
Fie X variabila aleatoare ce reprezintă o caracteristică de calitate a unui proces,
cu T valoarea ţintă, modelat de o distribuţie normală N ( x , µ ,σ ) , unde x ∈ X şi µ = T .
Fie, de asemenea, δ abaterea de la ţintă a procesului.
Taguchi a considerat funcţia de pierdere pătratică (ale cărei proprietăţi
matematice au fost fundamentate de Gauss în 1809) de forma:
LT ( x ) = k ⋅ ( x − T )2 . (4.18)
Fie K δ pierderea pentru abaterea δ = x − T de la ţinta T a procesului. Atunci
avem:
LT ( x ) = k ⋅ δ 2 = K δ , (4.19)
de unde obţinem:
Kδ
k= . (4.20)
δ2
Funcţia de pierdere Taguchi este reprezentată în Figura 4.4.
4.2 ABORDAREA TAGUCHI 109
Pierdere
Kδ δ
LSI T LSS
2
⎛ ITS 1 ⎞
M [LT ( x , T )] = k ⋅ ⎜ ⋅ ⎟ , (4.24)
⎜ 6 C ⎟
⎝ pm ⎠
cel mai descentrat, ceea ce confirmă principiul lui Taguchi că cu cât ne îndepărtăm de
ţinta procesului, calitatea se deteriorează, iar costurile cresc semnificativ.
Cp =2 Cp =2
Cpk =1 Cpk =2
Cpm =0,63 Cpm =2
Cp =1
Cpk =1
Cpm =1
Entitatea 1 Entitatea 2
Factor
de risc
Funcţia de distribuţie
cumulativă
Probabilitatea
Ţinta M etrica
Mecanism de
Mod de defectare
defectare
Factor
de risc
Componenta C
Efectele
După stabilirea funcţiilor şi a modurilor de defectare, următorul pas al modelului
FMEA este identificarea consecinţelor potenţiale la apariţia modurilor de defectare.
Aceasta impune o activitate de analiză a echipei. După identificarea consecinţelor,
acestea trebuie induse în modelul FMEA ca efecte. În modelul FMEA se presupune că
efectele unui mod de defectare apar întotdeauna atunci când apare modul de defectare
respectiv, fără a i se asocia o anumită probabilitate acestui tip de eveniment.
Vom discuta în continuare o procedură pentru identificarea consecinţelor
potenţiale care se poate aplica pentru înregistrarea consecinţelor improbabile sau puţin
probabile. Această procedură asociază în mod explicit efectele cu circumstanţele în
care acestea apar, prin identificarea de moduri de defectare adiţionale.
(consecinţe care ar putea să apară când apare modul de defectare respectiv, dar
depinzând de circumstanţele în care acest mod de defectare apare);
(2) Aceste noi moduri de defectare identificate implică faptul că, ţinând cont de
circumstanţele de apariţie, o serie de consecinţe este puţin probabil să apară. Se
separă consecinţele care pot fi asumate că rezultă ori de câte ori apare modul de
defectare, de cele care apar numai în circumstanţe speciale. Aceste consecinţe se
identifică ca efecte ale modurilor de defectare adiţionale.
Severitatea
Primul pas în analiza riscului este cuantificarea severităţii efectelor. Efectele sunt
clasificate pe o scară de la 1 la 10, valoarea 10 având severitatea cea mai mare.
Sistemele de clasificare a severităţii pentru proiect (DFMEA) şi respectiv pentru
proces (PFMEA) sunt prezentate în tabelele următoare (Tabelul 4.2 şi Tabelul 4.3).
Echipa FMEA trebuie să stabilească criterii de evaluare adecvate pentru a utiliza
corespunzător scara de clasificare.
Efectele sunt evaluate grupat atunci când se cuantifică riscul, deşi valorile de
severitate sunt atribuite în mod individual. Aceasta presupune că vor rezulta toate
efectele atunci când modul de defectare apare. Totodată, efectul cel mai grav este
prioritar atunci când se evaluează potenţialul de risc. Se observă că acest model va lua
în considerare cauzele care au efecte multiple.
conduc la rezultate catastrofice, de cele cu consecinţe minore, sau cele care conduc la
nerespectarea prevederilor legislaţiei. De asemenea, un defect sesizat de cea mai mare
parte a clienţilor este cuantificat la mai puţin de jumătate din scala de severitate, scală
care începe de la valoarea 1 pentru situaţia “Nici un efect” (valoarea zero nu se
utilizează).
Tabelul 4.3 –Tabelul de severitate pentru proces (PFMEA)
Criterii : Severitatea efectului
Efect Punctaj
pentru PFMEA
Defectarea poate pune în pericol operatorii. Defectarea
Hazardat – fără afectează funcţionarea în siguranţă a produsului sau 10
avertizare implică nerespectarea legislaţiei - fără avertizare
Defectarea poate pune în pericol operatorii. Defectarea
Hazardat – cu
afectează funcţionarea în siguranţă a produsului sau 9
avertizare
implică nerespectarea legislaţiei – cu avertizare
Întrerupere majoră a procesului. Produsele pot fi 100%
Foarte mare defective. Produsul este inoperabil, cu pierderea funcţiei 8
de bază.
Întrerupere minoră a procesului. Produsele pot fi sortate
Mare şi o parte sunt defective. Produsul este operabil, dar la 7
un nivel redus de performanţă
Întrerupere minoră a procesului. O parte din produse
Moderat sunt defective. Produsul este operabil, dar articolele care 6
realizează confortul nu sunt funcţionale
Întrerupere minoră a procesului. Produsul este operabil,
Redus dar articolele care realizează confortul funcţionează la un 5
nivel redus de performanţă
Întrerupere minoră a procesului. Produsele pot fi
Foarte redus remaniate. Articolele de finisare şi aspectul nu sunt 4
conforme. Majoritatea clienţilor sesizează defectarea
Întrerupere minoră a procesului. Articolele de finisare şi
Minor aspectul nu sunt conforme. Circa jumătate din clienţi 3
sesizează defectarea
Întrerupere minoră a procesului. Articolele de finisare şi
Foarte minor aspectul nu sunt conforme. O mică parte din clienţi 2
sesizează defectarea
Inexistent Nici un efect 1
Cauzele
După stabilirea efectelor şi a severităţii, următorul pas îl constituie identificarea
cauzelor pentru modurile de defectare, activitate care implică de asemenea echipa
FMEA. Identificarea cauzelor începe cu modurile de defectare care au cele mai
serioase efecte.
În cazul unei analize FMEA de proiect, cauzele de defectare pot fi deficienţele de
proiectare care ar putea conduce la moduri de defectare. De asemenea, pot fi incluse în
cauze şi deficienţele de proiectare care ar putea genera erori de prelucrare sau de
4.4 MANAGEMENTUL RISCULUI ÎN FMEA 121
Apariţia
Cauzele sunt punctate prin intermediul apariţiei. Apariţia este probabilitatea ca o
anumită cauză să apară şi să aibă ca rezultat un mod de defectare pe perioada
prevăzută de viaţă şi de utilizare a unui produs.
Ca şi efectele, cauzele nu sunt evaluate grupat atunci când este evaluat riscul.
Fiecărei cauze a unui mod de defectare i se atribuie o valoare distinctă.
Tabelele cu ratele de apariţie pentru proiect (DFMEA) – Tabelul 4.4 – şi pentru
proces (PFMEA) – Tabelul 4.5, care sunt prezentate în continuare, conţin pe o scală
neliniară de la 1 la 10, probabilităţile ca o anumită cauză să apară şi să aibă ca efect un
mod de defectare. Pentru cazurile în care ratele de defectare sunt necunoscute se
adoptă un punctaj maxim de apariţie, respectiv valoarea 10.
Punctajul de apariţie se bazează pe informaţii de la produse sau procese similare,
dacă acestea sunt disponibile.
Controlul curent
Controalele curente aplicate proiectului sau procesului se clasifică în următoarele
3 tipuri, având ca obiective:
(1) Prevenirea apariţiei unei cauze sau a unui mod de defectare, respectiv reducerea
ratei lor de apariţie.
(2) Detectarea cauzei unui mod de defectare şi orientarea către acţiunea corectivă ce
trebuie aplicată.
(3) Detectarea modului de defectare înainte ca produsul să ajungă la client.
Este important să facem distincţie între controalele care previn defectarea (tipul
1) şi controalele care detectează defectarea (tipul 2 şi tipul 3). Astfel, primul tip de
controale reduce posibilitatea de apariţie a unei cauze sau a unui mod de defectare,
ceea ce va influenţa punctajul de apariţie. Celelalte două tipuri de controale detectează
respectiv cauzele şi modurile de defectare şi vor influenţa punctajele de detecţie.
Detecţia
Detecţia este o evaluare a posibilităţii controalelor curente ale proiectului sau
procesului de a detecta cauzele potenţiale (deficienţele proiectului sau procesului ) sau
modurile de defectare corespunzătoare. În scopul de a obţine un punctaj mai redus,
4.4 MANAGEMENTUL RISCULUI ÎN FMEA 123
Sistemul de punctaj pentru criteriul de detecţie pentru proces este prezentat în Tabelul
4.7.
Numărul de prioritate-risc
Numărul de prioritate-risc (RPN) este produsul punctajelor de severitate (S) de
apariţie (O) şi de detecţie (D):
RPN = (S) × (O) × (D). (4.36)
Acest număr este în esenţă o evaluare a gravităţii efectelor (severitatea),
probabilitatea ca o cauză să genereze defectarea asociată cu aceste efecte (apariţia) şi
capacitatea de a detecta defectarea înainte ca aceasta să ajungă la client (detecţia). RPN
se utilizează pentru a identifica elementele cu cel mai mare risc, care să fundamenteze
acţiunile corective.
Mulţimea valorilor RPN are o serie de proprietăţi interesante, dintre care
enumerăm câteva:
124 CAPITOLUL 4 – MANAGEMENTUL RISCULUI ÎN CALITATE ŞI FIABILITATE
Acţiunile corective
După ce modurile de defectare au fost ordonate descrescător în funcţie de RPN
(de exemplu, ca în analiza Pareto), acţiunile corective trebuie concentrate asupra
problemelor cu cel mai mare RPN.
Scopul oricărei acţiuni corective recomandate este de a reduce punctajul de
severitate apărută şi/sau detecţie. Principalele acţiuni corective ce trebuie considerate
sunt cele care urmăresc reducerea probabilităţii de apariţie prin îmbunătăţirea continuă
a produselor şi proceselor, precum şi prin prevenirea defectelor.
De asemenea, scopul fundamental al analizei FMEA este recomandarea şi
adoptarea acţiunilor care reduc riscul de defectare.
4.4 MANAGEMENTUL RISCULUI ÎN FMEA 125
Managementul
riscului
Raportare risc
Acţiuni corective/
preventive
Prioritizare Identificare
riscuri caracteristici
Reducerea
riscului
Identificare Identificare moduri
cauze de defectare
Identificare riscuri
(M)
450
400
350
300
250
200
150
100
50
0
Capul pistolului Capul pistolului Capul pistolului Timpul de
nu ajunge la este înfundat este deformat acoperire este
toate suprafeţele insuficient
Stadiul iniţial Stadiul optimizat
interioare
S M R
129
Figura 4.13 Exemplul unui studiu FMEA pentru proces
130 CAPITOLUL 4 – MANAGEMENTUL RISCULUI ÎN CALITATE ŞI FIABILITATE
131
132 CAPITOLUL 5 – MANAGEMENTUL RISCULUI ÎN PROIECTE
MANAGEMENTUL
PROIECTULUI
INIŢIEREA PLANIFICAREA
PROIECTULUI PROIECTULUI
CONTROLUL EXECUŢIA
PROIECTULUI PROIECTULUI
ÎNCHIDEREA
PROIECTULUI
Execuţie
Planificare
Nivel
activităţi Control
Iniţiere
Închidere
costurilor sau calităţii proiectului. Riscul proiectului include atât ameninţările asupra
obiectivelor proiectului, dar şi oportunităţile de a îmbunătăţi aceste obiective. Acest
risc îşi are originea în incertitudinea care este prezentă în toate proiectele, indiferent de
amploarea sau complexitatea acestora.
Riscurile pot fi variabile cunoscute, adică riscuri care au fost identificate,
evaluate, cuantificate şi pentru care au fost făcute planuri. Totodată, riscurile pot fi
variabile necunoscute, respectiv riscuri care nu au fost încă identificate sau sunt
imposibil de prevăzut.
Principalele categorii în care sunt clasificate riscurile sunt următoarele:
• Riscul tehnic;
• Riscul de securitate sau de mediu;
• Riscul de programare;
• Riscul de costuri.
Riscul tehnic este definit ca fiind impactul posibil asociat cu dezvoltarea unui
nou design, realizarea unor noi cerinţe tehnice etc. Riscurile de securitate sau de mediu
apar numai în anumite proiecte, de mai mare complexitate, care pot avea impact
asupra securităţii şi siguranţei sau asupra mediului. Riscurile de programare şi de
costuri sunt cele care indică cel mai bine starea proiectului respectiv.
Managementul riscului proiectului constă din procesele majore reprezentate în
Figura 5.4. Aceste procese sunt conectate cu grupurile de procese analizate anterior
pentru managementul general al proiectului.
MANAGEMENTUL
RISCULUI
PROIECTULUI
Planificarea Analiza
Identificarea
managementului calitativă
riscului
riscului a riscului
(4) Tipul proiectului. Proiectele de acelaşi tip sau cele care se repetă tind să aibă
riscuri mai reduse. Proiectele care utilizează tehnologii noi sau cele de mare
complexitate tins să aibă riscuri mult mai ridicate.
(5) Precizia datelor. Precizia descrie gradul în care riscul este cunoscut şi
înţeles. Ea măsoară gradul de disponibilitate a datelor, cât şi fiabilitatea
acestora. În acest sens, trebuie evaluată sursa datelor care au fost utilizate
pentru identificarea riscului.
(6) Scala de probabilitate şi de impact. Aceste scale sunt utilizate pentru
evaluarea celor două dimensiuni cheie ale riscului: probabilitatea de apariţie
şi impactul, adică consecinţele asupra proiectului generate de apariţia riscului
respectiv.
(1) Lista riscurilor prioritare cuantificate. Această listă include riscurile care
constituie cea mai mare ameninţare pentru proiect, sau care oferă cea mai
mare oportunitate, împreună cu o măsură a impactului lor
(2) Analiza probabilistă a proiectului. Această analiză face o predicţie asupra
programului şi costurilor proiectului, furnizând intervale de încredere.
(3) Probabilitatea de a atinge obiectivele de cost şi de timp ale proiectului. În
urma analizei cantitative a riscului, poate fi estimată probabilitatea de a atinge
obiectivele de cost şi de timp ale proiectului, în condiţiile riscurilor actuale.
150 CAPITOLUL 5 – MANAGEMENTUL RISCULUI ÎN PROIECTE
Există mai multe strategii de răspuns la risc. Pentru fiecare risc trebuie selectată
strategia care are cele mai mari şanse să fie eficace. În continuare, pentru
implementarea strategiei de răspuns la risc trebuie aplicate acţiuni specifice.
Întotdeauna vor fi selectate o strategie principală şi o strategie de rezervă.
Transferul responsabilităţii pentru risc este cel mai eficace atunci când în
proiect apare expunerea la riscul financiar. Transferul riscului financiar
înseamnă aproape întotdeauna plata unei „prime de risc” către partea care
preia riscul. Aceasta poate include prime de asigurare, garanţii ş.a.
De asemenea, prin contracte se pot transfera responsabilităţile de risc către o
altă parte. De exemplu, utilizarea unui contract cu preţuri fixe poate transfera
riscul către un vânzător.
(3) Atenuarea. Această tehnică urmăreşte să reducă probabilitatea şi/sau
impactul riscului sub un prag acceptabil. Atenuarea se bazează pe principiul
că adoptarea la timp a unei acţiuni de prevenire a apariţiei riscului este mai
eficace decât încercarea de a repara consecinţele după ce riscul a apărut.
Totodată, costurile acţiunilor de atenuare a riscului trebuie să fie în
concordanţă cu probabilitatea de impact a riscului. Atenuarea riscului se poate
face prin implementarea unei noi modalităţi de acţiune care să reducă riscul,
de exemplu prin adoptarea unor procese mai puţin complexe, prin realizarea
unor testări suplimentarea sau prin alegerea unui furnizor mai stabil.
Procedurile de atenuare a riscului pot să impună schimbarea condiţiilor
proiectului, astfel încât probabilitatea de apariţie a riscului să se reducă, de
exemplu prin suplimentarea resurselor de timp ale programului proiectului.
Atunci când nu este posibilă reducerea probabilităţii, răspunsul de atenuare a
riscului poate fi orientat asupra impactului riscului, prin focalizarea asupra
legăturilor care determină severitatea impactului. De exemplu, proiectarea
unui subsistem redundant poate reduce impactul care ar rezulta din defectarea
sistemului principal.
(4) Acceptarea. Această tehnică indică faptul fie că echipa de proiect a decis să
nu schimbe planul proiectului pentru confruntarea cu riscurile acestuia, fie că
nu a fost capabilă să identifice o altă strategie aplicabilă de răspuns la risc. O
acceptare activă poate include elaborarea unui plan de rezervă, care să fie
realizat atunci când apare riscul. Acceptarea pasivă nu necesită nici o acţiune,
lăsând echipa de proiect să abordeze riscurile pe măsură ce ele apar.
Planul de rezervă poate fi un instrument util pentru riscurile care pot să apară
pe parcursul unui proiect. Elaborarea de la început a unui asemenea plan
poate reduce semnificativ costul acţiunilor care sunt necesare atunci când
apare riscul. În acest plan semnalele (triggerele) riscului trebuie bine definite.
Planul de retragere poate fi elaborat dacă riscul are un impact ridicat sau
dacă strategia urmată nu este integral eficace. Planul poate include alocarea
unor resurse de rezervă, dezvoltarea de opţiuni alternative sau schimbarea
domeniului proiectului.
5.2 MANAGEMENTUL RISCULUI PROIECTELOR 153
(1) Planul de răspuns la risc. Acest document trebuie să fie redactat la un nivel
de detaliere la care să poată să fie luate acţiunile necesare. Planul de răspuns
la risc include, în general, următoarele elemente:
• Riscurile identificate şi descrierea lor, activităţile afectate, cauzele riscurilor
şi modul în care acestea afectează obiectivele proiectului;
• Responsabilităţile atribuite pentru riscuri;
• Rezultatele din procesele de analiză calitativă şi cantitativă a riscului;
• Răspunsurile la risc stabilite, incluzând evitarea, transferarea, atenuarea sau
acceptarea pentru fiecare risc;
• Nivelul riscului rezidual care se aşteaptă să rămână după implementarea
strategiilor de răspuns la risc;
• Răspunsuri specifice la risc, care să permită implementarea strategiei
stabilite;
• Bugetul şi timpul alocate pentru răspunsurile la risc;
• Planurile de rezervă şi de retragere.
(2) Riscurile reziduale. Sunt acele riscuri care rămân după ce au fost aplicate
răspunsurile de evitare, transfer sau atenuare. În această categorie intră şi
riscurile minore care au fost acceptate.
(3) Riscurile secundare. Sunt riscurile de nivelul al doilea, care apar ca rezultat
al implementării răspunsurilor la risc şi care sunt considerate secundare, ca
moment al apariţiei lor. Acestor riscuri trebuie să li se aplice, de asemenea,
procedurile de răspuns la risc, respectiv să fie identificate şi trebuie planificat
răspunsul la ele.
(4) Înţelegeri contractuale. Pentru a specifica responsabilităţile părţilor pentru
anumite riscuri specifice, pot fi încheiate înţelegeri contractuale, care
stabilesc, de exemplu, modalităţile de asigurare, service sau alte activităţi
pentru evitarea sau atenuarea riscurilor.
(5) Cantitatea necesară de resurse de rezervă. Analiza probabilistă a
proiectului şi a pragurilor de risc ajută managerului de risc sau de proiect să
determine cantitatea optimă de resurse de rezervă necesare pentru reducerea
riscului de depăşire a obiectivelor proiectului, la un nivel acceptabil pentru
organizaţie.
(6) Intrări către alte procese. Cele mai multe din răspunsurile la risc implică
consumuri suplimentare de timp, de costuri sau alte resurse şi necesită
modificări le planului proiectului. De aceea, organizaţiile urmăresc să se
154 CAPITOLUL 5 – MANAGEMENTUL RISCULUI ÎN PROIECTE
5.3 APLICAŢII
5.3.1 Planul managementului riscului
Planificarea
managementului
riscului
Identificarea
riscului
Planificarea
răspunsului al risc
A. Informaţii generale
Această secţiune conţine informaţii generale referitoare la organizarea proiectului şi a Planului
Managementului Riscului (PMR).
C. Identificarea riscului
În această secţiune sunt definite şi descrise categoriile de risc (de personal, de echipament, clienţi, de logistică,
de organizare, alte categorii).
Analiza calitativă
Categoria de risc/ Impactul Evaluarea impactului riscului
Evenimentul riscului*
* Impactul riscului: 0,05 = Foarte scăzut / 0,10 = Scăzut / 0,20 = Moderat / 0,40 = Ridicat / 0,80 = Foarte ridicat
Analiza cantitativă
Categoria de risc/ Probabilitatea de Consecinţele impactului Scorul riscului
Evenimentul apariţie** (Probabilitate × Impact)
**Probabilitatea: 0,10=Foarte puţin probabilă / 0,30=Puţin probabilă / 0,50=Medie / 0,70=Probabilă / 0,90=Foarte probabilă
60
50
Frecvenţa 40
30
20
10
0
36 38 40 42 44 46 48 50 52 54 56 58 60 62
Costul total
99.9% 3.00
99.7% 2.75
99.4% 2.50
98.8% 2.25
97.7% 2.00
96.0% 1.75
93.3% 1.50
89.4% 1.25
84.1% 1.00
77.3% 0.75
69.1% 0.50
59.9% 0.25
50.0% 0.00
40.1% -0.25
30.9% -0.50
22.7% -0.75
15.9% -1.00
10.6% -1.25
6.7% -1.50
4.0% -1.75
2.3% -2.00
1.2% -2.25
0.6% -2.50
0.3% -2.75
0.1% -3.00
1.0
0.9
0.8
0.7
Probabilitatea
0.6
0.5
0.4
0.3
0.2
0.1
0.0
300 400 500 600 700 800 900 1000 1100 1200
Costul total
Proiectare 47%
Reproiectare 34%
Documentaţie 12%
Întârziere 6%
A5.1 O companie realizează un proiect care are ca obiectiv implementarea unui sistem modern
de managementul calităţii conform ISO 9001:2000 şi certificarea acestui sistem cu o firmă de
certificare naţională. Proiectul este unul complex, în care sunt angrenate managementul de la cel
mai înalt nivel şi toate departamentele companiei. Managerul de proiect a estimat duratele (în
săptămâni) pentru principalele activităţi ale proiectului după cum urmează:
(a) Să se elaboreze Planul Managementului Riscului pentru acest proiect, conform modelului
prezentat anterior;
(b) Să se efectueze o analiză calitativă şi cantitativă a riscului acestui proiect;
(c) Să se simuleze, cu ajutorul distribuţiei triunghiulare, duratele proiectului de implementare
a sistemului de management al calităţii;
(d) Să se determine, pe baza datelor de simulare, care sunt probabilităţile ca proiectul să
dureze: mai puţin de 6 luni, între 10 şi 12 luni, mai mult de 18 luni.
A5.2 Se consideră riscurile identificate în Tabelul 5.8, în care au fost stabilite nivelele de risc
înainte şi după aplicarea răspunsului la risc. Cu aceste ipoteze, să se întocmească matricele de
impact şi de scor ale riscului, în următoarele ipostaze:
(a) Înainte de aplicarea răspunsului la risc, pentru riscurile iniţiale;
(b) După aplicarea răspunsului la risc, pentru riscurile reziduale.
(a) Să se simuleze riscurile reziduale pentru acest proiect, conform modelului prezentat
anterior;
(b) Să se efectueze o analiză de senzitivitate pentru riscurile reziduale ale acestui proiect.
A5.4 Se consideră din aplicaţia de mai sus, în care au fost stabilite nivelele de risc înainte şi
după aplicarea răspunsului la risc. Cu aceste ipoteze, să se întocmească matricele de impact şi
de scor ale riscului, în următoarele ipostaze:
(c) Înainte de aplicarea răspunsului la risc, pentru riscurile iniţiale;
(d) După aplicarea răspunsului la risc, pentru riscurile reziduale.
6
MANAGEMENTUL RISCULUI ÎN
SOFTWARE
167
168 CAPITOLUL 6 – MANAGEMENTUL RISCULUI ÎN SOFTWARE
Identificare
trol
Anal
Con
iza
COMUNICARE
M
re
on
ca
ifi
ito
n
riz
la
P
ar
e
Plan
4. Identificare Determina raspunsurile la risc: evitare, management
Planificare metode de raspuns control, acceptare, transfer risc
de evenimentele aparute
(5) Risc intolerabil – IN: Riscul este identificat ca fiind foarte mare şi va afecta
obiectivele proiectului. Scorul de impact este cuprins între 0,28 şi 0,72.
Întârzierea programului este mai mare de 50%, iar efectul asupra costurilor
este mai mare de 10%.
Riscurile care sunt analizate la acest pas sunt considerate ca fiind generate de
evenimente externe. Echipa de management a riscului trebuie să determine ce acţiuni
sau decizii pot fi aplicate sau adoptate, care să reducă probabilitatea şi/sau severitatea
impactului fiecărui risc.
174 CAPITOLUL 7 – MANAGEMENTUL RISCULUI ÎN SOFTWARE
Pentru fiecare din primele riscuri din top-ul listei de riscuri prioritizate, echipa de
management a riscului analizează şi validează natura evenimentelor care ar putea
genera o acţiune de recuperare a riscului. Aceste acţiuni de recuperare trebuie
documentate în planul de management al riscului, împreună cu circumstanţele
măsurabile sau observabile care trebuie să apară pentru a semnala necesitatea
implementării acţiunilor de recuperare.
Un exemplu simplu poate fi considerat urmărirea variaţiei costurilor. Dacă
costurile actuale înregistrate depăşesc cu mai mult de o abatere standard valorile
planificate, atunci trebuie constituită o echipă de lucru care să analizeze cauzele de
variaţie şi să facă recomandările necesare.
Exemplele de acţiuni de recuperare pentru riscurile care au impact asupra calităţii
produsului pot să includă – fără a fi limitative – combinaţii ale următoarelor acţiuni:
• Reproiectare pentru a corecta deficienţele constatate.
• Realocarea cerinţelor pentru a menţine performanţa specificată a întregului
sistem.
• Definirea unor praguri mai reduse de performanţă, dar deasupra cerinţelor
minim acceptabile.
Pentru fiecare risc, dacă datele disponibile colectate indică realizarea criteriilor
de intrare în această etapă, atunci managerul de proiect trebuie să analizeze necesitatea
implementării acţiunilor de control şi să aloce resursele necesare aplicării acestor
acţiuni.
6.3 APLICAŢII
6.3.1 Un model de evaluare a riscurilor în sistemele informatice
metodele de răspuns la risc, este cel legat de tratarea erorilor. Scoruri mari au
înregistrat şi riscurile de administrare a sistemului şi a reţelelor.
100% 100%
85%
80% 67%
60% 46%
40%
24% 22% 21% 19% 15%
20%
0%
Disponibilitatea
Relevanţa
Integritate
Infrastructura
Accesul
183
184 CAPITOLUL 7 – MANAGEMENTUL RISCULUI FINANCIAR
Determinarea Identificarea
Identificarea
acţiunilor stărilor
obiectivelor
posibile naturii
120000
Profit Profit
100000
80000 Pierdere
Cheltuieli
variabile
60000
40000
20000 Cheltuieli
fixe
0
0 200 400 600 800 1000 1200
X −µ900 − 1.000
z0 = = = −1,11 . (7.5)
σ 90
Atunci, rezultă probabilitatea de a înregistra pierdere:
Prob{X < 900} = Prob{z0 < −1,11} = 0,1333 . (7.6)
şi, corespunzător, probabilitatea de a avea profit:
Prob{X > 900} = 1 − Prob{z0 < −1,11} = 1 − 0,1333 = 0,8667 . (7.7)
Concluzia care rezultă din analiza pragului de profitabilitate şi a probabilităţilor de
mai sus este că probabilitatea de a înregistra pierdere este de circa 13,3% (aria haşurată
din Figura 7.3), în timp ce probabilitatea de a înregistra profit este de 86,7%. Atunci,
cu o probabilitate relativ mare (>80%), putem decide că realizarea şi vânzarea
produsului respectiv va fi o acţiune profitabilă.
0.0050
0.0045
0.0040
0.0035
0.0030
0.0025
0.0020 P(X <= 900)
0.0015
0.0010
0.0005
X
0.0000
640 712 784 856 928 1000 1072 1144 1216 1288 1360
0.0050
0.0045
0.0040
0.0035
0.0030
0.0025 P(X <= 1090)
0.0020
0.0015
0.0010
0.0005
X
0.0000
640 712 784 856 928 1000 1072 1144 1216 1288 1360
Iteraţiile principale ale modelului sunt reprezentate prin săgeţile direcţionale din
Figura 7.3, care reprezintă şi cele mai importante bucle de feed-back. Pot avea loc însă
şi alte iteraţii secundare între etapele acestui model de decizie. Astfel, etapa de analiză
şi revizuire a proiectelor de investiţii are loc în mod constant, la intervale bine stabilite,
pentru a evalua rezultatele curente faţă de cele planificate.
1. Identificarea
obiectivelor
de investiţii
2. Căutarea
oportunităţilor de
investiţii
3. Identificarea
stărilor
naturii
4. Lista
rezultatelor
posibile
5. Evaluarea
efortului
financiar
6. Selectarea
proiectelor
de investiţii
7. Implementarea
proiectelor
de investiţii
8. Analiza deciziilor
de investiţii
de capital
În Figura 7.4 sunt reprezentate valorile VNA pentru diferitele valori atribuite
factorilor de discount, conform datelor din Tabelul 7.3. Ajustând o linie de tendinţă
polinomială de gradul al doilea, obţinem ecuaţia:
y = 2.234,2 x 2 − 2.869 x + 662,25 . (7.6)
Rezolvând această ecuaţie, obţinem soluţia pentru factorul de discount în
intervalul dat: x = 30,17% .
7.3 INVESTIŢII DE CAPITAL ÎN CONDIŢII DE RISC 195
500
399.70
400
280.02
300
175.93
200
VNA
84.80
100
4.55
0
5% 10% 15% 20% 25% 30% 35% 40% 45%
-100 -66.50
-129.74
-200
Rata de discount
Regula de decizie este următoarea: dacă rata internă de beneficiu este mai mare
decât costul capitalului de oportunitate, atunci investiţia este profitabilă şi se va obţine
o valoare netă actuală VNA > 0.
O situaţie aparte o reprezintă proiectele de investiţii care sunt reciproc exclusive,
respectiv situaţia în care acceptarea unui proiect implică excluderea celuilalt proiect,
cum ar fi de exemplu, decizia de alegere a unei locaţii pentru amplasarea unui nou
obiectiv economic. Să presupunem că un investitor trebuie să decidă între două
proiecte exclusive de investiţii, notate A şi B. Fluxurile de intrare pentru cele două
proiecte, la o rată a beneficiului de 10%, sunt date în Tabelul 7.5.
Tabelul 7.5
Flux de intrare Factor de Valoarea actuală
Anul
discount
Proiectul A Proiectul B Proiectul A Proiectul B
10%
1 3.430 5.520 0,909 3.118,18 5.018,18
2 3.430 5.520 0,826 2.834,71 4.561,98
3 3.430 5.520 0,751 2.577,01 4.147,26
Total 8.529,90 13.727,42
Cheltuieli initiale 7.000,00 12.000,00
Valoarea actuală netă 1.529,90 1.727,42
5000
4000
3000
2000
VNA
1000
0
0 2 4 6 8 10 12 14 16 18 20 22 24 26
-1000
-2000
Rata de discount
Proiectul A Proiectul B
17 − 9
y= ⋅ ( x − 0 ) + 9 = 0,5 x + 9 . (7.7)
16 − 0
30
Portofoliul B
Rata medie a beneficiului (%
25
25
20
Rm 17
Portofoliul de piaţă
15
13
9 Portofoliul A
10
Rf
5
0
0 8 16 24 32
Riscul (abaterea standard)
unde V [VNA] este varianţa valorii nete actuale a proiectului, Vt este varianţa pentru
cash-flow-ul net în anul t, iar k este rata beneficiului. Pentru a aplica relaţia (7.9) să
calculăm mai întâi V1 în Tabelul 7.7. Să remarcăm faptul că varianţa cash-flow-ului va
fi aceeaşi în cei trei ani ai proiectului, deoarece considerăm că distribuţia de
probabilitate a variabilei VNA are aceeaşi valoare medie şi aceeaşi dispersie.
7.3 INVESTIŢII DE CAPITAL ÎN CONDIŢII DE RISC 199
0.00006
0.00005
0.00004
0.00003
P(X <= 0)
0.00002
0.00001
X
0
-25000 -20000 -15000 -10000 -5000 0 5000 10000 15000 20000 25000
În tabelul de mai sus, pe prima linie, pentru valoarea simulată 0,30 considerăm
un cash-flow net de 30.000 în anul 1, pentru 0,93 un cash-flow net de 15.000 în anul 2,
iar pentru 0,36 un cash-flow net de 0 în anul 3. Cu aceste valori rezultate din simulare,
7.3 INVESTIŢII DE CAPITAL ÎN CONDIŢII DE RISC 201
a fost calculată valoarea VNA din ultima coloană a tabelului. Procedeul a fost repetat
de un număr suficient de mare de ori.
Statisticile rezultate din simulare au fost, notând cu x valorile variabilei VNA, au
fost:
xmin = −18.798 , xmax = 18.881 ,
x = 2.594 , s = 7.739 ,
iar modelul distribuţiei simulate, reprezentat prin histograma frecvenţei relative a
valorilor simulate, este redat în Figura 7.8.
0.25
0.20
Probabilitatea
0.15
0.10
0.05
0.00
-20,682
-16,914
-13,146
13,229
16,997
20,764
-9,378
-5,610
-1,843
1,925
5,693
9,461
VNA
2
b−a
a m b
Figura 7.9 – Distribuţia triunghiulară asimetrică
7.3 INVESTIŢII DE CAPITAL ÎN CONDIŢII DE RISC 203
0.20
0.15
0.10
0.05
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13
Preţul de
vânzare
estimat
Volumul Costul
de vânzări estimat al
estimat capitalului
VNA
Costuri Costuri
operaţiona iniţiale
le estimate estimate
205
206 BIBLIOGRAFIE
15. Chan, L. K., Cheng, S. A New Measure of Process Capability: Cpm. Journal of
W., Spiring, F. A. Quality Technology, Vol. 20, No. 3, pp. 162-175, 1988.
16. Coşa, M., Nastovici, Modele de evaluare a riscului de ţară. Editura Orientul Latin,
L. 2000.
17. Drury, C. Management and Cost Accounting. Chapmann & Hall, 1985.
18. Duncan, A. I. Quality Control and Industrial Statistics. Richard D Irwin,
Inc, 1974.
19. Duncan, W.R. A Guide to the Project Management Body of Knowledge.
Project management Institute, 1996 – 2000.
20. Gibra, I.. N. Probability and Statistical Inference for Scientist and
Engineers. Prentice-Hall, Inc, 1973.
21. Gnedenko, B. The Theory of Probability. Mir Publishers, 1976.
22. Hahn, G. I., Shapiro, Statistical Models in Engineering. John Wiley & Sons, Inc.,
S. S. 1967.
23. Hall, O. P., Adelman, Business Statistics. Richard Irwin Inc., 1991.
H. E.
24. Hammer Slei, J., Monte Carlo Methods. John Wiley & Sons Inc, 1964.
Handscomb, D. C.
25. Harshbarger, R.J., Mathematical Applications for the Management, Life, and
Reynolds, J.J. Social Sciences. D.C Heath, 1992,
26. Hillier, F. S., Introduction to Operations Research. McGraw Hill
Lieberman G. I. Publishing Co., 1986.
27. Iosifescu, M., Mihai, Teoria probabilităţilor şi statistica matematică. Editura
Gh., Theodorescu, R. tehnică, 1966.
28. Ireson, W. G. Reliability Handbook. McGraw-Hill Company, 1966.
29. Juran, J. M., Gryna, F. Quality Control Handbook. McGraw-Hill Co, 1974.
M. Bingham, R. S.
30. Kane, V. E. Process Capability Indices. Journal of Quality Technology,
Vol. 18, No. 1, pp. 41-52, 1986.
31. Keller, G., Warrack, Statistics for Management and Economics. Duxbury Press,
G. 1997
32. Lloyd, E. Handbook of Aplicable Mathematics. Volume VI: Statistics.
John Wiley & Sons, 1984.
33. Maliţa, M., Zidăroiu Incertitudine şi decizie. Editura ştiinţifică şi enciclopedică,
C. 1980.
34. Mann, N. R., Schafer, Methods for Statistical Analisys of Reliability & Life Data.
R. E., Simpurwalla, N. John Wiley & Sons, 1974.
BIBLIOGRAFIE 207
53. Yule, C. V., Kendall, Introducere în teoria statisticii. Editura ştiinţifică, 1969.
M. G.
54. Zikmund, W.G. Business Research Methods. The Dryden Press, 1994,
55. *** Dicţionarul Explicatic al Limbii Române. Editura Univers
Enciclopedic, Bucureşti, 1998.
56. *** Handbook of Engineering Statistics. NIST, 2000
57. *** Mic Dicţionar Enciclopedic. Editura ştiinţifică şi
enciclopedică, Bucureşti, 1978.
58. *** Potential Faiture Mode and Effects Analysis (FMEA).
Chrysler Corporation, Ford Motor Company, and General
Motors Corporation, 1995.
59. *** Program Project and Management. U.S. Department of
Energy, 2000
60. *** Project Risk Management. Risk Management SIG
Committee, 2001.
61. *** Risc Consult, nr. 2 – 3 / 2002. Marsh SRL
62. *** Software Risk Management. A Practical Guide. U.S.
Department of Energy, 2000
63. *** Webster’s Unabridged Dictionary of the English Language.
John Wiley & Sons, 2002.